CN105959987A - 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 - Google Patents

Abstract

本发明公开了一种提高无线传感器网络能量利用率和服务性能的数据融合算法，属于无线通信技术领域，步骤如下：首先，在监测区域内搭建无线传感器网络，并采用经典分簇算法LEACH对无线传感器网络进行分簇；然后，簇内的成员节点将感应采集到的数据发送给簇头节点后，簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点；汇聚节点抽取部分数据作为训练样本，对神经网络模型进行训练得到神经网络参数值；最后，汇聚节点构建神经网络并对各传感器节点所采集的数据信息进行数据融合验证。优点在于：大大降低了无线传感器网络内的数据通信量，节约网络能耗，从而，既可以保证数据采集的准确性需求又可以提升网络的生命周期。

Description

一种提高无线传感器网络能量利用率和服务性能的数据融合算法

技术领域

本发明属于无线通信技术领域，具体是一种提高无线传感器网络能量利用率和服务性能的数据融合算法。

背景技术

21世纪以来，随着微机电系统、处理器、数据存储及无线通信技术的日新月异，无线传感器网络作为一种新型的数据采集网络应运而生，通过将一定区域内的传感器节点通过无线网络联结起来，形成一个统一的信息采集与管理系统。无线传感器网络凭借其小尺寸、低成本、低功耗、多功能诸多优越特性，越来越被人们所重视，在不同场景和条件下得到了广泛的应用。由于无线传感器网络把采集到的数据信息通过数据传输网络呈现在人们面前，将人与自然界联系到一起，从而大大拓展了人们从自然界获取信息的能力，从而在军事国防、农业生产、工业控制、城市管理、环境监测、抢险救灾等许多重要领域都得到了广泛应用且成效显著，因此得到了世界各个国家的高度重视，并获得了快速的发展。

在无线传感器网络中，成百上千个传感器节点被部署在需要检测的区域中，节点以自组织的形式构成网络，每个传感器节点周期性的向基站或周围其他传感器节点发送自身采集到的信息。由于传感器节点自身体积较小，能够携带的能源非常有限，一般都是采用电池供电。无线传感器网络监测的环境通常较为恶劣(例如沙漠、战场、深海等)，人员不易到达，因此要给这些区域内的传感器节点更换电池是不太现实的。

与此同时，无线传感器网络为了完成特定任务通常需要网络中各节点之间协作，因此保证整个网络的能耗均衡对于保持网络的连通性来说是非常重要的。如何降低网络整体的能量开销并均衡网络中各个节点的能耗，延长网络的生命周期是无线传感器网络中至关重要的问题，也是该领域内一个持久的研究热点。

无线传感器网络中关键的节能技术有：能量高效路由技术、数据融合技术、睡眠调度以及功率控制技术。数据融合技术的目标是将多个传感器节点采集到的数据信息进行压缩和去冗余，从而降低网内通信数据量和网络能耗。数据融合技术，是对信源给出的有用信息的一个综合、过滤、相关及合成的过程。

数据融合技术作用如下：

(1)提高数据收集效率；数据融合技术能够提高整个无线传感器网络的数据收集效率，减少网络的数据通信量，能够有效地缓解网络拥塞和数据包冲突的现象，从而降低网内数据传输的延时，提升无线信道的利用率。

(2)降低网络能耗；在无线传感器网络中，网络内节点通信所带来的能量消耗占到了网络所有能耗的大部分。当网络应用了数据融合技术之后，网络内的数据包传输量将会得到极大的缩减，节点不必频繁的发送数据，由于数据融合在处理的过程中带来的能量开销仅为节点处理器计算和存取方面，相比节点通信能耗是要低得多。因此，在网络中采用数据融合算法能有效减少节点的数据通信量，从而降低网络能耗；

(3)增强所收集数据的可靠性。传感器节点自身体积通常较小，与此同时其中的传感器模块的数据采集能力受到技术和成本的限制，单个节点的监测范围较小并且采集到的信息精度一般较低，因此从单个节点获取的数据可靠性较低。同时由于传感器网络中数据通信是基于无线通信机制的，因此数据的传送容易由于环境或者是其他原因受到干扰，从而导致数据遭受破坏。另外，在传感器网络的实际应用中节点可能由于各种原因死亡或无法工作。为了使网络满足系统的性能需求，需要应用多传感器节点数据融合技术提高采集信息的准确程度和可信度。

综上可知，数据融合技术对于无线传感器网络节能的重要性不言而喻，根据系统的实际需求选择合适的数据融合算法，对网络内节点采集到的数据信息进行处理是无线传感器网络节能设计需要考虑的问题。

无线传感器网络中多节点数据融合技术的应用对于网络的节能以及网络的性能优化具有重要的意义。在基于分簇结构的网络中，数据融合技术一般应用于簇内的簇头节点中，簇头节点将簇内成员节点发送的数据信息压缩和去冗余之后再发给汇聚节点或其他传感器节点。数据融合能够消除簇内传感器节点所采集到的数据信息之间的冗余，有效的降低网络内的数据传输量，从而减少网络的能耗。

