无线传感网络多传感器数据融合方法研究

苏国栋

(福建师范大学福清分校 电子与信息工程学院，福建 福清 350300)

无线传感网络多传感器数据融合方法研究

苏国栋

(福建师范大学福清分校 电子与信息工程学院，福建 福清 350300)

无线传感器网络部署的成功取决于是否能够在其诸如数据的精确性、数据聚类程度以及网络生命周期最大化等问题上，提供一个高质量可靠的性能服务。其中，数据融合机制就特别具有挑战性。如果将一小部分低质量的数据作为数据融合输入，那么极可能对整个数据融合结果产生负面影响。该文提出了改进型分批估计和BP神经网络相结合的多传感器数据融合方法，旨在提高网络的服务质量并减少整个网络的能量消耗。该方法能够辨别和剔除低质量的终端数据，提高数据的精确性；同时，它还能够融合冗余的数据，以减少各站点之间的数据通信消耗，使网络生命周期最大化。通过MATLAB实验仿真，表明该文提出的方法具有良好的数据融合性能；相比于LEACH，有效减少转发数据包量，提高了网络生命期。

无线传感器网络；数据融合；分批估计；BP神经网络

0引言

无线传感器网络一直以来都是国内外研究的热点领域，比如军事监视[1]、工业控制和野生动物监测[2-3]等。一般地，大量传感器节点被部署在监测感知区域内，根据特定的应用采集数据，这些传感器节点具有良好的数据采集能力，各自之间以及中继节点和基站能够进行数据处理和传输通讯。其中，能量消耗是大部分无线传感器网络传感器节点首要考虑的问题；此外，传感器节点测量的准确性也是WSNs的关键问题，如果测量值与其真实值不一致，那么就要对测量值进行适当处理[4]。

无线传感器网络中，监测区域内的压力变化、温度变化、辐射、电磁噪音等都可能干涉到传感器节点的测量精度，从而产生不精确不可靠的测量数据。甚者导致采集失败而产生误差极大的测量数据。另外，监测感知区域内的相邻节点之间经常会采集产生重复性数据，而这些数据如果具有很高的相关性，那么势必会降低整个网络的服务质量。为了克服上述问题，采用合适的数据融合机制能够有效地剔除不精确、不可靠、重复冗余的测量数据，从而提供强有力的数据保障。特别是对于多传感器网络，引入数据融合机制对多传感器数据进行处理，必然能够获得更有意义的数据信息。事实上，数据融合机制不仅提升了数据的可靠性和服务质量，而且还能够剔除冗余信息，减少数据传输量，降低网络能量消耗。

目前，国内外针对如何减少无线传感器网络能量损耗提出了很多数据融合机制[5-6]。概括起来，这些机制使用了如下几项技术手段：贝叶斯判定理论[7]、模糊集理论[8]、模糊神经网络[9]以及DS证据理论[10]等。这些解决方法在融合过程中能够剔除重复性数据。然而，他们没有考虑到无线传感器网络的局限性。比如，假设传感器节点在整个过程中总是能够正常运转以及获取准确的数据。很明显，这不是一个不切实际的假设，传感器所处环境易发生变化。例如，温度的变化直接影响着传感器的精确性能，从而影响终端数据的可靠性。此外，我们知道无线传感器网络的主要能量消耗在于数据无线传输，那么无论传输的数据是否可靠或者是否需要都机械性地传送给中继节点或处理中心，结果就是造成过度的能量损耗。

本文提出了基于改进型分批估计和BP神经网络相结合的数据融合机制。通过改进型分批估计解决传感器节点测量值的不准确性问题，从而获得具有代表性的测量数据。而采用BP神经网络对重复冗余数据进行融合，并且通过融合多传感器数据，得到正确的决策结果，减少整个网络能量损耗，提高服务质量，使生命周期最大化。

