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 )
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。
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)
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]。
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。
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
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。
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。
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
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
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 %
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。