CN111553469B - 一种无线传感器网络数据融合方法、装置和存储介质 - Google Patents
一种无线传感器网络数据融合方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111553469B CN111553469B CN202010419062.1A CN202010419062A CN111553469B CN 111553469 B CN111553469 B CN 111553469B CN 202010419062 A CN202010419062 A CN 202010419062A CN 111553469 B CN111553469 B CN 111553469B
- Authority
- CN
- China
- Prior art keywords
- neural network
- cluster
- particle
- wireless sensor
- sensor network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 17
- 241000254173 Coleoptera Species 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000006854 communication Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000010845 search algorithm Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 43
- 230000006399 behavior Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 10
- 241001481710 Cerambycidae Species 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 238000007499 fusion processing Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器网络数据融合方法,包括步骤:(1)一轮分簇路由通信开始,簇首记录簇内节点信息并传输至基站节点;(2)基站确定BP神经网络结构;(3)基站选取适当样本数据集,用天牛须搜索算法对粒子群算法进行改进,得到对应簇集的BP神经网络连接权值和阈值参数,再发送至各簇集节点内并存储;(4)每个簇集根据接收到的参数报文构建对应的BP神经网络,簇首节点对簇内成员节点上传的数据进行融合处理并将结果传输至基站节点,完成一轮分簇路由通信。本发明还公开了一种基于上述方法的装置及计算机可读存储介质。本发明克服了BP神经网络收敛速度慢、对初值敏感且易陷入局部最优解的问题,减少了网络冗余数据传输。
Description
技术领域
本发明涉及数据融合领域,特别是涉及一种无线传感器网络数据融合方法、装置和存储介质。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)是由集成信息采集、数据处理和无线通信等多种功能的传感器节点通过无线通信的方式组成的一种分布式自组织无线网络。由于WSN具有自组织,低功耗等优点,被广泛应用在工业、医疗、物联网等领域。但WSN传感器节点资源和能量有限,因此需要设计高效的WSN网络协议以提高能量资源利用效率。
在无线传感器网络中,传感器节点在监测区域部署较密,因此在监测范围会产生大量冗余数据。假设节点将所有数据都传输至汇聚节点,会出现能耗较高并且易产生传输冲突堵塞现象。为减少冗余数据,提高能耗效率,传感器节点被赋予数据融合能力,可以对多个传感器节点数据进行数据融合处理,从而提高传输效率,节省网络能耗,获取准确信息。
数据融合的概念最初是在70年代被提出,一开始是只被应用于军事领域,例如指令控制通信系统是利用数据融合技术对战争信息进行处理,从而成功地获取战争准确信息。随着科技的进步,数据融合技术的相关研究得到世界各国学者和科研技术人员的关注,在各种学术会议和学术期刊都有数据融合技术领域的研究成果。
在无线传感器网络数据融合算法中,传统采用反向传播BP(Back Propagation)神经网络,它是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。
BP神经网络由输入层、隐藏层、输出层组成,它利用学习机制来存储输入和输出的映射关系,其权值和阈值参数通常采用反向传播的策略,借助最速梯度信息来获得使网络误差最小化的参数组合,有很强的非线性映射能力、自学习和自适应能力、泛化能力和容错能力。
基于BP神经网络的数据融合算法将BP神经网络应用到分簇路由协议中进行特征提取,从而减少冗余数据,减缓节点死亡时间。但是BP神经网络对于初始权值和阈值很敏感,易陷入局部极小值。
基于遗传算法(GA,Genetic Algorithm)的BP神经网络数据融合算法GA-BP利用遗传算法对BP神经网络的权值和阈值参数进行优化,能有效减少冗余数据,延长网络生命周期。但遗传算法存在搜索能力较差,求解速度较慢的缺陷。
基于粒子群优化BP神经网络的WSN数据融合算法PSO-BP,利用粒子群算法优化BP神经网络参数,将优化后的BP神经网络和传感器网络分簇路由协议有机结合,能有效提升数据融合效率,均衡网络能耗。但是由于种群在搜索空间中会丢失多样性,该算法存在易陷入局部最优解的缺点。
综上所述,传统BP神经网络应用于无线传感器网络中存在训练困难、易陷入局部最优解的缺陷,GA-BP算法寻优效果受种群初始分布影响较大,求解速度缓慢,PSO-BP算法中粒子群缺乏多样性,还有较大优化空间。
发明内容
发明目的:本发明的目的是提供一种收敛速度快、融合效率高且稳定的无线传感器网络数据融合方法。本发明的另一目的是提供基于该方法的装置和计算机存储介质。
技术方案:本发明所述的无线传感器网络数据融合方法,包括如下步骤:
(1)一轮分簇路由通信开始,簇首节点更新,进行新的分簇,簇首记录簇内节点信息并传输至基站节点;
(2)基站根据簇集信息确定BP神经网络结构,所述簇集信息包括待更新簇头的簇;
(3)基站选取与待更新的当前簇相匹配的样本数据集,结合基于天牛须搜索算法改进的粒子群算法对BP神经网络进行训练优化,以得到对应簇集的BP神经网络连接权值和阈值参数;
(4)基站将相应簇集的BP神经网络连接权值和阈值参数发送至各簇集节点内,并存储参数供下次使用;
(5)每个簇集根据接收到的BP神经网络连接权值和阈值参数报文构建对应的BP神经网络,簇首节点对簇内成员节点上传的数据进行特征提取,并将融合后的特征结果传输至基站节点,一轮分簇路由通信完成。
进一步地,步骤(3)中,所述结合基于天牛须搜索算法改进的粒子群算法对BP神经网络进行训练优化,包括如下步骤:
(31)无线传感器网络分簇后,计算搜索空间维度:
D=M*N+N*1+N+1
其中,M为每个簇内成员节点个数,也是BP神经网络输入层神经元个数;N为隐藏层神经元个数;1表示输出层神经元个数;
(32)初始化n个粒子的初始位置向量x1,...,xn,其中xi=(xi1,xi2,...,xiD)为第i个粒子的D维搜索向量,包含了BP神经网络中输入层和隐藏层的权值,以及隐藏层和输入层的阈值;
(33)定义适应度函数f(xi),对样本数据进行融合;
(34)计算粒子的适应度函数值,获取每个粒子个体需要记忆自身搜寻的最佳位置,将第i个粒子自身搜寻过的最佳位置记作pbestid=(pi1,pi2,...,piD),群体搜寻到的最佳位置记作gbestd=(g1,g2,...,gD);
(35)更新天牛左右须搜索空间位置,并分别计算f(xl)和f(xr),其中,xl为左侧触须在搜索区域的位置;xr为右侧触须在搜索区域的位置;
(36)计算搜索行为增量;
(37)更新粒子速度和位置;
(38)判断是否到达迭代次数或者当前位置的适应度函数值是否达到理想值,如果满足迭代停止条件,进入下一步骤,否则返回步骤(34);分别更新惯性权重w、学习因子c1和c2以及天牛搜索行为增量的权重因子λ;
(39)将种群的最佳位置gbestd作为BP神经网络最佳初始权值和阈值,BP神经网络利用gbestd作为初始参数进行训练学习直至权值和阈值参数确定。
进一步地,所述适应度函数为样本数据的均方根误差(RMSE):
其中,m为BP神经网络样本数据训练条目数量,traini是第i个样本数据的融合预测结果,yi为第i个样本数据的实测值。
进一步地,所述天牛左右须搜索空间位置的更新公式为:
进一步地,所述步骤(36)包括:依照如下公式计算搜索行为增量:
进一步地,所述步骤(37)包括:依照如下公式更新粒子速度:
其中,w为惯性权重,用于反映粒子的运动习惯;
按照如下公式更新粒子位置:
其中,λ为搜索行为增量权重因子,其赋值如下:
λ=(λmax-λmin)(1-iter/maxgen)+λmin
