ｄ ｍａ ｄ ｎ ．Ｗ ｉ ｔ ｎ ｄ ｐ ｉｅ ａ ｉ ｔ ，ｔ ｅ ａｇ ｒ ｈ ｌｙ ｒｎ ｔ ｒ ｔ ｃｕ ｅｗａ ｓ ｌｓ ｅ ｅ ｎ ｉｇ ｔ ａ ｓｒ ｇ ａ ａ ｔ ｂ ｌ ｙ ｈ ｏ ｔ ｍ ｅ ｅｗｏ ｋ ｓｒ ｔ ｒ ｓ ｅ ｔ ｉｈ ｄ，ｔ ｅ ｈ ｈ ｒ ｃｅ — ｈ ｏ ｖ ｉ ｌ ｉ ａ ｕ ｂ ａ ｈ ｎ ｔ ｅｃ ａ ａ ｔｒ
决 策可以经 自学 习模 块 总结新 经验 ， 馈给 知识 库 ， 对相 反 并
出 进行计算 ；
ｕ＝∑ ｊ 一
１
＝
（） １
（） ２
， ） （
４对Ｂ ） Ｐ神 经网络的输出层各神经元 的输入 ｚ和输 出 Ｙ
进行计算法 ， 即
应 的因子进行修改 ， 断扩充 知识 库 ， 同时 自学 习模 块 能 不 在
结果 表明了本文提 出的算法 的有效性和 实用性 ， 节约 了数 据 融合的能量 。
输入节点ｉ 隐藏层节点ｊ 输出层节点ｋ
图１ Ｂ Ｐ神经 网络结构模型
来 的连接通路 ， 而是 与原来 的通 络相 反 的方 向， 并在 这个过
程 中不断调整 各神经元 的权 重 ， 来达 到使 均方值 误差 最小 。
６ ＝ （ 一Ｙ） １一Ｙ） ｃ Ｙ（ （） ５
２ 对传感器 的输 出离散的或连续 的时间函数 、 ） 图像数据 或一个直 接的说明属性的数据进行 特征 的提 取 ， 并把 它定义
为特征矢 量 Ｙ ； ；
其 中 ， 表示 样本的期望值 。 ｃ ６对 Ｂ ） Ｐ神 经网络的权值 误差 ６［ ， 进行计 算 ， 是接 到 中 间层 神经单元 上 ， 即
一
行数据融合技 术来 达 到高效 率 的传 输 网络 ， 像是 在应 用层 ， 可 以进行 最简单融合 ， 采集 的数据 进行筛 选 ； 对 在数 据链 路
层 ， 以结合特征级 的融合 ， ＭＡ 可 对 Ｃ层 的发送 冲突和头部 开 销减 少。当然 只有对着 应用需 求 的设计 无线传 感器 网络 的
３ 各传感器关 于 目标 的说明的完成 ， ） 是通过对特 征矢量
Ｙ 进行模式识别 ， ｉ 然后按 同一 目标来关联 分组 ； ４ 将每一 目标各 传感器 数据 利用 融合算 法进 行合 成来 ）
中 图分 类 号 ：ຫໍສະໝຸດ ９ Ｔ３ １ 文献 标 识 码 ： Ａ
Ｓ ｎ ｏ ｔ ｒ ｓ ｄ ｏ ｕ ａ ｔ ｒ ｔ ｕ ｉｎ Ｔｅ ｈ ｏ ｏ ｙ ｅ ｓ ｒ Ｎｅ ｗｏ ｋ Ｂａ ｅ ｎ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ｄａ ａ Ｆ ｓｏ ｃ ｎ ｌ ｇ
ＺＨＯＵ ａ —ｍｉ ｇ， ＩＲｏ ｇ—ｈ ｉ Ｇｕ ｎ ｎ Ｌ ｎ ｕ （ｉ ａ ｏａｏ ａ ａ ｄＴ ｃｎｃｌ ｏｌ ｅｏ ｆ ｍａｏ ｎｉｅｒ ｇ Ｊ ｕｎＨ ｎｎ４ ４ ５ ，Ｃ ｉａ Ｊ ｕ ｎＶ ｃｔｎｌ ｎ ｅｈ ｉ ｌｇ ｆ ｎ ｒ ｔ ｎＥ ｇｎｅ ｎ ， ｉ ａ ｅａ ５６ ０ ｈｎ ） ｙ ｉ ａＣ ｅ Ｉｏ ｉ ｉ ｙ
ｇｒｈ ｅｄｐｅｉ ｂｅｔ ｏｅ， ｎ ｉｉ ｌｔ ｅｔ ｌ ｈａｍ ｄｌｏ ｏ ｐｅ ｉ ａ ｏｓ ｎ ｔｅ ｉ ｕ ｓ ｏｉ ｍｓ ｅ ｒｃｓ ｏｊ ｄｌ ａ ｄｉｉ ｄｆｃ ｔｏ ｓ ｂｉ ｏｅ ｆｒ ｍ ｌ ｓ ｕｔ ｎ ｄｏ ｒ ｓ ｅ．Ａ ｔ ｎ ｅ ｃｍ ｔｓ ｕ ａ ｓ ｃ ｘ ｔ ｉ ａ ｈ ｓ
