无线传感器网络数据融合算法研究

无线传感器网络数据融合算法研究摘要：无线传感器网络作为一种新型智能检测网络，发展非常迅速。该网络传感器节点所耗能量有限，整个网络能量主要集中在无线通信传输阶段。利用数据融合技术，可以有效减少冗余信息和错误信息，提高节点能量消耗，使网络生命周期得到延长。本文旨在对神经网络及BP神经网络进行分析研究，提出一种BP神经网络的数据融合算法DCBP。通过新的数据融合模型处理的数据量远小于采集的源数据量，因此降低了数据通信中的能量消耗，有效延长了网络生命周期。1绪论1.1研究背景与意义伴随着信息技术的重大变革发展，人们的工作和生活都发生着巨变。无线传感器网络作为新一代智能网络迅速发展起来。WSN利用传感器节点监测搜集相关数据，并进行数据信息的综合与处理，然后共同协作以自组织形式网络动态拓扑结构进行无线传输，最终将数据结果传送到汇聚节点。无线传感器网络作为一种新型的智能实时监测信息网络,不仅可以采集需求的数据信息，还可以处理采集到的信息，最后将精确数据传送至管理客户端，已经成为目前非常关注的热点课题。无线传感器网络技术已经应用到了商业、工业、军事、医疗科学等领域，使得人们的生活发生了很大变化，使生活变得更加智能舒适，社会生产力明显提高[1]。数据融合技术是一门强大的汇聚信息综合与处理的技术，它将计算机的快速计算能力以及多个信息源进行数据相互补充能力结合起来，使得这项技术应用领域广泛，其中像信息论、人工智能、数字信号的处理等技术领域均有涉及[2]。利用数据融合技术对网络中的传感器节点监测搜集的许多重复多余或错误信息进行融合处理，以此提高节点采集信息的有效性和准确性。而且通过各级各层综合的分析处理，可以得到易于人们理解的数据信息[3]。因为该技术本身有很多优势，具有稳健的性能、广阔的覆盖范围、较好的故障容错能力等特点，所以现在很多国家的国防军事部门很重视这项技术，并将它列为重要的研究方向，因为该技术在军事方面会发挥非常重要的作用。总之，随着无线传感器网络技术的广泛的应用前景，现在还有许多问题需要人们进一步深入研究和解决。数据融合技术更是成为无线传感器网络领域热门的研究方向。因此当节点的资源能量非常有限时，本文将重点关注如何节省数据传输量，却能够将有效信息传到基站，而且使整个网络能耗降低，网络寿命得到延长的问题。1.2国内外研究现状上世纪70年代,无线传感器网络开始出现。当时美国的DARPA开始关注并开展研究无线传感器网络的一系列项目研究课题。但实际到1990年之后，无线传感器网络才正式兴起，逐渐在军事、工业、学术等领域引起广泛关注[4]。美国和欧洲等国家相继启动了许多关于无线传感器网络的研究计划，美国NSF在2002年在UCLA投资4000万美元投资组建了由著名专家DeborahEstrin教授主持的嵌入式网络化传感研究中心(CENS)。在我国，传感器网络技术的研究相对较晚，1999年，中科院将“无线传感网及其应用”作为信息与自动化领域5个重大研究项目之一，这标志着无线传感器网络技术的工作研究正式启动。现在，很多机构如中国科学院上海微系统所、计算所、软件研究所、电子所、自动化所等研究机构，以及国内几所著名高等院校也是比较早开展了无线传感器网络的研究，并获得了中国国家自然科学基金、863计划等的大力支持。2007年12月中国无线传感网标准项目组由国家信息化标准委员会正式组织成立。温家宝总理在2009年无锡调研时,提出将无锡建设成为国家传感器网络中心并辐射全国的想法,并希望在国家重大科技专项中快速推进传感器网络的发展。中国在2010年制定的远景计划和“十二五“规划中，研究目前我国无线传感器网络发展的情况，并探讨其发展前景。在数据融合技术领域展开研究的国家越来越多，大多由一些发达国家领先研究，并在许多公开的学术会议和期刊上发表各项研究成果。美国现在在数据融合技术研究领域仍然处于前沿。我们国家在无线传感器网络数据融合技术领域开始的比较晚,而且目前仍在收集、借鉴吸收国外优秀的研究成果的水平。