其中,λmax和λmin为常数,分别代表增量权重因子λ的上下限值;iter和maxgen分别为当前迭代次数和总迭代次数。
进一步地,所述惯性权重w以凸函数方式递减。
进一步地,步骤(38)中,所述更新惯性权重w、学习因子c1和c2的公式如下:
其中,wmax和wmin分别为惯性权重上下限值,iter和maxgen分别为当前迭代次数和总迭代次数;c1和c2为学习因子,c1表示粒子对自身历史经验的学习,c2表示粒子对共享的群体历史经验的学习;cm和cn为常数,满足cm>cn。
本发明所述的无线传感器网络数据融合的装置包括:存储器、处理器及在所述存储器上存储并可运行的无线传感器网络数据融合的程序,所述无线传感器网络数据融合的程序被处理器执行时上述无线传感器网络数据融合方法的步骤。
本发明所述的计算机可读存储介质上存储有无线传感器网络数据融合的程序,当程序被处理器执行时可实现上述无线传感器网络数据融合方法的步骤。
有益效果:本发明克服了传统BP神经网络收敛速度慢、对初值敏感且易陷入局部最优解的问题。同时,通过优化后的BP神经网络提取数据特征,并进行融合,减少冗余数据传输,延长网络生命周期。
附图说明
图1为本发明具体实施方式的BSO-BP算法工作流程图;
图2为本发明具体实施方式的四种不同算法融合结果比较图;
图3为本发明具体实施方式的为三种不同算法迭代收敛对比图;
图4为本发明具体实施方式的三种不同算法网络生命周期对比图。
具体实施方式
下面结合附图和具体实施方式,对本发明的技术方案作进一步的介绍。
本发明以寻优性能和融合精度的优化为目标,提出一种无线传感器网络数据融合方法,利用优化后的粒子群算法对BP神经网络的初始权值和阈值参数进行优化,得到的全局较优解作为BP神经网络结构参数的初始值并进行进一步优化训练,从而克服了BP神经网络训练极易陷入局部最优解的缺陷,避免了传统BP神经网络初始权值和阈值参数随机选取导致的网络震荡,提高了BP神经网络的泛化能力和收敛能力。
粒子群(PSO)算法是一种基于鸟类群体的社会行为的群体优化算法,通过群体信息共享机制寻找当前最优值以获取全局最优值。每个粒子的行为模仿鸟类飞行,粒子位置根据自身的惯性速度,历史经验以及群体社会经验来进行寻优更新,寻优公式如下:
其中,d=1,2,…,D(D表示粒子总维度),i=1,2,…,N(N为粒子群粒子数量),k为当前迭代次数,表示第k次迭代时粒子i的第d维位置矢量,/>表示第k次迭代时粒子i的第d维速度矢量,w为惯性权重,c1和c2为加速度常数,r1和r2为两个取值范围为[0,1]的随机函数。/>表示粒子i的历史最优适应度在第k次迭代中的第d维位置,/>表示群体粒子的历史最优适应度在第k次迭代中的第d维位置矢量。
天牛须搜索算法的搜索行为对于PSO算法有很大作用,赋予PSO算法中粒子天牛搜索行为特性,可以有效增加粒子种群变化的多样性,克服PSO算法寻优过程中易陷入局部最优的问题。本发明根据基于适应度值的轮盘赌算法选取多个粒子进行天牛须搜索。粒子群搜索初期,具有天牛搜索行为的粒子能使种群更具多样性,扩展了寻找最优解的范围,避免陷入局部最优解,随着迭代次数增加,粒子群越来越收敛,此时应减少具有天牛搜索行为的粒子数量,有利于减少计算量,快速收敛。在对粒子群的寻优计算中添加天牛须搜索行为增量:
其中,w为惯性权重反映了粒子的运动习惯,理论上,w取值较小时局部搜索能力较强,w取值较大可以增强全局搜索能力。本发明中惯性权重w采用凸函数递减法。数量的减少,天牛搜索行为增量权重也应当降低,因此搜索行为增量权重因子λ的赋值如下:
λ=(λmax-λmin)(1-iter/maxgen)+λmin
λ为增量的权重因子。搜索前期,增量权重较大有利于增加全局搜索能力,后期随着粒子数量的减少,增量权重也应当降低,因此搜索行为增量权重因子的赋值做了修改。λmax和λmin为常数,分别代表增量权重因子的上下限值。
WSN分簇路由算法中需要定期更新簇首以平衡能耗,相应的簇集也需动态更新,簇首的变化会导致簇内BP神经网络结构的变化,BP神经网络进行数据融合需要权值和阈值参数,因此簇首更新后,在WSN进入自治工作状态前,BP神经网络的参数也需更新替换。WSN中传感器节点运算能力、节点能力以及存储能力有限,因此参数的训练更新在基站节点进行。将改进后的粒子群算法应用于WSN分簇路由BP神经网络数据融合中,算法整体步骤如下:
步骤1:每轮簇首节点更新,新的分簇形成后,簇首记录簇内节点信息并传输至基站节点。
步骤2:基站根据簇集信息确定BP神经网络结构。
