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(xué)模型，對于復(fù)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(luò)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(yīng)能力。仿真結(jié)果表明，采用BP神經(jīng)網(wǎng)絡(luò)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(guān)鍵詞： 數(shù)據(jù)融合；神經(jīng)網(wǎng)絡(luò)；多傳感器網(wǎng)絡(luò)

    大多數(shù)無線傳感器網(wǎng)絡(luò)應(yīng)用是由大量傳感器節(jié)點構(gòu)成的，共同完成信息收集、目標監(jiān)視和感知環(huán)境的任務(wù)。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(shù)。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(luò)應(yīng)用中，許多時候只關(guān)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(yīng)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(luò)的數(shù)據(jù)融合技術(shù)可以結(jié)合網(wǎng)絡(luò)的各個協(xié)議層來進行。例如在應(yīng)用層，可通過分布式數(shù)據(jù)庫技術(shù)，對采集的數(shù)據(jù)進行初步篩選，達到融合效果；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(luò)的數(shù)據(jù)融合技術(shù)只有面向應(yīng)用需求的設(shè)計才會真正得到廣泛的應(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，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(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，其主要思想是通過采用梯度搜索技術(shù)對已知網(wǎng)絡(luò)入侵樣本進行學(xué)習(xí)，最終實現(xiàn)網(wǎng)絡(luò)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(luò)的優(yōu)點，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(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。

    BP神經(jīng)網(wǎng)絡(luò)算法是一種監(jiān)督式的學(xué)習(xí)算法，其主要思想是通過采用梯度搜索技術(shù)對已知網(wǎng)絡(luò)入侵樣本進行學(xué)習(xí)，最終的目的就是網(wǎng)絡(luò)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(luò)的學(xué)習(xí)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(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，那么就要進行BP神經(jīng)網(wǎng)絡(luò)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(quán)重，最終使均方值誤差最小。其基本學(xué)習(xí)過程如下：
  

    在網(wǎng)絡(luò)訓(xùn)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(luò)層輸出不會太小。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。 由于加入了每個類別中心向量的先驗信息，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。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(yù)處理；
    (3)對預(yù)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(luò)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(xùn)練樣本，送神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直到滿足要求為止。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(luò)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(fù)30遍，端到端的延時為1 s。
    如圖3所示，在網(wǎng)絡(luò)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(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(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(shù)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(wù)所需信息的處理過程。針對傳統(tǒng)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法需要獲得對象比較精確數(shù)學(xué)模型，對于復(fù)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(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(luò)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(luò)中數(shù)據(jù)融合[J].計算機科學(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.無線傳感器網(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.無線傳感器網(wǎng)絡(luò)[J].軟件學(xué)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(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，2009，32(2)：5-9.
[8] 俞黎陽，王能，張衛(wèi).無線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型[J].計算機科學(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.