葉成景，郭海濤，陳紅玲，楊葉芬*

(1.廣東科學(xué)技術(shù)職業(yè)學(xué)院機器人學(xué)院，廣東 珠海 519090；2.華南理工大學(xué)土木交通學(xué)院，廣東 廣州 510640)

近幾年，多源傳感器技術(shù)進入了一個高速發(fā)展階段，各項技術(shù)逐漸成熟，使得多源傳感器的應(yīng)用范圍越來越廣泛。 多源傳感器的主要作用是對監(jiān)測范圍內(nèi)的多樣化信息進行采集，并經(jīng)過重定位后傳送至匯聚節(jié)點內(nèi)進行統(tǒng)一處理[1]。 由于傳感器種類眾多，為提升傳感器壽命，相關(guān)研究學(xué)者提出在傳送數(shù)據(jù)之前，通過數(shù)據(jù)融合[2]對其進行整合、特征提取和融合處理，以此來減少傳感器節(jié)點的通信錯誤率。 一些國內(nèi)外學(xué)者針對多傳感器的融合問題提出了一些比較好的方法。

文獻[3]研究了一種復(fù)雜環(huán)境下的多傳感器數(shù)據(jù)融合方法，根據(jù)信任度結(jié)果，引入證據(jù)迭代融合思想，從證據(jù)源層面對證據(jù)沖突進行修正。 融合修正后的證據(jù)數(shù)據(jù)，即實現(xiàn)多傳感器數(shù)據(jù)的融合。 文獻[4]提出基于流形學(xué)習(xí)的多源傳感數(shù)據(jù)融合方法，采用T-SNE 算法將高維多源傳感器數(shù)據(jù)進行降維處理，更新低維概率矩陣，使多源傳感器數(shù)據(jù)距離較小點之間產(chǎn)生合理的排斥梯度，完成數(shù)據(jù)融合。 文獻[5]提出基于數(shù)據(jù)相關(guān)性的多傳感器數(shù)據(jù)融合方法，采用MDF 技術(shù)識別組別數(shù)據(jù)中的隱藏關(guān)聯(lián)特征，通過融合關(guān)聯(lián)特征完成多傳感器數(shù)據(jù)的融合。文獻[6]針對無人機的檢測與跟蹤提出一種多傳感器數(shù)據(jù)融合方法，度量數(shù)據(jù)集的可信度，根據(jù)可信度結(jié)果，構(gòu)建高斯過程模型，完成多傳感器數(shù)據(jù)融合。但是，以上方法在融合過程中，都存在效率較低的問題。

為了提高多源傳感器數(shù)據(jù)分類與融合的質(zhì)量，此次研究從深度學(xué)習(xí)的角度出發(fā)，針對多源傳感器提出了一種新的數(shù)據(jù)融合方法。

1 基于深度學(xué)習(xí)的層疊自動降維分類器(SAESM)設(shè)計

本文利用深度學(xué)習(xí)算法設(shè)計層疊自動降維分類器(SAESM)，處理多源傳感器中的低維數(shù)據(jù)，得到理想的特征提取結(jié)果。 具體實現(xiàn)過程如下詳述。

數(shù)據(jù)降維，將數(shù)據(jù)從高維特征空間向低維特征空間映射的過程，可以避免雜亂、無效數(shù)據(jù)的干擾，提高運算質(zhì)量與效率。 設(shè)計的自動降維分類器(SAESM)是一種單隱層結(jié)構(gòu)，SAESM 結(jié)構(gòu)圖如圖1 所示。

圖1 SAESM 結(jié)構(gòu)圖

輸入層，指輸入到神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)，輸入數(shù)據(jù)必須是數(shù)值，也就是說非數(shù)值的內(nèi)容需要轉(zhuǎn)化為數(shù)值，通常情況下，數(shù)據(jù)處理過程是創(chuàng)建機器學(xué)習(xí)模型最耗時的部分。

