無線傳感網(wǎng)中一種智能數(shù)據(jù)融合算法的實(shí)現(xiàn)及仿真分析

胡 強(qiáng),王海濤,底 楠,陳 暉,黃 達(dá)

(1.陸軍工程大學(xué)通信工程學(xué)院,南京 210007;2.陸軍工程大學(xué)信息管理中心,南京 210007;3.中國電子設(shè)備系統(tǒng)工程公司通信研究所,石家莊 050000)

無線傳感網(wǎng)WSN(Wireless Sensor Network)是一種由大量傳感器節(jié)點(diǎn)組成的分布式信息網(wǎng)絡(luò),每個(gè)傳感器節(jié)點(diǎn)都能對外部環(huán)境信息進(jìn)行感知和采集,然后以一定的路由方式傳遞給基站進(jìn)行下一步處理[1]。得益于微電子技術(shù)的迅速發(fā)展,傳感器的生產(chǎn)成本逐漸降低、類型逐漸增多,如音頻傳感器、圖像傳感器、濕度傳感器、光強(qiáng)傳感器等,能對不同的環(huán)境信息進(jìn)行采集,加上傳感器節(jié)點(diǎn)通過自組織的方式形成網(wǎng)絡(luò)非常易于部署,因此無線傳感網(wǎng)廣泛應(yīng)用于軍事、航空、環(huán)境、救災(zāi)、交通、醫(yī)療等領(lǐng)域。在無線傳感網(wǎng)中,各節(jié)點(diǎn)之間以無線的方式完成相互的通信和數(shù)據(jù)的傳輸,由于傳感器節(jié)點(diǎn)通常由自身攜帶的電池供電,電量有限,一旦能量耗盡節(jié)點(diǎn)便無法繼續(xù)工作,網(wǎng)絡(luò)結(jié)構(gòu)的健壯性將會受到影響,導(dǎo)致網(wǎng)絡(luò)整體性能下降。傳感器節(jié)點(diǎn)能量消耗主要包括兩個(gè)階段:數(shù)據(jù)采集階段和數(shù)據(jù)傳輸階段。Min R等人指出,數(shù)據(jù)傳輸階段的能耗遠(yuǎn)大于數(shù)據(jù)采集階段的能耗,傳輸1 byte的數(shù)據(jù)所消耗的能量可以用來執(zhí)行上千次感知任務(wù)[2]。將數(shù)據(jù)融合技術(shù)引入無線傳感網(wǎng)中進(jìn)行感知數(shù)據(jù)的優(yōu)化處理,能夠有效降低數(shù)據(jù)冗余,減少網(wǎng)絡(luò)通信量,從而節(jié)約節(jié)點(diǎn)能量,延長網(wǎng)絡(luò)生存時(shí)間[3]。

針對無線傳感網(wǎng)數(shù)據(jù)傳輸耗能過多的情況,科研學(xué)者提出了一系列數(shù)據(jù)融合算法來減少網(wǎng)絡(luò)的數(shù)據(jù)傳輸量,以達(dá)到延長網(wǎng)絡(luò)生存時(shí)間的目的。如李海艷、李維嘉等人提出的基于卡曼濾波的多傳感器數(shù)據(jù)融合方法[4],此方法對原始感知數(shù)據(jù)進(jìn)行融合,損失信息少,但融合精度不高并且無法完成復(fù)雜、精確的數(shù)學(xué)建模;連方圓,白靜提出的一種改進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合算法[5],算法在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中通過將前代網(wǎng)絡(luò)擬合好的權(quán)值與閾值賦予給下一次網(wǎng)絡(luò)訓(xùn)練來減少訓(xùn)練時(shí)間,在一定程度加快了數(shù)據(jù)融合進(jìn)程,降低了數(shù)據(jù)冗余度,但是在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中仍然存在初代權(quán)值選取盲目性的缺點(diǎn);陳秋紅、郭猛提出的基于PSO-BP的數(shù)據(jù)融合方法[6],通過PSO算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化,有效避免了BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取的盲目性,進(jìn)一步加快了數(shù)據(jù)融合速度,減少了網(wǎng)絡(luò)通信數(shù)據(jù)量,降低了傳感器節(jié)點(diǎn)能耗速度,但由于在PSO的尋優(yōu)過程中求解空間缺乏變化性,存在陷入局部最優(yōu)解的缺點(diǎn)。本文針對無線傳感網(wǎng)數(shù)據(jù)冗余度高,數(shù)據(jù)傳輸能耗過多的缺點(diǎn),在前人研究的基礎(chǔ)上綜合相關(guān)數(shù)據(jù)融合技術(shù)的優(yōu)點(diǎn)提出了一種綜合型智能數(shù)據(jù)融合算法——GAPSOBP。GAPSOBP算法將遺傳算法中的交叉和變異操作引入粒子群算法的尋優(yōu)過程中,豐富了粒子群算法的尋優(yōu)空間,最大程度上避免了求解陷入局部最優(yōu)[7]。應(yīng)用優(yōu)化后的粒子群算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化,加快了BP神經(jīng)網(wǎng)絡(luò)的收斂速度和數(shù)據(jù)融合精度,將其應(yīng)用于無線傳感網(wǎng)中對感知數(shù)據(jù)進(jìn)行融合,大大降低了節(jié)點(diǎn)數(shù)據(jù)傳輸量和能耗速度,達(dá)到了延長網(wǎng)絡(luò)生存時(shí)間的目的。

1 理論基礎(chǔ)

1.1 遺傳算法

遺傳算法是一種模擬達(dá)爾文生物進(jìn)化論的計(jì)算模型,遵循優(yōu)勝劣汰的自然選擇法則。其基本原理是把問題參數(shù)編碼成染色體,利用迭代的方式進(jìn)行選擇、交叉、變異等運(yùn)算操作來交換種群中染色體的信息,最終生成符合優(yōu)化目標(biāo)的染色體,是一種全局優(yōu)化的自適應(yīng)概率型搜索算法。遺傳算法的尋優(yōu)過程從代表問題潛在解的初代種群開始,根據(jù)個(gè)體適應(yīng)值大小進(jìn)行選擇操作,借助遺傳算子進(jìn)行個(gè)體的交叉和變異操作產(chǎn)生新的種群。經(jīng)過自然選擇產(chǎn)生的新種群將優(yōu)于父代種群,解碼末代種群中的最優(yōu)個(gè)體就是目標(biāo)的最終解。主要步驟如下:

①選擇 選擇操作就是要選出當(dāng)前種群中的優(yōu)良個(gè)體使之有機(jī)會成為父代種群繁殖新的子種群。選擇操作的原則是選取適應(yīng)性強(qiáng)的個(gè)體,體現(xiàn)了生物進(jìn)化的適者生存原則。

②交叉 交叉操作是遺傳算法中的最主要的遺傳操作。交叉操作可以得到新一代個(gè)體,新個(gè)體在組合其父輩個(gè)體特性同時(shí)保留了自身的特征。體現(xiàn)了信息交換的思想。

③變異 變異操作模擬了生物進(jìn)化中的偶然事件,選取某條染色體改變其中某個(gè)數(shù)值,同生物界一樣,變異發(fā)生的概率通常都很小。

1.2 粒子群算法

粒子群算法最先由美國電氣工程師Eberhart和社會學(xué)家Kennedy根據(jù)鳥類的覓食過程于1995年提出。在模擬鳥類覓食的模型中,每個(gè)個(gè)體都被看做一個(gè)樣本,整個(gè)鳥群被看做一個(gè)粒子種群[8]。假設(shè)在S維的目標(biāo)搜索空間內(nèi),粒子群大小為m,即可以表示第i個(gè)搜索樣本為一個(gè)S維的矩陣

Xi=(xi1,xi2,…,xiS)

式中:i=1,2…,m,每個(gè)樣本的位置就是一個(gè)潛在解。

在粒子群算法中,每個(gè)粒子都有一個(gè)初始位置、尋優(yōu)速度及一個(gè)由適應(yīng)度函數(shù)計(jì)算得來的適應(yīng)度值。所有粒子都在解空間中運(yùn)動,粒子通過記錄自己尋優(yōu)過程以及學(xué)習(xí)同類的尋優(yōu)過程對自身位置和飛行速度進(jìn)行不斷調(diào)整,即每個(gè)粒子依據(jù)群體極值和個(gè)體極值來更新自己的最優(yōu)位置。粒子的適應(yīng)度值隨著粒子位置的更新需要重新計(jì)算,并且通過對比新的粒子適應(yīng)度值與粒子個(gè)體極值、群體極值來對個(gè)體極值和群體極值進(jìn)行更新,重復(fù)迭代,直到滿足終止條件為止輸出尋優(yōu)結(jié)果。

粒子群算法通過對比當(dāng)前搜索到的最優(yōu)值來求解全局最優(yōu)值,實(shí)現(xiàn)簡單、收斂速度快、精度高且能夠并發(fā)執(zhí)行;但是它缺少如遺傳算法的交叉和變異等保持子代種群多樣性的操作,解空間缺少變化容易陷入局部最優(yōu)解。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種模擬大腦神經(jīng)工作模式的網(wǎng)絡(luò),運(yùn)行原理基于信息的正向傳遞和誤差的反向傳遞。網(wǎng)絡(luò)中擁有大量的節(jié)點(diǎn),每個(gè)節(jié)點(diǎn)被稱作神經(jīng)元,各個(gè)神經(jīng)元之間通過權(quán)值和閾值連接行成分層型結(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)包括一個(gè)輸入層,一個(gè)或多個(gè)隱含層,一個(gè)輸出層。三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)路如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

圖1中,X1、X2到Xn是神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入,ωij、ωjk分別是輸入層神經(jīng)元和隱含層神經(jīng)元之間的權(quán)值,隱含層神經(jīng)元和輸出層神經(jīng)元之間的權(quán)值,Y1到Y(jié)m是最終的輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)采用了一種并行處理和管理機(jī)制,具有很強(qiáng)的自適應(yīng)性、自組織性和自主學(xué)習(xí)能力,能夠模擬任何的非線性映射[9]。但是BP神經(jīng)網(wǎng)絡(luò)也存在一定的不足,如初始權(quán)值的選擇具有隨機(jī)性,往往需要大量的訓(xùn)練樣本和時(shí)間才能確定相關(guān)參數(shù),降低了網(wǎng)絡(luò)收斂速度,并且如果目標(biāo)函數(shù)具有多個(gè)極值點(diǎn),BP神經(jīng)網(wǎng)絡(luò)極容易陷入局部最優(yōu)解。

2 算法實(shí)現(xiàn)

2.1 網(wǎng)絡(luò)模型

在無線傳感網(wǎng)中,低功耗自適應(yīng)聚類路由算法LEACH(Low Energy Adaptive Clustering Hierarchy)是一種經(jīng)典的層次型路由算法[10]。其基本思想是在一個(gè)輪次里將無線網(wǎng)絡(luò)進(jìn)行分簇處理,在每個(gè)簇中循環(huán)產(chǎn)生一個(gè)簇頭負(fù)責(zé)接收簇內(nèi)成員采集的數(shù)據(jù)和將數(shù)據(jù)傳輸?shù)絽R聚節(jié)點(diǎn)。每一輪次可分為簇的建立階段和傳輸數(shù)據(jù)的穩(wěn)定階段。由于簇頭需要進(jìn)行更多的數(shù)據(jù)收發(fā)處理,因此簇頭節(jié)點(diǎn)的能量消耗大于簇內(nèi)節(jié)點(diǎn)的能量消耗。在LEACH協(xié)議中,為了均衡節(jié)點(diǎn)能量消耗,在一輪次的運(yùn)行結(jié)束后將重新進(jìn)行簇頭的選取,本輪當(dāng)選為簇頭的節(jié)點(diǎn)在下一輪次中將不再成為簇頭;反之,未當(dāng)選過簇頭的節(jié)點(diǎn)隨著協(xié)議運(yùn)行輪次的增加,成為簇頭的概率也不斷增大。

