梁靜霖 ,孫 茜, 王小藝 ,許繼平, 王 立,楊增順

(1.北京工商大學(xué) 人工智能學(xué)院，北京 100048;2.北京航天測(cè)控技術(shù)有限公司，北京 100041 )

0 引言

海洋是生命的搖籃，人類(lèi)以及地球上所有生命都依賴(lài)于海洋，海洋對(duì)于人類(lèi)社會(huì)生存和發(fā)展具有重要意義[1]。近年來(lái), 隨著各沿海國(guó)家對(duì)領(lǐng)海主權(quán)的日益重視和海洋資源爭(zhēng)奪的日益白熱化, 以及水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(UWSNs, underwater wireless sensor networks)在海洋環(huán)境監(jiān)測(cè)、海洋數(shù)據(jù)收集、地質(zhì)災(zāi)害預(yù)報(bào)等領(lǐng)域的重要應(yīng)用價(jià)值, 水下傳感器網(wǎng)絡(luò)研究及應(yīng)用得到了越來(lái)越多的關(guān)注，已成為當(dāng)前研究熱點(diǎn)之一[2-3]。水下傳感器網(wǎng)絡(luò)部署是水下傳感器網(wǎng)絡(luò)應(yīng)用的基礎(chǔ), 具有重要的研究意義[4]。

水下環(huán)境復(fù)雜多變，常伴有隨機(jī)事件的發(fā)生。針對(duì)隨機(jī)事件的發(fā)生，國(guó)內(nèi)外許多學(xué)者對(duì)UWSNs的傳感器部署進(jìn)行了深入的研究。文獻(xiàn)[5]針對(duì)水環(huán)境中隨機(jī)事件的突發(fā)性和不確定特點(diǎn)，提出一種差別于傳統(tǒng)魚(yú)群行為的類(lèi)魚(yú)行為部署方法。該部署方案通過(guò)初始部署傳感器和類(lèi)魚(yú)探索行為來(lái)實(shí)現(xiàn)擴(kuò)展傳感器搜尋空間的目的，有效提高了水下隨機(jī)事件的覆蓋率，提高了傳感器節(jié)點(diǎn)能效。文獻(xiàn)[6]針對(duì)水域中存在的某些孤立的隨機(jī)事件提出了一種分層不均勻分簇的傳感器優(yōu)化部署算法。首先通過(guò)靜態(tài)分層部署方式，進(jìn)行概率統(tǒng)計(jì)分析，然后推導(dǎo)出無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的部署期望值和分布密度，并進(jìn)行分簇，在保證網(wǎng)絡(luò)連通性的前提下，可以有效提高網(wǎng)絡(luò)覆蓋率，延長(zhǎng)網(wǎng)絡(luò)生命周期。文獻(xiàn)[7]在事件驅(qū)動(dòng)下，針對(duì)隨機(jī)事件的優(yōu)先模型和節(jié)點(diǎn)感知誤差函數(shù)推導(dǎo)出基于Voronoi剖分時(shí)感知誤差最小，并定義了傳感器有效覆蓋權(quán)值，然后結(jié)合虛擬力提出一種分布式優(yōu)化算法，在能夠快速實(shí)現(xiàn)對(duì)區(qū)域部署的同時(shí)，也保證了較高的覆蓋率。文獻(xiàn)[8]針對(duì)水域中水流等因素導(dǎo)致隨機(jī)事件具有突發(fā)性和不確定的問(wèn)題，受到魚(yú)群運(yùn)行機(jī)制的啟發(fā)，提出了一種模擬魚(yú)群覓食行為的傳感器優(yōu)化部署算法，使得傳感器能夠自主地向隨機(jī)事件移動(dòng)，同時(shí)通過(guò)構(gòu)建信息池，使互相連通的傳感器節(jié)點(diǎn)可以共享數(shù)據(jù)信息，增強(qiáng)傳感器的搜索能力，避免節(jié)點(diǎn)盲目移動(dòng)，減少節(jié)點(diǎn)移動(dòng)過(guò)程中的能量消耗，并有效提高了事件覆蓋率。

