潘翔

摘 要： 通過(guò)物聯(lián)網(wǎng)的相關(guān)技術(shù)方法對(duì)設(shè)備工作環(huán)境中的煙霧、水浸、溫度和濕度四個(gè)參數(shù)進(jìn)行采集和處理，再經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)的分析對(duì)設(shè)備工作的環(huán)境情況進(jìn)行評(píng)價(jià)。仿真結(jié)果表明，采用該方法可以對(duì)環(huán)境參數(shù)進(jìn)行有效的監(jiān)控和預(yù)警，使得系統(tǒng)的使用者可以清楚明確地了解到當(dāng)前環(huán)境的狀態(tài)。

關(guān)鍵詞： 物聯(lián)網(wǎng)； BP神經(jīng)網(wǎng)絡(luò)； 環(huán)境參數(shù)監(jiān)測(cè)； 設(shè)備環(huán)境

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）03?0012?03

Research on IOT equipment environmental monitoring technology

based on neural network

PAN Xiang

（Department of Computer， Guangxi Cadres University of Economic and Management， Nanning 530007， China）

Abstract： The parameters of smog， water logging， temperature and humidity in the equipment working environment are collected and processed by means of the related technical methods based on Internet of Things （IOT）， and analyzed by means of BP neural network to evaluate the equipment working environment. The simulation results show that the method proposed in this paper can monitor the environmental parameters effectively and issue an early warning according to the parameters， and let the system users understand the status of the current environment explicitly.

Keywords： IOT； BP neural network； environmental parameter monitoring； equipment environment

0 引 言

各種電子設(shè)備所處的環(huán)境對(duì)其工作性能和使用壽命有著重要的影響，所以目前人們開(kāi)始越來(lái)越多的對(duì)設(shè)備工作環(huán)境進(jìn)行監(jiān)測(cè)。對(duì)設(shè)備環(huán)境進(jìn)行有效的監(jiān)測(cè)，一方面必須利用各種傳感器技術(shù)對(duì)溫度、濕度等環(huán)境參數(shù)進(jìn)行準(zhǔn)確及時(shí)的獲取和處理；另一方面，必須構(gòu)建一個(gè)有效的分析監(jiān)測(cè)模型，能夠?qū)@些復(fù)雜的參數(shù)綜合表征的環(huán)境狀態(tài)進(jìn)行評(píng)價(jià)和判斷。而這兩個(gè)方面都涉及許多技術(shù)難點(diǎn)，因此，本文參照目前比較新的研究思路，引入物聯(lián)網(wǎng)的相關(guān)技術(shù)和方法對(duì)溫度等四個(gè)環(huán)境因素進(jìn)行準(zhǔn)確的采集和處理，再利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)獲得的數(shù)據(jù)進(jìn)行分析，以判斷目前環(huán)境的情況，該方法具有實(shí)現(xiàn)簡(jiǎn)單，監(jiān)測(cè)準(zhǔn)確率高的優(yōu)點(diǎn)。

1 物聯(lián)網(wǎng)

1.1 物聯(lián)網(wǎng)的結(jié)構(gòu)

物聯(lián)網(wǎng)是伴隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的發(fā)展而出現(xiàn)的一個(gè)全新概念。它一般指采用多種智能傳感設(shè)備，諸如各種傳感器、射頻識(shí)別技術(shù)、GPS、激光或紅外探測(cè)器等各種裝置，實(shí)時(shí)采集任何需要監(jiān)控、連接、互動(dòng)的物體或過(guò)程，采集其聲、光、熱、電、力學(xué)、化學(xué)、生物、位置等各種需要的信息，與互聯(lián)網(wǎng)結(jié)合形成的一個(gè)巨大網(wǎng)絡(luò)，以進(jìn)行信息交換和通信[1]。 一個(gè)完整的物聯(lián)網(wǎng)一般由感知層、網(wǎng)絡(luò)層和應(yīng)用層組成，如圖1所示。