神经网络所具有的自学习、自组织、自适应的能力以及良好的容错性非常适合处理无线传感器网络中的复杂非线性映射问题。在传感器网络中，每个节点所感应采集到的数据信息都存在一定程度的不确定性，对于这些信息进行融合的过程实际上是一个不确定的推理过程。在应用神经网络本身所具有的优秀信息处理和自动推导的能力的同时，通过设计特定的学习算法，可以使得神经网络能够获取知识与不确定性推理机制以及对系统的样本进行分类，从而实现网络中的数据融合。

BPNDFA(Back Propagation Neural Network Data Fusion Algorithm)算法模型是将无线传感网络的分簇结构与BP神经网络相结合，在簇内利用BP神经网络对采集到的原始数据进行处理后再发送出去。因为BPNDFA算法可以消除簇内传感器节点采集的数据信息之间的冗余，降低网内数据通信量，从而达到降低网络能耗，提升网络性能的目的。无线传感器网络结构由输入层，输出层和隐层构成，其中隐层可以有多层，不过最常用的还是单隐层的三层BP网络。其中神经网络的输入层位于簇成员节点中，而隐层和输出层位于簇头节点中。在每个分簇结构中，簇内传感器节点采集到大量的原始数据经过预处理以后首先传送给簇头节点，在簇头节点内部进行数据处理后再发送给汇聚节点。BPNDFA算法就是在簇内传感器节点与簇头节点间利用BP神经网络算法来处理数据的。

BPNDFA算法可以很好的实现非线性映射，对于处理传感器网络中的非线性数据非常适合包括其长期公平性和短期公平性；而且具有很强的容错性和很快的处理速度，并且具有自学习的能力，泛化能力较强，能够适用于不同应用场景和需求的无线传感器网络。

BPNDFA算法的流程具体为：当分簇网络结构得到确定后，开始对BP神经网络进行训练。BP神经网络的学习是由信号的正向传播与误差的反向传播两个过程组成的，在正向传播时，输入样本信号从输入层进入网络，通过隐层处理最后传送给输出层，如果输出结果与期望值不符，则把误差进行反向传播，根据上面的权值调整系数调整权值的变化，直到网络输出层的输出结果满足要求为止。

BPNDFA算法虽然具有众多优点，适合无线传感器网络，但是有时会存在训练速度慢和陷入局部最优无法收敛的问题。

发明内容

本发明针对上述问题，为了适应无线传感器网络中不同的应用场景和系统需求，提出了一种提高无线传感器网络能量利用率和服务性能的数据融合算法；

具体步骤如下：

步骤一、在监测区域内随机分布N个无线传感器节点，搭建无线传感器网络；

N为整数；无线传感器网络包括一个汇聚节点和N个无线传感器节点；

步骤二、采用经典分簇算法LEACH对无线传感器网络进行分簇；

N个无线传感器节点分成若干个簇，每个簇均包括簇头节点和成员节点；

步骤三、簇内的成员节点将感应采集到的数据发送给簇头节点后，簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点；

簇内成员节点与簇头节点间利用RBF神经网络模型处理数据；其中，成员节点作为神经网络的输入层神经元，簇头节点作为神经网络的隐层神经元和输出层神经元。

步骤四、汇聚节点收到各个簇的数据后，抽取部分数据作为训练样本，对神经网络模型进行训练，得到神经网络参数值；

神经网络参数值包括隐层与输出层的连接权值参数，以及隐层神经元的径向基函数。以每个簇内的簇头节点和成员节点采集的数据作为一组样本；

步骤401、对训练样本采用模糊K-means聚类算法进行聚类，并更新初始聚类中心c_i；

训练样本选用N个，选取的初始聚类中心c_i为h个，i＝1,...,h；对剩余的训练样本根据最小距离原则，进行聚类，形成h个子类a_i；

更新各聚类中心公式如下：

$c_i=\frac{1}{s_i}\underset{k=1}{\overset{s_i}{\Σ}}{x}_k$

其中，s_i为第i个子类a_i中的样本数量，s_i∈N；x_k为第i个子类a_i中的样本值，k＝1，...，s_i；

步骤402、针对某个聚类中心c_i，计算该聚类中心下的每个样本属于该聚类中心的隶属度：

$\begin{array}{cc}{u}_{ij}=1-\frac{\left|\right|x_j-c_i\left|\right|}{\underset{k=1}{\overset{s_i}{\Σ}}\left|\right|x_k-c_i\left|\right|}& x_j,x_k\∈a_i\end{array}$

U＝{u_ij∈[0,1]|i＝1,2,...,h,j＝1,2,...,s_i}

x_j表示聚类中心c_i对应的子类a_i中的第j个样本；u_ij表示样本x_j与聚类中心c_i的中心隶属度；||x_j-c_i||表示第j个样本与第i个聚类中心之间的欧式距离；