本文的網(wǎng)絡(luò)模型采用基于LEACH協(xié)議的無線傳感網(wǎng)模型,其基本結(jié)構(gòu)如圖2所示。

圖2 基于LEACH的無線傳感網(wǎng)結(jié)構(gòu)

2.2 算法實(shí)現(xiàn)流程

在應(yīng)用GAPSOBP算法時(shí),首先需要根據(jù)無線傳網(wǎng)的拓?fù)鋱D來確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。無線傳感網(wǎng)根據(jù)LEACH算法形成分簇,將每個(gè)分簇看做一個(gè)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),簇內(nèi)節(jié)點(diǎn)個(gè)數(shù)為BP神經(jīng)網(wǎng)絡(luò)的輸入層個(gè)數(shù),輸出層個(gè)數(shù)即簇頭數(shù)為1。隱含層個(gè)數(shù)依據(jù)公式1確定大致個(gè)數(shù),然后采用試取法確定最優(yōu)隱含層個(gè)數(shù)。

(1)

式中:n為輸入層個(gè)數(shù),m為輸出層個(gè)數(shù)。

圖3 GAPSOBP算法工作流程圖

GAPSOBP算法的工作流程如圖3所示,主要包括以下3個(gè)階段:

①粒子初始化

首先需要確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),然后將BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值傳遞給粒子群算法成為初代種群,粒子群算法對神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼,初始化候選解和粒子速度。

②求解最優(yōu)BP神經(jīng)網(wǎng)絡(luò)參數(shù)

粒子群算法根據(jù)BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差適應(yīng)度函數(shù)計(jì)算個(gè)體極值和群體極值,更新PSO算法的粒子尋優(yōu)速度和位置。在粒子群的優(yōu)化過程中加入遺傳算法的交叉和變異操作,然后重新計(jì)算適應(yīng)度值,判斷是否滿足終止條件,滿足條件則將優(yōu)化結(jié)果傳遞給BP神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,否則繼續(xù)迭代更新粒子速度和位置,直到算法達(dá)到終止條件。

③訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)利用遺傳粒子群算法的優(yōu)化結(jié)果,進(jìn)行網(wǎng)絡(luò)的訓(xùn)練,更新權(quán)值和閾值,直到網(wǎng)絡(luò)參數(shù)確定,之后便可以進(jìn)行無線傳感網(wǎng)的數(shù)據(jù)融合處理。

GAPSOBP算法具體實(shí)現(xiàn)步驟如下:

步驟1 根據(jù)傳感網(wǎng)絡(luò)結(jié)構(gòu)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),根據(jù)輸入層、隱含層、輸出層神經(jīng)元個(gè)數(shù),初始化輸入層和隱含層的連接權(quán)值ωij、隱含層和輸出層權(quán)值ωjk、隱含層閾值αj和輸出層閾值βk;

步驟2 將連接權(quán)值ωij、ωjk,閾值αj、βk傳遞給粒子群算法并進(jìn)行實(shí)數(shù)編碼,初始化粒子尋優(yōu)速度;

步驟3 計(jì)算粒子適應(yīng)度值,找出個(gè)體極值和群體極值并依據(jù)如下公式進(jìn)行速度更新和粒子位置更新;

