一种改进的无线传感器网络信息融合技术

２０１　０年第１　９卷第７期　计算机系统应用　一种改进的无线传感器网络信息融合技术①　付　华　胡雅馨（辽宁工程技术大学电气与控制工程学院辽宁葫芦岛１　２５１　Ｏ５）　法，将系统中的传感器分为源节点和汇聚节点，在源节点采用改进Ｋａｌｍａｎ滤波，汇聚节点采用ＳＶＭ　摘要：　针对矿井环境监测系统的安全隐患问题，提出基于改进Ｋａｌｍａｎ滤波与ＳＶＭ的分布递阶信息融合方　信息融合方法。该算法可以有效地降低无线传感器网络的能耗和网络信息冲突，仿真结果表明，该方　法具有可靠性，并有效地提高无线传感器网络的信息融合精度。　关键词：　息融合；卡尔曼滤波；支持向量机；无线传感器网络　Ａｎ　Ｉｍｐｒｏｖｅｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｆｕｓｉｏｎ　Ｔｅｃｈｎｉｑｕｅ　ｉｎ　Ｗｉｒｅｌｅｓｓ　Ｓｅｎｓｏｒｓ　Ｎｅｔｗｏｒｋ　ＦＵ　Ｈｕａ，ＨＵＹａ—Ｘｉｎ　（Ｆａｃｕｌｔｙ　ｏｆＥｌｅｃｔｒｉｃａｌ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｉａｏｎｉｎｇ　Ｔｅｃｈｎｉｃａｌ　Ｕｎｉｖｅｒｓｉｙ，Ｈｕｌｔｕｄａｏ　１２５　１　０５，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｖｉｅｗ　ｏｆ　ｔｈｅ　ｓｅｃｕｒｉｔｙ　ｔｈｒｅｅｓ　ｉｎ　ｔｈｅ　ｃｏａｌ　ｍｉｎｅ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ａ　ｍｅｔｈｏｄ　ｆｏｒ　ｄｉｓｔｒｉｂｕｔｅｄ　ｈｉｅｒａｒｃｈｉｃａｌ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　Ｋａｌｍａｎ　ｆｉｌｔｅｒ　ａｎｄ　ＳＶＭ．Ｔｈｅ　ｓｅｎｓｏｒｓ　ｉｎ　ｔｈｅ　ｓｙｓｔｅｍ　ａｒｅ　ｄｉｖｉｄｅｄ　ｉｎｔｏ　ＳＯｕｒＣｅ　ｎｏｄｅｓ　ａｎｄ　ｓｉｎｋ　ｎｏｄｅｓ．Ｉｎ　ｔｈｅ　ｓｏｕｒｃｅ，ｔｈｅ　Ｋａｌｍａｎ　ｆｉｌｔｅｒｉｎｇ　ａｒｅ　ｕｓｅｄ，ａｎｄ　ｉｎ　ｔｈｅ　ｓｉｋ　ＳＶＭ　ｉｓ　ｕｓｅｄ．Ｔｈｅ　ａｌｎｇｏｒｉｔｈｍ　Ｃａｎ　ｒｅｄｕｃｅ　ｔｈｅ　ｅｎｅｒｇｙ　ｃｏｎｓｕｍｐｔｉｏｎ　ａｎｄ　ｄａｔａ　ｃｏｌｌｉｓｉｏｎ．　Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔ　ｖｅｒｉｆｉｅｓ　ｔｈｅ　ｒｅｌｉａｂｉｌｉｔｙ　ｏｆ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ，ａｎｄ　ｉｔ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ｆｕｓｉｏｎｉｎｇ　ｐｒｅｃｉｓｉｏｎ　ｏｆ　ｔｈｅ　ｗｉｒｅｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋ．　Ｋｅｙｗｏｒｄｓ：ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ；Ｋａｌｍａｎ　ｉｌｔｅｒ；ＳＶＭ；ｗｉｒｅｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｆｗｏｒｋ　无线传感器网络是综合了传感器、无线通信、微　计算机和信息处理等技术的一个新的研究领域，并在　学术、军事和工业等领域得到了广泛的发展，由于其　存储量小、运算能力低、电池能量有限等特点，使得　在其传输数据时使用信息融合技术显得尤为重要，这　样可以减少网络拥塞、节省能量、减少数据冗余，从　而延长网络节点寿命。