一种改进的基于神经网络的WSN数据融合算法_连方圆

［8 9］ 改进协议 LEACH － F 分簇路由协议 与 BP 神 经 网 络 结 合
明，网络能够很好的对数据进行数据回归 。 W － T Sungd 等 在基于无线传感器网络的环境下 ，利用 BP 神经网络对环境监 测中的数据进行融合，实验结果表明， 引入 BP 神经网络方法
0625 ； 收稿日期： 2013关项（ 20120313013 － 6 ） 。 作者简介： 连方圆， 女， 山西人， 硕士， 主要从事无线网络信息数据融 合， 语音信号处理的研究 。 0828 。 修回日期： 2013-
［2 ］ 测系统中取得很好的效果 。G． Wang 等 将多项式回归引入到 无线传感网络的数据融合中 ，在对环境监测的中，通过实验表
结合神经网络和证据理论 ， 建立了管道泄
［6 ］
漏诊断模型。徐桂云等
把 PCA 与 ＲBF 神经网络结合用于对
［7 ］
轴承数据的融合和故障诊断 ，仿真结果表明，该算法具有很好 的识别率和数据压缩率 。孙凌逸等 构建了一种基于 BP 神经 网络与 LEACH 协议的数据融合算法， 该算法能够提高网络融 合度，但其并没有考虑到神经网络运行所需的网络参数的获取 问题。 针对以上问题 ， 本 文 提 出 了 一 种 新 型 的 基 于 误 差 反 向 传播算 法 的 多 层 前 馈 神 经 网 络 的 WSN 数 据 融 合 模 型 （ A New Back Propagation Neural － Network Data Aggregation ， 简称 NBPNA ） 。 NBPNA 数据融合模 型 将 无 线 传 感 网 络 的 LEACH
Improvement of Data Aggregation of Wireless Sensor Networks Using Artificial Neural Networks
Lian Fangyuan，Bai Jing
（ College of Information Engineering，Taiyuan University of Technology，Taiyuan 030024 ，China）
h = 槡 0. 43 mn + 0. 12 n2 + 2. 54 m + 0. 77 n + 0. 35 + 0. 51 （ 6） 其中 h 是隐含层神经元个数， m 是输入层神经元个数， n a 是 1 到 10 的常数。 是输出层神经元个数， 在本文算法中，为了克服两种方法各自存在的缺点 ，我们 把两种方法结合使用，这样既可以很好的克服使用第一种算法 所带来的工作量大，盲目性高的缺点，同时还可以解决第二种 方法所带来的不精确性 。 在完成了算法的基本结构设定之后 ，算法进入数据融合传 输阶段，主要思想流程图如图 3 所示。 本文以传感器节点监测环境湿度为例对算法进行试验 ， 以 输入层节点的值为时间 ， 输出层节点的值为时间对应的湿度 ， 对簇内节点采集到的监测湿度数据进行数据拟合 。在经过多次 试验之后，我们发现，在已有的基于神经网络的数据融合算法 中，网络训练时间过长，虽然其在减少数据传输量 ，提高信息 可信度等方面有显著优点 ，但由于受到节点的能量及存储等方 面的限制，其网络收敛过慢，训练步长过长，使其在训练时节
［3 ］
起来 ， 在簇内利用 BP 神经网络对采集到的原始数据进行数 据拟合 ， 在此 基 础 上 ， 通 过 对 网 络 训 练 参 数 的 改 进 ， 网 络 训练收敛加快 ， 减少了网 络 收 敛 耗 能 。 最 后 再 通 过 把 代 表 原始数据的特征值发送给汇聚节点来减少节点数据通信量 、 节省能量开销 。
输出为代表感知区域观测对象的特征值 。 在已有的神经网络融合算法的模型中 ，除以上基本设定之 外，影响算法性能的主要参数是隐层节点的个数 ，因为到目前 为止，对于隐层神经元的确定 ，尚未有成熟的理论指导 。 本文 经过参考众多文献，发现目前为止，主要有两种方法： 方法一： 动态调节法，即隐层神经元数从多到少或从少到 多的开始动态选取，并在其过程中监督网络状况 ，直到选取到 网络误差最小时的隐层神经元的个数 。但是这种方法在实际中 工作量较大，盲目性较高，多与少不好确定。
Abstract： To save energy for wireless sensor networks （ WSNs） ，NBPNA，a new data aggregation algorithm based on back － propagation networks was proposed，which integrates a three － layer BP neural network with clustering routing protocol． We use it for data fusion in WSNs，and then send the weight and threshold rather than the raw data monitored from sensors to the sink， at the same time，using the weight and threshold in the last fitting as the input of the new fitting，the number of Neural Network training steps can be reduced greatly． Simulation results show that the proposed algorithm can effectively reduce data transmissions，so as to achieve energy efficiency in WSNs，and the lifetime of the network is prolonged． At the same time，this algorithm is also verified the feasibility and effectiveness of environmental monitoring，etc． Key words： wireless sensor networks； data aggregation； artificial neural networks； weight and threshold
一种改进的基于神经网络的 WSN 数据融合算法
连方圆，白 静
（ 太原理工大学 信息工程学院 ，太原 030024 ）
摘要： 为降低无线传感网络的能量消耗 ，提出了一种基于神经网络的数据融合改进算法 （ NBPNA） ，该算法将无线传感网络的分簇 路由协议与 BP 神经网络结合起来 ，通过神经网络方法对簇内节点采集到的信息进行数据拟合，提取训练拟合好的权值与阈值 ， 把其作 为信息融合值传输 ； 同时再通过将上一次拟合好的权值与阈值赋予下一次网络训练来减少神经网络的训练步数 ， 减少网络训练所需的 耗能； 通过实验验证 ，该算法可有效减少网络通信量 ，降低节点能耗， 延长网络寿命， 同时还验证了本算法在环境监测等方面的可行 性和有效性。 关键词： 无线传感网络； 数据融合； 神经网络； 权值； 阈值
· 476 ·
4598 （ 2014 ） 02047604 文章编号： 1671-
计算机测量与控制 ． 2014 ． 22 （ 2 ） Computer Measurement ＆ Control
中图分类号： TP393 文献标识码： A
算法 、 设计与应用
基金项目： 国家自然Fra bibliotek学基金赞助项目 （ 61072087 ） ； 山西省科技攻
1
神经网络模型
BP 神经网络是由大量的， 简单的处理单元即神经元 ， 广

泛地互相连接而形成的复杂网络系统 ，是目前应用最多也是最 成功的神经网络之一，在模式识别，函数逼近，数据拟合等方 面具有广泛的应用，特别适合处理需要同时考虑诸多因素的信 息处理问题。 神经网络与无线传感器网络的数据融合具有一个相同的基 本特征，即通过对大量的数据进行一定程度上的运算处理 ， 得 到能够反映这些数据的结论性的特征值 。所以，可以利用神经 网络来实现和解决无线传感器网络中的数据融合 ，并且此方法 已经被证明是可行的。 本文采用了三层 BP 神经网络结构， 理论已经证明， 三层 BP 神经网络，只要隐层节点数足够多 ， 就具有模拟任意复杂 的非线性映射的能力。如图 1 其为三层 BP 神经网络的模型示 意图。该网络是一种单向传播的多层前向网络 。网络除输出输 入节点外，还有一层或多层的隐含节点 ，同层节点中没有任何 藕合； 每层均有一激励函数，对输入信息进行处理，输入信号 经过输入层之后，依次传到各隐层、输出层，每一层节点的输 出即下一层节点的输入 。考虑到簇成员节点具有对采集数据进 行预处理等功能，我们一般将输入层设于簇成员节点中 ，而隐 层和输出层位于簇首节点中 。
0
引言
可以大大降低数据特征维数 ， 提高数据融合效率。 Julio Barbancho 等［4］ 将 自 组 织 映 射 网 络 （ Sel － fOrganizingMap，SOM ） 引入无线传感器网络的路由决策中 ，同时对神经网络的效率进 行分析。陈斌等
［5 ］
无线传感器网络是具有自组织性 、自适应性与容错性高等 特点的一种新型的信息采集网络 ， 在许多方面， 比如环境监 测，目标跟踪等领域有着十分广阔的应用前景 。在无线传感器 网络中，大量的传感器节点协作的感知 ，采集和处理网络覆盖 区域中的目标信息，并发送给观测者。在此过程中，由于存在 节点能源有限及节点采集信息具有很高的冗余等众多问题 ， 使 无线传感网络的应用受到限制 。在近几年中，把数据融合应用 于无线传感网络中，用以减少无线传感器网络的通信量 ，提高 信息的融合度和准确度成为降低节点能耗 、延长网络生命周期 的主要手段之一。 Gao J 等［1］ 将稀疏数据聚合应用到传感网络中 ， 在网络监