Vis(t+1)=ωVis(t)+c1r1(Pis(t)-Xis(t))+
c2r2(Pgs(t)-Xis(t))

(2)

Xis(t+1)=Xis(t)+Vis(t+1)

(3)

式中:ViS表示粒子i在第S維方向的速度,ω是為了避免算法陷入局部最優(yōu)設(shè)置的慣性權(quán)重,r1和r2是介于(0,1)之間的實(shí)數(shù),c1和c2是兩個(gè)非負(fù)常數(shù),用以保證PSO算法的局部尋優(yōu)能力,XiS表示粒子i的位置,t是當(dāng)前迭代次數(shù)。

步驟4 選擇粒子進(jìn)行遺傳算法的交叉和變異操作,計(jì)算適應(yīng)度值,找出個(gè)體極值和群體極值,判斷是否滿足條件,滿足轉(zhuǎn)入步驟5否則返回步驟3;

步驟5 將粒子群算法結(jié)果傳遞到BP神經(jīng)網(wǎng)絡(luò),根據(jù)預(yù)測輸出Y和期望輸出O計(jì)算誤差e;

ek=Ok-Yk(k=1,2,…,m)

(4)

式中:k為輸出層神經(jīng)元個(gè)數(shù)。

步驟6 根據(jù)預(yù)測誤差e更新權(quán)值和閾值;

(5)

ωjk=ωjk+ηHjek(j=1,2,…,l;k=1,2,…,m)

(6)

(7)

βk=βk+ek(K=1,2,…,m)

(8)

式中:ωij為BP神經(jīng)網(wǎng)絡(luò)輸入層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元之間的權(quán)值,ωjk為BP神經(jīng)網(wǎng)絡(luò)隱含層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元之間的權(quán)值。

Hi為輸入層數(shù)值,Hj為隱含層輸出,αj為隱含層閾值,βk為輸出層閾值。

步驟7 如果輸出誤差達(dá)到預(yù)先設(shè)定的期望值或者達(dá)到迭代次數(shù),算法結(jié)束;否則返回步驟5。

2.3 算法復(fù)雜性分析

根據(jù)圖3的算法流程可知,PSO算法和BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)串行關(guān)系。假設(shè)PSO算法的輸入是n個(gè)參數(shù),算法迭代m次,每個(gè)粒子每次迭代的時(shí)間為T,則運(yùn)行一次PSO算法的時(shí)間為n×m×T,可以得出PSO算法的時(shí)間復(fù)雜度為O(nm)。若BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元為n1,隱含層為n2,輸出層為n3,則運(yùn)行一次BP神經(jīng)網(wǎng)絡(luò)花費(fèi)的時(shí)間為(n1×n2+n2×n3)×T,即BP神經(jīng)網(wǎng)絡(luò)的時(shí)間復(fù)雜度為O(n2)。因?yàn)镚APSOBP算法中PSO和BP神經(jīng)網(wǎng)絡(luò)為串行關(guān)系,可以得出GAPSOBP的時(shí)間復(fù)雜度為O(n2)+O(nm)。

3 仿真及結(jié)果分析

3.1 仿真參數(shù)設(shè)置

本文選擇MATLAB工具對算法性能進(jìn)行測試,版本為R2014a,計(jì)算機(jī)配置為intel i5處理器,4 G運(yùn)行內(nèi)存。假設(shè)在100 m×100 m的范圍內(nèi)隨機(jī)投放100個(gè)傳感器節(jié)點(diǎn),Sink節(jié)點(diǎn)坐標(biāo)為(0,0)并且能量供應(yīng)充足,其他節(jié)點(diǎn)初始能量都為0.5 J,能量耗表示盡節(jié)點(diǎn)死亡。網(wǎng)絡(luò)運(yùn)行LEACH協(xié)議形成穩(wěn)定網(wǎng)絡(luò)拓?fù)浜?為了節(jié)約能量假設(shè)算法的訓(xùn)練過程在Sink節(jié)點(diǎn)中進(jìn)行,訓(xùn)練完成后將相關(guān)參數(shù)以特殊消息的形式傳遞給網(wǎng)絡(luò)節(jié)點(diǎn),然后應(yīng)用GAPSOBP算法進(jìn)行數(shù)據(jù)的融合處理。具體相關(guān)參數(shù)如表1所示。

