摘  要： 傳統(tǒng)的數(shù)據(jù)融合算法要求獲得比較精確的對象數(shù)學模型，對于復雜的難于建立模型的場合無法適用。為解決上述問題，提出了一種基于BP神經(jīng)網(wǎng)絡算法的多傳感器數(shù)據(jù)融合方法，對對象的先驗要求不高，具有較強的自適應能力。仿真結(jié)果表明，采用BP神經(jīng)網(wǎng)絡對傳感器數(shù)據(jù)進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。
關鍵詞： 數(shù)據(jù)融合；神經(jīng)網(wǎng)絡；多傳感器網(wǎng)絡

    大多數(shù)無線傳感器網(wǎng)絡應用是由大量傳感器節(jié)點構成的，共同完成信息收集、目標監(jiān)視和感知環(huán)境的任務。在信息采集的過程中，若采用各個節(jié)點單獨傳輸數(shù)據(jù)到匯聚節(jié)點的方法，會產(chǎn)生大量冗余信息，從而浪費大量的通信帶寬和寶貴的能量資源，這顯然是不合適的[1]。此外還會降低信息的收集效率，影響信息的及時采集。為避免上述問題，人們采用了一種稱為數(shù)據(jù)融合(或稱為數(shù)據(jù)匯聚)的技術。所謂數(shù)據(jù)融合是指將多份數(shù)據(jù)或信息進行處理，組合出更高效、更符合用戶需求的數(shù)據(jù)的過程[2]。在大多數(shù)無線傳感器網(wǎng)絡應用中，許多時候只關心監(jiān)測結(jié)果，并不需要收到大量原始數(shù)據(jù)，數(shù)據(jù)融合是處理該類問題的有效手段。根據(jù)融合操作的級別劃分為數(shù)據(jù)級融合[3]、特征級融合[4]以及決策級融合[5]。數(shù)據(jù)級融合是指通過傳感器采集的數(shù)據(jù)融合，是最底層的融合，通常僅依賴于傳感器的類型。特征級融合是指通過一些特征提取手段，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)測對象的融合。決策級融合是根據(jù)應用需求進行較高級的決策，是最高級的融合。無線傳感器網(wǎng)絡的數(shù)據(jù)融合技術可以結(jié)合網(wǎng)絡的各個協(xié)議層來進行。例如在應用層，可通過分布式數(shù)據(jù)庫技術，對采集的數(shù)據(jù)進行初步篩選，達到融合效果；在網(wǎng)絡層，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MAC層的發(fā)送沖突和頭部開銷，節(jié)省能量的同時，保證信息的完整性。無線傳感器網(wǎng)絡的數(shù)據(jù)融合技術只有面向應用需求的設計才會真正得到廣泛的應用。
    目前許多學者提出了很多傳感網(wǎng)數(shù)據(jù)融合算法，D-S方法[6]和貝葉斯算法[7]作為一種處理不確定性問題的重要的數(shù)據(jù)融合方法，已經(jīng)廣泛應用于各種數(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)絡算法是一種監(jiān)督式的學習算法，其主要思想是通過采用梯度搜索技術對已知網(wǎng)絡入侵樣本進行學習，最終實現(xiàn)網(wǎng)絡的實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)絡的優(yōu)點，主要研究了傳感網(wǎng)絡數(shù)據(jù)融合方法，提出了一種改進的基于BP神經(jīng)網(wǎng)絡算法在傳感網(wǎng)絡數(shù)據(jù)融合中的應用，依據(jù)不同的融合目標對傳感器信息進行選擇過濾和優(yōu)化處理，仿真結(jié)果表明了本文算法的有效性和實用性，節(jié)約了數(shù)據(jù)融合的能量。
1 BP神經(jīng)網(wǎng)絡的多傳感器數(shù)據(jù)融合技術
1.1 BP神經(jīng)網(wǎng)絡算法
    BP神經(jīng)網(wǎng)絡[8]是一種前饋式神經(jīng)網(wǎng)絡，是目前使用最廣泛的一種神經(jīng)網(wǎng)絡，一般包括輸入層、若干隱含層和輸出層三部分，網(wǎng)絡結(jié)構如圖1所示。

    BP神經(jīng)網(wǎng)絡算法是一種監(jiān)督式的學習算法，其主要思想是通過采用梯度搜索技術對已知網(wǎng)絡入侵樣本進行學習，最終的目的就是網(wǎng)絡的實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)絡的學習過程中，輸入信號從輸入層經(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)絡輸出層得不到期望的輸出，那么就要進行BP神經(jīng)網(wǎng)絡反向傳播，將輸出信號的誤差沿原來的連接通路返回，通過不斷調(diào)整各層神經(jīng)元的權重，最終使均方值誤差最小。其基本學習過程如下：
  

