CN109829518A - 基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 - Google Patents
基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 Download PDFInfo
- Publication number
- CN109829518A CN109829518A CN201910196273.0A CN201910196273A CN109829518A CN 109829518 A CN109829518 A CN 109829518A CN 201910196273 A CN201910196273 A CN 201910196273A CN 109829518 A CN109829518 A CN 109829518A
- Authority
- CN
- China
- Prior art keywords
- degree
- data
- fusion
- belief
- wireless sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 abstract description 2
- 238000002156 mixing Methods 0.000 abstract 1
- 230000035772 mutation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法。本发明首先将温湿度、光照、PH和电导率无线传感器节点采集的原始数据经汇聚节点发送到网关，在网关处利用三次指数平滑对原始数据进行预处理，剔除异常数据和噪声数据；采用基于指数型信任度的融合算法对平滑数据进行融合，并结合改进的遗传算法对融合估计值进行优化。试验结果表明，三次指数平滑能明显减少数据波动，提高***稳定性；与算术平均法和自适应加权法等常用的数据融合算法相比，融合信任度和改进遗传的数据融合算法能够有效提高融合精度，减少算法执行时间。
Description
【技术领域】
本发明涉及温室无线传感器网络(WSN)***领域，特别是针对WSN***中温湿度、光照、 PH和电导率无线传感器节点的多传感器数据融合算法。
【背景技术】
在基于WSN的温室环境监测***中，通常在感知区域部署大量同构冗余节点，进行周期性的环境数据采集和传输。同时，温室中各种参数分布不均，容易受到传感器精度、传输误差、环境噪声和人为干扰等因素的影响，通过多传感器数据融合技术对具有一定冗余度的数据进行融合，能够提高信息采集精度和增强***稳定性。
【发明内容】
本发明设计的基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法，包括以下步骤：
(1)对原始数据进行预处理：以温度为例，将温湿度无线传感器节点采集的原始温度数据经路由节点发送到网关，在网关处进行基于三次指数平滑的数据预处理，得到平滑值
(2)设置信任度函数：将信任度函数bij定义为指数函数的形式
(3)建立信任度矩阵：设同一时刻有n个温湿度无线传感器节点测量温室内的温度参数，根据信任度函数bij，建立信任度矩阵B。
(4)确定权重：本发明用wi表示第i个温湿度无线传感器节点xi在融合过程中所占的权重，利用wi对xi进行加权求和，定义了一组非负数a1，a2，...，an，用于综合反映wi关于xi的信任度***中各子***bi1，bi2，...，bin的全部信息，使得wi＝a1bi1+a2bi2+anbini＝1，2，...，n。
(5)归一化处理：考虑到wi满足加权和为1，对wi进行归一化处理，得到
(6)数据融合：根据确定的权重，得到对所有平滑数据融合估计的最终结果。
(7)利用改进的遗传算法优化融合结果：本发明定义融合估计值与真实值之间误差的绝对值为目标函数，即
利用本发明改进的遗传算法对式(3)进行优化，进而得到最优值。
【本发明的优点和积极效果】
本发明在数据融合过程中引入了模糊集合理论的思想，在基于指数型信任度的数据融合模型中，将信任度函数bij定义成满足模糊性质的指数函数形式，这样既充分利用了模糊理论中隶属度函数范围确定的优点，又避免了数据之间相互信任程度的绝对化，更加符合实际问题的真实性，使融合结果更加精确和稳定。
本发明在数据融合过程中引入了改进的遗传算法，首先将变异从交叉中分离出来，使其成为独立的并列于交叉的寻优操作，进而使得遗传算法也可以通过并行计算实现，提高算法实现效率。其次分别采用变化强度不同的交叉和变异操作。在遗传过程中，将混沌与遗传联系在一起：在交叉操作中，以“门当户对”的原则进行个体的配对，利用混沌序列确定交叉点，实行强度最弱的单点交叉，以确保算法收敛精度，削弱和避免因交叉强度过大而产生的寻优抖振问题；在变异操作中，利用混沌序列对染色体中多个基因进行变异，以避免算法早熟。
试验结果表明，基于三次指数平滑的数据预处理能明显减少数据波动，提高***稳定性；与算术平均法和自适应加权法等常用的数据融合算法相比，基于信任度和改进遗传的数据融合算法融合精度更高，算法执行时间大幅减少。
【附图说明】
图1为温室无线传感器网络(WSN)***数据融合结构模型图；
图2～4分别为总流程图、基于指数型信任度的数据融合算法流程图和改进的遗传算法流程图；
图5为原始数据和三次指数平滑处理的效果图；
图6为利用改进遗传算法优化后的目标函数曲线图；
图7为算数平均-改进遗传算法、自适应加权-改进遗传算法和信任度-改进遗传算法的数据融合误差曲线图。
【具体实施方式】
下面结合附图对本发明进一步说明。
温室无线传感器网络(WSN)***数据融合结构模型如图1所示。首先将温湿度无线传感器节点采集的原始数据经过汇聚节点发送到区域网关，在网关处利用三次指数平滑法对原始数据进行平滑，剔除异常数据和噪声数据。采用基于信任度的数据融合算法进行数据级融合，根据定义的指数型信任度函数对平滑数据间的信任程度进行量化处理，并通过信任度矩阵度量各平滑数据的综合信任程度，以合理分配各传感器节点在融合过程中的最优权重，得到数据融合估计的表达式。最后利用改进的遗传算法对融合结果进行优化，进一步提高融合精度，从而实现多传感器数据融合。
结合图2～图4，对本发明设计的算法流程介绍如下：
