基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合改進(jìn)算法

基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合改進(jìn)算法

0基于數(shù)據(jù)融合的無(wú)線傳感網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)無(wú)線傳感器網(wǎng)絡(luò)是一種具有組織特征、自適應(yīng)性和容錯(cuò)性高等特點(diǎn)的新型信息采集網(wǎng)絡(luò)。它在很多方面，如環(huán)境監(jiān)控、目標(biāo)跟蹤等領(lǐng)域都是理想的。在無(wú)線傳感器網(wǎng)絡(luò)中，大量的傳感器節(jié)點(diǎn)協(xié)作的感知，采集和處理網(wǎng)絡(luò)覆蓋區(qū)域中的目標(biāo)信息，并發(fā)送給觀測(cè)者。在此過(guò)程中，由于存在節(jié)點(diǎn)能源有限及節(jié)點(diǎn)采集信息具有很高的冗余等眾多問(wèn)題，使無(wú)線傳感網(wǎng)絡(luò)的應(yīng)用受到限制。在近幾年中，把數(shù)據(jù)融合應(yīng)用于無(wú)線傳感網(wǎng)絡(luò)中，用以減少無(wú)線傳感器網(wǎng)絡(luò)的通信量，提高信息的融合度和準(zhǔn)確度成為降低節(jié)點(diǎn)能耗、延長(zhǎng)網(wǎng)絡(luò)生命周期的主要手段之一。GaoJ等將稀疏數(shù)據(jù)聚合應(yīng)用到傳感網(wǎng)絡(luò)中，在網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)中取得很好的效果。G.Wang等將多項(xiàng)式回歸引入到無(wú)線傳感網(wǎng)絡(luò)的數(shù)據(jù)融合中，在對(duì)環(huán)境監(jiān)測(cè)的中，通過(guò)實(shí)驗(yàn)表明，網(wǎng)絡(luò)能夠很好的對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)回歸。W-TSungd等在基于無(wú)線傳感器網(wǎng)絡(luò)的環(huán)境下，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)境監(jiān)測(cè)中的數(shù)據(jù)進(jìn)行融合，實(shí)驗(yàn)結(jié)果表明，引入BP神經(jīng)網(wǎng)絡(luò)方法可以大大降低數(shù)據(jù)特征維數(shù)，提高數(shù)據(jù)融合效率。JulioBarbancho等將自組織映射網(wǎng)絡(luò)(Sel-fOrganizingMap,SOM)引入無(wú)線傳感器網(wǎng)絡(luò)的路由決策中，同時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)的效率進(jìn)行分析。陳斌等結(jié)合神經(jīng)網(wǎng)絡(luò)和證據(jù)理論，建立了管道泄漏診斷模型。徐桂云等把PCA與RBF神經(jīng)網(wǎng)絡(luò)結(jié)合用于對(duì)軸承數(shù)據(jù)的融合和故障診斷，仿真結(jié)果表明，該算法具有很好的識(shí)別率和數(shù)據(jù)壓縮率。孫凌逸等構(gòu)建了一種基于BP神經(jīng)網(wǎng)絡(luò)與LEACH協(xié)議的數(shù)據(jù)融合算法，該算法能夠提高網(wǎng)絡(luò)融合度，但其并沒(méi)有考慮到神經(jīng)網(wǎng)絡(luò)運(yùn)行所需的網(wǎng)絡(luò)參數(shù)的獲取問(wèn)題。針對(duì)以上問(wèn)題，本文提出了一種新型的基于誤差反向傳播算法的多層前饋神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合模型(ANewBackPropagationNeural-NetworkDataAggregation，簡(jiǎn)稱(chēng)NBPNA)。NBPNA數(shù)據(jù)融合模型將無(wú)線傳感網(wǎng)絡(luò)的LEACH改進(jìn)協(xié)議LEACH-F分簇路由協(xié)議與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，在簇內(nèi)利用BP神經(jīng)網(wǎng)絡(luò)對(duì)采集到的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)擬合，在此基礎(chǔ)上，通過(guò)對(duì)網(wǎng)絡(luò)訓(xùn)練參數(shù)的改進(jìn)，網(wǎng)絡(luò)訓(xùn)練收斂加快，減少了網(wǎng)絡(luò)收斂耗能。