基于神經網絡數據融合的ZigBee智能家居環(huán)境監(jiān)測系統(tǒng)

賴騰達　石坤明　王德宇　施云波

摘 要：針對人們提高居住環(huán)境舒適度的需求，將ZigBee作為通信模式和融合神經網絡算法，以采集溫度、濕度環(huán)境參數為對象，設計了一套智能家居環(huán)境監(jiān)測系統(tǒng)。文中闡述了系統(tǒng)的硬件設計過程，討論了神經網絡算法，并通過NS-2仿真軟件算法進行了仿真測試。結果表明，加入數據融合算法的網絡相比LEACH算法的網絡平均功耗大幅降低，網絡壽命有較大延長。

關鍵詞：智能家居；神經網絡；ZigBee；傳感器

中圖分類號：TP273 文獻標識碼：A 文章編號：2095-1302（2016）04-00-03

0 引 言

隨著科學技術的發(fā)展，人們對電子消費品的需求正逐步增長，電子產品的智能化程度正在飛速提高，尤其在計算機技術、嵌入式系統(tǒng)和無線通信技術的發(fā)展下，物聯網在實際生產生活中的應用越來越廣泛，遍布智能家居、智能交通、智能醫(yī)療、環(huán)境監(jiān)測、物流快遞、教育、國防、工業(yè)、農業(yè)等行業(yè)[1，2]。

智能家居的出現讓人們體驗到了舒適、快捷的智能生活，還能更有效、更精確地控制家中家電設備，以達到節(jié)省能源和資源的目的[3]。但在實際智能家居系統(tǒng)設計中，由于無線傳感器網絡中的節(jié)點分布相對密集，且相鄰節(jié)點所采集的環(huán)境參數數據具有較高的相似性，使得網絡中傳輸的數據存在一定冗余，在通信過程中消耗過多的能量[4]。相關研究表明，消耗能量主要在數據傳輸過程中，應用數據融合技術可以減少網絡中的冗余信息，降低通信能耗，提高數據的傳輸效率[5]。因此，在智能家居系統(tǒng)中引入數據融合技術是十分必要的，有很高的研究價值。

本文以智能家居的溫濕度環(huán)境參數為檢測對象，采用ZigBee通信模式，設計了一套智能家居環(huán)境監(jiān)測系統(tǒng)，通過融合神經網絡優(yōu)化，降低功耗，實現節(jié)能、延長使用壽命的目的。

1 系統(tǒng)的總體設計

智能家居環(huán)境監(jiān)測系統(tǒng)包括數據采集前端和數據接收終端兩個部分，數據采集前端由傳感器、微控制器、ZigBee無線通信模塊、電源組成，數據接收終端由ZigBee接收模塊、上位機組成。系統(tǒng)硬件原理圖如圖1所示。

根據智能家居環(huán)境監(jiān)測系統(tǒng)的設計要求和Zigbee技術通信模式的特點，本文的傳感器網絡模型由協(xié)調器節(jié)點、路由器節(jié)點和傳感器終端節(jié)點3類節(jié)點組成，采用樹形拓撲結構，系統(tǒng)組網結構如圖2所示。

系統(tǒng)的主要工作流程如下：

（1）組建網絡，將節(jié)點放置在智能家居中，協(xié)調器通過USB與上位機相連接。協(xié)調器上電，組建一個新的網絡；

（2）將各個節(jié)點上電，根據無線傳感器網絡的低功耗自適應集簇分層型協(xié)議（LEACH），在整個無線傳感器網絡中按照一定的規(guī)則來選取簇首（路由器節(jié)點），構成分簇結構。在這種結構下，傳感器節(jié)點采集到的原始環(huán)境參數數據將首先發(fā)送給自己所在簇的簇首節(jié)點，再利用BP神經網絡算法在簇首節(jié)點和成員節(jié)點間對采集到的原始數據應用到基于神經網絡的數據融合算法中進行處理，將處理后的數據發(fā)送給協(xié)調器節(jié)點。

2 系統(tǒng)硬件設計

2.1 ZigBee模塊及外圍電路設計

ZigBee模塊是系統(tǒng)組網和控制的核心，采用TI公司的CC2530射頻芯片，CC2530能夠提供較高的通信鏈路質量，具有較高的接收器靈敏度和較強的抗干擾性。此外，CC2530還提供了豐富的外設，包括2個USART，12位的ADC和21個GPIO。設計的ZigBee模塊及外圍電路原理圖如圖3所示。

2.2 溫濕度傳感器與通信模塊的連接設計

溫濕度傳感器采用DHT11數字溫濕度傳感器，與ZigBee模塊連接如圖4所示。

DHT11數字溫濕度傳感器是直流供電，電壓為3.5～5.5V，當連接線的長度小于20 cm時，應選用3.5 V進行供電，否則線路壓降導致傳感器供電不足，造成測量數據的偏差；當連接線的長度短于20 m時，需要用5.1 kΩ的上拉電阻；大于20 m時，則根據實際情況使用上拉電阻，并且采用5.5 V電壓供電。

3 系統(tǒng)算法的設計

3.1 基于神經網絡的數據融合算法

由于傳感器網絡具有以數據為中心、節(jié)點能量有限且不能補充、通訊能力弱、網絡節(jié)點規(guī)模大、自組織性與應用密切相關等特點，所以對無線傳感器網絡的工作周期和壽命有很高的要求，傳輸1字節(jié)數據所需的能量可以用來執(zhí)行數千條CPU指令[6]。應用神經網絡的數據融合算法雖然在一定程度上增加了CPU的計算量，但減少了網絡中的數據通信量，可以有效延長網絡的工作周期。把神經網絡應用到無線傳感器網絡能夠實現降低通信成本和能源保護、提高無線傳感器網絡性能的目的。

