基于改進粒子群的BP神經網(wǎng)絡WSN數(shù)據(jù)融合算法*

王虹，徐佑宇，譚沖，劉洪，鄭敏

(1 中國科學院上海微系統(tǒng)與信息技術研究所， 上海 200050； 2 中國科學院大學, 北京 100049)

無線傳感器網(wǎng)絡 (wireless sensor network，WSN)是由大量小尺寸、低成本的微傳感器節(jié)點通過自組織和多跳方式形成的通信網(wǎng)絡[1]，將傳感器數(shù)據(jù)發(fā)送給匯聚節(jié)點以實現(xiàn)對特定區(qū)域的環(huán)境信息的探測和感知。WSN中傳感器節(jié)點能量有限，并且節(jié)點電池由于環(huán)境因素難以替換[2]。WSN中傳感器節(jié)點在監(jiān)測區(qū)域分布較密，會導致監(jiān)測區(qū)域的重疊，產生的大量冗余數(shù)據(jù)傳輸至匯聚節(jié)點會造成額外的能量消耗，縮短整個網(wǎng)絡的生命周期[3]。對WSN數(shù)據(jù)進行數(shù)據(jù)融合處理，能有效地減少冗余數(shù)據(jù)，降低傳感器節(jié)點能耗，延長網(wǎng)絡生命周期[4]。

針對無線傳感網(wǎng)數(shù)據(jù)傳輸能耗較高的問題，科研人員提出各種WSN數(shù)據(jù)融合算法來減少數(shù)據(jù)傳輸，以降低傳感器節(jié)點能耗[5]。文獻[3]設計一種基于反向傳播(back propagation，BP)神經網(wǎng)絡的數(shù)據(jù)融合算法(back-propagation networks data aggregation，BPNDA), 該算法將BP神經網(wǎng)絡和傳感器網(wǎng)絡分簇路由協(xié)議有機結合,將每個簇設計成一個神經網(wǎng)絡模型, 通過神經網(wǎng)絡提取對原始數(shù)據(jù)進行特征提取,然后將特征數(shù)據(jù)發(fā)送給匯聚節(jié)點, 從而提高數(shù)據(jù)收集效率, 延長網(wǎng)絡生存時間。但是BP神經網(wǎng)絡對于初始權值和閾值很敏感，易陷入局部極小值。文獻[6]利用遺傳算法對BP神經網(wǎng)絡的權值和閾值參數(shù)進行優(yōu)化，提出一種基于遺傳算法(genetic algorithm，GA)的BP神經網(wǎng)絡數(shù)據(jù)融合算法GABP算法，能有效減少冗余數(shù)據(jù)，延長網(wǎng)絡生命周期。但遺傳算法存在搜索能力較差，求解速度較慢的缺陷。文獻[7]把蟻群算法應用到BP神經網(wǎng)絡，對其結構及參數(shù)進行優(yōu)化，以克服BP神經網(wǎng)絡容易陷入局部最優(yōu)解的缺點。利用優(yōu)化后的BP神經網(wǎng)絡進行數(shù)據(jù)融合，可以有效提取特征數(shù)據(jù)，延長網(wǎng)絡生命周期。文獻[8]提出一種基于粒子群(particle swarm optimization，PSO)優(yōu)化BP神經網(wǎng)絡的無線傳感器網(wǎng)絡數(shù)據(jù)融合算法PSO-BP，利用粒子群算法優(yōu)化BP神經網(wǎng)絡參數(shù)，將優(yōu)化后的BP神經網(wǎng)絡和傳感器網(wǎng)絡分簇路由協(xié)議有機結合，有效提升數(shù)據(jù)融合效率，延長網(wǎng)絡生命周期。但是由于粒子群算法種群搜索空間中多樣性的丟失，所以粒子群算法存在陷入局部最優(yōu)解的缺點[9]。

