基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合模型

1神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型設(shè)計(jì)傳感器網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)主要依靠不可更換的電池電源，以降低能耗，延長(zhǎng)網(wǎng)絡(luò)壽命已成為傳感器網(wǎng)絡(luò)面臨的最大挑戰(zhàn)之一。數(shù)據(jù)融合(DataAggregation,也稱為DataFusion)技術(shù)可以有效地減少傳感器節(jié)點(diǎn)間的數(shù)據(jù)通信,進(jìn)而降低傳感器節(jié)點(diǎn)的能耗,延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的壽命。在無(wú)線傳感器網(wǎng)絡(luò)中,大量的傳感器節(jié)點(diǎn)根據(jù)設(shè)定的周期不斷地采集現(xiàn)場(chǎng)數(shù)據(jù),這些數(shù)據(jù)具有以下特點(diǎn):(1)單個(gè)傳感器節(jié)點(diǎn)在短時(shí)間內(nèi)多次采集到的數(shù)據(jù)具有極高的相似度;(2)鄰近傳感器節(jié)點(diǎn)在相近時(shí)刻采集到的數(shù)據(jù)具有很高的相似度。換言之,傳感器節(jié)點(diǎn)采集到的原始數(shù)據(jù)具有很高的冗余度。因此,將所有傳感器節(jié)點(diǎn)采集到的數(shù)據(jù)全部傳輸給匯聚節(jié)點(diǎn),不但沒(méi)有實(shí)際意義,反而會(huì)過(guò)多消耗傳感器節(jié)點(diǎn)的能量,影響網(wǎng)絡(luò)壽命。這是數(shù)據(jù)融合技術(shù)的主要理論依據(jù)。本文主要研究無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù),提出了基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型(Neural-NetworkBasedAggregation,簡(jiǎn)稱NNBA)。NNBA數(shù)據(jù)融合模型以無(wú)線傳感器網(wǎng)絡(luò)中普遍采用的分簇路由協(xié)議為基礎(chǔ),在簇頭節(jié)點(diǎn)和簇成員節(jié)點(diǎn)中分別進(jìn)行不同層次的融合處理,利用各種神經(jīng)元功能函數(shù)提取原始數(shù)據(jù)中的特征值,然后將代表原始數(shù)據(jù)的少量特征值發(fā)送給匯聚節(jié)點(diǎn),以達(dá)到減少傳感器節(jié)點(diǎn)間的數(shù)據(jù)通信,節(jié)省傳感器節(jié)點(diǎn)的能量開(kāi)銷。本文介紹了基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型的設(shè)計(jì),并對(duì)該模型進(jìn)行了仿真評(píng)估。該數(shù)據(jù)融合模型適用于各種基于分簇路由協(xié)議(如LEACH,GROUP等)的無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用系統(tǒng)。根據(jù)具體應(yīng)用的特點(diǎn),可以為NNBA數(shù)據(jù)融合模型設(shè)計(jì)不同的神經(jīng)元功能函數(shù),以優(yōu)化數(shù)據(jù)融合的結(jié)果。與其它數(shù)據(jù)融合技術(shù)相比,NNBA主要有以下優(yōu)點(diǎn):(1)數(shù)據(jù)融合點(diǎn)無(wú)限接近數(shù)據(jù)源節(jié)點(diǎn),有利于數(shù)據(jù)融合性能的最大化;(2)神經(jīng)網(wǎng)絡(luò)算法能夠很好地對(duì)數(shù)據(jù)進(jìn)行抽象,提取數(shù)據(jù)的重要特征;(3)神經(jīng)網(wǎng)絡(luò)算法具有多樣性,可以很好地適應(yīng)不同應(yīng)用的需求。