技术摘要：
本发明公开了一种无线传感器网络数据融合方法，包括步骤：(1)一轮分簇路由通信开始，簇首记录簇内节点信息并传输至基站节点；(2)基站确定BP神经网络结构；(3)基站选取适当样本数据集，用天牛须搜索算法对粒子群算法进行改进，得到对应簇集的BP神经网络连接权值和阈值参  全部
背景技术：
无线传感器网络(Wireless  Sensor  Network,WSN)是由集成信息采集、数据 处理 和无线通信等多种功能的传感器节点通过无线通信的方式组成的一种分布 式自组织无线 网络。由于WSN具有自组织，低功耗等优点，被广泛应用在工业、 医疗、物联网等领域。但WSN 传感器节点资源和能量有限，因此需要设计高效  的WSN网络协议以提高能量资源利用效 率。 在无线传感器网络中，传感器节点在监测区域部署较密，因此在监测范围会  产生 大量冗余数据。假设节点将所有数据都传输至汇聚节点，会出现能耗较高并  且易产生传输 冲突堵塞现象。为减少冗余数据，提高能耗效率，传感器节点被赋 予数据融合能力，可以对 多个传感器节点数据进行数据融合处理，从而提高传输  效率，节省网络能耗，获取准确信 息。 数据融合的概念最初是在70年代被提出，一开始是只被应用于军事领域，  例如指 令控制通信系统是利用数据融合技术对战争信息进行处理，从而成功地获  取战争准确信 息。随着科技的进步，数据融合技术的相关研究得到世界各国学者  和科研技术人员的关 注，在各种学术会议和学术期刊都有数据融合技术领域的研 究成果。 在无线传感器网络数据融合算法中，传统采用反向传播BP  (Back  Propagation) 神经网络，它是一种按误差逆传播算法训练的多层前馈网  络，是目前应用最广泛的神经网 络模型之一。 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。 基于BP神经网络的数据融合算法将BP神经网络应用到分簇路由协议中进  行特征 提取，从而减少冗余数据，减缓节点死亡时间。但是BP神经网络对于初  始权值和阈值很敏 感，易陷入局部极小值。 基于遗传算法(GA，Genetic  Algorithm)的BP神经网络数据融合算法GA-BP  利用 遗传算法对BP神经网络的权值和阈值参数进行优化，能有效减少冗余数据，  延长网络生命 周期。但遗传算法存在搜索能力较差，求解速度较慢的缺陷。 基于粒子群优化BP神经网络的WSN数据融合算法PSO-BP，利用粒子群算  法优化BP 神经网络参数，将优化后的BP神经网络和传感器网络分簇路由协议  有机结合，能有效提升 数据融合效率，均衡网络能耗。但是由于种群在搜索空间  中会丢失多样性，该算法存在易 陷入局部最优解的缺点。 5 CN 111553469 A 说　明　书 2/9 页 综上所述，传统BP神经网络应用于无线传感器网络中存在训练困难、易陷  入局部 最优解的缺陷，GA-BP算法寻优效果受种群初始分布影响较大，求解速  度缓慢，PSO-BP算法 中粒子群缺乏多样性，还有较大优化空间。
技术实现要素：
发明目的：本发明的目的是提供一种收敛速度快、融合效率高且稳定的无线  传感 器网络数据融合方法。本发明的另一目的是提供基于该方法的装置和计算机  存储介质。 技术方案：本发明所述的无线传感器网络数据融合方法，包括如下步骤： (1)一轮分簇路由通信开始，簇首节点更新，进行新的分簇，簇首记录簇 内节点信 息并传输至基站节点； (2)基站根据簇集信息确定BP神经网络结构，所述簇集信息包括待更新  簇头的 簇； (3)基站选取与待更新的当前簇相匹配的样本数据集，结合基于天牛须搜  索算法 改进的粒子群算法对BP神经网络进行训练优化，以得到对应簇集的BP  神经网络连接权值 和阈值参数； (4)基站将相应簇集的BP神经网络连接权值和阈值参数发送至各簇集节  点内，并 存储参数供下次使用； (5)每个簇集根据接收到的BP神经网络连接权值和阈值参数报文构建对  应的BP 神经网络，簇首节点对簇内成员节点上传的数据进行特征提取，并将 融合后的特征结果传 输至基站节点，一轮分簇路由通信完成。 