[发明专利]一种无线传感器网络数据融合方法

说明书

技术领域

本发明属于无线传感器网络技术领域，具体涉及一种基于萤火虫算法优化RBF神经网络的无线传感器网络数据融合方法。

背景技术

无线传感器网络是由部署在监测区域内大量传感器节点相互通信形成的多跳自组织网络系统，是物联网底层网络的重要技术形式。由于传感器节点的体积小、资源非常有限，故在无线传感器网络覆盖区域内，传感器节点分分布往往具有高密性和分布不均匀性，使传感器节点采集的数据具有很高的冗余性。如果所有信息都发送到汇聚节点，会造成传感器节点能源消耗过快，严重缩短无线传感器网络的使用寿命。为了避免上述问题的产生，无线传感器网络在釆集数据的过程中需要使用数据融合技术，以减少信息在网内的传输量，可以在降低传感器节点功耗的同时节省网络通信带宽。

神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，能够模拟人的大脑活动,具有极强的非线性逼近、分布式存储、大规模并行处理、自训练学习、自组织和容错能力等优点,特别适合处理需要同时考虑诸多因素和条件的、不精确和模糊的信息处理问题。无线传感器网络和神经网络有特别相似的地方：无线传感器网络中的传感器节点就好比神经元,具有感受和处理的功能；而无线传感器节点之间的连接则相当于连接神经元的突触，完成信号的传递。无线传感器网络的数据融合与神经网络具有一个共同的基本特征,即通过对大量的数据进行一定的运算和处理,得到能够反映这些数据特征的结论性的结果。因此,可以利用神经网络的方法来实现和解决无线传感器网络中的数据融合问题。神经网络用于无线传感器网络的数据融合已经被证明是非常有效的。

径向基函数神经网络是一种高效的前馈式神经网络，三层结构，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快.同时，它也是一种可以广泛应用于模式识别、故障诊断、非线性函数逼近等领域的神经网络模型。

发明内容

本发明的目的在于提出一种基于萤火虫算法优化RBF神经网络的无线传感器网络数据融合方法，有效减少信息在网内的传输量，可以在降低传感器节点功耗的同时节省网络通信带宽。

为了解决上述技术问题，本发明提供一种无线传感器网络数据融合方法，每个传感器节点对其采集到的数据按照输入层神经元函数进行初步处理，获得少量的特征数据，然后将特征数据发送给其所在簇的簇头节点；簇头节点根据隐层神经元函数和输出层神经元函数对特征数据做进一步处理，获得融合后数据；簇头节点将融合后数据发送给汇聚节点。

进一步，上述方法的步骤为：簇头向汇聚节点传送其簇内传感器节点信息表；汇聚节点依据簇头及其簇内传感器节点信息，构造RBF神经网络；RBF神经网络检索样本数据库，搜集与簇成员信息匹配的样本进行训练，从而生成相应簇的神经网络参数；汇聚节点将基于萤火虫优化的RBF神经网络各神经元参数发送给对应传感器节点；分簇稳定工作后，簇头对接收信息进行融合并向汇聚节点传递融合后数据。

进一步，在无线传感器网络中选取簇头以及对传感器节点分簇的方法为：在每一轮簇的初始阶段，每个传感器节点随机生成一个[0,1]之间的数值，如果所述数值小于设置的阈值T(n)，则该传感器节点作为簇头，其中，已经当过簇头的传感器节点的阈值T(n)为0；选定簇头后，簇头通过广播告知其他不作为簇头的传感器节点其已成为簇头节点的消息，其他不作为簇头的传感器节点根据接收信号的强度加入相应的簇头从而形成簇集；簇头根据加入的传感器节点的数量建立了一个时分多址的通信方案，为簇内每个传感器节点分配了一定的通信时隙，簇内传感器节点在分配给自己的通信时隙内发送数据给簇头。

进一步，将整个无线传感器网络作为一个RBF神经系统，将各传感器节点作为输入层的神经元，将簇头作为隐层神经元，运用萤火虫算法进行模糊聚类，确认所述神经网络的径向基中心和基宽，具体为：计算数据对象隶属于各聚类中心的隶属度；计算每只萤火虫的适应度参数值，并更新每只萤火虫的荧光素值；在每只萤火虫的决策域半径内，选择高于自身荧光素值的萤火虫构成动态决策域，用轮盘赌选择萤火虫，更新萤火虫位置；更新每只萤火虫动态决策域半径；判断是否达到最大迭代次数，若达到，则终止；否则返还继续计算每只萤火虫的适应度参数值。