[发明专利]基于BA-BPNN数据融合的WSAN执行器任务分配方法

摘要

本发明公开了一种基于BA‑BPNN数据融合的WSAN执行器任务分配方法,该方法采用BA优化的BP神经网络建立数据融合模型。具体是采用蝙蝠算法优化BP神经网络的权值和阈值，构建数据融合模型，对传感器节点信息进行数据融合，从而得出执行器节点的任务分配信息。蝙蝠算法是一种元启发式群体智能优化算法，它利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。BP神经网络是一种在训练过程中能够寻找全局最优值的多层前馈神经网络，可以加速网络收敛速率。该方法通过蝙蝠个体的位置更新来寻找BP神经网络的最优参数，数据融合更加精确，执行器任务分配更合理。

主权项

1.一种基于BA‑BPNN数据融合的WSAN执行器任务分配方法，其特征在于：包括以下步骤，步骤一：收集WSAN传感器节点采集的信息，并对其进行预处理操作；步骤二：对处理后的WSAN传感器节点信息进行简要主成分分析；步骤三：初始化BP神经网络参数，设置神经网络的输入层节点数、输出层节点数以及隐含层节点数的数值；步骤四：初始化蝙蝠种群，初始化整个种群的蝙蝠个体数量N，每个蝙蝠个体的最大音量A0和最大脉冲频率R0，随机生成每个蝙蝠个体的初始位置x0和初始速度v0；初始化蝙蝠种群回声定位的最大频率fmax和最小频率fmin，整个种群的最大迭代次数it_max和模型的误差精度θ；步骤五：当完成一次迭代后，根据BP神经网络的权值和阈值调整式对当前搜索的局部最优值和全局最优值进行更新；步骤六：利用位置更新公式和速度更新公式对蝙蝠个体的位置x_i和速度进行更新v_i；用蝙蝠种群频率更新公式F_i＝F_min+(F_max‑F_min)·θ更新频率f_i；其中，θ∈[0,1]，是一个均匀分布的随机数；F_i是第i只蝙蝠的搜索脉冲频率，并且F_i∈[F_min,F_max]，和分别第i只蝙蝠在t和t‑1时刻的速度；和分别第i只蝙蝠在t和t‑1时刻的位置；x^*表示当前迭代循环下的搜索最优解；步骤七：随机生成一个均匀分布的随机数ω，如果ω<A_i，并且满足F(x_i)<F(x^*)，则接受步骤五中的最优解，并且根据式和式对整个种群的音量和脉冲频率进行更新；其中，整个搜索过程的搜索频率增强系数为δ∈[0,1]，音量衰减系数为σ∈[0,1]；步骤八：根据模型适应度函数对整个蝙蝠种群的适应度值S进行计算并排序，得到全局最优解下的适应度值若适应度满足或者程序迭代次数已经到达最大迭代次数it_max，则迭代结束，程序终止，进行步骤九；否则，则继续迭代并转到步骤五；步骤九：输出最后蝙蝠个体全局最优位置下的权值和阈值，并赋给BP神经网络的初始化权值和阈值；步骤十：建立最终的数据融合模型，将训练后的网络输出结果进行处理之后，最终得到WSAN网络执行器节点的任务信息。