现在，将数据融合技术作为我国重要的研究关键技术之一，通过国家政府与社会在这方面的大力投入，包括经济，人力资源的配置，物资的支持，使得大批高等院校及科研机构在此领域重点研究，使得我们在该领域也取得了一定的阶段性成果。但这些成果主要还局限在理论研究上，与实际应用还有间隔。本文将在无线传感器网络中通过研究协议与数据融合相结合的方法解决目前面临的问题。2无线传感器网络与数据融合技术2.1无线传感器网络概念无线传感器网络由大量廉价、微型、节能、可进行短距离通信的传感器构建而成的技术已得到越来越多的关注。节点通过自组织方式形成动态网络拓扑结构，进行信息综合与信息处理，并通过无线传输方式发送到基站。且由于无线传感器网络在设计之前并没有对各个传感器进行位置确定，所以节点本身并不清楚自己的位置，需要通过自组织的方式进行网络的构建。无线传感器网络目前在很多领域应用，比如军事，医疗，环境，化工等，应用十分广泛。2.2无线传感器网络体系结构2.2.1节点结构网络节点的基本构成如图1所示，包括如下4个基本模块：传感器模块、数据处理模块、无线通信模块以及能量供应模块[5]。图1节点结构Fig1Thenodestructure工作流程是，首先通过传感器模块进行数据感知、采集，通过A/D转换器进行模拟信号到数字信号的转换；然后通过处理器模块发挥作用，将转换的结果进行存储并处理，同时该模块也会接收来自其他节点传送的数据进行处理。最后当节点处理完成后，无线通信模块会将处理的数据结果发送到基站，直到网络监测管理中心。在整个过程中，节点的能量都由能量供应模块提供。2.2.2网络结构WSN网络通过大量的传感器节点通过播撒的方式布置在监测区域内，这些节点由于事先不清楚自己的地理位置，在布置到区域后通过自组织方式构成网络动态拓扑结构，对周围监测对象开始实施监控，感知并收集大量的数据信息，通过节点的信息整合与处理，然后将监测融合后的数据特征值信息运用网络中形成的路由进行发送，最后将结果发送到汇聚节点，然后通过互联网或卫星等将信息传送到任务管理中心[6]，如图2：图2网络结构Fig2Thenetworkstructure2.3无线传感器网络的特征与关键技术无线传感器网络与传统的计算机网络、无线局域网以及移动无线Adhoc网络相比,都存在很大的差异[7]。总体而言,无线传感器网络主要具有“大规模、自组织性、能量有限、动态性、多跳路由、以数据为中心”的特征。其主要的应用领域为军事领域、健康医疗领域、环境监控领域、智能家具领域以及其他应用领域。用到的技术有网络安全技术、网络拓扑控制技术、时间同步技术、节点定位技术、数据融合。数据融合作为无线传感器网络的关键技术之一，通过对多数据综合分析，减少多余的数据信息，提高传输效率。此外，传感器网络也可以通过这项技术来削减传感器节点的易失效性带来的负面影响。当然数据融合技术在降低能耗和提高信息的准确性的同时，也会存在增大网络延迟和鲁棒性等方面的问题。2.4数据融合技术2.4.1数据融合概述无线传感器网络数据融合是指将多传感器节点采集的数据信息在一定的规则下进行多方面、多层次、多级别的自动信息检测、相关估计和组合，使获得更精确有效、更可靠的感知对象[8]。运用数据融合技术，使其更加具有优越性能，采集的数据信息要比单独一个采集的更加完整可靠。数据融合技术能够有效帮助解决无线传感器网络的许多问题，具体的作用有：获取准确的信息、提高数据的传输速率、节省电源能量。数据融合技术的分类方法很多，它为其提供了框架结构。通过不同的角度我们将技术分为：数据融合处理的方式、融合前后信息量变化和数据融合抽象级别三类。2.5无线传感器网络数据融合算法2.5.1应用层中的数据融合数据融合算法主要在网络层和应用层的研究较多。本文主要介绍这两块。首先是应用层。基于查询模式的数据融合是现在应用层中主要的数据融合方法，它通过两个过程来完成。