2數(shù)據(jù)集成和主要算法2.1無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)數(shù)據(jù)融合是無(wú)線傳感器網(wǎng)絡(luò)中減少傳感器節(jié)點(diǎn)間的數(shù)據(jù)通信、降低能耗、延長(zhǎng)網(wǎng)絡(luò)壽命的十分有效的技術(shù)手段。Krishnamachari和Estrin等研究人員對(duì)無(wú)線傳感器網(wǎng)絡(luò)中數(shù)據(jù)融合技術(shù)的影響進(jìn)行了深入的研究。其研究結(jié)果表明,數(shù)據(jù)融合技術(shù)對(duì)系統(tǒng)的影響主要表現(xiàn)在兩個(gè)方面:節(jié)省能耗、增加延遲時(shí)間。實(shí)際上,這是一對(duì)無(wú)法調(diào)和的矛盾,也就是說(shuō),通過(guò)數(shù)據(jù)融合方法可以節(jié)省能耗,但不可避免地增加了數(shù)據(jù)傳輸?shù)难舆t時(shí)間。研究結(jié)果同時(shí)表明,網(wǎng)絡(luò)中數(shù)據(jù)源節(jié)點(diǎn)越多,數(shù)據(jù)融合技術(shù)節(jié)約的能量就越多;同時(shí),網(wǎng)絡(luò)規(guī)模越大,數(shù)據(jù)融合技術(shù)節(jié)約的能量也越多。換句話說(shuō),對(duì)于大規(guī)模無(wú)線傳感器網(wǎng)絡(luò)而言,數(shù)據(jù)融合的意義更為重大。2.2數(shù)據(jù)融合算法數(shù)據(jù)融合技術(shù)一直以來(lái)都是無(wú)線傳感器網(wǎng)絡(luò)中受到眾多研究人員關(guān)注的研究領(lǐng)域之一。這些年來(lái)研究人員也提出了不少各具特色的數(shù)據(jù)融合算法。下面簡(jiǎn)要介紹其中一些具有代表性的數(shù)據(jù)融合算法。2.2.1統(tǒng)資源評(píng)論員無(wú)線傳感器網(wǎng)絡(luò)是應(yīng)用敏感的系統(tǒng),為了節(jié)省能量、內(nèi)存、CPU等系統(tǒng)資源,許多技術(shù)都根據(jù)應(yīng)用的特點(diǎn)精心設(shè)計(jì),以實(shí)現(xiàn)系統(tǒng)資源開(kāi)銷的最小化。數(shù)據(jù)融合技術(shù)也不例外,許多數(shù)據(jù)融合方法都是基于應(yīng)用的。典型的基于應(yīng)用的數(shù)據(jù)融合方法有定向擴(kuò)散協(xié)議(DirectedDiffusion)、貪婪融合(GreedyAggregation)算法等。在這些方法中,結(jié)合具體應(yīng)用,通過(guò)“屬性-值”命名機(jī)制、屬性匹配規(guī)則和過(guò)濾器(Filter)機(jī)制等實(shí)現(xiàn)了興趣和應(yīng)用數(shù)據(jù)的融合。2.2.2基于查詢的數(shù)據(jù)融合方法在無(wú)線傳感器網(wǎng)絡(luò)中,“查詢-應(yīng)答(Query-Reply)”是最為典型的數(shù)據(jù)傳輸模式之一。根據(jù)這一數(shù)據(jù)傳輸模式的特點(diǎn),研究人員提出了基于查詢的數(shù)據(jù)融合方法。SamuelMadden等研究人員設(shè)計(jì)的TAG(TinyAggregation)服務(wù)是基于查詢的數(shù)據(jù)融合方法中的典型代表。TAG實(shí)際上為無(wú)線傳感器網(wǎng)絡(luò)定義了通用數(shù)據(jù)融合接口,將整個(gè)無(wú)線傳感器網(wǎng)絡(luò)看成是一個(gè)分布式的數(shù)據(jù)庫(kù),實(shí)現(xiàn)了COUNT(計(jì)數(shù))、MIN(最小值)、MAX(最大值)、SUM(求和)、AVERAGE(平均值)等基本的數(shù)據(jù)查詢和融合操作。2.2.3結(jié)果發(fā)送節(jié)點(diǎn)基于壓縮的數(shù)據(jù)融合方法是采用各種壓縮算法對(duì)傳感器節(jié)點(diǎn)采集到的大量的原始數(shù)據(jù)進(jìn)行壓縮處理,然后將壓縮結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。