论文部分内容阅读
[摘 要]本文对无线传感器路由问题进行了建模，建立了BP神经网络数据融合模型。针对无线传感器与神经网络之间的相同性，提出了BP神经网络无线传感器路由模型。基于该模型，对无线传感器路由问题进行了仿真实验。实验结果验证了本文提出方法的有效性。
[关键词]无线传感器，路由，BP神经网络
中图分类号：TN929.5 文献标识码：A 文章编号：1009-914X（2015）41-0243-01
1.概述
近年来，微电子机械系统、无线通讯和数字化电子领域快速发展，使得开发出用于短距离通信的低能耗、低成本、多功能传感器节点成为可能。这些节点能感知环境，数据处理和通讯[1]。基于传感器节点协作的传感器网络提升了应用领域与能量，传感器网络是传统传感器研究的重大改进。
传感器网络有广泛的应用领域，可以用于监控和收集分布式区域中的各种目标和信息。图1展示了一个经典的WSNs，该领域主要是设计一个有效的路由算法，增进通讯连通能力，目标是减少能量消耗、延长传感器网络的生命周期。与能量消耗相关的论文研究成功近年来不断涌现。
2.无线传感器路由问题建模
一个大的传感器网络由很多簇组成。传感器节点并不直接发送数据，而是在一个簇中由一个中心节点（Sink）完成数据收集工作。但是，由于发射信号限制，一个传感器节点只能和它发射半径之内的其它节点相连，本文的内容就是针对一个簇之内的信息收集工作展开的。
S是所有传感器节点的集合，E是一个节点的连接集合。是簇中的一个节点，代表着在节点u和v之间传输 1k的数据需要消耗的能量，本文使用如下无线通讯模型：接收1KB的数据包消耗传感器节点 1k的电能，发送放大器的能量消耗与距离相关，节点（u， v）之间用C（u， v）代表[2]。信息收集路径从sink节点开始，完成信息收集之后返回到同一节点，代表着一个完整的路径，so是sink节点。路由的能量消耗按如下公式定义：
D 代表传输数据的大小，是一个动态值。
3.基于BP神经网络的数据融合模型
反向传播网络（BP网络）是前向神经网络中最重要的一种，该网络的监督学习算法采用误差反向传播算法。该算法[3]的学习过程主要有两个：信号的正向传播与误差的反向传播。主要是通过修正各层神经元的权值，使得总的误差信号最小。近几年，，研究人员开展了很多基于神经网络的无线传感器网络数据融合方面的研究工作。实验结果表明，把BP神经网络应用传感器数据融合中，可以大大降低传送数据的特征维数，提高无线网络的数据融合效率。
3.1 BP神经网络
BP网络是利用BP算法的前向型神经网络，其是在多层感知器的基础上增加了反向传播信号，可以较好地处理非线性的数据信息，具有较好的泛化能力，广泛地应用在系统模型辨识、预测或控制。
BP神经网络中的神经元模型中的激发函数通常选用非线性的Sigmoid函数：
只有当系统特性在正负区间变化时，激发函数选择对称的Sigmoid函数，又称为双曲函数：
BP神经网络的网络结构由输入层、输出层和隐层组成，其中隐层可以有多层，不过最常用还是单隐层的三层BP网络。
3.2 BP神经网络权值调整规则
BP网络的学习过程是就将误差反向传播并修正网络权值直到网络的总误差最小。定义BP神经网络的输入输出模型对应的系统误差函数为：
利用梯度最速下降法解析如何调整连接权值使误差函数E最小。
BP神经网络训练过程[4]：当确定网络结构后，始对BP神经网络进行训练。BP神经网络的学习是由信号的正向传播与误差的反向传播两个过程组成的，在正向传播时，输入样本信号从输入层进入网络，通过隐层处理最后传送给输出层，如果输出结果与期望值不符，则把误差进行反向传播，根据上面的权值调整系数调整权值的变化，直到网络输出层的输出结果满足要求为止。
4.基于BP神经网络的 路由仿真实验
无线传感器网络与神经网络在有些地方很类似，比如无线传感器网络中的传感器節点具有感知数据处理信息的能力，相当于神经网络中的神经元；无线传感器网络节点之间通过一定的规则传递信息，则相当于连接神经元的突触。神经网络算法与无线传感器网络中应用的数据融合技术有相同的功能，即通过一定的规则对大量的数据进行运算处理，从而得到反映这些数据特征的结果。因此，可以把神经网络算法应用到无线传感器网络中实现数据的融合。