ｖ ｃ ｏ ，ｃ ｎ ｅ ｅ ｔ ｒａ ｄ ｃ ｎ ｅ ｅ ｔｒｏ ｅ ｄ ｓ ｎ ｅ ｈ ａｕ ｆｎ ｔ ｒ ｅｇ ｔ ｒ ｅ ｅ ｉ ｅ ．Ｆ ｎ ｌ ，ｓｍｕ ｅ ｔｒ ｅ ｔ ｒｖ ｃｏ ｎ ｅ ｔ ｒｖ ｃｏ ｆ ｈ ｉｔ ｃ ，ｔ ｅｖ ｌ ｅｏ ｅｗｏ ｋ ｗ ｉｈ ｓｗｅｅ ｄ ｔｒ ｎ ｄ ｔ ａ ｍ ｉ ａｌ ｙ ｉ — ｌ ｔ ｎ ｒ ｓ ｌ ｈ ｗ ｔ ａ ｏ ａ ｅ ｈ ａ ｇ ｈ ｏ ｇ ａ ａ ｆ ｓ ｎ ｗ ｔ ｏ ａｉ ｅ ｕ ｔ ｓ ｏ ｈ ｔｃ ｍｐ ｒ ｄ ｔ ｅ ｄ ｍａ ｅ ｔｒ ｕ ｈ ｄ ｔ ｕ ｉ ｉ ｎ ｎ—ｄ ｓ ｃｉｅ ｄ ｔ ｕ ｉｎ，Ｂ ｅ ｒ ｌｎ ｔ ｏ ｓ ｏ ｈ ｅ ｔ ｔ ａａ ｆ ｓ ｕ ｒ ｖ ｏ Ｐ ｎ ｕ ａ ｅ— ｗｏ ｋ ｃ ｎ ｏ ｔｉ ｎ ｕ —ｏ ｔ ｕ ｔｂ ｌ ｙ ，ａ ｄ ｉ ａ ｆ ｃｉｅ ｄ ｔ ｓｏ ｔ ｏ ． ｒ ａ ｂ ａ ｎ ｉ ｐ ｔ ｕ ｐ ｔｓ ｉ ｔ ａ ｉ ｎ ｓ ｌ ｅ ｅ ｔ ａａ ｆ ｉ ｎ ｍｅｈ ｄ ｌ ｖ ｕ ＫＥＹＷ ＯＲＤＳ：Ｄ ｔ ｓ ｎ；Ｎｅ ｒ ｅ ｏ ｋ ｅ ｓ ｒｎ ｔ ｒ ｓ ａａｆ ｉ ｕ ｏ ｕ ａ ｎ ｔ ｒ ；Ｓ ｎ ｏ ｅｗｏ ｋ ｌ ｗ
无线传感器 网络 环境 当 中 ， 并不 需要 这 些原 始 的冗 余 的数
据， 而是在更 多的时候 只需要 监测 的结果 ， 这样不 仅降 低信 息 的采集效率 ， 同时及 时性得 不 到提高 ， 然这种 方法 不是 显 很合适 的… 。针对 上述 的情况 ， 数据 融合是处理 该类 问题 的
ｉ ｉ ｆ ｔ ｂ ｔ ｄ ｔ ｉ ｅｄｔ ａｅｗ ｒ ｅｔ ｃ ｄａ ｅｎｔｏｋｉ ｕ ｖ ｕ ｓ ａｄｔｅ ， ｙａｊｓｎ ｅｉ ｕ ｓｃ ｏ ａ ｒ ｕｅ ａ ｔ ａａ ｓ ｅｅ ｘ ａｔ ｓｔ ｅｗ ｒ ｐ ｔ ａ ｅ ， ｎ ｈｎ ｂ ｄｕｔ ｇｔ ｎ ｔ ｔｓ ｔ ｉ ａｎ ｈ ｂ ｒ ｅ ｈ ｎ ｌ ｉ ｈ ｐ
摘要 ： 研究传感器网络数据融合优 化问题 ， 由于采集数据过程各节点汇集存在大量的冗余 信息 ， 需通过 融合 ， 提高采集效 率。
针对传统 的数据融合算法需要获得对 象 比较精确 的数学模型 ， 对于复杂难 于建立模型 的场 合无法适用 。为解 决上述 问题 ，
提 出了一种 Ｂ 神经 网络传感器网络数据融合方法 ， Ｐ 可对对 象的先验要 求不高 ， 有较强 的 自适应能 力。首先建 立三层 网 具 络结构 ， 接着提取数据库中属性数据的特征值并作 为网络 的输入 ， 然后通过调节 输入 向量 与中心向量 的距 离及中心 向量 的
息进行一 些 处理 ， 而得 出更 高 效 、 满 足 用户 需 求 的数 从 更
据 Ｊ 。根据融合操作的级别可 以划分成数据级融合 、 特征 级融合 和决策级融合三种融合 ， 这里分别 一一的 阐述 在
一
下： 最简单的融合是 数据级 融合 ， 般是 指仅依 赖 于传感 一
器采集 的数据融合 。较高级 的是特 征级融合 ， 是指 提取一些 反映事物属性 的特征 向量进 行融 合 ， 主要 面 向的是 监 测对 象 。决策级融合是 最高级的融合 ， 是根 据实际 的应 用需求来 进行 的决策 。无线 传感 器 网络 可 以在 网络的各 个协 议层 进