隱含層，由神經(jīng)網(wǎng)絡(luò)中的大多數(shù)神經(jīng)元組成，是處理數(shù)據(jù)以獲得所需輸出的核心部分。 數(shù)據(jù)將穿過隱含層，進行許多權(quán)重和偏差調(diào)節(jié)。

輸出層，是在神經(jīng)網(wǎng)絡(luò)中處理數(shù)據(jù)的最終產(chǎn)物，可以表示不同的事物。 通常情況下，輸出層由神經(jīng)元組成，每個神經(jīng)元代表一個對象。

SAESM 降維分類器的目標是尋找傳感節(jié)點中的最優(yōu)融合參數(shù)(W，b)，融合參數(shù)決定了數(shù)據(jù)融合的性能，選取最優(yōu)融合參數(shù)可以提高數(shù)據(jù)的融合能力。

尋找多源傳感網(wǎng)絡(luò)全局最優(yōu)解對分類過程的初始權(quán)值和閾值進行優(yōu)化[7]，深度學(xué)習(xí)訓(xùn)練的過程本質(zhì)是對權(quán)重進行更新，在對一個新的模型進行訓(xùn)練之前，需要每個參數(shù)有相應(yīng)的初始權(quán)值，初始權(quán)值的選擇對于局部極小點的放置和網(wǎng)絡(luò)收斂速度的提高均有一定程度的影響；神經(jīng)元是一個多輸入單輸出的非線性單元，輸入之和需要超過一定數(shù)值時，輸出才會有反應(yīng)，這個數(shù)值一般稱為閾值。

使輸入的傳感節(jié)點信息x在輸出結(jié)果y的作用下實現(xiàn)降維，以此獲得隱藏層的輸出結(jié)果a(k，2)，并將a(k，2)看作是輸入項經(jīng)過降維處理后得到的特征結(jié)果，用于分類。

在計算過程中，要確保a(k，2)的特征具有稀疏魯棒性，就要通過三個約束函數(shù)來實現(xiàn)，如式(1)所示:

為了控制損失函數(shù)值最小，通過梯度下降算法對傳感器網(wǎng)絡(luò)中的參數(shù)進行訓(xùn)練，實現(xiàn)降維。 具體實現(xiàn)過程如下詳述:

步驟1 對所有層數(shù)l，使單元偏置變量參數(shù)滿足ΔW(k，l)=0、Δb(k，l)= 0；

步驟2 將i的取值范圍設(shè)定在1 ～m之間，計算公式為:

式中:α(k，l)表示l層單元n的損失參數(shù)，δ(k，l+1)表示l+1層中單元n的殘差，T表示損失約束項。

步驟3 更新算法中的參數(shù)值:

步驟4 返回步驟2，循環(huán)計算，直至滿足預(yù)先設(shè)定的條件時輸出(W(k，1)，b(k，1)，W(k，2)，b(k，2))。

完成以上降維處理后，設(shè)計分類器。

層疊自動分類器SAESM 是由若干個降維處理器經(jīng)過層層級聯(lián)作用后得到的，SAESM 有一個明顯的優(yōu)點，輸入項在經(jīng)過多次降維處理后才會輸出結(jié)果，剔除了大部分的冗余信息。 SAESM 中各個層的參數(shù)值都可以通過貪婪算法計算得出，即使用上一個層的輸出結(jié)果作為下一個層的輸入項，具體實現(xiàn)過程如下所示。

將SAESM 中的隱藏層層數(shù)設(shè)置為Nk層，輸入數(shù)據(jù)x經(jīng)過貪婪算法的處理后，得到參數(shù)和輸出結(jié)果a(1，2)，過程如圖1(a)所示。 再將a(1，2)作為輸入項，經(jīng)過下一輪的貪婪算法[8]后得到輸出結(jié)果a(2，2)，過程如圖1(b)所示。

重復(fù)訓(xùn)練過程，對含有Nk層AE 的SAESM 經(jīng)過逐層貪婪訓(xùn)練后得到參數(shù)組為{(W(k，1)，b(k，1))｜k=1，…，Nk｜}，將(W(k，1)，b(k，1))看作SAESM 各個層級之間的連接權(quán)重值。 多源傳感器編碼分類器如圖2所示。