实验中，设置传感器节点数目为 100，200，300，400 和 500。传感器网络环境是一个 200m*200m 的空间[5-6]。令传输数据的大小为 1KB，发射半径分别为 20m 和 30m。实验结果是 50 次运行的平均值。图2 和图 3现实了算法在不同数据集上最有解的变化趋势，从中可以看出能量的逐步变化，并且，图 3 的能量消耗更小，因为发射半径较大。
5.结论
本文利用BP神经网络模型解决无线传感器网络路由问题，实验中，采用了不同规模的网络实验数据，并同该领域其它经典算法进行比较，验证了本文所提方法在该领域的有效性。下一步的可针对模型在大规模数据集上表现没有中小规模优秀的问题方面展开。
参考文献
[1]张重毅，适用于无线传感器网络的移动代理路由算法[D]. 吉林： 吉林大学计算机科学与技术学院， 2007.
[2] 李凤保，李凌.无线传感器网络技术综述[J]. 仪器仪表学报， 2005，26（3）：559-561.
[3] Shih E， Cho S， Ickes N， Min R， Sinha A， Wang A， Chandrakasan A. Physical layer driven protocol and algorithm design forenergy-efficient wireless sensor networks[C]. Proceedings of the ACM MobiCom 2001， Rome： ACM Press， 2001， 272-286.
[4] 唐勇，周明天，张欣.无线传感器网络路由协议研究进展[J]. 软件学报，2006，17（3）：410-421.
[5] Dirk Timmermann. Wireless Sensor Systems-Constraints and Opportunities[C]. Proceedings of the 2005 8th Euromicro conference on Digital System Design （DSD’05）， IEEE CS， 2005.
[6] IF Akyildiz， W Su， Y Sankarasubramaniam. Wireless sensor networks： a survey[J].Computer networks， 2002， 38（4）：393-422.
[关键词]无线传感器，路由，BP神经网络
中图分类号：TN929.5 文献标识码：A 文章编号：1009-914X（2015）41-0243-01
1.概述
近年来，微电子机械系统、无线通讯和数字化电子领域快速发展，使得开发出用于短距离通信的低能耗、低成本、多功能传感器节点成为可能。这些节点能感知环境，数据处理和通讯[1]。基于传感器节点协作的传感器网络提升了应用领域与能量，传感器网络是传统传感器研究的重大改进。
传感器网络有广泛的应用领域，可以用于监控和收集分布式区域中的各种目标和信息。图1展示了一个经典的WSNs，该领域主要是设计一个有效的路由算法，增进通讯连通能力，目标是减少能量消耗、延长传感器网络的生命周期。与能量消耗相关的论文研究成功近年来不断涌现。
2.无线传感器路由问题建模
一个大的传感器网络由很多簇组成。传感器节点并不直接发送数据，而是在一个簇中由一个中心节点（Sink）完成数据收集工作。但是，由于发射信号限制，一个传感器节点只能和它发射半径之内的其它节点相连，本文的内容就是针对一个簇之内的信息收集工作展开的。
S是所有传感器节点的集合，E是一个节点的连接集合。是簇中的一个节点，代表着在节点u和v之间传输 1k的数据需要消耗的能量，本文使用如下无线通讯模型：接收1KB的数据包消耗传感器节点 1k的电能，发送放大器的能量消耗与距离相关，节点（u， v）之间用C（u， v）代表[2]。信息收集路径从sink节点开始，完成信息收集之后返回到同一节点，代表着一个完整的路径，so是sink节点。路由的能量消耗按如下公式定义：
D 代表传输数据的大小，是一个动态值。
3.基于BP神经网络的数据融合模型
反向传播网络（BP网络）是前向神经网络中最重要的一种，该网络的监督学习算法采用误差反向传播算法。该算法[3]的学习过程主要有两个：信号的正向传播与误差的反向传播。主要是通过修正各层神经元的权值，使得总的误差信号最小。近几年，，研究人员开展了很多基于神经网络的无线传感器网络数据融合方面的研究工作。实验结果表明，把BP神经网络应用传感器数据融合中，可以大大降低传送数据的特征维数，提高无线网络的数据融合效率。