目前常用的信息融合算法…有　量的矩阵计算以及迭代过程，因此本文将卡尔曼滤波　算法进行改进，并与支持向量机算法相结合应用在煤　矿井下环境的监测系统中，此方法可以有效地降低无　线传感器网络的能量消耗和网络信息冲突，并且能有　效地提高无线传感器网络的信息融合精度。　１　基于改进Ｋａｌｍａｎ滤波的信息融合　１．１　Ｋａｌｍａｎａ滤波原理　加权平均法、卡尔曼滤波、贝叶斯估计、Ｄ—Ｓ证据理　论等，但这些方法本身也要消耗能量，因此不仅要求　传输数据量小，还要求融合算法成本尽可能低。本文　采用分布递阶式信息融合算法对煤矿井下环境进行监　设ｔ时刻的系统被估计状态的状态方程【２】描述　为：　状态方程为：　。＝　预测误差方程：　＋　。（ｚ。一　Ａ　）（１）　（２）　测，将无线传感器网络中的传感器节点分为源节点和　汇聚节点，分别对其采用改进的卡尔曼滤波和ＳＶＭ算　观测方程为：ｚ　：Ｈ　Ｘ　＋’，　＝①＾　一。　＋ｒ　一　ｒ　（３）　①基金项目：国家自然科学基金（５０８７４０５９）；教育部博士点项目（２００８０１４７０００３）；ＬＺ宁省优秀人才基金（２Ｏ０７Ｒ２４）：辽宁省重大科技项目　（２００７２３１　００３）：辽宁省科技攻关项￣（２００６２２００１　９）　收稿时间：２００９—１０—２４；收到修改稿时间：２００９一ｌＺ一０５　Ａｐｐｌｉｅｄ　Ｔｅｃｈｎｉｑｕｅ应用技术ｌ８３　计算机系统应用　２０１　０年第１　９卷第７期　波增益方程：　＾＝　当△　。　时，源节点不向汇聚节点传送Ｒ¨，　为无限小的正实数，可利用式　（　＝’＋Ｒ　－ｌ　（４）　汇聚节点利用Ｒ　一。进行运算，从而减少数据传输量：　当△　ｓ　时　（７）、（８）、（９）更新Ｒｍ一．Ｒｆ　。　估计误差方程：　（　一　）　（ｓ）　式中，　为ｆ∞时刻的～步转移矩阵，　为系统噪声矩　阵。Ｚ　为能够直接得到的系统观测值，　测矩阵，为系统的观测噪声序列Ｉ３】。　如果观测方差不变，且源节点观测方差学习过程　为系统观　结束，则Ｒ，（．ｉ｝）为定值，不需要每次更新时进行传输，　从而可以节省源节点数据传输量；否则，源节点的误　由于上述Ｋａｌ　ｍａｎ算法含有大量矩阵乘法、求逆　运算及迭代过程，计算复杂，因此将此算法经改进后　得到：　＝差方差自动与更新数据同时传输到汇聚节点进行融　合。　（　一　一Ｋ　一　Ｈ　一　一　）　：＋ｒ　Ｑ　一　ｒ　＝（６）　（７）　２基于ＳＶＭ的信息融合　２．１　ＳＶＭ的基本原理【ｓ】．　Ｙ　＋Ｋ　Ｚ　其中　＝Ｅ　一　Ｋ　，当采样频率确定时，Ｙｋ和Ｋ　的　各元素均为常数。　大量复杂的卡尔曼滤波增益和系数可以预先离线　完成，这既大大降低了运算量，提高了运算效率，又　一给定一个两类模式分类问题，样本　，，Ｙ，），　ｘ　∈　，Ｙ，∈｛１，一１）　ｉ＝１，…，　，ｎ为样本数。寻　找使两类之间的间隔最大最优超平面的过程可归结为　个二次规划问题：　＝　ｗ＋ｃ　提高了精度，可以满足实际应用的要求。　１．２无线传感器网络的卡尔曼滤波信息融合算法　…，　本文采用对源节点和汇聚节点分级融合的方法，　源节点采用Ｋａｌｍａｎ滤波信息融合，则第ｉ个传感器　源节点的卡尔曼滤波方程：　ｓ．ｔ．　（ｗ，・　（　，）＋ｂ）≥１一　０　ｉ＝１，…，　（１　２）　ｆ　圣似＝Ｙｉ．＾；ｃｉ　Ｉ＋Ｋｉ．　Ｚｉ，　其中，Ｃ为惩罚因子，ｗ为权向量，　为松弛变量，　Ｉ　Ｋ，　＝　．　（　叫　．　＋Ｒ，　）　１　，　＝（　，　一　一　肚一。　，　一　．，　一　）①　＋Ｉ１　一．ｒ　Ｉ　式中，　和　ｂ为分类阈值。引入拉格朗日函数，得到最大化函数：　，（０）＝　。