一種基于改進支持度的節(jié)能型WSNs 數(shù)據(jù)融合算法*

王 波，孫智國，熊 濤

(重慶大學(xué) 計算機學(xué)院，重慶400044)

0 引 言

無線傳感器網(wǎng)絡(luò)(WSNs)應(yīng)用數(shù)據(jù)融合技術(shù)可將來自多個節(jié)點的數(shù)據(jù)進行整合，降低網(wǎng)絡(luò)的能耗、提高數(shù)據(jù)采集的準確性和效率［1］。但由于節(jié)點自身的測量誤差、部署環(huán)境、傳輸誤差等因素的影響，節(jié)點采集到的數(shù)據(jù)往往含有不確定或錯誤的信息，并不能完全反映事物的真實情況，因此，在數(shù)據(jù)融合時需要找出不同數(shù)據(jù)間的關(guān)系來確定其可信度，并根據(jù)數(shù)據(jù)的可信度進行融合［2］。支持度函數(shù)的數(shù)據(jù)融合方法可以很好地完成這一任務(wù)，引起了廣泛的研究興趣。文獻［3］提出一種指數(shù)衰減函數(shù)計算傳感器數(shù)據(jù)間的支持度，并通過多次實驗確定了數(shù)據(jù)一致性度量最優(yōu)的計算方式。文獻［4，5］運用指數(shù)衰減函數(shù)計算傳感器數(shù)據(jù)間的支持度，提出了一種充分利用數(shù)據(jù)一致性度量蘊含的可信度的加權(quán)方式進行數(shù)據(jù)融合。文獻［6］針對時變非線性的狀態(tài)估計問題提出了一種置信距離的支持度函數(shù)，使用該函數(shù)進行多傳感器的數(shù)據(jù)融合。文獻［7］對基于置信距離的支持度函數(shù)的支持度函數(shù)進行了調(diào)整，并與加權(quán)數(shù)據(jù)融合算法相結(jié)合用于雷達的目標識別中。文獻［8］提出基于鄰近量測認知信息的支持度函數(shù)獲得傳感器數(shù)據(jù)的一致性關(guān)聯(lián)矩陣，用于多傳感器的數(shù)據(jù)融合進行溫度檢測。

支持度函數(shù)的數(shù)據(jù)融合算法運行于匯聚節(jié)點，依次接收感知節(jié)點發(fā)送的每一個數(shù)據(jù)進行融合，這種方法不利于節(jié)省節(jié)點能量。本文在感知節(jié)點對數(shù)據(jù)進行初次融合，并將自支持度的概念與灰色接近度理論相結(jié)合的改進支持度函數(shù)數(shù)據(jù)融合算法用于匯聚節(jié)點，提出一種節(jié)能型WSNs數(shù)據(jù)融合算法。通過仿真實驗表明:該算法在提高數(shù)據(jù)融合的精確度的同時，還可以降低節(jié)點的能耗。

1 基于改進支持度的節(jié)能型WSNs 數(shù)據(jù)融合過程

本文提出的基于改進支持度的節(jié)能型WSNs 數(shù)據(jù)融合算法包括感知節(jié)點監(jiān)測數(shù)據(jù)的初次融合和匯聚節(jié)點的二次數(shù)據(jù)融合兩部分，其融合模型如圖1 所示。在感知節(jié)點依據(jù)設(shè)定的閾值對采集到的數(shù)據(jù)進行初次融合并傳送給匯聚節(jié)點;匯聚節(jié)點收到初次融合的數(shù)據(jù)后，采用改進支持度函數(shù)計算最終的融合估計值。

