針對無線傳感器網(wǎng)絡(luò)（WSN）數(shù)據(jù)融合算法中傳統(tǒng)反向傳播（BP）神經(jīng)網(wǎng)絡(luò)收斂速度慢、對初值敏感和易陷入局部最優(yōu)解的問題,提出基于改進(jìn)粒子群的BP神經(jīng)網(wǎng)絡(luò)WSN數(shù)據(jù)融合算法（BSO-BP）。用天牛須搜索（BAS）算法對粒子群算法進(jìn)行改進(jìn),利用改進(jìn)后的粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值,引入WSN數(shù)據(jù)融合中,簇首節(jié)點通過優(yōu)化訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對采集數(shù)據(jù)進(jìn)行特征提取,將融合后的數(shù)據(jù)發(fā)送至匯聚節(jié)點。仿真實驗表明,BSO-BP算法能有效地提高融合精度和收斂速度,減少冗余數(shù)據(jù)傳輸,延長網(wǎng)絡(luò)生命周期。相較于傳統(tǒng)BP數(shù)據(jù)融合算法和PSO-BP算法,BSO-BP算法減少了至少11%的平均相對誤差和13.89%的均方根誤差。 

【文章來源】：中國科學(xué)院大學(xué)學(xué)報. 2020,37(05)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

算法迭代收斂對比

神經(jīng)網(wǎng)絡(luò)是由大量具有運算能力的單元廣泛互聯(lián)而組成的，通過高效的學(xué)習(xí)機制模擬人腦信息處理的過程。神經(jīng)網(wǎng)絡(luò)由于其強大的計算能力，因此在信號處理、計算機視覺、自然語言優(yōu)化處理等領(lǐng)域應(yīng)用廣泛[15]。BP神經(jīng)網(wǎng)絡(luò)是一種典型的多層前向型神經(jīng)網(wǎng)絡(luò)[16]。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、輸出層組成，它利用學(xué)習(xí)機制來存儲輸入和輸出的映射關(guān)系，其權(quán)值和閾值參數(shù)通常采用反向傳播的策略，借助最速梯度信息來獲得使網(wǎng)絡(luò)誤差最小化的參數(shù)組合，有很強的非線性映射能力、自學(xué)習(xí)和自適應(yīng)能力、泛化能力和容錯能力。將BP神經(jīng)網(wǎng)絡(luò)模型利用到WSN中處理數(shù)據(jù)融合問題，能有效降低數(shù)據(jù)特征維數(shù)，提高數(shù)據(jù)融合效率和精度，從而減少節(jié)點能耗。利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合無線傳感器分簇路由算法構(gòu)建WSN數(shù)據(jù)融合模型，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。按照LEACH (low energy adaptive clustering hierarchy)分簇路由算法完成分簇后，簇內(nèi)傳感器節(jié)點首先對監(jiān)測到的原始數(shù)據(jù)進(jìn)行濾波等預(yù)處理，然后將數(shù)據(jù)傳輸至簇首節(jié)點，簇首節(jié)點利用BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行融合，提取特征數(shù)據(jù)，減少冗余數(shù)據(jù)，將融合后的特征數(shù)據(jù)傳輸至匯聚節(jié)點，從而減少數(shù)據(jù)傳輸量，延長網(wǎng)絡(luò)生命周期[17]。但傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)也存在一定缺陷，初始權(quán)值參數(shù)的選擇具有隨機性，網(wǎng)絡(luò)對初始連接權(quán)值的選擇很敏感，初值選取不當(dāng)會導(dǎo)致訓(xùn)練結(jié)果不佳，易陷入局部最優(yōu)解。

融合結(jié)果比較


本文編號：2985952