1改进型的分批估计数据融合方法

如上所述，受多因素的影响，每个传感器节点的少部分采样测量值有可能存在较大误差，尽管它的发生是小概率事件，但一旦发生将无法准确地反映实际情况。可见，作为最原始的传感器节点测量值的精度和准确度对于整个无线传感器网络来说是至关重要的，因此，有必要对传感器的测量值进行适当处理。最常见的，对于一个传感器节点测量目标，在某一个周期内，有n测量值。如果将这n个数据按照某种结构方式(时间顺序等)分成两组[11]，再根据最大最小平均值方法和分批估计理论对数据进行处理，即可得到该传感器的决策值。不妨假设，将某传感器在一个周期内采集到的n个数据测量值分为A组和B组，A组为x1,x2,…,xp，B组为y1,y2,…,yq，其中，p+q=n。那么，我们可以分别计算出这两组的平均值和方差：

两组的方差分别为：

然而，在实际应用中，由于不可预测因素的存在，总是不可避免地出现误差极大的少数数据测量值，这些数据也将出现在数据信息序列中。在数理统计理论中，有一种去除最大最小值和平均值分析法可以解决这个问题，即剔除样本集中的极端数据(最大值和最小值)，再求剩余数据的平均值。该方法可以在很大程度上消除极端数据对结果精确度的影响。依此方法，对A组和B组重新计算平均值：

同时对上式进行优化，融合结果可表示为：

2BP神经网络与多传感器数据融合

经过分批估计数据融合之后，既提高了每个传感器节点监测目标的测量值的精度和可靠性，同时也减少了部分重复且没有必要的数据传输。但在某报警场合下，客户所关注的并不一定是数据的具体数值而只需要知道警情。那么，可以利用BP神经网络直接得到报警结果，从而再次减少了数据通信的信息量。

图1为BP神经网络结构。其包含一个输入层、多个隐含层和一个输出层，隐含层数目较为灵活。每一层都是由许多可并行计算的神经元构成。BP神经网络训练过程可分为两个阶段，即信息正向传播和误差反向传播。数据依次按照输入层、隐含侧、输出层顺序计算传播，但每层神经元的结果仅仅只会影响下一层神经元。若一次正向传播的输出值与期望值之间的误差不在预设可接受的误差范围之内，则进行误差反向传播。通过上述两个过程的相互交替，不断验证更新各层之间的权值，直至满足误差最小化。

图1 BP神经网络结构(三层)

假设输入层、隐含层和输出层的神经元节点数目分别为m,n,l。网络输入向量X={x1,x2,…,xm};网络实际输出向量Z={z1,z2,…,zl};对于样本X，网络期望输出向量D={d1,d2,…,dl};wij代表输入层与隐含层之间的权值，1<=i<=m，1<=j<=n;vjk代表隐含层与输出层之间的权值，1<=j<=n, 1<=k<=l;θj代表隐含层各神经元的输出阈值，1<=j<=n;γk代表输出层各神经元的输出阈值，1<=k<=l；f(x)为激励函数。

那么，隐含层某神经元的输出可表示为：

输出层相应神经元的输出可表示为：

则该神经元的误差可表示为：

在学习和询量过程中，BP神经网络采用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差函数最小。权值和阈值的修正量是通过下列公式来确定的：

其中：η是由使用者自行设定的学习速率。假设，对于第r次迭代，当前的wij,vjk,θj,γk的值分别为wij(r),vjk(r),θj(r),γk(r)。那么，在第r+1次迭代，各层的权值和阈值依据下列式子来更新：

接下来，当完成一个样本的学习和训练之后，如果经过误差函数计算出来的值没有小于设定的误差限，那么网络将继续学习，直至网络收敛。由此确定的网络权值和阈值将用来拟合预测目标样本。

对于误差函数，BP神经网络在训练过程采用均方误差，其式子如下：

其中，dij表示预期输出值，p表示相应训练样本数。

3仿真与分析

为了更好地了解和分析本文提出的基于改进型分批估计和BP神经网络相结合的数据融合方法，通过MATLAB工具进行仿真，我们以火灾报警为例，通过采集到的130个样本进行学习训练。将火灾较为重要的参数依据——温度、烟雾浓度和CO浓度作为BP神经网络的输入数据。

下页图2为BP神经网络训练结果性能示意图。由图可见，经过161次训练后，网络的性能还没有为0，但是输出均方误差已经很小，MSE值为9.95*10-7，小于设定的误差限。网络的验证性能误差值为3.0255*10-6，并且测试组性能误差值也很小。其表明，该神经网络的非线性映射关系的拟合是较为精确的，可以预见经该神经网络拟合的预测结果应该能够达到预期。