圖1 數(shù)據(jù)融合模型Fig 1 Data fusion model

2 感知節(jié)點監(jiān)測數(shù)據(jù)的初次融合過程

感知節(jié)點監(jiān)測數(shù)據(jù)初次融合的目的主要是減少節(jié)點間的數(shù)據(jù)通信量、降低節(jié)點能耗。由文獻［9］可知，計算上的能耗是通信能耗的10－3倍，因此，在感知節(jié)點對數(shù)據(jù)進行初次融合，減少數(shù)據(jù)的通信量是可達到節(jié)能的目的。假設(shè)WSNs 中:1)由n 個傳感器節(jié)點監(jiān)測同一環(huán)境;2)傳感器被喚醒后以等待時間間隔t 采集一次數(shù)據(jù)為aij(i=1，2，…n;j=1，2…)。

設(shè)定2 個閾值δ 和τ，其中，δ 取傳感器的最大誤差，用來限定節(jié)點采集到的數(shù)據(jù)間的最大差值，τ 用來限定采集次數(shù)，每個傳感器將采集的數(shù)據(jù)保存在節(jié)點存儲器中。數(shù)據(jù)的預(yù)處理分為兩種情況［10］:1)如果第i(i ＜τ)次采集到的數(shù)據(jù)與前i－1 次采集到的數(shù)據(jù)任意一個之間的差值超過閾值δ 時，此時認為數(shù)據(jù)出現(xiàn)突變，計算前i－1 次數(shù)據(jù)的均值并發(fā)送到匯聚節(jié)點。2)當采集數(shù)據(jù)的次數(shù)達到τ 次時，計算前τ－1 次數(shù)據(jù)的均值并發(fā)送到匯聚節(jié)點，將第τ 次的數(shù)據(jù)作為下一次采集的第一個數(shù)據(jù)。

節(jié)點采集到的數(shù)據(jù)的預(yù)處理過程如下:

1)設(shè)ai1為第i 個節(jié)點采集的第1 個數(shù)據(jù)。

2)每采集一次數(shù)據(jù)aij，分別與前j－1 次的數(shù)據(jù)ai1，ai2，…，aij－1進行比較:

a.當任一組數(shù)據(jù)的差值超過閾值δ，即|aij－aik|＞δ，k=1，2，…，j－1 時，認為數(shù)據(jù)出現(xiàn)突變，計算前j－1 次采集到數(shù)據(jù)的均值

b.當數(shù)據(jù)的采集次數(shù)超過τ 時，計算前τ－1 次采集到數(shù)據(jù)的均值

3)將第j 次采集的數(shù)據(jù)aij作為下一次采集的第一個數(shù)據(jù)ai1，將ˉa 發(fā)送到匯聚節(jié)點。

4)重復(fù)步驟(1)～(3)。

3 基于改進支持度函數(shù)的匯聚節(jié)點數(shù)據(jù)融合算法

經(jīng)過傳感器感知節(jié)點初次融合后的數(shù)據(jù)和實際值之間仍可能存在較大的誤差，需要對初次融合值進行再次融合。

用指數(shù)衰減型支持度函數(shù)描述傳感器節(jié)點數(shù)據(jù)間的支持度，其定義如下:

定義1 d=exp(－β(a－b)2)。其中，參數(shù)β 是支持度衰減因子，對于指定的|a－b|，調(diào)整β 的大小，可以調(diào)整支持度函數(shù)的衰減幅度。

3.1 改進型支持度函數(shù)的一致性度量算法

為了更可靠地評估不同傳感器節(jié)點數(shù)據(jù)間的支持度，除了要考慮同一時刻，不同傳感器節(jié)點數(shù)據(jù)的可靠性，還應(yīng)該考慮同一節(jié)點在整個觀測區(qū)間內(nèi)多次采集到數(shù)據(jù)的可靠性，據(jù)此本文提出一種改進的支持度函數(shù)。

設(shè)k(1≤k≤m)時刻傳感器節(jié)點i，j 經(jīng)預(yù)處理后的數(shù)據(jù)分別是ai(k)和aj(k)。

定義2 傳感器節(jié)點i 的自支持度為

由改進支持度函數(shù)的定義可知:

1)zij(k)=zji(k)，即傳感器節(jié)點i，j 的數(shù)據(jù)對彼此的支持度是相同的。

2)zij(k)的取值范圍為0≤zij(k)≤1;當zij(k)=0 時，表示傳感器節(jié)點i，j 的數(shù)據(jù)互不支持;當zij(k)=1 時，表明傳感器節(jié)點i，j 的數(shù)據(jù)強支持。

由改進支持度函數(shù)計算出各傳感器節(jié)點數(shù)據(jù)的支持度并構(gòu)建支持度矩陣

在k 時刻，傳感器節(jié)點i 的數(shù)據(jù)與其他所有傳感器節(jié)點數(shù)據(jù)的一致性度量為

0≤γi(k)≤1，傳感器節(jié)點數(shù)據(jù)的支持度一致性度量反映了在某個觀測時刻，第i 個傳感器節(jié)點數(shù)據(jù)與其他傳感器節(jié)點數(shù)據(jù)的接近程度，若γi(k)大，表明k 時刻第i 個傳感器節(jié)點數(shù)據(jù)與其他傳感器節(jié)點數(shù)據(jù)的接近度高;反之，第i 個傳感器節(jié)點數(shù)據(jù)偏離多數(shù)傳感器節(jié)點數(shù)據(jù)。

3.2 使用改進支持度函數(shù)計算匯聚節(jié)點的融合估計值

為保證事件發(fā)生的整個觀測區(qū)間上一致性和可靠性高的傳感器節(jié)點數(shù)據(jù)充分被利用，采用傳感器節(jié)點數(shù)據(jù)的一致性均值和一致性方差的概念來描述事件發(fā)生的整個觀測區(qū)間上各個傳感器節(jié)點數(shù)據(jù)一致性度量蘊含的可靠性［4］。

整個觀測區(qū)間上的m 個觀測時刻，第i 個傳感器節(jié)點數(shù)據(jù)的一致性均值為

第i 個傳感器節(jié)點數(shù)據(jù)的一致性方差為

為充分利用一致性均值大，且一致性方差小的傳感器節(jié)點數(shù)據(jù)，取第i 個傳感器節(jié)點數(shù)據(jù)的加權(quán)值wi與數(shù)據(jù)一致性均值正相關(guān)，而與數(shù)據(jù)一致性方差負相關(guān)

融合后的最優(yōu)估計值為

式中 ai(k)為k 時刻傳感器節(jié)點i 的數(shù)據(jù)，wi(k)為時刻傳感器節(jié)點i 的數(shù)據(jù)的加權(quán)值。

4 仿真實驗與結(jié)果分析

采用Matlab 7.0 進行仿真測試，模擬出一個溫度保持在900 ℃左右的恒溫箱內(nèi)部環(huán)境，3 個節(jié)點隨機的散布在恒溫箱內(nèi)部，以相同的時間間隔采集一次溫度數(shù)據(jù)，每個節(jié)點的初始能量為2 J。文獻［4］中采用3 個傳感器節(jié)點對恒溫箱進行溫度檢測得到了6 組觀測數(shù)據(jù)如表1 所示，為盡可能地使模擬測試的數(shù)據(jù)接近真實情況，本測試使用這組數(shù)據(jù)作為原始數(shù)據(jù)。

表1 傳感器節(jié)點的觀測數(shù)據(jù)Tab 1 Observed data of sensor nodes

4.1 融合結(jié)果分析

以加權(quán)數(shù)據(jù)融合作為算法1，以文獻［3］中的指數(shù)衰減型支持度函數(shù)進行數(shù)據(jù)融合的方法作為算法2，以文獻［8］中基于鄰近量測認知信息的支持度函數(shù)進行數(shù)據(jù)融合的方法作為算法3，與本文算法對表1 數(shù)據(jù)融合后的結(jié)果如表2所示，為詳細比較四種方法的融合效果，將數(shù)據(jù)采集的次數(shù)提高到100 次，得到的絕對誤差效果如圖2 所示。

從圖2 和表2 的實驗結(jié)果可以看出:加權(quán)數(shù)據(jù)融合算法因需人為設(shè)置傳感器的方差，其融合精度最低;本文算法的絕對誤差最小約為0.98 ℃，更加接近真實值(900 ℃)。

表2 融合結(jié)果Tab 2 Fusion results

圖2 四種方法的絕對誤差Fig 2 Absolute error of four methods

4.2 能耗結(jié)果分析

本文算法與傳感器節(jié)點將采集的數(shù)據(jù)直接發(fā)送給匯聚節(jié)點的算法相比，節(jié)點的平均能耗如圖3 所示。經(jīng)多次實驗表明:隨著在傳感器節(jié)點數(shù)據(jù)預(yù)處理階段設(shè)置的閾值δ的增加，節(jié)點可節(jié)約較多的能量;但為了保證融合的精確度，閾值不能無限增大。在本文實驗中，當閾值δ=5 時，可達到最好的節(jié)能效率，可節(jié)能27.87%，并保證數(shù)據(jù)融合的精確性。

圖3 節(jié)點平均能耗Fig 3 Average energy consumption of node

5 結(jié)束語

本文提出一種改進支持度的節(jié)能型數(shù)據(jù)融合算法，該算法首先在感知節(jié)點對數(shù)據(jù)進行初次融合處理，然后將初次融合后的數(shù)據(jù)發(fā)送到匯聚節(jié)點，采用基于改進支持度函數(shù)進行二次融合，以達到降低節(jié)點能耗和提高數(shù)據(jù)融合精度的目的。使用Matlab 7.0 進行仿真的結(jié)果表明:運用本文提出的算法，當節(jié)點在數(shù)據(jù)初次融合時選擇最適當?shù)拈撝郸?5，節(jié)點可節(jié)能27.87%，最終數(shù)據(jù)融合的絕對誤差均值約為0.98 ℃。

［1］ Bleiholder J，Naumann F.Data fusion［J］.ACM Computing Surveys，2008，41(1):1－41.

［2］ Luo R C.Multi－sensor fusion and integration:Approaches，applications，and future research directions［J］.IEEE Sensors Journal，2002，2(2):107－111.

［3］ Yager R R.The power average operator［J］.IEEE Transactions on Systems，Man，and Cybernetics，2001，31(6):724－731.

［4］ 孫 勇，景 博.基于支持度的多傳感器一致可靠性融合［J］.傳感技術(shù)學(xué)報，2005，18(3):537－539.

［5］ 張建業(yè)，王占磊，張 鵬，等.基于支持度的限定記憶二次融合算法［J］.計算機應(yīng)用研究，2012，29(4):1338－1340.

［6］ 王 華，鄧 軍，王連華，等.改進的一致性數(shù)據(jù)融合算法及其應(yīng)用［J］.中國礦業(yè)大學(xué)學(xué)報，2009，38(4):590－594.

［7］ 周 堯，姜禮平，劉 楊.復(fù)雜環(huán)境下基于支持度的多傳感器數(shù)據(jù)融合算法［J］.火力與指揮控制，2014，39(3):12－15.

［8］ 張 鵬，張建業(yè)，王占磊，等.基于鄰近量測認知信息的多傳感器融合估計［J］.計算機工程，2012，38(8):1－3.

［9］ 張 強，楊 濤.用于環(huán)境監(jiān)測的自供電傳感器網(wǎng)絡(luò)［J］.儀表技術(shù)與傳感器，2008(2):34－36.

［10］林 薇，祝啟龍.無線傳感器網(wǎng)絡(luò)節(jié)能型數(shù)據(jù)融合算法［J］.哈爾濱工程大學(xué)學(xué)報，2011，32(10):1386－1390.

［11］劉思峰，謝乃明，Jeffery F.基于相似性和接近性視角的新型灰色關(guān)聯(lián)分析模型［J］.系統(tǒng)工程理論與實踐，2010，30(5):881－887.