基于人工智能的无线传感器网络数据融合算法比较研究

【摘 要】 数据融合技术作为无线传感器网络的核心技术，通过一定的算法处理原始数据，去除冗余信息，形成高质量的融合数据传输到汇聚节点，从而减少数据传输量，达到节省能量，延长网络寿命，提高数据收集效率和准确度的目的。文中对近年来数据融合算法的研究现状进行了全面深入分析，根据融合过程中采用的融合方法，将现有的无线传感器网络数据融合算法分为了基于估计方法、统计方法、信息论方法、人工智能方法四大类，本文针对人工智能算法从原理上进行了综述，对其中涉及到的不同融合算法从性能、时延、复杂度以及能耗方面进行了详细分析与比较。

【关键词】 无线传感器网络 数据融合 能耗 网络寿命

引 言

无线传感器网络是由大量传感器节点组成的无线通信网络[1]。在监测区域内随机分布了N个传感器节点，这些传感器节点分为汇聚节点（sink节点或基站）和普通节点，该无线传感器网络能够周期性的进行数据的采集处理[2]。sink节点位于监测区域外，能量可以补充。监测区域内的所有传感器节点（普通节点）能量是相同的且能量有限不可补充。所有节点都能相互通信，也能与基站通信。WSN的网络拓补结构如图1所示。

传感器节点小，能量非常有限，且后期难以补充[2]。在WSN中消耗能量分数据采集、数据传输、数据处理三部分，其中數据传输消耗的能量最多，因此降低数据传输消耗的能量是节能的关键。数据融合即通过一定的算法处理原始数据，去除冗余信息，形成高质量的融合数据传输到汇聚节点，从而减少数据传输量，达到节省能量，延长网络寿命，提高数据收集效率和准确度的目的。构建合适的数据融合算法是消除冗余信息、节省网络能耗、延长网络周期的关键。

1 数据融合方法分类

在无线传感器网络中用到的数据融合算法有很多种，本文将数据融合算法大致分为四类：基于估计理论的数据融合、基于统计理论的数据融合、基于信息论的数据融合、基于人工智能的数据融合，分类如图2所示。

2 基于人工智能的数据融合算法

2.1 基于模糊理论的数据融合

模糊理论是在美国加州大学伯克利分校电气工程系的LAzadeh 教授于 1965 年创立的模糊集合理论的数学基础上发展起来的，主要包括模糊集合理论、模糊逻辑、模糊推理和模糊控制等方面内容。模糊逻辑运用模糊集合的方法来研究模糊性思维、语言形式及其规律，故其适合处理不准确性以及不确定性的数据[3]。

文献[4]提出利用模糊理论中的相关性函数计算节点间相互支持程度，对支持程度高的传感器进行数据融合，并利用融合结果与服务质量期望筛选出冗余节点，使其进入休眠状态。该方法能够获得更高的精度和可靠性，并能有效延长网络生命周期。

文献[5] 提出了一种基于模糊的数据融合方法的WSN，通过传感器节点中嵌入的二型模糊逻辑系统对待发送的数据分配权重，簇头进行区分和聚合所收集的数据的真值后在报送到基站，从而减少在基站（BS）处理整个数据的负担。该方法能够它还能够消除冗余数据，从而减少能量消耗，从而增加网络寿命。

2.2 基于神经网络的数据融合

神经网络（Neural Networks， NNs），是由大量简单的处理单元（神经元）组成的非线性自适应自组织系统，具有极强的非线性逼近、大规模并行处理、自训练学习、自组织和容错能力等优点[6，7]。

文献[8]将BP神经网络和传感器网络分簇路由协议进行结合，提出了基于神经网络的数据融合算法（ BPNDA，Back- Propagation Networks Data Aggregation）。每个簇就是一个神经网络模型，在网络中提取少量特征数据后发送至汇聚节点，从而提高数据收集效率，减少了网络通信量，延长网络生存时间。文献中未给出在缺乏缺乏训练集合情况下的实现方案。

文献[9] 为了降低无线传感器网络的通信量，降低能耗，延长网络的生命周期。提出了一种基于SOFM（Self-Organizing Feature Mapping）神经网络的数据融合算法（SOFMDA），该算法将自组织映射神经网络和无线传感器网络分簇路由协议相结合，使簇中的各个节点完成神经元的工作，按照数据的特征对其进行分类，提取同类数据的特征，将特征数据发送到汇聚节点，从而减少了数据发送量，延长网络的生命期。

文献[10]为了解决BP 神经网络收敛慢、易陷入局部最优值且泛化能力差从而影响数据融合效果的问题，提出一种将深度学习技术与分簇协议相结合的数据融合算法AESMDA。SAESMDA 用基于层叠自动编码器（ SAE） 的深度学习模型SAESM 取代 BP 神经网络，算法首先在汇聚节点训练 SAESM 并对网络分簇，接着各簇节点通过 SAESM 对采集数据进行特征提取，之后由簇首将分类融合后的特征发送至汇聚节点。在网络能耗大致相同的情况下具有更高的特征提取分类正确率。

2.3 基于遗传算法的数据融合

遗传算法（Genetic Algorithm）是受进化论的启发提出的模拟生物进化过程的计算模型。其自适应和群体进化能力适合求解大规模复杂优化问题。求解过程中无需求出最优解，只需淘汰最差个体。因此遗传算法适用于搜索空间较大且对结果准确性要求不高的应用中[11]。

文献[12]结合遗传算法全局搜索和模拟退火算法局部搜索的优点，提出一种模拟退火遗传算法的WSN数据融合方法（SA-GA）。采用模拟退火遗传算法快速找到移动代理路由最优传感器节点序列，并实现数据融合。SA-GA更能快速找到全局最优数据融合节点序列，并对数据进行有效融合，具有更小的网络能耗和网络延时。

文献[13]基于遗传算法中的分类器系统，提出遗传机器学习算法（Genetic Machine Learning Al-gorithm， GMLA）。该算法通过动态的调整传感器节点把数据发送到基站的概率，来提高数据融合的质量，并减少了数据传输量，节约网络能耗。但该方案适用于高密度的传感器网络，对发送率低的网络则效果不够明显，且存在一定数据延迟。

2.4 基于人工智能的数据融合算法比较

人工智能算法因为其自组织、自适应、自学习的方式使其适合于大规模复杂化问题，能通过一定的先验知识与规律，有效的对数据进行训练及预测，被广泛应用于无线传感器网络问题的处理。表1对论文中涉及的算法进行了整体的比较。

3.总结

由于传感器节点分布的随机性及相邻节点监测数据的相似性，导致无线传感器网络监测数据的冗余性。而无线传感器网络数据融合即通过多层次、多方面的特征提取将时间与空间上的互补与冗余信息依照某种优化准则重新组合起来。用以提升数据可信度以及有效性、节省通信带宽及提高网络生命周期。

【参考文献】

[1] Lin Y H，Chang S Y，Sun H M. CDAMA：Concealed data aggregation scheme for multiple applications in wireless sensor[J].IEEE Transactions on Knowledge and Data Engineering，2013，25（7）：417-483.

[2] 王丽红，于光华，刘平.无线传感器网络LEACH算法的改进研究[J].齐齐哈尔大学学报（自然科学版）， 2018，（2）：6-8.

[3] X Zhai， H Jing， T Vladimirova. Multi-sensor data fusion in Wireless Sensor Networks for Planetary Exploration[j]. Adaptive Hardware & Systems， 2014： 188-195.

[4] 窦桂琴，万润泽.张兴艳基于模糊理论的无线传感器网络数据融合算法[J]，微电子学与计算机，2012，29（9）：133-136

[5] D Izadi， JH Abawajy， S Ghanavati， et al. A Data Fusion Method in Wireless Sensor Networks. Sensors 2015， 15， 2964-2979.

[6] DF Larios， J Barbancho，et al. Energy efficient wireless sensor network communications based on computa-tional intelligent data fusion for environmental monitoring[J]. Communications Iet， 2012， 6（14）： 2189-2197.

[7] X Luo， XH Chang. A Novel Data Fusion Scheme using Grey Model and Extreme Learning Machine in Wireless Sensor Networks[J]. International Journal of Control， Automation， and Systems， 2015， 13（3）： 539-546.

[8] 孙凌逸， 黄先祥， 蔡伟等.基于神经网络的无线传感器网络数据融合算法.传感技术学报， 2011， 24（1）： 122-127.

[9] 杨永健，刘帅.基于SOFM神经网络的无线传感器网络数据融合算法.传感技术学报， 2013， 26（12）： 1757-1763.

[10] 邱立达，刘天键，傅 平. 基于深度学习的无线传感器网络数据融合[J].计算机应用研究，2016，33（1）：185-189.

[11] O Islam， S Hussain， H Zhang. Genetic algorithm for data aggregation trees in wireless sensor networks. Intelligent Environments， 2007， 43（20）： 312-316.

[12] 张扬，杨松涛，张香芝.一种模拟退火遗传算法的传感器网络数据融合技术研究[J].计算机应用研究，2012，（5）：1860-1862.

[13] AR Pinto， C Montez， G Araújo， et al. An approach to imple-ment data fusion techniques in wireless sensor networks us-ing genetic machine learning algorithms[J]. Information Fusion， 2014， 15（1）： 90-101.

作者簡介：王丽红（1983—），女，汉族，内蒙古赤峰，讲师，硕士，工作单位：黑河学院，研究方向：无线传感器网络、算法研究。