进一步地，步骤(3)中，所述结合基于天牛须搜索算法改进的粒子群算法  对BP神 经网络进行训练优化，包括如下步骤： (31)无线传感器网络分簇后，计算搜索空间维度： D＝M*N N*1 N 1 其中，M为每个簇内成员节点个数，也是BP神经网络输入层神经元个数；  N为隐藏 层神经元个数；1表示输出层神经元个数； (32)初始化n个粒子的初始位置向量x1,...,xn，其中xi＝(xi1,xi2,...,xiD)为  第i 个粒子的D维搜索向量，包含了BP神经网络中输入层和隐藏层的权值，以  及隐藏层和输入 层的阈值； 初始化n个粒子的速度向量v1 ,...,vn，其中，vi＝(vi1 ,vi2,...,viD)为第i个粒子  的速度向量；初始化速度变化范围 初始化最大迭代次数为K； (33)定义适应度函数f(xi)，对样本数据进行融合； (34)计算粒子的适应度函数值，获取每个粒子个体需要记忆自身搜寻的最  佳位 置，将第i个粒子自身搜寻过的最佳位置记作pbestid＝(pi1,pi2,...,piD)，群体  搜寻到的最 佳位置记作gbestd＝(g1,g2,...,gD)； (35)更新天牛左右须搜索空间位置，并分别计算f(xl)和f(xr)，其中，xl为左侧触 须在搜索区域的位置；xr为右侧触须在搜索区域的位置； (36)计算搜索行为增量； (37)更新粒子速度和位置； 6 CN 111553469 A 说　明　书 3/9 页 (38)判断是否到达迭代次数或者当前位置的适应度函数值是否达到理想  值，如 果满足迭代停止条件，进入下一步骤，否则返回步骤(34)；分别更新惯  性权重w、学习因子 c1和c2以及天牛搜索行为增量的权重因子λ； (39)将种群的最佳位置gbestd作为BP神经网络最佳初始权值和阈值，BP  神经网 络利用gbestd作为初始参数进行训练学习直至权值和阈值参数确定。 进一步地，所述适应度函数为样本数据的均方根误差(RMSE)： 其中，m为BP神经网络样本数据训练条目数量，traini是第i个样本数据的 融合预 测结果，yi为第i个样本数据的实测值。 进一步地，所述天牛左右须搜索空间位置的更新公式为： 其中： 和 分别表示第k次迭代时具有天牛搜索行为的粒子i的左右须第  d维 位置矢量， 表示第k次迭代时粒子i的第d维位置矢量， 表示第k次迭  代时粒子i的第d 维速度矢量。 进一步地，所述步骤(36)包括：依照如下公式计算搜索行为增量： 其中， 代表第k 1次迭代时的搜索行为增量，δk为修正系数。 进一步地，所述步骤(37)包括：依照如下公式更新粒子速度： 其中，w为惯性权重，用于反映粒子的运动习惯； 按照如下公式更新粒子位置： 其中，λ为搜索行为增量权重因子，其赋值如下： λ＝(λmax-λmin)(1-iter/maxgen) λmin 其中，λmax和λmin为常数，分别代表增量权重因子λ的上下限值；iter和  maxgen分 别为当前迭代次数和总迭代次数。 进一步地，所述惯性权重w以凸函数方式递减。 进一步地，步骤(38)中，所述更新惯性权重w、学习因子c1和c2的公式如 下： 7 CN 111553469 A 说　明　书 4/9 页 其中，wmax和wmin分别为惯性权重上下限值，iter和maxgen分别为当前迭  代次数和 总迭代次数；c1和c2为学习因子，c1表示粒子对自身历史经验的学习，  c2表示粒子对共享 的群体历史经验的学习；cm和cn为常数，满足cm>cn。 本发明所述的无线传感器网络数据融合的装置包括：存储器、处理器及在所  述存 储器上存储并可运行的无线传感器网络数据融合的程序，所述无线传感器网  络数据融合 的程序被处理器执行时上述无线传感器网络数据融合方法的步骤。 本发明所述的计算机可读存储介质上存储有无线传感器网络数据融合的程  序， 当程序被处理器执行时可实现上述无线传感器网络数据融合方法的步骤。 有益效果：本发明克服了传统BP神经网络收敛速度慢、对初值敏感且易陷  入局部 最优解的问题。同时，通过优化后的BP神经网络提取数据特征，并进行 融合，减少冗余数据 传输，延长网络生命周期。 附图说明 图1为本发明