雖然專(zhuān)家學(xué)者們做了大量的研究，但由于水下環(huán)境的動(dòng)態(tài)性，隨機(jī)事件往往是突發(fā)的和不確定的，這為水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)部署帶來(lái)了很大的困難。為此，針對(duì)隨機(jī)事件的突發(fā)性，提出了一種基于自組織圖算法(SOM, self-organizing map)的水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)優(yōu)化部署方案。首先在水環(huán)境中隨機(jī)部署傳感器，預(yù)設(shè)隨機(jī)事件呈L型不均勻分布，當(dāng)隨機(jī)事件發(fā)生在傳感器感知范圍外時(shí)，采用自組織圖算法確定水下傳感器需要移動(dòng)到的目標(biāo)位置以達(dá)到有效監(jiān)測(cè)的目的。在Matlab平臺(tái)上進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了自組織圖算法在水下傳感器網(wǎng)絡(luò)優(yōu)化部署中的可行性和優(yōu)越性。

1 水下傳感器網(wǎng)絡(luò)體系結(jié)構(gòu)

在水下傳感器網(wǎng)絡(luò)中，傳感器節(jié)點(diǎn)通常被部署在水下監(jiān)測(cè)區(qū)域，通過(guò)水下節(jié)點(diǎn)感知監(jiān)測(cè)區(qū)域的海洋信息，達(dá)到監(jiān)測(cè)的目的。水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)是一種特殊的水下監(jiān)測(cè)系統(tǒng)，它是由一定數(shù)目的具有智能感知和通信能力的傳感器組成，這些傳感器可以在一些水下輔助設(shè)備例如自主式水下航行器(AUV, autonomous underwater vehicle)的幫助下進(jìn)行移動(dòng)以達(dá)到實(shí)時(shí)監(jiān)測(cè)水環(huán)境的目的[9-10]。

圖1為水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)結(jié)構(gòu)圖。將若干個(gè)具有感知和通信能力的傳感器隨機(jī)部署在監(jiān)測(cè)水域中，在傳感器節(jié)點(diǎn)部署完成之后，水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)可以對(duì)節(jié)點(diǎn)感知范圍內(nèi)的各種物理信息(如溫度、聲音、壓力、pH值等)進(jìn)行實(shí)時(shí)采集并監(jiān)測(cè)，然后將傳感器節(jié)點(diǎn)監(jiān)測(cè)到的各種信息數(shù)據(jù)通過(guò)聲波通信以一跳或者多跳的傳播方式傳輸?shù)剿娴膮R聚節(jié)點(diǎn)或者基站[11]，隨后匯聚節(jié)點(diǎn)或者基站將收集到的物理信息利用電磁波轉(zhuǎn)發(fā)到衛(wèi)星，最后衛(wèi)星或者互聯(lián)網(wǎng)將其所收集的海洋數(shù)據(jù)信息傳輸?shù)綌?shù)據(jù)處理中心進(jìn)行處理，達(dá)到有效監(jiān)測(cè)水環(huán)境的目的。

圖1 水下傳感器網(wǎng)絡(luò)結(jié)構(gòu)

2 模型建立

水下傳感器網(wǎng)絡(luò)由m個(gè)具有感知能力和通信能力的移動(dòng)傳感器節(jié)點(diǎn)組成，用Si表示水下傳感器網(wǎng)絡(luò)中第i個(gè)傳感器節(jié)點(diǎn)，S={S1,S2,...Sm}為傳感器節(jié)點(diǎn)的集合。在同構(gòu)網(wǎng)絡(luò)中，所有傳感器節(jié)點(diǎn)具有相同的屬性，設(shè)置任意傳感器節(jié)點(diǎn)Si均具有相同的感知半徑和通信半徑r。節(jié)點(diǎn)隨機(jī)部署在面積范圍一定的二維區(qū)域內(nèi)，m個(gè)傳感器之間使用無(wú)線(xiàn)方式進(jìn)行通信，且都具有移動(dòng)性，在一定的通信協(xié)議下，它可以移動(dòng)到網(wǎng)絡(luò)區(qū)域內(nèi)的任意位置。傳感器節(jié)點(diǎn)能夠感知監(jiān)測(cè)區(qū)域的物理信息，并與其鄰居節(jié)點(diǎn)進(jìn)行通信，以獲取鄰居節(jié)點(diǎn)的狀態(tài)信息。傳感器節(jié)點(diǎn)的任務(wù)是感知其覆蓋范圍內(nèi)的隨機(jī)事件，收集海洋數(shù)據(jù)信息并保持節(jié)點(diǎn)間的連通性，通過(guò)聲波通信以一跳或者多跳的方式進(jìn)行傳播。節(jié)點(diǎn)通過(guò)節(jié)點(diǎn)間的自組織，對(duì)水環(huán)境進(jìn)行監(jiān)測(cè)[12-13]。