與其他數(shù)據(jù)融合方法相比,基于壓縮的數(shù)據(jù)融合方法與應(yīng)用的關(guān)聯(lián)性較弱,適用面較廣。典型的基于壓縮的數(shù)據(jù)融合方法有PINCO,基于小波變換的數(shù)據(jù)融合,基于數(shù)據(jù)相關(guān)性的分布式壓縮算法等。由于傳感器節(jié)點(diǎn)的資源有限,所以消耗CPU和內(nèi)存資源較多的壓縮算法不適用于無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合。2.2.4基于稀疏矩陣樹(shù)的數(shù)字視頻監(jiān)控算法除了上述三大類別的數(shù)據(jù)融合方法,還有不少五花八門的數(shù)據(jù)融合算法,以滿足一些特殊應(yīng)用的需要,如稀疏矩陣樹(shù)算法是專門針對(duì)偶發(fā)的、隨機(jī)的、數(shù)據(jù)量少的無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用而設(shè)計(jì)的。2.3數(shù)據(jù)融合點(diǎn)離數(shù)據(jù)源近還較好數(shù)據(jù)融合點(diǎn)(AggregationPoints)的選擇是數(shù)據(jù)融合技術(shù)中非常重要和關(guān)鍵的問(wèn)題。圖1通過(guò)兩個(gè)簡(jiǎn)單實(shí)例比較了數(shù)據(jù)融合點(diǎn)對(duì)數(shù)據(jù)融合效果的影響。左圖中的數(shù)據(jù)融合點(diǎn)離匯聚節(jié)點(diǎn)比較近,而右圖中的數(shù)據(jù)融合點(diǎn)離數(shù)據(jù)源比較近。很明顯,右圖中數(shù)據(jù)發(fā)送次數(shù)要少于左圖。顯而易見(jiàn),數(shù)據(jù)融合點(diǎn)離數(shù)據(jù)源越近,數(shù)據(jù)融合的效果越好。同時(shí)還可發(fā)現(xiàn),數(shù)據(jù)融合點(diǎn)的選擇主要依賴于路由協(xié)議的設(shè)計(jì)。筆者認(rèn)為,基于層次結(jié)構(gòu)的路由協(xié)議在數(shù)據(jù)融合點(diǎn)的選擇上與其他路由協(xié)議相比具有很大優(yōu)勢(shì)。特別是在分簇路由協(xié)議中,簇頭節(jié)點(diǎn)是理想的數(shù)據(jù)融合點(diǎn),這是因?yàn)樗写爻蓡T節(jié)點(diǎn)都將采集到的數(shù)據(jù)發(fā)送給自己所對(duì)應(yīng)的簇頭節(jié)點(diǎn)。而簇成員節(jié)點(diǎn)地理位置比較接近,數(shù)據(jù)冗余度相對(duì)較高。這是本文提出的NNBA數(shù)據(jù)融合模型的主要理論依據(jù)之一。2.4基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)融合具有一個(gè)共同的基本特征,即通過(guò)對(duì)大量的數(shù)據(jù)進(jìn)行一定的運(yùn)算和處理,得到能夠反映這些數(shù)據(jù)特征的結(jié)論性的結(jié)果。因此,可以利用神經(jīng)網(wǎng)絡(luò)的方法來(lái)實(shí)現(xiàn)和解決數(shù)據(jù)融合的問(wèn)題。研究人員在最近幾年開(kāi)展了不少基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法的研究工作,但這些工作幾乎全部都是基于多傳感器的應(yīng)用場(chǎng)合來(lái)設(shè)計(jì)的,針對(duì)無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法的研究成果非常少見(jiàn)。相對(duì)而言,無(wú)線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)規(guī)模要明顯大于多傳感器應(yīng)用,而且無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)受到能量、處理器、存儲(chǔ)空間等系統(tǒng)資源的限制,更有技術(shù)難度和挑戰(zhàn)性。