最后再通過(guò)把代表原始數(shù)據(jù)的特征值發(fā)送給匯聚節(jié)點(diǎn)來(lái)減少節(jié)點(diǎn)數(shù)據(jù)通信量、節(jié)省能量開(kāi)銷(xiāo)。1采用三層bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)與無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合具有一個(gè)相同的基本特征，即通過(guò)對(duì)大量的數(shù)據(jù)進(jìn)行一定程度上的運(yùn)算處理，得到能夠反映這些數(shù)據(jù)的結(jié)論性的特征值。所以，可以利用神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)和解決無(wú)線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)融合，并且此方法已經(jīng)被證明是可行的。本文采用了三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，理論已經(jīng)證明，三層BP神經(jīng)網(wǎng)絡(luò)，只要隱層節(jié)點(diǎn)數(shù)足夠多，就具有模擬任意復(fù)雜的非線性映射的能力。如圖1其為三層BP神經(jīng)網(wǎng)絡(luò)的模型示意圖。該網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)。網(wǎng)絡(luò)除輸出輸入節(jié)點(diǎn)外，還有一層或多層的隱含節(jié)點(diǎn)，同層節(jié)點(diǎn)中沒(méi)有任何藕合;每層均有一激勵(lì)函數(shù)，對(duì)輸入信息進(jìn)行處理，輸入信號(hào)經(jīng)過(guò)輸入層之后，依次傳到各隱層、輸出層，每一層節(jié)點(diǎn)的輸出即下一層節(jié)點(diǎn)的輸入。考慮到簇成員節(jié)點(diǎn)具有對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理等功能，我們一般將輸入層設(shè)于簇成員節(jié)點(diǎn)中，而隱層和輸出層位于簇首節(jié)點(diǎn)中。2nb算法的描述2.1基于le4-f的雙軌分簇算法在已有的無(wú)線傳感網(wǎng)絡(luò)分簇路由算法中，基本上都是每輪循環(huán)都要構(gòu)造簇，這在某種程度上會(huì)增加構(gòu)造簇的能量開(kāi)銷(xiāo)，因此，本文中設(shè)計(jì)的數(shù)據(jù)融合算法應(yīng)用簇環(huán)境改為L(zhǎng)EACH協(xié)議的改進(jìn)算法LEACH-F協(xié)議，即簇組織完成后固定不變，簇首實(shí)行輪轉(zhuǎn)，這種方法在某種程度上減小了成簇開(kāi)銷(xiāo)。本文中NBPNA算法通過(guò)結(jié)合LEACH-F算法的思想，在網(wǎng)絡(luò)初始布置的時(shí)候，通過(guò)運(yùn)行一次分簇算法，得到一個(gè)穩(wěn)定簇結(jié)構(gòu)網(wǎng)絡(luò)，至此之后網(wǎng)絡(luò)不需要再運(yùn)行此算法，直到有大量失效的節(jié)點(diǎn)退出或新的節(jié)點(diǎn)加入，同時(shí)數(shù)據(jù)的存儲(chǔ)和算法的運(yùn)行都可以在Sink中解決，這樣能夠大大減少節(jié)點(diǎn)的運(yùn)算和存儲(chǔ)負(fù)擔(dān)。由于本文重點(diǎn)在于基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合的建立，所以在協(xié)議的具體實(shí)現(xiàn)方面在此就不做詳細(xì)介紹，但其具體實(shí)現(xiàn)效果可以在最后算法驗(yàn)證方面得到很好的體現(xiàn)。在網(wǎng)絡(luò)形成了分簇路由協(xié)議結(jié)構(gòu)后，接下來(lái)進(jìn)入簇內(nèi)部的算法構(gòu)建、數(shù)據(jù)傳輸階段。2.2nbpna算法圖2為基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法的結(jié)構(gòu)圖。其中，w1w2為權(quán)值矩陣;b1b2為閾值矩陣;f1f2為激勵(lì)函數(shù)，激勵(lì)函數(shù)一般有兩種，一種是tansig型函數(shù)，函數(shù)模型為:另一種為purelin型函數(shù)，函數(shù)模型為:本文算法中f1選用tansig型函數(shù)，f2選用purelin型函數(shù);x1x2為各層神經(jīng)網(wǎng)絡(luò)輸入，x2為各隱層神經(jīng)網(wǎng)絡(luò)輸出。