步骤3:基站选取与当前待更新簇头的簇集相匹配的样本数据集,结合改进后的PSO算法对BP神经网络进行训练优化,以得到对应簇集的BP神经网络连接权值和阈值参数。
步骤4:基站将相应簇集的BP神经网络连接权值和阈值参数发送至各簇集节点内,并存储参数供下次使用。
步骤5:每个簇集根据接收到的连接权值和阈值参数报文构建对应的BP神经网络,簇首节点对簇内成员节点上传的数据进行融合处理并将结果传输至基站节点。至此,完成一轮分簇路由通信过程。
上述步骤3中改进PSO算法优化BP神经网络算法的目的是优化BP神经网络的权值阈值参数,获得一个全局优化解。将全局优化解作为BP神经网络的初始权值和阈值参数,BP神经网络进一步训练优化,以获得全局最优参数。这样,克服了BP神经网络由于初始权值选取的随机性导致的收敛性不佳,训练时间较长,易陷入局部最优解等缺陷,提高了BP神经网络的收敛能力和求解精度。
改进PSO算法优化BP神经网络算法工作流程如图1所示(下称BSO-BP算法),具体实现步骤如下:
Step1:确定搜索空间维度。WSN分簇形成后,每个簇内成员节点个数即是输入层神经元个数M,隐藏层神经元个数为N,输出层神经元个数为1。因此,搜索空间维度D=M*N+N*1+N+1。
Step2:初始化设置。初始化n个粒子的初始位置向量xi(i=1,2,...,n),其中xi=(xi1,xi2,...,xiD)为第i个粒子的D维搜索向量,包含了BP神经网络中输入层和隐藏层的权值,以及隐藏层和输入层的阈值;初始化n个粒子的速度向量vi(i=1,2,...,n),其中,vi=(vi1,vi2,...,viD)为第i个粒子的速度向量;初始化速度变化范围初始化最大迭代次数K。
Step3:定义适应度函数。对样本数据进行融合,根据样本数据的均方根误差(RMSE)作为适应度函数:
其中,m为为样本数据训练条目数量,traini是第i个样本数据的融合预测结果,yi为第i个样本数据的实测值。
Step4:计算粒子的适应度函数值。每个粒子个体需要记忆自身搜寻的最佳位置,第i个粒子自身搜寻过的最佳位置记作pbestid=(pi1,pi2,...,piD),群体搜寻到的最佳位置记作gbestd=(g1,g2,...,gD)。
Step5:根据如下公式分别计算天牛右侧、左侧触须在搜索空间中的位置:
并分别计算f(xl)和f(xr)。
Step6:根据公式计算搜索行为增量:
Step7:更新粒子速度:
更新粒子位置:
Step8:迭代控制。判断是否到达迭代次数或者当前位置的适应度函数值是否达到理想值,如果满足迭代停止条件,则进行下一步骤,否则继续从Step 4迭值参数确定。
根据如下公式分别更新惯性权重w、学习因子c1和c2以及天牛搜索行为增量的权重因子λ:
λ=(λmax-λmin)(1-iter/maxgen)+λmin
其中,λmax和λmin为常数,分别代表增量权重因子λ的上下限值;iter和maxgen分别为当前迭代次数和总迭代次数。
Step9:训练BP神经网络。种群最佳位置gbestd即是BP神经网络最佳初始权值和阈值,BP神经网络利用gbestd作为初始参数进行训练学习直至权值和阈值参数确定。
为验证算法数据融合性能,本专利采用森林火灾面积数据集为研究样本[?58],该数据集提供了多项气象数据包括温度、湿度、风速、降雨量等以及对应的森林火灾面积数据。WSN通过采集气象数据能有效监测小型火灾,对保障森林安全有重要意义。本专利实施例中,BP神经网络模型为4输入,1输出的单隐藏层结构。选取数据集中传感器监测到的四项气象数据(温度、湿度、风速、降雨量)作为BP输入层参数,森林火灾面积数据作为输出层参数。隐藏层神经元的数量关系到网络的学习信息处理能力和结构复杂性,因此需要选择合适的隐藏层神经元数目:
隐藏层神经元数量取值范围为[4,12],表1为不同神经元数量下的融合误差MSE值对比结果。比较不同隐藏层神经元数量下的融合误差MSE值,隐藏层神经元数量设置为7时,融合误差MSE值最小,因此,本专利中BP神经网络确定为4输入7节点单隐层和1个输出的网络模型结构,待优化参数个数为4×7+7+7×1+1=43。
表1隐藏层神经元数量与MSE值
隐藏层神经元数量 | 误差MSE值 |
4 | 0.5439 |
5 | 0.5149 |
6 | 0.4180 |
7 | 0.3598 |
8 | 0.4072 |
9 | 0.4577 |
10 | 0.5657 |
11 | 0.5814 |
12 | 0.6057 |
(1)融合精度
