CN106384153A - 基于ba‑bpnn数据融合的wsan执行器任务分配方法 - Google Patents

Abstract

本发明公开了一种基于BA‑BPNN数据融合的WSAN执行器任务分配方法,该方法采用BA优化的BP神经网络建立数据融合模型。具体是采用蝙蝠算法优化BP神经网络的权值和阈值，构建数据融合模型，对传感器节点信息进行数据融合，从而得出执行器节点的任务分配信息。蝙蝠算法是一种元启发式群体智能优化算法，它利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。BP神经网络是一种在训练过程中能够寻找全局最优值的多层前馈神经网络，可以加速网络收敛速率。该方法通过蝙蝠个体的位置更新来寻找BP神经网络的最优参数，数据融合更加精确，执行器任务分配更合理。

Description

基于BA-BPNN数据融合的WSAN执行器任务分配方法

技术领域

本发明专利涉及一种基于BA-BPNN数据融合的WSAN执行器任务分配方法，特别涉及一种WSAN传感器与执行器(S-A)之间协同下的执行器任务分配时，采用蝙蝠算法(BATAlgorithm，BA)优化BP神经网络的权值和阈值，构建数据融合模型，对传感器节点信息进行数据融合，从而得出执行器节点的任务分配信息的方法，属于物联网设备信息感知和控制技术领域。

背景技术

BP神经网络(BPNN)是一种在人工神经网络(ANN)基础上为了加速网络收敛速率，从而在训练过程中寻找全局最优值的多层前馈神经网络。BP神经网络遵循ANN的基本原则——模拟人脑神经的学习过程。和ANN的结构相似，BP神经网络包含输入层、隐含层和输出层，每一层的节点都会与相邻层的各个节点之间相互连接，但是同一层的神经元之间无连接。BP神经网络的基本原理是梯度最速下降法，即通过调整各层之间的权值和阈值从而使得网络总误差最小。由于BP神经网络的适应性强、学习速度快，因此BP神经网络在各个领域都应用广泛，在国民经济的发展中起到至关重要的作用。

蝙蝠算法由X.S.Yang在2010年被提出，是一种元启发式群体智能优化算法。蝙蝠算法利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。

在无线传感器执行器网络(WSAN)中，节点之间的协同分为三种，即传感器与传感器之间的协同(S-S协同)，传感器与执行器之间的协同(S-A协同)和执行器与执行器之间的协同(A-A协同)。其中，S-A协同分为两种情况。即单执行器(SA)和多执行器(MA)。单执行器是指只有一个执行器可以接受事件区域信息，多执行器是指多个执行器接收事件区域的信息。SA中不存在上述的A-A协同，即执行器与执行器之间的协同，所以事件的反应速度快，但是事件区域中的传感器节点就需要通过复杂的分布来确定执行器节点及其相应的事件响应机制，从而会增大能量损耗。MA中，传感器节点则各自决定将数据传送给哪个执行器，可以不进行S-S协同，但这样不仅会导致信息重复发送导致冗余，而且还可能激活不必要的执行器节点。数据融合技术是一种数据综合和处理技术，它将多源信息综合处理后，从而得到更加准确、简洁的结论。因此，在S-A协同中加入数据融合技术，通过在融合网络中加入传感器节点信息，得出执行器节点的工作状态，从而有效解决上述缺陷。

在无线传感器执行器网络中，采用数据融合技术，对来自多传感器的信息进行融合后，可以得出精确的任务执行信息供执行器节点执行，从而有效地防止因传感器信息冗余导致的执行器节点错误接受信息、错误信息判断以及因此而带来的能量损耗增多等现象。因此本发明采用蝙蝠算法优化的BP神经网络系统(BA-BPNN)进行数据融合，与其他BP神经网络相比，不仅能够克服BP神经网络容易进入局部最优的缺陷，而且整个网络收敛速度快、运算效率和识别精度也大大增加。