綜上所述，傳統(tǒng)BP神經網(wǎng)絡應用于無線傳感器網(wǎng)絡中存在訓練困難、易陷入局部最優(yōu)解的缺陷；GABP算法尋優(yōu)效果受種群初始分布影響較大，求解速度緩慢；PSO-BP算法中粒子群算法存在早熟收斂、維數(shù)災難、缺乏多樣性、易于陷入局部極值等問題，仍具有較大優(yōu)化空間。本文以優(yōu)化尋優(yōu)性能和融合精度為目標，提出一種基于天牛須搜索(beetle antennae search，BAS)算子改進粒子群算法的WSN數(shù)據(jù)融合算法BSO-BP算法,通過天牛須搜索算子優(yōu)化粒子群算法[10]，增加粒子群算法的搜索空間多樣性，豐富粒子群算法的尋優(yōu)空間以避免陷入局部最優(yōu)解。利用優(yōu)化后的粒子群算法對BP神經網(wǎng)絡的初始權值和閾值參數(shù)進行優(yōu)化，得到的全局較優(yōu)解作為BP神經網(wǎng)絡結構參數(shù)的初始值并進行進一步優(yōu)化訓練，從而克服BP神經網(wǎng)絡訓練極易陷入局部最優(yōu)解的缺陷，避免傳統(tǒng)BP神經網(wǎng)絡初始權值和閾值參數(shù)隨機選取導致的網(wǎng)絡震蕩，提高BP神經網(wǎng)絡的泛化能力和收斂能力。將BSOBP算法運用到無線傳感器網(wǎng)絡分簇路由數(shù)據(jù)融合中，簇首節(jié)點利用優(yōu)化后的BP神經網(wǎng)絡對傳感器采集數(shù)據(jù)進行數(shù)據(jù)融合提取特征數(shù)據(jù)，數(shù)據(jù)精度具有較高提升，將融合后的數(shù)據(jù)發(fā)送至基站節(jié)點，有效減少冗余數(shù)據(jù)傳輸，延長網(wǎng)絡生命周期。

1 改進PSO算法

1.1 粒子群算法

粒子群(PSO)算法是一種基于鳥類群體的社會行為的群體優(yōu)化算法，通過群體信息共享機制尋找當前最優(yōu)值以獲取全局最優(yōu)值。每個粒子的行為模仿鳥類飛行，粒子位置根據(jù)自身的慣性速度、歷史經驗以及群體社會經驗來進行尋優(yōu)更新[11]，尋優(yōu)公式如下

(1)

(2)

1.2 基于天牛須搜索算法對粒子群的改進

天牛須搜索(BAS)算法是由Jiang和Li在2018年提出的一種新型啟發(fā)式算法[12]，它是一項基于天牛覓食原理的適用于目標函數(shù)優(yōu)化的新技術，其靈感來源于天牛覓食過程：天牛覓食時，通過食物氣味強弱來覓食。天牛有兩只靈敏的長觸角，如果左觸角收到的氣味強度大于右邊，那下一步天牛就會往左邊飛，反之則往右邊飛。依據(jù)這一簡單原理天牛就可以有效找到食物，BAS對函數(shù)具體形式沒有要求，不需要梯度信息，就可以實現(xiàn)高效尋優(yōu)。BAS收斂快，并且算法簡單容易實現(xiàn)，容易移植到單片機運行，很適合實時性要求較高的場景。天牛須搜索算法模型主要包括搜索行為和檢測行為：

1)創(chuàng)建天牛須朝向的歸一化隨機向量

(3)

式中：rands()為隨機函數(shù)；m表示空間維度。

2)創(chuàng)建天牛左右須空間搜索模型，模擬天牛須行為

(4)

式中：xrk表示天牛右須在第k次迭代時的位置坐標；xlk表示天牛左須在第k次迭代時的位置坐標；xk表示天牛在第k次迭代時的質心坐標；dk表示左右兩須之間的搜索距離。

3)根據(jù)適應度函數(shù)判斷左右須氣味強度差異，即計算f(xlk)和f(xrk)的強度，f為適應度函數(shù)。

4)迭代更新天牛的位置

xk+1=xk-δk×b×sign(f(xrk)-f(xlk)),

(5)

式中:δk表示在第k次迭代時的步長因子；sign()為符號函數(shù)。

5)搜索距離和步長更新

(6)

式中：ηd代表搜索距離的衰減更新系數(shù)；ηδ代表步長的衰減更新系數(shù)；d0和δ0分別是最小距離閾值和最小步長閾值，避免dk和δk為0。

天牛須搜索算法的搜索行為對于PSO算法有很大作用，賦予PSO算法中粒子天牛搜索行為特性，可以有效增加粒子種群變化的多樣性，克服PSO算法尋優(yōu)過程中易陷入局部最優(yōu)的問題。本文根據(jù)基于適應度值的輪盤賭算法選取多個粒子進行天牛須搜索，每次迭代選取賦予天牛搜索行為的粒子個數(shù)為

(7)

式中：swarmize為粒子種群粒子總數(shù)，iter和maxgen分別為當前迭代次數(shù)和總迭代次數(shù)。粒子群搜索初期，具有天牛搜索行為的粒子能使種群更具多樣性，擴展了尋找最優(yōu)解的范圍，避免陷入局部最優(yōu)解，隨著迭代次數(shù)增加，粒子群越來越收斂，此時應減少具有天牛搜索行為的粒子數(shù)量，有利于減少計算量，快速收斂。具有天牛搜索行為的粒子根據(jù)式(3)隨機生成天牛須朝向向量,并對式(4)進行修改確定天牛須左右須坐標

(8)

引入粒子天牛須搜索行為增量

(9)

(10)

(11)

式中：w為慣性權重，反映粒子的運動習慣，理論上，w取值較小時局部搜索能力較強，w取值較大可以增強全局搜索能力。文獻[13]分析比較多種動態(tài)調整慣性權重的方法，發(fā)現(xiàn)對于多峰函數(shù)優(yōu)化，凸函數(shù)遞減法綜合來說收斂速度最快，求解精度較高。因此本文慣性權重w采用凸函數(shù)遞減法

(12)

式中：wmax和wmin分別為慣性權重上下限值，iter和maxgen分別為當前迭代次數(shù)和總迭代次數(shù)。c1和c2為學習因子，c1表示粒子對自身歷史經驗的學習，c2表示粒子對共享的群體歷史經驗的學習[14]，PSO算法運行初期，側重于粒子個體的探索認知，末期需要增強對群體經驗的學習能力，因此，c1和c2分別隨著迭代次數(shù)遞減和遞增：

(13)

(14)

式中：cm和cn為常數(shù)，滿足cm>cn。

改進PSO算法中，λ為天牛搜索行為增量的權重因子，搜索前期，天牛搜索行為增量權重較大有利于增加全局搜索能力，后期隨著具有天牛搜索行為的粒子數(shù)量的減少，天牛搜索行為增量權重也應當降低，因此搜索行為增量權重因子λ的賦值如下

(15)

式中：λmax和λmin為常數(shù)，分別代表增量權重因子的上下限值。

2 BSO-BP數(shù)據(jù)融合算法

2.1 算法網(wǎng)絡模型

WSN多傳感器數(shù)據(jù)融合算法可分為數(shù)據(jù)級融合、特征性融合和決策級融合3類。決策級融合通過不同種類的傳感器觀測同一個目標，例如溫度、濕度、風速等傳感器感知森林某區(qū)域環(huán)境信息，每個傳感器在本地完成包括預處理、特征抽取、識別或判決等基本處理，以建立對所觀察目標的初步結論。然后通過關聯(lián)處理進行決策層融合判決，最終獲得聯(lián)合推斷結果。決策級融合包括貝葉斯估計法、專家系統(tǒng)、神經網(wǎng)絡法、模糊集理論等，本文對決策級融合中的神經網(wǎng)絡算法進行研究改進。

神經網(wǎng)絡是由大量具有運算能力的單元廣泛互聯(lián)而組成的，通過高效的學習機制模擬人腦信息處理的過程。神經網(wǎng)絡由于其強大的計算能力，因此在信號處理、計算機視覺、自然語言優(yōu)化處理等領域應用廣泛[15]。BP神經網(wǎng)絡是一種典型的多層前向型神經網(wǎng)絡[16]。BP神經網(wǎng)絡由輸入層、隱藏層、輸出層組成，它利用學習機制來存儲輸入和輸出的映射關系，其權值和閾值參數(shù)通常采用反向傳播的策略，借助最速梯度信息來獲得使網(wǎng)絡誤差最小化的參數(shù)組合，有很強的非線性映射能力、自學習和自適應能力、泛化能力和容錯能力。將BP神經網(wǎng)絡模型利用到WSN中處理數(shù)據(jù)融合問題，能有效降低數(shù)據(jù)特征維數(shù)，提高數(shù)據(jù)融合效率和精度，從而減少節(jié)點能耗。利用BP神經網(wǎng)絡結合無線傳感器分簇路由算法構建WSN數(shù)據(jù)融合模型，網(wǎng)絡結構如圖1所示。

