基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合技術(shù)優(yōu)化*

何擁軍，曾文權(quán)，曾文英

(廣東科學(xué)技術(shù)職業(yè)學(xué)院 計(jì)算機(jī)工程技術(shù)學(xué)院，廣東 珠海519090)

大多數(shù)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)應(yīng)用是由大量傳感器節(jié)點(diǎn)構(gòu)成的，共同完成信息收集、目標(biāo)監(jiān)視和感知環(huán)境的任務(wù)。在信息采集的過(guò)程中，若采用各個(gè)節(jié)點(diǎn)單獨(dú)傳輸數(shù)據(jù)到匯聚節(jié)點(diǎn)的方法，會(huì)產(chǎn)生大量冗余信息，從而浪費(fèi)大量的通信帶寬和寶貴的能量資源，這顯然是不合適的[1]。此外還會(huì)降低信息的收集效率，影響信息的及時(shí)采集。為避免上述問(wèn)題，人們采用了一種稱(chēng)為數(shù)據(jù)融合(或稱(chēng)為數(shù)據(jù)匯聚)的技術(shù)。所謂數(shù)據(jù)融合是指將多份數(shù)據(jù)或信息進(jìn)行處理，組合出更高效、更符合用戶(hù)需求的數(shù)據(jù)的過(guò)程[2]。在大多數(shù)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)應(yīng)用中，許多時(shí)候只關(guān)心監(jiān)測(cè)結(jié)果，并不需要收到大量原始數(shù)據(jù)，數(shù)據(jù)融合是處理該類(lèi)問(wèn)題的有效手段。根據(jù)融合操作的級(jí)別劃分為數(shù)據(jù)級(jí)融合[3]、特征級(jí)融合[4]以及決策級(jí)融合[5]。數(shù)據(jù)級(jí)融合是指通過(guò)傳感器采集的數(shù)據(jù)融合，是最底層的融合，通常僅依賴(lài)于傳感器的類(lèi)型。特征級(jí)融合是指通過(guò)一些特征提取手段，將數(shù)據(jù)表示為一系列的特征向量，從而反映事物的屬性，是面向監(jiān)測(cè)對(duì)象的融合。決策級(jí)融合是根據(jù)應(yīng)用需求進(jìn)行較高級(jí)的決策，是最高級(jí)的融合。無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)可以結(jié)合網(wǎng)絡(luò)的各個(gè)協(xié)議層來(lái)進(jìn)行。例如在應(yīng)用層，可通過(guò)分布式數(shù)據(jù)庫(kù)技術(shù)，對(duì)采集的數(shù)據(jù)進(jìn)行初步篩選，達(dá)到融合效果；在網(wǎng)絡(luò)層，可以結(jié)合路由協(xié)議，減少數(shù)據(jù)的傳輸量；在數(shù)據(jù)鏈路層，可以減少M(fèi)AC層的發(fā)送沖突和頭部開(kāi)銷(xiāo)，節(jié)省能量的同時(shí)，保證信息的完整性。無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)只有面向應(yīng)用需求的設(shè)計(jì)才會(huì)真正得到廣泛的應(yīng)用。

目前許多學(xué)者提出了很多傳感網(wǎng)數(shù)據(jù)融合算法，DS方法[6]和貝葉斯算法[7]作為一種處理不確定性問(wèn)題的重要的數(shù)據(jù)融合方法，已經(jīng)廣泛應(yīng)用于各種數(shù)據(jù)融合系統(tǒng)中，但是該方法主要是依靠自身的傳感器的采集，這種方法融合精度不高，具有一定的不確定性等，BP神經(jīng)網(wǎng)絡(luò)算法是一種監(jiān)督式的學(xué)習(xí)算法，其主要思想是通過(guò)采用梯度搜索技術(shù)對(duì)已知網(wǎng)絡(luò)入侵樣本進(jìn)行學(xué)習(xí)，最終實(shí)現(xiàn)網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的均方值誤差最小。