，Ｐ，（ｏ）＝Ｐ。　分别为子传感器的滤波和预报误差　Ｑ（　）＝∑　１∑ｎ　ａ，ａ：ｙ￣ｙｊ（　（　）－　（　ｉ＝ｌ　ｉ．，　Ｉ　（１　３）　阵，Ｋ¨为滤波增益阵。　在无线传感器网络中，源节点以高速率采集和发　Ｓ．ｔ・０　口Ｉ　Ｃ，ｉ＝ｌ，…，，ｚ　，∑　＝０　（１　４）　解优化问题，得到ＳＶＭ决策函数：　送数据，这时可以通过的变化来降低源节点到汇聚节　点的传输信息量ｌ４】。　，（　）　Ｉ＝ｓｇｎｆ圭ｏ∑　；ｙ，ｒ（ｘ．・　）　１　Ｉ　ｉ＝１　／　（ｕ１　５）　‘　假设第ｉ个源节点在采样时刻ｋ观测到的数据平　一，　２．２基于ＳＶＭ的信息融合在汇聚节点的应用　ＳＶＭ基于统计学习理论ｆ６ｌ，根据结构风险最小化　原则，在经验风险和模型的复杂度之间折中，有较强　均值为：　式中ｋ　－ｌ￣，　＋　墨，　（８）　ＸⅢ＝Ｘ　＝０，｜ｉ｝＝１，２，…　源节点经过ｋ次采样的测量方差【４】统计为：　＝　，　，　的泛化能力，且具有全局最优、与维数无关等特性，　＋｝　（９）　因此在汇聚节点采用基于ＳＶＭ的信息融合技术，其融　式中，ｋ＝１，２，…　，　随着采样时刻ｋ的增加有：　。为经验设定值。　合结构图如图１所示。　基于ＳＶＭ的信息融合算法【６】描述如下：　ａ．确定传感器汇聚节点的个数，使其输入等于输　［　蜃　＋　Ｒｉ，ｋ　１８４应用技术ＡｐｐｌｉｅｄＴｅｃｈｎｉｑｕｅ　（１　０）　出　２０１　０年第１　９卷第７期　图１　基于ＳＶＭ的信息融合结构图　ｂ。采集传感器节点数据并生成训练样本；　ｃ．选择合适的核函数，并通过训练学习后确定其　相关参数　ｄ．通过式（１　３）～（１　Ｓ）计算ａ　和ｂ　值；　ｅ．通过训练学习后，对确定的ａ　和ｂ　值进行样　本测试，若满足精度要求，则式（１　７）为传感器信息融　合系统模型，否则选择新的核函数重复Ｃ，直到满足　系统精度为止。　３仿真结果与分析　基于上述的模型计算法，对煤矿环境监测系统进　行实例仿真，将传感器收集的数据按源节点的卡尔曼　滤波信息融合算法进行融合，其中２个作为源节点，　则有：　状态方程：　（七）＝　）　（七一　）＋（　）ｗ（七一　）　，ｎ、　观测方程为：ＺＩ（七）＝Ｉ　ＩＸ（　）＋ｖ　（七），　ｌ＇２　且Ｘ（０）＝【０　１】，采样周期Ｔ＝０．４ｓ。假设源节点的　观测方阵Ｈ相同，但误差不同，对源节点进行滤波和　处理【４】，用Ｍａｔｌａｂ进行仿真，其仿真结果如图２所　示　图２源节点１经卡尔曼滤波更新前后的信号及理想信号　计算机系统应用　图３源节点２经卡尔曼滤波更新前后的信号及理想信号　同理，可以得到其他环境参数的以及融合结果，　图２和图３分别是源节点１和２经过卡尔曼滤波之后　的信号，通过仿真可以看出无线传感器网络的卡尔曼　信息融合方法使每个源节点能够在传感器内部自己完　成数据处理，卡尔曼滤波后的信号比原始的含噪信号　更加平稳，降低了数据传输量，节省了源节点能量，　延长了网络生命周期【７１。　源节点经融合后得到的环境数据值作为ＳＶＭ信　息融合的信息源进行融合，而融合后得到的信息为井　下环境的安全状况信息，经ＳＶＭ信息融合后，融合结　果见表１所示。　表１　性能检验结果　组＼节点　５　４　３　２　１　１　１　０　０　Ｏ　０　２　０　１　０　０　０　３　Ｏ　０　１　０　Ｏ　４　０　Ｏ　０　１　Ｏ　５　Ｏ　Ｏ　０　０　１　由融合的结果可以看出，经训练后的ＳＶＭ能够　在精度要求范围内根据现场的各参数估计出井下某　点的环境状况，有效地降低无线传感器网络的能耗　和网络信息　中突，有效地提高无线传感器网络的信　息融合精度。　４结论　本文针对无线传感器网络提出了分布式递阶的信　的可靠性和信息融合精度。　