基于sofm神經(jīng)網(wǎng)絡的數(shù)據(jù)融合算法

目前，許多基于無線傳感器的現(xiàn)代網(wǎng)絡為我們提供了巨大的幫助。在該網(wǎng)絡中,部署在遠程環(huán)境中的傳感器節(jié)點在沒有任何網(wǎng)絡拓撲先驗信息的情況下完成自行配置,其最終目標是監(jiān)測傳感器區(qū)域中感興趣的特定事件。然而,通常情況下,該網(wǎng)絡中的傳感器節(jié)點的能量有限,存儲空間不大,計算能力較低等局限性成為了無線傳感器網(wǎng)絡應用的瓶頸,因此關于如何降低網(wǎng)絡能耗,延長網(wǎng)絡生存時間的研究是十分有意義的。通常,無線傳感器網(wǎng)絡為了保證對監(jiān)測區(qū)域的覆蓋度,會在區(qū)域內(nèi)部署較多的傳感器節(jié)點,這些傳感器節(jié)點的監(jiān)測區(qū)域相互重疊,采集到的數(shù)據(jù)存在很大的空間相關性,從而導致高度的相似性;而且同一個傳感器在短時間內(nèi)采集的數(shù)據(jù)也可能具有很高的時間相關性。對這些冗余數(shù)據(jù)的存儲,計算和發(fā)送會浪費網(wǎng)絡中大量的資源,包括存儲空間和傳輸能量,縮短整個網(wǎng)絡的生存期。同時,過多的冗余數(shù)據(jù)也給后臺的數(shù)據(jù)處理帶來了不必要的計算開支。針對上述背景,本文提出一種基于自組織映射神經(jīng)網(wǎng)絡的無線傳感器網(wǎng)絡數(shù)據(jù)融合算法(SOFMDA)。SOFMDA算法以無線傳感器網(wǎng)絡中的基于位置的分簇路由協(xié)議(只需要是分簇協(xié)議,并不指定具體的協(xié)議)為基礎,以簇內(nèi)節(jié)點為SOFM神經(jīng)網(wǎng)絡的輸入層神經(jīng)元,在簇頭節(jié)點利用SOFM神經(jīng)網(wǎng)絡技術對數(shù)據(jù)分類,并提取特征,然后將代表原始數(shù)據(jù)的特征數(shù)據(jù)而不是所有的原始數(shù)據(jù)發(fā)送給匯聚節(jié)點,從而達到減少數(shù)據(jù)發(fā)送量,降低能耗的目的。1相關工作1.1不同輸入量間的信息模型人工神經(jīng)網(wǎng)絡,亦稱為神經(jīng)網(wǎng)絡,是一種應用類似于大腦神經(jīng)突觸連接的結構進行信息處理的數(shù)學模型。它是一種運算模型,由大量的節(jié)點(或稱神經(jīng)元)和相互之間的加權連接構成。它可以模擬人類大腦活動,具有很強的非線性逼近、分布存儲、模式分類和識別等能力,可以處理已知信息較少,考慮因素較多的信息處理問題。與有導師學習規(guī)則的神經(jīng)網(wǎng)絡不同,SOFM神經(jīng)網(wǎng)絡使用無導師學習規(guī)則來訓練網(wǎng)絡,可以在沒有預知正確模式的情況下(沒有已知的輸入和輸出訓練樣本數(shù)據(jù)),通過對客觀事件的反復觀察、分析與比較,自行提煉其內(nèi)在規(guī)律,并對具有共同特征的事物進行正確的分類。即,SOFM神經(jīng)網(wǎng)絡的訓練只依賴于一組輸入量,其自行尋找輸入量中的內(nèi)在特征,從而實現(xiàn)分類。圖1展示了SOFM網(wǎng)絡模型的一般形式。SOFM網(wǎng)絡采用了Kohonen學習規(guī)則,它不僅僅更新勝出的單個神經(jīng)元的權值,并且對其一定鄰域內(nèi)的所有神經(jīng)元的權值都進行更新,即圖1中節(jié)點i為勝出的神經(jīng)元,而在其周圍的鄰域內(nèi)的節(jié)點(圖中其他的實心節(jié)點),都要被更新。這種學習規(guī)則更接近于人腦內(nèi)神經(jīng)元的工作方式。Kohonen規(guī)則對權值進行更新的表達式如式(1)所示。其中q代表訓練輪數(shù),α為學習速率,學習速率的取值關系到學習的效果和運算量,取值過大雖然學習次數(shù)較少但學習效果不理想,取值過小又可能導致長時間無法達到學習目標。