邱春榮

（長沙民政職業(yè)技術學院，湖南 長沙 410004）

1.引言

在無線傳感器網(wǎng)絡（Wireless Sensor Network，WSN）中，各傳感器采集了海量的數(shù)據(jù)。由于各傳感器節(jié)點能量和網(wǎng)絡帶寬都非常有限，因此如何在不降低數(shù)據(jù)應用有效性的前提下，盡可能地降低數(shù)據(jù)的冗余性，減少無效數(shù)據(jù)的傳輸，就成為一個必需解決的問題。本文提出利用BP神經(jīng)網(wǎng)絡模型，通過選取適當?shù)纳窠?jīng)網(wǎng)絡節(jié)點及其數(shù)量，并選取相應的模型參數(shù)，實現(xiàn)多傳感器節(jié)點之間的數(shù)據(jù)融合，從而提高WSN的數(shù)據(jù)傳輸效率，提高傳感器節(jié)點的生存周期。

2.相關工作

許多研究者在應用神經(jīng)網(wǎng)絡技術開展無線傳感器網(wǎng)絡數(shù)據(jù)融合方面，開展了大量的研究工作，主要集中在以下兩個領域。一是應用神經(jīng)網(wǎng)絡針對WSN中的能耗和數(shù)據(jù)傳輸負載等性能參數(shù)的改善開展設計和試驗,并在提升WSN生存周期和傳輸性能等方面取得了預期的效果 [1-3][6]。二是圍繞數(shù)據(jù)處理的精度，通過調整神經(jīng)網(wǎng)絡的神經(jīng)元節(jié)點數(shù)量和運行參數(shù)，構建整體性能較好的融合模型[4-5]。文獻[6]運用BP神經(jīng)網(wǎng)絡對WSN的數(shù)據(jù)融合技術進行了研究和探索，提出了BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合技術的工作步驟，并對參數(shù)性能進行了對比分析。本文與該文獻研究內(nèi)容的主要區(qū)別在于針對多個傳感器節(jié)點的原始數(shù)據(jù)，先開展奇異數(shù)據(jù)剔除和Max-min標準化方法處理，并運用MATLAB平臺中的BP神經(jīng)網(wǎng)絡工具開展了仿真實驗。

3.BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合技術

3.1 BP神經(jīng)網(wǎng)絡的基本原理

BP神經(jīng)網(wǎng)絡利用梯度搜索技術從輸入層經(jīng)隱含層，再到輸出層逐層實施數(shù)據(jù)處理，并得到輸出結果。接著判斷輸出值與期望值之間的偏差，如果偏差符合預期的應用預期值，則運算結束。反之則將計算偏差反向傳輸，并通過神經(jīng)元節(jié)點的權重調整，最終輸出符合要求的輸出結果。各神經(jīng)元的計算式如下所示。

其中ωij表示神經(jīng)元節(jié)點的連接權值，θj表示閾值，ui和hi分別表示中間神經(jīng)元節(jié)點和輸出層神經(jīng)元節(jié)點的輸入和輸出，xi表示上一層神經(jīng)元節(jié)點的輸入值。輸出層神經(jīng)元的誤差δi為

式中ci表示樣本的期望值。

3.2 BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合方法

多傳感器數(shù)據(jù)融合是根據(jù)預期值及其預期偏差，將來源于各個傳感器的信息數(shù)據(jù)進行關聯(lián)和組合處理，最終獲得符合應用需求的結果。BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合的具體步驟如下：

（1）各傳感器數(shù)據(jù)的預處理和特征選擇。主要包括噪聲去除操作、誤差檢查、格式審核等操作，以降低數(shù)據(jù)融合處理WSN節(jié)點的負荷，提高計算效率。特征數(shù)據(jù)選擇的主要功能則是數(shù)據(jù)降維，并進一步減少數(shù)據(jù)量。