步骤403、判断c_i是否符合误差范围，如果是则进入步骤404；否则根据样本隶属度返回步骤401重新调整子类个数并继续；

误差范围根据具体实施人为规定。

步骤404、根据聚类中心的隶属度计算径向基函数的方差，进一步得到每个隐层神经元节点的输出；

第i个隐层神经元的径向基函数方差σ_i ²公式如下：

${{\mathrm{\σ}}_i}^2=\frac{\underset{j=1}{\overset{s_i}{\Σ}}{u}_{ij}\left|\right|x_j-c_i\left|\right|}{\underset{j=1}{\overset{s_i}{\Σ}}{u}_{ij}}$

根据聚类中心c_i和径向基函数方差σ_i ²确定了径向基函数和隐层神经元的数量m；

第i'(i'＝1,...,m)个隐层神经元节点的输出b_i'(x)为：

$b_{i^{\′}}\left(x\right)=\frac{\exp (-\frac{\left|\right|x-c_{i^{\′}}\left|\right|}{2{\mathrm{\σ}}_{i^{\′}}^2})}{\underset{i^{\′}=1}{\overset{m}{\Σ}}\exp (-\frac{\left|\right|x-c_{i^{\′}}\left|\right|}{2{\mathrm{\σ}}_{i^{\′}}^2})}$

步骤405、根据每个隐层神经元节点的输出，计算整个神经网络的期望输出y(x)；

$y\left(x\right)=\underset{i^{\′}=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_{i^{\′}}{b}_{i^{\′}}\left(x\right)+\mathrm{\θ}$

θ为神经网络输出层的门限值，ω_i'为隐层到输出层的连接权重值，初始值为(0,1)之间的一个随机数。

步骤406、根据神经网络的实际输出结果与期望输出结果，计算神经网络的目标函数E；

$E=\frac{1}{2N}\underset{k=1}{\overset{N}{\Σ}}{\[\hat{y}\left(x_k\right)-y\left(x_k\right)\]}^2$

其中为神经网络的实际输出结果，y(x_k)为神经网络的期望输出。

步骤407、采用梯度下降法对神经网络中隐层到输出层的连接权重值进行修正；

权值系数修正公式为：

${\mathrm{\Δ\ω}}_{i^{\′}}=-\mathrm{\η}\frac{\∂E}{\∂\hat{y}\left(x_k\right)}*\frac{\∂\hat{y}\left(x_k\right)}{\∂{\mathrm{\ω}}_{i^{\′}}}$

η为学习率，η∈[0,1]；

权值的修正式为：

ω_i'←ω_i'+Δω_i'(i'＝1,2,...,m)

步骤408、判断目标函数E的结果是否小于最大训练误差ε，如果是，修正后的权值参数为训练结果；否则，返回步骤407继续修正权值；

最大训练误差ε根据实际训练人为设置。

步骤五、汇聚节点将训练后得到的神经网络参数值发送给各簇构建神经网络；

步骤六、利用神经网络对无线传感器网络簇内的各传感器节点所采集的数据信息进行数据融合验证。

本发明的优点在于：一种提高无线传感器网络能量利用率和服务性能的数据融合算法，通过将RBF神经网络引入到分簇无线传感器网络中，充分利用RBF神经网络的训练速度快、精确度高以及适用性强等特性，大大降低了无线传感器网络内的数据通信量，节约网络能耗，从而，既可以保证数据采集的准确性需求又可以提升网络的生命周期。

附图说明

图1是本发明的分簇无线传感器网络结构示意图；

图2是本发明RBF神经网络拓扑结构示意图；

图3是本发明采用的RBF神经网络中神经元模型示意图；

图4是本发明提高无线传感器网络能量利用率和服务性能的数据融合算法流程图；

图5是本发明汇聚节点对神经网络进行训练的方法流程图；

图6是本发明实施例中无线传感器网络节点分布示意图；

图7是本发明RBF神经网络计算值与实际值对比示意图；

图8是本发明对神经网络进行训练时的误差收敛曲线示意图；

图9是本发明随轮数和时间的推移节点平均能量消耗的变化曲线图；

图10是本发明两种算法下存活节点数随着网络轮数推移的对比情况图；

图11是本发明汇聚节点接收到的数据包数目随轮数时间的变化情况图。

具体实施例

下面结合附图，对本发明的具体实施方法进行详细说明。

本发明一种提高无线传感器网络能量利用率和服务性能的数据融合算法，是基于RBF神经网络的数据融合算法RBFNDFA，具有较强数据信息处理并且处理速度很快。

RBF神经网络结构分为三层，分别为输入层、隐层和输出层。输入层直接与输入矢量的各个分量相连接，输入层和隐层之间的权值为1，即输入层不对输入信息进行处理，直接发送给隐层神经元。隐层神经元是神经网络的核心结构，直接影响神经网络的信号处理能力和性能，隐层神经元的数量根据具体的应用需求或是问题的需要而确定。隐层的输入和输出之间是一种非线性映射的关系，通常采用的径向基函数为高斯函数。隐层和输出层之间通过线性加权进行连接，连接的权重值根据系统设计和问题的需要进行调节，一般权重值通过对神经网络进行训练后确定。

