基于SOFM神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法*

楊永健，劉 帥

(吉林大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，長(zhǎng)春130012)

如今，大量的無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用在生活中的各個(gè)領(lǐng)域，為我們提供了很大的幫助。在該網(wǎng)絡(luò)中，部署在遠(yuǎn)程環(huán)境中的傳感器節(jié)點(diǎn)在沒(méi)有任何網(wǎng)絡(luò)拓?fù)湎闰?yàn)信息的情況下完成自行配置，其最終目標(biāo)是監(jiān)測(cè)傳感器區(qū)域中感興趣的特定事件。然而，通常情況下，該網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)的能量有限，存儲(chǔ)空間不大，計(jì)算能力較低等局限性成為了無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用的瓶頸，因此關(guān)于如何降低網(wǎng)絡(luò)能耗，延長(zhǎng)網(wǎng)絡(luò)生存時(shí)間的研究是十分有意義的。

通常，無(wú)線傳感器網(wǎng)絡(luò)為了保證對(duì)監(jiān)測(cè)區(qū)域的覆蓋度，會(huì)在區(qū)域內(nèi)部署較多的傳感器節(jié)點(diǎn)，這些傳感器節(jié)點(diǎn)的監(jiān)測(cè)區(qū)域相互重疊，采集到的數(shù)據(jù)存在很大的空間相關(guān)性，從而導(dǎo)致高度的相似性;而且同一個(gè)傳感器在短時(shí)間內(nèi)采集的數(shù)據(jù)也可能具有很高的時(shí)間相關(guān)性。對(duì)這些冗余數(shù)據(jù)的存儲(chǔ)，計(jì)算和發(fā)送會(huì)浪費(fèi)網(wǎng)絡(luò)中大量的資源，包括存儲(chǔ)空間和傳輸能量，縮短整個(gè)網(wǎng)絡(luò)的生存期。同時(shí)，過(guò)多的冗余數(shù)據(jù)也給后臺(tái)的數(shù)據(jù)處理帶來(lái)了不必要的計(jì)算開(kāi)支。

針對(duì)上述背景，本文提出一種基于自組織映射神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法(SOFMDA)。SOFMDA算法以無(wú)線傳感器網(wǎng)絡(luò)中的基于位置的分簇路由協(xié)議(只需要是分簇協(xié)議，并不指定具體的協(xié)議)為基礎(chǔ)，以簇內(nèi)節(jié)點(diǎn)為SOFM神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，在簇頭節(jié)點(diǎn)利用SOFM神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)數(shù)據(jù)分類，并提取特征，然后將代表原始數(shù)據(jù)的特征數(shù)據(jù)而不是所有的原始數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)，從而達(dá)到減少數(shù)據(jù)發(fā)送量，降低能耗的目的。

1 相關(guān)工作

1.1 SOFM神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，亦稱為神經(jīng)網(wǎng)絡(luò)，是一種應(yīng)用類似于大腦神經(jīng)突觸連接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型［1］。它是一種運(yùn)算模型，由大量的節(jié)點(diǎn)(或稱神經(jīng)元)和相互之間的加權(quán)連接構(gòu)成。它可以模擬人類大腦活動(dòng)，具有很強(qiáng)的非線性逼近、分布存儲(chǔ)、模式分類和識(shí)別等能力，可以處理已知信息較少，考慮因素較多的信息處理問(wèn)題。

與有導(dǎo)師學(xué)習(xí)規(guī)則的神經(jīng)網(wǎng)絡(luò)不同，SOFM神經(jīng)網(wǎng)絡(luò)使用無(wú)導(dǎo)師學(xué)習(xí)規(guī)則來(lái)訓(xùn)練網(wǎng)絡(luò)，可以在沒(méi)有預(yù)知正確模式的情況下(沒(méi)有已知的輸入和輸出訓(xùn)練樣本數(shù)據(jù))，通過(guò)對(duì)客觀事件的反復(fù)觀察、分析與比較，自行提煉其內(nèi)在規(guī)律，并對(duì)具有共同特征的事物進(jìn)行正確的分類。即，SOFM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練只依賴于一組輸入量，其自行尋找輸入量中的內(nèi)在特征，從而實(shí)現(xiàn)分類。圖1展示了SOFM網(wǎng)絡(luò)模型的一般形式。

