一种提高无线传感器网络能量利用率和服务性能的数据融合算法制造技术

技术编号:13739566 阅读:306 留言:0更新日期:2016-09-22 15:15
本发明专利技术公开了一种提高无线传感器网络能量利用率和服务性能的数据融合算法,属于无线通信技术领域,步骤如下:首先,在监测区域内搭建无线传感器网络,并采用经典分簇算法LEACH对无线传感器网络进行分簇;然后,簇内的成员节点将感应采集到的数据发送给簇头节点后,簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点;汇聚节点抽取部分数据作为训练样本,对神经网络模型进行训练得到神经网络参数值;最后,汇聚节点构建神经网络并对各传感器节点所采集的数据信息进行数据融合验证。优点在于:大大降低了无线传感器网络内的数据通信量,节约网络能耗,从而,既可以保证数据采集的准确性需求又可以提升网络的生命周期。

【技术实现步骤摘要】

本专利技术属于无线通信
,具体是一种提高无线传感器网络能量利用率和服务性能的数据融合算法
技术介绍
21世纪以来,随着微机电系统、处理器、数据存储及无线通信技术的日新月异,无线传感器网络作为一种新型的数据采集网络应运而生,通过将一定区域内的传感器节点通过无线网络联结起来,形成一个统一的信息采集与管理系统。无线传感器网络凭借其小尺寸、低成本、低功耗、多功能诸多优越特性,越来越被人们所重视,在不同场景和条件下得到了广泛的应用。由于无线传感器网络把采集到的数据信息通过数据传输网络呈现在人们面前,将人与自然界联系到一起,从而大大拓展了人们从自然界获取信息的能力,从而在军事国防、农业生产、工业控制、城市管理、环境监测、抢险救灾等许多重要领域都得到了广泛应用且成效显著,因此得到了世界各个国家的高度重视,并获得了快速的发展。在无线传感器网络中,成百上千个传感器节点被部署在需要检测的区域中,节点以自组织的形式构成网络,每个传感器节点周期性的向基站或周围其他传感器节点发送自身采集到的信息。由于传感器节点自身体积较小,能够携带的能源非常有限,一般都是采用电池供电。无线传感器网络监测的环境通常较为恶劣(例如沙漠、战场、深海等),人员不易到达,因此要给这些区域内的传感器节点更换电池是不太现实的。与此同时,无线传感器网络为了完成特定任务通常需要网络中各节点之间协作,因此保证整个网络的能耗均衡对于保持网络的连通性来说是非常重要的。如何降低网络整体的能量开销并均衡网络中各个节点的能耗,延长网络的生命周期是无线传感器网络中至关重要的问题,也是该领域内一个持久的研究热点。无线传感器网络中关键的节能技术有:能量高效路由技术、数据融合技术、睡眠调度以及功率控制技术。数据融合技术的目标是将多个传感器节点采集到的数据信息进行压缩和去冗余,从而降低网内通信数据量和网络能耗。数据融合技术,是对信源给出的有用信息的一个综合、过滤、相关及合成的过程。数据融合技术作用如下:(1)提高数据收集效率;数据融合技术能够提高整个无线传感器网络的数据收集效率,
减少网络的数据通信量,能够有效地缓解网络拥塞和数据包冲突的现象,从而降低网内数据传输的延时,提升无线信道的利用率。(2)降低网络能耗;在无线传感器网络中,网络内节点通信所带来的能量消耗占到了网络所有能耗的大部分。当网络应用了数据融合技术之后,网络内的数据包传输量将会得到极大的缩减,节点不必频繁的发送数据,由于数据融合在处理的过程中带来的能量开销仅为节点处理器计算和存取方面,相比节点通信能耗是要低得多。因此,在网络中采用数据融合算法能有效减少节点的数据通信量,从而降低网络能耗;(3)增强所收集数据的可靠性。传感器节点自身体积通常较小,与此同时其中的传感器模块的数据采集能力受到技术和成本的限制,单个节点的监测范围较小并且采集到的信息精度一般较低,因此从单个节点获取的数据可靠性较低。同时由于传感器网络中数据通信是基于无线通信机制的,因此数据的传送容易由于环境或者是其他原因受到干扰,从而导致数据遭受破坏。另外,在传感器网络的实际应用中节点可能由于各种原因死亡或无法工作。