圖2 多源傳感器特征分類模型

特征提取的結(jié)果對后續(xù)數(shù)據(jù)融合的準確率起到?jīng)Q定作用，是數(shù)據(jù)能否順利完成融合的關(guān)鍵所在。所以，通過級聯(lián)作用，將SAESM 和Softmax 分類器結(jié)合在一起，實現(xiàn)了特征分類。 實現(xiàn)過程如下:

步驟1 通過訓(xùn)練樣本無監(jiān)督訓(xùn)練無線傳感網(wǎng)絡(luò)節(jié)點數(shù)據(jù)，以此獲得參數(shù){(W(k，1)，b(k，1)) ｜k=1，…，Nk}；

步驟2 經(jīng)過訓(xùn)練后，得到傳感節(jié)點數(shù)據(jù)特征，經(jīng)過有監(jiān)督訓(xùn)練和Softmax 分類器的作用，輸出參數(shù)(Wc，θc)；

步驟3 將步驟1、步驟2 所得的參數(shù)看作原始數(shù)據(jù)。 在SAESM 模型中，通過有監(jiān)督訓(xùn)練算法對原始數(shù)據(jù)進行調(diào)整，然后將調(diào)整后的傳感器網(wǎng)絡(luò)和Softmax 分類器[9]作為特征提取模型中的提取模塊和分類模塊，完成多源傳感數(shù)據(jù)的特征提取與分類。

2 多源傳感器的數(shù)據(jù)融合方法設(shè)計

根據(jù)上文構(gòu)建的特征提取分類模型，完成多源傳感器數(shù)據(jù)的特征提取與分類，以此為基礎(chǔ)進行多源傳感器的數(shù)據(jù)融合研究。

在本文的研究過程中，為了使結(jié)果更傾向于理想結(jié)果，選取的多源傳感器具備以下三點性質(zhì):

①傳感器中各個節(jié)點都具備一個單獨的ID 號碼，確定位置后不再進行移動。 各個節(jié)點之間的初始能量是相同的，不可互相補充；

②將匯聚節(jié)點的位置設(shè)定在感知區(qū)域以外，固定且不可移動，電源補給充足，對于傳輸?shù)酱说臄?shù)據(jù)具有超強的計算和存儲能力；

③匯聚節(jié)點處的功率較其他節(jié)點來說較大，所以可直接向其他節(jié)點傳輸數(shù)據(jù)。 各個節(jié)點都可自主感知到其所在的位置。

多源傳感器數(shù)據(jù)融合方法的實現(xiàn)過程為:

①根據(jù)傳感器下達的指令，匯聚節(jié)點首先轉(zhuǎn)換數(shù)據(jù)類型，并從數(shù)據(jù)存儲庫中選取與之對應(yīng)的包含標簽信息的樣本數(shù)據(jù)作為輸入數(shù)據(jù)，根據(jù)上文提到的訓(xùn)練方法對多源傳感器數(shù)據(jù)的分類特征進行訓(xùn)練；

②簇內(nèi)節(jié)點在接收到訓(xùn)練完成的數(shù)據(jù)后，根據(jù)多源傳感器數(shù)據(jù)特征，然后將特征數(shù)據(jù)傳送至簇首節(jié)點；

③根據(jù)分簇協(xié)議要求[10-11]，將多源傳感器內(nèi)部網(wǎng)絡(luò)進行分簇，并選取一個合適的簇首節(jié)點，該節(jié)點的主要作用是整合所有節(jié)點信息表，然后統(tǒng)一傳輸給匯聚節(jié)點，匯聚節(jié)點對這些信息表融合處理；