(1)对原始数据进行预处理：以温度为例，将温湿度无线传感器节点采集的原始温度数据经路由节点发送到网关，在网关处进行基于三次指数平滑的数据预处理，得到平滑值
(2)设置信任度函数：将信任度函数bij定义为指数函数的形式
(3)建立信任度矩阵：设同一时刻有n个温湿度无线传感器节点测量温室内的温度参数，根据信任度函数bij，建立信任度矩阵B。
(4)确定权重：本发明用wi表示第i个温湿度无线传感器节点xi在融合过程中所占的权重，利用wi对xi进行加权求和，定义了一组非负数a1，a2，...，an，用于综合反映wi关于xi的信任度***中各子***bi1，bi2，...，bin的全部信息，使得wi＝a1bi1+a2bi2+anbini＝1，2，...，n。
(5)归一化处理：考虑到wi满足加权和为1，对wi进行归一化处理，得到
(6)数据融合：根据确定的权重，得到对所有平滑数据融合估计的最终结果。
(7)利用改进的遗传算法优化融合结果：本发明定义融合估计值与真实值之间误差的绝对值为目标函数，即
本发明针对标准遗传算法中的交叉和变异操作进行改进，具体过程如下：
1)交叉
本发明采用改进型交叉，具体设计如下：首先以“门当户对”原则，对父代个体进行配对，即对父代以适应度函数值进行排序，把目标函数作为适应度函数，将目标函数值小的与小的配对，目标函数值大的与大的配对。利用混沌序列确定交叉点的位置，对确定的交叉项进行交叉。例如(x1，x2)配对，它们的染色体分别为采用Logistic 混沌序列x(n+1)＝4x(n)(1-x(n))产生一个1到n之间的正整数。
2)变异
本发明采用的变异算子设计如下：首先根据给定的变异率，随机选取1到n之间的整数，对这两个数对应位置的基因进行变异，具体变异以当前的基因值为初值，利用混沌序列x(n+1)＝4x(n)(1-x(n))进行迭代，得到变异后新的基因值，从而得到新的染色体。
利用本发明改进的遗传算法对式(3)进行优化，进而得到最优值。
设置编码方式为十进制编码，种群大小设置为50，算法进行500次迭代，重复进行100 次试验取平均值，通过改进后的交叉、变异操作，选择优良个体，重复上述操作，当达到迭代次数时，得到融合估计的最优值。
以某个温湿度无线传感器节点采集的原始温度数据为例，图5是原始数据和经过三次指数平滑(平滑系数α分别取0.1，0.2和0.3)处理后的效果。可以看出，原始数据波动较大，经过三次指数平滑处理后的温度曲线更加平滑，数据波动性小。α取0.2时，平滑效果最好，但存在明显的滞后偏差；α取0.3时，平滑数据能够较好地跟踪数据变化趋势，但波动性较大；α取0.1时，平滑效果较好，且滞后不大，所以α取0.1较为合适。
从图6可以看出，经500次迭代后的最优估计值利用式(3)可求得真实值与最优估计值的误差为ρ＝0.0043，且在迭代(进化)次数为50次以后，种群的平均适应度与最大适应度有相互趋同的形态，表示算法收敛进行的很顺利，没有出现震荡，在这种前提下，最大适应度个体连续若干代都没有发生进化，表明种群已经成熟，达到了进化要求。
三种算法的数据融合曲线如图7所示。利用MATLAB计算可得，经过500次迭代后，基于信任度-改进遗传算法(F-IGA)、算术平均-改进遗传算法(AA-IGA)和自适应加权-改进遗传算法(AW-IGA)的融合误差分别为0.0043、0.0107和0.0076；基于F-IGA算法的融合精度是AA-IGA算法的2.49倍，是AW-IGA算法的1.78倍。由此可见，采用本文所提出的基于信任度-改进遗传的数据融合算法后，融合误差明显减小，有效提高了融合精度和***稳定性。
利用MATLAB的探查器计算三种算法运行分别执行100次的平均运行时间，结果见表1 所示。
表1 三种算法的平均运行时间(s)
由表1可知，F-IGA算法比AA-IGA算法的平均运行时间缩短了64.63％，比AW-IGA算法缩短了54.24％，极大提高了算法性能，同时有效减少了传感器节点能耗，延长了传感器寿命。
Claims (1)
1.本发明设计的基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法，包括以下步骤：
(1)对原始数据进行预处理：以温度为例，将温湿度无线传感器节点采集的原始温度数据经路由节点发送到网关，在网关处进行基于三次指数平滑的数据预处理，得到平滑值
(2)设置信任度函数：将信任度函数bij定义为指数函数的形式
(3)建立信任度矩阵：设同一时刻有n个温湿度无线传感器节点测量温室内的温度参数，根据信任度函数bij，建立信任度矩阵B。
(4)确定权重：本发明用wi表示第i个温湿度无线传感器节点xi在融合过程中所占的权重，利用wi对xi进行加权求和，定义了一组非负数a1，a2，...，an，用于综合反映wi关于xi的信任度***中各子***bi1，bi2，...，bin的全部信息，使得wi＝a1bi1+a2bi2+anbin i＝1，2，...，n。
(5)归一化处理：考虑到wi满足加权和为1，对wi进行归一化处理，得到
(6)数据融合：根据确定的权重，得到对所有平滑数据融合估计的最终结果。
(7)利用改进的遗传算法优化融合结果：本发明定义融合估计值与真实值之间误差的绝对值为目标函数，即
利用本发明改进的遗传算法对式(3)进行优化，进而得到最优值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196273.0A CN109829518A (zh) | 2019-03-15 | 2019-03-15 | 基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196273.0A CN109829518A (zh) | 2019-03-15 | 2019-03-15 | 基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829518A true CN109829518A (zh) | 2019-05-31 |
Family