圖1 BSO-BP算法神經網(wǎng)絡結構Fig.1 Neural network architecture of BSO-BP algorithm

按照LEACH(low energy adaptive clustering hierarchy)分簇路由算法完成分簇后，簇內傳感器節(jié)點首先對監(jiān)測到的原始數(shù)據(jù)進行濾波等預處理，然后將數(shù)據(jù)傳輸至簇首節(jié)點，簇首節(jié)點利用BP神經網(wǎng)絡對數(shù)據(jù)進行融合，提取特征數(shù)據(jù)，減少冗余數(shù)據(jù)，將融合后的特征數(shù)據(jù)傳輸至匯聚節(jié)點，從而減少數(shù)據(jù)傳輸量，延長網(wǎng)絡生命周期[17]。但傳統(tǒng)BP神經網(wǎng)絡也存在一定缺陷，初始權值參數(shù)的選擇具有隨機性，網(wǎng)絡對初始連接權值的選擇很敏感，初值選取不當會導致訓練結果不佳，易陷入局部最優(yōu)解。

2.2 算法步驟

利用改進后的粒子群算法對BP神經網(wǎng)絡數(shù)據(jù)融合算法進行優(yōu)化，并應用于LEACH分簇路由算法中，提出一種新型智能數(shù)據(jù)融合算法——BSO-BP算法。

LEACH分簇路由算法中需要定期更新簇首以平衡能耗，相應地簇集也需動態(tài)更新，簇首的變化會導致簇內BP神經網(wǎng)絡結構的變化，BP神經網(wǎng)絡進行數(shù)據(jù)融合需要權值和閾值參數(shù)，因此簇首更新后，在WSN進入自治工作狀態(tài)前，BP神經網(wǎng)絡的參數(shù)也需更新。WSN中傳感器節(jié)點運算能力、節(jié)點能量以及存儲能力有限，因此參數(shù)的訓練更新在基站節(jié)點進行，BSO-BP算法整體步驟如下：

步驟1：每輪簇首節(jié)點更新，分簇形成后，簇首記錄簇內節(jié)點信息并傳輸至基站節(jié)點。

步驟 2：基站根據(jù)簇集信息確定BP神經網(wǎng)絡結構。

步驟 3：基站選取與該分簇相匹配的樣本數(shù)據(jù)集，結合改進后的PSO算法對BP神經網(wǎng)絡進行訓練優(yōu)化，以得到對應簇集的BP神經網(wǎng)絡連接權值和閾值參數(shù)。

步驟 4：基站將相應簇集的BP神經網(wǎng)絡連接權值和閾值參數(shù)發(fā)送至各簇集節(jié)點內，存儲參數(shù)供下次使用。

步驟 5：每個簇集根據(jù)接收到的參數(shù)報文構建對應的BP神經網(wǎng)絡，簇首節(jié)點對簇內成員節(jié)點上傳的數(shù)據(jù)進行融合處理并將結果傳輸至基站節(jié)點。至此，完成一輪分簇路由通信過程。

上述步驟3中改進PSO算法優(yōu)化BP神經網(wǎng)絡算法的目的是優(yōu)化BP神經網(wǎng)絡的權值閾值參數(shù)。利用改進PSO對BP神經網(wǎng)絡的連接權值和閾值參數(shù)進行優(yōu)化，獲得一個全局優(yōu)化解。將全局優(yōu)化解作為BP神經網(wǎng)絡的初始權值和閾值參數(shù)，BP神經網(wǎng)絡進一步訓練優(yōu)化，以獲得全局最優(yōu)參數(shù)。這樣，克服了BP神經網(wǎng)絡由于初始權值選取的隨機性導致的收斂性不佳、訓練時間較長、易陷入局部最優(yōu)解等缺陷，提高了BP神經網(wǎng)絡的收斂能力和求解精度，改進PSO算法優(yōu)化BP神經網(wǎng)絡算法具體實現(xiàn)步驟如下：

Step 1：確定搜索空間維度。WSN分簇形成后，每個簇內成員節(jié)點個數(shù)即是輸入層神經元個數(shù)M，隱藏層神經元個數(shù)為N，輸出層神經元個數(shù)為1。因此，搜索空間維度D=M×N+N×1+N+1。

Step 2: 初始化設置。初始化n個粒子的初始位置向量xi(i=1,2,…,n),其中xi=(xi1,xi2,…,xiD)為第i個粒子的D維搜索向量，包含BP神經網(wǎng)絡中輸入層和隱藏層的權值，隱藏層和輸出層的權值，以及隱藏層和輸出層的閾值；初始化n個粒子的速度向量vi(i=1,2,…,n), 其中vi=(vi1,vi2,…,viD)為第i個粒子的速度向量；初始化速度變化范圍[-Vmax,Vmax]；初始化最大迭代次數(shù)K。

Step 3：定義適應度函數(shù)。對樣本數(shù)據(jù)進行融合，根據(jù)樣本數(shù)據(jù)的均方根誤差(RMSE)作為適應度函數(shù)