經(jīng)過多輪的訓練,使得獲勝神經(jīng)元附近的權值都向著輸入模式靠近,所以SOFM是一種可以體現(xiàn)輸入模式并保證輸入數(shù)據(jù)拓撲結構的神經(jīng)網(wǎng)絡模型。1.2無線傳感器網(wǎng)絡融合周沖等人提出的WSN數(shù)據(jù)融合算法針對LEACH算法在簇頭選擇機制、數(shù)據(jù)融合以及簇頭與基站通信的路由方面的不足,提出了改進方案,在簇頭選擇的算法中加入了能量控制條件,簇頭與基站的路由改為更適合數(shù)據(jù)融合的多跳反向組播樹,仿真實驗表明與LEACH算法相比,性能上有所提升。WangLeichun等人提出的基于空間相關性的數(shù)據(jù)融合算法,將空間位置和數(shù)據(jù)特征作為主要考慮因素對傳感器數(shù)據(jù)做分類融合,實驗表明該算法在能耗、數(shù)據(jù)采集量和融合質(zhì)量等方面都優(yōu)于RAA。Nithyakalyani,S等人提出的以數(shù)據(jù)為中心的融合技術,該技術是一種基于Voronoi圖的模糊聚類(VF)算法。該算法考慮節(jié)點剩余能量、簇頭節(jié)點和鄰居節(jié)點的距離和服務質(zhì)量,在簇頭節(jié)點進行數(shù)據(jù)融合。仿真實驗表明,算法有效地提高了網(wǎng)絡性能。神經(jīng)網(wǎng)絡技術在解決無線傳感器網(wǎng)絡方面的問題已經(jīng)發(fā)揮了很大的作用,也有了一定的研究成果。Renzik等使用多層感知神經(jīng)網(wǎng)絡檢測無線傳感器網(wǎng)絡中的信號變化情況,用以判斷異常事件的發(fā)生。馮芳等提出的基于神經(jīng)網(wǎng)絡的無線傳感器自適應路由算法,在基站上采用神經(jīng)網(wǎng)絡的自適應學習來選擇簇頭,并根據(jù)最優(yōu)權函數(shù)值來選擇最短路徑中的下一跳,仿真實驗表明網(wǎng)絡性能是EMHR算法的1.8倍。JulioBarbanch等第一次將SOFM神經(jīng)網(wǎng)絡應用于無線傳感器網(wǎng)絡,并提出了基于SOFM的無線傳感器路由協(xié)議,該協(xié)議沒有考慮數(shù)據(jù)融合方面的內(nèi)容。余黎陽等將BP神經(jīng)網(wǎng)絡和無線傳感器網(wǎng)絡分簇路由協(xié)議有機結合,構造出一個三層感知器神經(jīng)網(wǎng)絡,來完成數(shù)據(jù)融合的工作,仿真結果表明該方法有效地提高了LEACH算法的性能,但該算法無法完成缺乏訓練輸出集合情況下的工作。孫凌逸等在文獻的基礎上,增加了數(shù)據(jù)特征的處理,同樣對LEACH算法進行了改進,效果比較明顯,與文獻的問題相同,協(xié)議沒有給出缺乏訓練集合的情況下的實現(xiàn)。SOFM神經(jīng)網(wǎng)絡可以和無線傳感器網(wǎng)絡很好的結合來解決數(shù)據(jù)融合的問題。無線傳感器中的節(jié)點扮演神經(jīng)網(wǎng)絡的神經(jīng)元角色,采集的數(shù)據(jù)作為神經(jīng)元的輸入量,在簇頭節(jié)點做神經(jīng)網(wǎng)絡的增量學習工作,從而實現(xiàn)數(shù)據(jù)的分類。之所以采用無導師學習規(guī)則的神經(jīng)網(wǎng)絡是因為它可以不需要提前指定訓練數(shù)據(jù)的正確分類結果,因為對我們來說,有時確實很難獲得。2聚酯設備監(jiān)控數(shù)據(jù),聚酯節(jié)點SOFMDA算法,針對實時監(jiān)測類應用而設計,如大型溫室監(jiān)控網(wǎng),空氣質(zhì)量采集網(wǎng)等。在這些應用場景中,傳感器節(jié)點不斷地采集大量的監(jiān)控數(shù)據(jù),并發(fā)送給匯聚節(jié)點。匯聚節(jié)點受到的數(shù)據(jù)的冗余性主要來自于以下兩個方面:(1)鄰近的傳感器節(jié)點采集的數(shù)據(jù)具有較高的相似性;(2)短時間內(nèi)同一傳感器節(jié)點采集的數(shù)據(jù)具有較高的相似性。