发明内容

为了解决上述技术问题，本发明提出了一种基于BA-BPNN数据融合的WSAN中执行器任务分配方法。

为了达到上述目的，本发明所采用的技术方案是：

一种基于BA-BPNN数据融合的WSAN执行器任务分配方法，包括以下步骤：

步骤一：收集WSAN传感器节点采集的信息，并对其进行预处理操作。

步骤二：对处理后的WSAN传感器节点信息进行简要主成分分析。

步骤三：初始化BP神经网络参数，设置神经网络的输入层节点数、输出层节点数以及隐含层节点数的数值。

步骤四：初始化蝙蝠种群，初始化整个种群的蝙蝠个体数量N，每个蝙蝠个体的最大音量A₀和最大脉冲频率R₀，随机生成每个蝙蝠个体的初始位置x₀和初始速度v₀；初始化蝙蝠种群回声定位的最大频率f_max和最小频率f_min，整个种群的最大迭代次数it_max和模型的误差精度

步骤五：当完成一次迭代后，根据BP神经网络的权值和阈值调整式对当前搜索的局部最优值和全局最优值进行更新。

步骤六：利用位置更新公式和速度更新公式对蝙蝠个体的位置x_i和速度进行更新v_i；用蝙蝠种群频率更新公式F_i＝F_min+(F_max-F_min)·θ更新频率f_i。

其中，θ∈[0,1]，是一个均匀分布的随机数；F_i是第i只蝙蝠的搜索脉冲频率，并且F_i∈[F_min,F_max]，和分别第i只蝙蝠在t和t-1时刻的速度；和分别第i只蝙蝠在t和t-1时刻的位置；x^*表示当前迭代循环下的搜索最优解。

步骤七：随机生成一个均匀分布的随机数ω，如果ω＜A_i，并且满足F(x_i)＜F(x^*)，则接受步骤五中的最优解，并且根据式和式对整个种群的音量和脉冲频率进行更新。

一般情况下，其中，整个搜索过程的搜索频率增强系数为δ∈[0,1]，音量衰减系数为σ∈[0,1]。

步骤八：根据模型适应度函数对整个蝙蝠种群的适应度值S进行计算并排序，得到全局最优解下的适应度值若适应度满足或者程序迭代次数已经到达最大迭代次数it_max，则迭代结束，程序终止，进行步骤九；否则，则继续迭代并转到步骤五。

步骤九：输出最后蝙蝠个体全局最优位置下的权值和阈值，并赋给BP神经网络的初始化权值和阈值。

步骤十：建立最终的数据融合模型，将训练后的网络输出结果进行处理之后，最终得到WSAN网络执行器节点的任务信息。

整个WSAN主要存在执行器、传感器和汇聚节点三种节点，选用网状结构搭建，采用基于树的数据融合算法，对不同树的传感器节点信息进行数据融合后，再通过汇聚节点将融合信息发送至执行器节点。

BP神经网络包含输入层、隐含层和输出层，每一层的节点都会与相邻层的各个节点之间相互连接，但是同一层的神经元之间无连接。它的基本原理是梯度最速下降法，即通过调整各层之间的权值和阈值从而使得网络总误差最小。

对于隐含层的设计，在BP网络中满足对于任何在闭区间内的一个连续函数都可以用单层的BP神经网络逼近。因而对于一个三层BP神经网络就可以完成任意的N维到M维的映射。所以，一般隐含层节点数遵循公式：

$N_h=\sqrt{M+N}+A$

其中，N_h代表网络隐含层节点数，N代表输出层节点数，M表示输入层节点数，A是一个常数且满足A∈[1,10]。

在BP网络开始工作之前，最主要的就是选择网络合适的参数，BP神经网络权值和阈值的调整公式如下所示：

$w_{ij}(k+1)=w_{ij}k+\mathrm{\μ}{\∂}_j{y}_i$

$b_i(k+1)=b_{i}k+\mathrm{\μ}{\∂}_j$

其中，w_ij(k+1)和w_ij(k)分别为隐含层节点i和隐含层节点j之间的连接权值；b_i(k+1)和b_ik是输出节点到隐含层节点的阈值；y_i为输出向量，μ和分别是网络的学习参数和输出层与隐含层之间的误差。

蝙蝠算法利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。整个算法终止条件有两个，即算法达到要求的搜索误差精度或者是算法达到最大的种群迭代次数。