(16)

式中：m為樣本數(shù)據(jù)訓練條目數(shù)量，traini是第i個樣本數(shù)據(jù)的融合預測結果，yi為第i個樣本數(shù)據(jù)的實測值。

Step 4：計算每個粒子的適應度函數(shù)值。每個粒子個體需要記憶自身搜尋的最佳位置，第i個粒子自身搜尋過的最佳位置記作pbestid=(pi1,pi2,…,piD)，同時群體搜尋到的最佳位置也會被記錄，記作gbestd=(g1,g2,….,gD)。

Step 5：根據(jù)公式(8)更新天牛左右須搜索空間位置,并分別計算f(xl)和f(xr)。

Step 6：根據(jù)公式(9)計算搜索行為增量。

Step 7：根據(jù)公式(10)公式(11)更新粒子速度和位置。

Step 8: 迭代控制。判斷是否到達迭代次數(shù)或者當前位置的適應度函數(shù)值是否達到理想值，如果滿足迭代停止條件，則進行下一步驟，否則繼續(xù)從Step 4迭代搜索，并根據(jù)式(12)～式(15)分別更新慣性權重w、學習因子c1和c2以及天牛搜索行為增量的權重因子λ。

Step 9: 訓練BP神經網(wǎng)絡。種群最佳位置gbestd即是BP神經網(wǎng)絡最佳初始權值和閾值，BP神經網(wǎng)絡利用gbestd作為初始參數(shù)進行訓練學習直至權值和閾值參數(shù)確定。

3 仿真結果與分析

利用MATLAB 2016a進行仿真實驗，與GABP算法和PSOBP算法進行對比實驗，從數(shù)據(jù)融合精度、網(wǎng)絡生命周期以及迭代收斂性能3個方面進行分析。無線傳感網(wǎng)絡仿真參數(shù)如表1所示。

表1 仿真參數(shù)表Table 1 Simulation parameters

為驗證算法數(shù)據(jù)融合性能，本文采用森林火災面積數(shù)據(jù)集為研究樣本，該數(shù)據(jù)集提供了多項氣象數(shù)據(jù)包括溫度、濕度、風速、降雨量等以及對應的森林火災面積數(shù)據(jù)。無線傳感器網(wǎng)絡通過采集氣象數(shù)據(jù)能有效監(jiān)測小型火災，對保障森林安全有重要意義。本文仿真實驗中，BP神經網(wǎng)絡模型為4輸入、1輸出的單隱藏層結構。選取數(shù)據(jù)集中傳感器監(jiān)測到的4項氣象數(shù)據(jù)(溫度、濕度、風速、降雨量)作為BP輸入層參數(shù)，森林火災面積數(shù)據(jù)作為輸出層參數(shù)。隱藏層神經元的數(shù)量關系到網(wǎng)絡的學習信息處理能力和結構復雜性，需要選擇合適的隱藏層神經元數(shù)目。根據(jù)隱藏層神經元數(shù)量經驗公式

(17)

隱藏層神經元數(shù)量取值范圍為[4,12]， 表2為不同神經元數(shù)量下的融合誤差RMSE值對比結果，其中RMSE量綱為森林火災面積，單位為hm2。

表2 隱藏層神經元數(shù)量與RMSE值Table 2 Neurons’number of hidden layers vs. RMSE

比較不同隱藏層神經元數(shù)量下的融合誤差RMSE值，隱藏層神經元數(shù)量設置為7時，融合誤差RMSE值最小，因此，本文中BP神經網(wǎng)絡為4-7-1的單隱層結構，待優(yōu)化參數(shù)個數(shù)為4×7+7+7×1+1=43。

1)融合精度

融合精度對比采用平均相對誤差(average relative error，AvRE)、均方根誤差(root mean squared error，RMSE)以及擬合優(yōu)度(goodness of fit，R2)作為評價指標，計算公式如下：

(18)

(19)

(20)

圖2 融合結果比較Fig.2 Comparison of fusion results

4種算法的詳細評價指標對比結果如表3。從表3可以看出BSO-BP算法在平均相對誤差、均方根誤差以及擬合優(yōu)度3個方面都優(yōu)于其他3種算法。BSO-BP算法和傳統(tǒng)BP算法相比，平均相對誤差和均方根誤差分別減少28%和37.4%。相較于PSO-BP算法，減少了11%的平均相對誤差和13.89%的均方根誤差。BSO-BP算法克服了BP神經網(wǎng)絡易陷入局部最優(yōu)解的缺陷，增加了粒子群算法的種群搜索空間多樣性，解決了粒子群算法早熟收斂的問題，因此BSO-BP算法相比其他算法有更好的數(shù)據(jù)融合效果。