表1 仿真試驗(yàn)參數(shù)

3.2 仿真結(jié)果分析

本文進(jìn)行仿真評估時(shí)選擇節(jié)點(diǎn)能量消耗、Sink節(jié)點(diǎn)接收的數(shù)據(jù)量、節(jié)點(diǎn)存活時(shí)間及算法迭代時(shí)間作為性能指標(biāo),對比分析WSN運(yùn)行LEACH,PSOBP,GAPSOBP算法時(shí)的網(wǎng)絡(luò)性能表現(xiàn)。

①節(jié)點(diǎn)能量消耗對比

為了驗(yàn)證算法的有效性,對運(yùn)行不同算法的WSN網(wǎng)絡(luò)能量消耗進(jìn)行了仿真對比。圖4給出了具體統(tǒng)計(jì)結(jié)果。

圖4 能量消耗對比

從圖4中可以清楚地看到,運(yùn)行LEACH算法的網(wǎng)絡(luò)能量消耗比運(yùn)行PSOBP算法的網(wǎng)絡(luò)更快,而運(yùn)行GAPSOBP算法的網(wǎng)絡(luò)的能量消耗比前兩種算法都慢。這是由于PSOBP算法較LEACH協(xié)議能加有效地融合傳感網(wǎng)數(shù)據(jù),減少數(shù)據(jù)傳輸,節(jié)約節(jié)點(diǎn)能量;但由于未在PSO中采取GA算法進(jìn)行優(yōu)化,存在訓(xùn)練時(shí)間長融合結(jié)果有誤差的不足,數(shù)據(jù)融合效果不如GAPSOBP算法。證明了GAPSOBP算法能夠較前兩種方法更有效地進(jìn)行數(shù)據(jù)融合,減少網(wǎng)絡(luò)數(shù)據(jù)傳輸量,降低節(jié)點(diǎn)能量消耗。

圖5 Sink節(jié)點(diǎn)接收數(shù)據(jù)量對比

②Sink節(jié)點(diǎn)接收數(shù)據(jù)量對比

對Sink節(jié)點(diǎn)接收到的數(shù)據(jù)包進(jìn)行對比分析,具體統(tǒng)計(jì)結(jié)果如圖5所示。從圖中可以看出,在運(yùn)行LEACH算法的網(wǎng)絡(luò)中,Sink節(jié)點(diǎn)接收的數(shù)據(jù)量較少。因?yàn)樵谶\(yùn)行LEACH算法的網(wǎng)絡(luò)中隨著節(jié)點(diǎn)采集的數(shù)據(jù)量增加,各個(gè)節(jié)點(diǎn)都在向簇頭節(jié)點(diǎn)發(fā)送數(shù)據(jù)包,簇頭節(jié)點(diǎn)收集了大量的數(shù)據(jù)包需要發(fā)往Sink節(jié)點(diǎn),很快就會造成網(wǎng)絡(luò)擁塞,大量的數(shù)據(jù)將會被丟棄重發(fā),最終導(dǎo)致Sink節(jié)點(diǎn)接收到的有用數(shù)據(jù)包有限。PSOBP有效融合了部分?jǐn)?shù)據(jù),減少了網(wǎng)絡(luò)通信量,消除了部分擁塞,提高了信道利用率;但由于PSO算法的尋優(yōu)過程缺少變化性,造成BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合程度不夠。GAPSOBP算法利用遺傳粒子群對BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化,能夠最大程度上找到全局最優(yōu)解,提高了BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合程度,大大減少網(wǎng)絡(luò)通信量,提高了信道利用率,使得Sink節(jié)點(diǎn)接收的有效數(shù)據(jù)包數(shù)量增加,增加了無線傳感網(wǎng)數(shù)據(jù)分析的準(zhǔn)確性和完備性。

