基于深度学习的无线传感器网络数据融合.pdfVIP

第33卷第 1期 计 算 机 应 用 研 究 Vo1．33No．1 2016年 1月 ApplicationResearchofComputers Jan．2016 基于深度学习的无线传感器 网络数据融合术 邱立达，刘天键，傅 平 (闽江学院物理学与电子信息工程系，福州350108) 摘 要 ：在无线传感器网络数据融合算法中，BP神经网络被广泛用于节点数据的特征提取和分类。为了解决 BP神经网络收敛慢、易陷入局部最优值且泛化能力差从而影响数据融合效果的问题，提出一种将深度学习技术 与分簇协议相结合的数据融合算法 SAESMDA。SAESMDA用基于层叠 自动编码器(SAE)的深度学习模型 SAESM取代BP神经网络，算法首先在汇聚节点训练SAESM并对网络分簇，接着各簇节点通过SAESM对采集 数据进行特征提取，之后由簇首将分类融合后的特征发送至；r-聚节点。仿真实验表明，与采用BP神经网络的 BPNDA算法相比。SAESMDA在网络能耗大致相同的情况下具有更高的特征提取分类正确率。 关键词：无线传感器网络 ；数据融合 ；深度学习；自动编码器 中图分类号：TN915；TP183 文献标志码 ：A 文章编号 ：1001-3695(2016)01·0185—04 doi：10．3969／j．issn．1001．3695．2016．O1．403 Dataaggregationinwirelesssensornetworksbasedondeeplearning QiuLida，LiuTianjian，FuPing (Dept．ofPhysicsElectronicInformationEngineering，Mi~iangUniversity，Fuzhou350108，China) Abstract：DatafusionalgorithmswidelyusedBPneuralnetworktoextractandclassifythenodedatafeaturesinwirelesssen— sornetworks．InordertoovercometheshortcomingsofBPneuralnetworkleadingtopoorperformancefordatafusion，suchas low convergencespeed，localoptimalandbadgeneralizationability，thispaperproposedadatafusionalgorithm SAESMDA combinedwithdeep】earningtechnologyandwirelesssensornetworkclusteringroutingprotoco1．SAESMDA useddeeplearning modelSAESM basedonstackedautoencoder(SAE)insteadoftheBPneuralnetwork，algorithmfirstlytrainedSAESMinsink nodeandgeneratedclustersofrnetwork．thenusedSAESM toexactednodedatafeaturesinclusternodes，finallythedatafea— turesinthesameclasswouldbefusedandsenttosinknodebyclusterheads．Simulationexperimentsshowthatcomparedwith BPNDA basedontheBPneuralnetwork ．SAESMDA hasahigherfeatureextractionandclassificationaccuracywiththesimi— larnetworkeneryg consumption． Keywords：w