基于神經網絡的WSN數據融合改進算法研究.pdf

1、無線傳感器網絡是由若干耗能較低，功能各異的傳感器節(jié)點組成的。它們可以在不同的環(huán)境中監(jiān)測和采集周邊環(huán)境信息并將信息發(fā)送給工作人員。在此過程中，節(jié)點具有信息采集，處理和存儲等功能，但考慮到其能源有限，且主要依靠無法替換的電池供電，同時采集到的信息具有高冗余性等特點，若是將這些數據全部發(fā)送給匯聚節(jié)點(Sink)，會使節(jié)點能耗過快，降低網絡使用效率。為了避免上述問題的產生，人們提出了數據融合（data fusion或data aggregati

2、on）技術。把數據融合應用于無線傳感網絡中，用以減少無線傳感器網絡的通信量，提高信息的融合度和準確度成為降低節(jié)點能耗、延長網絡生命周期的主要手段之一。
　　本文以環(huán)境監(jiān)測為背景，首先提出了一種適用于WSN的基于神經網絡的分簇路由協議數據融合模型。該算法將無線傳感網絡(WSN)的分簇路由協議與BP神經網絡相結合，通過神經網絡方法對簇內節(jié)點采集到的信息進行數據擬合，在此基礎上，通過對網絡訓練參數的改進，網絡訓練收斂加快，縮短了網絡收斂

3、時長。最后，通過只將數據的特征值發(fā)送給匯聚(Sink)節(jié)點，以此來減少節(jié)點數據流量、節(jié)約能耗。通過仿真實驗驗證，該算法可有效減少網絡通信量，降低節(jié)點能耗，延長網絡壽命，同時還驗證了本算法在環(huán)境監(jiān)測等方面的實時性和有效性。
　　再引入以T-S推理系統(tǒng)為基礎的模糊神經網絡數據融合方法，通過對模糊神經網絡學習算法的學習、研究，提出了一種新的改進學習算法，最后再與分簇路由協議相結合，利用上文中提出的創(chuàng)新結合，提出了一種新的基于模糊神經網絡