无线传感网中基于BP神经网络的数据融合方法

樊雷松，强 彦，赵涓涓，胡洋洋，格 磊

（太原理工大学 计算机学院，山西 太原030024）

0 引 言

使用多种传感器检测森林环境，并通过无线网络的传输，能够有效地提高森林火灾的监测能力。为了减少节点能量的开销，出现了节点调度和数据融合等技术[1，2]，延长了节点的生存时间。在应用了数据融合技术的无线传感网中，终端节点接受到数据后，先通过阈值剔除噪音数据，然后进行融合判断。如果终端节点判断到有火灾，那么它将通过中心节点将数据上报给数据中心，并报告火势[3]。否则，终端节点的通信模块将处于休眠状态。从而，减少了节点的电量消耗，很好地解决了无线传感网中存在大量无效数据的问题[4]。因此，无线传感网中的数据融合是很有必要性的。然而，这种方法也有很多问题，例如:数据融合算法种类很多，很难挑选一种最优的算法应用于火灾监测；无线网络节点处理能力有限，达不到算法所需要的计算能力；算法的收敛速度慢，消耗了过多的电量。

针对上述的问题，本文提出了一种改进了的基于BP神经网络的数据融合方法，这种方法能够快速地收敛，并且描述了使用硬件实现该方法的步骤。最后，将其应用到了森林防火上，减少了无线传感网络中的无效数据，延长了节点的生命周期。

1 相关工作

无线传感是具有交叉学科性质的技术，而且可以广泛应用于国家军事、智能交通管理、大型灾害预测、全民医疗卫生和城市信息化建设等各种领域[5]。

近几年来引入了无线传感网络搭载上各种传感器的技术来检测火灾，无线传感网络可以通过各种传感器来实时接受数据。然后，将获取的数据通过ZigBee等协议经路由后传输给网络中心。其中，无线传感网络是由功能各异的许多无线传感器以及微型处理器等节点组成[6]。

在无线传感网的基础上进行的数据融合是指利用计算机对按时序获得的若干观测信息，在一定准则下加以自动分析、综合，以完成所需的决策和评估任务而进行的信息处理技术。

数据融合的定义是多方面和多层次的处理数据序列，就是把来自各个传感器与信息源的数据和信息加以相关、联合和组合，从而获得了精确的身份估计和位置估计，然后对整体的情况做出应急判断。数据融合这种技术在近30年来取得了飞速的发展，在多个先进发达国家，都有学者和技术人员在开展数据融合技术的研究，所以这一领域的研究内容和成果已大量出现在各种学术会议和公开的学术期刊上[7，8]。

经常使用的数据融合的算法有:

经典统计理论:将被测参数作为一个固定值，没有充分利用其先验信息，精度和信度是预定的，不依赖于样本。

Bayes估计理论:Bayes方法具有严格的理论基础，应用广泛，采用归推理的方法对多源信息进行有效地融合，充分利用了测量对象的先验信息[9]。

滤波跟踪型数据融合算法:利用数字滤波方法根据测量值估计被测量真值，利用当前和历史测量数据估计目标未来状态[10]。

神经网络方法:是一种规则透明的非线性映射方法，信息存储于网络结构和连接权值，增强了信息处理的容错性，具有自组织和自学习能力[11，12]。

陈宜等人提出了一种联合BP神经网络和D－S证据理论的方法[13]。该方法能提高数据融合的效果且去噪效果好，但能耗大不易应用于无线节点。凌有利提出了基于模糊神经网络的数据融合方法[14]，这种方法的优势就是提高神经网络的学习速度，但是其它方面的效果比较一般。

2 架构设计

2.1 总体架构

防火系统的架构如图1所示。整个架构分为4个层次:应用层、传输层、融合判断层和感应层。在通用的物联网架构中加入了数据的融合判断层，这一层与上下两层相互合作屏蔽掉了无用的信息，进行了多数据的融合。

感应层通过各种传感器获取数据，包括森林中的湿度、温度等值。

图1 系统网络层次

传输层规定了防火系统所选用的无线协议标准。选择协议的一个重要指标是电量，由于无线传感网络中的节点耗电问题，必须选取省电、节能的协议。ZigBee就是这样一种已被广泛应用的无线协议。ZigBee联盟对网络协议进行了标准化，同时开发了安全功能，应用已经比较成熟。

