基干神经网络WSN丢失数据恢复探究.doc

基干神经网络WSN丢失数据恢复探究 　　摘 要：在无线传感网中，由于无线信道的不稳定性、海量数据传输的拥塞、节点故障等影响，导致WSN中数据经常发生大规模丢失。针对这一问题，文中提出了基于径向基神经网络的无线传感网丢失数据恢复算法。该算法能够有效通过数据丢失节点历史轮数据来恢复预测丢失数据。最后通过仿真实验证明了该算法的有效性 关键词：无线传感网；RBF神经网络；数据恢复；WSN 中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2017）02-00-02 0 引 言 近年来，无线传感网已经被广泛应用于生态环境监测[1]。由于硬件故障、数据包冲突、信号衰减、能量不足、时间不同步、恶意攻击等原因，海洋无线传感器网络中的数据很容易发生大规模丢失。这就需要恢复丢失数据来获得完整的环境数据。在数据采集过程中，对丢失数据的恢复是一项基本操作。现如今，无线传感网丢失数据问题得到了越来越多的关注，并且已提出了几种解决方法，例如忽视丢失数据，使用备用传感器节点来重新发送数据和预测丢失数据[2]。由于观测得到的传感器数据时间序列有着强相关性，故可以利用传感器节点历史轮数据来恢复丢失数据 本文针对无线传感网数据丢失的特性，提出了基于RBF神经网络的数据恢复算法。最后利用实测环境温度数据集对该算法在Matlab2014a平台上进行了仿真验证 1 RBF神经网络 RBF神经网络能够逼近任意非线性函数，可以处理系统内难以解析的规律，具有良好的泛化能力，且有很快的学习收敛速度，并已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等方面[3]。RBF神经网络结构拓扑图如图1所示 1.1 径向基函数 σ为基函数的标准差。σ越小，径向基函数的宽度越小，基函数就越有选择性。隐藏层基函数的作用是把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分 [4] 1.2 RBF神经网络的输出 （1）网络隐层使用K个隐节点 （2）把所有K个样本输入分别作为K个隐节点的中心 （3）各基函数取相同的扩展常数 （4）确定权值可解线性方程组 RBF神经网络学习过程分2??阶段： （1）第1阶段的学习得到输入层与隐层之间径向基函数的中心和标准差； （2）第2阶段学习隐含层与输出层之间的线性权值 RBF神经网络数据恢复流程如图2所示 2 仿真实验 我们选取了海洋监测项目某一节点330个海洋温度数据，其中280个数据作为训练数据集，50个数据作为测试数据集。设置RBF神经网络参数如表1所列 利用上述设置的训练参数，对神经网络进行学习训练、验证以及预测。仿真实验结果如图3所示 由以上实验结果分析可知，本文提出的算法对无线传感网温度丢失数据的估计结果是准确合理的 3 结 语 无线传感网数据是一个非常复杂的动态参数，它受许多因素的影响，这些因素本身是随机变量，各因素之间相互制约、互为因果。因此传感器节点丢失数据实际上是一个多变量、时变、灰色、高度非线性及复杂的动力学系统。本文提出的基于神经网络的WSN丢失数据恢复算法可以较好地恢复传感网丢失的数据。然而该算法没有考虑传感器节点的移动，未来我们将在传感器节点移动的情况下建立数据恢复模型 参考文献 [1] E Jabbari，O Talebi. Using artificial neural networks for estimation of scour at the head of vertical wall breakwater[J].Journal of Coastal Research， 2011，99（1）：521-526. [2] N Vijayakumar，B Plale. Knowledge Discovery from Sensor Data[M]. Boca Raton， Florida CRC Press，2009. [3]胡顺仁，陈伟民，符玉梅.基于神经网络的不可靠数据恢复研究[J].计算机仿真，2007，24（7）：333-336. [4]叶健，葛临东，吴月娴.一种优化的RBF神经网络在调制识别中的应用[J].自动化学报，2007，33（6）：652-654. [5]肖少宁，郭欣.交通量预测中的神经网络模型对比分析研究[J].物联网技术，2015，5（7）：39-41. [6]谢佳华，刘军.自由搜索的BPNN在WSNs数据融合中的应用[J].物联网技术，2015，5（11）：63-65. [7]王改云，胡锦艳.基于BP神经网络和蚁群的WSN分簇算法的研究[J].现代电子技术，