3層感知器神經(jīng)網(wǎng)絡(luò)與分簇路由結(jié)構(gòu)的融合本節(jié)介紹NNBA數(shù)據(jù)融合模型的設(shè)計(jì),該模型把多層感知器神經(jīng)網(wǎng)絡(luò)與分簇路由結(jié)構(gòu)進(jìn)行有機(jī)結(jié)合,利用各種神經(jīng)元功能函數(shù)完成對(duì)原始數(shù)據(jù)的融合處理,能夠達(dá)到減少數(shù)據(jù)通信、節(jié)省能耗、延長(zhǎng)網(wǎng)絡(luò)壽命的目的。3.1u3000近傳感器節(jié)點(diǎn)的數(shù)據(jù)融合NNBA模型是針對(duì)實(shí)時(shí)監(jiān)測(cè)類應(yīng)用而設(shè)計(jì)的,如森林火災(zāi)實(shí)時(shí)監(jiān)測(cè)網(wǎng)、大型溫室監(jiān)控網(wǎng)等。在這類應(yīng)用場(chǎng)景中,傳感器節(jié)點(diǎn)不斷地采集一些環(huán)境指標(biāo),如溫度、濕度、光照強(qiáng)度等,并將采集到的數(shù)據(jù)傳輸給匯聚節(jié)點(diǎn)。很明顯,所有傳感器節(jié)點(diǎn)連續(xù)采集到的數(shù)據(jù)具有很大的冗余度,主要表現(xiàn)在兩個(gè)方面:(1)鄰近傳感器節(jié)點(diǎn)采集到的數(shù)據(jù)可能基本相同;(2)同一個(gè)傳感器節(jié)點(diǎn)在短時(shí)間內(nèi)采集到的數(shù)據(jù)非常接近。因此,對(duì)此類數(shù)據(jù)進(jìn)行數(shù)據(jù)融合處理是很有必要的。NNBA模型要求無(wú)線傳感器網(wǎng)絡(luò)采用LEACH,GROUP等分簇路由協(xié)議,能夠在整個(gè)網(wǎng)絡(luò)范圍中按照一定的規(guī)則選舉簇頭,形成分簇結(jié)構(gòu)。在這種分簇結(jié)構(gòu)下,傳感器節(jié)點(diǎn)采集到的大量原始數(shù)據(jù)將首先被發(fā)送給自己所在簇的簇頭節(jié)點(diǎn)。NNBA模型在簇頭節(jié)點(diǎn)和簇成員節(jié)點(diǎn)間利用神經(jīng)網(wǎng)絡(luò)算法協(xié)同完成對(duì)采集到的大量原始數(shù)據(jù)進(jìn)行融合處理。在森林火災(zāi)實(shí)時(shí)監(jiān)測(cè)網(wǎng)中,NNBA模型可以對(duì)傳感器節(jié)點(diǎn)采集的溫度、相對(duì)濕度等數(shù)據(jù)進(jìn)行融合處理后,得到一個(gè)溫度濕度綜合指數(shù)。簇頭節(jié)點(diǎn)將該綜合指數(shù)傳輸?shù)絽R聚節(jié)點(diǎn)后,由匯聚節(jié)點(diǎn)發(fā)送給控制臺(tái)節(jié)點(diǎn)。控制臺(tái)節(jié)點(diǎn)綜合溫度濕度綜合指數(shù)、風(fēng)力和風(fēng)向、雷電活躍等級(jí)、可燃物類型、地形、降水量、降水持續(xù)時(shí)間等其他森林火災(zāi)相關(guān)因素,可以計(jì)算得到森林不同區(qū)域的火災(zāi)危險(xiǎn)等級(jí)。3.2nbp的數(shù)據(jù)融合算法圖2給出了NNBA模型的結(jié)構(gòu)示意圖,該結(jié)構(gòu)采用了三層感知器神經(jīng)網(wǎng)絡(luò)模型,對(duì)應(yīng)無(wú)線傳感器網(wǎng)絡(luò)中的一個(gè)簇。其中,輸入層和第一隱層位于簇成員節(jié)點(diǎn)中,而輸出層和第二隱層位于簇頭節(jié)點(diǎn)中。假設(shè)無(wú)線傳感器網(wǎng)絡(luò)中一個(gè)簇內(nèi)有n個(gè)簇成員節(jié)點(diǎn),每個(gè)簇成員節(jié)點(diǎn)采集m種不同類型的數(shù)據(jù),那么該神經(jīng)網(wǎng)絡(luò)模型共有n×m個(gè)輸入層節(jié)點(diǎn),n×m個(gè)第一隱層神經(jīng)元。第二隱層神經(jīng)元的數(shù)量s和輸出層神經(jīng)元的數(shù)量k可以根據(jù)實(shí)際應(yīng)用的需要進(jìn)行調(diào)整,與簇成員節(jié)點(diǎn)的數(shù)量n并沒(méi)有必然聯(lián)系。對(duì)于不同類型的數(shù)據(jù),第二隱層的數(shù)量可以不同。