应用层目标是软件应用，当通信层传输数据到应用层的云数据库中，用户可以通过Web界面监视节点的状态，获取火灾警告息，并管理历史数据。用户可以通过云平台的计算能力分析数据，对火灾、火势进行预测。

在融合判断层，多数据融合技术综合森林中的多个传感器的数据，收集多个传感器的信息，应用阈值调节的神经网络融合数据来判断火灾信息。

2.2 融合判断层

在这一层中，将节点采集到的火焰、温度、湿度、气体等信息综合判断。

首先，通过阈值删除无效的干扰数据。然后，利用多数据融合技术处理感应层得到的数据。其中用到的融合算法，对获得的数据进行时序上的排列，然后在数学模型的准则上判断有效信息。

BP神经网络的融合方法就是本文所选取的数学模型。它通过权值的调节增加了数据的准确性。经过反复地训练能够选取最合适的权值和阈值。权值的大小决定了某种数据的重要程度，从而能够对多种数据进行综合判断。

完成这一工作的硬件设备是中心节点，也就是具有独立处理能力的节点，由单片机、传输模块和各种传感器组成。传输模块通过ZigBee协议接受终端节点的数据，然后进行数据的融合。

在融合层处理大量的数据，需要消耗电量，所以这层的算法至关重要，算法的复杂度决定了节点电量的消耗量。算法是否快速的收敛也决定了融合层设计的成败。

3 算法思想

3.1 算法的提出

数据融合就是利用计算机对各种信息源进行处理、控制和决策的一体化过程。无线设备采集到的数据经由单片机和服务器进行处理和控制，从而决定了防火系统的决策。

1943年，Warren Mcclloch和Walter Pitts最早提出了一种人工神经元模型，这种模型的主要特点就是把神经元输入信号的加权和其阈值相比较以确定神经元的输出。本文就是延续了这一思想然后对阈值进行自动调整形成的神经网络方法。

算法的改进:通过Levenberg－Marquardt算法优化的BP神经网络，加快了收敛速度，使得这种融合算法更好地应用于电量很少的无线传感节点上。

3.2 神经网络训练

每个节点上安装3个传感器，分别用于接收温度、湿度、气体 （UEL）数据。先对数据进行阈值设定，从而得到输入向量。

定义1 输入向量就是3种传感器达到预设阈值后的输出值P（X1，X2，X3）。例如:当温度感应器的模拟信号是40，湿度模拟信号是60和气体的模拟信号是100的时候输入向量为P（40，60，100）。

由于传感器节点能量的主要消耗在传输数据上，因此，减少节点数据传输量可以有效的延长网络的生命周期。由定义可以看出来传感器接受的数据是多数据，而输出则是一个单数据。本节点传输给网络中心的数据也就是一个值，所以大大减少的电能的损失。在得到输入量之后，设计MLP神经网络的神经元。

其中P表示一个输入向量，W是表示权值，当传感器的输入值与权值相乘的时候，权值指定了数据的重要性，这个是由于某类数据对火灾的影响程度是不同的所决定的。S表示中间层的数据流。B是阈值矩阵，前馈层的传输函数是Purelin型函数，递归层的激励函数是Poslin型函数。

如图2所示，MLP神经网络的神经元在中心节点实现之后，处理接受各种传感器的数据。首先MLP神经网络进入学习阶段对网络权值和阈值进行修改。对于多层网络上一层的输入等于下一层的输出，最后的输出作为观测火灾的特征值来做策论判别。通过MatLab自带的函数训练好神经网络，然后反复地修正网络权值和阈值后，中心节点下传给终端节点，从而终端节点有了对火灾的判断能力，不需要进行大量数据的传播，从而节省了电量。

图2 神经元

如果节点使用的单片机使得节点的处理能力不足以训练神经网络的感知机器，那么学习阶段也可以在数据中心进行，学习阶段分为四步:

步骤1 数据中心通知中心节点进入学习阶段，中心节点通过Zigbee网络设定终端节点中神经网络元的阈值和权值。

步骤2 中心节点选取一定时间段内本区域收集到的数据，然后构建神经网络。

步骤3 中心节点自动检索数据库构建输入向量P（X1，X2，X3），然后应用输入向量训练神经网络得到新的阈值和权值。

步骤4 中心节点下传给终端节点新的网络权值和阈值。

3.3 节点对输入量的判断

当终端节点拿到权值和阈值之后就可以通过神经元对火灾进行判断。通过神经网络的输入矢量求输出的矢量步骤如下所示。

步骤1 使用随机产生的权值矩阵与输入向量相乘。然后与阈值B累加从而形成净输入n

步骤2 前馈层神经元输出。通过传播函数处理净输入量得到的就是前馈神经的输出，用来作为递归层的输入量

步骤3 递归层的反复计算直到神经网络的收敛

3.4 节点上收敛过程的优化

由于传感器节点能量受限，如何将BP神经网络算法应用到节点上将是一大挑战。

LMBP算法加快了神经网络的收敛，在LMBP中最要求出判别矩阵，首先计算误差的倒数然后得出LMP网络的判别矩阵。从而计算出最有效权值和阈值，通过Levenberg－Marquardt算法优化的BP神经网络很好的在节点上实现，使得电量的消耗下降。更快速的收敛减少了信息的传播时间。

4 实 验

4.1 中心节点的实现

中心节点如图3所示，包括传感模块、处理模块、通信模块、数据采集模块、数据融合模块。

传感模块:通过温湿度传感器、气体传感器、温度传感器采集基础数据用于数据融合。

处理模块:通过单片机完成数据融合计算，从而判断有效的数据再传递给无线模块，同时单片机还有电源管理的功能给整个装置提供电源策略。

通信模块:硬件实现的Xbee协议栈。

数据采集模块:是传感器的驱动程序，驱动传感器采集数据，通过数据阈值自动地剔除多余的，无效的，混杂的传感器数据，从而达到减少功耗的效果。

数据融合模块:将各种信息联合起来融合成关键信息，报告可能的火势。融合过程就是上述的利用神经网络对多种数据进行融合，然后使用了Levenberg－Marquardt算法来提高神经网络的收敛速度。

中心节点是一个独特的装置。本装置模块化的设计使节点能够根据环境安装各种传感器，对多种数据进行融合。当节点处于休眠状态的时候，只开启数据采集模块和融合模块。当融合模块发现火势后节点变成激活状态，同时开启通信模块。这种设计应用于森林防火的物联网后，很好地解决了节点功耗高的问题。

更为难得的是中心节点使用的LMBP算法加快了神经网络收敛的速度，降低了算法对节点硬件的要求。使用一般的嵌入式单片机就可以实现融合算法。从而，解决了BP神经网络算法不能移植到节点上的问题。

4.2 实验过程

步骤1 调试ZigBee模块组建网络。使用Xbee适配器将ZigBee模块调试成API模式。

步骤2 开发中心节点，将ZigBee模块插入到Arduino（一款实用的嵌入式开发单片机）的扩展板上，利用Arduino的IDE开发Zigbee的驱动程序然后嵌入到单片机中。

步骤3 先在计算机上使用MatLab实现神经网络，然后转换成C程序，将程序移植到中心节点上。

步骤4 在中心节点上实现数据融合，取得新的权值矩阵和数据阈值。

步骤5 中心节点通过无线网络将阈值和权值矩阵发送给终端节点。

步骤6 开发终端节点，给终端节点上安装传感器，进行采样，利用中心节点提供的权值和阈值进行数据融合。通过单片机编程将神经网络生成的有效信息发送到网络中心。

步骤7 在网络中心监视收到的数据。

5 实验结果分析

使用了数据融合的节点生命长度将是普通节点的三倍以上，随着节点的数量增长，在多个节点上传播数据也会消耗大量的电量，应用了数据融合的节点将越发具有优势。图4比较了使用融合算法和没有使用融合算法的单个节点的平均消耗的电量，图5比较了使用LMBP算法后多个节点之间的收敛速度。