首先传感器节点将自己的需要的查询请求信息发送到查询缓冲区中，然后分析其请求信息是否存在重复的信息，如果有重复，就将含有重复信息的查询请求信息进行融合[9]。我们将这个过程称为查询请求分发过程。当第一过程完成后，传感器节点开始根据融合后的查询信息中的要求对采集的监测数据继续进行融合，这称为数据融合收集的过程。但是在查询模式的数据融合中，关于怎样设置查询信息的融合要求，数据包的内部结构等问题需要继续研究。2.5.2网络层中的数据融合在无线传感器网络的网络层中，数据融合与数据路由结合是重要的研究方向，它是实现以数据为中心路由协议的关键。当传输数据信息时，如何选择合适的路由线路是传输的关键，如果路由路径选择得当，会大大减少不必要的传输，有效提高传输的效率。相反，若选择不当，那么不仅传输时间增加，更严重消耗了网络能量，因为节点能量消耗主要的部分在于无线传输。因此，在选择好路由的情况下，加入数据融合技术，会提高网络性能，使得过程中减少了不必要的传输和数据传输量，更加延长网络的寿命。目前，许多数据融合协议已经被许多科研工作者研究出来，我们将其分成三类：路由驱动型、信源编码型和融合驱动型。在上面介绍的三类方法中，都没有考虑融合开销的问题，如果是像加密传输或音视频传感网络等复杂应用的话，数据融合的开销就无能忽略。因此这也是无线传感器网络今后需要研究重要问题。上述方法大多通过路径的选择，以及在何时何地进行数据融合等因素来设计的，有效的降低了整个网络的传输量和路径，减少传输开销，达到整个网络得到优化的目的。所以，三类方法的应用还是会越来越广泛。3基于BP神经网络的改进数据融合算法3.1神经网络概述神经网络，也称人工神经网络，是将人脑或自然神经网络的工作机理作为研究背景，对一些基本特征的抽象和构建模拟，使其能像生物一样适应环境并进行学习，是一门多个学科领域的边缘交叉学科。神经元是神经网络的基本信息处理单元。神经元的组成以生物学神经细胞的生物模型为基础。神经网络就是由无数形式相类似的神经元组成的。这些神经元它们都包含着输入和输出两部分，其前面神经元的输出就是后面神经元的输入。神经元模型用下面公式表示为：𝑦𝑖=𝑓(∑𝑤𝑖𝑗𝑥𝑗𝑛𝑗=1−𝜃𝑖)神经网络通过这些神经元之间进行相互作用、相互影响，将信息保存在神经元中，并通过它们的互联关系体现存储价值。另外，利用神经元之间的调整权值变化来实现它们的学习过程。各个神经元之间是相互联系的，它们通过互相作用来完成网络的处理过程。而信息的存放特点也是在神经元的相互连接分布中得到反映。并通过调节权值的变化从而进行神经网络的学习与识别。目前神经网络的分类方式很多，有的根据连接方式的不同进行分类，有的则通过数据信息传递的规则进行分类。本文主要介绍后者具体的分类，该方式将神经网络分成三种：自组织神经网络、前馈神经网络和反馈型神经网络。3.2基于BP神经网络的数据融合3.2.1BP神经网络含有隐层的多层前馈神经网络可以大大提高网络的分类能力，由于多层前馈网络的训练常采用误差反向传播算法，因此把具有这种特点的多层前馈神经网络称为BP网。BP神经网络的学习过程分为两部分：信号的正向传播和误差的反向传播。正向传播时，将样本从输入层传入，然后经隐含层逐层处理后，传到输出层。若实际输出与期望有差别，就进入误差反向传播阶段。该阶段将输出误差运用某种形式传到隐含层，然后继续向输入层反传，使得误差被分到所有单元中，也将其设为各单元权值修正的根据。BP神经网络的这两个学习过程是反复进行的。通过不断调整权值，使得达到可以接受的程度[10]。基于BP算法的多层前馈神经网络是目前应用最为广泛的神经网络，BP神经网络有输入层、隐层、输出层组成。隐层通常为一个或多个。在多层前馈网络应用中，单隐层的应用最为普遍，通常也将单隐层前馈神经网络称为三层感知器或三层前馈网络。图3为三层BP网。图3三层BP网Fig3ThreelayerBPnetwork对于输出层，𝑜𝑘=𝑓(𝑛𝑒𝑡𝑘)(𝑘=1,2…,𝑙)𝑛𝑒𝑡𝑘=∑𝑣𝑗𝑘𝑦𝑗−𝜃𝑗(𝑘=1,2