對(duì)于多層神經(jīng)網(wǎng)絡(luò)，上一層的輸出為下一層的輸入輸出為代表感知區(qū)域觀測(cè)對(duì)象的特征值。在已有的神經(jīng)網(wǎng)絡(luò)融合算法的模型中，除以上基本設(shè)定之外，影響算法性能的主要參數(shù)是隱層節(jié)點(diǎn)的個(gè)數(shù)，因?yàn)榈侥壳盀橹?，?duì)于隱層神經(jīng)元的確定，尚未有成熟的理論指導(dǎo)。本文經(jīng)過(guò)參考眾多文獻(xiàn)，發(fā)現(xiàn)目前為止，主要有兩種方法:方法一:動(dòng)態(tài)調(diào)節(jié)法，即隱層神經(jīng)元數(shù)從多到少或從少到多的開(kāi)始動(dòng)態(tài)選取，并在其過(guò)程中監(jiān)督網(wǎng)絡(luò)狀況，直到選取到網(wǎng)絡(luò)誤差最小時(shí)的隱層神經(jīng)元的個(gè)數(shù)。但是這種方法在實(shí)際中工作量較大，盲目性較高，多與少不好確定。方法二:公式法，隱層神經(jīng)元數(shù)的確定用有以下兩個(gè)經(jīng)驗(yàn)公式確定:其中h是隱含層神經(jīng)元個(gè)數(shù)，m是輸入層神經(jīng)元個(gè)數(shù)，n是輸出層神經(jīng)元個(gè)數(shù)，a是1到10的常數(shù)。在本文算法中，為了克服兩種方法各自存在的缺點(diǎn)，我們把兩種方法結(jié)合使用，這樣既可以很好的克服使用第一種算法所帶來(lái)的工作量大，盲目性高的缺點(diǎn)，同時(shí)還可以解決第二種方法所帶來(lái)的不精確性。在完成了算法的基本結(jié)構(gòu)設(shè)定之后，算法進(jìn)入數(shù)據(jù)融合傳輸階段，主要思想流程圖如圖3所示。本文以傳感器節(jié)點(diǎn)監(jiān)測(cè)環(huán)境濕度為例對(duì)算法進(jìn)行試驗(yàn)，以輸入層節(jié)點(diǎn)的值為時(shí)間，輸出層節(jié)點(diǎn)的值為時(shí)間對(duì)應(yīng)的濕度，對(duì)簇內(nèi)節(jié)點(diǎn)采集到的監(jiān)測(cè)濕度數(shù)據(jù)進(jìn)行數(shù)據(jù)擬合。在經(jīng)過(guò)多次試驗(yàn)之后，我們發(fā)現(xiàn)，在已有的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法中，網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)，雖然其在減少數(shù)據(jù)傳輸量，提高信息可信度等方面有顯著優(yōu)點(diǎn)，但由于受到節(jié)點(diǎn)的能量及存儲(chǔ)等方面的限制，其網(wǎng)絡(luò)收斂過(guò)慢，訓(xùn)練步長(zhǎng)過(guò)長(zhǎng)，使其在訓(xùn)練時(shí)節(jié)點(diǎn)能耗增大，削弱了算法對(duì)延長(zhǎng)網(wǎng)絡(luò)的使用壽命等方面的改進(jìn)。針對(duì)于此問(wèn)題，通過(guò)多次試驗(yàn)研究，我們發(fā)現(xiàn)在實(shí)際應(yīng)用中，特別是在網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)具有一定規(guī)律的情況下，權(quán)值等神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)的變化是非常緩慢的，所以，在本文提出的NBPNA算法中，我們將上一次神經(jīng)網(wǎng)絡(luò)擬合好的權(quán)值與閾值賦值于下一次的數(shù)據(jù)擬合。我們發(fā)現(xiàn)，網(wǎng)絡(luò)的收斂速度加快，并能夠在較少的訓(xùn)練步數(shù)之內(nèi)達(dá)到一個(gè)較好的收斂效果。除此之外，通過(guò)此改進(jìn)，還可以減少匯聚節(jié)點(diǎn)與各個(gè)簇首之間的發(fā)送率較高的傳送參數(shù)次數(shù)。最后，本算法選擇把數(shù)據(jù)量小的網(wǎng)絡(luò)訓(xùn)練參數(shù)(權(quán)值和閾值)作為融合值進(jìn)行傳輸，并非同已有的算法那樣，把數(shù)據(jù)量大并具有一定冗余的數(shù)據(jù)擬合值作為傳遞信息融合值。這樣無(wú)論從網(wǎng)絡(luò)轉(zhuǎn)發(fā)次數(shù)還是轉(zhuǎn)發(fā)數(shù)據(jù)量來(lái)看，都在一定程度上節(jié)省了傳感器節(jié)點(diǎn)的能耗，當(dāng)匯聚節(jié)點(diǎn)接收到網(wǎng)絡(luò)參數(shù)后，通過(guò)一次前向傳輸即可得到相應(yīng)時(shí)間的濕度數(shù)據(jù)的擬合值。