    在網(wǎng)絡訓練之前，首先必須要對數(shù)據(jù)進行歸一化處理，以保證網(wǎng)絡層輸出不會太小。這里中心向量的初始值pi由訓練樣本確定，其中pi=(pi1，pi2，pi3，pi4，pi5)，i=1，2，…，10。若其屬于第一類數(shù)據(jù)變化的訓練樣本集，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)及最后一層的權值。在訓練過程中，先選取較大的學習速率，如果后一步的訓練誤差大于前一步的訓練誤差, 就減小學習速率，使得網(wǎng)絡收斂。 由于加入了每個類別中心向量的先驗信息，網(wǎng)絡權值的調(diào)整限制在了一定范圍內(nèi)，避免陷入局部最小點。本文考慮了數(shù)據(jù)融合的有損融合和無損融合問題，算法的主要描述步驟如下：
    (1)用選定的N個傳感器檢測系統(tǒng)狀態(tài)；
    (2)采集N個傳感器的測量信號并進行預處理；
    (3)對預處理后的N個傳感器信號進行特征選擇；
    (4)對特征信號進行歸一化處理，為神經(jīng)網(wǎng)絡的輸入提供標準形式；
    (5)將歸一化的特征信息與已知的系統(tǒng)狀態(tài)信息作為訓練樣本，送神經(jīng)網(wǎng)絡進行訓練，直到滿足要求為止。該訓練好的網(wǎng)絡作為已知網(wǎng)絡，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，則網(wǎng)絡輸出就是被測系統(tǒng)的狀態(tài)。
2 仿真與結(jié)果分析
    在Windows操作系統(tǒng)下，本文所有的實驗都是在PC P4 T2310 1.86 GHz，2 GB RAM，Inte182865G顯卡的計算機上完成的，實驗環(huán)境為MATLAB7.0。對本文提出的神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型進行仿真測試，根據(jù)融合前后數(shù)據(jù)信息含量劃分為無損融合和有損融合，前者在數(shù)據(jù)融合過程中所有細節(jié)信息均被保留，只去除冗余的部分信息，后者通常會省略一些細節(jié)信息或降低數(shù)據(jù)的質(zhì)量。
    本文對有損融合、無損融合與沒有進行數(shù)據(jù)融合的實驗結(jié)果進行了比較。在仿真試驗中，本文在一定的范圍內(nèi)放置一定參數(shù)的節(jié)點，10個源節(jié)點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。為了對數(shù)據(jù)融合的有效性進行研究，本文增加了節(jié)點的發(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30遍，端到端的延時為1 s。
    如圖3所示，在網(wǎng)絡繁忙的時候，與不進行數(shù)據(jù)融合的結(jié)果相比，無損融合和有損融合都可以顯著地減少平均的延時。因為融合技術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，而無損融合僅是點上的成功，在此之后系統(tǒng)將變得過載。

    當產(chǎn)生的信息量超出實時容量時，有損融合通過聚集較小比例的包來保持端到端延遲。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，無損融合和有損融合可以通過減少控制消息的數(shù)量和傳播的數(shù)量達到能源的節(jié)約。從圖3、圖4和圖5可以看出，本文提出的神經(jīng)網(wǎng)絡傳感器網(wǎng)絡數(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)絡對傳感器數(shù)據(jù)進行融合處理，輸出輸入穩(wěn)定簡單。

    數(shù)據(jù)融合是利用計算機技術將來自多個傳感器或多源的觀測信息進行分析、綜合處理。從而得出決策和估計任務所需信息的處理過程。針對傳統(tǒng)的傳感器網(wǎng)絡數(shù)據(jù)融合算法需要獲得對象比較精確數(shù)學模型，對于復雜難于建立的模型場合無法適用等問題，本文提出了一種基于BP神經(jīng)網(wǎng)絡的多傳感器數(shù)據(jù)融合方法，算法首先建立三層網(wǎng)絡結(jié)構，接著提取數(shù)據(jù)庫中屬性數(shù)據(jù)的特征值并作為網(wǎng)絡的輸入，然后通過調(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)絡權值，最后對數(shù)據(jù)進行有效融合，仿真實驗結(jié)果表明采用BP神經(jīng)網(wǎng)絡對傳感器數(shù)據(jù)進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。
參考文獻
[1] 畢艷忠，孫利民.傳感器網(wǎng)絡中數(shù)據(jù)融合[J].計算機科學，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.無線傳感器網(wǎng)絡的一種多層數(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.無線傳感器網(wǎng)絡[J].軟件學報，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，萬江文，吳銀鋒，等.神經(jīng)網(wǎng)絡和證據(jù)理論融合的管道泄漏診斷方法[J].北京郵電大學學報，2009，32(2)：5-9.
[8] 俞黎陽，王能，張衛(wèi).無線傳感器網(wǎng)絡中基于神經(jīng)網(wǎng)絡的數(shù)據(jù)融合模型[J].計算機科學，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.