基于人工蜂群算法的物联网数据融合技术研究*

梁小晓，韦崇岗

(四川理工学院a.计算机学院;b.自动化与电子信息学院，四川 自贡 643000)

0 引言

随着互联网技术(Internet)、射频识别技术(RFID)、无线传感网络技术(WSNs)和信息处理技术(DSP)的迅速发展，物联网技术越来越受到人们重视，越来越多的应用到人们的生活中，如智能家居系统、智能交通系统、智能医疗及军事国防等领域。2003 年，美国的杂志《技术评论》曾预测物联网技术将是变革人们未来生活方式的重要技术之一［1］。物联网技术是在因特网基础上发展而来的，根据摩根定律，IT 技术的革命在20 年左右，上个世纪90 年代互联网技术兴起，至今有20 多年，下一次科技革命的重点就是物联网技术。它不仅可以提高国民经济总量，节约工业生产成本，而且还可以为全球的经济复苏提供强大的技术支持。

物联网技术主要包括感知模块、网络模块和应用模块三个组成部分。关键技术是感知模块，它包括:射频识别技术和无线传感器网络技术。在感知模块中，射频识别技术发展很快，也很成熟，但无线传感器网络技术却还在发展阶段，其核心技术主要包括路由协议、时间同步、节点定位、能量管理节能优化、最优覆盖以及数据融合等技术。在物联网系统中，由于感知的对象众多，所以使用的传感量也比较多，而采集的传感量多会导致物联网系统接收信号的时间延迟，导致系统时钟不能同步，因此数据融合技术是物联网系统的一个重要技术。

1 物联网分层体系结构与关键技术

图1 物联网系统组成结构图

物联网主要是由三个部分组成，它们是Internet服务器(ONS 服务器和PML 服务器)、中间件系统和感知系统，感知系统部分包括射频识别与无线传感器网络技术［2］。物联网系统基本组成如图1 所示。数据信息采集和感知主要是采集环境中发生的时间和数据信息，感知对象可以是单独存在的物体、也可以是一个特定区域。感知系统主要实现对物理世界对象的感知，包括识别物体，采集相关信号数据信息等，主要包括射频识别系统、传感器及无线传感器网络技术等。网络系统主要是传感器网络、移动通信网络和因特网的三网融合技术，把感知到的传感信息安全可靠地进行发送和处理。应用系统主要是与实际应用相结合，把广泛的信息实现共享互通，在具体应用领域可以智能化地实现［3］。

物联网技术的发展与进步涉及到多个方面的关键技术，其中包括全面感知技术、实时可靠传输技术和智能处理技术等。全面感知就是物联网利用射频识别技术和无线传感器网络技术实时地采集现实世界的物理信息和数据，再迅速可靠的传送给计算机处理中心，在计算机对信息和数据进行处理后传送到因特网上，实现信息资源的传输与共享。无线传感器网络以低成本低功耗低速率著称，与传统无线网络相比有很大的优越性，同时它是以数据为中心，电池能量及其处理能力等也相当有限，因此如何有效利用传感器节点的能量，降低数据冗余度及节省能量损耗，延长网络使用寿命是无线传感器网络设计中非常重要的问题，也是物联网需要重点解决的问题。

数据融合就是根据多个传感器信息进行特征提取与数据融合，通过彼此的信息协作和关联，克服单个传感器检测节点的缺陷，从而进行全面的被检测对象描述。所以，非常有必要对多个传感器数据信息进行融合。数据融合是WSNs 技术中非常重要的技术之一。本文针对物联网底层关键技术无线传感器网络技术数据传输中的数据融合算法进行研究，提出人工蜂群算法(ABC)优化BP 神经网络的数据融合算法(BPABC)，通过特定的融合算法处理传感器节点采集的数据，可有效清除冗余的数据，从而降低系统的带宽维数，减少网络节点传输的数据量与能量损耗，达到延长网络使用寿命的目的。同时，对多个传感节点数据进行处理，可以提高信息的准确度，减轻网络拥塞，提高网络收集数据整体效率，为物联网实时信息处理提供强大支持。

2 人工蜂群算法

2005 年Karaboga 基于蜜蜂群体的觅食行为而提出的一种新的启发式仿生算法—人工蜂群算法(Artificial Bee Colony Algorithm，ABC)，它是建立在蜜蜂群体生活习性模型基础上提出的一种非数值计算的组合优化算法［4］。算法中的每一个蜜蜂个体看做是一个智能体，它们通过不同个体间的分工协作、角色转换和舞蹈行为涌现的群体智能。蜜蜂是一种群居生活的昆虫，单个蜜蜂的生活行为非常简单，不过由单个简单的个体所组成的群体却表现出极其复杂的行为。在任何环境下蜜蜂种群能够以极高的效率从食物源(花粉)中采集花蜜;同时，它们能根据环境的变化而改变自己的生活习性，能够非常好的适应环境。蜜蜂繁殖机理流程图如下图2 所示。