当整个BA-BP神经网络训练完毕后，为保证整个算法的运算精度，需考虑蝙蝠种群个体的适应度，本模型的适应度函数规定如下：

$S\left(x_i\right)=\frac{1}{n_l}{\mathrm{\Σ}}_{k=1}^{n_l}(R_{lk}-H_{lk})$

其中，n_l表示第l次迭代时的样本数量，R_lk和H_lk分别表示k个训练样本在第l只蝙蝠个体所确定的网络参数的实际输出与期望输出。

本发明所达到的有益效果：本发明采用蝙蝠算法(BA)优化BP神经网络(BPNN)的权值和阈值，构建数据融合模型，对传感器节点信息进行数据融合，从而得出执行器节点的任务分配信息，具有实用价值。蝙蝠算法是一种元启发式群体智能优化算法，它利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。BP神经网络是一种在训练过程中能够寻找全局最优值的多层前馈神经网络，可以加速网络收敛速率。通过蝙蝠个体的位置更新来寻找BP神经网络的最优参数，数据融合更加精确，从而达到算法目的。

附图说明

图1为BA-BPNN数据融合模型设计流程图；

图2为BA-BP神经网络训练设置图；

图3为BA-BP神经网络训练进程图；

图4为BA-BPNN数据融合模型最终结果曲线图。

具体实施方式

下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明发明的技术方案，而不能以此来限制本发明的保护范围。

BA-BPNN数据融合模型性能的评价标准为：运行速度和执行器节点任务信息分配误差。其中误差公式如下：

$REA={\mathrm{\Σ}}_{l=1}^n\[{\left(realout\right(i)-meanout(i)\]}^2$

其中，REA表示识别误差系数，n表示样本总数，realout(i)表示模型实际输出，meanout(i)表示网络期望输出。

如图1所示，基于BA-BPNN数据融合的WSAN执行器任务分配方法，包括以下步骤：

步骤一：收集WSAN传感器节点采集的信息，并对其进行预处理操作。

步骤二：对处理后的WSAN传感器节点信息进行简要主成分分析。

步骤三：初始化BP神经网络参数，设置神经网络的输入层节点数、输出层节点数以及隐含层节点数的数值。

隐含层节点数遵循公式：

其中，N_h代表网络隐含层节点数，N代表输出层节点数，M表示输入层节点数，A是一个常数且满足A∈[1,10]。

步骤四：初始化蝙蝠种群，初始化整个种群的蝙蝠个体数量N，每个蝙蝠个体的最大音量A₀和最大脉冲频率R₀，随机生成每个蝙蝠个体的初始位置x₀和初始速度v₀；初始化蝙蝠种群回声定位的最大频率f_max和最小频率f_min，整个种群的最大迭代次数it_max和模型的误差精度

步骤五：当完成一次迭代后，根据BP神经网络的权值和阈值调整式对当前搜索的局部最优值和全局最优值进行更新。

BP神经网络权值和阈值的调整公式如下所示：

$w_{ij}(k+1)=w_{ij}k+\mathrm{\μ}{\∂}_j{y}_i$

$b_i(k+1)=b_{i}k+\mathrm{\μ}{\∂}_j$

其中，w_ij(k+1)和w_ij(k)分别为隐含层节点i和隐含层节点j之间的连接权值；b_i(k+1)和b_ik是输出节点到隐含层节点的阈值；y_i为输出向量，μ和分别是网络的学习参数和输出层与隐含层之间的误差。

步骤六：利用位置更新公式和速度更新公式对蝙蝠个体的位置x_i和速度进行更新v_i；用蝙蝠种群频率更新公式F_i＝F_min+(F_max-F_min)·θ更新频率f_i。

其中，θ∈[0,1]，是一个均匀分布的随机数；F_i是第i只蝙蝠的搜索脉冲频率，并且F_i∈[F_min,F_max]，和分别第i只蝙蝠在t和t-1时刻的速度；和分别第i只蝙蝠在t和t-1时刻的位置；x^*表示当前迭代循环下的搜索最优解。