在第一个数据分析实验中，选取了普通节点，还有采用常规方法融合的节点，和BP神经网络进行融合的节点进行对比。随着节点数目的增加由于数据在多个节点中传播所以单个节点的平均能量消耗也在不断的增加。纵向地比较发现BP神经网络的电量消耗至少是普通节点的1／3，而且随着节点数量的增加单个节点电量的消耗增加幅度也不是很大。可见本方法融合后节点的生存周期延长。

在第二个数据分析实验中比较了多个节点的收敛速度，当CPU的速率大于2000hz的时候算法的收敛速度只与节点的个数有关。可以得出结论本算法是行之有效的算法。

分析数据的输出可知，利用改进到的BP神经网络数据融合算法，提高了火灾预测成功率，而且减少了节点的能耗。有效地同WSN中的ZigBee类型的网络结合，成功地实现了远距离无线网低功耗传输微量的数据。很好地弥补了WSN中硬件所固有的问题。

6 结束语

本文描述了一种改进BP神经网络融合算法，实验数据表明，该方法应用到监测火灾的无线传感网中，能有效提高火灾监测的准确程度，同时，能加快无线传感网中节点的数据监测效率，降低节点的电能消耗。

对于LMBP算法还有一些待完善的地方，如数据融合算法的简化等。这些工作涉及到了数学统计，模式识别等领域，将在后续的研究工作中继续改进和完善。

[1]Preti，Federico.Forest protection and protection forest:Tree root degradation over hydrological shallow landslides triggering[J].Ecological Engineering，2012，33 （13）:139－145.

[2]Li Li，Li Weijia.The analysis of data fusion energy consumption in WSN[C]／／International Conference on System Science，Engineering Design and Manufacturing Informatization.IEEE，2011:310－313.

[3]Izadian，Roshanak，Manzuri，et al.Energy－saving technologies of WSN[J].Advanced Materials Research，2013，605:566－569.

[4]Hussain M A，kyung Sup K.WSN research activities for military application[C]／／11th International Conference on Advanced Communication Technology.IEEE，2009:271－274.

[5]Zhang Jiawei，Wang Keqi，Yue Qi.Data fusion algorithm based on functional link artificial neural networks[J].Proceedings of the World Congress on Intelligent Control and Automation，2011:2806－2810.

[6]Ying Qiu，Ding Zhongtan.Greenhouse control system based on WSN[J].Key Engineering Materials，2011，486:254－257.

[7]FU Hua，DU Xiaokun.Multi－sensor optimum fusion based on the bayes estimation[J].Techniques of Automation and Applications，2009，24 （4）:10－12.

[8]Zhu Zhongbo，Wang Gang，Zhang Dian.A design of mine WSN layout strategy[J].Procedia Engineering，2011，15（3）:5508－5513.

[9]Xu Yia，Liu Jiaojiao.Advanced materials research[J].Materials Science and Information Technology II，2012，3:1606－1610.

[10]Distefano，Salvatore.Reliability evaluation of WSN with dynamic－dependent nodes[J].International Journal of Reliability，Quality and Safety Engineering，2011，18 （6）:515－530.

[11]Pei T，Xie D，Li Z，et al.A Heterogeneous－aware cooperative MIMO transmission scheme in WSN[J].Journal of Software，2013，8 （3）:639－644.

[12]Ling Youzhu，Xu Xiaoguang，Shen Lina.Multi sensor data fusion method based on fuzzy neural network[C]／／IEEE International Conference on Industrial Informatics，2008:153－158.

[13]Zhao X，Wang J.An algorithm of data fusion using neural network[C]／／International Conference on Electric Information and Control Engineering.IEEE，2011:2950－2953.

[14]Tian Jingwen，Zhou Hao，Li Kai.Corrosion detection system for oil pipelines based on multi－sensor data fusion by wavelet neural network[C]／／IEEE International Conference on Control and Automation，2008:2958－2963.

[15]Jiang Shaofei，Zhang Chunming，Koh C G.Structural damage detection by integrating data fusion and probabilistic neural network[J].Advances in Structural Engineering，2008，9（4）:445－457.