然而,我們的研究將不局限于這兩點,只要是可以量化的導致數(shù)據(jù)冗余的因素,都可以作為我們研究的對象,例如在某些特定的應用中傳感器節(jié)點所處的光強度(溫室監(jiān)控),風速(森林防火監(jiān)控)等。2.1節(jié)點位置信息為方便問題的研究,文中N個傳感器節(jié)點隨機分布在矩形感知區(qū)域內(nèi)。文中使用的概念及標識如表1所示。本文對無線傳感器網(wǎng)絡具有如下要求:(1)所有節(jié)點在部署之后不能隨意移動,且每個節(jié)點具有唯一的網(wǎng)內(nèi)標識id號;(2)節(jié)點的初始能量相同,不存在能量補給;(3)網(wǎng)絡中有唯一的匯聚節(jié)點(Sink),位置固定;對于要求(5),因為無線傳感器網(wǎng)絡的數(shù)據(jù)融合必然要考慮到節(jié)點的空間相關性造成的數(shù)據(jù)冗余,所以位置信息是SOFM過程中要考慮的的重要因素。這也是大多數(shù)無線傳感器網(wǎng)絡路由算法中所要求的。2.2sofm神經(jīng)網(wǎng)絡SOFMDA算法對路由協(xié)議沒有過多的要求,只要求是分簇路由協(xié)議(然而,不同的分簇協(xié)議也會導致最終的性能差別),且在整個網(wǎng)絡內(nèi),節(jié)點成為簇頭滿足公平性的原則即可,所以我們將路由協(xié)議部分泛化處理,在某一時刻的網(wǎng)絡拓撲T的情況下討論問題。設C為當前時刻T拓撲下網(wǎng)絡中所有簇的集合,當前時刻網(wǎng)絡中簇的數(shù)量為M,即‖C‖=M。Ci代表第i號簇,Ci∈C,i=0,1,…,M-1,Ci-Head為Ci的簇頭節(jié)點編號。我們的算法是在每一個簇頭節(jié)點進行神經(jīng)網(wǎng)絡的分類操作和數(shù)據(jù)融合操作。設‖Ci‖=ni,則對于簇頭Ci-Head內(nèi)的神經(jīng)網(wǎng)絡將有Qi=ni個輸入向量(包括Ci-Head采集到的數(shù)據(jù)),由于采用SOFM神經(jīng)網(wǎng)絡,所以Ci-Head并不需要訓練集對應的正確輸出。設對于當前的網(wǎng)絡應用,影響網(wǎng)絡中數(shù)據(jù)冗余度的因素為e1,e2,…,er,則有每個輸入向量有r個元素,則Ci-Head的輸入矩陣為一個r×Qi的二維矩陣:Ci通過這Qi個輸入列向量訓練網(wǎng)絡的權值,從而達到對以后向量的分類操作。圖2為Ci-Head中的SOFM網(wǎng)絡結構示意圖。其中,IW11為神經(jīng)網(wǎng)絡的權系數(shù)和閾值矩陣,‖ndist‖為輸入向量p和IW11的偏差值,S1為最終需要的分類數(shù),a1為最終的分類結果。經(jīng)過CiHead內(nèi)的SOFM神經(jīng)網(wǎng)絡,采集到的數(shù)據(jù)信息已經(jīng)被分類為S1組,被分類到一組的數(shù)據(jù)具有較高的數(shù)據(jù)相關性,可以使用融合方法將同一組的數(shù)據(jù)進行融合,具體的融合方法將在下一節(jié)討論。圖3為SOFMDA算法的模型圖,ci1,ci2,…,cik為簇Ci的簇內(nèi)成員節(jié)點,則k=Qi,分類部分由簇頭結點Ci-Head完成,這也是SOFMDA的核心部分,其結構示意圖如圖2所示;a1,a2,…,as是原始數(shù)據(jù)經(jīng)過SOFM后分類成的s個數(shù)據(jù)集合,在同一集合中的數(shù)據(jù)有很高的數(shù)據(jù)相關性,適合進行特征數(shù)據(jù)的提取,它們將作為DA(數(shù)據(jù)融合)的輸入,提取特征值,也就是最終將發(fā)送到匯聚節(jié)點的數(shù)據(jù)。簇內(nèi)節(jié)點在t時刻向簇頭節(jié)點發(fā)送的數(shù)據(jù)為一個r+1元組,其格式為前r個元素為影響冗余度因子,用來在簇頭節(jié)點處進行SOFM分類;最后一個元素data為傳感器采集的真實數(shù)據(jù),需要在簇頭節(jié)點處進行DA操作,從而獲取最終的特征數(shù)據(jù)。