基于WSN 的數(shù)據(jù)挖掘技術(shù)在海洋預(yù)測中的應(yīng)用*

翟 維

（西安航空學院電子工程學院 西安 710077）

1 引言

無線傳感器網(wǎng)絡(luò)（WSN）自20世紀90年代末誕生以來，已經(jīng)發(fā)展成為一個能夠收集和處理目標信息，并將處理后的信息傳遞給用戶的協(xié)作網(wǎng)絡(luò)。多年來，該網(wǎng)絡(luò)已應(yīng)用于環(huán)境監(jiān)測、交通管理、風險監(jiān)測、野生動物跟蹤、安全監(jiān)測等多個領(lǐng)域。

特別是WSN 的普及，改變了對水資源的監(jiān)測。通過WSN 可以靈活地調(diào)整監(jiān)測任務(wù)，實現(xiàn)對水資源的實時監(jiān)測。無線傳感器網(wǎng)絡(luò)具有以下優(yōu)點，尤其適用于監(jiān)測大型水體的水質(zhì)。首先，網(wǎng)絡(luò)節(jié)點可以在監(jiān)控區(qū)域內(nèi)自動形成網(wǎng)絡(luò)；其次，無線傳感器網(wǎng)絡(luò)具有廣泛的監(jiān)控范圍；第三，網(wǎng)絡(luò)對環(huán)境的影響較?。?～4］。

因此，本文基于無線傳感器網(wǎng)絡(luò)和計算機技術(shù)，設(shè)計了一種能夠有效收集海洋水文數(shù)據(jù)的在線監(jiān)測方案。然后，利用支持向量回歸算法處理由傳感器網(wǎng)絡(luò)收集的數(shù)據(jù)。為了獲得算法中最重要的參數(shù)，引入粒子群優(yōu)化算法，通過粒子間的競爭找到全局最優(yōu)解。之后，根據(jù)紐約港的水文情況，建立了海洋水文數(shù)據(jù)采集與觀測系統(tǒng)。然后，利用傳統(tǒng)的支持向量回歸和所提出的方法，基于水溫、鹽度等指標預(yù)測海洋動態(tài)。結(jié)果表明，該算法提高了無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)利用率，實現(xiàn)了較好的預(yù)測精度。

2 海洋水文無線傳感器網(wǎng)絡(luò)

2.1 基本概念

海水檢測系統(tǒng)的硬件結(jié)構(gòu)由傳感器節(jié)點、網(wǎng)關(guān)節(jié)點和中央計算機系統(tǒng)組成。無線傳感器節(jié)點分布在待檢測的海域中，并且完成數(shù)據(jù)收集、簡單處理以及與匯聚節(jié)點的通信。收集的數(shù)據(jù)沿傳感器節(jié)點逐步傳輸，并在多跳后在匯聚節(jié)點處收集。它通過通用分組無線業(yè)務(wù)（GPRS）網(wǎng)絡(luò)傳輸?shù)娇刂浦行?，成為專家研究的第一手資料。同時，管理員可以通過GPRS 網(wǎng)絡(luò)傳感器網(wǎng)絡(luò)節(jié)點，實現(xiàn)雙向通信。本文簡要介紹了無線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點和聚合節(jié)點。

傳感器節(jié)點處于數(shù)據(jù)采集的前沿。它負責環(huán)境參數(shù)的采集，然后將信息傳遞給用戶。其結(jié)構(gòu)如圖1所示。

圖1 傳感器節(jié)點系統(tǒng)架構(gòu)

傳感單元收集待檢測對象的特征信號。通常，每個傳感器單元都包含多個同時工作的傳感器。單片機是傳感器節(jié)點的控制核心，負責控制數(shù)據(jù)采集和傳輸，以及與節(jié)點的通信。聚合節(jié)點是系統(tǒng)的控制中心，主要由無線通信模塊、單片機、電源模塊、鍵盤和液晶顯示器（LCD）組成。系統(tǒng)結(jié)構(gòu)如圖2所示。

節(jié)點通過無線通信模塊控制無線傳感器節(jié)點的數(shù)據(jù)采集。然后，收集的數(shù)據(jù)通過串行數(shù)據(jù)總線傳輸?shù)街鳈C上，在主機上提供友好的監(jiān)控界面。它是海洋水文監(jiān)測和分析系統(tǒng)的核心部分。

圖2 匯聚節(jié)點圖

2.2 海洋水文實時監(jiān)測分析系統(tǒng)

海洋觀測的最終目的是了解海洋規(guī)律的現(xiàn)狀，預(yù)測海洋規(guī)律的未來，這需要更精確的數(shù)據(jù)。針對這一需求，我們開發(fā)了一個數(shù)據(jù)質(zhì)量控制平臺，該平臺在海洋水文觀測實時數(shù)據(jù)管理系統(tǒng)中發(fā)揮著非常重要的作用。提高數(shù)據(jù)質(zhì)量是其它工作的基礎(chǔ)，如果數(shù)據(jù)質(zhì)量不高，即使有更好的模型和方法，我們的預(yù)測也是不準確的。數(shù)據(jù)質(zhì)量控制平臺是可擴展的，可以通過添加新的數(shù)據(jù)質(zhì)量控制方法來實現(xiàn)。圖3顯示了海洋水文實時數(shù)據(jù)管理系統(tǒng)。

圖3 海洋水文實時數(shù)據(jù)管理系統(tǒng)

3 粒子群優(yōu)化SVM算法

首先介紹粒子群算法的原理和改進。有一個樣本集：T=(xi，yi)，1，2，…，n，其中xi為n 維樣本集的第i個輸入值，yi為第i個輸出值?；诹Ｗ尤簝?yōu)化SVM 算法的學習過程，它可以解釋為輸入和輸出之間的解f(·) 。對于任意T=(xi，yi) 1，2，…，n，它使得f(xi)=yi成立。一般情況下，f(·)可以表示為

式（1）中，w為權(quán)值，b 為閾值。φ的功能是將低維輸入向量映射到高維特征空間。為了提高港口附近水位的預(yù)測精度，獲得合適的參數(shù)，使結(jié)構(gòu)風險最小化，我們可以構(gòu)造經(jīng)驗風險函數(shù)，如式（2）所示

其中L稱為損失函數(shù)，其表達式為

其中“ε> 0”。當研究樣本較小時，用經(jīng)驗值代替實際風險值是不合適的，因此粒子群優(yōu)化SVM算法考慮了稱為SRM 標準的泛化風險，即SRM 準則。然后根據(jù)SRM準則，選取非線性回歸函數(shù)：

根據(jù)粒子群優(yōu)化SVM 最大區(qū)間的原理，將非線性回歸問題轉(zhuǎn)化為以下函數(shù)規(guī)劃問題：

滿足式（6）的約束：

在上面的公式中，參數(shù)ξi和為松弛變量，C為容量因子。一般將式（6）轉(zhuǎn)化為拉格朗日對偶問題求解：

其中αi是拉格朗日乘數(shù)，K（·）稱為滿足以下公式的核函數(shù)：

本文將高斯核函數(shù)作為支持向量機的核函數(shù)。那就是：

本文在實踐過程中采用了一種改進的PSO 算法。利用粒子群優(yōu)化算法，通過粒子間的相互協(xié)作和競爭，尋找全局最優(yōu)解。每個粒子代表一個可能的解向量。對于SVM，可以使粒子的當前位置為參數(shù)向量的當前值：

然后，優(yōu)化過程得到的最優(yōu)位置就是向量中各元素的最優(yōu)解，即對應(yīng)SVM的最優(yōu)參數(shù)。改進PSO的基本原理可以表示為

式（12）中，wmax被認為是初始權(quán)重，wmin為最終權(quán)重，k為當前迭代次數(shù)，kmax是迭代的最大次數(shù)。

接下來，我們將介紹SVM 算法中使用PSO 優(yōu)化懲罰參數(shù)和核函數(shù)參數(shù)的方法和步驟。

4 仿真實驗與結(jié)果分析

4.1 相關(guān)數(shù)據(jù)的準備和描述

首先，在紐約港口和河流、河口上游建立了一組無線傳感器（WSN）網(wǎng)絡(luò)節(jié)點，為港口的海洋水文環(huán)境構(gòu)建了觀測預(yù)報系統(tǒng)。該系統(tǒng)結(jié)合了定點數(shù)據(jù)采集、數(shù)據(jù)擬合和預(yù)測模型，實現(xiàn)了利用水文指標預(yù)測港口附近水位的目的。

其次，我們在圖4中給出了2018年10月1日當?shù)貢r間0：00 紅鉤附近紐約港的水位圖。從圖4 可以看出，城市港口外的水位相對較低，而港口的水位相對較高。水位的實時控制有利于提高港口附近的安全水平。