圖6 節(jié)點(diǎn)生命周期對比

③無線傳感網(wǎng)生存周期對比

一般來說,在網(wǎng)絡(luò)生存方面,不同的文獻(xiàn)有著不同的定義。Ishizuka M等人將無線傳感網(wǎng)絡(luò)生存時(shí)間定義為從網(wǎng)絡(luò)開始運(yùn)行到網(wǎng)絡(luò)對目標(biāo)監(jiān)控區(qū)域的覆蓋率下降到容忍值的時(shí)間為止[11],Zhang J、Guidoni D L等將網(wǎng)絡(luò)生存時(shí)間定義為從網(wǎng)絡(luò)開始運(yùn)行到節(jié)點(diǎn)能量全部耗盡所經(jīng)歷的時(shí)間[12-13]。本文選取后一種定義作為標(biāo)準(zhǔn)。圖6給出了分別運(yùn)行3種不同算法,節(jié)點(diǎn)生存時(shí)間對比。

從圖6可以看到,當(dāng)節(jié)點(diǎn)數(shù)目為100時(shí),運(yùn)行LEACH協(xié)議的無線傳感網(wǎng)由于數(shù)據(jù)融合程度不夠,節(jié)點(diǎn)能耗太大,導(dǎo)致在算法迭代到1 000次左右的時(shí)候開始出現(xiàn)了節(jié)點(diǎn)死亡的情況。運(yùn)行PSOBP算法的無線傳感網(wǎng),有效融合了部分感知數(shù)據(jù),一定程度上降低了傳感器節(jié)點(diǎn)的能耗速度,引入了PSOBP數(shù)據(jù)融合算法的無線傳感網(wǎng)在運(yùn)行到1 200 s左右的時(shí)候才有死亡節(jié)點(diǎn)出現(xiàn)。而采用了GAPSOBP數(shù)據(jù)融合算法的無線傳感網(wǎng),數(shù)據(jù)融合程度最好,節(jié)點(diǎn)能耗速度更低,節(jié)點(diǎn)生命周期更長,在迭代進(jìn)行到1 300次左右的時(shí)候才開始出現(xiàn)死亡節(jié)點(diǎn),證明了GAPSOBP算法能夠較其他兩種算法更好地延長網(wǎng)絡(luò)生存時(shí)間。

④算法迭代時(shí)間對比

由于遺傳算法和粒子群算法都是智能優(yōu)化算法,為了檢驗(yàn)經(jīng)過遺傳算法優(yōu)化的粒子群算法是否優(yōu)于原始的粒子群算法,本文對它們的迭代進(jìn)化情況進(jìn)行了對比,具體仿真結(jié)果如圖7所示。可以看到,經(jīng)過遺傳算法優(yōu)化的粒子群算法擁有比原始粒子群算法更快的收斂速度,并且能夠獲得更優(yōu)的適應(yīng)度值,表明在粒子群算法中加入遺傳算法的交叉和變異功能后能夠有效避免求解陷入局部最優(yōu),能夠提升收斂速度和算法性能。

