雷宇飛

(泉州信息工程學(xué)院， 福建 泉州 362000)

?

無線傳感網(wǎng)絡(luò)中的神經(jīng)網(wǎng)絡(luò)多級(jí)數(shù)據(jù)融合算法

雷宇飛

(泉州信息工程學(xué)院， 福建 泉州 362000)

根據(jù)傳感器網(wǎng)絡(luò)數(shù)據(jù)間的相關(guān)特性，基于神經(jīng)網(wǎng)絡(luò)的多級(jí)融合算法，利用數(shù)據(jù)間的時(shí)間-空間相關(guān)特性對(duì)采樣數(shù)據(jù)進(jìn)行二級(jí)融合處理，獲得更準(zhǔn)確的數(shù)據(jù)。仿真實(shí)驗(yàn)表明，本算法滿足大數(shù)據(jù)環(huán)境下對(duì)數(shù)據(jù)精確度的要求。

感知節(jié)點(diǎn)； 神經(jīng)網(wǎng)絡(luò)； 置信度； 容錯(cuò)性

0 引 言

物聯(lián)網(wǎng)技術(shù)是當(dāng)今國際上備受關(guān)注的、由多學(xué)科高度交叉形成的新興的前沿研究熱點(diǎn)領(lǐng)域，具有全面感知、可靠傳輸、智能處理的特點(diǎn)，能夠?qū)崟r(shí)、可靠地獲取目標(biāo)區(qū)域各種監(jiān)測(cè)對(duì)象的信息，在軍事和民用中具有廣泛的應(yīng)用前景[1-2]。WSN是物聯(lián)網(wǎng)技術(shù)中的核心技術(shù)之一，WSN具有自組織、自恢復(fù)、自適應(yīng)的特點(diǎn)，通過各類集成化的微型終端節(jié)點(diǎn)協(xié)作完成信息采集任務(wù)，是當(dāng)代物聯(lián)網(wǎng)技術(shù)的核心環(huán)節(jié)和關(guān)鍵技術(shù)之一,在十大關(guān)鍵技術(shù)中榮居榜首[3]。

在WSN中，由于終端節(jié)點(diǎn)具有密度高的特點(diǎn)，而且節(jié)點(diǎn)之間具有自組織性能，因此,采集的數(shù)據(jù)具有時(shí)間-空間相關(guān)性，同一個(gè)數(shù)據(jù)在終端設(shè)備的傳送過程中，節(jié)點(diǎn)存儲(chǔ)的數(shù)據(jù)容易形成多個(gè)相同數(shù)據(jù)副本，造成存儲(chǔ)資源浪費(fèi)，形成大量不必要的冗余數(shù)據(jù)，容易造成數(shù)據(jù)傳輸過程中數(shù)據(jù)阻塞，降低傳感器的網(wǎng)絡(luò)實(shí)時(shí)性。另外，終端節(jié)點(diǎn)一般利用隨機(jī)分布的方式自主組網(wǎng)，容易受到外界環(huán)境干擾，導(dǎo)致采樣數(shù)據(jù)出現(xiàn)偏差、異常，甚至數(shù)據(jù)丟失的情況，給后續(xù)處理帶來額外的開銷。綜上問題會(huì)導(dǎo)致WSN性能下降，影響物聯(lián)網(wǎng)技術(shù)的實(shí)時(shí)性與準(zhǔn)確性，而數(shù)據(jù)融合技術(shù)能夠有效解決上述問題，是WSN技術(shù)中的關(guān)鍵技術(shù)之一[4]。

數(shù)據(jù)融合技術(shù)利用終端節(jié)點(diǎn)的數(shù)據(jù)和一定算法完成對(duì)同類數(shù)據(jù)的聚合處理，獲得更少的數(shù)據(jù)量和更精確的數(shù)據(jù)值，一般原理結(jié)構(gòu)如圖1所示[5]。

圖1 數(shù)據(jù)融合的流程圖

利用數(shù)據(jù)融合可以有效減少數(shù)據(jù)傳輸量。降低數(shù)據(jù)沖突，減輕網(wǎng)絡(luò)堵塞，從而有效地節(jié)省能量開銷，起到延長(zhǎng)網(wǎng)絡(luò)壽命的作用[5]。