由于SOFM神經(jīng)網(wǎng)絡隨著輸入樣本的增加,不斷調(diào)整其內(nèi)部的權值和閾值矩陣,以使其能越來越準確的對輸入數(shù)據(jù)加以分類,因此網(wǎng)絡在運行之初的結果可能不夠準確。應該為SOFM網(wǎng)絡留出一定的自行訓練時間,一般情況下SOFM對數(shù)據(jù)量不大的樣本,訓練200次左右即可達到準確。2.3節(jié)點特征融合特征提取,將已經(jīng)按照相關性分好類的數(shù)據(jù)融合為一個特征值,用此特征值來代表這一類數(shù)據(jù),從而達到減少數(shù)據(jù)傳輸量的目的。關于特征提取的方法,一般認為有兩種方式,一種為取所有數(shù)據(jù)的算數(shù)平均值為特征值。即圖3中DA部分按照式(3)計算特征值。其中‖ai‖為集合ai中元組的數(shù)量,dataij為集合ai中第j個元組的數(shù)據(jù)。fi為這一時刻,簇頭節(jié)點ci向匯聚節(jié)點發(fā)送的最終數(shù)據(jù)。這種做法運算簡單,涵義清晰,但當數(shù)據(jù)變化范圍較大時不能很準確的反應數(shù)據(jù)的整體特征,而且如果出現(xiàn)較大的奇異值時,可能會給出完全錯誤的特征數(shù)據(jù)。因此它適合應用在數(shù)據(jù)變化范圍小且穩(wěn)定的場景中。另外的一種方式是采用可以使所有數(shù)據(jù)的二階中心距最小的數(shù)據(jù)作為最終的特征數(shù)據(jù)。即尋找一個數(shù)據(jù)d,使得式(4)取最小值。將d作為最終的數(shù)據(jù)發(fā)送給匯聚節(jié)點。這種方式可以有效地改善奇異值對整個數(shù)據(jù)特征的影響。但其對簇頭節(jié)點的運算能力要求較高,且運算時間過長,除非在特殊的應用中,否則對于能量寶貴的無線傳感器網(wǎng)絡來說,一般不太實用。除此之外,還有一些研究學者提出的特征提取處理方法同樣可以應用到SOFMDA算法之中的DA部分,如流量分布加權融合算法等,該算法通過實時計算網(wǎng)絡中的流量分布,選擇路由,從而達到節(jié)約能耗的目的。該模型將SOFM神經(jīng)網(wǎng)絡的訓練方法與傳統(tǒng)的無線傳感器網(wǎng)絡的數(shù)據(jù)融合算法相融合,以SOFM為方法,數(shù)據(jù)融合技術為目的,構建了一種新的無線傳感器數(shù)據(jù)融合算法。3分類結果分析本文采用MATLAB仿真測試算法的性能。以環(huán)境監(jiān)測系統(tǒng)為應用場景。布置在感知區(qū)域內(nèi)的傳感器節(jié)點可以實時采集所處環(huán)境的溫度和濕度數(shù)據(jù),并將才記得數(shù)據(jù)發(fā)送到Sink節(jié)點。實驗中我們分別選取SOFMDA的分類數(shù)為4和6,將100個傳感器節(jié)點部署在100m×100m范圍的感知區(qū)域內(nèi),傳感器節(jié)點本身可以采集溫度和濕度數(shù)據(jù)。路由協(xié)議采用經(jīng)典的LEACH協(xié)議。具體的實驗參數(shù)如表2所示。其中冗余度影響因素是指我們認為的會影響數(shù)據(jù)冗余度的因素,在當前實驗背景下,時間和空間是我們考慮影響冗余度最重要的原因。圖4中展示的是實驗中的數(shù)據(jù)采集元件,分別采用的是LM35溫度傳感器(左)和SHT11濕度傳感器(右)。每一個傳感器節(jié)點都配備一個LM35和SHT11元件,用來采集溫濕度數(shù)據(jù)。SOFMDA采用同類算法常用的能耗模型,統(tǒng)計節(jié)點發(fā)送、接收和融合數(shù)據(jù)的能耗。在發(fā)送數(shù)據(jù)時,如果發(fā)送距離小于閾值d0,采用自由空間模型,否則,采用多路徑衰減模型。