步骤七：随机生成一个均匀分布的随机数ω，如果ω＜A_i，并且满足F(x_i)＜F(x^*)，则接受步骤五中的最优解，并且根据式和式对整个种群的音量和脉冲频率进行更新。

一般情况下，其中，整个搜索过程的搜索频率增强系数为δ∈[0,1]，音量衰减系数为σ∈[0,1]。

步骤八：根据模型适应度函数对整个蝙蝠种群的适应度值S进行计算并排序，得到全局最优解下的适应度值若适应度满足或者程序迭代次数已经到达最大迭代次数it_max，则迭代结束，程序终止，进行步骤九；否则，则继续迭代并转到步骤五。

为保证整个算法的运算精度，需考虑蝙蝠种群个体的适应度，本模型的适应度函数规定如下：

$S\left(x_i\right)=\frac{1}{n_l}{\mathrm{\Σ}}_{k=1}^{n_l}(R_{lk}-H_{lk})$

其中，n_l表示第l次迭代时的样本数量，R_lk和H_lk分别表示k个训练样本在第l只蝙蝠个体所确定的网络参数的实际输出与期望输出。

步骤九：输出最后蝙蝠个体全局最优位置下的权值和阈值，并赋给BP神经网络的初始化权值和阈值。

步骤十：建立最终的数据融合模型，将训练后的网络输出结果进行处理之后，最终得到WSAN网络执行器节点的任务信息。

实施例：

为了进一步说明上述方法，本发明以预装式变电站WSAN中S-A协同下的执行器任务分配问题为例，在预装式变电站WSAN系统中，温湿度传感器构成系统的传感器节点，执行器由呼吸器和散热器组成，若节点数较多，为了防止数据冗余，以提高网络运行效率，对执行器节点进行任务分配显得尤为重要。本发明选取的数据融合对象是含16个传感器节点和4个执行器节点的WSAN网络。对于整个BP网络来说，由于输出是执行器节点的任务分配信息，因此整个数据模型的最终期望输出如下表1所示。

表1数据融合模型期望输出

执行器任务信息	期望输出
		执行器节点1	1
执行器节点2	2
		执行器节点3	3
执行器节点4	4

对于整个BP神经网络的输入即为数据融合模型的输入，考虑到整个模型的运行效率和网络的复杂度，将16个传感器节点数据通过特征提取后，会进行层次分析出4个主要特征最终送入BP神经网络中。整个模型样本分布情况如表2所示。

蝙蝠算法的参数设置为，初始种群数量为N＝50，最大迭代次数为100，最大脉冲音量为1，脉冲发射率为1，音量衰减系数为0.9，搜索频率为0.9，种群回声定位频率最大为2，最小为1。

表2模型样本分布表

期望输出	含义	训练样本	测试样本
				1	执行器1进行工作	4	1
2	执行器2进行工作	4	1
				3	执行器3进行工作	4	1
4	执行器4进行工作	4	1

BA-BP神经网络训练图如图2、图3所示，整个网络在训练到第2步的时候就已经达到了预期精度要求。BA-BPNN数据融合训练模型出来的结果如图4所示，其中实线表示数据融合模型期望的输出，而带实心端点的虚线则表示数据融合模型实际输出。可以看出重合率很高，经误差公式计算，整个模型的识别误差系数为14.6，整个程序运行时间为10.8s。

上述方法蝙蝠算法是一种元启发式群体智能优化算法，它利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。上述方法BP神经网络是一种在训练过程中能够寻找全局最优值的多层前馈神经网络，可以加速网络收敛速率。上述方法通过蝙蝠个体的位置更新来寻找BP神经网络的最优参数，数据融合更加精确，从而达到算法目的。

综上所述，本发明采用蝙蝠算法(BAT Algorithm，BA)优化BP神经网络(BPNN)的权值和阈值，构建数据融合模型，对传感器节点信息进行数据融合，从而得出执行器节点的任务分配信息，具有实用价值。

以上所述仅为本发明的优选实施方式，应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于BA-BPNN数据融合的WSAN执行器任务分配方法，其特征在于：包括以下步骤，