图2 BP神经网络训练结果-MSE

接着，通过130组数据样本学习训练之后，利用35组数据样本作为测试数据，以测试系统预警结果的准确性。其中，表BP神经网络的3个输入数据已经过分批估计和归一化处理。测试结果如表1所示。

表1 测试数据

期望状态温度烟雾浓度CO浓度期望输出实际输出预测状态误差(10-5)误差百分比(10-5)失火0.656250.16750.363750.65750.657555失火5.4575788.29981无火0.21250.411250.33750.173750.174582无火83.21686476.663失火0.8950.1850.13750.7950.795184失火18.4462523.19745无火0.328750.511250.726250.141250.139481无火-176.862-1268无火0.370.560.760.030.029653无火-34.6675-1169.09不明确0.430.430.550.510.508109不明确-189.078-372.12无火0.248750.510.680.271250.272498无火124.7598457.8383无火0.220.580.60.2750.275089无火8.89425632.33229失火0.70.180.470.670.670295失火29.4866543.99056无火0.340.5950.7550.1850.185585无火58.49253315.1793失火0.64750.1650.34250.6550.656164失火116.4476177.4671失火0.920.190.450.820.819638失火-36.2016-44.1678无火0.220.580.60.2750.275089无火8.89425632.33229无火0.410.670.750.030.031074无火107.40893456.542失火0.880.20.010.780.779951失火-4.89544-6.27659无火0.340.59250.75750.18750.187886无火38.5929205.406失火0.68250.1750.42750.6650.663802失火-119.831-180.522无火0.34750.5750.76750.15750.156037无火-146.256-937.311无火0.19750.28750.110.0750.074776无火-22.4331-300.005无火0.25750.490.680.24250.244048无火154.8391634.4608失火0.910.1850.3150.810.809515失火-48.4704-59.8759失火0.9050.18250.24750.8050.801569失火-343.111-428.049

续表

期望状态温度烟雾浓度CO浓度期望输出实际输出预测状态误差(10-5)误差百分比(10-5)无火0.2150.46750.4250.20750.206499无火-100.115-484.82无火0.23250.61250.7250.318750.319226无火47.59398149.0918失火0.88250.19750.031250.78250.782801失火30.1203338.47762无火0.180.20.180.040.045548无火554.784812180.26失火0.691250.17750.448750.66750.667215失火-28.4571-42.6505失火0.880.20.010.780.779951失火-4.89544-6.27659无火0.340.590.760.190.189844无火-15.5964-82.154无火0.1850.2250.160.050.05011无火11.03056220.1256失火0.630.160.30.650.648732失火-126.849-195.534无火0.2250.6950.770.33750.336873无火-62.6559-185.992失火0.9250.1950.4650.8250.825383失火38.3158346.42187不明确0.42750.460.5750.450.449478不明确-52.1992-116.133无火0.4050.656250.751250.030.030616无火61.55642010.624

由表1可以看出，该算法对火灾的预警具有很好的准确性。从作为测试的35组数据样本分析，系统没有误报，准确率达到100%。另外，本组数据的实际输出与期望输出的误差都很小，误差百分比很低，绝对误差总和为0.030109。尽管如此，预警结果依然存在着“不明确”以及某些边界判断争议，但是本算法依然具有较高的实用价值。

由图2和表1可知，本文所提出的基于改进型分批估计和BP神经网络的数据融合算法能够区别和剔除低质量的终端数据，提高数据的精确性，准确预测预警结果。图3为无线传感器网络转发数据包量示意图。相比于经典的LEACH算法，本文所提出的算法具有一个较低的数据包转发量。因为，该算法对终端数据进行了数据一致性验证，并且做出数据融合，减少了成员节点向簇首、簇首向基站节点转发的数据包量。可见，该方法能够融合冗余的数据，以减少各站点之间的数据通信消耗，使网络生命周期最大化。

图3 WSN内转发数据包量示意图

4结论

实际应用和路由设计中，寻求网络生命周期最大化的同时，如何获取精确可靠感知数据是一个非常值得解决的问题。本文提出了一种分批估计理论与神经网络结合的数据融合方法。通过实验仿真，表明该方法能够区别和剔除低质量的终端数据，提高数据的精确性；同时它还能够融合冗余的数据，以减少各站点之间的数据通信消耗，使网络生命周期最大化。通过分析仿真结果，该方法确实能够获得较好的服务质量，并且有效进行数据融合，具有良好的性能。

[1]韩红彦, 张西红, 王卫国, 等. WSN 的关键问题及军事应用[J]. 科学技术与工程, 2007, 7(7): 1465-1467.