2.1 節(jié)點(diǎn)感知模型

在水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中進(jìn)行傳感器節(jié)點(diǎn)的部署研究，比如隨機(jī)事件監(jiān)測(cè)問(wèn)題，則需要對(duì)傳感器節(jié)點(diǎn)的感知模型進(jìn)行研究。節(jié)點(diǎn)感知模型與水下傳感器收集數(shù)據(jù)信息的服務(wù)質(zhì)量以及無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的整體監(jiān)測(cè)效果緊密相關(guān)。

二維平面上，水下傳感器節(jié)點(diǎn)感知模型的感知區(qū)域是一個(gè)以傳感器節(jié)點(diǎn)為圓心，節(jié)點(diǎn)的感知半徑r為半徑的圓形區(qū)域D=πr2，如圖2所示。

圖2 水下傳感器節(jié)點(diǎn)感知模型

設(shè)二維空間中傳感器節(jié)點(diǎn)Si的坐標(biāo)為(xi,yi)，任意一點(diǎn)P的坐標(biāo)為(xj,yj)，那么該點(diǎn)到傳感器節(jié)點(diǎn)的歐式距離如式(1)所示：

(1)

點(diǎn)P被傳感器節(jié)點(diǎn)Si感知的概率如式(2)所示：

(2)

若點(diǎn)P在傳感器感知范圍內(nèi)，則被監(jiān)測(cè)到的概率為1，否則為0。

2.2 基于隨機(jī)事件的監(jiān)測(cè)模型

水下傳感器網(wǎng)絡(luò)的任務(wù)是采集并監(jiān)測(cè)水環(huán)境中的各種數(shù)據(jù)信息(如溫度、聲音、壓力、pH值等)。水下傳感器節(jié)點(diǎn)部署，即是通過(guò)某種方式在水域中對(duì)傳感器進(jìn)行合理部署，達(dá)到實(shí)時(shí)監(jiān)測(cè)的目的[14-15]。水下傳感器部署和陸地傳感器部署相比具有特殊性[16]，水下環(huán)境比較復(fù)雜，隨機(jī)事件具有突發(fā)性和不確定的特點(diǎn)，因此需要考慮隨機(jī)事件發(fā)生時(shí)傳感器如何能夠根據(jù)環(huán)境和隨機(jī)事件的變化自主調(diào)整位置，以達(dá)到實(shí)時(shí)監(jiān)測(cè)隨機(jī)事件的目的。

當(dāng)隨機(jī)事件位于傳感器的覆蓋范圍內(nèi)時(shí)，可以被節(jié)點(diǎn)有效監(jiān)測(cè)，反之則無(wú)法被傳感器監(jiān)測(cè)。傳感器監(jiān)測(cè)隨機(jī)事件的模型如圖3所示。