圖1 SOFM網(wǎng)絡(luò)模型

SOFM網(wǎng)絡(luò)采用了Kohonen學(xué)習(xí)規(guī)則，它不僅僅更新勝出的單個(gè)神經(jīng)元的權(quán)值，并且對(duì)其一定鄰域內(nèi)的所有神經(jīng)元的權(quán)值都進(jìn)行更新，即圖1中節(jié)點(diǎn)i為勝出的神經(jīng)元，而在其周圍的鄰域內(nèi)的節(jié)點(diǎn)(圖中其他的實(shí)心節(jié)點(diǎn))，都要被更新。這種學(xué)習(xí)規(guī)則更接近于人腦內(nèi)神經(jīng)元的工作方式。Kohonen規(guī)則對(duì)權(quán)值進(jìn)行更新的表達(dá)式如式(1)所示。

其中q代表訓(xùn)練輪數(shù)，α為學(xué)習(xí)速率，學(xué)習(xí)速率的取值關(guān)系到學(xué)習(xí)的效果和運(yùn)算量，取值過(guò)大雖然學(xué)習(xí)次數(shù)較少但學(xué)習(xí)效果不理想，取值過(guò)小又可能導(dǎo)致長(zhǎng)時(shí)間無(wú)法達(dá)到學(xué)習(xí)目標(biāo)。

經(jīng)過(guò)多輪的訓(xùn)練，使得獲勝神經(jīng)元附近的權(quán)值都向著輸入模式靠近，所以SOFM是一種可以體現(xiàn)輸入模式并保證輸入數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型。

1.2 數(shù)據(jù)融合

周沖等人提出的 WSN數(shù)據(jù)融合算法［2］針對(duì)LEACH算法在簇頭選擇機(jī)制、數(shù)據(jù)融合以及簇頭與基站通信的路由方面的不足，提出了改進(jìn)方案，在簇頭選擇的算法中加入了能量控制條件，簇頭與基站的路由改為更適合數(shù)據(jù)融合的多跳反向組播樹(shù)，仿真實(shí)驗(yàn)表明與LEACH算法相比，性能上有所提升。Wang Leichun等人提出的基于空間相關(guān)性的數(shù)據(jù)融合算法［3］，將空間位置和數(shù)據(jù)特征作為主要考慮因素對(duì)傳感器數(shù)據(jù)做分類融合，實(shí)驗(yàn)表明該算法在能耗、數(shù)據(jù)采集量和融合質(zhì)量等方面都優(yōu)于RAA。Nithyakalyani，S等人提出的以數(shù)據(jù)為中心的融合技術(shù)［4］，該技術(shù)是一種基于 Voronoi圖的模糊聚類(VF)算法。該算法考慮節(jié)點(diǎn)剩余能量、簇頭節(jié)點(diǎn)和鄰居節(jié)點(diǎn)的距離和服務(wù)質(zhì)量，在簇頭節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合。仿真實(shí)驗(yàn)表明，算法有效地提高了網(wǎng)絡(luò)性能。

神經(jīng)網(wǎng)絡(luò)技術(shù)在解決無(wú)線傳感器網(wǎng)絡(luò)方面的問(wèn)題已經(jīng)發(fā)揮了很大的作用，也有了一定的研究成果。Renzik［5］等使用多層感知神經(jīng)網(wǎng)絡(luò)檢測(cè)無(wú)線傳感器網(wǎng)絡(luò)中的信號(hào)變化情況，用以判斷異常事件的發(fā)生。馮芳等提出的基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器自適應(yīng)路由算法［6］，在基站上采用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)來(lái)選擇簇頭，并根據(jù)最優(yōu)權(quán)函數(shù)值來(lái)選擇最短路徑中的下一跳，仿真實(shí)驗(yàn)表明網(wǎng)絡(luò)性能是EMHR算法的1.8倍。Julio Barbanch等第一次將SOFM神經(jīng)網(wǎng)絡(luò)應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)，并提出了基于SOFM的無(wú)線傳感器路由協(xié)議［7］，該協(xié)議沒(méi)有考慮數(shù)據(jù)融合方面的內(nèi)容。余黎陽(yáng)等將BP神經(jīng)網(wǎng)絡(luò)和無(wú)線傳感器網(wǎng)絡(luò)分簇路由協(xié)議有機(jī)結(jié)合，構(gòu)造出一個(gè)三層感知器神經(jīng)網(wǎng)絡(luò)［8］，來(lái)完成數(shù)據(jù)融合的工作，仿真結(jié)果表明該方法有效地提高了LEACH算法［9］的性能，但該算法無(wú)法完成缺乏訓(xùn)練輸出集合情況下的工作。孫凌逸等在文獻(xiàn)［8］的基礎(chǔ)上，增加了數(shù)據(jù)特征的處理［10］，同樣對(duì)LEACH算法進(jìn)行了改進(jìn)，效果比較明顯，與文獻(xiàn)［8］的問(wèn)題相同，協(xié)議沒(méi)有給出缺乏訓(xùn)練集合的情況下的實(shí)現(xiàn)。