融合精度采用平均相对误差(Average Relative Error,AvRE)、均方根误差(RootMean Squared Error,RmSE)以及拟合优度(Goodness of Fit,R2)作为评价指标。本专利通过实验综合比较BSO-BP算法和BP算法、GA-BP算法以及PSO-BP算法的融合精度,图2是四种算法的融合结果对比图,横坐标为测试样本数;纵坐标表示融合结果值。由图可知,BSO-BP算法的融合结果明显优于传统BP数据融合算法,曲线和实际值曲线拟合程度较好,融合结果和实际值差距较小,融合结果震荡较小,相比GA-BP算法和PSO-BP算法也有大改善。
表2是四种算法的详细评价指标对比结果表。从表2可以看出BSO-BP算法在平均相对误差、均方根误差以及拟合优度三个方面都优于其他三种算法,BSO-BP算法和传统BP算法相比,平均相对误差和均方根误差分别减少12.89%和15.79%,相较于PSO-BP算法,减少了4.11%的平均相对误差和5.84%的均方根误差。BSO-BP算法克服了BP神经网络易陷入局部最优解的缺陷,增加了粒子群算法的种群搜索空间多样性,解决了粒子群算法早熟收敛的问题,因此BSO-BP算法相比其他算法有更好的数据融合效果。
表2四种算法的详细评价指标对比结果表
评价指标 | BP | GA-BP | PSO-BP | BSO-BP |
AvRE | 0.4603 | 0.4407 | 0.3725 | 0.3314 |
RmSE | 0.5782 | 0.5011 | 0.4203 | 0.3619 |
R2 | 0.7883 | 0.8359 | 0.8976 | 0.9176 |
(2)迭代收敛对比
为测试BSO-BP算法的收敛性能,选择与GA-BP算法和PSO-BP算法进行收敛性能仿真对比。图3为三种算法迭代收敛对比图,横坐标为迭代次数;纵坐标表示最佳适应度值。由图可知,GA-BP算法经大约过55代迭代收敛至最佳适应度值附近,PSO-BP算法大约经过46代能收敛值全局最优解附近,而BSO-BP算法在大约第35次迭代时就收敛,相比GA-BP和PSO-BP算法收敛速度提高,并且能寻找到更优的最佳适应度值。结果表明,将天牛须搜索算法中的天牛搜索行为增加到粒子群算法的粒子特性中能有效地增加寻优空间,避免陷入局部最优,提高收敛速度和寻优性能,可以高效地优化BP神经网络的初始参数。
(3)网络生命周期
定义WSN生命周期为目标监测区域内覆盖率到达容忍下限值的时间。本专利设定网络存活节点低于85%时,覆盖率达到容忍值,此时的数据可靠性下降,需要补充传感器节点能量。图4为三种算法网络生命周期对比图,横坐标为轮次,代表时间;纵坐标表示节点存活数。由图4可以见:当存活节点数到达85%的阈值时,LEACH协议网络运行至700轮左右,BSO-BP算法和BP算法网络运行至830轮左右,相比LEACH协议延长了18.5%,这是由于BSO-BP算法和BP算法对监测数据进行了融合,减少了数据传输量,降低节点能耗,有效地延长了网络生命周期。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种无线传感器网络数据融合方法,其特征在于,包括如下步骤:
(1)一轮分簇路由通信开始,簇首节点更新,进行新的分簇,簇首记录簇内节点信息并传输至基站节点;
(2)基站根据簇集信息确定BP神经网络结构,所述簇集信息包括待更新簇头的簇;
(3)基站选取与待更新的当前簇相匹配的样本数据集,结合基于天牛须搜索算法改进的粒子群算法对BP神经网络进行训练优化,以得到对应簇集的BP神经网络连接权值和阈值参数;所述结合基于天牛须搜索算法改进的粒子群算法对BP神经网络进行训练优化,包括如下步骤:
(31)无线传感器网络分簇后,计算搜索空间维度:
D=M*N+N*1+N+1
其中,M为每个簇内成员节点个数,也是BP神经网络输入层神经元个数;N为隐藏层神经元个数;1表示输出层神经元个数;
(32)初始化n个粒子的初始位置向量x1,...,xn,其中xi=(xi1,xi2,...,xiD)为第i个粒子的D维搜索向量;
初始化n个粒子的速度向量v1,...,vn,其中,vi=(vi1,vi2,...,viD)为第i个粒子的速度向量;初始化速度变化范围[-Vmax,Vmax];初始化最大迭代次数为K;
(33)定义适应度函数f(xi),对样本数据进行融合;所述适应度函数为样本数据的均方根误差:
其中,m为BP神经网络样本数据训练条目数量,traini是第i个样本数据的融合预测结果,yi为第i个样本数据的实测值;
