基于ANN的多路径传输WSNs数据丢包率预测

崔 峰， 付保红， 吴春梅， 陈 鑫

(大庆师范学院机电工程学院,黑龙江 大庆 163712)

基于ANN的多路径传输WSNs数据丢包率预测

崔 峰， 付保红， 吴春梅， 陈 鑫

(大庆师范学院机电工程学院,黑龙江 大庆 163712)

为了提高无线传感器网络(WSNs)数据传输的准确率，设计了一种基于人工神经元网络(ANN)的数据丢包(DPL)率预测方法。通过预测WSN数据包在多个传输路径上的丢包率，选择出最优数据传输路径。首先，建立1个150节点的网络拓扑结构，使各节点在固定区域内随机分布，并采用粒子群算法对各节点进行层级聚类。然后，采用1个3层前向人工神经元网络来预测数据传输的丢包率。在BP网络学习算法中引入动量修正因子，避免了ANN训练陷入局部极小的问题。ANN的3个输入分别为传输路径上的节点数目、节点应用环境类型和节点采样频率。最后，采用基于最优最差蚂蚁系统(BWAS)的多传输路径规划方法，以传输路径数据丢包率作为评价参数，选择最优传输路径。经仿真验证可知，本方法能够获得较高的数据传输准确率，与FEC纠删编码多路径传输策略相比具有明显优势。

无线传感器网络； 人工神经元网络； 数据传输； 最优最差蚂蚁系统； 编码技术； 动量因子

0 引言

无线传感器网络(wireless sensor networks，WSNs)由大量的传感器节点组成，其依靠节点之间的相互合作，能够完成对众多物理参数和环境变量的监控。目前，WSNs在环境温湿度、交通流量、有毒有害气体监控以及振动监测等方面都已得到成功应用。在一些诸如战场监测的应用场合中，需将大量传感器节点散布于广阔的区域内，而这些配备了无线通信装置的节点均需由电池供电。这种情况下，WSNs承担了临时无线自组网的功能。当无线节点工作在有电磁干扰或振动的环境中时，其动态的拓扑结构、有限的计算和传输能力以及受约束的电能供应，容易导致网络中的射频冲突、时间异步和数据丢包(data packet loss，DPL)[1]问题。WSNs的健康状况决定了它能否实现数据可靠传输、稳定运行和性能优化。当前的很多研究工作都集中在WSNs的数据可靠传输上。

数据丢包多发生于WSNs特征参数变化时。应用在不同场合的无线传感器网络对数据丢包率的要求不尽相同，有些应用背景下需要严格限制数据丢包率，而有些应用则完全可以承受较高的数据丢包率[2]。在WSNs中使用多路径传输手段，有助于提高网络的整体效能、可靠性和完整性；对多路径传输WSNs进行数据丢包率预测，不仅有助于选择数据传输的最优路径，还有助于确定网络的节点数目、节点采样频率和合适的网络应用物理环境，可保证数据的可靠传输[3]。

由于WSNs在许多应用场合中,网络节点都不可移动，因此本文采用了粒子群算法(particle swarm optimization,PSO)对WSNs节点进行非均匀聚类，进而得到依托多路径传输的网络拓扑模型。在数据的多路径传输中，本文将WSNs的数据丢包率作为路径选择的依据，与采用前向纠错(forward error correction,FEC)纠删编码的WSNs多路径传输负载平衡策略进行对比，文中所设计的方法可表现出更高的有效数据接收率。

1 网络拓扑结构

1.1 节点的分类

网络中各节点与汇聚节点之间的距离不同，因此节点被分为两类。其中，平均节点负责数据的采集和传输，集群节点负责数据的转发和路由的选择。所建立的网络拓扑中共含有150个节点，数据包在网络中由集群节点向汇聚节点转发的过程中，有多条路由路径可供选择。

1.2 非均匀聚类

假设150个WSNs节点随机分布在(100×100) km的坐标区域内，各节点在地理位置已知区域内不可移动。全部节点工作于全双工传输模式，且具有相同的工作参数和初始能量[4]。除汇聚节点外，其余节点均不分等级，节点在x轴、y轴定义的坐标区域内的分布如图1所示。其中，汇聚节点坐标为(120，50)。

图1 节点分布图

本文采用粒子群算法对网络中的节点进行非均匀聚类[5]，其中自适应惯性系数在0.4～0.9之间变化，学习率分别取1.5和2.0。通过非均匀聚类，将图1中的网络节点分为3个层级，聚类结果如表1所示。