那什么是数据 融合 呢？这里指 的是 对许 多 的数 据 或信
１ 引言
由于传统的信息 收集 大多数是 由大量传感 器 节点构 成 的无 线传感器网络来达到监视 目标 和感 应环境 的 目地 ， 但是 这种采用单个节点来 单独传 输数 据到 汇聚 节点 的方法 在信 息采集的过程 中会 造成 网络 中 出现 大量 的冗余 信息 ， 来 带 了大量的通信带宽和宝贵 的能量资 源的浪费 ， 并且在 大多数
数 据融合技术 ， 才能被广泛 的应用 。
种很好 的有效手段 。
收稿 日 ： １ — ２ ２ 修 回日期 ： １ — ５ １ 期 ２ １ ０—５ ０ ２ １ ０ —０ ０
—
目前许多学者 提 出了很 多传感 网数据 融合 算 法 ， Ｄ—ｓ
１８ 一 １
方法 和贝叶斯算法 作 为一种 重要 的处理不 确定 性 问题 的数据融合方法 ， 已经 广泛 应用 于各 种数据 融合 系统 中 ， 但 是该 方法主要是依靠 自身 的传感 器 的采集 ， 这种 方法融合 精 度不高 ， 具有一 定的不确定性等 ，Ｐ神经 网络算法 是一种 层 Ｂ 式的监督式 的学 习算 法 ， 每一层 Ｂ Ｐ神经元 只监 督 它对应 的 下一 层神经元的状态 ， 来达到 网络 的实际输 出值 与期望输 出 值 的均方值误 差最 小 。本 文充 分 利用 了 Ｂ Ｐ神经 网络 的优 点， 主要研究 了传感 网络数 据融 合方 法 ， 出了一种 改进 的 提 基于 Ｂ Ｐ神经 网络算法 在传感 网络数 据融合 中应 用 ， 依据 不 同的融合 目标对传感器信息进行选 择过 滤和优化处 理 ， 真 仿
根据 已有的知识对用户提 出的问题进行 动态应答和推理 。
ｚ＝∑ 一
１
（） ３
（） ４
传感 器数据融合根据有浅及深 的原 则描述如下 ： １ Ｎ个 不同的有 源或无 源类 型 的传感 器观 测收集 目标 ）
数据 ；
） ，
５对 Ｂ ） Ｐ神经网络的连接到输出层神经单 元 ｔ 的权值 上 误 差 进行计算 ， 即
值确定 网络权值 ， 最后对数据进行有效融合 ， 真结果 表明， 仿 通过对有损数据融合 ， 无损数据 融合相 比较 ， 出采用 Ｂ 得 Ｐ神 经 网络对传感器数据进行融合处 理 ， 出输入稳定 简单 ， 输 是一种有效的数据融合处理方法。 关键词 ： 数据融合 ； 神经网络 ； 传感器 网络
第 ８ 第１期 ２卷 ０
文章编号 ：０ ６—９ ４ （０ １ １ ０ １ １０ ３ ８ ２ １ ）０— １８—０ ３
计
算
机
仿
真
２１ Ｏ ０ 年１月 １
基 于神 经 网络 的传 感 器 网络 数 据 融合 技 术 研 究
周观 民 ， 荣会 李
（ 济源职业技术学院信息工程系 ， 河南 济源 ４ ４ ５ ） ５ ６ ０
３ 采用如下 的公式 对 中间层 各神经元 的输入 和输 ） 。
将来 自多个人机界 面 的观测事 实 ， 推理机 作用 下 ， 在 提取 征 兆信息 ， 并且将 这些征 兆与 知识库 中的知识 进行 匹配 ， 而 从 做 出故障的诊断和决 策 ， 以提供 给用 户 ， 可 进行 一场 决策 级 的融 合 ， 同时还 可以在这个基于信息融 合的故 障诊 断系统 中 系统中加入 自学 习模 块 ， 现专 家系统 的 自学 习功能 ， 障 实 故