（下接第１１　８页）　Ａｐｐｌｉｅｄ　Ｔｅｃｈｎｉｑｕｅ应用技术１８５　息融合方法，源节点采用改进的卡尔曼滤波，而汇聚　节点采用基于ＳＶＭ的信息融合方法，并对矿井环境监　测系统进行了实例仿真，仿真结果表明该方法有很高　计算机系统应用　２０１　０年第１　９卷第７期　综合测试成功后，我们进入该系统，普通用户点　对密度”，然后点击“下一步”，即进入“钻井液相对　击“开始推理”，进入推理模块；领域专家点击“领　密度”的参数选择。这样，不仅提高了推理效率，还　域专家进入”　，通过身份验证后，即可进入添加参数　有助于用户得出可信度较高的结论。　和规则；点击“帮助”，可以获得使用该系统的帮助；　此外，添加规则功能界面，是领域专家与专家系　点击“退出”　，确认后关闭系统。　统的接口。领域专家通过此界面输入要添加的参数和　本系统的核心功能主要在推理实现模块。在该模　规则，完成知识库的扩充。　块中“选择参数”部分的参数名和参数值选项均从数　据库动态获得。用户进行选择，输入相应的事实可信　４结语　度，点击“匹配”，完成事实与规则的匹配。系统根据　该系统从设计到完成，经过严格的测试后，进行　推理树得出下一参数，由于在推理树的构建中，对于　使用，得出结论：该系统推理流程可行，解释功能完　每一个参数，选择不同的参数值会进入不同的分支，　备，添加规则功能基本符合要求。相信，随着该系统　而选择相同的参数值，也会有不同的分支可供选择，　的不断应用与完善，一定会大大提高探井工程效率。　因此，在用户选择参数值并完成匹配后，系统会从数　参考，　据库查询出ＮＥＸＴ域对应的下一参数，并放入列表框　１薛冬娟，张冬冬，张彦峰，等．农业专家系统中分类产生　供用户选择。然后，根据用户的选择，进入相应的分　式规则的知识表示方法．河北农业大学学报，　支。用户参与推理路径的选择，是本系统的一个创新　２００４，２７（３）：１　０４—１　０７．　点。比如，选择参数“全烃浓度和甲烷浓度值”的参　２刘宏伟，姚寿广．数据库技术在专家系统知识表示中　数值为“全烃浓度＞２１．２％。甲烷浓度＞１　９．１　２　后，　的应用．江苏科技大学学报（自然科学版），２００７，　下一参数可以是“粘度”，也可以是“钻井液相对密　２１（３）：５１—５３．　度”。如果当前用户没有获得“粘度”值，或者对“钻　３程慧霞编著．用Ｃ＋＋建造专家系统．北京：电子工业出　井液相对密度”的确定性更高，则可选择“钻井液相　版社．１９９６．４５—４８．　（上接第１　８５页）　参考，．Ｊ膏气　息融合算法及应用．电机与控制学报，２００１，５（３）：２０４　１冯秀芳，赵禅禅，贾嘉．无线传感器网络中的信息融合　—２０７．　技术研究．太原ＪＥ：ｒ．大学学报，２００７，３８（２）：１５３—１５５．　５阎辉，张学工，等．支持向量机与最小二乘法关系的研　２陈炯。阮建国．数字保护中卡尔曼滤波算法的改进．　究．清华大学学报（自然科学版），２００１，４３（９）：７７—８０．　计算机与数字工程，２００８，３６（４）：７—１０．　６程学云，吉根林，彭志娟．基于ＳＶＭ的信息融合新方　法．计算机应用研究，２００７，２４（１２）：５１—５４．　３付梦印，邓志红，张继伟．Ｋａｌｍａｎ滤波理论及其在导航　７　Ｒａｂａｅｙ　ＪＭ，Ａｍｍｅｒ　Ｍ　Ｊ，ｄａ　Ｓｉｌｖａ　Ｊｒ　ＪＬ，Ｐａｔｅｌ　Ｄ，Ｒｏｕｎｄｙ　系统中的应用．北京：科学技术出版社，２００３．　Ｓ．ＰｉｃｏＲａｄｉｏ　ＳｕｐｐｏｒｔｓａｄＨｏｅＵｌｔｒａ－ＬｏｗＰｏｗｅｒＷｎ－ｅｌｅｓｓ　４崔平远，黄晓瑞．基于联合卡尔曼滤波的多传感器信　Ｎｅｔｗｏｒｋｉｎｇ．Ｃｏｍｐｕｔｅｒ，Ｊｕｌｙ２００２．４２—４８．　１１８实用案例ＡｐｐｌｉｃａｔｉｏｎＣａｓｅ