表1 聚类结果表

2 数据丢包率的预测

2.1 数据丢包的产生

在无线传感器网络数据传输过程中，引起数据丢包的因素较多，本文所讨论的数据丢包与无线传感器节点的使用环境、节点数据采样频率以及网络节点数有关。其他与数据丢包相关的因素，例如射频传输功率、集群节点与汇聚节点间的距离等都被假定为常数。所讨论的网络拓扑中共含有19个集群节点，可通过人工神经元网络(artificial neuron network, ANN)预测这些集群节点上的数据丢包率，从而判断数据路由的最优路径。

2.2 人工神经元网络预测

采用BP前向神经元网络对WSNs节点的数据丢包率进行预测，神经网络由1个输入层、2个隐含层和1个输出层组成，其网络结构如图2所示。

图2 网络结构图

该网络含有3个输入，分别为集群节点所关联节点数、节点应用环境类型和节点采样频率。

BP网络对数据丢包率预测的准确度与网络隐含层神经元数直接相关，仿真中另2个隐含层神经元数在15～30之间变化，隐含层神经元数同网络预测误差间的关系如图3所示，最终确定2个隐含层神经元数均为26。

隐含层和输出层神经元节点采用Tansig激活函数，由式(1)表示：

(1)

式中：Net为神经元由输入加权偏置后产生的输出。

图3 隐含层神经元数-网络预测误差关系图

BP网络在采用梯度下降学习法时，能够使权值矩阵和偏置向量收敛到固定解；但此学习算法收敛速度慢，且易导致收敛过程陷入局部极小的问题，而单纯地加大学习率又容易导致收敛振荡，使得学习过程无法稳定。为了解决该问题，在BP网络梯度下降学习算法中加入了动量因子，将原有学习算法改进为MOBP学习算法。利用MOBP算法对图2所示的神经元网络进行权值和阈值修正，如式(2)所示。

T(k+1)=T(k)+ΔT(k+1)+η[T(k)-T(k-1)]

(2)

MOBP算法的学习率将直接影响到数据丢包率预测网络的性能，较大的学习率易导致权值、阈值修正无法收敛，而较小的学习率又会使网络训练过程变慢。本文网络训练中的学习率α∈[0,1]，MOBP算法固定不变的学习率往往不能适应网络训练中对收敛速度和收敛稳定性的要求。为了选取最佳学习率值，在训练过程中使学习率沿着误差曲面修正收敛，即学习率值越大，对权值和阈值的修正越大。算法中，令α在训练初始阶段取较大值，实际训练过程中α按式(3)定义的原则调整。式(3)中的学习率α最大值为0.995，最小值为0.015。

(3)

根据前面所讨论的无线传感器网络拓扑结构，通过试验获取1 000个与节点数、环境类型和节点采样频率对应的样本点。数据归一化处理后，随机抽取500个样本点用于神经网络训练，其余500个样本点用于仿真。网络训练结果分别如图4、图5所示。

图4 输出曲线

图5 预测误差曲线

3 多路径传输与FEC纠删编码对比仿真

3.1 多路径传输策略

利用文献[6]中所讨论的最优最差蚂蚁系统(best-worst ant system,BWAS)在每两个不同等级节点间链路上生成信息素值，信息素值的大小可反映出不同传输路径数据的传输质量。通过计算每条路径的节点数，根据节点初始化信息(节点采样频率、节点应用环境)，采用前述的ANN预测不同传输路径的数据丢包率，从而判断出最佳数据传输路径。多路径传输策略算法概述如下。

①初始化节点信息，包括节点类型(源节点、汇聚节点、簇头节点、目的节点)、节点采样频率、节点工作环境类型。

②运行文献[6]中设计的BWAS算法，计算出每条传输路径上的信息素值。

③计算出每条路径上数据传输经过的节点数，并根据信息素值的大小对不同路径进行优先级排序，信息素值大则传输可靠、优先级高。

④通过ANN预测每条传输路径的数据丢包率，选择数据丢包率最低、信息素值最大的传输路径作为最终数据传输路径。

3.2 FEC纠删编码对比仿真

针对无线传感器网络数据丢包问题，文献[7]采用了一种基于纠删编码的多路径负载平衡策略，即FEC纠删编码多路径传输策略。它将数据包分解为编码数据片，使其在多条路径上传输，并在目的节点解码重组数据，以此提高数据传输的准确率。由于无线传感器网络节点能量、计算能力有限，该方法从负载均衡的角度出发，解决了数据准确传输和能效的问题。