（2）數(shù)據(jù)歸一化處理。該步驟也是數(shù)據(jù)融合前的基礎工作之一，其主要的作用是統(tǒng)一各傳感器所采集數(shù)據(jù)的量綱。經(jīng)過數(shù)據(jù)歸一化處理后，所有的數(shù)據(jù)都具有相同的數(shù)量級，以便于統(tǒng)一的融合處理。

（3）根據(jù)應用需求選定訓練樣本，輸入BP神經(jīng)網(wǎng)絡模型獲得符合預期值和預期偏差的特征函數(shù)。將測試數(shù)據(jù)輸入訓練好的神經(jīng)網(wǎng)絡，得到預測結果。

3.3 數(shù)據(jù)歸一化方法

常見的數(shù)據(jù)歸一化方法有Max-min標準化、Z-score標準化、對數(shù)函數(shù)轉換、反余切函數(shù)轉換等。本文選用簡單實用的Max-min標準化方法，將數(shù)據(jù)處理后限制在[0,1]區(qū)間內(nèi)。其計算式為：

其中x為原始值，x'表示轉換后的標準值，xmin和xmax分別表示x的最小值和最大值。

在Max-min標準化方法中如果存在著奇異樣本數(shù)據(jù)，會導致標準值集中在一個非常小的區(qū)間內(nèi)，因此運用該方法進行數(shù)據(jù)歸一化處理前，應首先剔除奇異數(shù)據(jù)。

4.實驗結果與分析

某傳感器網(wǎng)絡有9個傳感器節(jié)點，分別測量得到15個樣本數(shù)據(jù)，為了檢驗本方法的準確性和適用性，取前8個傳感器采集的數(shù)據(jù)作為訓練樣本數(shù)據(jù)，如表1所示。

表1 各傳感器的樣本數(shù)據(jù)

取第9個傳感器采集的數(shù)據(jù)作為期望值輸出數(shù)據(jù)：[2.2357,2.3117,2.3202,2.5107,2.1236,2.2587,2.3691,2.4012,2.1687,2.2684,2.3102,2.4102,2.2911,2.3082,2.2081]。

測試數(shù)據(jù)取3個組，如表2所示：

表2 測試數(shù)據(jù)組一覽表

實驗平臺為MATLABR2010a，神經(jīng)網(wǎng)絡隱含層激勵函數(shù)為tansig，輸出層激勵函數(shù)為logsig，訓練函數(shù)為traingdx，性能函數(shù)設置為mse。隱含層神經(jīng)元節(jié)點數(shù)為6個，迭代次數(shù)epochs為5000，誤差期望值設置為0.00001，學習速率lr設置為0.01。數(shù)據(jù)歸一化后的數(shù)據(jù)如表3所示。

表3 樣本數(shù)據(jù)歸一化處理后的數(shù)據(jù)值

將數(shù)據(jù)歸一化后代入BP神經(jīng)網(wǎng)絡后，并代入測試數(shù)據(jù)，得到融合模型的預測值和測試數(shù)據(jù)如圖1所示。其中決定系數(shù)R2達到0.9192，RSME為0.0358，說明該融合模型具有較好的準確性和可靠性。

圖1 預測值與實測值的相關圖

5.總結

在無線傳感器網(wǎng)絡中，將多個傳感器采集的數(shù)據(jù)進行必要的融合，能夠有效地提高WSN的網(wǎng)絡傳輸效率和生存周期。本研究基于MATLAB實驗平臺，運用BP神經(jīng)網(wǎng)絡對多傳感器網(wǎng)絡的數(shù)據(jù)進行了模型訓練，并抽取測試數(shù)據(jù)進行了融合模型的有效性驗證。結果表明，BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型決定系數(shù)達到0.9192，RSME達到0.0358，具有良好的整體性能。下一步工作主要包括將本研究的工作成果與其他數(shù)據(jù)融合模型進行對比，通過神經(jīng)元節(jié)點的數(shù)量和BP神經(jīng)網(wǎng)絡訓練參數(shù)的調節(jié)等方法探討和優(yōu)化融合模型的性能。