基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法

doi:10.7523/j.ucas.2020.0004

中国科学院大学学报 ›› 2022, Vol. 39 ›› Issue (2): 232-239.DOI: 10.7523/j.ucas.2020.0004

• 电子信息与计算机科学 • 上一篇

基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法

曹轲^1,2, 谭冲¹, 刘洪¹, 郑敏¹

1 上海微系统与信息技术研究所中国科学院无线传感网与通信重点实验室, 上海 200050;
2 中国科学院大学, 北京 100049

收稿日期:2020-01-06 修回日期:2020-04-08 发布日期:2021-05-31
通讯作者: 曹轲
基金资助:
中国科学院青年创新促进会（2018269）和上海市科委科研计划项目（18511106400）资助

Data fusion algorithm of wireless sensor network based on BP neural network optimized by improved grey wolf optimizer

CAO Ke^1,2, TAN Chong¹, LIU Hong¹, ZHENG Min¹

1 Key Laboratory of Wireless Sensor Networks and Communications of CAS, Shanghai Institute of Microsystem and Information Technology, Shanghai 200050, China;
2 University of Chinese Academy of Sciences, Beijing 100049, China

Received:2020-01-06 Revised:2020-04-08 Published:2021-05-31

摘要/Abstract

摘要： 为提高无线传感器网络数据融合精度，降低网络能耗，延长网络生存时间，提出基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法（IGWOBPDA）。首先为平衡灰狼算法全局与局部搜索能力提出改进控制参数和动态权重更新位置的改进灰狼方案，利用改进灰狼算法对BP神经网络初始阈值和初始权值进行优化以解决数据融合中BP神经网络对初值敏感、易陷入局部最优的问题；其次考虑到无线传感网实际传输节点能耗和分簇情况，提出基于节点剩余能量参数和节点密度参数的分簇方案，通过调整参数的权重因子来适应网络数据融合传输过程中的实际情况。仿真实验结果表明，对比BPNDA算法和GAPSOBP算法，IGWOBPDA算法在不同数据集下有更好的数据融合精度和更快的收敛速度，并且能有效地减少数据传输量，降低节点能耗，延长网络生存时间，在不同网络规模下保持稳定性。

关键词: 无线传感器网络, 数据融合, BP神经网络, 灰狼算法, 控制参数, 权重因子

Abstract: In order to improve the accuracy of the fusion data in wireless sensor network, reduce the energy consumption, and extend the network lifetime, data fusion algorithm of wireless sensor network based on improved grey wolf optimizer to optimize BP neural network (IGWOBPDA) is proposed in this paper. Firstly to balance the global and local search capabilties, the improved considering the actual energy consumption and clustering of the wireless sensor network's transmitting nodes, a clustering scheme based on node residual energy parameters and node density parameters is proposed,which adjusts the weighting factors to adapt to the actual situation of the network data fusion transmission process. Compared with BPNDA algorithm and GAPSOBP algorithm, simulation results show that IGWOBPDA algorithm has better data fusion accuracy and convergence in different data sets, which can effectively reduce the amount of data transmission and node energy consumption, extend network survival time, and maintain stability under different network scales. control parameter and the method of dynamic weight update position is proposed in the paper, which aims at the problems that the initial value of BP neural network in wireless sensor network data fusion algorithm is sensitive and the result can easily be the local optimal solution. Secondly,

Key words: wireless sensor network, data fusion algorithm, BP neural network, grey wolf optimizer, control parameter, weighting factor

中图分类号:

TN919

曹轲, 谭冲, 刘洪, 郑敏. 基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法[J]. 中国科学院大学学报, 2022, 39(2): 232-239.

CAO Ke, TAN Chong, LIU Hong, ZHENG Min. Data fusion algorithm of wireless sensor network based on BP neural network optimized by improved grey wolf optimizer[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(2): 232-239.