在輸入層與第一隱層之間、第一隱層和第二隱層間沒(méi)有采用全連接,只是對(duì)不同類型的數(shù)據(jù)分別進(jìn)行處理;而第二隱層與輸出層之間是全連接的,可以對(duì)不同類型的數(shù)據(jù)進(jìn)行綜合處理。根據(jù)這樣一種三層感知器神經(jīng)網(wǎng)絡(luò)模型,NNBA數(shù)據(jù)融合算法首先在每個(gè)傳感器節(jié)點(diǎn)對(duì)所有采集到的數(shù)據(jù)按照第一隱層神經(jīng)元函數(shù)進(jìn)行初步處理,然后將處理結(jié)果發(fā)送給其所在簇的簇頭節(jié)點(diǎn)。簇頭節(jié)點(diǎn)再根據(jù)第二隱層神經(jīng)元函數(shù)和輸出層神經(jīng)元函數(shù)進(jìn)行進(jìn)一步地處理。最后,由簇頭節(jié)點(diǎn)將處理結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。在不同的無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用場(chǎng)合,根據(jù)應(yīng)用的具體要求,NNBA算法的神經(jīng)網(wǎng)絡(luò)模型可以進(jìn)行一些調(diào)整。在數(shù)據(jù)處理較為簡(jiǎn)單的應(yīng)用場(chǎng)合,可以將簇頭節(jié)點(diǎn)中的第二隱層與輸出層進(jìn)行合并;而在一些數(shù)據(jù)處理特別復(fù)雜的應(yīng)用場(chǎng)合,可以增加一層或多層隱層,構(gòu)成更為復(fù)雜的神經(jīng)網(wǎng)絡(luò)。從無(wú)線傳感器網(wǎng)絡(luò)的整體來(lái)看,一個(gè)個(gè)傳感器節(jié)點(diǎn)就被看成了最底層的一個(gè)個(gè)神經(jīng)元,簇頭節(jié)點(diǎn)則是起到匯聚作用的中間神經(jīng)元,而整個(gè)網(wǎng)絡(luò)則可以被看成是一個(gè)復(fù)雜的神經(jīng)系統(tǒng)。3.3nndb模型的神經(jīng)元模型人工神經(jīng)元模型、人工神經(jīng)元的聯(lián)接方式、人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與學(xué)習(xí)是研究一個(gè)具體神經(jīng)網(wǎng)絡(luò)的三要素。前面介紹的NNBA模型的結(jié)構(gòu),主要解決了NNBA模型中神經(jīng)元的聯(lián)接方式。下面將討論NNBA模型的神經(jīng)元模型。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中的信息處理單元。神經(jīng)元模型,即神經(jīng)元功能函數(shù),用于定義神經(jīng)元具體的功能,定義神經(jīng)元如何進(jìn)行信息處理,即如何對(duì)數(shù)據(jù)進(jìn)行融合處理。3.3.1nba神經(jīng)元模型在NNBA數(shù)據(jù)融合算法中,第一隱層神經(jīng)元位于簇成員節(jié)點(diǎn)。每個(gè)簇成員節(jié)點(diǎn)中第一隱層神經(jīng)元的數(shù)量是根據(jù)傳感器節(jié)點(diǎn)所采集的數(shù)據(jù)類型來(lái)決定的。假設(shè)傳感器節(jié)點(diǎn)采集的數(shù)據(jù)類型為n,那么每個(gè)傳感器節(jié)點(diǎn)中需要有n個(gè)單輸入的第一隱層神經(jīng)元。換言之,不同類型的數(shù)據(jù)由不同的神經(jīng)元來(lái)進(jìn)行處理。圖3是NNBA模型中第一隱層的神經(jīng)元模型。其中,輸入?yún)^(qū)功能函數(shù)采用了加權(quán)和方法。但由于每個(gè)第一隱層神經(jīng)元只有一個(gè)輸入信號(hào),所以輸入?yún)^(qū)功能函數(shù)實(shí)際上成為了一個(gè)恒等函數(shù)。換言之,輸入?yún)^(qū)的運(yùn)算結(jié)果是輸入信號(hào)本身。處理區(qū)的兩個(gè)功能函數(shù),先計(jì)算當(dāng)前輸入的數(shù)據(jù)與上一次記錄的數(shù)據(jù)的差值的絕對(duì)值,然后判斷并決定是否記錄當(dāng)前輸入的數(shù)據(jù)。