3.1 BP神经网络
BP网络是利用BP算法的前向型神经网络，其是在多层感知器的基础上增加了反向传播信号，可以较好地处理非线性的数据信息，具有较好的泛化能力，广泛地应用在系统模型辨识、预测或控制。
BP神经网络中的神经元模型中的激发函数通常选用非线性的Sigmoid函数：
只有当系统特性在正负区间变化时，激发函数选择对称的Sigmoid函数，又称为双曲函数：
BP神经网络的网络结构由输入层、输出层和隐层组成，其中隐层可以有多层，不过最常用还是单隐层的三层BP网络。
3.2 BP神经网络权值调整规则
BP网络的学习过程是就将误差反向传播并修正网络权值直到网络的总误差最小。定义BP神经网络的输入输出模型对应的系统误差函数为：
利用梯度最速下降法解析如何调整连接权值使误差函数E最小。
BP神经网络训练过程[4]：当确定网络结构后，始对BP神经网络进行训练。BP神经网络的学习是由信号的正向传播与误差的反向传播两个过程组成的，在正向传播时，输入样本信号从输入层进入网络，通过隐层处理最后传送给输出层，如果输出结果与期望值不符，则把误差进行反向传播，根据上面的权值调整系数调整权值的变化，直到网络输出层的输出结果满足要求为止。
4.基于BP神经网络的 路由仿真实验
无线传感器网络与神经网络在有些地方很类似，比如无线传感器网络中的传感器節点具有感知数据处理信息的能力，相当于神经网络中的神经元；无线传感器网络节点之间通过一定的规则传递信息，则相当于连接神经元的突触。神经网络算法与无线传感器网络中应用的数据融合技术有相同的功能，即通过一定的规则对大量的数据进行运算处理，从而得到反映这些数据特征的结果。因此，可以把神经网络算法应用到无线传感器网络中实现数据的融合。
实验中，设置传感器节点数目为 100，200，300，400 和 500。传感器网络环境是一个 200m*200m 的空间[5-6]。令传输数据的大小为 1KB，发射半径分别为 20m 和 30m。实验结果是 50 次运行的平均值。图2 和图 3现实了算法在不同数据集上最有解的变化趋势，从中可以看出能量的逐步变化，并且，图 3 的能量消耗更小，因为发射半径较大。
5.结论
本文利用BP神经网络模型解决无线传感器网络路由问题，实验中，采用了不同规模的网络实验数据，并同该领域其它经典算法进行比较，验证了本文所提方法在该领域的有效性。下一步的可针对模型在大规模数据集上表现没有中小规模优秀的问题方面展开。
参考文献
[1]张重毅，适用于无线传感器网络的移动代理路由算法[D]. 吉林： 吉林大学计算机科学与技术学院， 2007.
[2] 李凤保，李凌.无线传感器网络技术综述[J]. 仪器仪表学报， 2005，26（3）：559-561.
[3] Shih E， Cho S， Ickes N， Min R， Sinha A， Wang A， Chandrakasan A. Physical layer driven protocol and algorithm design forenergy-efficient wireless sensor networks[C]. Proceedings of the ACM MobiCom 2001， Rome： ACM Press， 2001， 272-286.
[4] 唐勇，周明天，张欣.无线传感器网络路由协议研究进展[J]. 软件学报，2006，17（3）：410-421.
[5] Dirk Timmermann. Wireless Sensor Systems-Constraints and Opportunities[C]. Proceedings of the 2005 8th Euromicro conference on Digital System Design （DSD’05）， IEEE CS， 2005.
[6] IF Akyildiz， W Su， Y Sankarasubramaniam. Wireless sensor networks： a survey[J].Computer networks， 2002， 38（4）：393-422.