其中，感知層網(wǎng)絡(luò)的主要作用是對(duì)實(shí)體信息的感知，信息的采集和智能識(shí)別等功能；網(wǎng)絡(luò)層是人與人之間、人與物之間和物與物之間通信的傳輸媒介，主要向應(yīng)用層提供安全可靠的傳輸機(jī)制；應(yīng)用層的主要功能就是對(duì)網(wǎng)絡(luò)層傳輸?shù)暮Ａ繑?shù)據(jù)進(jìn)行存儲(chǔ)、分析和智能處理等，根據(jù)不同的應(yīng)用需求對(duì)數(shù)據(jù)進(jìn)行處理[2]。

1.2 基于物聯(lián)網(wǎng)的設(shè)備環(huán)境監(jiān)測(cè)原理

為了對(duì)設(shè)備的運(yùn)行環(huán)境狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以使相關(guān)人員能夠清楚地了解到目前環(huán)境的狀況。本文通過(guò)物聯(lián)網(wǎng)，利用IPv6等無(wú)線通信技術(shù)，將各種傳感器、路由網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)等進(jìn)行連接，從而實(shí)現(xiàn)對(duì)溫度、煙霧、水浸等環(huán)境參數(shù)的實(shí)時(shí)監(jiān)測(cè)。

本文設(shè)計(jì)的監(jiān)測(cè)物聯(lián)網(wǎng)主要由感知層的18個(gè)無(wú)線傳感器和應(yīng)用層的BP神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)分析系統(tǒng)組成。在底層，各種不同的傳感器采集到的數(shù)據(jù)通過(guò)IPv6組成的無(wú)線網(wǎng)絡(luò)通過(guò)各自的路由器發(fā)送至無(wú)線網(wǎng)關(guān)，無(wú)線網(wǎng)關(guān)通過(guò)交換機(jī)與服務(wù)器相連，服務(wù)器接收到數(shù)據(jù)后，會(huì)利用構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)這些數(shù)據(jù)進(jìn)行整理分析，以判斷環(huán)境所處的具體狀態(tài)。

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型誤差修正網(wǎng)絡(luò)，它通過(guò)不斷調(diào)整各個(gè)單元層之間的網(wǎng)絡(luò)權(quán)值和閾值實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)主要運(yùn)行由信號(hào)的正向傳播和誤差的逆向傳播兩個(gè)過(guò)程組成，通過(guò)不斷地權(quán)重調(diào)整，可以實(shí)現(xiàn)網(wǎng)絡(luò)誤差的不斷縮小。

2.2 原始數(shù)據(jù)的獲得

位于底層的傳感器網(wǎng)絡(luò)一共包含4個(gè)路由器（含網(wǎng)卡）和18個(gè)無(wú)線傳感器（含3個(gè)水浸傳感器、4個(gè)煙霧傳感器、6個(gè)溫度傳感器和5個(gè)濕度傳感器）。通過(guò)傳感器和路由器組建傳感器的物聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)環(huán)境信息的獲取，并上傳至數(shù)據(jù)處理中心。將各個(gè)類型傳感器收集到的數(shù)據(jù)分別進(jìn)行加權(quán)平均，由于水浸和煙霧為簡(jiǎn)單的“是否”問(wèn)題，因此用0和1表示，結(jié)果如表1所示。

2.3 定義輸入和輸出樣本數(shù)據(jù)

定義輸入樣本數(shù)據(jù)，從表1的20組數(shù)據(jù)中選擇10組作為輸入樣本，在Matlab命令空間中輸入歸一后的數(shù)據(jù)，歸一化按照式（1）進(jìn)行：

[yi=xi-minximaxxi-minxi， i=1，2…，n] （1）

本文直接調(diào)用Matlab軟件中的premnmx函數(shù)進(jìn)行歸一化運(yùn)算，經(jīng)過(guò)歸一化后的評(píng)價(jià)指標(biāo)[yi]在[0，1]之間。為了簡(jiǎn)化仿真模型，特對(duì)輸出狀態(tài)進(jìn)行編碼，模型輸出為評(píng)價(jià)環(huán)境的優(yōu)、良、中、差、危險(xiǎn)5種狀態(tài)，定義期望輸出向量如表2所示。