輸出區(qū)的功能函數(shù)采用的是一個(gè)特殊的閾值函數(shù):當(dāng)a1(t)小于閾值θ1時(shí),該神經(jīng)元沒(méi)有輸出結(jié)果;當(dāng)將a1(t)大于等于閾值θ1時(shí),該神經(jīng)元輸出結(jié)果是a2(t)。該閾值函數(shù)與標(biāo)準(zhǔn)閾值函數(shù)存在明顯的差異。標(biāo)準(zhǔn)閾值函數(shù)是一個(gè)輸出非0即1的二態(tài)輸出函數(shù)。3.3.2nbpd-nn-pbd神經(jīng)元模型第二隱層神經(jīng)元位于無(wú)線傳感器網(wǎng)絡(luò)的簇頭節(jié)點(diǎn)中,該層次神經(jīng)元功能函數(shù)與具體的應(yīng)用密切相關(guān)。第二隱層中神經(jīng)元的數(shù)量、每個(gè)第二隱層神經(jīng)元的功能函數(shù)都依賴于具體的應(yīng)用,甚至連簇頭節(jié)點(diǎn)中隱層的層次數(shù)也會(huì)隨應(yīng)用需求的不同而不同。與第一隱層神經(jīng)元模型類似,NNBA第二隱層神經(jīng)元模型也由輸入?yún)^(qū)功能函數(shù)、處理區(qū)功能函數(shù)和輸出區(qū)功能函數(shù)構(gòu)成。本文不對(duì)具體的功能函數(shù)進(jìn)行討論。3.3.3無(wú)線傳感器網(wǎng)絡(luò)的多通道神經(jīng)元模型與第二隱層神經(jīng)元相同,輸出層神經(jīng)元也位于無(wú)線傳感器網(wǎng)絡(luò)的簇頭節(jié)點(diǎn)中,輸出層神經(jīng)元的數(shù)量也可以根據(jù)應(yīng)用的具體要求來(lái)確定。NNBA數(shù)據(jù)融合算法中,輸出層神經(jīng)元模型的設(shè)計(jì)與第一隱層的神經(jīng)元模型非常相似。最大的區(qū)別在于第一隱層神經(jīng)元是單輸入神經(jīng)元,而輸出層神經(jīng)元是多輸入神經(jīng)元。圖4是NNBA模型輸出層神經(jīng)元模型的示意圖。在輸出層神經(jīng)元的輸入?yún)^(qū)中,采用了加權(quán)和功能函數(shù),其輸入數(shù)據(jù)是第二隱層的輸出結(jié)果。與第一隱層神經(jīng)元相似,輸出層神經(jīng)元的處理區(qū)和輸出區(qū),對(duì)輸入?yún)^(qū)的加權(quán)和結(jié)果進(jìn)行比較判斷,最新的加權(quán)和結(jié)果與上次加權(quán)和結(jié)果的差值是否超過(guò)了閾值θ2。如果差值超過(guò)了閾值θ2,該神經(jīng)元的輸出結(jié)果就是最新的加權(quán)和,也就是說(shuō)簇頭節(jié)點(diǎn)將把最新的加權(quán)和發(fā)送給匯聚節(jié)點(diǎn);反之,該神經(jīng)元沒(méi)有輸出結(jié)果,也就是說(shuō)簇頭節(jié)點(diǎn)不把最新的加權(quán)和發(fā)送給匯聚節(jié)點(diǎn)。權(quán)值w1,w2,…,wn對(duì)輸出層神經(jīng)元來(lái)說(shuō)是至關(guān)重要的,是NNBA模型的重要參數(shù)。在部分神經(jīng)網(wǎng)絡(luò)中,可以通過(guò)網(wǎng)絡(luò)本身學(xué)習(xí)、訓(xùn)練、調(diào)整這些權(quán)值。而在無(wú)線傳感器網(wǎng)絡(luò)中,由于受到通信、CPU、存儲(chǔ)空間等系統(tǒng)資源的限制,無(wú)法在無(wú)線傳感器網(wǎng)絡(luò)內(nèi)部對(duì)權(quán)值進(jìn)行訓(xùn)練。因此,NNBA模型并不考慮如何對(duì)這些權(quán)值進(jìn)行訓(xùn)練,而在無(wú)線傳感器網(wǎng)絡(luò)外部來(lái)完成這項(xiàng)工作。然后,可以通過(guò)匯聚節(jié)點(diǎn)將權(quán)值參數(shù)發(fā)送給所有的傳感器節(jié)點(diǎn)。在實(shí)際應(yīng)用中,權(quán)值的變化非常緩慢,匯聚節(jié)點(diǎn)并不會(huì)頻繁向傳感器節(jié)點(diǎn)發(fā)送這些參數(shù)。