本发明当无线传感器网络节点布设完毕，网内簇头节点选举完成，分簇结构得以确定后，簇头节点将簇内的信息发送给汇聚节点，汇聚节点收到网内各个簇的信息之后开始对网络进行训练。确定隐层单元的径向基函数以及调整隐层到输出层的权重值，直至网络输出层的输出结果达到事先规定的要求为止。由于考虑到在整个网络内进行训练的话会消耗节点的部分能量，为了最大限度的降低网络能耗同时便于仿真验证阶段的比较，对网络样本值的训练，基函数及输出层权重值的生成都在汇聚节点内完成；本发明采用自组织选取中心的方法确定基函数的中心，并采用梯度下降法对网络输出层权重值进行修正，最终得到训练完毕后的神经网络参数值。

如图4所示，具体步骤如下：

步骤一、在监测区域随机分布N个无线传感器节点，搭建无线传感器网络；

无线传感器网络架构如图1所示，包含N个无线传感器节点，N为整数；传感器节点随机分布在M×M大小的监测区域内；无线传感器网络包括一个汇聚节点和N个无线传感器节点；

网络的性质如下：

1)所有的传感器节点结构和特性都相同并且能量受限；

2)所有节点部署完毕后不能移动，即为静态节点；

3)节点不具有定位功能，无法获得自己的地理位置或网络中其他节点的地理位置，但是每个节点根据接收到信号的强度计算其他节点与自己之间的距离；

4)节点的发射功率采用功率控制进行调节，能够根据距离自适应的调整其发射功率；

5)节点天线发射与接收模型如式所示：

$E_{TX}(l,d)=\left\{\begin{array}{cc}{\mathrm{lE}}_{elec}+{\mathrm{l\&epsiv;}}_{fs}{d}^2,& d<d_0\\ {\mathrm{lE}}_{elec}+{\mathrm{l\&epsiv;}}_{mp}{d}^4,& d\&GreaterEqual;d_0\end{array}\right.$

E_RX(l)＝lE_elec

其中，E_TX(l,d)为传感器节点发送l比特信息发射机天线产生的能耗，E_RX(l)表示传感器节点接收l比特信息接收机天线产生能耗。E_elec为传输电路的能量消耗，d表示两个进行数据通信的节点间的距离，d₀为临界值，计算公式为：

$d_0=\frac{\sqrt{{\mathrm{\&epsiv;}}_{fs}}}{\sqrt{{\mathrm{\&epsiv;}}_{mp}}}$

ε_fs为自由空间模型中传感器节点电路中功率放大器的系数、ε_mp为多径衰减模型中传感器节点电路中功率放大器的系数；

步骤二、采用经典分簇算法LEACH对无线传感器网络进行分簇；

N个无线传感器节点划分为若干簇，每个簇包括簇头节点和成员节点；

步骤三、簇内的成员节点将感应采集到的数据发送给簇头节点后，簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点；

在分簇无线传感器网络中，簇内采用RBF神经网络模型处理数据；其中，成员节点作为神经网络的输入层神经元，簇头节点作为神经网络的隐层神经元和输出层神经元；汇聚节点位于监测区域的中心，是一个相对特殊的节点，整个传感器网络的数据信息最终都要发送给汇聚节点。

将分簇无线传感器网络转化为RBF神经网络之后，如图2所示，网络从左到右分别为神经网络的输入层神经元，隐层神经元及输出层神经元。x₁,x₂,...x_n为输入层神经元的输入，R₁(x),R₂(x),...R_m(x)为隐层神经元的径向基函数，隐层神经元的数目与实际应用需求有关。ω_ik为隐层第i个神经元与输出层第k个神经元的连接权值，y₁,y₂,...y_p为输出层神经元的输出。

RBF神经网络中的最小信息处理单元-神经元的结构，如图3所示。通常神经网络中由大量的神经元节点组成，神经元之间呈并行分布结构，每个神经元的输入层同时也为其他神经元的输出层。神经元模型中输入为矩阵向量P，是R维矢量，ω为权重向量，b为阈值，f为径向基函数，||dist||模块为输入向量和权重向量之间的欧式距离，其表达式如下式所示：

$\left|\right|W-P\left|\right|=\sqrt{\underset{i=1}{\overset{R}{\&Sigma;}}{({\mathrm{\&omega;}}_{1,i}-p_i)}^2}={\&lsqb;(W-P^T){(W-P^T)}^T\&rsqb;}^{1/2}$

W为R维权重矢量，P^T为P的转置，网络的基函数通常选用高斯函数，表达式所示：

$R_i\left(x\right)=\exp (-\frac{\left|\right|x-c_i\left|\right|}{2{\mathrm{\&sigma;}}_i^2}),i=1,2,...,m$

式中，x为n维输入向量，c_i为神经网络中第i个隐层神经元的基函数中心；i＝1,...,m，m为训练后确定的隐层神经元的数量，m为整数；跟x一样也是n维的向量，σ_i为第i个隐层神经元基函数的方差，决定了径向基函数的宽度，||x-c_i||为x与c_i之间的欧式距离。