2.4 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型

本文采用含一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，由于輸入單元為4，輸出單元為5，根據(jù)經(jīng)驗(yàn)公式可選隱含層單元數(shù)為1～10之間的整數(shù)，采用試湊法得到了隱含層神經(jīng)元與均方平均值（MSE）的曲線關(guān)系，如圖2所示。其中隱層神經(jīng)元數(shù)目為9時(shí)，得到的MSE值最小為14，所以確定的隱含層神經(jīng)元數(shù)為9。

2.5 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

在Matlab中代入這8組樣本向量對(duì)構(gòu)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，期望誤差設(shè)為10?6，訓(xùn)練過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)誤差的變化形式如圖3所示。

由圖3可知，當(dāng)訓(xùn)練經(jīng)過(guò)58次迭代之后，達(dá)到了滿意的誤差期望。獲得理想的神經(jīng)網(wǎng)絡(luò)模型后，在剩余樣本中選擇8組數(shù)據(jù)對(duì)該BP神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)測(cè)試實(shí)驗(yàn)，輸入主代碼：result_test=sim（net，ptest）[′]。

在Matlab中輸入表1中的所有數(shù)據(jù)，經(jīng)過(guò)整理的結(jié)果如表4所示。

由表4可以看到，表中字體加深的數(shù)據(jù)，即第2組環(huán)境狀態(tài)為中，第四組環(huán)境狀態(tài)為良的檢測(cè)數(shù)據(jù)分別誤判為良和中。為了提高模型的檢測(cè)精度，將這兩組作為訓(xùn)練樣本加入訓(xùn)練集中，重新對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，圖4是新構(gòu)建的神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)使誤差下降的情況。

由圖4可知，增加這兩組數(shù)據(jù)后，模型的收斂速度獲得了提升，達(dá)到相同精度，僅需要33步即可收斂，表5是用剩下的8組數(shù)據(jù)進(jìn)行檢測(cè)的仿真結(jié)果。

由表5可以看到，經(jīng)過(guò)2次訓(xùn)練后，本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)對(duì)樣本的判斷結(jié)果均正確，對(duì)環(huán)境具有較好的監(jiān)測(cè)功能。

3 結(jié) 論

本文主要研究了基于物聯(lián)網(wǎng)的設(shè)備環(huán)境監(jiān)測(cè)方法，構(gòu)建了能夠根據(jù)煙霧、水浸、溫度和濕度等環(huán)境參數(shù)準(zhǔn)確判斷環(huán)境狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)模型。在仿真過(guò)程中發(fā)現(xiàn)將第一次訓(xùn)練的錯(cuò)誤數(shù)據(jù)代入原模型作為訓(xùn)練樣本，并進(jìn)行兩次訓(xùn)練可以大大提高神經(jīng)網(wǎng)絡(luò)模型的精度。系統(tǒng)可在環(huán)境參數(shù)出現(xiàn)異常狀況前告知使用者，從而避免事故發(fā)生，具有較大的實(shí)用意義。

參考文獻(xiàn)

[1] 劉飛.物聯(lián)網(wǎng)的應(yīng)用分析研究[J].電子技術(shù)，2013（1）：12?18.

[2] 鄭偉.一種基于BP 神經(jīng)網(wǎng)絡(luò)技術(shù)的物聯(lián)網(wǎng)監(jiān)控預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京工業(yè)大學(xué)，2015.

[3] 王億之.神經(jīng)網(wǎng)絡(luò)算法在物聯(lián)網(wǎng)中的應(yīng)用研究[J].計(jì)算機(jī)應(yīng)用研究，2015（3）：128?132.

[4] 林華.基于BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的檢測(cè)方法[J].計(jì)算機(jī)工程，2015（8）：143?149.

[5] LI Zhigang， SHI Bowei. Application of improved BP network in failure forecasting [J]. Advanced materials research， 2012， 490： 373?377.

[6] 孫媛.差異物聯(lián)網(wǎng)設(shè)備下的數(shù)據(jù)分發(fā)模型仿真分析[J].計(jì)算機(jī)仿真，2016，33（3）：243?246.