基于循环神经网络的多模态无线传感数据自适应融合方法_宋永.pdf

第 卷 第 期 年 月传 感 技 术 学 报 .项目来源：国家自然科学基金项目（）；阿坝师范学院科研基金项目（）收稿日期：修改日期：，（，；，）：，：；：基于循环神经网络的多模态无线传感数据自适应融合方法宋 永，杨 阔，覃觅觅（阿坝师范学院应用物理研究所，四川 汶川；广西科技大学微电子与材料工程学院，广西 柳州）摘 要：为了去除无线传感数据冗余，降低传感器能量消耗，提出了一种基于循环神经网络的多模态无线传感数据自适应融合方法。利用格拉布斯准则预处理传感数据，剔除了不具备参考利用价值的粗数据。利用相似性指标计算，得到精细数据的相似元，进而获得关键数据。利用循环神经网络解决了无线传感器数据过度依赖和梯度过长问题，确定数据自适应融合的特征参数。考虑传感器发生异常检测和不发生异常检测时数据融合情况，完成数据自适应融合。经仿真实验证明，在相同数据相似度门限值下，个时隙的最低融合比为，可有效控制数据压缩量。该方法下传感器能量消耗始终低于 ，其最低传输延迟为 ，提高了传感数据融合的性能。关键词：无线传感网络；数据融合；循环神经网络；多模态数据；自适应融合中图分类号：文献标识码：文章编号：（）无线传感器技术的发展和普及，使信息采集不再困难。无线传感器采集信息领域较为广泛，可应用在不同的环境下，包括利用多个传感器信息采集系统，可完成特定环境下的全方位观测。但多传感器检测通常会出现大量相似冗余数据，这种情况下大量的数据不仅占据内存，同时还会影响数据分析人员的判断，增加数据分析工作量，导致传感器传输负担加重，传输延迟较高，影响数据传输效率。针对这种情况，张辉等研究了基于无迹卡尔曼滤波（）的无线传感器异步数据融合优化算法。该方法在 机制下去除无线传感网络的冗余数据，采用四圆定位法检测传感区域边界交点。结合 与异步数据定位结果实现数据融合。聂珲等研究了一种模糊综合融合法，利用两级并联传感器完成数据采集。并对数据进行滤波，剔除掉不必要的干扰因素和异常数据，利用熵值决定信息融合权重，最终完成数据的决策融合。但上述两种方法的数据融合速度较慢，不能完全达到理想效果。等针对无线人体传感网络，提出一种多传感器数据融合集成方法。在雾计算环境中获取医疗数据，将数据输入到 分类器，集成托管在雾计算环境中，融合数据并统一输出。该方法的融合准确率较高，但数据融合所需的能耗有待进一步减少。等提出了基于前景理论的证据组合多传感器数据融合方法。结合基于前景理论和证据理论的新定义的证据可信度度量，采用混合多传 感 技 术 学 报第 卷传感器数据融合方法，从可信证据和不可信证据的角度综合描述奖惩等级，处理冲突证据，实现了多传感数据的融合。本文利用格拉布斯准则设定精准数据临界值，找到精准数据及其相对应的相似元，计算数据评估权重，根据数据的特征，实现相似性数据特征的自适应检索。在循环神经网络的基础上，完成数据感知及存储。考虑不同时段的数据融合，在贝叶斯法的作用下，针对正常观测下的数据和发生异常观测下的数据进行分析融合，实现多模态数据自适应融合。无线传感数据预处理及特征提取 基于格拉布斯准则的传感数据剔除预处理在进行数据自适应融合前，需要对传感器所采集到的不同数据进行预处理。这一步骤的目的是剔除采集信息中存在较大误差的粗数据。利用格拉布斯准则对数据进行预处理，假设采集数据的变量值为，此时数据的平均值为：?，（）其标准差表示为：（?）（）此时可将式（）和式（）的计算结果代入式（）完成格拉布斯的计量统计：?（）设定格拉布斯准则的数据临界值为（，），表示传感器节点测量数据的次数，表示数据优秀水准，数据取值在 之间。若计算出来的 值大于数据临界值（，），说明节点采集到的该数据是存在较大误差值的粗数据，不具备参考和利用价值。因此需要提出 值对应的数据。在剔除该粗数据后，循环上述步骤对所有数据进行初始判断，直到剔除所有误差较大的粗数据后，最终留下可利用的精细数据待后续使用。