数据融合技术在无线传感器网络中的应用

硕士研究生读书报告课程名称：信息融合理论与应用题目：数据融合技术在无线传感器网络中的应用题目类型：读书报告学院：计算机科学与工程学院专业名称：计算机科学与技术姓名：祝敏学号：2013200546任课教师：周华平授课时间：2014年4月29日～2014年6月24日提交时间：2014年6月24日数据融合技术在无线传感器网络中的应用摘要：在大规模的无线传感器网络中，传输数据量巨大，必然存在着数据传输可靠性、拥塞以及能耗等问题，高效的数据融合技术能够有效的解决这些问题。这篇读书报告结合分簇路由算法的特征，采用两层融合技术，首先簇内节点与簇首节点的融合，簇内节点根据阈值来判断是否需要发送数据，簇首节点根据接收到的数据，进行数据一致性检验，剔除异常数据，第二层采用BP神经网络算法对簇首节点与基站的融合，得到所需要的结果。实验表明，进行融合后的数据可靠性高，较大减少了数据的传输量与冗余度、降低了能量的消耗，从而提高了整个网络的性能。1引言无线传感器网络是对真实世界的感知、检测和采集，需要由大量传感器节点共同协作完成的。但是，由于传感器节点采集的数据具有很高的时空相关性，不可避免的釆集到许多重复的数据，即数据存在很高的冗余性,如果都发送到汇聚节点的话，会造成大量的资源浪费,严重影响无线传感器网络的使用寿命,并且许多时候,观察者不关心每个节点的原始数据,只关心釆集后的结果,显然，节点单独的传送数据是不合适的，因此需要在本地对数据进行融合操作，对节点传输数据进行处理，利用节点的计算与处理能力，我们可以去除掉冗余信息，进一步减少数据在网内的传输量,同时降低功耗，提高整个网络的性能。虽然数据融合会造成一定的延迟以及计算会浪费时间和能量,但都在允许的范围之内。数据融合技术涉及到检测技术、模式识别、决策论、不确定性理论、估计理论、最优化理论等众多学科领域。目前关于无线传感器网络数据融合技术的发展情况，大体可以分为有损融合、无损融合、依赖于应用的数据融合，如应用层开发面向应用的数据融合接口，在网络层开发与路由相结合的数据融合技术。独立于应用的数据融合、基于分布式数据库的数据融合、基于中心的数据融合等。这篇读书报告主要针对在网络层与路由相结合的数据融合技术的研究，目前关于该方面比较典型的方法有LEACH分簇算法，使用分簇的方法使得数据融合技术在算法中起到了非常重要的作用。2数据融合算法的设计整个无线网络可以利用分簇路由机制，如LEACH算法分成不同的簇，则整个网络中大体分成了三类节点，基站，簇首节点以及簇内节点。本文主要根据簇形结构，设计两层的数据融合机制，第一层为簇内节点与簇首节点的融合，簇内节点根据阈值来判断是否需要发送数据，簇首节点根据接收到的数据，进行数据一致性检验，剔除异常数据，第二层采用BP算法对簇首节点与基站的融合，得到所需要的报警结果。2.1簇内节点与簇首节点之间的第一层数据融合在无线传感器网络中，簇内节点基本作为传感节点，用来采集数据的，假设簇内节点A当前采集到的数据值为Di,则上一次采集到的数据值就为Di-1,簇内节点的阈值为P，则簇内节点就可以根据所设定好的阈值来决定是否发送当前的数据值，即当|Di-Di-1|P时，簇内节点发送数据，簇内节点更改存储器的值，替换上一次采集到的数值，否则不发送数据，存储器的值保持上一次的不变。通过这样的方式，在采集到的数据值没有发生较大变化时，变化量大小取决于阈值P的大小，簇内节点可以减少较多的数据发送次数，可以防止向其簇头节点发送大量重复和高度相似的数据。节省了簇成员节点的能量消耗。假设簇首节点拥有10个簇内节点，且每个簇内节点都有各自不同的编号，分别从1到10编号，簇首节点还没有接收到簇内节点的数据时，存储的是上一次簇内节点采集过来的数据，则当簇首节点接收到簇内节点的数据时，替换对应节点的数据值，存储本次采集过来的数据，否则，说明该簇内节点数据值并为发生较大变化，则直接调用对应簇内节点上次采集过来的数据值代表本次的数据。以这样的方式簇首节点就可以知道对应10个簇内节点当前采集过来的数据值，以温度为例，假设采集过来的10个数据值按照从小到大排列后的数值为T1,T2,T3……，T10，因为节点可能受到外界的干扰，以及自身硬件的故障等影响，簇首节点首先对采集到的数据值进行一致性检验，采用的是数据探测技术中的分布图法剔除掉疏失误差的数据，假设中位数用TM表示，上四分位数用FU表示，下四分位数用FL表示以及四分位数离散度用dF来表示。则根据以上采集到的数据可以得到，TM=（T5+T6）/2，下四分位数FL的区间为[T1,TM]，上四分位数FU的区间为[TM,T10],四分位数离散度用dF=FU-FL。则我们就认定与中位数的距离大于adF的数据为离异数据，应该剔除掉。即无效数据的判别区间为[Ti-TM]adF。式中a为常数，可以根据实际需要来设定大小。通过这样的方式，簇首节点就可以简单有效的剔除掉异常的数据。