基于改进粒子群的BP神经网络WSN数据融合算法

发布时间：2021-01-19 00:21

　　针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。 

【文章来源】：中国科学院大学学报. 2020,37(05)北大核心

【文章页数】：8 页

【部分图文】：

算法迭代收敛对比

神经网络是由大量具有运算能力的单元广泛互联而组成的，通过高效的学习机制模拟人脑信息处理的过程。神经网络由于其强大的计算能力，因此在信号处理、计算机视觉、自然语言优化处理等领域应用广泛[15]。BP神经网络是一种典型的多层前向型神经网络[16]。BP神经网络由输入层、隐藏层、输出层组成，它利用学习机制来存储输入和输出的映射关系，其权值和阈值参数通常采用反向传播的策略，借助最速梯度信息来获得使网络误差最小化的参数组合，有很强的非线性映射能力、自学习和自适应能力、泛化能力和容错能力。将BP神经网络模型利用到WSN中处理数据融合问题，能有效降低数据特征维数，提高数据融合效率和精度，从而减少节点能耗。利用BP神经网络结合无线传感器分簇路由算法构建WSN数据融合模型，网络结构如图1所示。按照LEACH (low energy adaptive clustering hierarchy)分簇路由算法完成分簇后，簇内传感器节点首先对监测到的原始数据进行滤波等预处理，然后将数据传输至簇首节点，簇首节点利用BP神经网络对数据进行融合，提取特征数据，减少冗余数据，将融合后的特征数据传输至汇聚节点，从而减少数据传输量，延长网络生命周期[17]。但传统BP神经网络也存在一定缺陷，初始权值参数的选择具有随机性，网络对初始连接权值的选择很敏感，初值选取不当会导致训练结果不佳，易陷入局部最优解。

融合结果比较


本文编号：2985952