图2 蜜蜂繁殖机理流程图

蜂群采蜜过程中产生非常高的群体智慧，它采蜜过程中去寻找蜜源这个最小搜索模型包含三个基本组成要素:食物源、雇佣蜂(employed foragers)和未被雇佣的蜜蜂(unemployed foragers);两种最基本的行为模型:为食物源招募(recruit)蜜蜂和放弃(abandon)某个食物源［5］。为了更好的说明蜜蜂采蜜机理，图3 给出了详细的蜜蜂采蜜过程。

图3 蜜蜂采蜜工作流程图

在人工智能算法中，把蜜蜂群体分为3 类:引领蜂，跟随蜂以及侦查蜂。其中引领蜂、跟随蜂主要是对蜜源的开采，侦查蜂主要是去侦查蜜源，尽量找到多个蜜源［6］。引领蜂根据找到蜜源的数量和大小，选择比较好的蜜源作为初始蜜源并标记，再释放与标记的蜜源成正比的路径信息，以招募其它的跟随蜂。跟随蜂则采用轮盘赌方式取合适的标记蜜源，同时在其附近搜索新的蜜源，与初始引领蜂标记蜜源进行比较，选取其中较好的收益度较大的蜜源，更改本次循环的初始标记蜜源。假如在采蜜过程中，蜜源经过一段时间后它的蜜源搜索方式还不变，则相应的引领蜂就变成侦查蜂，随机搜索去寻找新蜜源，来代替初始标记蜜源中的相应位置，确定最终蜜源位置地点［7］。人工蜂群算法工作流程图如图4 所示。

3 物联网底层关键技术WSNs 的数据融合算法

在无线传感器网络路由通信协议中，比较常用的路由算法有LEACH 算法、SPIN 协议算法、Flooding协议和Gossiping 协议算法，其中以LEACH 算法最为经典。LEACH 的运作以“轮”来实现，每一轮开始是簇头的建立阶段，其次传输数据到汇聚节点的稳态阶段。本文以数据融合常用BP 神经网络方法和人工蜂群算法相结合，提出人工蜂群算法优化BP 神经网络的数据融合算法，清除网络内的冗余数据，降低系统的带宽维数，减少网络节点传输的数据量与能量损耗，达到延长网络使用寿命的目的。

图4 人工蜂群算法流程图

BP 神经网络，它是一种多层次的前向反馈神经网络。其最重要的特征是数据信息的前向传输，误差则方向传递。在数据信息的前向传输中，输入信息通过隐含层而进行逐层计算处理，直到传送到输出层。如果输出层获得的不是期望的值，则进入反向方向传播，再通过预测误差调整神经网络中的权值阈值，从而达到输出预测期望值不断接近输出期望值。BP 神经网络模型结构如图5 所示。

图5 BP 神经网络模型结构图

神经网络算法既有很强的容错性、自学习和自实行能力，而且能够模拟非常复杂的非线性模型［8］。在实际工程实际都会将其与人工蜂群算法结合起来使用，这两种算法进行有机结合，可以达到互相补充扬长避短的功效，比采用单一的方法好很多。

人工蜂群算法优化BP 神经网络(BPABC)算法主要分为确定BP 神经网络的层数结构拓扑结构、网络的初始最优阈值权值和BP 神经网络预测。其中，BP 神经网络的层数和拓扑结构的确定是根据拟合函数的输入输出系数来确定的，从而也确定了人工蜂群算法的初始选取个体长度［9］。在人工蜂群算法中，每一个群体中的个体均包括了一个网络的阈值和权值，个体则通过生存适应函数以计算个体的适应度，人工蜂群算法通过对个体选择、交叉与变异等等操作实现最优适应度值对应个体，其余的全部淘汰。BP 神经网络预测功能则主要是采用人工蜂群算法得到最优个体，并对BP 神经网络网络初始权值和阈值赋值，网络通过训练之后预测函数输出，这个结果就是我们所期望的输出值。人工蜂群算法神经网络算法流程图如图6 所示。

图6 人工蜂群算法优化神经网络算法流程图

4 仿真结果与分析

物联网的关键技术是无线传感器网技术和射频识别RFID 技术。在无线传感器网络之中，数据融合技术是WSNs 技术的一个重要研究和发展方向。它主要通过选择网络层的路由协议，并适当的加一些数据融合算法，从而有效的减少传感器节点数据的传输量，减轻网络的拥塞，延长网络生命周期［10］。在无线传感器网络的路由协议中，其算法LEACH 最为经典，它是一种自适应分区分层路由协议，它将无线传感器网络细划分为多个区，而每个区里面又选出一个簇头具体负责自己所在区的所有传感器节点。在更大的层面上，这些簇头则又形成了高一级的网络，它们把这些数据传送到汇集节点，汇集节点再进行数据处理。在WSN 中每个簇头的任务艰巨，它负责数据的转发中转，需要消耗大量的能量，因此簇头是传感器网络在一定区域内最消耗能量的节点［11］。

通过人工蜂群算法优化BP 神经网络的数据融合方法，对簇头采集的数据进行数据压缩和特征提取，然后再将提取特征性的数据送至汇聚节点，从而达到缓和汇聚节点的信息通信量，节省能量消耗以及提高汇聚节点收集目标信息的准确率。仿真与经典的LEACH 路由算法以及BPGA 算法［12］进行性能对比。