SOFM神經(jīng)網(wǎng)絡(luò)可以和無(wú)線傳感器網(wǎng)絡(luò)很好的結(jié)合來(lái)解決數(shù)據(jù)融合的問(wèn)題。無(wú)線傳感器中的節(jié)點(diǎn)扮演神經(jīng)網(wǎng)絡(luò)的神經(jīng)元角色，采集的數(shù)據(jù)作為神經(jīng)元的輸入量，在簇頭節(jié)點(diǎn)做神經(jīng)網(wǎng)絡(luò)的增量學(xué)習(xí)工作，從而實(shí)現(xiàn)數(shù)據(jù)的分類。之所以采用無(wú)導(dǎo)師學(xué)習(xí)規(guī)則的神經(jīng)網(wǎng)絡(luò)是因?yàn)樗梢圆恍枰崆爸付ㄓ?xùn)練數(shù)據(jù)的正確分類結(jié)果，因?yàn)閷?duì)我們來(lái)說(shuō)，有時(shí)確實(shí)很難獲得。

2 SOFMDA算法

SOFMDA算法，針對(duì)實(shí)時(shí)監(jiān)測(cè)類應(yīng)用而設(shè)計(jì)，如大型溫室監(jiān)控網(wǎng)，空氣質(zhì)量采集網(wǎng)等。在這些應(yīng)用場(chǎng)景中，傳感器節(jié)點(diǎn)不斷地采集大量的監(jiān)控?cái)?shù)據(jù)，并發(fā)送給匯聚節(jié)點(diǎn)。匯聚節(jié)點(diǎn)受到的數(shù)據(jù)的冗余性主要來(lái)自于以下兩個(gè)方面:(1)鄰近的傳感器節(jié)點(diǎn)采集的數(shù)據(jù)具有較高的相似性;(2)短時(shí)間內(nèi)同一傳感器節(jié)點(diǎn)采集的數(shù)據(jù)具有較高的相似性。然而，我們的研究將不局限于這兩點(diǎn)，只要是可以量化的導(dǎo)致數(shù)據(jù)冗余的因素，都可以作為我們研究的對(duì)象，例如在某些特定的應(yīng)用中傳感器節(jié)點(diǎn)所處的光強(qiáng)度(溫室監(jiān)控)，風(fēng)速(森林防火監(jiān)控)等。

2.1 概念和條件

為方便問(wèn)題的研究，文中N個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在矩形感知區(qū)域內(nèi)。文中使用的概念及標(biāo)識(shí)如表1所示。

表1 本文的概念和標(biāo)識(shí)

本文對(duì)無(wú)線傳感器網(wǎng)絡(luò)具有如下要求:

(1)所有節(jié)點(diǎn)在部署之后不能隨意移動(dòng)，且每個(gè)節(jié)點(diǎn)具有唯一的網(wǎng)內(nèi)標(biāo)識(shí)id號(hào);

(2)節(jié)點(diǎn)的初始能量相同，不存在能量補(bǔ)給;

(3)網(wǎng)絡(luò)中有唯一的匯聚節(jié)點(diǎn)(Sink)，位置固定;

(4)匯聚節(jié)點(diǎn)的能量較充沛，不會(huì)出現(xiàn)死亡現(xiàn)象;

(5)網(wǎng)內(nèi)節(jié)點(diǎn)可以獲知自己所在的位置信息。

對(duì)于要求(5)，因?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合必然要考慮到節(jié)點(diǎn)的空間相關(guān)性造成的數(shù)據(jù)冗余，所以位置信息是SOFM過(guò)程中要考慮的的重要因素。這也是大多數(shù)無(wú)線傳感器網(wǎng)絡(luò)路由算法中所要求的。