参考文献

[1] Rawat P, Singh K D, Chaouchi H, et al. Wireless sensor networks: a survey on recent developments and potential synergies[J].The Journal of supercomputing, 2014, 68(1): 1-48.DOI:10.1007/s11227-013-1021-9.
[2] Manshahia M S. Wireless sensor networks: a survey[J]. International Journal of Scientific&Engineering Research, 2016, 7(4):710-716.
[3] Min R, Bhardwaj M, Cho S H, et al. Energy-centric enabling technologies for wireless sensor networks[J]. IEEE Wireless Communications, 2002, 9(4): 28.DOI:10.1109/MWC.2002.1028875.
[4] Bai X, Wang Z, Sheng L, et al. Reliable data fusion of hierarchical wireless sensor networks with asynchronous measurement for greenhouse monitoring[J]. IEEE Transactions on Control Systems Technology, 2019, 27(3): 1036-1046.DOI:10.1109/TCST.2018.2797920.
[5] Heinzelman W B, Chandrakasan A P, Balakrishnan H. An application-specific protocol architecture for wireless microsensor networks[J]. IEEE Transactions on Wireless Communications. 2002, 1(4):660-670.DOI:10.1109/TWC.2002.804190.
[6] Boyinbode O, Le H, Mbogho A, et al. A survey on clustering algorithms for wireless sensor networks[C]//2010 13th International Conference on Network-based Information Systems. Takayama: IEEE, 2010: 358-364.
[7] 成瑜娟, 张敏洪. 感应半径可调的无线传感器网络生命周期的研究[J].中国科学院研究生院学报, 2011, 28(6):768-775.DOI: 10.7523/j.issn.2095-6134.2011.6.010.
[8] Heinzelman W R, Chandrakasan A, Balakrishnan H. Energy-efficient communication protocols for wireless microsensor networks[C]//Proceedings of 33rd Hawaii International Conference on System Sciences.Hawaii:IEEE, 2000: 8020-8030.DOI:10.1109/HICSS.2000.926982.
[9] 孔玉静, 侯鑫, 华尔天, 等.基于BP神经网络的无线传感器网络路由协议的研究[J].传感技术学报, 2013, 26(2): 246-251.DOI:10.3969/j.issn.1004-1699.2013.02.020.
[10] Sung W T. Employed BPN to multi-sensors data fusion for environment monitoring services[C]//Proceedings of the 6th International Conference on Autonomic and Trusted Computing, Berlin:Springer, 2009: 149-163.
[11] 孙凌逸, 黄先祥, 蔡伟, 等.基于神经网络的无线传感器网络数据融合算法[J]. 传感技术学报, 2011, 24(1): 122-127.DOI:10.3969/j.issn.1004-1699.2011.01.025.
[12] 余修武, 刘琴, 李向阳, 等.基于改进蚁群的BP神经网络WSN数据融合算法[J]. 北京邮电大学学报, 2018, 41(4): 91-96.DOI:10.13190/j.jbupt.2017-262.
[13] 侯鑫, 张东文, 钟鸣. 基于事件驱动和神经网络的无线传感器网络数据融合算法研究[J]. 传感技术学报, 2014, 27(1):142-148.DOI:10.3969/j.issn.1004-1699.2014.01.026.
[14] 胡强, 王海涛, 底楠, 等.无线传感网中一种智能数据融合算法的实现及仿真分析[J]. 传感技术学报, 2018, 31(2): 283-288.DOI:10.3969/j.issn.1004-1699.2018.02.022.
[15] Mirjalili S. How effective is the Grey Wolf optimizer in training multi-layer perceptrons[J]. Applied Intelligence, 2015, 43(1): 150-161.DOI:10.1007/s10489-014-0645-7.
[16] Ragulskis M, Vainoras A, Smidtaite R, et al.The logistic map of matrices[J]. Discrete and Continuous Dynamical Systems, 2017, 16(3): 927-944.DOI:10.3934/dcdsb.2011.16.927.
[17] Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software,2014, 69:46-61.DOI:10.1016/j.advengsoft.2013.12.007.
[18] Fouad A. A Hybrid grey wolf optimizer and genetic algorithm for minimizing potential energy function[J]. Memetic Computing, 2017, 9(9):1-13.DOI:10.1007/s12293-017-0234-5.
[19] Rodríguez L, Castillo O, Soria J, et al. A fuzzy hierarchical operator in the grey wolf optimizer algorithm[J]. Applied Soft Computing, 2017, 57:315-328.DOI:10.1016/j.asoc.2017.03.048.
[20] Wei C J, Yang J J, Zhang Z M. A distributed energy-efficient clustering routing protocol for wireless sensor networks[J]. Chinese Journal of Sensors and Actuators, 2013, 26(7): 1014-1018.DOI:10.3969/j.issn.1004-1699.2013.07.23.
[21] 黄利晓, 王晖, 袁利永, 等.基于能量均衡高效WSN的LEACH协议改进算法[J].通信学报, 2017, 38(Z2): 164-169.DOI:10.11959/j.issn.1000-436x.2017270.
[22] Jang S, Kim H Y, Kim N U, et al. Energy-efficient clustering scheme with concentric hierarchy[C]//IEEE International RF and Microwave Conference. Seremban:IEEE, 2011: 79-82.DOI:10.1109/RFM.2011.6168700.
[23] Ishizuka M, Aida M. Performance study of node placement in sensor network[C]//24th International Conference on Distributed Computing Systems. Hachioji:IEEE, 2004: 598-603.DOI:10.1109/ICDCSW.2004.1284093.