在采用相同WSNs拓扑结构的前提下，分别采用基于ANN数据传输丢包率预测的BWAS多路径传输策略和FEC纠删编码多路径传输策略，选取前述ANN网络训练后剩余的500个样本点进行仿真。两种多路径传输策略的数据传输准确率对比如图6所示。

图6 数据传输准确率对比图

4 结束语

WSNs数据传输准确率常与传输路径节点数、节点工作环境和节点采样频率有关，当这3种参数变化时，网络传输中的数据丢包率将产生变化。本文设计了一个3层前向人工神经元网络，该网络以上述3个参量为输入，能够对无线传感器网络数据传输丢包率进行预测，通过实测数据样本点训练神经网络后，ANN体现出较高的预测准确度。以ANN预测的数据丢包率为参考变量，结合BWAS多路径传输策略，可以使WSNs数据传输获得较高的准确率，该方法与传统FEC纠删编码多路径传输策略相比具有明显优势。

[1] JENNIFER Y,BISWANATH M,DIPAK G.Wireless sensor network survey[J].Computer Networks,2008,52(6): 2292-2330.

[2] 黄廷辉,伊凯,崔更申.基于非均匀分簇的无线传感器网络分层路由协议[J].计算机应用,2016,36(1): 66-71.

[3] 张荣标,李克伟,白斌.网络传输丢包率对温室WSN测控系统的影响[J].江苏大学学报(自然科学版),2009,30(4): 383-386.

[4] LINDSEY S,RAGHAVENDRA C,SIVALINGAM K M.Data gathering algorithms in sensor networks using energy metrics[J].IEEE Transactions on Parallel and Distributed Systems,2002,13(5):924-935.

[5] 李灯熬,郝海龙,郭锦龙.一种能量有效的无线传感器网络分簇及簇间路由算法[J].自动化仪表,2015,36(12): 4-7.

[6] LI H B,GAO P,XIONG Q,et al.A vascular-network-based nonuniform hierarchical fault-tolerant routing algorithm for wireless sensor networks[J].International Journal of Distributed Sensor Networks,2012,30(12): 2-14.

[7] DJUKIC P,VALAEE S.Reliable packet transmissions in multipath routed wireless networks[J].IEEE Transactions on Mobile Computing,2006,27(5): 548-559.

ANN-Based Prediction of Data Packet Loss Rate for Multipath Transmission in WSNs

CUI Feng,FU Baohong,WU Chunmei,CHEN Xin

(Department of Electromechanical Engineering,Daqing Normal University,Daqing 163712,China)

In order to improve the accuracy of WSN data transmission,a method based on artificial neuron network (ANN) is designed for the prediction of data packet loss (DPL) rate.Through predicting the packet loss rate of WSN data packets in multipath transmission,the optimal data transmission path is selected.Firstly,a topologic structure of the network with 150 nodes that are distributed randomly in a fixed area is established,and hierarchical clustering of nodes is conducted by PSO algorithm.Then,the DPL of data transmission is predicted by using a three-layer feed-forward ANN.A momentum correction factor is introduced in BP network learning algorithm,to avoid ANN training process traps into local minima.Three of the inputs of ANN are respectively related to the node number of transmission path,types of node application environment,and the node sampling rate.Finally,the multipath transmission planning method based on BWAS is used;the optimal transmission path is selected with the transmission path data packet loss rate as the evaluation parameter.From the simulation verification,it is found that the method proposed obtains higher accuracy of data transmission;it has obvious advantages than that of the FEC encoding multipath transmission strategy.

Wireless sensor networks; Artificial neuron network; Data transmission; Best-worst ant system; Coding technique; Momentum factor

资金项目:大庆市指导性科技计划项目(szdfy-2015-60)、大庆师范学院自然科学基金(14ZR15)

崔峰(1982—)，男，硕士，讲师，主要从事无线传感器、执行器网络容错机制、复杂系统建模和仿真的应用与研究。E-mail:cuifeng304@163.com。

TH6;TP273

A

10.16086/j.cnki.issn 1000-0380.201702016

修改稿收到日期：2016-10-18