论文部分内容阅读
无线传感器网络(Wireless Sensor Networks,WSN)是由大量低成本、低功耗的微型传感器节点通过无线或有线的通信方式自组织构建而成,可以实时的感知、监测以及采集所覆盖区域的环境信息,并将其进行处理后传送于终端用户。无线传感器网络具有部署灵活、可靠性强、扩展方便、经济性能好等特点,因此通常被布置于人类不易涉足的地域,例如灾区、原始森林、地下管道等。其所处环境因素、人类控制因素以及由于节点过于密集使网络具有的鲁棒性导致无线传感器网络收集的信息往往存在错误与冗余,这些信息在网络通信过程中损耗大量的资源和能量,且传感器节点的电量、带宽、存储能力和数据处理能力有限,因此降低数据的冗余程度,提高其精确性,进而降低能量消耗,延长生命周期是无线传感器网络中的研究热点。数据融合技术作为一类新型学科,在数据处理方面具有卓越的效果,可以在很大程度上减少数据冗余,提高数据精确度。而基于神经网络的数据融合是对人脑神经系统的模拟,具有自组织、自学习、信息存储权值化、并行结构、非线性等特点,是当今研究数据融合的热门技术之一。因此,研究无线传感器网络中基于神经网络进行数据融合的技术就具有十分重要的意义。本文研究了无线传感器网络中基于BP神经网络(Back Propagation Neural Networks,BPNN)的数据融合技术。首先针对BP神经网络中由于权值调整幅度不敏感而出现的神经网络训练时间过长以及震荡现象,考虑多次权值变化率对下一次权值变化率的影响,对BP神经网络中的权值调整度的计算方法进行改进。然后,针对BP神经网络中由于权值初始赋值随机化而导致的神经网络训练时间过长、权值不易达到最优化等现象,采取将BP神经网络与DS证据理论相结合的策略,在第一项工作的基础上提出DS-BP神经网络算法对权值初始值精确化赋值,使权值初始值与目的权值更加接近,达到缩短BP神经网络的训练周期,减少输出误差,增强数据融合精确度的目的。最后在数据融合算法BPNDA(Back-Propagation Networks Data Aggregation)的基础上,将改进后的DS-BP神经网络应用于的无线传感器网络的数据融合中,以提高无线传感器网络中的数据传输效率,均衡网络的能量消耗,延长网络的生命周期。本文利用MATLAB对所提出的各项改进工作进行仿真,根据仿真结果对比分析其数据融合精度、输出误差、网络训练时间、无线传感器网络的生存周期以及数据传输率等指标,结果表明,DS-BP神经网络提高了数据融合精确度,缩短了网络的训练周期,减少了震荡现象的发生,将其应用到无线传感器网络中,提高了数据传输率,减少了网络能量消耗,延长了网络的生存周期。