步骤一：收集WSAN传感器节点采集的信息，并对其进行预处理操作；

步骤二：对处理后的WSAN传感器节点信息进行简要主成分分析；

步骤三：初始化BP神经网络参数，设置神经网络的输入层节点数、输出层节点数以及隐含层节点数的数值；

步骤四：初始化蝙蝠种群，初始化整个种群的蝙蝠个体数量N，每个蝙蝠个体的最大音量A₀和最大脉冲频率R₀，随机生成每个蝙蝠个体的初始位置x₀和初始速度v₀；初始化蝙蝠种群回声定位的最大频率f_max和最小频率f_min，整个种群的最大迭代次数it_max和模型的误差精度

步骤五：当完成一次迭代后，根据BP神经网络的权值和阈值调整式对当前搜索的局部最优值和全局最优值进行更新；

步骤六：利用位置更新公式和速度更新公式对蝙蝠个体的位置x_i和速度进行更新v_i；用蝙蝠种群频率更新公式F_i＝F_min+(F_max-F_min)·θ更新频率f_i；

其中，θ∈[0,1]，是一个均匀分布的随机数；F_i是第i只蝙蝠的搜索脉冲频率，并且F_i∈[F_min,F_max]，和分别第i只蝙蝠在t和t-1时刻的速度；和分别第i只蝙蝠在t和t-1时刻的位置；x^*表示当前迭代循环下的搜索最优解；

步骤七：随机生成一个均匀分布的随机数ω，如果ω＜A_i，并且满足F(x_i)＜F(x^*)，则接受步骤五中的最优解，并且根据式和式对整个种群的音量和脉冲频率进行更新；

其中，整个搜索过程的搜索频率增强系数为δ∈[0,1]，音量衰减系数为σ∈[0,1]；

步骤八：根据模型适应度函数对整个蝙蝠种群的适应度值S进行计算并排序，得到全局最优解下的适应度值若适应度满足或者程序迭代次数已经到达最大迭代次数it_max，则迭代结束，程序终止，进行步骤九；否则，则继续迭代并转到步骤五；

步骤九：输出最后蝙蝠个体全局最优位置下的权值和阈值，并赋给BP神经网络的初始化权值和阈值；

步骤十：建立最终的数据融合模型，将训练后的网络输出结果进行处理之后，最终得到WSAN网络执行器节点的任务信息。

2.根据权利要求1所述的基于BA-BPNN数据融合的WSAN执行器任务分配方法，其特征在于：所述步骤一中WSAN传感器节点包括执行器、传感器和汇聚节点三种节点，选用网状结构搭建，采用基于树的数据融合算法，对不同树的传感器节点信息进行数据融合后，再通过汇聚节点将融合信息发送至执行器节点。

3.根据权利要求1所述的基于BA-BPNN数据融合的WSAN执行器任务分配方法，其特征在于所述步骤三中的隐含层节点数遵循公式：

$N_h=\sqrt{M+N}+A$

其中，N_h代表网络隐含层节点数，N代表输出层节点数，M表示输入层节点数，A是一个常数且满足A∈[1,10]。

4.根据权利要求1所述的基于BA-BPNN数据融合的WSAN执行器任务分配方法，其特征在于所述步骤五中的BP神经网络权值和阈值的调整公式如下所示：

$w_{ij}(k+1)=w_{ij}k+\mathrm{\μ}{\∂}_j{y}_i$

$b_i(k+1)=b_{i}k+\mathrm{\μ}{\∂}_j$

其中，w_ij(k+1)和w_ij(k)分别为隐含层节点i和隐含层节点j之间的连接权值；b_i(k+1)和b_ik是输出节点到隐含层节点的阈值；y_i为输出向量，μ和分别是网络的学习参数和输出层与隐含层之间的误差。

5.根据权利要求1所述的基于BA-BPNN数据融合的WSAN执行器任务分配算方法，其特征在于：

所述步骤八中的模型适应度函数如下：

$S\left(x_i\right)=\frac{1}{n_l}{\mathrm{\Σ}}_{k=1}^{n_l}(R_{lk}-H_{lk})$

其中，n_l表示第l次迭代时的样本数量，R_lk和H_lk分别表示k个训练样本在第l只蝙蝠个体所确定的网络参数的实际输出与期望输出。