均值估計(jì)算法[6]是將網(wǎng)絡(luò)中多個(gè)節(jié)點(diǎn)的采樣數(shù)據(jù)進(jìn)行取均值處理。當(dāng)采樣數(shù)據(jù)樣本足夠大時(shí)，估計(jì)值趨于真值；自適應(yīng)加權(quán)融合算法[7]是基于卡爾曼濾波原理的最小方差意義下遞推估計(jì)算法，利用總的均方誤差最小的條件，自適應(yīng)地對(duì)各個(gè)節(jié)點(diǎn)權(quán)值進(jìn)行匹配，使得結(jié)果達(dá)到最優(yōu)。由于采樣真值存在時(shí)間上的差異，同時(shí)節(jié)點(diǎn)間采用的數(shù)據(jù)值也存在一定的偏差，所以會(huì)造成權(quán)值估計(jì)出現(xiàn)偏差，估計(jì)復(fù)雜度較高，不適用于傳感器節(jié)點(diǎn)。基于信任度的估計(jì)算法[8]利用了數(shù)據(jù)之間的偏差程度來估計(jì)數(shù)據(jù)的有效性，最后融合有效數(shù)據(jù)，得到較為可靠的數(shù)據(jù)結(jié)果，該算法只考慮采樣數(shù)據(jù)的空間相關(guān)特性，忽略了節(jié)點(diǎn)采樣值是一個(gè)隨機(jī)變量和采樣方差對(duì)數(shù)據(jù)的影響，得到的結(jié)果存在一定的偏差。

文中在現(xiàn)有傳感器網(wǎng)絡(luò)網(wǎng)內(nèi)融合算法的基礎(chǔ)上,根據(jù)傳感器網(wǎng)絡(luò)數(shù)據(jù)間的相關(guān)特性，提出了一種基于神經(jīng)網(wǎng)絡(luò)的多級(jí)融合算法MLFA(Multi-level fusion algorithm based on Neural Network)，利用數(shù)據(jù)間的時(shí)間-空間相關(guān)特性對(duì)采樣數(shù)據(jù)進(jìn)行二級(jí)融合處理，獲得更準(zhǔn)確的數(shù)據(jù)。

1 MLFA算法

1.1 MLFA算法的模型

對(duì)采集數(shù)據(jù)進(jìn)行相關(guān)性的分析，利用傳感器網(wǎng)絡(luò)中終端節(jié)點(diǎn)設(shè)備采樣數(shù)據(jù)的空間相關(guān)性，對(duì)同一時(shí)間的采樣數(shù)據(jù)進(jìn)行一致性檢驗(yàn)，消除在采樣過程中由于設(shè)備異?；蛘邠p壞導(dǎo)致異常的數(shù)據(jù)，然后利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)理論對(duì)節(jié)點(diǎn)方差進(jìn)行估計(jì)，最后匹配權(quán)值。算法模型如圖2所示。

圖2 MLFA算法的原理框圖

1.2 基于置信矩陣的初級(jí)融合

在傳感器網(wǎng)絡(luò)中，傳感器節(jié)點(diǎn)容易受到外界環(huán)境因素的干擾(包括溫度、濕度和天氣等因素影響),導(dǎo)致節(jié)點(diǎn)采樣數(shù)據(jù)出現(xiàn)不同程度的偏差,甚至出現(xiàn)異常數(shù)據(jù)，因此,需要對(duì)一次采樣數(shù)據(jù)進(jìn)行初級(jí)融合，消除異常數(shù)據(jù)對(duì)融合結(jié)果的影響。

假定在監(jiān)測(cè)區(qū)域中部署了n個(gè)傳感器，節(jié)點(diǎn)同時(shí)采集相同類型的數(shù)據(jù)。其中狀態(tài)觀測(cè)方程如下：

式中：x----一維狀態(tài)量;

X----n維測(cè)量向量，設(shè)X=[x1x2…xn-1xn]T；

e----n維測(cè)量噪聲向量，包含傳感器的內(nèi)部噪聲和環(huán)境干擾噪聲，設(shè)e=[e1e2…en-1en]T；

H----已知的n維常向量,設(shè)H=[1 1 … 1 1]T。

其中，各傳感器的測(cè)量值彼此相互獨(dú)立，且為無偏估計(jì)。

式中：xi----傳感網(wǎng)絡(luò)單次采集數(shù)據(jù)，i=1,2,…,n；

Dij----節(jié)點(diǎn)i與節(jié)點(diǎn)j采樣數(shù)據(jù)的偏差程度。

Dij越大，表示節(jié)點(diǎn)i和j的采樣數(shù)據(jù)值之間偏差越大。由式(2)構(gòu)建一個(gè)偏差矩陣Dn表示一次采樣中傳感器間的數(shù)據(jù)偏差程度。