綜上所述，本文提出的NBPNA算法模型為基于無(wú)線傳感網(wǎng)絡(luò)的分簇路由協(xié)議LEACH-F，在整個(gè)網(wǎng)絡(luò)范圍中按照一定的規(guī)則選舉簇首，形成分簇結(jié)構(gòu)。在這種分簇結(jié)構(gòu)下，傳感器節(jié)點(diǎn)采集到的大量原始數(shù)據(jù)將首先被發(fā)送給自己所在簇的簇首節(jié)點(diǎn)，NBPNA算法在簇首節(jié)點(diǎn)和成員節(jié)點(diǎn)間利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)采集到的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)擬合處理。把經(jīng)訓(xùn)練后擬合好的權(quán)值與閾值作為信息融合值傳輸，同時(shí)通過(guò)將上一次擬合的權(quán)值與閾值賦予下一次擬合來(lái)減少神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步數(shù)，提高網(wǎng)絡(luò)收斂性，進(jìn)一步的減少因網(wǎng)絡(luò)訓(xùn)練而消耗的能量，在很大程度上減少了無(wú)線傳感網(wǎng)絡(luò)的使用時(shí)長(zhǎng)。3改進(jìn)的nbnpa算法的性能本文對(duì)NBPNA數(shù)據(jù)融合模型進(jìn)行了仿真測(cè)試，選用LEACH-F為路由協(xié)議，以實(shí)時(shí)環(huán)境濕度監(jiān)測(cè)為應(yīng)用實(shí)例，每個(gè)傳感器節(jié)點(diǎn)不斷采集周?chē)臐穸龋?jīng)NBPNA進(jìn)行融合處理后由簇頭節(jié)點(diǎn)向匯聚節(jié)點(diǎn)發(fā)送融合數(shù)值。本次模型的性能主要通過(guò)網(wǎng)絡(luò)的訓(xùn)練收斂速度及節(jié)點(diǎn)平均能耗兩方面來(lái)說(shuō)明本文提出的創(chuàng)新點(diǎn)是可行的，并且效果突出。實(shí)驗(yàn)一:我們把未進(jìn)行改進(jìn)，即每次的權(quán)值及閾值均由初始函數(shù)隨機(jī)產(chǎn)生的算法和NBPNA算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果對(duì)比圖分別為圖4和圖5。圖4為未改進(jìn)的算法的網(wǎng)絡(luò)收斂圖，由圖可見(jiàn)，其要達(dá)到標(biāo)準(zhǔn)誤差需要21步。圖5為改進(jìn)過(guò)的NBPNA算法網(wǎng)絡(luò)訓(xùn)練收斂圖，由圖我們看到網(wǎng)絡(luò)的收斂速度由之前的21步驟減到只用7步就已收斂，使網(wǎng)絡(luò)訓(xùn)練時(shí)間得到了極大的縮短，代表著此算法可節(jié)省簇內(nèi)節(jié)點(diǎn)為網(wǎng)絡(luò)訓(xùn)練所耗能量。實(shí)驗(yàn)二:為了測(cè)試在不同網(wǎng)絡(luò)規(guī)模下NBPDA的性能，選取5種具有不同的節(jié)點(diǎn)密度、不同規(guī)模的無(wú)線傳感器網(wǎng)絡(luò)場(chǎng)景進(jìn)行試驗(yàn)，即把100、150、200、250和300個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在一個(gè)100m×100m大小的區(qū)域，最后將其與LEACH—F算法進(jìn)行性能對(duì)比。實(shí)驗(yàn)結(jié)果見(jiàn)圖6。由圖可見(jiàn)在不同網(wǎng)絡(luò)規(guī)模下，傳感器節(jié)點(diǎn)平均能耗的對(duì)比結(jié)果。通過(guò)對(duì)該結(jié)果的分析可以得出，采用本文提出的NBP-NA算法，傳感器節(jié)點(diǎn)平均能耗明顯低于使用LEACH＿F算法的平均能耗，并且隨著節(jié)點(diǎn)數(shù)量的增多，節(jié)點(diǎn)平均能耗隨節(jié)點(diǎn)數(shù)量的增加而下降，而未用NBPNA算法的節(jié)點(diǎn)平均能耗則隨節(jié)點(diǎn)數(shù)量的增加而上升，兩者之間的差距逐漸增大。4無(wú)線傳感網(wǎng)絡(luò)監(jiān)測(cè)算法的實(shí)驗(yàn)分析利用數(shù)據(jù)融合來(lái)延長(zhǎng)網(wǎng)絡(luò)的壽命，是無(wú)線傳感器網(wǎng)絡(luò)(WSN)的研究領(lǐng)域中一個(gè)重要的研究方向。本文重點(diǎn)介紹了基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法(NBPNA)模型的提出和構(gòu)建，該算法在每個(gè)簇內(nèi)對(duì)傳感器節(jié)點(diǎn)采集到的原始信息進(jìn)行數(shù)據(jù)擬合處理，通