④簇首節(jié)點通過Softmax 分類器的作用，按照類別的劃分用式(6)的方法進行同類特征融合:式中:Nc表示特征數(shù)據(jù)劃分的類別數(shù)量，c表示特征數(shù)據(jù)的類別號，nc表示特征數(shù)據(jù)的個數(shù)，α(Nk，nl)(i，c)表示經(jīng)過SAESM 的訓(xùn)練后，最終得到的樣本數(shù)據(jù)特征[12]，本文將其確定為c類特征。

通過上述過程，在已知多源傳感數(shù)據(jù)特征分類結(jié)果的基礎(chǔ)上，結(jié)合多源傳感器的分簇性質(zhì)，在Softmax 分類器的作用下，實現(xiàn)多源傳感器數(shù)據(jù)的融合。

3 實驗驗證

3.1 多源傳感器參數(shù)

由于此次需要驗證多源傳感器數(shù)據(jù)融合的效果，因此需要對多源傳感器進行選擇。 為了提高實驗結(jié)果的真實性，選擇的傳感器有SHT30 溫濕度傳感器與MPU9250 磁場姿態(tài)角度傳感器。 兩種傳感器可以采集多種數(shù)據(jù)類型，包括溫濕度數(shù)據(jù)、磁場數(shù)據(jù)、姿態(tài)數(shù)據(jù)以及角速度數(shù)據(jù)，可以滿足多源傳感器數(shù)據(jù)融合的實驗要求。

SHT30 溫濕度傳感器與MPU9250 磁場姿態(tài)角度傳感器參數(shù)分別如表1 與表2 所示。

表1 SHT30 溫濕度傳感器參數(shù)

表2 MPU9250 磁場姿態(tài)角度傳感器參數(shù)

3.2 實驗數(shù)據(jù)

兩種傳感器的運行時間均設(shè)定為6 h，采集兩種傳感器在6 h 內(nèi)的運行數(shù)據(jù)。 由于兩種傳感器的精度較高，因此并不需要對所采集的數(shù)據(jù)進行濾波處理，可以直接用于實驗研究。

SHT30 溫濕度傳感器與MPU9250 磁場姿態(tài)角度傳感器所采集的數(shù)據(jù)分別如圖3 與圖4 所示。

圖3 SHT30 溫濕度傳感器數(shù)據(jù)

圖4 MPU9250 磁場姿態(tài)角度傳感器數(shù)據(jù)

將上述數(shù)據(jù)用于數(shù)據(jù)融合的實驗研究，以充分證明所提出方法的融合性能。

3.3 實驗環(huán)境

為了驗證所提方法在多源傳感器數(shù)據(jù)融合方面是否合理有效，與基于流形學(xué)習(xí)的融合方法[4]、基于數(shù)據(jù)相關(guān)性的融合方法[5]進行對比仿真分析驗證。仿真分析在MATLAB 平臺上實現(xiàn)，通過C++進行仿真編程。 為了使仿真分析公平合理，所提出方法、基于流形學(xué)習(xí)方法、基于數(shù)據(jù)相關(guān)性方法均選擇未優(yōu)化的LEACH 協(xié)議和第一類傳感器通信能耗模型:

式中:d表示多源傳感器內(nèi)部各個節(jié)點之間的坐標距離；Eelec表示多源傳感器發(fā)送/接收節(jié)點所消耗的能耗，通常情況下Eelec=50 J；εamp表示多源傳感器在傳輸數(shù)據(jù)過程中所消耗的能耗，εamp=100 J；Efuse表示數(shù)據(jù)融合過程中產(chǎn)生的能耗，Efuse=0.5 J。

3.4 實驗結(jié)果分析

3.4.1 特征提取分類性能

對所提出方法、基于流形學(xué)習(xí)方法、基于數(shù)據(jù)相關(guān)性方法在特征分類方面的性能進行對比仿真分析，對比仿真分析結(jié)果如表3 所示。 其中，l表示網(wǎng)絡(luò)層數(shù)。