2.2 SOFMDA算法模型

SOFMDA算法對(duì)路由協(xié)議沒(méi)有過(guò)多的要求，只要求是分簇路由協(xié)議(然而，不同的分簇協(xié)議也會(huì)導(dǎo)致最終的性能差別)，且在整個(gè)網(wǎng)絡(luò)內(nèi)，節(jié)點(diǎn)成為簇頭滿足公平性的原則即可，所以我們將路由協(xié)議部分泛化處理，在某一時(shí)刻的網(wǎng)絡(luò)拓?fù)銽的情況下討論問(wèn)題。

設(shè)C為當(dāng)前時(shí)刻T拓?fù)湎戮W(wǎng)絡(luò)中所有簇的集合，當(dāng)前時(shí)刻網(wǎng)絡(luò)中簇的數(shù)量為M，即‖C‖=M。Ci代表第 i號(hào)簇，Ci∈C，i=0，1，…，M－1，Ci-Head為Ci的簇頭節(jié)點(diǎn)編號(hào)。我們的算法是在每一個(gè)簇頭節(jié)點(diǎn)進(jìn)行神經(jīng)網(wǎng)絡(luò)的分類操作和數(shù)據(jù)融合操作。設(shè)‖Ci‖=ni，則對(duì)于簇頭Ci-Head內(nèi)的神經(jīng)網(wǎng)絡(luò)將有Qi=ni個(gè)輸入向量(包括Ci-Head采集到的數(shù)據(jù))，由于采用SOFM神經(jīng)網(wǎng)絡(luò)，所以Ci-Head并不需要訓(xùn)練集對(duì)應(yīng)的正確輸出。設(shè)對(duì)于當(dāng)前的網(wǎng)絡(luò)應(yīng)用，影響網(wǎng)絡(luò)中數(shù)據(jù)冗余度的因素為 e1，e2，…，er，則有每個(gè)輸入向量有r個(gè)元素，則Ci-Head的輸入矩陣為一個(gè)r×Qi的二維矩陣:

Ci通過(guò)這Qi個(gè)輸入列向量訓(xùn)練網(wǎng)絡(luò)的權(quán)值，從而達(dá)到對(duì)以后向量的分類操作。圖2為Ci-Head中的SOFM網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖2 Ci-Head中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其中，IW11為神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)和閾值矩陣，‖ndist‖為輸入向量p和IW11的偏差值，S1為最終需要的分類數(shù)，a1為最終的分類結(jié)果。經(jīng)過(guò)Ci-Head內(nèi)的SOFM神經(jīng)網(wǎng)絡(luò)，采集到的數(shù)據(jù)信息已經(jīng)被分類為S1組，被分類到一組的數(shù)據(jù)具有較高的數(shù)據(jù)相關(guān)性，可以使用融合方法將同一組的數(shù)據(jù)進(jìn)行融合，具體的融合方法將在下一節(jié)討論。

圖3為 SOFMDA 算法的模型圖，ci1，ci2，…，cik為簇Ci的簇內(nèi)成員節(jié)點(diǎn)，則k=Qi，分類部分由簇頭結(jié)點(diǎn)Ci-Head完成，這也是SOFMDA的核心部分，其結(jié)構(gòu)示意圖如圖2所示;a1，a2，…，as是原始數(shù)據(jù)經(jīng)過(guò)SOFM后分類成的s個(gè)數(shù)據(jù)集合，在同一集合中的數(shù)據(jù)有很高的數(shù)據(jù)相關(guān)性，適合進(jìn)行特征數(shù)據(jù)的提取，它們將作為DA(數(shù)據(jù)融合)的輸入，提取特征值，也就是最終將發(fā)送到匯聚節(jié)點(diǎn)的數(shù)據(jù)。簇內(nèi)節(jié)點(diǎn)在t時(shí)刻向簇頭節(jié)點(diǎn)發(fā)送的數(shù)據(jù)為一個(gè)r+1元組，其格式為

前r個(gè)元素為影響冗余度因子，用來(lái)在簇頭節(jié)點(diǎn)處進(jìn)行SOFM分類;最后一個(gè)元素data為傳感器采集的真實(shí)數(shù)據(jù)，需要在簇頭節(jié)點(diǎn)處進(jìn)行DA操作，從而獲取最終的特征數(shù)據(jù)。