圖3 傳感器監(jiān)測(cè)隨機(jī)事件模型

3 基于SOM算法的傳感器優(yōu)化部署

水下復(fù)雜環(huán)境發(fā)生隨機(jī)事件并且事件發(fā)生在傳感器覆蓋漏洞區(qū)域時(shí)，則需要通過(guò)將傳感器移動(dòng)到事件所在地，對(duì)事件進(jìn)行實(shí)時(shí)監(jiān)測(cè)。水下傳感器網(wǎng)絡(luò)中所有傳感器均可以在部署后移動(dòng)，這就使節(jié)點(diǎn)能夠移動(dòng)到隨機(jī)事件區(qū)域進(jìn)行監(jiān)測(cè)。水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的主要關(guān)注點(diǎn)是確定傳感器需要移動(dòng)到的目標(biāo)位置，以達(dá)到最優(yōu)的監(jiān)測(cè)效果。為了確定傳感器需要移動(dòng)的理想位置，采用了SOM算法[17-18]，將未發(fā)生隨機(jī)事件區(qū)域的傳感器移動(dòng)到目標(biāo)位置。

3.1 SOM算法原理

自組織神經(jīng)網(wǎng)絡(luò)的無(wú)導(dǎo)師學(xué)習(xí)方式類(lèi)似于人類(lèi)大腦中生物神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，其最重要的特點(diǎn)是通過(guò)自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)。這種學(xué)習(xí)方式大大拓寬了神經(jīng)網(wǎng)絡(luò)在模式識(shí)別與分類(lèi)方面的應(yīng)用。SOM算法是一種無(wú)導(dǎo)師的自組織的具有競(jìng)爭(zhēng)性的網(wǎng)絡(luò)，此算法的原理是根據(jù)生物神經(jīng)元中＂勝者為王＂的思想提出的。它首次是在1958年由Roseenblatt提出，然后芬蘭赫爾辛基大學(xué)教授Kohonen于1981年正式提出了自組織圖神經(jīng)網(wǎng)絡(luò)模型。這種算法目前已經(jīng)得到學(xué)者廣泛應(yīng)用，它可以根據(jù)目標(biāo)的相似性和客觀規(guī)律進(jìn)行分類(lèi)，達(dá)到聚類(lèi)的目的。

自組織圖算法訓(xùn)練數(shù)據(jù)樣本的原理及依據(jù)符合大腦神經(jīng)元對(duì)于陌生事物經(jīng)歷從認(rèn)識(shí)階段到熟知階段的一種規(guī)律。具體可以通過(guò)模擬大腦神經(jīng)元的認(rèn)知過(guò)程來(lái)理解，人類(lèi)大腦了解新鮮事物的過(guò)程是從感性認(rèn)識(shí)階段不斷上升到理性認(rèn)識(shí)階段的。感性認(rèn)識(shí)階段即通過(guò)不斷地接觸外界，在大腦中出現(xiàn)對(duì)新事物的印象并不斷深化；理性認(rèn)識(shí)階段是在感性認(rèn)識(shí)的前提下，大腦神經(jīng)元不斷思考發(fā)現(xiàn)事物的內(nèi)在規(guī)律和本質(zhì)屬性。自組織圖算法首先輸入樣本得到對(duì)于樣本空間拓?fù)浣Y(jié)構(gòu)的感性認(rèn)識(shí)，然后在訓(xùn)練中不斷發(fā)現(xiàn)事物的相似性和客觀規(guī)律，最終實(shí)現(xiàn)分類(lèi)的目的[19]。

SOM網(wǎng)絡(luò)結(jié)構(gòu)屬于層次型結(jié)構(gòu)，有多種類(lèi)型，其共同特點(diǎn)是都具有競(jìng)爭(zhēng)層。最簡(jiǎn)單的結(jié)構(gòu)具有一個(gè)輸入層和一個(gè)競(jìng)爭(zhēng)層，如圖4所示。輸入層先輸入樣本做數(shù)據(jù)預(yù)處理，然后把處理過(guò)的數(shù)據(jù)傳送到競(jìng)爭(zhēng)層，即輸入層負(fù)責(zé)接收外界信息并將輸入模式向競(jìng)爭(zhēng)層傳遞，起觀察作用。在競(jìng)爭(zhēng)層進(jìn)行理性認(rèn)識(shí)階段，發(fā)現(xiàn)樣本的客觀規(guī)律，即競(jìng)爭(zhēng)層負(fù)責(zé)對(duì)該模式進(jìn)行分析比較，找出規(guī)律以正確歸類(lèi)。它的基本思想是：網(wǎng)絡(luò)的競(jìng)爭(zhēng)層各神經(jīng)元競(jìng)爭(zhēng)對(duì)輸入模式響應(yīng)的機(jī)會(huì)，最后僅有一個(gè)神經(jīng)元成為競(jìng)爭(zhēng)的獲勝者。這一獲勝神經(jīng)元?jiǎng)t表示對(duì)輸入模式的分類(lèi)[20]。

