[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技术领域，尤其是一种无线传感器网络数据融合方法。

背景技术

在现有无线传感器网络中，各传感器节点均采用电池供电，导致网络内资源十分受限；大量节点由于地理位置分布不均，使得数据存在过多冗余信息，进而增加了能量消耗与传输延时；应用环境普遍存在较多的干扰因素，又会直接减弱数据通信传输能力，并降低数据采集精度，影响了系统整体性能。由于实际网络中各类感知设备的大量存在，使其数据呈现海量性、异构性与多样性，同时对系统实时性和可靠性要求也更为严格，以上这些都为WSNs数据融合带来了挑战。因此，面对大量异构、混杂的数据，如何通过融合算法，更合理、高效地实现数据融合处理已成为当前亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种无线传感器网络数据融合方法，解决对大量异构、混杂数据的有效融合处理的问题。

本发明解决其技术问题是采取以下技术方案实现的：

一种无线传感器网络数据融合方法，包括以下步骤：

步骤1、无线传感器网络的汇聚节点对构建的CNN模型进行训练；

步骤2、无线传感器网络的各终端节点通过CNN模型提取原始数据特征，并将融合数据发送至相应的簇头节点；

步骤3、无线传感器网络的簇头节点对融合数据进行分类，并向汇聚节点发送融合数据。

进一步，所述CNN模型包括3个卷积层、1个池化层和2个全连接层。

进一步，所述步骤1的实现方法为：无线传感器网络中的汇聚节点从相应数据库中提取原始数据作为训练所需的样本；通过K-Means++算法聚类分析，将样本中无标签的数据转变为有标签数据；将有标签数据送入到构建的CNN模型中进行训练；汇聚节点将训练好的参数通过簇头节点发送至各终端节点。

进一步，所述步骤2的实现方法为：无线传感器网络的各终端节点使用CNN模型，对传感器数据进行多层卷积特征提取与池化实现数据融合，并将融合得到的融合数据发送至相应的簇头节点。

进一步，所述步骤3采用Logistics回归分类器对融合数据进行分类。

本发明的优点和积极效果是：

本发明以卷积神经网络模型为核心、以CNN结构为特征提取模型并结合Logistic回归分类器，有效提高了数据采集精度和融合效率，降低了错误率，同时大幅减少了网络通信数据量与节点能耗，从而减少数据传输量，延长了网络生命周期，最终取得了较好的融合效果。

附图说明

图1是本发明的无线传感器网络数据融合方法流程示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种无线传感器网络数据融合方法是基于深度学习模型的卷积神经网络结构来实现无线传感器网络数据融合，如图1所示，包括以下步骤：

步骤1、无线传感器网络的汇聚节点对构建的CNN模型进行训练

首先，无线传感器网络中的Sink节点(汇聚节点)根据需要处理的数据类型，对无线传感器节点产生的数据进行采集，即从相应数据库中提取原始数据作为训练所需的样本DS。

然后，对于样本DS中的无标签数据，通过K-Means++算法聚类分析，得到所需的含有标签的数据；对于DS中的有标签数据则跳过该过程；之后统一将含有标签的数据送入到构建的CNN模型中，并训练该CNN模型；训练完成后Sink节点(汇聚节点)将训练好的参数通过簇头节点发送至各终端节点。

步骤2、无线传感器网络的各终端节点通过CNN模型提取原始数据特征，并将融合数据发送至相应的簇头节点。

各终端节点使用预训练的CNN模型，对采集的传感器数据进行多层卷积特征提取与池化，之后将融合得到的特征数据发送至相应的簇头节点，其中卷积与池化的过程就是数据融合的过程。

卷积神经网络(CNN)是一种为处理二维输入数据而设计的多层人工神经网络。其基本网络结构包括卷积层与池化层，其中卷积层对输入层使用多个卷积核进行特征提取，得到多个特征图；池化层是通过池化函数降低特征图的维度，并在保持准确率的情况下尽量控制过拟合，同时减少参数数量。

卷积阶段首先通过多个卷积核对输入数据进行卷积操作，之后形成由多个特征图组成的卷积层。池化阶段主要是对卷积后的特征图降维，并可有效防止过拟合同时减少训练参数，从而降低模型训练时间。

步骤3、簇头节点对利用Logistics回归分类器对融合数据进行分类，得到分类结果，并向Sink节点(汇聚节点)发送融合数据。