为了使网络满足系统的性能需求,需要应用多传感器节点数据融合技术提高采集信息的准确程度和可信度。综上可知,数据融合技术对于无线传感器网络节能的重要性不言而喻,根据系统的实际需求选择合适的数据融合算法,对网络内节点采集到的数据信息进行处理是无线传感器网络节能设计需要考虑的问题。无线传感器网络中多节点数据融合技术的应用对于网络的节能以及网络的性能优化具有重要的意义。在基于分簇结构的网络中,数据融合技术一般应用于簇内的簇头节点中,簇头节点将簇内成员节点发送的数据信息压缩和去冗余之后再发给汇聚节点或其他传感器节点。数据融合能够消除簇内传感器节点所采集到的数据信息之间的冗余,有效的降低网络内的数据传输量,从而减少网络的能耗。神经网络所具有的自学习、自组织、自适应的能力以及良好的容错性非常适合处理无线传感器网络中的复杂非线性映射问题。在传感器网络中,每个节点所感应采集到的数据信息都存在一定程度的不确定性,对于这些信息进行融合的过程实际上是一个不确定的推理过程。在应用神经网络本身所具有的优秀信息处理和自动推导的能力的同时,通过设计特定的学习算法,可以使得神经网络能够获取知识与不确定性推理机制以及对系统的样本进行分类,从而实现网络中的数据融合。BPNDFA(Back Propagation Neural Network Data Fusion Algorithm)算法模型是将无线传感网络的分簇结构与BP神经网络相结合,在簇内利用BP神经网络对采集到的原始数据进行处理后再发送出去。因为BPNDFA算法可以消除簇内传感器节点采集的数据信息之间的冗余,
降低网内数据通信量,从而达到降低网络能耗,提升网络性能的目的。无线传感器网络结构由输入层,输出层和隐层构成,其中隐层可以有多层,不过最常用的还是单隐层的三层BP网络。其中神经网络的输入层位于簇成员节点中,而隐层和输出层位于簇头节点中。在每个分簇结构中,簇内传感器节点采集到大量的原始数据经过预处理以后首先传送给簇头节点,在簇头节点内部进行数据处理后再发送给汇聚节点。BPNDFA算法就是在簇内传感器节点与簇头节点间利用BP神经网络算法来处理数据的。BPNDFA算法可以很好的实现非线性映射,对于处理传感器网络中的非线性数据非常适合包括其长期公平性和短期公平性;而且具有很强的容错性和很快的处理速度,并且具有自学习的能力,泛化能力较强,能够适用于不同应用场景和需求的无线传感器网络。BPNDFA算法的流程具体为:当分簇网络结构得到确定后,开始对BP神经网络进行训练。BP神经网络的学习是由信号的正向传播与误差的反向传播两个过程组成的,在正向传播时,输入样本信号从输入层进入网络,通过隐层处理最后传送给输出层,如果输出结果与期望值不符,则把误差进行反向传播,根据上面的权值调整系数调整权值的变化,直到网络输出层的输出结果满足要求为止。BPNDFA算法虽然具有众多优点,适合无线传感器网络,但是有时会存在训练速度慢和陷入局部最优无法收敛的问题。
技术实现思路
本专利技术针对上述问题,为了适应无线传感器网络中不同的应用场景和系统需求,提出了一种提高无线传感器网络能量利用率和服务性能的数据融合算法;具体步骤如下:步骤一、在监测区域内随机分布N个无线传感器节点,搭建无线传感器网络;N为整数;无线传感器网络包括一个汇聚节点和N个无线传感器节点;步骤二、采用经典分簇算法LEACH对无线传感器网络进行分簇;N个无线传感器节点分成若干个簇,每个簇均包括簇头节点和成员节点;步骤三、簇内的成员节点将感应采集到的数据发送给簇头节点后,簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点;簇内成员节点与簇头节点间利用RBF神经网络模型处理数据;其中,成员节点作为神经网络的输入层神经元,簇头节点作为神经网络的隐层神经元和输出层神经元。步骤四、汇聚节点收到各个簇的数据后,抽取部分数据作为训练样本,对神经网络模型进行训练,得到神经网络参数值;神经网络参数值包括隐层与输出层的连接权值参数,以及隐层神经元的径向基函数。以
每个簇内本文档来自技高网
...