圖4 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

水下環(huán)境發(fā)生隨機(jī)事件時(shí)，我們希望能夠得到傳感器需要移動(dòng)到的目標(biāo)位置，可以將其看成是聚類(lèi)，即對(duì)隨機(jī)事件進(jìn)行分類(lèi)，通過(guò)SOM算法得到聚類(lèi)中心，聚類(lèi)中心即為傳感器需要移動(dòng)到的目標(biāo)位置，使隨機(jī)事件被某個(gè)水下節(jié)點(diǎn)覆蓋以達(dá)到監(jiān)測(cè)目的。

3.2 基于SOM的傳感器網(wǎng)絡(luò)優(yōu)化部署

SOM采用一種無(wú)導(dǎo)師的自適應(yīng)的學(xué)習(xí)訓(xùn)練方式，輸入樣本是通過(guò)相似性度量來(lái)進(jìn)行分類(lèi)、聚類(lèi)的。水環(huán)境中發(fā)生隨機(jī)事件時(shí)，將其看成是聚類(lèi)，即對(duì)隨機(jī)事件進(jìn)行分類(lèi)，使之被某個(gè)傳感器感知以達(dá)到監(jiān)測(cè)的目的。

SOM的算法步驟如下：

1)向量歸一化，隨機(jī)設(shè)定輸入層以及映射層的權(quán)值。

2)選擇向量x輸入神經(jīng)網(wǎng)絡(luò)，并計(jì)算向量x與權(quán)值向量的歐式距離，尋找獲勝神經(jīng)元，表達(dá)式如式(3)所示：

(3)

式(3)中，wij是輸入層神經(jīng)元i與映射層神經(jīng)元j的權(quán)值。

3)網(wǎng)絡(luò)輸出與權(quán)值調(diào)整。勝者為王競(jìng)爭(zhēng)學(xué)習(xí)算法規(guī)定，獲勝神經(jīng)元輸出為“1”，其余輸出為“0”。對(duì)于獲勝神經(jīng)元權(quán)值計(jì)算如式(4)：

(4)

對(duì)于其他神經(jīng)元權(quán)值計(jì)算如式(5)所示：

wj(n+1)=wj(n)

(5)

其中:α表示學(xué)習(xí)率，0<α<1。

其流程圖如圖5所示。

圖5 基于SOM的網(wǎng)絡(luò)優(yōu)化部署流程圖

4 仿真結(jié)果

4.1 仿真環(huán)境以及參數(shù)設(shè)置

為了更好地分析基于自組織圖算法的傳感器優(yōu)化部署方案，需要對(duì)其進(jìn)行仿真研究，采用Matlab軟件實(shí)現(xiàn)對(duì)傳感器優(yōu)化部署的仿真測(cè)試。在仿真開(kāi)始之前，首先需要初步對(duì)參數(shù)進(jìn)行設(shè)定。

將傳感器節(jié)點(diǎn)部署在水域30 m×20 m的二維平面上，設(shè)置傳感器個(gè)數(shù)為25，傳感器半徑為2.5 m，隨機(jī)事件為100件。其參數(shù)設(shè)定如表1所示。

表1 仿真參數(shù)設(shè)定

4.2 仿真結(jié)果分析

將傳感器節(jié)點(diǎn)隨機(jī)部署在水域30 m×20 m的二維平面上。傳感器網(wǎng)絡(luò)初始部署如圖6所示。

圖6 傳感器網(wǎng)絡(luò)初始部署圖

預(yù)設(shè)水環(huán)境中隨機(jī)事件呈L型不均勻分布，基于隨機(jī)事件的區(qū)域模型如圖7所示，其中圖中星號(hào)代表L型不均勻分布的隨機(jī)事件。

圖7 基于隨機(jī)事件的區(qū)域模型圖

從圖7分析可以得出，隨機(jī)事件大部分發(fā)生在傳感器的覆蓋漏洞處，無(wú)法被傳感器有效監(jiān)測(cè)。因此需要通過(guò)將傳感器移動(dòng)到事件所在地，對(duì)隨機(jī)事件進(jìn)行監(jiān)測(cè)。UWSNs主要關(guān)注點(diǎn)是確定傳感器需要移動(dòng)到的目標(biāo)位置，采用自組織圖算法將未發(fā)生隨機(jī)事件區(qū)域的傳感器移動(dòng)到理想位置，以達(dá)到最優(yōu)的監(jiān)測(cè)效果。其仿真圖如圖8所示，其中正方形代表傳感器需要移動(dòng)到的目標(biāo)位置。圖7和圖8對(duì)比可以看出，使用基于SOM的傳感器優(yōu)化部署方法可以將節(jié)點(diǎn)有效地移動(dòng)到隨機(jī)事件發(fā)生區(qū)域，以達(dá)到實(shí)時(shí)監(jiān)測(cè)水環(huán)境的目的。

圖8 基于SOM確立的傳感器目標(biāo)位置

仿真實(shí)驗(yàn)中在相同的區(qū)域面積部署相同數(shù)量及大小的傳感器節(jié)點(diǎn)。考慮到開(kāi)始隨機(jī)部署的不確定性對(duì)實(shí)驗(yàn)結(jié)果的影響，進(jìn)行了多次實(shí)驗(yàn)。表2表示隨機(jī)部署和使用基于SOM的傳感器優(yōu)化部署兩種方式的覆蓋率對(duì)比情況，從表2可以看出，使用SOM優(yōu)化部署可以有效提高隨機(jī)事件的覆蓋率，實(shí)時(shí)監(jiān)測(cè)水環(huán)境。

表2 事件驅(qū)動(dòng)下覆蓋率對(duì)比 %

5 結(jié)束語(yǔ)

合理部署傳感器節(jié)點(diǎn)是水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)組建的一個(gè)關(guān)鍵環(huán)節(jié)，一個(gè)良好的節(jié)點(diǎn)部署方案能夠有效提高目標(biāo)的監(jiān)測(cè)質(zhì)量，為傳感器網(wǎng)絡(luò)的整體運(yùn)行提供堅(jiān)實(shí)的支撐。由于水下環(huán)境的特殊性，水下傳感器網(wǎng)絡(luò)優(yōu)化部署研究與陸地?zé)o線(xiàn)傳感器網(wǎng)絡(luò)部署研究相比具有獨(dú)特性：水下環(huán)境復(fù)雜多變，隨機(jī)事件動(dòng)態(tài)性強(qiáng)，傳感器節(jié)點(diǎn)可移動(dòng)性好。針對(duì)水環(huán)境中隨機(jī)事件的突發(fā)性和不確定性，提出了水下無(wú)線(xiàn)傳感器網(wǎng)絡(luò)優(yōu)化部署方案，首先在水環(huán)境中隨機(jī)部署傳感器，預(yù)設(shè)隨機(jī)事件呈L型不均勻分布，隨機(jī)事件發(fā)生在傳感器覆蓋漏洞處時(shí)，采用基于自組織圖算法的傳感器優(yōu)化部署方法確定傳感器需要移動(dòng)到的目標(biāo)位置。仿真結(jié)果表明該方案可以有效提高對(duì)隨機(jī)事件的覆蓋率，達(dá)到實(shí)時(shí)監(jiān)測(cè)水環(huán)境的目的。在下一步計(jì)劃中，將研究網(wǎng)絡(luò)中移動(dòng)和靜止傳感器節(jié)點(diǎn)的動(dòng)態(tài)配置問(wèn)題，在保證網(wǎng)絡(luò)有效監(jiān)測(cè)的前提下降低硬件成本。