基于神经网络的WSN丢失数据恢复研究

0 引 言

近年来，无线传感网已经被广泛应用于生态环境监测 [1]。 由于硬件故障、数据包冲突、信号衰减、能量不足、时间不同 步、恶意攻击等原因，海洋无线传感器网络中的数据很容易发 生大规模丢失。这就需要恢复丢失数据来获得完整的环境数 据。在数据采集过程中，对丢失数据的恢复是一项基本操作。 现如今，无线传感网丢失数据问题得到了越来越多的关注，并 且已提出了几种解决方法，例如忽视丢失数据，使用备用传感 器节点来重新发送数据和预测丢失数据 [2]。由于观测得到的传 感器数据时间序列有着强相关性，故可以利用传感器节点历史 轮数据来恢复丢失数据。

本文针对无线传感网数据丢失的特性，提出了基于 RBF 神经网络的数据恢复算法。最后利用实测环境温度数据集对 该算法在 Matlab2014a 平台上进行了仿真验证。

1 RBF 神经网络

RBF 神经网络能够逼近任意非线性函数，可以处理系统 内难以解析的规律，具有良好的泛化能力，且有很快的学习 收敛速度，并已成功应用于非线性函数逼近、时间序列分析、 数据分类、模式识别、信息处理、图像处理、系统建模、控 制和故障诊断等方面[3]。RBF 神经网络结构拓扑图如图1所示。

1.1 径向基函数

常用的径向基函数为以下高斯函数 ：

σ 为基函数的标准差。σ 越小，径向基函数的宽度越小， 基函数就越有选择性。隐藏层基函数的作用是把向量从低维 m 映射到高维 P，低维线性不可分的情况到高维就线性可分 [4]。

1.2 RBF 神经网络的输出

（1）网络隐层使用 K 个隐节点。

（2）把所有 K 个样本输入分别作为 K 个隐节点的中心。

（3）各基函数取相同的扩展常数。

（4）确定权值可解线性方程组。

RBF 神经网络学习过程分 2 个阶段 ：

（1）第 1 阶段的学习得到输入层与隐层之间径向基函数 的中心和标准差 ；

（2）第 2 阶段学习隐含层与输出层之间的线性权值。

RBF 神经网络数据恢复流程如图 2 所示。

2 仿真实验

我们选取了海洋监测项目某一节点 330 个海洋温度数据， 其中 280 个数据作为训练数据集，50 个数据作为测试数据集。设置 RBF 神经网络参数如表 1 所列。

由以上实验结果分析可知，本文提出的算法对无线传感 网温度丢失数据的估计结果是准确合理的。

3 结 语

无线传感网数据是一个非常复杂的动态参数，它受许多 因素的影响，这些因素本身是随机变量，各因素之间相互制约、 互为因果。因此传感器节点丢失数据实际上是一个多变量、时 变、灰色、高度非线性及复杂的动力学系统。本文提出的基于 神经网络的 WSN 丢失数据恢复算法可以较好地恢复传感网丢 失的数据。然而该算法没有考虑传感器节点的移动，未来我们 将在传感器节点移动的情况下建立数据恢复模型。