Dij的值越小,表示節(jié)點(diǎn)i和j的采樣數(shù)據(jù)越相近，數(shù)據(jù)間的相關(guān)程度越高，故可用1/Dij表征傳感器之間的支持程度：

由式(3)可知,vii=0，這里令vii?vij，由式(4)計(jì)算出各個(gè)傳感器數(shù)據(jù)間的支持度。由誤差矩陣Dn可以得到傳感器間的置信矩陣：

由于關(guān)系矩陣Rn為非負(fù)矩陣，根據(jù)Perron-Frobenius定理可知，Rn存在最大的特征值λ>0，且對(duì)應(yīng)正特征向量Z=[z1,z2,…,zn]T，則有RnZ=λmaxZ,由此定義節(jié)點(diǎn)i的權(quán)值：

由此,單次采樣數(shù)據(jù)的融合結(jié)果為：

利用數(shù)據(jù)間空間相關(guān)性并進(jìn)行數(shù)據(jù)融合處理，有效消除了異常數(shù)據(jù)對(duì)融合結(jié)果的影響。

1.3 基于神經(jīng)網(wǎng)絡(luò)的二級(jí)數(shù)據(jù)融合

學(xué)習(xí)規(guī)則[9]：誤差修正學(xué)習(xí)方法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的一個(gè)重要方法，具體描述如下：

式中:λ----學(xué)習(xí)因子；

dj，yj----第j個(gè)神經(jīng)元的期望與實(shí)際輸出；

xi(n)----第j個(gè)神經(jīng)元的第i個(gè)輸入。

由于終端設(shè)備都存在采樣誤差，僅考慮數(shù)據(jù)空間相關(guān)性進(jìn)行融合時(shí)，融合結(jié)果的精度依然無法保證，一旦終端節(jié)點(diǎn)采樣偏差很大，仍然無法得到精確度高的數(shù)據(jù)。MTFA算法利用神經(jīng)網(wǎng)絡(luò)誤差修正學(xué)習(xí)方法[3-8]對(duì)節(jié)點(diǎn)的方差進(jìn)行估計(jì)，最后匹配權(quán)值。

單次采樣時(shí)，傳感器i的方差為：

假設(shè)終端節(jié)點(diǎn)進(jìn)行m次采樣，由于傳感器的測(cè)量噪聲是平穩(wěn)隨機(jī)過程，具有各態(tài)歷經(jīng)特性，因此，應(yīng)用神經(jīng)網(wǎng)絡(luò)誤差修正學(xué)習(xí)方法對(duì)終端節(jié)點(diǎn)的方差進(jìn)行樣本訓(xùn)練，更新方差估計(jì)值，直到趨于一個(gè)穩(wěn)定值。故傳感器i的方差估計(jì)值為：

進(jìn)一步寫成遞推公式：

其中,學(xué)習(xí)因子λ=1/m，隨著新樣本的加入，對(duì)傳感器方差進(jìn)行修正，趨于穩(wěn)定值。然后利用在滿足最小均方誤差的條件，重新修正終端節(jié)點(diǎn)本次采樣的權(quán)值W。最后由式(11)計(jì)算二次融合結(jié)果：

1.4 算法的復(fù)雜度分析

假設(shè)N個(gè)傳感器節(jié)點(diǎn)對(duì)同一目標(biāo)參數(shù)進(jìn)行數(shù)據(jù)監(jiān)測(cè)，當(dāng)傳感器節(jié)點(diǎn)采樣一次后進(jìn)行數(shù)據(jù)融合時(shí)，MTFA算法只需進(jìn)行N次計(jì)算就可以求出傳感器方差，計(jì)算復(fù)雜度為O(N)。與自適應(yīng)加權(quán)融合算法相比顯著降低了算法的復(fù)雜度。