表3 特征提取結(jié)果

從表3 中可以看出，對于三種類型的多源傳感器數(shù)據(jù)，不管網(wǎng)絡(luò)層數(shù)怎樣變化，所提出方法特征提取分類正確的樣本數(shù)量明顯高于基于流形學(xué)習(xí)方法與基于數(shù)據(jù)相關(guān)性方法。 這是由于所提出方法在構(gòu)建SAESM 模型時，通過不斷增加隱藏層的個數(shù)使得模型具有更加優(yōu)秀的特征提取分類效果，同時避免了算法陷入局部極值，所以，所提出方法具有較強的特征提取分類效果。

3.4.2 數(shù)據(jù)融合能耗性能

通過上述分析可知，實驗數(shù)據(jù)集中的樣本類別共計100 種，對不同數(shù)據(jù)融合方法的能耗性能展開對比仿真分析。 所提出方法、基于流形學(xué)習(xí)方法、基于數(shù)據(jù)相關(guān)性方法的數(shù)據(jù)融合能耗對比結(jié)果如圖5所示。

圖5 能耗對比結(jié)果

從圖5 中可以看出，所提出方法、基于流形學(xué)習(xí)方法、基于數(shù)據(jù)相關(guān)性方法在處理數(shù)據(jù)融合時都具有一定的節(jié)能優(yōu)勢，而基于流形學(xué)習(xí)方法與基于數(shù)據(jù)相關(guān)性方法的能耗均高于所提出方法，其中，基于流形學(xué)習(xí)方法的能耗最高，基于數(shù)據(jù)相關(guān)性方法的能耗次之，所提出方法的能耗最少。 這是由于所提出方法特征提取分類步驟在簇首節(jié)點已經(jīng)完成，傳輸至融合階段的數(shù)據(jù)已經(jīng)經(jīng)過分類處理，因此，降低了數(shù)據(jù)融合能耗。

3.4.3 融合后數(shù)據(jù)噪聲對比

經(jīng)過數(shù)據(jù)融合后，多源傳感器中的數(shù)據(jù)量明顯減少，但融合后的數(shù)據(jù)中含有一定的干擾噪聲數(shù)據(jù)，而一旦噪聲過大，則會降低融合后多源傳感器數(shù)據(jù)的質(zhì)量。 因此，有必要對所提出方法、基于流形學(xué)習(xí)方法、基于數(shù)據(jù)相關(guān)性方法融合后的噪聲數(shù)據(jù)含量進行對比驗證。 融合后的噪聲數(shù)據(jù)含量對比結(jié)果如圖6 所示。

圖6 融合后噪聲數(shù)據(jù)量對比

從圖6 中可以看出，所提出方法與基于流形學(xué)習(xí)方法的在3 000 輪左右，噪聲數(shù)據(jù)量逐漸趨于平穩(wěn)，而基于數(shù)據(jù)相關(guān)性方法的噪聲數(shù)據(jù)量持續(xù)增加，并且所提出方法融合后的噪聲數(shù)據(jù)量遠遠低于基于流形學(xué)習(xí)方法與基于數(shù)據(jù)相關(guān)性方法。 這是由于所提出方法運用了SAESM 模型進行特征提取與分類，可以對不同類別的數(shù)據(jù)進行更好的融合，降低了數(shù)據(jù)之間誤差，使得融合后的噪聲數(shù)據(jù)量明顯降低。

4 結(jié)論

基于多源傳感器采集數(shù)據(jù)量大、復(fù)雜程度高的特點，為了滿足實際需求，運用深度學(xué)習(xí)自編碼器理論，對多源傳感器數(shù)據(jù)融合方法進行了深入研究。從理論與實驗兩方面對融合方法的性能進行研究，該方法在進行多源傳感器數(shù)據(jù)融合時，能夠準確地進行數(shù)據(jù)的特征提取分類，降低了數(shù)據(jù)融合能耗，并且融合后噪聲數(shù)據(jù)量明顯降低，大大提高了多源傳感器數(shù)據(jù)融合的質(zhì)量。 因此，所提出方法具有十分明顯的優(yōu)勢，能夠為多源傳感器數(shù)據(jù)融合技術(shù)的發(fā)展提供一種新的參考思路。