3.4多個(gè)舊簇頭節(jié)點(diǎn)的移交基于分簇的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議必須動(dòng)態(tài)地調(diào)整分簇,周期性地選舉新的簇頭,以免某個(gè)簇頭節(jié)點(diǎn)能量消耗過(guò)快,盡可能地實(shí)現(xiàn)能量消耗的均衡性。NNBA模型中第二隱層神經(jīng)元和輸出層神經(jīng)元都位于簇頭節(jié)點(diǎn),這些神經(jīng)元在運(yùn)行時(shí)不但需要一些運(yùn)行參數(shù),而且會(huì)記錄一些歷史狀態(tài)。因此,NNBA模型必須考慮簇頭更替時(shí)NNBA參數(shù)的移交問(wèn)題。也就是說(shuō),當(dāng)網(wǎng)絡(luò)中進(jìn)行新舊簇頭節(jié)點(diǎn)更替時(shí),舊的簇頭節(jié)點(diǎn)應(yīng)該把必需的NNBA參數(shù)發(fā)送給新的簇頭節(jié)點(diǎn)。移交NNBA參數(shù)的最好時(shí)機(jī)是簇頭節(jié)點(diǎn)更替的時(shí)候。當(dāng)新當(dāng)選的簇頭節(jié)點(diǎn)向其鄰近節(jié)點(diǎn)廣播簇頭通告時(shí),其鄰近的舊簇頭節(jié)點(diǎn)會(huì)收到該簇頭通告。舊簇頭節(jié)點(diǎn)在收到這些簇頭通告后,除了為自己選擇一個(gè)簇頭節(jié)點(diǎn)外,還向所有收到的簇頭通告的源節(jié)點(diǎn),移交NNBA算法的參數(shù)。在簇頭更替時(shí),只需將第二隱層神經(jīng)元和輸出層神經(jīng)元的相關(guān)參數(shù)由舊簇頭節(jié)點(diǎn)移交到新簇頭節(jié)點(diǎn)。當(dāng)然,具體每個(gè)神經(jīng)元需要哪些參數(shù)完全取決于神經(jīng)元功能函數(shù),與具體應(yīng)用緊密相關(guān)。以圖4所示的神經(jīng)元模型為例,需要移交的參數(shù)為a1(t)和a2(t)。而參數(shù)w1,w2,…,wn等是由匯聚節(jié)點(diǎn)向網(wǎng)絡(luò)內(nèi)所有傳感器節(jié)點(diǎn)發(fā)送的,因此,并不需要在簇頭更替時(shí)移交這些參數(shù)。當(dāng)一個(gè)傳感器節(jié)點(diǎn)成為新的簇頭節(jié)點(diǎn)后,可能會(huì)收到兩個(gè)或多個(gè)舊簇頭節(jié)點(diǎn)發(fā)來(lái)的NNBA參數(shù)。此時(shí),新的簇頭節(jié)點(diǎn)將面臨NNBA參數(shù)的篩選問(wèn)題,也就是說(shuō)新的簇頭節(jié)點(diǎn)應(yīng)該在多個(gè)舊簇頭節(jié)點(diǎn)中選擇其中一個(gè),還是對(duì)多個(gè)舊簇頭節(jié)點(diǎn)的參數(shù)進(jìn)行綜合。一種較為簡(jiǎn)單的參數(shù)篩選方法是根據(jù)新舊簇頭節(jié)點(diǎn)的間距來(lái)選擇,也就是說(shuō),選擇離新簇頭節(jié)點(diǎn)最近的舊簇頭節(jié)點(diǎn)的參數(shù)。因?yàn)?兩者距離近說(shuō)明兩者的數(shù)據(jù)相似度高。另一種辦法是根據(jù)實(shí)際應(yīng)用,對(duì)多個(gè)舊簇頭節(jié)點(diǎn)的參數(shù)進(jìn)行綜合。例如在森林火災(zāi)實(shí)時(shí)監(jiān)測(cè)網(wǎng)中,可以對(duì)每個(gè)舊簇頭節(jié)點(diǎn)24小時(shí)內(nèi)各時(shí)間段的最高溫度值取最大值,或者取平均值。4節(jié)點(diǎn)向匯聚節(jié)點(diǎn)發(fā)送溫度濕度綜合指數(shù)nba測(cè)試本文選用了NS-2對(duì)NNBA數(shù)據(jù)融合模型進(jìn)行了仿真測(cè)試,選用GROUP為路由協(xié)議,以森林火災(zāi)實(shí)時(shí)檢測(cè)網(wǎng)為應(yīng)用實(shí)例,每個(gè)傳感器節(jié)點(diǎn)不斷采集周圍的溫度和相對(duì)濕度,經(jīng)NNBA進(jìn)行融合處理后由簇頭節(jié)點(diǎn)向匯聚節(jié)點(diǎn)發(fā)送溫度濕度綜合指數(shù)。