基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法

Data fusion algorithm of wireless sensor network based on BP neural network optimized by improved grey wolf optimizer

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[2]	王惠君, 赵桂萍, 李良, 张威, 齐荣, 刘珺. 基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例[J]. 中国科学院大学学报, 2020, 37(1): 103-112.
[3]	赵亚伟, 陈艳晶. 多维时间序列的组合预测模型[J]. 中国科学院大学学报, 2016, 33(6): 825-833.
[4]	于凤玲, 周扬, 陈建宏, 周汉陵. DELTA势阱改进QPSO优化BP算法及其应用[J]. 中国科学院大学学报, 2015, 32(3): 416-421.
[5]	余晟, 尚德重, 周猛, 张宝贤. 基于可调节局部洪泛更新的移动WSN路由协议[J]. 中国科学院大学学报, 2015, 32(2): 273-280.
[6]	朱士坤, 李冬, 黄奎, 张宝贤. 一种高效的轻量级无线传感器网络文件系统设计与实现[J]. 中国科学院大学学报, 2014, 31(1): 130-134.
[7]	孙昊, 陈永锐, 许旭柱, 徐鼎鑫, 易卫东. 基于无线传感器网络的地下停车场诱导信息系统[J]. 中国科学院大学学报, 2013, 30(5): 664-670.
[8]	余翀. 基于蜂窝地图的全方位步进式机器人系统[J]. 中国科学院大学学报, 2013, 30(3): 394-402.
[9]	张永江, 郝洁, 刘越, 张宝贤. 一种面向随机调度无线传感器网络的路由方法[J]. 中国科学院大学学报, 2013, 30(2): 251-256.
[10]	原义涛, 孙应飞. 基于数据融合的多时延基因调控网络的构建[J]. 中国科学院大学学报, 2012, (2): 246-250.
[11]	成瑜娟, 张敏洪. 感应半径可调的无线传感器网络生命周期的研究[J]. 中国科学院大学学报, 2011, 28(6): 768-775.
[12]	张亚欣, 张平宇. 吉林省2020年CO₂排放情景预测[J]. 中国科学院大学学报, 2011, 28(5): 617-623.
[13]	李丽娟, 赵彤. 无线传感器网络中跨层能耗优化模型及求解算法[J]. 中国科学院大学学报, 2011, 28(3): 375-381.
[14]	姜志鹏, 高随祥. 一个无需知道节点间距离的无线传感器网络定位方法[J]. 中国科学院大学学报, 2011, 28(3): 382-388.
[15]	孙波, 高随祥, 陆青. 异构分簇无线传感器网络中节点通信半径的研究[J]. 中国科学院大学学报, 2010, 27(6): 818-823.