由于径向基函数为高斯函数，根据其图形可以知道，靠近函数中心时函数值较大，而离函数中心较远时函数值会非常小。在神经网络中，当输入层的输入矢量与函数的中心相距较远也即两者之间的欧氏距离较大时，函数的值接近于零，这时候网络基本没有输出。而当输入矢量与函数的中心距离较近时，网络将会取得较大的输出响应值。

步骤四、汇聚节点收到各个簇的数据后，抽取部分数据作为训练样本，对神经网络进行训练，得到神经网络的参数值；

神经网络参数值包括隐层与输出层的连接权值参数，以及隐层神经元的径向基函数。

以每个簇内的簇头节点和成员节点采集的数据作为一组样本；对于RBF神经网络隐层到输出层权重值的训练，本算法中输出层的目标函数采用最小二乘法来表示，当网络输出结果E的值达到最小也即实际输出和期望输出的均方差也取得最小值的时候，如果输出结果满足规定的误差要求，则此时输出权重的估计值就是需要的参数。通过选取满足条件的权重值可以使得网络尽可能的接近对应的映射关系。

如图5所示，具体步骤如下：

步骤401、对训练样本采用模糊K-means聚类算法进行聚类，并更新初始聚类中心c_i；

采用K-均值聚类算法自组织性的选取隐层径向基函数的中心值和方差。

训练样本选用N个，初始聚类中心c_i为h个，i＝1,...,h；h为初始设定的隐层神经元的数量；随机选取h个训练样本值作为c_i的初始值，并且要求这些初值不相等。为训练样本中除去初始聚类中心后，对剩余的训练样本根据最小距离原则，进行聚类，形成h个子类a_i(i＝0,1,...,h)，每个子类a_i对应一个聚类中心c_i，每个子类a_i中包括s_i个样本值x_k；

更新各聚类中心c_i的公式如下：

$c_i=\frac{1}{s_i}\underset{k=1}{\overset{s_i}{\&Sigma;}}{x}_k$

其中，s_i为第i个子类a_i中的样本数量，或者s_i为第i个隐层神经元的样本数量，s_i∈N；x_k为第i个子类a_i中的样本值，k＝1,...,s_i；x_k∈a_i；

步骤402、针对某个聚类中心c_i，计算该聚类中心下的每个样本属于该聚类中心的隶属度：

计算公式如下：

$\begin{array}{cc}{u}_{ij}=1-\frac{\left|\right|x_j-c_i\left|\right|}{\underset{k=1}{\overset{s_i}{\&Sigma;}}\left|\right|x_k-c_i\left|\right|}& x_j,x_k\&Element;a_i\end{array}$

U＝{u_ij∈[0,1]|i＝1,2,...,h,j＝1,2,...,s_i}

x_j表示聚类中心c_i对应的子类a_i中的第j个样本；u_ij表示样本x_j与聚类中心c_i的中心隶属度；||x_j-c_i||表示第j个样本与第i个聚类中心之间的欧式距离；

步骤403、判断c_i是否符合误差范围，如果是，聚类中心即为径向基函数的中心，进入步骤404；否则根据样本隶属度返回步骤401重新调整子类个数并继续；

对上述计算的结果进行误差判断，判断c_i是否在允许的误差范围内，误差范围根据具体实施人为规定，一般具体实施设置；如果不是，根据隶属度重新执行更新聚类中心步骤。

步骤404、根据聚类中心的隶属度计算径向基函数的方差，进一步得到每个隐层神经元节点的输出；

第i个隐层神经元的径向基函数的方差σ_i ²公式如下：

${{\mathrm{\&sigma;}}_i}^2=\frac{\underset{j=1}{\overset{s_i}{\&Sigma;}}{u}_{ij}\left|\right|x_j-c_i\left|\right|}{\underset{j=1}{\overset{s_i}{\&Sigma;}}{u}_{ij}}$

基函数方差σ_i ²决定了径向基函数的宽度；当确定c_i和σ_i ²后，径向基函数便得到确定，隐层神经元的数量也得到确定，设为m个。因此，第i'个隐层神经元节点的输出b_i'(x)为：

$b_{i^{\&prime;}}\left(x\right)=\frac{\exp (-\frac{\left|\right|x-c_{i^{\&prime;}}\left|\right|}{2{\mathrm{\&sigma;}}_{i^{\&prime;}}^2})}{\underset{i^{\&prime;}=1}{\overset{m}{\&Sigma;}}\exp (-\frac{\left|\right|x-c_{i^{\&prime;}}\left|\right|}{2{\mathrm{\&sigma;}}_{i^{\&prime;}}^2})}$

步骤405、根据每个隐层神经元节点的输出，计算神经网络的期望输出y(x)；

$y\left(x\right)=\underset{i^{\&prime;}=1}{\overset{m}{\&Sigma;}}{\mathrm{\&omega;}}_{i^{\&prime;}}{b}_{i^{\&prime;}}\left(x\right)+\mathrm{\&theta;}$

