无线传感器网络中基于神经网络的数据融合算法的研究

发布时间：2017-10-29 11:16

  本文关键词：无线传感器网络中基于神经网络的数据融合算法的研究

  更多相关文章： WSN 数据融合 BP神经网络 DS证据理论 BPNDA

【摘要】：无线传感器网络(Wireless Sensor Networks,WSN)是由大量低成本、低功耗的微型传感器节点通过无线或有线的通信方式自组织构建而成,可以实时的感知、监测以及采集所覆盖区域的环境信息,并将其进行处理后传送于终端用户。无线传感器网络具有部署灵活、可靠性强、扩展方便、经济性能好等特点,因此通常被布置于人类不易涉足的地域,例如灾区、原始森林、地下管道等。其所处环境因素、人类控制因素以及由于节点过于密集使网络具有的鲁棒性导致无线传感器网络收集的信息往往存在错误与冗余,这些信息在网络通信过程中损耗大量的资源和能量,且传感器节点的电量、带宽、存储能力和数据处理能力有限,因此降低数据的冗余程度,提高其精确性,进而降低能量消耗,延长生命周期是无线传感器网络中的研究热点。数据融合技术作为一类新型学科,在数据处理方面具有卓越的效果,可以在很大程度上减少数据冗余,提高数据精确度。而基于神经网络的数据融合是对人脑神经系统的模拟,具有自组织、自学习、信息存储权值化、并行结构、非线性等特点,是当今研究数据融合的热门技术之一。因此,研究无线传感器网络中基于神经网络进行数据融合的技术就具有十分重要的意义。本文研究了无线传感器网络中基于BP神经网络(Back Propagation Neural Networks,BPNN)的数据融合技术。首先针对BP神经网络中由于权值调整幅度不敏感而出现的神经网络训练时间过长以及震荡现象,考虑多次权值变化率对下一次权值变化率的影响,对BP神经网络中的权值调整度的计算方法进行改进。然后,针对BP神经网络中由于权值初始赋值随机化而导致的神经网络训练时间过长、权值不易达到最优化等现象,采取将BP神经网络与DS证据理论相结合的策略,在第一项工作的基础上提出DS-BP神经网络算法对权值初始值精确化赋值,使权值初始值与目的权值更加接近,达到缩短BP神经网络的训练周期,减少输出误差,增强数据融合精确度的目的。最后在数据融合算法BPNDA(Back-Propagation Networks Data Aggregation)的基础上,将改进后的DS-BP神经网络应用于的无线传感器网络的数据融合中,以提高无线传感器网络中的数据传输效率,均衡网络的能量消耗,延长网络的生命周期。本文利用MATLAB对所提出的各项改进工作进行仿真,根据仿真结果对比分析其数据融合精度、输出误差、网络训练时间、无线传感器网络的生存周期以及数据传输率等指标,结果表明,DS-BP神经网络提高了数据融合精确度,缩短了网络的训练周期,减少了震荡现象的发生,将其应用到无线传感器网络中,提高了数据传输率,减少了网络能量消耗,延长了网络的生存周期。
【关键词】：WSN 数据融合 BP神经网络 DS证据理论 BPNDA
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.5;TP212.9;TP183
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-17
• 1.1 课题研究背景与意义11-12
• 1.2 国内外研究现状12-14
• 1.3 本文的研究内容与组织结构14-15
• 1.4 本章小结15-17
• 第2章 无线传感器网络及其数据融合和神经网络技术17-29
• 2.1 无线传感器网络17-19
• 2.1.1 无线传感器网络体系17
• 2.1.2 无线传感器网络的特点17-18
• 2.1.3 无线传感器网络中的关键技术18-19
• 2.2 无线传感器网络中的数据融合19-21
• 2.2.1 应用层中的数据融合19
• 2.2.2 网络层中的数据融合19-20
• 2.2.3 具有数据融合的路由协议20-21
• 2.3 神经网络技术21-28
• 2.3.1 神经元与神经网络模型21-23
• 2.3.2 神经网络的学习方式及规则23-24
• 2.3.3 BP神经网络技术24-28
• 2.4 本章小结28-29
• 第3章 基于BP神经网络的数据融合算法的改进29-45
• 3.1 BP神经网络在权值调整过程中的改进29-31
• 3.1.1 权值调整度分析29-30
• 3.1.2 权值调整度改进30-31
• 3.2 实验仿真及性能分析31-36
• 3.2.1 网络结构及参数设置31-32
• 3.2.2 实验对比分析32-36
• 3.3 BP神经网络与DS证据理论结合的数据融合36-41
• 3.3.1 DS证据理论36-38
• 3.3.2 DS证据理论与BP神经网络结合理论38-39
• 3.3.3 基本概率函数的确定39-40
• 3.3.4 权值初值的获取40-41
• 3.4 仿真结果及对比分析41-44
• 3.5 本章小结44-45
• 第4章 无线传感器网络中基于DS-BP神经网络的数据融合45-53
• 4.1 无线传感器网络的数据融合模型BPNDA45-46
• 4.2 BPNDA数据融合算法实现过程46-47
• 4.3 基于DS-BP神经网络的数据融合方法47-48
• 4.4 仿真及对比分析48-52
• 4.4.1 仿真环境48
• 4.4.2 仿真结果及对比分析48-52
• 4.5 本章小结52-53
• 第5章 总结与展望53-55
• 5.1 工作总结53-54
• 5.2 工作展望54-55
• 参考文献55-61
• 附录61-63
• 作者简介及科研成果63-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：1112749