圖7 算法迭代時(shí)間對比

4 總結(jié)與展望

GAPSOBP算法結(jié)合了無線傳感網(wǎng)和BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn),將遺傳算法、粒子群算法以及BP神經(jīng)網(wǎng)絡(luò)合理應(yīng)用于無線傳感網(wǎng)中用以數(shù)據(jù)的融合處理。GAPSOBP算法將BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值用遺傳粒子群算法進(jìn)行優(yōu)化處理,有效避免了BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)取值的盲目性,加快了BP神經(jīng)網(wǎng)絡(luò)的收斂速度,提升了數(shù)據(jù)融合性能。與傳統(tǒng)的LEACH算法和PSOBP算法進(jìn)行了綜合對比,驗(yàn)證了GAPSOBP算法在數(shù)據(jù)融合程度上優(yōu)于前兩種算法,能夠進(jìn)一步降低網(wǎng)絡(luò)數(shù)據(jù)通信量,節(jié)約節(jié)點(diǎn)能量,更好地實(shí)現(xiàn)了延長網(wǎng)絡(luò)生存時(shí)間的目的。

GAPSOBP算法側(cè)重于對無線傳感網(wǎng)感知數(shù)據(jù)融合處理方面的研究,主要目的是減少數(shù)據(jù)通信量降低網(wǎng)絡(luò)能耗,從而延長網(wǎng)絡(luò)壽命。在對感知數(shù)據(jù)的預(yù)處理方面的工作還有進(jìn)一步研究的空間,如在數(shù)據(jù)的去

噪聲和消除冗余等方面的相關(guān)研究,若在增加此類工作的基礎(chǔ)上應(yīng)該還能進(jìn)一步降低網(wǎng)絡(luò)能耗,并且進(jìn)一步提高數(shù)據(jù)融合的精確性和可信度。

[1] Zheng Jun,Abbas Jamalipour. Introduction to Wireless Sensor Networks[J]. Embedded Systems Handbook Second Edition,2014,16(3):1-18.

[2] Min R,Bhardwaj M,Seong-Hwan Cho,et al. Energy-Centric Enabling Technologies for Wireless Sensor Networks[J]. IEEE Wireless Communications,2002,9(4):28-39.

[3] 張聚偉,王宇,楊挺. 基于數(shù)據(jù)融合的有向傳感器網(wǎng)絡(luò)全覆蓋部署[J]. 傳感技術(shù)學(xué)報(bào),2017,30(1):139-145.

[4] 李海艷,李維嘉,黃運(yùn)保. 基于卡爾曼濾波的多傳感器測量數(shù)據(jù)融合[J]. 武漢大學(xué)學(xué)報(bào),2011,44(4):521-529.

[5] 連方圓,白靜. 一種改進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合算法[J]. 計(jì)算機(jī)測量與控制,2014,22(2):476-479.

[6] 陳秋紅,郭猛. 基于PSO-BP的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究[J]. 計(jì)算機(jī)測量與控制,2014,22(4):1212-1215.

[7] 高美鳳,李鳳超. 遺傳粒子群優(yōu)化的DV-Hop定位算法[J]. 傳感技術(shù)學(xué)報(bào),2017,30(7):1083-1088.

[8] 張水平,王碧. 動態(tài)搜索空間的粒子群算法[J]. 計(jì)算機(jī)應(yīng)用研究,2016,33(7):2047-2051.

[9] Jürgen Schmidhuber.Deep Learning in Neural Networks:An Overview Neural Networks[J]. Neural Networks,2015,61(1):85-117.

[10] Alka Singh,Shubhangi Rathkanthiwar,Sandeep Kakde. LEACH Based-Energy Efficient Routing Protocol for Wireless Sensor Networks[C]//International Conference on Electrical,Electronics,and Optimization Techniques(ICEEOT),2016:4654-4658.

[11] Ishizuka M,Aida M. Performance Study of Node Placement in Sensor Network[C]//24th International Conference on Distributed Computing System Workshops,2004:598-603.

[12] Zhang J,Ci S,Sharif H,et al. A Battery-Aware Deployment Scheme for Cooperative Wireless Sensor Networks[C]//Global Telecommunications Conference,2009:1-5.

[13] Guidoni D L,Boukerche A,Villas L A,et al. A Tree-Based Approach to Design Heterogeneous Sensor Networks Based on Small World Concepts[C]//IEEE Conference on Local Computer Networks,2011:666-672.