其中θ为输出层的门限值，ω_i'为神经网络中隐层到输出层之间的连接权重值，初始值为(0,1)之间的一个随机数。

步骤406、根据神经网络的实际输出结果与期望输出结果，计算神经网络的目标函数E；

$E=\frac{1}{2N}\underset{k=1}{\overset{N}{\&Sigma;}}{\&lsqb;\hat{y}\left(x_k\right)-y\left(x_k\right)\&rsqb;}^2$

其中为神经网络的实际输出结果，y(x_k)为神经网络的期望输出，N为训练样本集中总共的样本个数。初始化E＝0，

为了使得网络的目标函数E取得最小值，需要不断修正输出层的权重值ω；

步骤407、采用梯度下降法对神经网络中隐层到输出层的连接权重值进行修正；

在无线传感器网络内应用RBF神经网络对采集的数据信息进行处理的过程，实际上是用神经网络隐层的基函数去对未知的目标函数进行逼近的过程。在本发明中，对于无线传感器网络内簇头的输出结果为RBF神经网络隐层神经元节点输出的线性加权和。

计算连接权值的修正系数，网络的训练规则是使每个训练循环按梯度下降，权值系数修正公式为：

${\mathrm{\&Delta;\&omega;}}_{i^{\&prime;}}=-\mathrm{\&eta;}\frac{\&part;E}{\&part;\hat{y}\left(x_k\right)}*\frac{\&part;\hat{y}\left(x_k\right)}{\&part;{\mathrm{\&omega;}}_{i^{\&prime;}}}$

${\mathrm{\&Delta;\&omega;}}_{i^{\&prime;}}=-\frac{\mathrm{\&eta;}}{N}\underset{k=1}{\overset{N}{\&Sigma;}}\&lsqb;\hat{y}\left(x_k\right)-y\left(x_k\right)\&rsqb;*b_{i^{\&prime;}}\left(x_k\right)$

η为学习率，η∈[0,1]；

权值ω的修正式为：

ω_i'←ω_i'+Δω_i'(i'＝1,2,...,m)

步骤408、判断目标函数E的结果是否小于最大训练误差ε，如果是，修正后的权值参数为训练结果；否则，返回步骤407继续修正权值；

不断修正ω的值直到满足E＜ε；ε为最大训练误差，根据应用的精度来设定，其值为一个大于零的小数，如ε＝0.1，精度很容易达到。

步骤五、汇聚节点将训练后得到的神经网络参数值发送给各簇构建神经网络；

步骤六、利用神经网络对无线传感器网络簇内节点所采集的数据信息进行数据融合验证，使无线传感器网络能耗降低。

神经网络训练完毕，隐层的径向基函数以及输出层的权值得到确定之后，汇聚节点在网络初始化时将这些参数广播发送给网络内的所有传感器节点。当簇头节点选取完成后，簇内节点将采集到的数据信息经过输入层简单处理之后发送给该簇的簇头节点，簇头节点将收集到的簇内以及自身采集的所有数据信息，经过神经网络训练出的隐层径向基函数和输出层线性加权处理之后，将输出结果发送至网络中的汇聚节点。

本算法通过对无线传感器网络分簇结构的簇内各节点，采集到的数据包进行快速高效的数据融合，得到一组能够反映网内原始数据的特征值，并将该特征值代替原始数据包发送给汇聚节点，从而减少了网内的数据通信量，降低了整个网络的能耗。

实施例：

通过仿真实验对基于RBF神经网络的数据融合算法进行仿真验证和研究，将算法应用于分簇结构的网络中，并和没有在网络内采用数据融合算法的结果进行对比，从数据采集的准确度、汇聚节点总共接收到的数据包的数量、网络内节点的平均能耗以及网络的生命周期四个方面进行了分析，从而验证所提出的数据融合算法在分簇传感器网络内进行数据融合的有效性和优越性。

仿真环境设置：本次仿真采用火灾监测作为应用实例，为了便于样本采集和神经网络的训练，将100m×100m的监测区域分割成九块，每块中布设9个相同的传感器节点，一共81个，如图6所示，每块区域内的节点自成一簇，除了分簇结构固定之外网络的其余路由设定都与经典分簇路由协议LEACH相同。簇头节点将该区域内其他簇内节点的信息采集并进行数据融合处理之后发送给位于监测区域中心的汇聚节点。规定当区域内有火灾发生时神经网络的输出为1，否则为0。以每个簇内9个节点采集到的区域内温度值作为一组样本，一共采集400组样本对神经网络进行训练，其中200组为发生火灾的样本，另外200组为未发生火灾的样本。选择其中的100组样本用于神经网络的测试，其中发生火灾的样本60组，未发生火灾的样本40组，其余仿真参数如表1所示。

表1

参数名称	数值
		网络目标区域	100mx100m
节点数量,n	81
		汇聚节点位置	(50m,50m)
节点初始能量	1J
		Eelec	50nJ/bit
ε	0.05
		εfs	10pJ/bit/m2
εmp	0.0013pJ/bit/m4
		数据包长度	500byte
无线信道带宽	l Mbit/s
		网络权重值初始值	1
最大训练次数	2000

通过采用RBFNDFA算法之后网络对于监测事件的计算值和实际值之间的比较，如图7所示，从图中可以看出经过RBF神经网络处理过后输出的结果具有很高的准确率，在100个样本中判断失误的样本只有8个，准确度达到了92％。

对神经网络进行训练时的误差收敛曲线图，如图8所示，由图可知达到标准误差需要28步。为了验证所提出数据融合算法在数据采集准确度及训练速度上优越性，将该算法与经过相同样本训练和测试之后的BP神经网络训练和数据采集结果进行对比，准确率对比结果如表2所示，仿真证明采用RBF神经网络训练的速度要明显优于BP神经网络，且进行数据融合之后准确率相比BP神经网络也更高。

表2

随轮数和时间的推移网络中节点平均能量的变化如图9所示，在传感器网络中由于节点能量受限的特性影响网络寿命最主要的因素便是网络内节点的能耗，而节点的能耗中所占比重最大的便是用于通信的开销。降低网络中节点用于通信的能耗对于延长网络的生命周期有着直接的作用。从节点平均能耗方面的比较结果可以看出加入了数据融合的RBFNDFA算法的节点平均能量消耗始终比没有在网内采用数据融合的仿真结果要低，因为加入了基于RBF神经网络的数据融合算法之后簇头节点发送给汇聚节点的数据包数量大大减少，网络中簇头节点用于通信的能量开销相比没有采用数据融合算法来说降低了很多。与此同时，当没有采用RBFNDFA算法时，簇头节点会因为消耗了过多能量而过早死亡，此后簇内的成员节点便只能直接与汇聚节点进行通信，从而加速了簇内节点的死亡，导致网络节点的平均能耗情况始终高于RBFNDFA。

采用和没有采用数据融合算法RBFNDFA时在网络的生命周期也即存活节点数随着网络轮数推移的对比情况，如图10所示，从图中可以看出，没有加入数据融合的算法在大约1200轮的时候已经有部分节点因为能量耗尽而死亡，并且随着网络轮数和时间的推移在1500到2000轮这段时间内节点开始大量死亡，到2800轮左右的时候网络中已经没有存活的节点了，而数据融合算法RBFNDFA在大约1600轮的时候才开始出现节点死亡，且其相对死亡速度相比没有采用时慢了一些，网络的生命周期相比没有采用的情况提高了27％左右。由此可见，本发明提出的基于RBF神经网络的数据融合算法RBFNDFA能更好地提升无线传感器网络的性能，延长网络的生命周期。主要是由于数据融合算法在簇内的应用使得网络内簇头节点的数据发送量大大降低，用于通信的能耗减少，使得算法每轮中簇头节点的存活时间相对于没有进行数据融合时更长，避免了簇头节点由于过早死亡导致的网络割裂，从而延长了整个网络的生命周期。

网络中各簇头节点总共发送给汇聚节点的数据包数量随轮数时间的变化情况，如图11所示，从图中可以看出数据融合算法的引入能有效的减少网络所传输的数据包的数量，提高网络能量的利用率，延长网络的生命周期。在网络的初始阶段，没有采用数据融合时汇聚节点接收到的数据包数量要大于RBFNDFA，因为前者网络中簇头节点由于没有采用数据融合算法，网络内的簇头节点直接将接收到的簇内节点发送的所有数据包转发给汇聚节点，因此汇聚节点接收到的数据包数量是要高于RBFNDFA的，随着轮数的增加，没有采用数据融合的算法由于发送了太多的数据包导致节点能量早早的消耗殆尽，大量节点的死亡致使数据传输已经接近于零，汇聚节点接收到的总数据包数量呈现近乎停滞的状态。反观RBFNDFA算法，由于引入了数据融合，少量经过簇头节点处理过后的能够反映簇内节点信息的特征值的数据包被稳定的发送给汇聚节点，簇头节点能耗的降低使其存活时间更长，节点依旧可以正常监测环境和发送数据，汇聚节点收到的数据包的数量仍呈现上升趋势，等到网络中的节点因为能量基本耗尽而大量死亡时接收曲线逐渐趋于稳定。

Claims (3)

1.一种提高无线传感器网络能量利用率和服务性能的数据融合算法，其特征在于，具体步骤如下：

步骤一、在监测区域内随机分布N个无线传感器节点，搭建无线传感器网络；

N为整数；无线传感器网络包括一个汇聚节点和N个无线传感器节点；

步骤二、采用经典分簇算法LEACH对无线传感器网络进行分簇；

步骤三、簇内的成员节点将感应采集到的数据发送给簇头节点后，簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点；