根據無線傳感器網絡的低功耗自適應集簇分層型協(xié)議（LEACH），在整個網絡中按照一定的規(guī)則來選舉簇首（路由器節(jié)點），形成分簇結構。在這種結構下，傳感器節(jié)點所采集的環(huán)境參數數據將發(fā)送給所在簇的簇首節(jié)點；利用BP神經網絡算法在簇首節(jié)點和成員節(jié)點間對采集到的環(huán)境參數進行數據融合。該網絡結構由輸入層、隱層和輸出層組成，隱層可以有多層，本系統(tǒng)采用最常用的單隱層三層BP網絡，神經網絡數據融合算法的模型如圖5所示。

假設在該網絡中有N個神經元節(jié)點處于輸入層；只有一層隱層，具有L個節(jié)點；有M個神經元節(jié)點處于輸出層；普遍情況下L>N>M。輸入層的神經元數量可以根據實際應用進行調整，與簇成員節(jié)點沒有必然聯系，而隱層神經元數量L的確定與求解問題的要求、輸入輸出神經元數量都有直接的聯系。本文使用試湊法來確定隱層神經元數量L，選用經驗公式作為試湊法的初始值。

3.2 神經網絡的學習流程

本系統(tǒng)采用反向傳播網絡（BP網絡）進行數據融合，該網絡的監(jiān)督學習算法采用誤差反向傳播算法。誤差反向傳播算法的學習過程主要有兩個，分別為信息的正向傳播和誤差的反向傳播。

4 系統(tǒng)測試

本文仿真實驗通過NS-2仿真軟件對神經網絡的數據融合算法進行仿真測試，主要從網絡節(jié)點的平均功耗、匯聚節(jié)點接收數據包數量等方面對該算法與不加入該算法的方案進行了對比。

仿真環(huán)境參數設置：在100 m×100 m的范圍內隨機分布100個相同的節(jié)點。設節(jié)點的初始能量為2 J，數據包的長度為500 B，無線信道的帶寬為1 Mb/s，無線信號的載頻為2.4GHz，收發(fā)數據所耗的能量為50 nJ/b，神經網絡的權值初始值設為1，閾值設為0.2，訓練次數為500次。

在房間環(huán)境100 m×100 m的范圍內隨機部署100個節(jié)點的分布圖如圖7所示，節(jié)點分布完成后，根據節(jié)點分布的狀況和試湊法經驗公式，可以粗略計算出簇的個數為6。

圖8所示是隨時間增長網絡節(jié)點的平均功耗的變化曲線。無線傳感器網絡的節(jié)點能量是有限的，能量消耗完的節(jié)點就會“死亡”，所以節(jié)點能量消耗的越少，存活的時間就越長，整個無線傳感器網絡的生命周期就越長。從圖8中得到的是LEACH算法和數據融合算法在網絡節(jié)點的平均功耗的對比，可以得出數據融合算法平均功耗低于LEACH算法的結論。數據融合算法對全部節(jié)點的分布狀況進行具體分區(qū)，使簇頭分布更加均勻合理，并考慮了節(jié)點剩余能量值，平衡所有節(jié)點功耗，讓整個網絡的能量消耗更加平均。

圖9所示是無線傳感器網絡中匯聚節(jié)點接收數據包的數量，可見數據包數量受網絡存活節(jié)點數目的影響，在節(jié)點開始“死亡”時，接收數據速率開始下降，直至整個無線傳感器網絡 “死亡”。通過對比，數據融合算法能將數據進行有效的融合，減少網絡的數據量，這也是數據融合算法有更長的生存周期的原因。隨著時間的增加，數據融合算法接收到的數據包會超過LEACH算法，傳輸更為穩(wěn)定的數據包流量。

5 結 語

本文設計了一種基于神經網絡數據融合的ZigBee智能家居環(huán)境監(jiān)測系統(tǒng)，將數據融合加入到監(jiān)測系統(tǒng)可以減少網絡的數據量，降低網絡節(jié)點的平均功耗，提升整個無線傳感器網絡的性能，延長網絡壽命。通過對網絡節(jié)點的平均功耗、匯聚節(jié)點接收數據包數量等方面進行測試，結果表明，加入數據融合算法的網絡比LEACH算法的網絡平均功耗低，網絡壽命得以延長。

參考文獻

[1]吳藝娟，秦彩云，萬米洋. 基于ZigBee技術的智能家居環(huán)境監(jiān)測系統(tǒng)設計[J].北京石油化工學院學報，2013，21（1）：46-50.

[2]楊筱宇.基于BP神經網絡的ZigBee無線定位技術[J].現代計算機（下半月），2012（7）：20-24.

[3] N. Chaamwe， W. Liu， H. Jiang.“Seismic Monitoring in Underground Mines： A case of Mufulira Mine in Zambia Using wireless Sensor Networks for Seismic Monitoring” [J].Proc. IEEE internationalConference on Electronics and Information Engineering，2010，1： 310-314.

[4]彭程，黃辰.基于物聯網的智能家居系統(tǒng)[J].物聯網技術，2014，4（11）：84-86.

[5]王云良，王敏其，程凌.智能家居網絡系統(tǒng)的優(yōu)化及控制穩(wěn)定性分析[J].自動化儀表，2014，35（8）：79-82.

[6]孫凌逸，黃先祥，蔡偉，等.基于神經網絡的無線傳感器網絡數據融合算法[J].傳感器技術學報，2011，24（1）：122-127.

[7] Min R，Bhardwaj M，Seong-hwan Cho，et al.Energy-CentricEnab-ling Technologies for Wireless Sensor Networks[J].IEEE Wireless Communications， 2002， 9（4）：28 -39.