表3 融合誤差對比Table 3 Comparison of fusion error

2)迭代收斂對比

為測試BSO-BP算法的收斂性能，選擇與GA-BP算法和PSO-BP算法進行仿真對比。圖3為迭代收斂優(yōu)化對比結果，由圖可知，GA-BP算法經過大約55次迭代收斂至最佳適應度值附近，PSO-BP算法大約經過46次迭代能收斂至全局最優(yōu)解附近，而BSO-BP算法只需大約35次迭代，相比GA-BP和PSO-BP算法收斂速度提高，并且能尋找到更優(yōu)的最佳適應度值。結果表明，將天牛須搜索算法中的天牛搜索行為增加到粒子群算法的粒子特性中能有效地增加尋優(yōu)空間，避免陷入局部最優(yōu)解，提高收斂速度和尋優(yōu)性能，可以高效地優(yōu)化BP神經網(wǎng)絡的初始參數(shù)。

圖3 算法迭代收斂對比Fig.3 Comparison of iterative convergence among algorithms

3)網(wǎng)絡生命周期

WSN中傳感器節(jié)點能量有限，若監(jiān)測區(qū)域出現(xiàn)單個或多個傳感器節(jié)點能量耗盡或剩余能量不足以支持節(jié)點正常工作的情況，會導致監(jiān)測盲區(qū)增多，獲取的監(jiān)測數(shù)據(jù)不準確，危險系數(shù)上升。網(wǎng)絡生命周期在不同文獻中有不同定義，文獻[18]定義無線傳感網(wǎng)絡生命周期為目標監(jiān)測區(qū)域內覆蓋率到達容忍下限值的時間，文獻[19]定義網(wǎng)絡生命周期為網(wǎng)絡開始到節(jié)點能量全部消耗完的時間。本文采用文獻[18]的定義，參考文獻[11]和實際經驗設定網(wǎng)絡存活節(jié)點低于85%時，覆蓋率達到容忍值，此時的數(shù)據(jù)可靠性下降，需要補充傳感器節(jié)點能量。圖4(a)為各算法網(wǎng)絡生命周期對比結果，可以看出在存活節(jié)點到達85%的閾值時，LEACH協(xié)議網(wǎng)絡運行至700輪左右，BSO-BP算法和BP算法網(wǎng)絡運行至830輪左右，相比LEACH協(xié)議延長18.5%，這是由于BSO-BP算法和BP算法對監(jiān)測數(shù)據(jù)進行了融合，減少了數(shù)據(jù)傳輸量，降低節(jié)點能耗，有效地延長了網(wǎng)絡生命周期。圖4(b)為節(jié)點能耗對比，可以看出，LEACH協(xié)議節(jié)點能耗明顯高于BSO-BP算法和BP算法，而BSO-BP算法和BP算法的節(jié)點能耗和網(wǎng)絡生命周期大致相當，這是因為兩者的BP神經網(wǎng)絡結構相同并且網(wǎng)絡的構建和訓練都是在基站節(jié)點進行，數(shù)據(jù)融合的輸出維度一致。

圖4 網(wǎng)絡存活節(jié)點數(shù)量和節(jié)點能耗Fig.4 The number of alive nodes and the energy consumption of the node

4 結論

針對無線傳感網(wǎng)BP神經網(wǎng)絡數(shù)據(jù)融合算法存在對初始參數(shù)敏感、易陷入局部最優(yōu)解的缺陷，本文提出基于改進粒子群的BP神經網(wǎng)絡WSN數(shù)據(jù)融合算法(BSO-BP)。算法利用天牛須搜索(BAS)算法對粒子群算法進行改進，利用改進后的粒子群算法優(yōu)化BP神經網(wǎng)絡的初始權值和閾值，引入WSN數(shù)據(jù)融合中，簇首節(jié)點通過優(yōu)化訓練后的BP神經網(wǎng)絡對采集數(shù)據(jù)進行特征提取，將融合后的數(shù)據(jù)發(fā)送至匯聚節(jié)點。與傳統(tǒng)BP算法和PSO-BP算法進行對比，該算法能有效地提高融合精度和收斂速度，減少冗余數(shù)據(jù)傳輸，延長網(wǎng)絡生命周期。