[2]周一南, 周运森. 无线传感器网络 WSN 在工业生产实时监控中的应用[J]. 工业控制计算机, 2008, 21(8): 24-25.

[3]P. Medagliani, M. Martalò, G. Ferrari.Clustered Zigbee networks with data fusion: Characterization and performance analysis[J]. Ad Hoc Networks,2011(9):1083-1103.

[4]A.R. Pinto, C. Montez, G. Araújo, F. Vasques, P. Portugal. An approach to implement data fusion techniques in wireless sensor networks using genetic machine learning algorithms[J]. Information Fusion,2014(15): 90-101.

[5]Abdelgawad, A.; Bayoumi, M. Data Fusion in WSN. In Resource-Aware Data Fusion Algorithms for Wireless Sensor Networks; Lecture Notes in Electrical Engineering Series 118; Springer: Berlin/Heidelberg, Germany, 2012:17-35.

[6]Dhasian, H.R.; Balasubramanian, P. Survey of data aggregation techniques using soft computing in wireless sensor networks[J]. Inf. Secur, 2013, 7:336-342.

[7]张书奎, 崔志明, 龚声蓉, 等. 基于 Bayes 序贯估计的无线传感器网络数据融合算法[J]. 电子与信息学报, 2009, 31(3): 716-721.

[8]Collotta M, Pau G, Scatá G. A fuzzy system to reduce power consumption in Wireless Sensor Networks: A comparison between WirelessHART and IEEE 802.15. 4[C]//Energy Conference (ENERGYCON), 2014 IEEE International. IEEE, 2014: 766-771.

[9]Collotta, M.; Messineo, A.; Nicolosi, G.; Pau, G.A Dynamic Fuzzy Controller to Meet Thermal Comfort by Using Neural Network Forecasted Parameters as the Input[J]. Energies,2014, 7:4727-4756.

[10]Feng R, Xu X, Zhou X, et al. A trust evaluation algorithm for wireless sensor networks based on node behaviors and ds evidence theory[J]. Sensors, 2011, 11(2): 1345-1360.

[11]王海涛. 基于信任度的二次数据融合的研究[D]. 昆明：昆明理工大学, 2015.

(责任编辑：覃华巧)

Research of Multi-Sensor Data Fusion in Wireless Sensor Network

Su Guodong

(School of Electronic and Information Engineering, Fuqing Branch of Fujian Normal University, Fuqing 350300, China)

The success of a Wireless Sensor Network deployment strongly depends on the high-quality of service and reliable performance it provides regarding such issues as data accuracy, data fusion and network lifetime maximization. Especially, data fusion mechanism is a challenging field. If a little number of low-quality data is taken as part of the fusion input, it is likely to have a negative impact on the entire data fusion results. In this paper, with the aim of increasing high-quality of service and reducing the energy consumption of the sensor network, the author presents a data fusion mechanism combined with the improved batch estimation with Back Propagation Neural Network (BP). The proposed approach is able to distinguish and eliminate the low-quality data and improve data accuracy. It is also able to eliminate redundant data and consequently reduce energy consumption, thus increasing the network lifetime. Finally, simulation with Matlab shows that the proposed approach has a better performance of data fusion. Moreover, compared to LEACH, it can reduce transferred packets and increasing the network lifetime.

Wireless sensor network; Data fusion; Batch estimation; BP Neural Network

2017-03-30

福建省教育厅科技类一般项目(JAT160574)

TN929.5;TP212.9

A

1673-8535(2017)03-0017-08

苏国栋(1989-)，男，福建泉州人，福建师范大学福清分校电子与信息工程学院教师，主要研究方向：无线传感器网络、物联网技术。