采用网络仿真软件NS-2 仿真工具，利用人工蜂群算法优化BP 神经网络的算法，对物联网技术数据融合进行仿真测试，BPABC 算法的优越性则主要通过汇聚节点接收同种数据数量消耗能量进行仿真评估。如表1 所示仿真实验的实验参数设置。为了达到更真实的反应BPABC 算法性能，选取了不同网络规模下的不同节点密度的网络场景，分别为300、350、400、450、500个传感节点，并随机分布在一个100m×100 m 大小的区域之中，这几种场景对无线传感器网络之数据融合能力具有很直观的仿真效果。

表1 仿真实验参数设置

为了达到减少无线传感器网络随机部署影响的目的，在每一个场景中都让它生产8 个相异的网络拓扑结构，仿真的结果去除最后的平均值，同时和经典的LEACH 路由算法进行性能比对。在文献［12］中，遗传算法优化BP 神经网络如下所示:权值参数a1 =a2 =1，交叉概率0.8，变异概率为0.2 种群规模为100，最大遗传代数50。我们提出的算法与文献［12］进行对比。为了更准确公平的表现两种算法的性能，每个实验运行60 次，结果取平均值，仿真结果如图7、图8 和9 所示。

图7 为人工蜂群算法优化神经网络BPABC 和经典网络分层路由LEACH 和BPGA 三种算法的簇头节点平均能量消耗随时间变化的曲线图。可以看出伴随时间的推进，LEACH 算法比BPABC 算法能耗更高，在无线传感器网络中BPABC 算法更能体现出它的优越性。

图7 BPABC、BPGA 和LEACH 算法簇头节点能耗比较

从图8 中，我们可以看出在物联网多传感器数据传输通信系统中，LEACH 和BPGA 算法比BPABC 算法能耗更高。采用BPABC 数据融合算法，簇首节点发送的数据包比其它的簇成员节点以及LEACH 算法中簇首节点发送的数据包要小许多，可以有效减少网络信息通信量，汇聚节点接收的数据量也随之下降。

图8 BPABCBPGA 和LEACH 算法在Sink 能量损耗比较

从图9 中，我们可以看出在不同的网络规模下，采用BPABC 算法传感器节点的平均能耗比LEACH和BPGA 算法要低一些。随着节点数量的增多，采用该算法的平均节点的能耗慢慢下降，而运用LEACH 算法随着节点的加大节点平均消耗也跟着加大，两种算法的能耗差距也在慢慢扩大。

图9 BPABCBPGA 和LEACH 算法节点平均损耗比较

5 结束语

本文首先介绍阐述了物联网技术体系结构以及核心技术，总结了数据融合处理的一般方法，将人工蜂群算法优化神经网络应用到物联网数据融合中。通过实验仿真表明，这种方法可以缓和无线传感器网络汇集节点的数据信息量，从而降低了汇集节点的能耗和延长了网络的使用寿命。但是，在物联网技术中，还有很多问题未解决，如RFID 系统数据传输和可读性、安全性和远距离识别、抗干扰等等技术。我们相信随着科学技术的发展，物联网技术必将早日实现，使我们生活得到极大地改善使我们的生活更加美好。

［1］Miao Yun，Bu Yuxin.Research on the architecture and key technology of Internet of Things applied on smart grid，Advanced Computer theory and Engineering.Beijing，2010(7):69-70.

［2］邬贺铨. 物联网的应用与挑战综述［J］. 重庆邮电大学学报(自然科学版)，2010，22(5):526 -531.

［3］杨维剑，王梅英. 无线网络传感器中超低功耗节点能源技术研究［J］. 四川理工学院学报(自然科学版)，2010(2):44 -46.

［4］Zhu，S. Kwong，Gbest-guided artificial bee colony algorithm for numerical function optimization，Applied Mathematics and Computation，2010，217(7):3166 -3173.

［5］F. Kang，J. Li，Z. Ma，Rosenbrock artificial bee colony algorithm for accurate global optimization of numerical functions，Information Sciences，2011，181(16):508 -3531.

［7］胡中华，赵敏. 基于人工蜂群算法的TSP 仿真［J］. 北京理工大学学报，2009，29(11):978 -982.

［8］孙凌逸，黄先祥，蔡伟，等.基于神经网络的无线传感器网络数据融合算法［J］.传感技术学报，2011，24(1):122-124.

［9］赵俊涛，徐四委，高辉. 基于物联网的资源映射算法研究［J］. 四川理工学院学报(自然科学版)，2012(4):44-46.

［10］张扬，杨松涛，张香芝，等. 一种模拟退火人工蜂群算法的传感器网络数据融合技术研究［J］. 计算机应用研究，2012，29(5):1860 -1862.

［11］张冬悦，徐四委，高辉. 物联网中LEACH 算法的研究与改进［J］.四川理工学院学报(自然科学版)，2012(4):37-38.

［12］沈江，王粟，徐曼. 多传感器动态数据融合自适应控制系统［J］.组合机床与自动化加工技术，2006(12):48 -49.