【技术保护点】
一种提高无线传感器网络能量利用率和服务性能的数据融合算法,其特征在于,具体步骤如下:步骤一、在监测区域内随机分布N个无线传感器节点,搭建无线传感器网络;N为整数;无线传感器网络包括一个汇聚节点和N个无线传感器节点;步骤二、采用经典分簇算法LEACH对无线传感器网络进行分簇;步骤三、簇内的成员节点将感应采集到的数据发送给簇头节点后,簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点;步骤四、汇聚节点收到各个簇的数据后,抽取部分数据作为训练样本,对神经网络模型进行训练,得到神经网络参数值;神经网络参数值包括隐层与输出层的连接权值参数,以及隐层神经元的径向基函数;以每个簇内的簇头节点和成员节点采集的数据作为一组样本;步骤五、汇聚节点将训练后得到的神经网络参数值发送给各簇构建神经网络;步骤六、利用神经网络对无线传感器网络簇内的各传感器节点所采集的数据信息进行数据融合验证。

【技术特征摘要】
1.一种提高无线传感器网络能量利用率和服务性能的数据融合算法,其特征在于,具体步骤如下:步骤一、在监测区域内随机分布N个无线传感器节点,搭建无线传感器网络;N为整数;无线传感器网络包括一个汇聚节点和N个无线传感器节点;步骤二、采用经典分簇算法LEACH对无线传感器网络进行分簇;步骤三、簇内的成员节点将感应采集到的数据发送给簇头节点后,簇头节点将所有接收到的数据和自身采集到的数据发送给汇聚节点;步骤四、汇聚节点收到各个簇的数据后,抽取部分数据作为训练样本,对神经网络模型进行训练,得到神经网络参数值;神经网络参数值包括隐层与输出层的连接权值参数,以及隐层神经元的径向基函数;以每个簇内的簇头节点和成员节点采集的数据作为一组样本;步骤五、汇聚节点将训练后得到的神经网络参数值发送给各簇构建神经网络;步骤六、利用神经网络对无线传感器网络簇内的各传感器节点所采集的数据信息进行数据融合验证。2.如权利要求1所述的一种提高无线传感器网络能量利用率和服务性能的数据融合算法,其特征在于,所述的步骤三中,簇内成员节点与簇头节点间利用RBF神经网络模型处理数据;其中,成员节点作为神经网络的输入层神经元,簇头节点作为神经网络的隐层神经元和输出层神经元。3.如权利要求1所述的一种提高无线传感器网络能量利用率和服务性能的数据融合算法,其特征在于,所述的步骤四具体为:步骤401、对训练样本采用模糊K-means聚类算法进行聚类,并更新初始聚类中心ci;训练样本选用N个,选取的初始聚类中心ci为h个,i=1,...,h;对剩余的训练样本根据最小距离原则,进行聚类,形成h个子类ai;更新各聚类中心公式如下: c i = 1 s i Σ k = 1 s i x k ]]>其中,si为第i个子类ai中的样本数量,si∈N;xk为第i个子类ai中的样本值,k=1,...,si;步骤402、针对某个聚类中心ci,计算该聚类中心下的每个样本属于该聚类中心的隶属度: u i j ...

【专利技术属性】
技术研发人员:王珂欧阳瑞纪红李曦张鹤立
申请(专利权)人:北京邮电大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1