(34)计算粒子的适应度函数值,获取每个粒子个体需要记忆自身搜寻的最佳位置,将第i个粒子自身搜寻过的最佳位置记作pbestid=(pi1,pi2,...,piD),群体搜寻到的最佳位置记作gbestd=(g1,g2,...,gD);
(35)更新天牛左右须搜索空间位置,并分别计算f(xl)和f(xr),其中,xl为左侧触须在搜索区域的位置;xr为右侧触须在搜索区域的位置;所述天牛左右须搜索空间位置的更新公式为:
(36)计算搜索行为增量;
(37)更新粒子速度和位置;依照如下公式更新粒子速度:
其中,w为惯性权重,用于反映粒子的运动习惯;
按照如下公式更新粒子位置:
其中,λ为搜索行为增量权重因子,其赋值如下:
λ=(λmax-λmin)(1-iter/maxgen)+λmin
其中,λmax和λmin为常数,分别代表增量权重因子λ的上下限值;iter和maxgen分别为当前迭代次数和总迭代次数;
(38)判断是否到达迭代次数或者当前位置的适应度函数值是否达到理想值,如果满足迭代停止条件,进入下一步骤,否则返回步骤(34);分别更新惯性权重w、学习因子c1和c2以及天牛搜索行为增量的权重因子λ;所述更新惯性权重w、学习因子c1和c2的公式如下:
其中,wmax和wmin分别为惯性权重上下限值,iter和maxgen分别为当前迭代次数和总迭代次数;c1和c2为学习因子,c1表示粒子对自身历史经验的学习,c2表示粒子对共享的群体历史经验的学习;cm和cn为常数,满足cm>cn;
(39)将种群的最佳位置gbestd作为BP神经网络最佳初始权值和阈值,BP神经网络利用gbestd作为初始参数进行训练学习直至权值和阈值参数确定;
(4)基站将相应簇集的BP神经网络连接权值和阈值参数发送至各簇集节点内,并存储参数供下次使用;
(5)每个簇集根据接收到的BP神经网络连接权值和阈值参数报文构建对应的BP神经网络,簇首节点对簇内成员节点上传的数据进行特征提取,并将融合后的特征结果传输至基站节点,一轮分簇路由通信完成。
3.根据权利要求1所述的无线传感器网络数据融合方法,其特征在于,所述惯性权重w以凸函数方式递减。
4.一种无线传感器网络数据融合的装置,其特征在于,所述无线传感器网络数据融合的装置包括:存储器、处理器及在所述存储器上存储并可运行的无线传感器网络数据融合的程序,所述无线传感器网络数据融合的程序被处理器执行时实现如权利要求1至3中任一项所述无线传感器网络数据融合方法的步骤。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有无线传感器网络数据融合的程序,所述无线传感器网络数据融合的程序被处理器执行时实现如权利要求1至3中任一项所述无线传感器网络数据融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419062.1A CN111553469B (zh) | 2020-05-18 | 2020-05-18 | 一种无线传感器网络数据融合方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419062.1A CN111553469B (zh) | 2020-05-18 | 2020-05-18 | 一种无线传感器网络数据融合方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553469A CN111553469A (zh) | 2020-08-18 |
CN111553469B true CN111553469B (zh) | 2023-06-09 |
Family
ID=72002822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419062.1A Active CN111553469B (zh) | 2020-05-18 | 2020-05-18 | 一种无线传感器网络数据融合方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553469B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110064A (zh) * | 2021-05-12 | 2021-07-13 | 中国科学院上海技术物理研究所 | 基于Duhem逆模型的压电动态迟滞前馈补偿方法 |
