基于BP神经网络的多传感器数据融合方法

邱春荣

（长沙民政职业技术学院，湖南 长沙 410004）

1.引言

在无线传感器网络（Wireless Sensor Network，WSN）中，各传感器采集了海量的数据。由于各传感器节点能量和网络带宽都非常有限，因此如何在不降低数据应用有效性的前提下，尽可能地降低数据的冗余性，减少无效数据的传输，就成为一个必需解决的问题。本文提出利用BP神经网络模型，通过选取适当的神经网络节点及其数量，并选取相应的模型参数，实现多传感器节点之间的数据融合，从而提高WSN的数据传输效率，提高传感器节点的生存周期。

2.相关工作

许多研究者在应用神经网络技术开展无线传感器网络数据融合方面，开展了大量的研究工作，主要集中在以下两个领域。一是应用神经网络针对WSN中的能耗和数据传输负载等性能参数的改善开展设计和试验,并在提升WSN生存周期和传输性能等方面取得了预期的效果 [1-3][6]。二是围绕数据处理的精度，通过调整神经网络的神经元节点数量和运行参数，构建整体性能较好的融合模型[4-5]。文献[6]运用BP神经网络对WSN的数据融合技术进行了研究和探索，提出了BP神经网络数据融合技术的工作步骤，并对参数性能进行了对比分析。本文与该文献研究内容的主要区别在于针对多个传感器节点的原始数据，先开展奇异数据剔除和Max-min标准化方法处理，并运用MATLAB平台中的BP神经网络工具开展了仿真实验。

3.BP神经网络数据融合技术

3.1 BP神经网络的基本原理

BP神经网络利用梯度搜索技术从输入层经隐含层，再到输出层逐层实施数据处理，并得到输出结果。接着判断输出值与期望值之间的偏差，如果偏差符合预期的应用预期值，则运算结束。反之则将计算偏差反向传输，并通过神经元节点的权重调整，最终输出符合要求的输出结果。各神经元的计算式如下所示。

其中ωij表示神经元节点的连接权值，θj表示阈值，ui和hi分别表示中间神经元节点和输出层神经元节点的输入和输出，xi表示上一层神经元节点的输入值。输出层神经元的误差δi为

式中ci表示样本的期望值。

3.2 BP神经网络数据融合方法

多传感器数据融合是根据预期值及其预期偏差，将来源于各个传感器的信息数据进行关联和组合处理，最终获得符合应用需求的结果。BP神经网络数据融合的具体步骤如下：

（1）各传感器数据的预处理和特征选择。主要包括噪声去除操作、误差检查、格式审核等操作，以降低数据融合处理WSN节点的负荷，提高计算效率。特征数据选择的主要功能则是数据降维，并进一步减少数据量。

（2）数据归一化处理。该步骤也是数据融合前的基础工作之一，其主要的作用是统一各传感器所采集数据的量纲。经过数据归一化处理后，所有的数据都具有相同的数量级，以便于统一的融合处理。

（3）根据应用需求选定训练样本，输入BP神经网络模型获得符合预期值和预期偏差的特征函数。将测试数据输入训练好的神经网络，得到预测结果。

3.3 数据归一化方法

常见的数据归一化方法有Max-min标准化、Z-score标准化、对数函数转换、反余切函数转换等。本文选用简单实用的Max-min标准化方法，将数据处理后限制在[0,1]区间内。其计算式为：

其中x为原始值，x'表示转换后的标准值，xmin和xmax分别表示x的最小值和最大值。

在Max-min标准化方法中如果存在着奇异样本数据，会导致标准值集中在一个非常小的区间内，因此运用该方法进行数据归一化处理前，应首先剔除奇异数据。

4.实验结果与分析

某传感器网络有9个传感器节点，分别测量得到15个样本数据，为了检验本方法的准确性和适用性，取前8个传感器采集的数据作为训练样本数据，如表1所示。

表1 各传感器的样本数据

取第9个传感器采集的数据作为期望值输出数据：[2.2357,2.3117,2.3202,2.5107,2.1236,2.2587,2.3691,2.4012,2.1687,2.2684,2.3102,2.4102,2.2911,2.3082,2.2081]。

测试数据取3个组，如表2所示：

表2 测试数据组一览表

实验平台为MATLABR2010a，神经网络隐含层激励函数为tansig，输出层激励函数为logsig，训练函数为traingdx，性能函数设置为mse。隐含层神经元节点数为6个，迭代次数epochs为5000，误差期望值设置为0.00001，学习速率lr设置为0.01。数据归一化后的数据如表3所示。

表3 样本数据归一化处理后的数据值

将数据归一化后代入BP神经网络后，并代入测试数据，得到融合模型的预测值和测试数据如图1所示。其中决定系数R2达到0.9192，RSME为0.0358，说明该融合模型具有较好的准确性和可靠性。

图1 预测值与实测值的相关图

5.总结

在无线传感器网络中，将多个传感器采集的数据进行必要的融合，能够有效地提高WSN的网络传输效率和生存周期。本研究基于MATLAB实验平台，运用BP神经网络对多传感器网络的数据进行了模型训练，并抽取测试数据进行了融合模型的有效性验证。结果表明，BP神经网络数据融合模型决定系数达到0.9192，RSME达到0.0358，具有良好的整体性能。下一步工作主要包括将本研究的工作成果与其他数据融合模型进行对比，通过神经元节点的数量和BP神经网络训练参数的调节等方法探讨和优化融合模型的性能。