基于相似性指标的数据特征参数提取利用相似性指标找出精细数据间的相似元，首先利用阈值法找到数据中占比较大的关键数据，分析关键数据的信息特征。可以计算出数据相似元的具体取值，在精细数据中挑选一个数据样本 进行相似元的验证：（，）（，）（）（）若数据样本 能够满足式（），则认为 为关键数据的相似元。式中，、表示数据样本 的水平和垂直坐标，为表示数据间相似度的指标参数，表示设定阈值，（）是衡量数据相似程度的函数值，为数据间相似性评估权重。评估权重越大，证明数据之间的相似程度越高，评估权重 决定的是关键数据相似元在数据中的贡献值。无线传感器所采集数据间的相似性，由相似元与数据具体特征间相关度决定。具体计算可描述为：（）（）（）（）（）式中：代表与关键数据 相似元相关的评估系数，代表数据的期望指数，为关键数据的相似元向量值，代表关键数据的向量值，（）、（）表示的是 和 对应的方差。当式（）求得的数值在，时，证明关键数据的相似元与数据的相似程度越高。假设关键数据 的相似元与中心数据相似元之间的距离为，根据数据间的相似性及空间顺序得出综合评估指数，此时可重新计算相似性评估权重值：（）此时得出的相似性评估值，是经过数据参数标准化处理后的数值。将结果重新代入到式（）中，得到的数据相似元结果是最低误差数值，此时实现了对数据相似元的精准计算。在数据相似元计算的基础上，可以得到无线传感器数据自适应融合的特征检索曲线以及特征参数。利用关键数据相似性指标评估数据的特征分数。设定 为等待查询的关键信息，利用与之相对应的特征向量和距离函数，完成特征数据的检索工作。将数据按照相似程度进行降序排列，此时输出的传感器关键数据检索结果为：（，），（，），（，）（）关键数据的初始信息特征检索分数曲线结果为：（，），（，），（，）（）式中：（，）表示的是 和（，）的数据相似性分数。对上述信息特征曲线中得到的检索分数进行数据归一化处理，得出具体的相似性评估结果：?（，）（，）（，）（）将数据的相似元特征和分数相互融合，可以得第 期宋 永，杨 阔等：基于循环神经网络的多模态无线传感数据自适应融合方法 出关键数据的相似性融合参数值：（）（，）（）式中：表示信息间相似程度的排列分数，表示相似元特征和分数的融合函数，此时得到多模态无线传感器数据自适应融合的特征参数。在传感数据特征提取的基础上，下文可以根据不同的数据特征，进行快速的自适应数据融合。基于循环神经网络的多模态数据自适应融合 基于提取的无线传感数据特征，通过循环神经网络自适应融合多模态数据。针对无线传感器采集数据有无发生异常观测情况，提供了两种数据融合的方案，确保数据融合，降低传感器的能耗。基于循环神经网络的传感数据分时段处理循环神经网络能够消除无线传感器数据存在的过度依赖以及梯度过长问题。结合自适应选择机制，保证了神经网络单元在前后状态的协调性，完成对当前感知数据特征的存储。循环神经网络在某一时刻 的更新具体过程为：（，）（）（，）（）（，）（）（，）（）（）（）（）式中：表示循环神经网络的激活函数，表示点乘运算模式，、分别表示循环神经网络的输入门、遗忘门和输出门，、表示循环网络中更新数据的权重矩阵，、表示数据更新后的偏差，表示某一时刻 神经网络中记忆细胞的实时状态，表示数据更新后的输出结果。由于循环神经网路当前时段的输出，只考虑了上一时段的输入数据，这对于传感器多模态的数据融合是不够全面的，数据融合的过程不仅受到上一时段的影响，同样会受到传感器对下一时段信息捕捉结果的影响。因此在利用循环网络进行数据融合的过程中，通过上一时段、当前时段以及下一时段的传感信息，充分完成数据融合。考虑异常与非异常观测情况下的传感数据自适应融合 利用 个高斯模型结合贝叶斯法完成数据不同模态的融合，首先在不考虑无线传感器采集数据发生异常观测的情况下，利用函数表达 个高斯模型：（）（），（）式中：表示第 个传感器的正常观测数据值，表示模型空间范围参数，在此基础上，加入贝叶斯法可计算出数据融合后的最大后验估计数值：（）（）（）（）利用多高斯模型分布排列进行传感器数据融合时，其产生后验估计数值的概率分布情况，与高斯模型分布大致相同，具体的均值和方差分别表示为：（）（）（）（）（）若此时没有先验变量信息的产生，此时 个高斯模型分布排列完成的数据融合，等同于传感器数据按照标准差进行的加权平均计算。