節(jié)點發(fā)送和接收lbit數(shù)據(jù)的能耗如式(5)和式(6)所示。其中,d是發(fā)送距離,Eelec是無線收發(fā)電路發(fā)送或接收單位長度數(shù)據(jù)的電路能耗,εfs和εmp分別是自由空間模型和多路徑衰減模型的放大器能耗參數(shù)。為防止個別傳感器節(jié)點可能產(chǎn)生的較大誤差對整個特征數(shù)據(jù)的影響,在做分類之前,我們對數(shù)據(jù)進行歸一化處理,即將所有采集到的數(shù)據(jù)轉(zhuǎn)換為[0,1]區(qū)間之內(nèi),這樣做不會改變最終的分類結果,卻可以保證即使存在個別的奇異值,也不會對最終的結果產(chǎn)生很大的影響。圖5是隨機部署的傳感器網(wǎng)絡分布圖,‘+’為傳感器節(jié)點,‘●’是這一時刻網(wǎng)絡中的簇頭節(jié)點,中央位置的‘☆’為匯聚節(jié)點。圖中可以看出,節(jié)點的部署在空間上呈現(xiàn)隨機性,距離較近的節(jié)點的數(shù)據(jù)冗余度比較大,適合使用神經(jīng)網(wǎng)絡的方法歸為一類。圖6展示了某一時刻圖4中標識出來的簇的簇頭使用SOFM神經(jīng)網(wǎng)絡對13個簇內(nèi)節(jié)點進行“6分類”和“4分類”之后數(shù)據(jù)的分布情況,兩次分類都進行了12輪訓練。圖6(a)中將13個數(shù)據(jù)分類為3、3、0、2、2、3個一類,圖6(b)中將13個數(shù)據(jù)分類為1、5、3、4個一類。分類的數(shù)量會影響到數(shù)據(jù)準確性和融合程度。圖7給出了分類數(shù)分別為4和6時,網(wǎng)絡中的誤差情況?？梢钥闯龇诸悢?shù)為6的情況誤差比總體低于分類數(shù)為4的情況,分類數(shù)越多,同類中的數(shù)據(jù)相關性就越明顯,因此最終的特征數(shù)據(jù)也更加接近原始數(shù)據(jù),同時可以看出,數(shù)據(jù)誤差在網(wǎng)絡剛剛建立時較大,這是因為SOFM神經(jīng)網(wǎng)絡在開始學習時的誤差較大,隨著數(shù)據(jù)的不斷增加,由于SOFM的增量學習功能,使得網(wǎng)絡最終的性能降低下來并趨于穩(wěn)定。圖8給出了LEACH算法和SOFMDA算法在網(wǎng)絡能耗方面的性能對比?？梢钥闯鯯OFMDA能有效地減少能耗,同時4分類的情況能耗比6分類的能耗更低,這是因為分類數(shù)越少,數(shù)據(jù)融合的程度就越大,最終的特征數(shù)據(jù)就越少,通信能耗就越低。同時結合圖7,圖8分析,對于分類數(shù)的選取同時影響到數(shù)據(jù)準確性和能耗水平,應該根據(jù)具體應用的要求適當選擇,在準確度和能耗之間選取折中點。圖9顯示了LEACH算法、6分類SOFMDA算法和4分類SOFMDA算法在不同輪數(shù)網(wǎng)絡中死亡節(jié)點的數(shù)量的對比圖。從圖中可以看出,由于對原始數(shù)據(jù)做了分類融合和特征提取,SOFMDA算法從總體上降低了網(wǎng)絡中各個節(jié)點的能耗量,從而延長了網(wǎng)絡了整體的生命周期。同時,由于4分類比6分類有更高的融合度(同樣的原始數(shù)據(jù),4分類融合后的數(shù)據(jù)更少),同一時刻,4分類的算法比6分類算法的死亡節(jié)點數(shù)要更少。當網(wǎng)絡規(guī)模增長時,SOFMDA算法可以很好的保持穩(wěn)定性,不會產(chǎn)生由于數(shù)據(jù)包沖突導致的數(shù)據(jù)重傳和能量損失。圖10顯示了網(wǎng)絡中的節(jié)點數(shù)量分別在LEACH算法、BPNDA算法和SOFMDA(4)算法下對Sink節(jié)點收到的數(shù)據(jù)量的影響。可以看出,SOFMDA算法中匯聚節(jié)點收到的數(shù)據(jù)量比LEACH算法匯聚節(jié)點收到的數(shù)據(jù)量要少很多,同時比之前的BPNDA算法有一定的提升。這是因為SOFMDA算法采用神