基于深度学习模型的无线传感器网络数据融合算法

发布时间：2022-07-20 14:16

　　为了在无线传感器网络中提高数据融合性能,基于深度学习模型,提出一种将层叠自动编码器（SAE）和分簇协议相结合的数据融合算法SAEMDA,该算法在各个簇内构建特征提取分类模型SAEM,通过SAEM对节点数据进行特征提取和分类,之后将同类特征融合并发送给汇聚节点。SAEM的训练既可以采用离线有监督学习也可以采用在线无监督学习。仿真实验表明:和BPFDA,SOFMDA算法相比,SAEMDA在网络能耗大致相当的情况下能将数据融合正确率提高最多7.5%。 

【文章页数】：6 页

【文章目录】：
1 相关工作
2 深度学习模型
    2.1 自动编码器
    2.2 层叠自动编码器
    2.3 特征提取分类模型
3 无线传感器网络数据融合算法
4 实验和分析
5 结论


【参考文献】：
期刊论文
[1]基于SOFM神经网络的无线传感器网络数据融合算法[J]. 杨永健,刘帅.  传感技术学报. 2013(12)
[2]基于BP神经网络的无线传感器网络路由协议的研究[J]. 孔玉静,侯鑫,华尔天,魏星锋.  传感技术学报. 2013(02)
[3]一种模拟退火遗传算法的传感器网络数据融合技术研究[J]. 张扬,杨松涛,张香芝.  计算机应用研究. 2012(05)
[4]基于神经网络的无线传感器网络数据融合算法[J]. 孙凌逸,黄先祥,蔡伟,夏梅尼.  传感技术学报. 2011(01)
[5]基于主元分析的无线传感器网络数据融合研究[J]. 马守明,王汝传,叶宁.  计算机工程与科学. 2010(11)
[6]基于中介理论的无线传感器网络加权数据融合[J]. 戎舟.  电子测量与仪器学报. 2010(08)
[7]无线传感器网络中基于神经网络的数据融合模型[J]. 俞黎阳,王能,张卫.  计算机科学. 2008(12)



本文编号：3664149