由于传感器节点众多，不能完全保证每个节点采集的数据都是准确正常的，不可避免地会存在数据异常观测值。此时应该考虑传感器测量数据发生异常观测值的情况，这时高斯传感器模型具体表示为：（，）（）（），（）传感器真实状态下，给定测量值，假设第 个传感器没有发生异常检测数值的概率为：（，）（）（）当测量值与真实状态是相等的情况下，说明没有发生异常观测，概率为。当传感器测量数值逐渐远离真实状态时，这个概率会越来越小，表示传感器模型参数的依赖偏差。针对传感器异常观测数据，分别利用集中式融合和分布式融合对数据完成多模态融合处理。首先考虑数据异常观测情况下的集中式融合方案，其具体的后验分布情况为：（，）（）（，）（）（，）（，）（）将参数 的依赖偏差设置为：，（）（）将得出的 代入到式（）中，可得出数据融传 感 技 术 学 报第 卷合过程中的后验分布的最终值：（?）（）（?）（）（），（）（）式中：参数 满足下述条件：，（）（）这时式（）表示的是只有一个峰值的高斯分布函数模型。假设传感器在某一节点检测的数据测量值，距离其他测量值较远，模型将适当调整该数据的独立分布数据方差。若是所测量的两个数据间距离非常接近，那么分配给数据测量值的权值也会相应增加。此时集中式融合方法下，最大后验估计数值的均值和方差分别为：（）（）（）（）（）（）接下来考虑数据异常观测情况下的分布式融合方案，先完成两个传感器数据测量值的融合。融合后再与下一个传感器的数据测量值融合，直到所有检测数据都完成融合。针对前两个传感器的数据融合如下：（，）（）（，）（，）（）（，）（，）（）（，）（）此时将参数 的依赖偏差设置为：（）（）（）式中：表示期望传感器测量数据时的最大限制值，将 代入到式（）中可得：（，）（）（?）（）（）（）（）（）（）（）根据互信息判断得出测量值之间是否存在异常检测情况。当互信息大于零时，证明测量值正常，可以进行下一步数据融合步骤。若小于零，说明测量值中至少有一个是存在异常观测情况的，此时则需要对两个传感器进行异常评估再与下一个传感数据进行融合，。假设第 步数据观测的估计值和标准差用和来表示，将数据观测的估计值与传感器 的信息完成融合：（?）（）（?）（）（）（）（）此时传感器数据观测后验估计的均值和方差分别为：（）（）（）（）（）（）（）（）综上所示，即完成了无线传感器数据分别在无异常观测和有异常观测情况下的数据融合。在有异常观测情况下，分别利用集中式和分布式完成多模态数据自适应融合。仿真实验为了验证所提多模态无线传感数据自适应融合方法的有效性，传感器需要传输的数据量在发生变化的同时，能够有效体现方法的融合效率。当数据融合前和融合后的数据量比值越低，说明方法的融合效率越好。当数据间的时隙或者高度相似时，可视作是一个数据向量。通过增加这组向量的频率，模拟其他相似数据的出现，不同时隙下相似数据压缩情况的具体实验对比结果如图 所示。图 本文方法在不同时隙下相似数据压缩情况从图 中可以看出，随着数据间相似度距离门限值的增加，数据相似程度的标准随之降低，数据的压缩量增加。不同时隙个数的融合数据比值低于，最低可达到，说明该方法的融合效率好，数据压缩较理想。在时隙个数发生变化的情况下，压缩效果均表现良好。时隙个数由 增加到 第 期宋 永，杨 阔等：基于循环神经网络的多模态无线传感数据自适应融合方法 时，融合比值也逐渐降低，最大差值为，说明时隙个数越多，重复的数据越多，压缩效果越好。数据融合的最终目的是通过缩减数据传输总量，从而大量减少传感器能量消耗，延长传感器使用寿命。本文利用无线传感器消耗模型完成仿真实验，对所提方法进行全面系统的性能评估。为了进一步验证所提方法性能。将与无迹卡尔曼滤波法、模糊综