[发明专利]一种无线传感器网络数据融合方法、装置和存储介质

说明书

本发明公开了一种无线传感器网络数据融合方法，包括步骤：(1)一轮分簇路由通信开始，簇首记录簇内节点信息并传输至基站节点；(2)基站确定BP神经网络结构；(3)基站选取适当样本数据集，用天牛须搜索算法对粒子群算法进行改进，得到对应簇集的BP神经网络连接权值和阈值参数，再发送至各簇集节点内并存储；(4)每个簇集根据接收到的参数报文构建对应的BP神经网络，簇首节点对簇内成员节点上传的数据进行融合处理并将结果传输至基站节点，完成一轮分簇路由通信。本发明还公开了一种基于上述方法的装置及计算机可读存储介质。本发明克服了BP神经网络收敛速度慢、对初值敏感且易陷入局部最优解的问题，减少了网络冗余数据传输。

技术领域

本发明涉及数据融合领域，特别是涉及一种无线传感器网络数据融合方法、装置和存储介质。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是由集成信息采集、数据处理和无线通信等多种功能的传感器节点通过无线通信的方式组成的一种分布式自组织无线网络。由于WSN具有自组织，低功耗等优点，被广泛应用在工业、医疗、物联网等领域。但WSN传感器节点资源和能量有限，因此需要设计高效的WSN网络协议以提高能量资源利用效率。

在无线传感器网络中，传感器节点在监测区域部署较密，因此在监测范围会产生大量冗余数据。假设节点将所有数据都传输至汇聚节点，会出现能耗较高并且易产生传输冲突堵塞现象。为减少冗余数据，提高能耗效率，传感器节点被赋予数据融合能力，可以对多个传感器节点数据进行数据融合处理，从而提高传输效率，节省网络能耗，获取准确信息。

数据融合的概念最初是在70年代被提出，一开始是只被应用于军事领域，例如指令控制通信系统是利用数据融合技术对战争信息进行处理，从而成功地获取战争准确信息。随着科技的进步，数据融合技术的相关研究得到世界各国学者和科研技术人员的关注，在各种学术会议和学术期刊都有数据融合技术领域的研究成果。

在无线传感器网络数据融合算法中，传统采用反向传播BP(Back Propagation)神经网络，它是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP神经网络由输入层、隐藏层、输出层组成，它利用学习机制来存储输入和输出的映射关系，其权值和阈值参数通常采用反向传播的策略，借助最速梯度信息来获得使网络误差最小化的参数组合，有很强的非线性映射能力、自学习和自适应能力、泛化能力和容错能力。

基于BP神经网络的数据融合算法将BP神经网络应用到分簇路由协议中进行特征提取，从而减少冗余数据，减缓节点死亡时间。但是BP神经网络对于初始权值和阈值很敏感，易陷入局部极小值。

基于遗传算法(GA，Genetic Algorithm)的BP神经网络数据融合算法GA-BP利用遗传算法对BP神经网络的权值和阈值参数进行优化，能有效减少冗余数据，延长网络生命周期。但遗传算法存在搜索能力较差，求解速度较慢的缺陷。

基于粒子群优化BP神经网络的WSN数据融合算法PSO-BP，利用粒子群算法优化BP神经网络参数，将优化后的BP神经网络和传感器网络分簇路由协议有机结合，能有效提升数据融合效率，均衡网络能耗。但是由于种群在搜索空间中会丢失多样性，该算法存在易陷入局部最优解的缺点。

综上所述，传统BP神经网络应用于无线传感器网络中存在训练困难、易陷入局部最优解的缺陷，GA-BP算法寻优效果受种群初始分布影响较大，求解速度缓慢，PSO-BP算法中粒子群缺乏多样性，还有较大优化空间。

发明内容

发明目的：本发明的目的是提供一种收敛速度快、融合效率高且稳定的无线传感器网络数据融合方法。本发明的另一目的是提供基于该方法的装置和计算机存储介质。

技术方案：本发明所述的无线传感器网络数据融合方法，包括如下步骤：