2 實(shí)驗(yàn)仿真與結(jié)果分析

文中采用MATLAB進(jìn)行仿真，仿真數(shù)據(jù)采用文獻(xiàn)[9]的監(jiān)測(cè)參數(shù)。文獻(xiàn)中的實(shí)驗(yàn)參數(shù)來自對(duì)倉庫溫度進(jìn)行監(jiān)測(cè)的實(shí)際設(shè)備參數(shù)指標(biāo)，具有一定程度的可信度。分別采用均值估計(jì)算法、自適應(yīng)加權(quán)融合算法、基于信任度的融合算法和MTFA算法進(jìn)行數(shù)據(jù)融合,實(shí)驗(yàn)仿真參數(shù)見表1。

表1 實(shí)驗(yàn)仿真參數(shù)

2.1 方差估計(jì)的有效性

采用MTFA算法時(shí)傳感器的權(quán)重值隨采樣次數(shù)變化的情況如圖3所示。

圖3 MTFA算法權(quán)值隨采樣次數(shù)變化圖

由圖3可以看出，采樣改進(jìn)的多傳感器融合算法隨著采樣次數(shù)的增加，各個(gè)傳感器的權(quán)值趨于穩(wěn)定值,而且算法的收斂速度快。

LMS算法權(quán)值隨采樣次數(shù)變化如圖4所示。

圖4 LMS算法權(quán)值隨采樣次數(shù)變化圖

由圖4可知，自適應(yīng)加權(quán)融合算法在目標(biāo)參數(shù)變化的情況下，估計(jì)方差值會(huì)出現(xiàn)波動(dòng)現(xiàn)象，方差估計(jì)值收斂速度較慢。

仿真結(jié)果表明了MTFA算法方差估計(jì)的有效性，而且權(quán)值收斂比自適應(yīng)加權(quán)融合算法更快，更符合傳感器的處理性能。

2.2 融合結(jié)果的誤差分析

不同算法的融合結(jié)果隨采樣次數(shù)的變化情況如圖5所示。

圖5 不同算法的融合誤差比較

由圖5可以看出，隨著采樣次數(shù)的增加，均值估計(jì)算法、自適應(yīng)加權(quán)融合算法、基于信任度估計(jì)算法和MTFA算法的誤差值分別為：0.130、0.162、0.165和0.100。

仿真結(jié)果表明,當(dāng)只采用一級(jí)融合，即只基于信任度進(jìn)行估計(jì)真值時(shí)，融合結(jié)果存在較大誤差，估計(jì)性能甚至比均值估計(jì)算法更差，因此有必要進(jìn)行二級(jí)融合。

與均值估計(jì)算法、LMS算法和基于信任度融合算法相比，MTFA算法的融合誤差最小，融合精度高。因此，MTFA算法在進(jìn)行融合處理時(shí)更具優(yōu)勢(shì)，融合結(jié)果也更加貼近實(shí)際的真實(shí)情況，精度更高。特別是在如今的大數(shù)據(jù)環(huán)境中，能夠更好地利用數(shù)據(jù)間的相關(guān)性，融合出更準(zhǔn)確的結(jié)果，有利于作出正確的決策。

2.3 容錯(cuò)性能分析

由于傳感器的硬件限制，容易受到人為因素或者自然環(huán)境因素的干擾，容易產(chǎn)生異常數(shù)據(jù)，因此有必要對(duì)算法的容錯(cuò)性能進(jìn)行分析。我們還是用絕對(duì)誤差作為評(píng)價(jià)標(biāo)準(zhǔn)。假設(shè)第8個(gè)傳感器的測(cè)量方差為5，用來模擬異常數(shù)據(jù),實(shí)驗(yàn)仿真參數(shù)見表2。

表2 實(shí)驗(yàn)仿真參數(shù)

異常數(shù)據(jù)情況下，不同算法的融合結(jié)果隨采樣次數(shù)的變化情況如圖6所示。

圖6 數(shù)據(jù)異常情況下融合結(jié)果的誤差曲線

由圖6可以看出，當(dāng)存在異常數(shù)據(jù)時(shí)，采用4種不同的融合算法進(jìn)行數(shù)據(jù)融合，融合結(jié)果的絕對(duì)誤差分別為：均值估計(jì)算法的誤差0.24,LMS算法的誤差0.19,基于信任度融合算法的誤差0.16,MTFA算法的誤差0.10。