測(cè)試中,主要通過(guò)兩項(xiàng)指標(biāo)對(duì)NNBA模型進(jìn)行了仿真評(píng)估:(1)傳感器節(jié)點(diǎn)平均能耗。只計(jì)算無(wú)線收發(fā)模塊收發(fā)報(bào)文所消耗的能量,而不包括節(jié)點(diǎn)其他硬件模塊(如MCU和傳感器等)和無(wú)線收發(fā)模塊空閑時(shí)的能量開(kāi)銷。(2)平均通信負(fù)載:計(jì)算傳感器節(jié)點(diǎn)向匯聚節(jié)點(diǎn)每發(fā)送一個(gè)數(shù)據(jù)報(bào)文所需要經(jīng)過(guò)的發(fā)送次數(shù)(即從數(shù)據(jù)源節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的平均跳數(shù))。每種測(cè)試方案中,都隨機(jī)生成了三個(gè)不同的網(wǎng)絡(luò)拓?fù)?每個(gè)傳感器節(jié)點(diǎn)的位置不同),在每個(gè)網(wǎng)絡(luò)拓?fù)渲羞\(yùn)行一次仿真測(cè)試,每次仿真測(cè)試的運(yùn)行持續(xù)時(shí)間為200s。最后將3個(gè)不同網(wǎng)絡(luò)拓?fù)涞倪\(yùn)行結(jié)果取平均值得到仿真測(cè)試結(jié)果。4.1感器節(jié)點(diǎn)的密度為了測(cè)試不同網(wǎng)絡(luò)規(guī)模下NNBA的性能,選取了6種不同規(guī)模的無(wú)線傳感器網(wǎng)絡(luò)場(chǎng)景:75,108,147,192,243,300個(gè)傳感器節(jié)點(diǎn)分別分布在600×500m2,720×600m2,840×700m2,960×800m2,1080×900m2,1200×1000m2大小的區(qū)域內(nèi),具有相同的節(jié)點(diǎn)密度,具有較好的可比性。每種網(wǎng)絡(luò)場(chǎng)景中只有一個(gè)匯聚節(jié)點(diǎn),位于網(wǎng)絡(luò)中央位置。NNBA中,第一隱層的閾值θ1和輸出隱層的閾值θ2均為0.2。在GROUP協(xié)議中,網(wǎng)格寬度固定為200m,簇頭網(wǎng)格選舉的周期為20s。4.1.1傳感器節(jié)點(diǎn)能耗分析圖5顯示了不同網(wǎng)絡(luò)規(guī)模下有無(wú)使用NNBA數(shù)據(jù)融合算法的傳感器節(jié)點(diǎn)平均能耗對(duì)比結(jié)果。通過(guò)對(duì)該結(jié)果的分析,可以得出以下幾點(diǎn)結(jié)論:(1)在使用NNBA數(shù)據(jù)融合算法的情況下,傳感器節(jié)點(diǎn)平均能耗總是明顯低于沒(méi)有使用NNBA算法時(shí)的平均能耗;(2)不管是否使用NNBA算法,隨著網(wǎng)絡(luò)規(guī)模的增加(傳感器節(jié)點(diǎn)數(shù)量的增加),傳感器節(jié)點(diǎn)平均能耗總是下降,但沒(méi)有使用NNBA算法時(shí)下降幅度更大。4.1.2平均通信負(fù)載圖6顯示了不同網(wǎng)絡(luò)規(guī)模下有無(wú)使用NNBA數(shù)據(jù)融合算法的平均通信負(fù)載對(duì)比結(jié)果。通過(guò)對(duì)該結(jié)果的分析,可以得出以下幾點(diǎn)結(jié)論:(1)在使用NNBA數(shù)據(jù)融合算法的情況下,平均通信負(fù)載總是明顯低于沒(méi)有使用NNBA算法時(shí)的平均通信負(fù)載;(2)在沒(méi)有使用NNBA算法的情況下,隨著網(wǎng)絡(luò)規(guī)模的增加(傳感器節(jié)點(diǎn)數(shù)量的增加),平均通信負(fù)載明顯增長(zhǎng),最小值為3.74,最大值為5.27;(3)在使用NNBA算法的情況下,隨著網(wǎng)絡(luò)規(guī)模的增加(傳感器節(jié)點(diǎn)數(shù)量的增加),平均通信負(fù)載增長(zhǎng)不明顯,最小值為0.72,最大值為0.94。從該項(xiàng)仿真測(cè)試的結(jié)果來(lái)看,使用NNBA數(shù)據(jù)融合算法后,確實(shí)有效地減少了網(wǎng)絡(luò)中通信負(fù)載,起到了節(jié)約能耗的作用。4.2互聯(lián)互通數(shù)據(jù)融合模型