可穿戴无线传感器网络节能算法研究

2019-09-13查琳

沈阳理工大学学报 2019年4期

查琳

(沈阳理工大学信息科学与工程学院，沈阳 110159)

可穿戴无线传感器网络(Wearable Wireless Sensor Network，WWSN)指在人体等目标载体的不同位置布置多个无线传感器节点所构成的无线传感器网络，该网络是在可穿戴计算机基础上发展形成的新型网络[1]。可穿戴无线传感器网络具有十分广阔的应用意义，与无线传感器网络拥有相似的结构，其节点随机分布，给节点供电的电池都只含有较少的能量，不能保证可以随时给可穿戴设备的节点充电，所以解决节能问题已成为研究的热点。

研究表明，可穿戴无线传感器网络中节点的能量主要消耗于数据处理和传输，为降低这两个阶段的能耗，研究人员提出了三种节能方法：节能覆盖法、数据压缩法和数据融合法。由于数据融合法不需求出覆盖集，也不需花费昂贵的费用来压缩数据，所以本文采用数据融合法来完成可穿戴无线传感器网络的节能。但现有的基于传统数据融合的节能算法仍存在很多问题，如标准偏差较大问题。所以本文提出一种基于改进的自适应加权数据融合的节能算法(Energy saving algorithm based on Improved Adaptive Weighted Data Fusion，EIAWDF)，这个算法在成本几乎不变的情况下解决了基于传统的自适应加权数据融合的(Energy saving algorithm based on Traditional Adaptive Weighted Data Fusion，ETAWDF)节能算法标准偏差较大的问题，使融合后的数据更加精确。

1 可穿戴无线传感器网络和数据融合

1.1 可穿戴无线传感器网络体系结构

可穿戴无线传感器网络由人体携带的可穿戴设备上的传感器节点、人体上的汇聚节点以及监测区域外的汇聚节点组成。人体携带的可穿戴设备上的传感器节点在监测区域内采集数据，然后将采集到的数据传递给人体上的汇聚节点，最后将人体上的汇聚节点接收到的数据传递到监测区域外的汇聚节点。结构如图1所示。

图1 可穿戴无线传感器网络结构图

1.2 数据融合

可穿戴无线传感器网络数据融合是指将传感器节点采集到的数据信息在一定规则下进行多方面、多层次、多级别的自动信息检测、相关估计和组合[2]。由文献[3]可知，数据融合技术是实现节能的关键技术，通过去除节点采集数据的冗余，进而减少网络的通信量，提高节点能源的利用率。

采用数据融合技术对可穿戴无线传感器网络的研究有很多益处。

(1)节约节点的能量：可穿戴无线传感器网络的能量大部分都消耗于数据处理和传输阶段，若能将传感器节点采集到的数据融合在一起，就能减少人体上的汇聚节点与监测区域外的汇聚节点间传输的数据量，进而减少节点的能耗。

(2)提高信道利用率：可穿戴无线传感器网络有两种汇聚节点，即：人体上的汇聚节点和监测区域外的汇聚节点。若直接在这两种汇聚节点间进行数据传输，由于传输的数据量太大，很可能会造成网络拥塞，这样会降低信道利用率。若采用数据融合，先在人体上的汇聚节点处将传感器节点采集到的数据进行融合，就能减少传输的数据量，提高传输速率进而提高信道利用率。

(3)能得到更精确的数据：如果携带可穿戴设备的人到环境恶劣的地方执行某些任务，会导致可穿戴设备上的节点分布在环境恶劣的地方，这时节点监测到的数据会变得不准确，此时如能采集多组数据并将这些数据进行融合，就能得到更精确的数据。

2 ETAWDF

2.1 传统自适应加权数据融合算法原理

图2为ETAWDF算法的模型图。

图2 ETAWDF模型

图2中w1、w2、…、wn是ETAWDF的权数，X为经过数据融合后输出的数据[4]。

(1)

式(1)为系统总的量测方差函数，根据该函数最小原则，对式(1)求偏导数，得

(2)

(3)

将式(2)代入式(3)中即可得出经过自适应加权数据融合后的数据X。

2.2 ETAWDF的特点

ETAWDF能够直接通过传感器节点的测量方差求出融合后的数据，但这样测量标准偏差较大，进而导致误差变大，但此算法产生的误差仍比其他传统数据融合算法的误差小。

3 EIAWDF

3.1 网络模型

假设若干节点随机分布在大小为L×H的监测区域中。设此网络中拥有k个携带两个可穿戴设备的人(这两个可穿戴设备上的两个传感器节点分别用来监测携带者的心率和每小时行走的步数)、k个人体上的汇聚节点和一个监测区域外的汇聚节点S。人体携带的可穿戴设备上的传感器节点采集数据，并把采集到的数据传给人体上的汇聚节点。把人体上的所有传感器节点和汇聚节点放在监测区域中，将总的汇聚节点放在与监测区域距离较远的位置。

3.2 EIAWDF设计思路

首先利用分批理论对可穿戴设备上的传感器节点采集到的数据进行分批处理；然后将分批后的每个分组的数据的方差和算数平均值融合为一个方差和算数平均值；再利用经过融合后得到的方差和算数平均值求出权数以及在人体上的汇聚节点处融合出的数据，采用分布图法来减少在人体上汇聚节点处融合后的数据疏忽误差，删除与其他数据相差较大的数据，降低由于数据本身差别过大而产生的误差；最后在监测区域外的汇聚节点将每个人体上的汇聚节点融合出的数据根据EIAWDF融合为一个数据。

3.3 分布图法原理

分布图法是一种新型的数据处理算法，由文献[5]可知，首先将需要处理的数据由小到大排序，假设排序后的数据为x1、x2、x3、…、xn，其中x1为下极限，xn为上极限，然后求这些数据的中位值，当n为奇数时中位值为

xm=x(n+1)/2

(4)

当n为偶数时中位值为

(5)

这时的下四分位数fl为区间[x1,xm]内数据的中位值，上四分位数fh为区间[xm,xn]内数据的中位值，根据上四分位数和下四分位数可求出有效数据的下边界为

L=2fl-fh

(6)

有效数据的上边界为

H=2fh-fl

(7)

保留[L，H]区间中的数据，即可降低疏忽误差。分布图法不需要复杂的数据结构，且运算量小。

3.4 EIAWDF步骤

(1)人体上汇聚节点处的数据融合

(2)降低疏忽误差

疏忽误差是指与事实不符的误差，其对测量结果有很大的影响[6]。疏忽误差导致测量结果不准确，所以消除疏忽误差极为重要。

利用分布图法对k个人体上的汇聚节点接收到的k个数据进行疏忽误差的消除，先将数据由小到大排列，再求出这k个数据的上四分位数fh和下四分位数fl，再用这组数据的fh和fl求出可使用的数据范围，删除不在这个范围的数据，以便在之后的运算中减少标准偏差，得到更精确的方差，提高数据融合的精度，达到更加理想的节能效果。

(3)监测区域外的数据融合

假设经过疏忽误差剔除后还剩余p个人体上汇聚节点融合的数据，根据分批理论将p个数据分为两组，分别计算出两个分组数据的算数平均值T1、T2和方差V1、V2，采用分批方法可减少标准偏差，获得更加精确的方差和算数平均值。根据这两个算数平均值求出融合后的算数平均值T，再用方差V1、V2求出融合后的方差V，根据公式Y1=T，在监测区域外的汇聚节点S用权数W=1和算数平均值T，融合为一个总的数据Y1。

(4)重复上述过程，采集到的数据是由可穿戴设备上的其余k个传感器节点监测到的每小时行走步数。