第三，闡述了海洋環(huán)境水文指標。海洋環(huán)境觀測的實時水文要素數(shù)據(jù)主要包括海水溫度、鹽度、密度、波浪、水流、海冰、水色、透明度等。

圖4 紅鉤附近紐約港的水位

1）水溫是海洋的基本物理因素之一，海面溫度取決于太陽輻射，因此，低緯度海水溫度高，高緯度海溫低。

2）海水鹽度是海洋中另一個重要的物理因素。除了不同海域的鹽度不一樣外，鹽線性的垂直分布也是不同的。冷海表面的鹽度較低，海水的鹽度隨深度增加而增加。

3）影響海水溫度和鹽度的因素都會影響海水的密度。海水的密度分布復雜，隨地理、海洋深度和時間而變化。海水密度與溫度、海水密度和鹽度之間存在一定的關(guān)系。遵循以下原則，鹽度越高，密度越高，溫度越高，密度越低。

綜上所述，選取鹽度、大氣溫度和海面溫度作為樣本數(shù)據(jù)集，將其放入本文建立的改進SVM 預(yù)測模型中。

最后，根據(jù)本文建立的WSN，我們收集到2018年10 月1 日至10 月31 日城市港口的海洋水文數(shù)據(jù)。WSN 每四分鐘收集一次數(shù)據(jù)集，共包含2，400條數(shù)據(jù)。然后將數(shù)據(jù)作為樣本數(shù)據(jù)集，具體情況如圖5、6、7所示。

圖5 紐約港附近地表水溫度

圖6 紐約港附近海水的鹽度

圖7 紐約港附近的大氣表面溫度

4.2 實驗步驟及結(jié)果分析

本文以 2018 年 10 月 1 日至 10 月 10 日紐約港的數(shù)據(jù)為樣本數(shù)據(jù)集，然后使用支持向量機算法和本文提出的改進的粒子群優(yōu)化算法預(yù)測未來港口附近的水位。接下來，我們將介紹實驗的步驟，并與實驗結(jié)果進行了比較，使用改進的PSO優(yōu)化SVM算法進行分類預(yù)測。

參數(shù)準備：

初始學習因子c1：初始值為2，用于控制PSO參數(shù)的局部搜索能力；

初始學習因子c2：初始值為2，用于控制PSO參數(shù)的全局搜索能力；

maxgen：初始值為100，用于控制進化的最大數(shù)目；

sizepop：初始值為20，用于控制種群的最大數(shù)量；

K：初值為0.6，用于控制速度與x的關(guān)系；

nertia weight w：初始值是 1，wmin為 0.8，wmax為1.2，為速度更新公式中的彈性系數(shù)；

懲罰參數(shù)Cmax：初始值為100，用于控制SVM參數(shù)C的最大值；

懲罰參數(shù)Cmin：初始值為0.1，用于控制支持向量機參數(shù)C的最小值；

Gamma 參數(shù) gmax：初始值為 100，用于控制SVM參數(shù)g的最大值；

Gamma 參數(shù) gmin：初始值為 0.01，用于控制SVM參數(shù)g的最小值；

兩種方法的實驗結(jié)果如圖8所示。

圖8 為兩種不同方法對紐約港紅鉤附近水位的預(yù)測結(jié)果，以及計算值與實測值的對比結(jié)果。從2400 個節(jié)點可以看出，該方法的預(yù)測誤差最小。此外，它還表明數(shù)據(jù)的使用有好有壞，不僅與WSN有關(guān)，而且與數(shù)據(jù)挖掘技術(shù)密切相關(guān)。

圖8 預(yù)測結(jié)果對比

5 結(jié)語

本文提出了一種利用無線傳感器網(wǎng)絡(luò)和計算機技術(shù)進行水文數(shù)據(jù)收集并監(jiān)測的方案。本文采用支持向量回歸的方法對無線傳感器采集的數(shù)據(jù)進行處理，利用粒子群算法通過粒子間的合作與競爭來尋找全局最優(yōu)解。在模擬實驗中，根據(jù)紐約港附近的水文情況，構(gòu)建了紐約港采集觀測系統(tǒng)。采用傳統(tǒng)的支持向量回歸方法和改進的方法進行對比，即利用水溫、鹽度和溫度來預(yù)測水位的變化。實驗結(jié)果表明，該算法能夠提高無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)利用率，具有良好的預(yù)測精度。