本文充分利用了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，主要研究了傳感網(wǎng)絡(luò)數(shù)據(jù)融合方法，提出了一種改進(jìn)的基于BP神經(jīng)網(wǎng)絡(luò)算法在傳感網(wǎng)絡(luò)數(shù)據(jù)融合中的應(yīng)用，依據(jù)不同的融合目標(biāo)對(duì)傳感器信息進(jìn)行選擇過(guò)濾和優(yōu)化處理，仿真結(jié)果表明了本文算法的有效性和實(shí)用性，節(jié)約了數(shù)據(jù)融合的能量。

1 BP神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合技術(shù)

1.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)[8]是一種前饋式神經(jīng)網(wǎng)絡(luò)，是目前使用最廣泛的一種神經(jīng)網(wǎng)絡(luò)，一般包括輸入層、若干隱含層和輸出層三部分，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP神經(jīng)網(wǎng)絡(luò)算法是一種監(jiān)督式的學(xué)習(xí)算法，其主要思想是通過(guò)采用梯度搜索技術(shù)對(duì)已知網(wǎng)絡(luò)入侵樣本進(jìn)行學(xué)習(xí)，最終的目的就是網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的均方值誤差最小。在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中，輸入信號(hào)從輸入層經(jīng)隱含層單元逐層處理，并傳向BP神經(jīng)網(wǎng)絡(luò)的輸出層，每一層BP神經(jīng)元只影響下一層神經(jīng)元的狀態(tài)。如果在BP神經(jīng)網(wǎng)絡(luò)輸出層得不到期望的輸出，那么就要進(jìn)行BP神經(jīng)網(wǎng)絡(luò)反向傳播，將輸出信號(hào)的誤差沿原來(lái)的連接通路返回，通過(guò)不斷調(diào)整各層神經(jīng)元的權(quán)重，最終使均方值誤差最小。其基本學(xué)習(xí)過(guò)程如下：

(1)初始化BP神經(jīng)網(wǎng)絡(luò)狀態(tài)。對(duì)網(wǎng)絡(luò)的連接權(quán)值wij、vjt和閾值 θj、γt賦初值；

(2)輸入第1個(gè)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本對(duì)；

(3)對(duì)中間層各神經(jīng)元的輸入uj和輸出hj進(jìn)行計(jì)算。采用公式如下[8]：

(4)對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸出層各神經(jīng)元的輸入lt和輸出yt進(jìn)行計(jì)算：

(5)對(duì)BP神經(jīng)網(wǎng)絡(luò)的連接到輸出層神經(jīng)單元t上的權(quán)值誤差δt進(jìn)行計(jì)算，即：

其中，ct表示樣本的期望值。

(6)對(duì)BP神經(jīng)網(wǎng)絡(luò)的計(jì)算連接到中間層神經(jīng)單元j上的權(quán)值誤差δj[9]進(jìn)行計(jì)算，即：

(7)對(duì) BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值 vjt和閾值 γt進(jìn)行更新，即：

(8)對(duì) BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值 wjt和閾值 θj進(jìn)行更新，即：

(9)輸入下一個(gè)學(xué)習(xí)樣本對(duì)，跳轉(zhuǎn)到步驟(3)，不斷重復(fù)，直到全部樣本對(duì)訓(xùn)練完畢。

(10)進(jìn)行新一輪BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，如果滿(mǎn)足下列條件，則學(xué)習(xí)訓(xùn)練完成。

其中，ε表示預(yù)設(shè)精度，Ek表示均方誤差，即：

1.2 BP神經(jīng)網(wǎng)絡(luò)多傳感數(shù)據(jù)融合算法

本文提出基于神經(jīng)網(wǎng)絡(luò)傳感器網(wǎng)絡(luò)數(shù)據(jù)融合方法，充分利用了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，主要研究了多傳感網(wǎng)絡(luò)數(shù)據(jù)融合方法，提出了一種改進(jìn)的基于BP神經(jīng)網(wǎng)絡(luò)算法在傳感網(wǎng)絡(luò)數(shù)據(jù)融合中的應(yīng)用，依據(jù)不同的融合目標(biāo)對(duì)多傳感器信息進(jìn)行選擇過(guò)濾和優(yōu)化處理。本文數(shù)據(jù)融合算法的具體原理如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合原理圖

在網(wǎng)絡(luò)訓(xùn)練之前，首先必須要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，以保證網(wǎng)絡(luò)層輸出不會(huì)太小。這里中心向量的初始值 pi由 訓(xùn) 練 樣 本 確 定 ， 其 中 pi=(pi1，pi2，pi3，pi4，pi5)，i=1，2，…，10。若其屬于第一類(lèi)數(shù)據(jù)變化的訓(xùn)練樣本集，表示為{S1，S2，…，Sm},中心向量p1中各元素的初始值為這些樣本輸入向量中每個(gè)元素的平均值。 然后采用梯度下降法分別調(diào)整中心向量、寬度和系數(shù)及最后一層的權(quán)值。在訓(xùn)練過(guò)程中，先選取較大的學(xué)習(xí)速率，如果后一步的訓(xùn)練誤差大于前一步的訓(xùn)練誤差,就減小學(xué)習(xí)速率，使得網(wǎng)絡(luò)收斂。 由于加入了每個(gè)類(lèi)別中心向量的先驗(yàn)信息，網(wǎng)絡(luò)權(quán)值的調(diào)整限制在了一定范圍內(nèi)，避免陷入局部最小點(diǎn)。本文考慮了數(shù)據(jù)融合的有損融合和無(wú)損融合問(wèn)題，算法的主要描述步驟如下：

(1)用選定的N個(gè)傳感器檢測(cè)系統(tǒng)狀態(tài)；

(2)采集N個(gè)傳感器的測(cè)量信號(hào)并進(jìn)行預(yù)處理；

(3)對(duì)預(yù)處理后的N個(gè)傳感器信號(hào)進(jìn)行特征選擇；

(4)對(duì)特征信號(hào)進(jìn)行歸一化處理，為神經(jīng)網(wǎng)絡(luò)的輸入提供標(biāo)準(zhǔn)形式；

(5)將歸一化的特征信息與已知的系統(tǒng)狀態(tài)信息作為訓(xùn)練樣本，送神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到滿(mǎn)足要求為止。該訓(xùn)練好的網(wǎng)絡(luò)作為已知網(wǎng)絡(luò)，只要將歸一化的多傳感器特征信息作為輸入送人該網(wǎng)絡(luò)，則網(wǎng)絡(luò)輸出就是被測(cè)系統(tǒng)的狀態(tài)。

2 仿真與結(jié)果分析

在Windows操作系統(tǒng)下，本文所有的實(shí)驗(yàn)都是在PC P4 T2310 1.86 GHz，2 GB RAM，Inte182865G 顯卡的計(jì)算機(jī)上完成的，實(shí)驗(yàn)環(huán)境為MATLAB7.0。對(duì)本文提出的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型進(jìn)行仿真測(cè)試，根據(jù)融合前后數(shù)據(jù)信息含量劃分為無(wú)損融合和有損融合，前者在數(shù)據(jù)融合過(guò)程中所有細(xì)節(jié)信息均被保留，只去除冗余的部分信息，后者通常會(huì)省略一些細(xì)節(jié)信息或降低數(shù)據(jù)的質(zhì)量。

本文對(duì)有損融合、無(wú)損融合與沒(méi)有進(jìn)行數(shù)據(jù)融合的實(shí)驗(yàn)結(jié)果進(jìn)行了比較。在仿真試驗(yàn)中，本文在一定的范圍內(nèi)放置一定參數(shù)的節(jié)點(diǎn)，10個(gè)源節(jié)點(diǎn)沿著一條路由路徑在4～6跳的范圍內(nèi)發(fā)出連續(xù)的比特。為了對(duì)數(shù)據(jù)融合的有效性進(jìn)行研究，本文增加了節(jié)點(diǎn)的發(fā)送頻率，數(shù)據(jù)流發(fā)送速度為 1.5～3.7包/s，仿真重復(fù) 30遍，端到端的延時(shí)為1 s。

如圖3所示，在網(wǎng)絡(luò)繁忙的時(shí)候，與不進(jìn)行數(shù)據(jù)融合的結(jié)果相比，無(wú)損融合和有損融合都可以顯著地減少平均的延時(shí)。因?yàn)槿诤霞夹g(shù)可以控制信息傳遞的數(shù)量。這里要注意的是，有損融合在保留延遲的區(qū)域之下總是成功的，而無(wú)損融合僅是點(diǎn)上的成功，在此之后系統(tǒng)將變得過(guò)載。

圖3 端到端數(shù)據(jù)傳遞負(fù)載

當(dāng)產(chǎn)生的信息量超出實(shí)時(shí)容量時(shí)，有損融合通過(guò)聚集較小比例的包來(lái)保持端到端延遲。如圖4所示，融合具有非零的損失率。

如圖5所示，在擁塞出現(xiàn)之前，無(wú)損融合和有損融合可以通過(guò)減少控制消息的數(shù)量和傳播的數(shù)量達(dá)到能源的節(jié)約。從圖3、圖4和圖5可以看出，本文提出的神經(jīng)網(wǎng)絡(luò)傳感器網(wǎng)絡(luò)數(shù)據(jù)融合模型是一種有效的數(shù)據(jù)融合處理方法。采用BP神經(jīng)網(wǎng)絡(luò)對(duì)傳感器數(shù)據(jù)進(jìn)行融合處理，輸出輸入穩(wěn)定簡(jiǎn)單。

圖4 無(wú)數(shù)據(jù)融合與有損融合仿真比較

圖5 能量和傳遞負(fù)載

數(shù)據(jù)融合是利用計(jì)算機(jī)技術(shù)將來(lái)自多個(gè)傳感器或多源的觀(guān)測(cè)信息進(jìn)行分析、綜合處理。從而得出決策和估計(jì)任務(wù)所需信息的處理過(guò)程。針對(duì)傳統(tǒng)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法需要獲得對(duì)象比較精確數(shù)學(xué)模型，對(duì)于復(fù)雜難于建立的模型場(chǎng)合無(wú)法適用等問(wèn)題，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合方法，算法首先建立三層網(wǎng)絡(luò)結(jié)構(gòu)，接著提取數(shù)據(jù)庫(kù)中屬性數(shù)據(jù)的特征值并作為網(wǎng)絡(luò)的輸入，然后通過(guò)調(diào)節(jié)輸入向量與中心向量的距離及中心向量的值確定網(wǎng)絡(luò)權(quán)值，最后對(duì)數(shù)據(jù)進(jìn)行有效融合，仿真實(shí)驗(yàn)結(jié)果表明采用BP神經(jīng)網(wǎng)絡(luò)對(duì)傳感器數(shù)據(jù)進(jìn)行融合處理大大提高了傳感器的穩(wěn)定性及其精度，效果良好。

[1]畢艷忠，孫利民.傳感器網(wǎng)絡(luò)中數(shù)據(jù)融合[J].計(jì)算機(jī)科學(xué)，2004，31(7)：101-103.

[2]ZHAO J，GOVINDAN R，ESTRIN D.Residual energy scans for monitoring wireless sensor networks[C].Proceedings of the IEEE Wilress Communications and Networking Conference(WCNC’02)，2002：17-21.

[3]付劍波，劉衛(wèi)國(guó).無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的一種多層數(shù)據(jù)融合方案[J].傳感器與微系統(tǒng)，2007，26(12)：15-18.

[4]任豐原，黃海寧，林闖.無(wú)線(xiàn)傳感器網(wǎng)絡(luò)[J].軟件學(xué)報(bào)，2003，14(7)：1282-1291.

[5]NORDEN W V，JONG J D，BOLDERHEIJ F，et al.Intelligent task scheduling in sensor networks[C].Proceedings of 8th International Conference on Information Fusion，2005.

[6]BARBANCHO J，CarlosLeón，MOLINA F J，et al.Using artificial intelligence in routing schemes for wireless networks[J].Computer Communications，2007(30)：2802-2811.

[7]陳斌，萬(wàn)江文，吳銀鋒，等.神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的管道泄漏診斷方法[J].北京郵電大學(xué)學(xué)報(bào)，2009，32(2)：5-9.

[8]俞黎陽(yáng)，王能，張衛(wèi).無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型[J].計(jì)算機(jī)科學(xué)，2008，35(12)：43-47.

[9]SUNG W T.Employed BPN to multi-sensors data fusion for environment Monitoring Services[J].Autonomic and Trusted Computing，2009(6)：149-163.