2.2簇首节点与基站之间的第二层数据融合虽然经过了第一层的数据融合后，簇内节点可以减少大量不必要的数据传送，然而簇首节点仍然有较多的数据需要转发到基站，对于一些报警的场合，用户只需要知道报警程度，并不需要知道每个节点具体采集到的数值情况，这时我们可以采用BP神经网络算法实现簇首节点与基站的第二层融合，直接得到用户所需要的报警结果，从而再次减少了簇首节点大量的数据转发到基站。我们采用的是三层的神经网络，分别为输入层，中间层（隐层）以及输出层。输入层与隐层节点的数量可以根据实际情况设置，如果需要的报警结果为1维表示，如0正常，1异常，则输出层采用一个节点就够了。具体的算法流程如下：步骤1：对各变量初始化，假设输入层与中间层的权值矩阵为V，阈值为,中间层与输出层的权值矩阵为W，阈值为T。步骤2：输入第P对训练样本1px，计算各层输出。隐层的净输入:隐层的输出:输出层的净输入:输出层输出:步骤3：计算输出误差设共有P对训练样本，网络对于不同的样本具有不同的误差。则误差：步骤4：检查是否对所有样本完成一次轮训。步骤5：计算各层误差信号隐层误差信号：式(6)中，k=1,2,…,L;p=1,2,…,P;输出层误差信号：式（7）中，j=1,2,…,m;p=1,2,…,P;步骤6：调整各层权值、阈值调整输出层权值：式(8)中，j=1,2,…,m;k=1,2,…,P;调整输出层阈值：式(9)中，k=1,2,…,L;调整隐层权值：式(10)中，j=1,2,…,m;i=1,2,…,n;调整隐层阈值：式(11)中，j=1,2,…,m；步骤7：检查网络总误差是否达到精度要求。经过上述7个步骤结束即网络训练过程结束后，就可以把训练好的神经网络内部的权值和阈值数据提取出来，将其直接用于节点的神经网络的程序中，基站收到这组数值后通过一次前向传播即可得到相应时间的温度数据的拟合值。3具体应用实例分析在这篇文章中我们以温室环境监控为例，通过采集到的100个样本数据进行训练，隐层节点作用函数选择对称型S函数(tansig)，输出节点为Ｓ型对数函数(logsig)。BP网络训练过程主要分成两个阶段，首先通过设置网络结构和迭代的权值和阈值，从网络的第一层向后计算各神经元的输出；其次则对权值和阈值进行修改，计算对总误差的影响，2个阶段反复交替，直到收敛为止。训练的结果如图1所示，横轴Epoch表示训练步数，纵轴表示误差，从图1可以看出经过20次训练后性能达到0.00886247，目标是0.01。我们随机选出10个样本数据采用交叉验证的方法进行验证训练后网络的可靠性能，0表示正常情况，即该区域温度处于正常范围，1表示异常，即该区域温度处于异常范围。将10个样本数据分成5组，轮流将其中4组做训练1组做测试，结果如表1所示。从表1中我们可以看出经过训练后的BP网络，误差非常小，几乎不会影响到报警效果。则用户就可以得到所需要的报警结果，当温度出现1的情况，用户就可以对相应的区域进行处理，让该区域温度恢复到正常情况。如图2所示，图2中，0节点表示基站，1、8、15、22四个节点为每个区域的簇首节点，我们以D区域为例，其中16、17、18、19、20五个节点为传感节点，采集温度，假设五个节点上次采集到的温度值分别为30.20,31.20,31.60,30.60,31.80。本次采集到的温度值分别为30.80,30.60,31.30,31.30,35.80。假设传感节点的阈值为0.5,则节点18在本次中不再发送数据到簇首节点，簇首节点则直接调用节点18上次采集温度值作为本次的值，簇首节点15在根据会合的数据值进行一致性检验，剔除掉节点20的数值，其余的数值经过训练好的神经网络，得到结果为1，表明该区域温度值超过300，出现异常，应该对D区进行维护。图1网络训练结果图2温室环境监控结构图4结语这篇文章中我采用两层的数据融合算法，在第一层簇内节点与簇首节点的数据处理中，可靠有效的减少了簇内节点数据的转发次数。第二层采用BP算法进行数据融合后，直接可以得到用户所需要的结果，无需传输大量的原始采集数据。无线网络中信息量的减少对网络的好处是显而易见的，可以减少节点信息重发的次数，节省网络有限的能量，提高信息准确度，延长网络的生存期。但是有一些问题我们也需要注意，文章中在簇内节点设置阈值，对一些精度要求非常高的场合，数据变化量较敏感的场合，如果设置的阈值过大，就会较大的影响测量结果，还有数据融合算法过于复杂，会给网络带来一些性能损失，如网络时延，实时性恶化，路由节点计算压力过大而导致网络效率降低等。因此在实际的运用中，应该在效率和复杂度上做一个权衡，由具体应用决定使用何种数据融合方式。参考文献1付华，胡雅馨.一种改进的无线传感器网络信息融合技术.计算机系统应用,2010,19(7):183-185.2王平，程明传,翁宗煌.数据融合处理算法在ZigBee中的应用.计算机应用,2009,29(7):1897-1900.3康健，左宪章,唐力伟.无线传感器网络数据融合技术.计算机科学,2010,37(4):31-35.4肖骁，王国军，马征.BP神经网络在WSN数据融合中的应用.企业技术开发，2009,28(9):15-17.5张酉军，农田土壤信息无线传感器网络与数据融合算法研究.无锡:江南大学,2009.