仿真結(jié)果表明，當(dāng)存在異常數(shù)據(jù)時(shí)，與其他3種算法相比，MTFA算法的融合誤差最小，抗干擾性能最好。因此，MTFA算法具有更好的容錯(cuò)性能。

3 結(jié) 語

MTFA算法首先基于置信矩陣?yán)脭?shù)據(jù)的空間相關(guān)性對(duì)采樣數(shù)據(jù)進(jìn)行初級(jí)融合，保證數(shù)據(jù)結(jié)果更接近真值，然后利用終端節(jié)點(diǎn)的時(shí)間相關(guān)性，運(yùn)用神經(jīng)網(wǎng)絡(luò)誤差修正的方法重新修正權(quán)重，算法計(jì)算量更小，適合傳感器處理。MATLAB仿真實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的數(shù)據(jù)融合算法相比,MTFA算法的融合精度更高，算法的收斂性快，而且在異常數(shù)據(jù)情況下，文中提出的多傳感器融合算法的容錯(cuò)性能更好。在大數(shù)據(jù)環(huán)境下，可以更好地利用數(shù)據(jù)間的相關(guān)性，融合出可靠性高的結(jié)果，有利于作出正確的決策。

[1] Yi S, Naldurg P, Kravets R. Security-aware ad hoc routing for wireless networks[C]//Proceedings of the 2nd ACM international symposium on Mobile ad hoc networking & computing. [S.l.]: ACM,2001:299-302.

[2] 高良誠,劉杰,李江華.保證服務(wù)質(zhì)量的無線傳感網(wǎng)節(jié)能跨層路由算法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào),2016,37(1):63-68.

[3] Singhal D, Garimella R M. Simple Median based information fusion in wireless sensor network[C]//2012 International Conference on.IEEE.[S.l.]: Computer Communication and Informatics (ICCCI),2012:1-7.

[4] 沈麗艷,馬春龍.基于數(shù)據(jù)融合的土壤電導(dǎo)率測(cè)量方法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2012,33(2):151-154.

[5] Rout R R, Ghosh S K. Enhancement of lifetime using duty cycle and network coding in wireless sensor networks [J]. Wireless Communications, IEEE Transactions on,2013,12(2):656-667.

[6] 曾黎.多傳感器數(shù)據(jù)融合的數(shù)學(xué)方法研究[J].云南民族大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,19(5):321-324.

[7] 張陽,沈明霞,孫玉文,等.基于多傳感器自適應(yīng)加權(quán)融合的溫室信息系統(tǒng)[J].傳感器與微系統(tǒng),2014,33(6):100-103.

[8] 劉克中,莊洋,周少龍,等.基于節(jié)點(diǎn)感知信任度模型的無線傳感網(wǎng)絡(luò)事件檢測(cè)方法[J].北京郵電大學(xué)學(xué)報(bào),2015,38(1):61-66.

[9] 陳延偉,施江天,吳艷茹,等.基于神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)在移動(dòng)機(jī)器人中的應(yīng)用[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2008,29(5):550-555.

[10] 白玉艷,嚴(yán)偉榆,楊自瓊.基于S3C2440和多傳感器數(shù)據(jù)融合的煙葉倉庫溫濕度監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].安徽農(nóng)業(yè)科學(xué),2012,40(8):5010-5011.

Neural multi-layer data fusion algorithm in wireless sensor network

LEI Yufei

(Quanzhou Institute of Information Engineering, Quanzhou 362000， China)

Based on the corrections among the sensor network data, a multi-layer data fusion algorithm is applied for second-level fusion according to the space-time correction of the data to get more accurate data. Simulation results indicate than the algorithm can meet the needs of data precision under huge data environment.

sensor node; neural network; confidence degree; fault tolerance.

2017-01-25

福建省中青年教師教育科研項(xiàng)目(JAT160613)

雷宇飛(1981-)，男，漢族，福建泉州人，泉州信息工程學(xué)院講師,碩士，主要從事計(jì)算機(jī)網(wǎng)絡(luò)、數(shù)據(jù)庫技術(shù)方向研究,E-mail:13636926060@163.com.

10.15923/j.cnki.cn22-1382/t.2017.2.10

TP 393

A

1674-1374(2017)02-0155-07