步骤四、汇聚节点收到各个簇的数据后，抽取部分数据作为训练样本，对神经网络模型进行训练，得到神经网络参数值；

神经网络参数值包括隐层与输出层的连接权值参数，以及隐层神经元的径向基函数；以每个簇内的簇头节点和成员节点采集的数据作为一组样本；

步骤五、汇聚节点将训练后得到的神经网络参数值发送给各簇构建神经网络；

步骤六、利用神经网络对无线传感器网络簇内的各传感器节点所采集的数据信息进行数据融合验证。

2.如权利要求1所述的一种提高无线传感器网络能量利用率和服务性能的数据融合算法，其特征在于，所述的步骤三中，簇内成员节点与簇头节点间利用RBF神经网络模型处理数据；其中，成员节点作为神经网络的输入层神经元，簇头节点作为神经网络的隐层神经元和输出层神经元。

3.如权利要求1所述的一种提高无线传感器网络能量利用率和服务性能的数据融合算法，其特征在于，所述的步骤四具体为：

步骤401、对训练样本采用模糊K-means聚类算法进行聚类，并更新初始聚类中心c_i；

训练样本选用N个，选取的初始聚类中心c_i为h个，i＝1,...,h；对剩余的训练样本根据最小距离原则，进行聚类，形成h个子类a_i；

更新各聚类中心公式如下：

$c_i=\frac{1}{s_i}\underset{k=1}{\overset{s_i}{\&Sigma;}}{x}_k$

其中，s_i为第i个子类a_i中的样本数量，s_i∈N；x_k为第i个子类a_i中的样本值，k＝1,...,s_i；

步骤402、针对某个聚类中心c_i，计算该聚类中心下的每个样本属于该聚类中心的隶属度：

$\begin{array}{cc}{u}_{ij}=1-\frac{\left|\right|x_j-c_i\left|\right|}{\underset{k=1}{\overset{s_i}{\&Sigma;}}\left|\right|x_k-c_i\left|\right|}& x_j,x_k\&Element;a_i\end{array}$

U＝{u_ij∈[0,1]|i＝1,2,...,h,j＝1,2，...,s_i}

x_j表示聚类中心c_i对应的子类a_i中的第j个样本；u_ij表示样本x_j与聚类中心c_i的中心隶属度；||x_j-c_i||表示第j个样本与第i个聚类中心之间的欧式距离；

步骤403、判断c_i是否符合误差范围，如果是则进入步骤404；否则根据样本隶属度返回步骤401重新调整子类个数并继续；

误差范围根据具体实施人为规定；

步骤404、根据聚类中心的隶属度计算径向基函数的方差，进一步得到每个隐层神经元节点的输出；

第i个隐层神经元的径向基函数方差σ_i ²公式如下：

${{\mathrm{\&sigma;}}_i}^2=\frac{\underset{j=1}{\overset{s_i}{\&Sigma;}}{u}_{ij}\left|\right|x_j-c_i\left|\right|}{\underset{j=1}{\overset{s_i}{\&Sigma;}}{u}_{ij}}$

根据聚类中心c_i和径向基函数方差σ_i ²确定了径向基函数和隐层神经元的数量m；

第i'(i'＝1,...,m)个隐层神经元节点的输出b_i'(x)为：

$b_{i^{\&prime;}}\left(x\right)=\frac{\exp (-\frac{\left|\right|x-c_{i^{\&prime;}}\left|\right|}{2{\mathrm{\&sigma;}}_{i^{\&prime;}}^2})}{\underset{i^{\&prime;}=1}{\overset{m}{\&Sigma;}}\exp (-\frac{\left|\right|x-c_{i^{\&prime;}}\left|\right|}{2{\mathrm{\&sigma;}}_{i^{\&prime;}}^2})}$

步骤405、根据每个隐层神经元节点的输出，计算整个神经网络的期望输出y(x)；

$y\left(x\right)=\underset{i^{\&prime;}=1}{\overset{m}{\&Sigma;}}{\mathrm{\&omega;}}_{i^{\&prime;}}{b}_{i^{\&prime;}}\left(x\right)+\mathrm{\&theta;}$

θ为神经网络输出层的门限值，ω_i'为隐层到输出层的连接权重值，初始值为(0,1)之间的一个随机数；

步骤406、根据神经网络的实际输出结果与期望输出结果，计算神经网络的目标函数E；

$E=\frac{1}{2N}\underset{k=1}{\overset{N}{\&Sigma;}}{\&lsqb;\hat{y}\left(x_k\right)-y\left(x_k\right)\&rsqb;}^2$

其中为神经网络的实际输出结果，y(x_k)为神经网络的期望输出；

步骤407、采用梯度下降法对神经网络中隐层到输出层的连接权重值进行修正；

权值系数修正公式为：

${\mathrm{\&Delta;\&omega;}}_{i^{\&prime;}}=-\mathrm{\&eta;}\frac{\&part;E}{\&part;\hat{y}\left(x_k\right)}*\frac{\&part;\hat{y}\left(x_k\right)}{\&part;{\mathrm{\&omega;}}_{i^{\&prime;}}}$

η为学习率，η∈[0,1]；

权值的修正式为：

ω_i'←ω_i'+Δω_i'(i'＝1,2，...,m)

步骤408、判断目标函数E的结果是否小于最大训练误差ε，如果是，修正后的权值参数为训练结果；否则，返回步骤407继续修正权值；

最大训练误差ε根据实际训练人为设置。