圖3 SOFMDA模型圖

由于SOFM神經(jīng)網(wǎng)絡(luò)隨著輸入樣本的增加，不斷調(diào)整其內(nèi)部的權(quán)值和閾值矩陣，以使其能越來(lái)越準(zhǔn)確的對(duì)輸入數(shù)據(jù)加以分類，因此網(wǎng)絡(luò)在運(yùn)行之初的結(jié)果可能不夠準(zhǔn)確。應(yīng)該為SOFM網(wǎng)絡(luò)留出一定的自行訓(xùn)練時(shí)間，一般情況下SOFM對(duì)數(shù)據(jù)量不大的樣本，訓(xùn)練200次左右即可達(dá)到準(zhǔn)確。

2.3 SOFMDA中的特征提取

特征提取，將已經(jīng)按照相關(guān)性分好類的數(shù)據(jù)融合為一個(gè)特征值，用此特征值來(lái)代表這一類數(shù)據(jù)，從而達(dá)到減少數(shù)據(jù)傳輸量的目的。

關(guān)于特征提取的方法，一般認(rèn)為有兩種方式，一種為取所有數(shù)據(jù)的算數(shù)平均值為特征值。即圖3中DA部分按照式(3)計(jì)算特征值。

其中‖ai‖為集合ai中元組的數(shù)量，dataij為集合ai中第j個(gè)元組的數(shù)據(jù)。fi為這一時(shí)刻，簇頭節(jié)點(diǎn)ci向匯聚節(jié)點(diǎn)發(fā)送的最終數(shù)據(jù)。這種做法運(yùn)算簡(jiǎn)單，涵義清晰，但當(dāng)數(shù)據(jù)變化范圍較大時(shí)不能很準(zhǔn)確的反應(yīng)數(shù)據(jù)的整體特征，而且如果出現(xiàn)較大的奇異值時(shí)，可能會(huì)給出完全錯(cuò)誤的特征數(shù)據(jù)。因此它適合應(yīng)用在數(shù)據(jù)變化范圍小且穩(wěn)定的場(chǎng)景中。

另外的一種方式是采用可以使所有數(shù)據(jù)的二階中心距最小的數(shù)據(jù)作為最終的特征數(shù)據(jù)。即尋找一個(gè)數(shù)據(jù)d，使得式(4)取最小值。將d作為最終的數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)。

這種方式可以有效地改善奇異值對(duì)整個(gè)數(shù)據(jù)特征的影響。但其對(duì)簇頭節(jié)點(diǎn)的運(yùn)算能力要求較高，且運(yùn)算時(shí)間過(guò)長(zhǎng)，除非在特殊的應(yīng)用中，否則對(duì)于能量寶貴的無(wú)線傳感器網(wǎng)絡(luò)來(lái)說(shuō)，一般不太實(shí)用。

除此之外，還有一些研究學(xué)者提出的特征提取處理方法同樣可以應(yīng)用到SOFMDA算法之中的DA部分，如流量分布加權(quán)融合算法［11］等，該算法通過(guò)實(shí)時(shí)計(jì)算網(wǎng)絡(luò)中的流量分布，選擇路由，從而達(dá)到節(jié)約能耗的目的。

該模型將SOFM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法與傳統(tǒng)的無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合算法相融合，以SOFM為方法，數(shù)據(jù)融合技術(shù)為目的，構(gòu)建了一種新的無(wú)線傳感器數(shù)據(jù)融合算法。

3 仿真測(cè)試

本文采用MATLAB仿真測(cè)試算法的性能。以環(huán)境監(jiān)測(cè)系統(tǒng)為應(yīng)用場(chǎng)景。布置在感知區(qū)域內(nèi)的傳感器節(jié)點(diǎn)可以實(shí)時(shí)采集所處環(huán)境的溫度和濕度數(shù)據(jù)，并將才記得數(shù)據(jù)發(fā)送到Sink節(jié)點(diǎn)。

實(shí)驗(yàn)中我們分別選取SOFMDA的分類數(shù)為4和6，將100個(gè)傳感器節(jié)點(diǎn)部署在100 m×100 m范圍的感知區(qū)域內(nèi)，傳感器節(jié)點(diǎn)本身可以采集溫度和濕度數(shù)據(jù)。路由協(xié)議采用經(jīng)典的LEACH協(xié)議。具體的實(shí)驗(yàn)參數(shù)如表2所示。

表2 仿真實(shí)驗(yàn)參數(shù)

其中冗余度影響因素是指我們認(rèn)為的會(huì)影響數(shù)據(jù)冗余度的因素，在當(dāng)前實(shí)驗(yàn)背景下，時(shí)間和空間是我們考慮影響冗余度最重要的原因。

圖4中展示的是實(shí)驗(yàn)中的數(shù)據(jù)采集元件，分別采用的是LM35溫度傳感器(左)和SHT11濕度傳感器(右)。每一個(gè)傳感器節(jié)點(diǎn)都配備一個(gè)LM35和SHT11元件，用來(lái)采集溫濕度數(shù)據(jù)。

SOFMDA采用同類算法常用的能耗模型［12］，統(tǒng)計(jì)節(jié)點(diǎn)發(fā)送、接收和融合數(shù)據(jù)的能耗。在發(fā)送數(shù)據(jù)時(shí)，如果發(fā)送距離小于閾值d0，采用自由空間模型，否則，采用多路徑衰減模型。節(jié)點(diǎn)發(fā)送和接收l(shuí) bit數(shù)據(jù)的能耗如式(5)和式(6)所示。

其中，d是發(fā)送距離，Eelec是無(wú)線收發(fā)電路發(fā)送或接收單位長(zhǎng)度數(shù)據(jù)的電路能耗，εfs和εmp分別是自由空間模型和多路徑衰減模型的放大器能耗參數(shù)。

圖4 溫度和濕度傳感器元件

為防止個(gè)別傳感器節(jié)點(diǎn)可能產(chǎn)生的較大誤差對(duì)整個(gè)特征數(shù)據(jù)的影響，在做分類之前，我們對(duì)數(shù)據(jù)進(jìn)行歸一化處理，即將所有采集到的數(shù)據(jù)轉(zhuǎn)換為［0，1］區(qū)間之內(nèi)，這樣做不會(huì)改變最終的分類結(jié)果，卻可以保證即使存在個(gè)別的奇異值，也不會(huì)對(duì)最終的結(jié)果產(chǎn)生很大的影響。

圖5是隨機(jī)部署的傳感器網(wǎng)絡(luò)分布圖，‘+’為傳感器節(jié)點(diǎn)，‘●’是這一時(shí)刻網(wǎng)絡(luò)中的簇頭節(jié)點(diǎn)，中央位置的‘☆’為匯聚節(jié)點(diǎn)。圖中可以看出，節(jié)點(diǎn)的部署在空間上呈現(xiàn)隨機(jī)性，距離較近的節(jié)點(diǎn)的數(shù)據(jù)冗余度比較大，適合使用神經(jīng)網(wǎng)絡(luò)的方法歸為一類。

圖5 100個(gè)節(jié)點(diǎn)網(wǎng)絡(luò)的分布圖

圖6展示了某一時(shí)刻圖4中標(biāo)識(shí)出來(lái)的簇的簇頭使用SOFM神經(jīng)網(wǎng)絡(luò)對(duì)13個(gè)簇內(nèi)節(jié)點(diǎn)進(jìn)行“6分類”和“4分類”之后數(shù)據(jù)的分布情況，兩次分類都進(jìn)行了12輪訓(xùn)練。圖6(a)中將13個(gè)數(shù)據(jù)分類為3、3、0、2、2、3 個(gè)一類，圖6(b)中將13 個(gè)數(shù)據(jù)分類為 1、5、3、4個(gè)一類。分類的數(shù)量會(huì)影響到數(shù)據(jù)準(zhǔn)確性和融合程度。

圖7給出了分類數(shù)分別為4和6時(shí)，網(wǎng)絡(luò)中的誤差情況。可以看出分類數(shù)為6的情況誤差比總體低于分類數(shù)為4的情況，分類數(shù)越多，同類中的數(shù)據(jù)相關(guān)性就越明顯，因此最終的特征數(shù)據(jù)也更加接近原始數(shù)據(jù)，同時(shí)可以看出，數(shù)據(jù)誤差在網(wǎng)絡(luò)剛剛建立時(shí)較大，這是因?yàn)镾OFM神經(jīng)網(wǎng)絡(luò)在開(kāi)始學(xué)習(xí)時(shí)的誤差較大，隨著數(shù)據(jù)的不斷增加，由于SOFM的增量學(xué)習(xí)功能，使得網(wǎng)絡(luò)最終的性能降低下來(lái)并趨于穩(wěn)定。

圖6 經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)后的分類

圖7 分類數(shù)對(duì)準(zhǔn)確性的影響

圖8給出了LEACH算法和SOFMDA算法在網(wǎng)絡(luò)能耗方面的性能對(duì)比。可以看出SOFMDA能有效地減少能耗，同時(shí)4分類的情況能耗比6分類的能耗更低，這是因?yàn)榉诸悢?shù)越少，數(shù)據(jù)融合的程度就越大，最終的特征數(shù)據(jù)就越少，通信能耗就越低。

同時(shí)結(jié)合圖7，圖8分析，對(duì)于分類數(shù)的選取同時(shí)影響到數(shù)據(jù)準(zhǔn)確性和能耗水平，應(yīng)該根據(jù)具體應(yīng)用的要求適當(dāng)選擇，在準(zhǔn)確度和能耗之間選取折中點(diǎn)。

圖8 LEACH和SOFMDA能耗

圖9顯示了LEACH算法、6分類SOFMDA算法和4分類SOFMDA算法在不同輪數(shù)網(wǎng)絡(luò)中死亡節(jié)點(diǎn)的數(shù)量的對(duì)比圖。從圖中可以看出，由于對(duì)原始數(shù)據(jù)做了分類融合和特征提取，SOFMDA算法從總體上降低了網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的能耗量，從而延長(zhǎng)了網(wǎng)絡(luò)了整體的生命周期。同時(shí)，由于4分類比6分類有更高的融合度(同樣的原始數(shù)據(jù)，4分類融合后的數(shù)據(jù)更少)，同一時(shí)刻，4分類的算法比6分類算法的死亡節(jié)點(diǎn)數(shù)要更少。

圖9 網(wǎng)絡(luò)中死亡節(jié)點(diǎn)的數(shù)量

當(dāng)網(wǎng)絡(luò)規(guī)模增長(zhǎng)時(shí)，SOFMDA算法可以很好的保持穩(wěn)定性，不會(huì)產(chǎn)生由于數(shù)據(jù)包沖突導(dǎo)致的數(shù)據(jù)重傳和能量損失。圖10顯示了網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)量分別在LEACH算法、BPNDA算法［10］和 SOFMDA(4)算法下對(duì)Sink節(jié)點(diǎn)收到的數(shù)據(jù)量的影響?？梢钥闯?，SOFMDA算法中匯聚節(jié)點(diǎn)收到的數(shù)據(jù)量比LEACH算法匯聚節(jié)點(diǎn)收到的數(shù)據(jù)量要少很多，同時(shí)比之前的BPNDA算法有一定的提升。這是因?yàn)镾OFMDA算法采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)原始數(shù)據(jù)進(jìn)行分類，使得原始數(shù)據(jù)量成倍數(shù)地下降，在減少了傳輸能耗的同時(shí)，也大量地減少了網(wǎng)絡(luò)中數(shù)據(jù)包的數(shù)量，從而減少了網(wǎng)絡(luò)沖突的產(chǎn)生。在網(wǎng)絡(luò)規(guī)模到達(dá)一定程度后，由于信道帶寬和通信速率的影響，LEACH中的接收數(shù)據(jù)量趨于穩(wěn)定，這時(shí)信道已經(jīng)飽和，會(huì)產(chǎn)生大量的數(shù)據(jù)包沖突，而SOFMDA卻一直保持在信道飽和點(diǎn)以下。

最后我們以仿真實(shí)驗(yàn)的方式給出SOFMDA算法相對(duì)于LEACH算法性能的提升程度。我們以Sink節(jié)點(diǎn)收到等量的數(shù)據(jù)包時(shí)，網(wǎng)絡(luò)已經(jīng)消耗的能量作為度量，來(lái)衡量算法的性能。圖11是隨著Sink節(jié)點(diǎn)收到數(shù)據(jù)包數(shù)量的增加網(wǎng)絡(luò)消耗的總能量變化曲線。為比較的效果比較明顯，我們將仿真時(shí)間提高到500 s。

圖10 網(wǎng)絡(luò)規(guī)模對(duì)數(shù)據(jù)量的影響

圖11 SOFMDA算法性能測(cè)試

由于采用了對(duì)原始數(shù)據(jù)進(jìn)行先分類再特征提取的方式，導(dǎo)致網(wǎng)絡(luò)中數(shù)據(jù)傳輸量大大降低，從圖11中可以看出Sink在收到相同數(shù)量的數(shù)據(jù)包的情況下，SOFMDA算法消耗能量的速度明顯低于LEACH算法，在實(shí)驗(yàn)結(jié)束時(shí)SOFMDA算法的性能達(dá)到了LEACH算法的1.5倍左右。

4 結(jié)論

分簇算法和SOFM自組織映射神經(jīng)網(wǎng)絡(luò)相結(jié)合的SOFMDA算法，可以有效地降低無(wú)線傳感器網(wǎng)絡(luò)的能耗。與無(wú)線傳輸所消耗的能量相比，CPU指令所消耗的能量要低的多，因此，用較高的計(jì)算量換取低數(shù)據(jù)傳輸量是有意義的［13］。

仿真測(cè)試表明，本文提出的SOFMDA算法通過(guò)對(duì)原始數(shù)據(jù)分類，同類數(shù)據(jù)特征提取的方式，可以有效地減少數(shù)據(jù)的傳輸量，從而節(jié)約能源，減輕信道壓力，提高信道利用率，延長(zhǎng)網(wǎng)絡(luò)的生命周期。

［1］ 朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)［M］.北京:電子工業(yè)出版社，2010:246－270.

［2］ 周沖，余震虹，王娜娜，等.無(wú)線傳感器網(wǎng)絡(luò)基于分簇路由的數(shù)據(jù)融合研究［J］.現(xiàn)代電子技術(shù)，2012，35(7):13－46.

［3］ Wang Leichun，Zhou Guoyu.A Spatial Correlation Based Data Aggregation Algorithm for Wireless Sensor Networks［J］.Engineering Solutions for Manufacturing Processes，2013，655－657:655－659.

［4］ Nithyakalyani，Kumar S，Suresh S，et al.An Approach to Data Aggregation in Wireless Sensor Network Using Voronoi Fuzzy Clustering Algorithm［J］.Journal of Scientific and Industrial Research，2013，72(5):287－293.

［5］ Reznik L，Von Pless G，AIKarim T.Intelligent Protocols Based on Sensor Signal Change Detection［C］//Proceedings of Systems Communications，2005:443－448.

［6］ 馮芳，程良倫.無(wú)線傳感器網(wǎng)絡(luò)中一種新的基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)路由算法［J］.傳感技術(shù)學(xué)報(bào)，2010，13(10):1476－1479.

［7］ Barbancho J，CarlosLen J，Molina F，et al.Using Artificial Intelligence in Routing Schemes for Wireless Networks［J］.Computer Communications，2007(30):2802－2811.

［8］ 俞黎陽(yáng)，王能，張衛(wèi).無(wú)線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型［J］.計(jì)算機(jī)科學(xué)，2008，35(12):43－47.

［9］ Heinzelman W，Chandrakasan A，Balakrishnan H.Energy-Efficient Communication Protocols for Wireless Microsensor Networks［C］//Proceedings of 33rd Hawaii International Conference on Systems Science，Washington，DC，2000:8020－8030.

［10］孫凌逸，黃先祥，蔡偉，等.基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法［J］.傳感技術(shù)學(xué)報(bào)，2011，24(1):122－127.

［11］蔡宗吟，劉才銘，劉毅，等.一種高性能數(shù)據(jù)融合算法在無(wú)線傳感器網(wǎng)絡(luò)中的應(yīng)用［J］.青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，34(3):309－314.

［12］ Heinzelman W R.An Application Specific Protocol Architecture for Wireless Microsensor Networks［J］.IEEE Transactions on Wireless Communications，2002，1(4):660－670.

［13］ Min R，Bhardwaj M，Seong-hwan Cho，et al.Energy-Centric Enabling Technologies for Wireless Sensor Networks［J］.IEEE Wireless Communications，2002，9(4):28－3.