CN114459501B (zh) * | 2021-12-10 | 2023-08-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种惯导安装误差自动标定方法及装置 |
CN114938232B (zh) * | 2022-06-15 | 2023-04-07 | 北京邮电大学 | 基于lstm的同时同频全双工数字域自干扰抑制方法 |
US11784693B1 (en) | 2022-08-18 | 2023-10-10 | Corning Research & Development Corporation | Coverage cluster-based beamforming in a wireless node in a wireless communications system (WCS) |
CN116203973B (zh) * | 2023-05-05 | 2023-07-21 | 唐山昌宏科技有限公司 | 轨道ai巡检机器人智能控制系统 |
CN116709392B (zh) * | 2023-08-08 | 2023-11-14 | 湖南天联城市数控有限公司 | 一种大规模无线传感器网络数据融合方法 |
-
2020
- 2020-05-18 CN CN202010419062.1A patent/CN111553469B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于PSO-BP的无线传感器网络数据融合算法研究;陈秋红等;《计算机测量与控制》;20140331;第22卷(第4期);1212-1218 * |
基于天牛须搜索粒子群优化的改进克里金模型;刘岩等;《理论与方法》;20200430;第29卷(第4期);6-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553469A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553469B (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN111065103B (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN109862532B (zh) | 轨道交通状态监测多传感器节点布局优化方法及系统 | |
CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
CN113033970B (zh) | 一种针对大规模任务的auv集群分层分配方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110049433A (zh) | 一种基于edw-dpso算法的定位性能优化方法 | |
CN112633577A (zh) | 一种短期家庭用电负荷预测方法、系统、存储介质及设备 | |
CN110428015A (zh) | 一种模型的训练方法及相关设备 | |
CN111757266B (zh) | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Ding et al. | Improved GWO algorithm for UAV path planning on crop pest monitoring | |
CN115099133A (zh) | 一种基于tlmpa-bp的集群系统可靠性评估方法 | |
CN112862216B (zh) | 一种基于深度置信网络的多行业能源需求预测方法 | |
CN112770256B (zh) | 一种无人机自组织网络中的节点轨迹预测方法 | |
CN109492816A (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN117075634A (zh) | 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 | |
Wu et al. | Echo state network prediction based on backtracking search optimization algorithm | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |