無線傳感網(wǎng)中基于BP神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法

樊雷松，強 彥，趙涓涓，胡洋洋，格 磊

（太原理工大學 計算機學院，山西 太原030024）

0 引 言

使用多種傳感器檢測森林環(huán)境，并通過無線網(wǎng)絡的傳輸，能夠有效地提高森林火災的監(jiān)測能力。為了減少節(jié)點能量的開銷，出現(xiàn)了節(jié)點調(diào)度和數(shù)據(jù)融合等技術[1，2]，延長了節(jié)點的生存時間。在應用了數(shù)據(jù)融合技術的無線傳感網(wǎng)中，終端節(jié)點接受到數(shù)據(jù)后，先通過閾值剔除噪音數(shù)據(jù)，然后進行融合判斷。如果終端節(jié)點判斷到有火災，那么它將通過中心節(jié)點將數(shù)據(jù)上報給數(shù)據(jù)中心，并報告火勢[3]。否則，終端節(jié)點的通信模塊將處于休眠狀態(tài)。從而，減少了節(jié)點的電量消耗，很好地解決了無線傳感網(wǎng)中存在大量無效數(shù)據(jù)的問題[4]。因此，無線傳感網(wǎng)中的數(shù)據(jù)融合是很有必要性的。然而，這種方法也有很多問題，例如:數(shù)據(jù)融合算法種類很多，很難挑選一種最優(yōu)的算法應用于火災監(jiān)測；無線網(wǎng)絡節(jié)點處理能力有限，達不到算法所需要的計算能力；算法的收斂速度慢，消耗了過多的電量。

針對上述的問題，本文提出了一種改進了的基于BP神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法，這種方法能夠快速地收斂，并且描述了使用硬件實現(xiàn)該方法的步驟。最后，將其應用到了森林防火上，減少了無線傳感網(wǎng)絡中的無效數(shù)據(jù)，延長了節(jié)點的生命周期。

1 相關工作

無線傳感是具有交叉學科性質(zhì)的技術，而且可以廣泛應用于國家軍事、智能交通管理、大型災害預測、全民醫(yī)療衛(wèi)生和城市信息化建設等各種領域[5]。

近幾年來引入了無線傳感網(wǎng)絡搭載上各種傳感器的技術來檢測火災，無線傳感網(wǎng)絡可以通過各種傳感器來實時接受數(shù)據(jù)。然后，將獲取的數(shù)據(jù)通過ZigBee等協(xié)議經(jīng)路由后傳輸給網(wǎng)絡中心。其中，無線傳感網(wǎng)絡是由功能各異的許多無線傳感器以及微型處理器等節(jié)點組成[6]。

在無線傳感網(wǎng)的基礎上進行的數(shù)據(jù)融合是指利用計算機對按時序獲得的若干觀測信息，在一定準則下加以自動分析、綜合，以完成所需的決策和評估任務而進行的信息處理技術。

數(shù)據(jù)融合的定義是多方面和多層次的處理數(shù)據(jù)序列，就是把來自各個傳感器與信息源的數(shù)據(jù)和信息加以相關、聯(lián)合和組合，從而獲得了精確的身份估計和位置估計，然后對整體的情況做出應急判斷。數(shù)據(jù)融合這種技術在近30年來取得了飛速的發(fā)展，在多個先進發(fā)達國家，都有學者和技術人員在開展數(shù)據(jù)融合技術的研究，所以這一領域的研究內(nèi)容和成果已大量出現(xiàn)在各種學術會議和公開的學術期刊上[7，8]。

經(jīng)常使用的數(shù)據(jù)融合的算法有:

經(jīng)典統(tǒng)計理論:將被測參數(shù)作為一個固定值，沒有充分利用其先驗信息，精度和信度是預定的，不依賴于樣本。

Bayes估計理論:Bayes方法具有嚴格的理論基礎，應用廣泛，采用歸推理的方法對多源信息進行有效地融合，充分利用了測量對象的先驗信息[9]。

濾波跟蹤型數(shù)據(jù)融合算法:利用數(shù)字濾波方法根據(jù)測量值估計被測量真值，利用當前和歷史測量數(shù)據(jù)估計目標未來狀態(tài)[10]。

神經(jīng)網(wǎng)絡方法:是一種規(guī)則透明的非線性映射方法，信息存儲于網(wǎng)絡結(jié)構(gòu)和連接權值，增強了信息處理的容錯性，具有自組織和自學習能力[11，12]。

陳宜等人提出了一種聯(lián)合BP神經(jīng)網(wǎng)絡和D－S證據(jù)理論的方法[13]。該方法能提高數(shù)據(jù)融合的效果且去噪效果好，但能耗大不易應用于無線節(jié)點。凌有利提出了基于模糊神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法[14]，這種方法的優(yōu)勢就是提高神經(jīng)網(wǎng)絡的學習速度，但是其它方面的效果比較一般。

2 架構(gòu)設計

2.1 總體架構(gòu)

防火系統(tǒng)的架構(gòu)如圖1所示。整個架構(gòu)分為4個層次:應用層、傳輸層、融合判斷層和感應層。在通用的物聯(lián)網(wǎng)架構(gòu)中加入了數(shù)據(jù)的融合判斷層，這一層與上下兩層相互合作屏蔽掉了無用的信息，進行了多數(shù)據(jù)的融合。

感應層通過各種傳感器獲取數(shù)據(jù)，包括森林中的濕度、溫度等值。

圖1 系統(tǒng)網(wǎng)絡層次

傳輸層規(guī)定了防火系統(tǒng)所選用的無線協(xié)議標準。選擇協(xié)議的一個重要指標是電量，由于無線傳感網(wǎng)絡中的節(jié)點耗電問題，必須選取省電、節(jié)能的協(xié)議。ZigBee就是這樣一種已被廣泛應用的無線協(xié)議。ZigBee聯(lián)盟對網(wǎng)絡協(xié)議進行了標準化，同時開發(fā)了安全功能，應用已經(jīng)比較成熟。

應用層目標是軟件應用，當通信層傳輸數(shù)據(jù)到應用層的云數(shù)據(jù)庫中，用戶可以通過Web界面監(jiān)視節(jié)點的狀態(tài)，獲取火災警告息，并管理歷史數(shù)據(jù)。用戶可以通過云平臺的計算能力分析數(shù)據(jù)，對火災、火勢進行預測。

在融合判斷層，多數(shù)據(jù)融合技術綜合森林中的多個傳感器的數(shù)據(jù)，收集多個傳感器的信息，應用閾值調(diào)節(jié)的神經(jīng)網(wǎng)絡融合數(shù)據(jù)來判斷火災信息。

2.2 融合判斷層

在這一層中，將節(jié)點采集到的火焰、溫度、濕度、氣體等信息綜合判斷。

首先，通過閾值刪除無效的干擾數(shù)據(jù)。然后，利用多數(shù)據(jù)融合技術處理感應層得到的數(shù)據(jù)。其中用到的融合算法，對獲得的數(shù)據(jù)進行時序上的排列，然后在數(shù)學模型的準則上判斷有效信息。

BP神經(jīng)網(wǎng)絡的融合方法就是本文所選取的數(shù)學模型。它通過權值的調(diào)節(jié)增加了數(shù)據(jù)的準確性。經(jīng)過反復地訓練能夠選取最合適的權值和閾值。權值的大小決定了某種數(shù)據(jù)的重要程度，從而能夠?qū)Χ喾N數(shù)據(jù)進行綜合判斷。

完成這一工作的硬件設備是中心節(jié)點，也就是具有獨立處理能力的節(jié)點，由單片機、傳輸模塊和各種傳感器組成。傳輸模塊通過ZigBee協(xié)議接受終端節(jié)點的數(shù)據(jù)，然后進行數(shù)據(jù)的融合。

在融合層處理大量的數(shù)據(jù)，需要消耗電量，所以這層的算法至關重要，算法的復雜度決定了節(jié)點電量的消耗量。算法是否快速的收斂也決定了融合層設計的成敗。

3 算法思想

3.1 算法的提出

數(shù)據(jù)融合就是利用計算機對各種信息源進行處理、控制和決策的一體化過程。無線設備采集到的數(shù)據(jù)經(jīng)由單片機和服務器進行處理和控制，從而決定了防火系統(tǒng)的決策。

1943年，Warren Mcclloch和Walter Pitts最早提出了一種人工神經(jīng)元模型，這種模型的主要特點就是把神經(jīng)元輸入信號的加權和其閾值相比較以確定神經(jīng)元的輸出。本文就是延續(xù)了這一思想然后對閾值進行自動調(diào)整形成的神經(jīng)網(wǎng)絡方法。

算法的改進:通過Levenberg－Marquardt算法優(yōu)化的BP神經(jīng)網(wǎng)絡，加快了收斂速度，使得這種融合算法更好地應用于電量很少的無線傳感節(jié)點上。

3.2 神經(jīng)網(wǎng)絡訓練

每個節(jié)點上安裝3個傳感器，分別用于接收溫度、濕度、氣體 （UEL）數(shù)據(jù)。先對數(shù)據(jù)進行閾值設定，從而得到輸入向量。

定義1 輸入向量就是3種傳感器達到預設閾值后的輸出值P（X1，X2，X3）。例如:當溫度感應器的模擬信號是40，濕度模擬信號是60和氣體的模擬信號是100的時候輸入向量為P（40，60，100）。

由于傳感器節(jié)點能量的主要消耗在傳輸數(shù)據(jù)上，因此，減少節(jié)點數(shù)據(jù)傳輸量可以有效的延長網(wǎng)絡的生命周期。由定義可以看出來傳感器接受的數(shù)據(jù)是多數(shù)據(jù)，而輸出則是一個單數(shù)據(jù)。本節(jié)點傳輸給網(wǎng)絡中心的數(shù)據(jù)也就是一個值，所以大大減少的電能的損失。在得到輸入量之后，設計MLP神經(jīng)網(wǎng)絡的神經(jīng)元。

其中P表示一個輸入向量，W是表示權值，當傳感器的輸入值與權值相乘的時候，權值指定了數(shù)據(jù)的重要性，這個是由于某類數(shù)據(jù)對火災的影響程度是不同的所決定的。S表示中間層的數(shù)據(jù)流。B是閾值矩陣，前饋層的傳輸函數(shù)是Purelin型函數(shù)，遞歸層的激勵函數(shù)是Poslin型函數(shù)。

如圖2所示，MLP神經(jīng)網(wǎng)絡的神經(jīng)元在中心節(jié)點實現(xiàn)之后，處理接受各種傳感器的數(shù)據(jù)。首先MLP神經(jīng)網(wǎng)絡進入學習階段對網(wǎng)絡權值和閾值進行修改。對于多層網(wǎng)絡上一層的輸入等于下一層的輸出，最后的輸出作為觀測火災的特征值來做策論判別。通過MatLab自帶的函數(shù)訓練好神經(jīng)網(wǎng)絡，然后反復地修正網(wǎng)絡權值和閾值后，中心節(jié)點下傳給終端節(jié)點，從而終端節(jié)點有了對火災的判斷能力，不需要進行大量數(shù)據(jù)的傳播，從而節(jié)省了電量。

圖2 神經(jīng)元

如果節(jié)點使用的單片機使得節(jié)點的處理能力不足以訓練神經(jīng)網(wǎng)絡的感知機器，那么學習階段也可以在數(shù)據(jù)中心進行，學習階段分為四步:

步驟1 數(shù)據(jù)中心通知中心節(jié)點進入學習階段，中心節(jié)點通過Zigbee網(wǎng)絡設定終端節(jié)點中神經(jīng)網(wǎng)絡元的閾值和權值。

步驟2 中心節(jié)點選取一定時間段內(nèi)本區(qū)域收集到的數(shù)據(jù)，然后構(gòu)建神經(jīng)網(wǎng)絡。

步驟3 中心節(jié)點自動檢索數(shù)據(jù)庫構(gòu)建輸入向量P（X1，X2，X3），然后應用輸入向量訓練神經(jīng)網(wǎng)絡得到新的閾值和權值。

步驟4 中心節(jié)點下傳給終端節(jié)點新的網(wǎng)絡權值和閾值。

3.3 節(jié)點對輸入量的判斷

當終端節(jié)點拿到權值和閾值之后就可以通過神經(jīng)元對火災進行判斷。通過神經(jīng)網(wǎng)絡的輸入矢量求輸出的矢量步驟如下所示。

步驟1 使用隨機產(chǎn)生的權值矩陣與輸入向量相乘。然后與閾值B累加從而形成凈輸入n

步驟2 前饋層神經(jīng)元輸出。通過傳播函數(shù)處理凈輸入量得到的就是前饋神經(jīng)的輸出，用來作為遞歸層的輸入量

步驟3 遞歸層的反復計算直到神經(jīng)網(wǎng)絡的收斂

3.4 節(jié)點上收斂過程的優(yōu)化

由于傳感器節(jié)點能量受限，如何將BP神經(jīng)網(wǎng)絡算法應用到節(jié)點上將是一大挑戰(zhàn)。

LMBP算法加快了神經(jīng)網(wǎng)絡的收斂，在LMBP中最要求出判別矩陣，首先計算誤差的倒數(shù)然后得出LMP網(wǎng)絡的判別矩陣。從而計算出最有效權值和閾值，通過Levenberg－Marquardt算法優(yōu)化的BP神經(jīng)網(wǎng)絡很好的在節(jié)點上實現(xiàn)，使得電量的消耗下降。更快速的收斂減少了信息的傳播時間。

4 實 驗

4.1 中心節(jié)點的實現(xiàn)

中心節(jié)點如圖3所示，包括傳感模塊、處理模塊、通信模塊、數(shù)據(jù)采集模塊、數(shù)據(jù)融合模塊。

傳感模塊:通過溫濕度傳感器、氣體傳感器、溫度傳感器采集基礎數(shù)據(jù)用于數(shù)據(jù)融合。

處理模塊:通過單片機完成數(shù)據(jù)融合計算，從而判斷有效的數(shù)據(jù)再傳遞給無線模塊，同時單片機還有電源管理的功能給整個裝置提供電源策略。

通信模塊:硬件實現(xiàn)的Xbee協(xié)議棧。

數(shù)據(jù)采集模塊:是傳感器的驅(qū)動程序，驅(qū)動傳感器采集數(shù)據(jù)，通過數(shù)據(jù)閾值自動地剔除多余的，無效的，混雜的傳感器數(shù)據(jù)，從而達到減少功耗的效果。

數(shù)據(jù)融合模塊:將各種信息聯(lián)合起來融合成關鍵信息，報告可能的火勢。融合過程就是上述的利用神經(jīng)網(wǎng)絡對多種數(shù)據(jù)進行融合，然后使用了Levenberg－Marquardt算法來提高神經(jīng)網(wǎng)絡的收斂速度。

中心節(jié)點是一個獨特的裝置。本裝置模塊化的設計使節(jié)點能夠根據(jù)環(huán)境安裝各種傳感器，對多種數(shù)據(jù)進行融合。當節(jié)點處于休眠狀態(tài)的時候，只開啟數(shù)據(jù)采集模塊和融合模塊。當融合模塊發(fā)現(xiàn)火勢后節(jié)點變成激活狀態(tài)，同時開啟通信模塊。這種設計應用于森林防火的物聯(lián)網(wǎng)后，很好地解決了節(jié)點功耗高的問題。

更為難得的是中心節(jié)點使用的LMBP算法加快了神經(jīng)網(wǎng)絡收斂的速度，降低了算法對節(jié)點硬件的要求。使用一般的嵌入式單片機就可以實現(xiàn)融合算法。從而，解決了BP神經(jīng)網(wǎng)絡算法不能移植到節(jié)點上的問題。

4.2 實驗過程

步驟1 調(diào)試ZigBee模塊組建網(wǎng)絡。使用Xbee適配器將ZigBee模塊調(diào)試成API模式。

步驟2 開發(fā)中心節(jié)點，將ZigBee模塊插入到Arduino（一款實用的嵌入式開發(fā)單片機）的擴展板上，利用Arduino的IDE開發(fā)Zigbee的驅(qū)動程序然后嵌入到單片機中。

步驟3 先在計算機上使用MatLab實現(xiàn)神經(jīng)網(wǎng)絡，然后轉(zhuǎn)換成C程序，將程序移植到中心節(jié)點上。

步驟4 在中心節(jié)點上實現(xiàn)數(shù)據(jù)融合，取得新的權值矩陣和數(shù)據(jù)閾值。

步驟5 中心節(jié)點通過無線網(wǎng)絡將閾值和權值矩陣發(fā)送給終端節(jié)點。

步驟6 開發(fā)終端節(jié)點，給終端節(jié)點上安裝傳感器，進行采樣，利用中心節(jié)點提供的權值和閾值進行數(shù)據(jù)融合。通過單片機編程將神經(jīng)網(wǎng)絡生成的有效信息發(fā)送到網(wǎng)絡中心。

步驟7 在網(wǎng)絡中心監(jiān)視收到的數(shù)據(jù)。

5 實驗結(jié)果分析

使用了數(shù)據(jù)融合的節(jié)點生命長度將是普通節(jié)點的三倍以上，隨著節(jié)點的數(shù)量增長，在多個節(jié)點上傳播數(shù)據(jù)也會消耗大量的電量，應用了數(shù)據(jù)融合的節(jié)點將越發(fā)具有優(yōu)勢。圖4比較了使用融合算法和沒有使用融合算法的單個節(jié)點的平均消耗的電量，圖5比較了使用LMBP算法后多個節(jié)點之間的收斂速度。

在第一個數(shù)據(jù)分析實驗中，選取了普通節(jié)點，還有采用常規(guī)方法融合的節(jié)點，和BP神經(jīng)網(wǎng)絡進行融合的節(jié)點進行對比。隨著節(jié)點數(shù)目的增加由于數(shù)據(jù)在多個節(jié)點中傳播所以單個節(jié)點的平均能量消耗也在不斷的增加?？v向地比較發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡的電量消耗至少是普通節(jié)點的1／3，而且隨著節(jié)點數(shù)量的增加單個節(jié)點電量的消耗增加幅度也不是很大。可見本方法融合后節(jié)點的生存周期延長。

在第二個數(shù)據(jù)分析實驗中比較了多個節(jié)點的收斂速度，當CPU的速率大于2000hz的時候算法的收斂速度只與節(jié)點的個數(shù)有關?？梢缘贸鼋Y(jié)論本算法是行之有效的算法。

分析數(shù)據(jù)的輸出可知，利用改進到的BP神經(jīng)網(wǎng)絡數(shù)據(jù)融合算法，提高了火災預測成功率，而且減少了節(jié)點的能耗。有效地同WSN中的ZigBee類型的網(wǎng)絡結(jié)合，成功地實現(xiàn)了遠距離無線網(wǎng)低功耗傳輸微量的數(shù)據(jù)。很好地彌補了WSN中硬件所固有的問題。

6 結(jié)束語

本文描述了一種改進BP神經(jīng)網(wǎng)絡融合算法，實驗數(shù)據(jù)表明，該方法應用到監(jiān)測火災的無線傳感網(wǎng)中，能有效提高火災監(jiān)測的準確程度，同時，能加快無線傳感網(wǎng)中節(jié)點的數(shù)據(jù)監(jiān)測效率，降低節(jié)點的電能消耗。

對于LMBP算法還有一些待完善的地方，如數(shù)據(jù)融合算法的簡化等。這些工作涉及到了數(shù)學統(tǒng)計，模式識別等領域，將在后續(xù)的研究工作中繼續(xù)改進和完善。

[1]Preti，F(xiàn)ederico.Forest protection and protection forest:Tree root degradation over hydrological shallow landslides triggering[J].Ecological Engineering，2012，33 （13）:139－145.

[2]Li Li，Li Weijia.The analysis of data fusion energy consumption in WSN[C]／／International Conference on System Science，Engineering Design and Manufacturing Informatization.IEEE，2011:310－313.

[3]Izadian，Roshanak，Manzuri，et al.Energy－saving technologies of WSN[J].Advanced Materials Research，2013，605:566－569.

[4]Hussain M A，kyung Sup K.WSN research activities for military application[C]／／11th International Conference on Advanced Communication Technology.IEEE，2009:271－274.

[5]Zhang Jiawei，Wang Keqi，Yue Qi.Data fusion algorithm based on functional link artificial neural networks[J].Proceedings of the World Congress on Intelligent Control and Automation，2011:2806－2810.

[6]Ying Qiu，Ding Zhongtan.Greenhouse control system based on WSN[J].Key Engineering Materials，2011，486:254－257.

[7]FU Hua，DU Xiaokun.Multi－sensor optimum fusion based on the bayes estimation[J].Techniques of Automation and Applications，2009，24 （4）:10－12.

[8]Zhu Zhongbo，Wang Gang，Zhang Dian.A design of mine WSN layout strategy[J].Procedia Engineering，2011，15（3）:5508－5513.

[9]Xu Yia，Liu Jiaojiao.Advanced materials research[J].Materials Science and Information Technology II，2012，3:1606－1610.

[10]Distefano，Salvatore.Reliability evaluation of WSN with dynamic－dependent nodes[J].International Journal of Reliability，Quality and Safety Engineering，2011，18 （6）:515－530.

[11]Pei T，Xie D，Li Z，et al.A Heterogeneous－aware cooperative MIMO transmission scheme in WSN[J].Journal of Software，2013，8 （3）:639－644.

[12]Ling Youzhu，Xu Xiaoguang，Shen Lina.Multi sensor data fusion method based on fuzzy neural network[C]／／IEEE International Conference on Industrial Informatics，2008:153－158.

[13]Zhao X，Wang J.An algorithm of data fusion using neural network[C]／／International Conference on Electric Information and Control Engineering.IEEE，2011:2950－2953.

[14]Tian Jingwen，Zhou Hao，Li Kai.Corrosion detection system for oil pipelines based on multi－sensor data fusion by wavelet neural network[C]／／IEEE International Conference on Control and Automation，2008:2958－2963.

[15]Jiang Shaofei，Zhang Chunming，Koh C G.Structural damage detection by integrating data fusion and probabilistic neural network[J].Advances in Structural Engineering，2008，9（4）:445－457.