ID=66870144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910196273.0A Pending CN109829518A (zh) | 2019-03-15 | 2019-03-15 | 基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829518A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110798848A (zh) * | 2019-09-27 | 2020-02-14 | 国家电网有限公司 | 无线传感器数据融合方法及装置、可读存储介质和终端 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101236074A (zh) * | 2008-03-06 | 2008-08-06 | 中国科学院力学研究所 | 用光纤光栅测量应变分布的方法 |
| JP6240804B1 (ja) * | 2017-04-13 | 2017-11-29 | 大▲連▼大学 | 改良した情報測定とｇａに基づくフィルター式特徴選択アルゴリズム |
| CN107423384A (zh) * | 2017-07-17 | 2017-12-01 | 国网河南省电力公司检修公司 | 基于信息整合技术的带电检测作业分析管理方法 |
| CN108734009A (zh) * | 2018-05-14 | 2018-11-02 | 天津大学 | 基于遗传算法和mers融合的优化测试向量生成方法 |
-
2019
- 2019-03-15 CN CN201910196273.0A patent/CN109829518A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101236074A (zh) * | 2008-03-06 | 2008-08-06 | 中国科学院力学研究所 | 用光纤光栅测量应变分布的方法 |
| JP6240804B1 (ja) * | 2017-04-13 | 2017-11-29 | 大▲連▼大学 | 改良した情報測定とｇａに基づくフィルター式特徴選択アルゴリズム |
| CN107423384A (zh) * | 2017-07-17 | 2017-12-01 | 国网河南省电力公司检修公司 | 基于信息整合技术的带电检测作业分析管理方法 |
| CN108734009A (zh) * | 2018-05-14 | 2018-11-02 | 天津大学 | 基于遗传算法和mers融合的优化测试向量生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 初洪龙，马玉强: ""基于信任度的多传感器数据融合在农业物联网的应用"" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110798848A (zh) * | 2019-09-27 | 2020-02-14 | 国家电网有限公司 | 无线传感器数据融合方法及装置、可读存储介质和终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
| CN110366193B (zh) | 一种智能电网的网络编排层承载的切片部署方法及装置 | |
| CN106484512B (zh) | 计算单元的调度方法 | |
| CN106789320B (zh) | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 | |
| CN108564592A (zh) | 基于动态多种群集成差分进化算法的图像分割方法 | |
| CN105117326A (zh) | 一种基于组合混沌序列的测试用例集生成方法 | |
| CN104268077A (zh) | 基于混沌遗传算法的测试用例集约简算法 | |
| CN107944617A (zh) | 一种基于逻辑回归的疑似窃电主题影响因素权重优化方法 | |
| CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
| CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
| CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN109829518A (zh) | 基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 | |
| CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
| CN107766887A (zh) | 一种局部加权的不完整数据混杂聚类方法 | |
| CN111813669A (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
| CN116010291A (zh) | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 | |
| TWI474210B (zh) | A method of applying a genetic algorithm to automatically group and filter the independent variables to synchronize the regression model parameters | |
| CN109934344A (zh) | 一种改进的基于规则模型的多目标分布估计算法 | |
| CN111933226A (zh) | 一种基于分级分类模型的人工智能筛选材料方法 | |
| CN107767035A (zh) | 一种基于遗传算法的电能表检测混合流水线调度方法 | |
| CN110048945B (zh) | 一种节点移动性分簇方法及*** | |
| CN113111308A (zh) | 基于数据驱动遗传编程算法的符号回归方法及*** | |
| CN103177299A (zh) | 泛能网优化方法和*** | |
| Lin et al. | Optimizing for Large Time Delay Systems by BP Neural Network and Evolutionary Algorithm Improving. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |