一种基于蚁群优化的BP神经网络WSN森林火灾防范系统的制作方法

本发明属于无线传感器网络技术领域，具体涉及一种基于蚁群优化的bp神经网络wsn森林火灾防范系统。

背景技术：

无线传感器网络(wsn)是由大量随机分布的集成有传感器数据处理单元和通信模块的微小传感器节点组成，传感器节点间通过自组织的方式构成网络，是一种大规模、无人值守、资源严格受限的分布系统，传感器节点所在周边环境参数,如温度、湿度、ph值、噪声、光强度、压力、土壤成分、移动物体的大小、速度和方向等,通过网络的方式汇集数据,并在网络之间和通过上层网络传输。网络的通信方式和组网方式采用多跳和对等方式,网络拓扑结构与无线adhoc网络相似,具有自织织，自治和自适应等动态变化特性。

人工神经网络是单个并行处理元素的集合,是近年来发展起来的模拟人脑生物过程的人工智能技术,网络功能主要由神经节决定,我们可以通过改变连接点的权重来训练神经网络完成特定的功能，它是由大量简单的神经元广泛互连形成的复杂的非线性系统,它不需要任何先验公式,就能从已有数据中自动地归纳规则,获得这些数据的内在规律,具有很强的非线性映射能力,特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题神经网络已经在各个领域中应用,以实现各种复杂的功能，这些领域包括:模式识别、鉴定、分类、语音、翻译和控制系统。其中基于误差反向传播(backpropagation)算法的多层前馈网络(简记为bp神经网络),是目前应用最多也是最成功的网络之一,bp神经网络模型通常由有一个或多个节点的输入层、一个或多个输出的输出层以及一个或多个隐层组成。

森林火灾是人类所面临的最重要的自然灾害之一。森林是人类的宝贵资源，也是农业生产和人民生活的保障。森林火灾的发生，导致森林资源和生态环境的破坏，往往难以扑救，造成巨大的损失。因此，对森林火灾做直接的监测，做到防患于未然，可以

更好地进行森林火灾的预防、扑救等的决策。目前,国内对森林传统的火灾监测措施主要有,人工巡查、视频观测、飞机巡逻及卫星遥感等，但其存在费时费力、成本高、数据采集分散、不够精确等缺点,难以准确全面的监测和预测火灾。无线传感器网络能够 自组网,对森林环境数据进行采集和实时发送,并且可以利用计算机对数据分析处理,具有易于实现、覆盖范围广、成本低、数据全面准确等特点。

技术实现要素：

本发明的目的在于提出一种基于蚁群优化的bp神经网络wsn森林火灾防范系统，克服了传统森林火灾监测中存在费时费力、成本高、数据采集分散、不够精确等缺点，能够有效、准确预测火灾规模，促使相关部门提前做好防范措施。

为了解决上述技术问题，本发明提出一种基于蚁群优化的bp神经网络wsn森林火灾防范系统，包括无线传感器网络和森林火灾预测模型；无线传感器网络用于采集森林中的环境影响因素数据，并将采集到的数据提供给森林火灾预测模型；森林火灾预测模型依据环境影响因素数据判断发生火灾的概率。

较佳地，所述无线传感器网络由部署在森林中的若干无线传感器以zigbee无线组网方式组成，所有无线传感器节将采集到的环境影响因素数据传输到网络协调节点，网络协调节点通过无线远程数据传输网络gprs将采集的数据转发给监控中心的监控主机，所述森林火灾预测模型安装在监控主机上。

较佳地，所述环境影响因素包括气温、相对湿度、降雨量或者土壤湿度、风速以及气压。

较佳地，森林火灾预测模型的bp神经网络的拓扑结构包括输入层、隐含层和输出层；输入层具有六个神经元，分别代表六个环境影响因素；输出层具有一个神经元，代表森林火灾发生的概率；隐含层神的经元个数通过下式计算获得：

其中。h为隐含层的神经元个数，i为输入层神经元个数，o为输出层神经元个数，a为常数；

bp神经网络的期望误差为均方误差，所述均方误差为预测误差平方和的平均数。

较佳地，采用蚁群优化算法对bp神经网的参数进行优。

本发明与现有技术相比，其显著优点在于，(1)相较于传统森林火灾预测模型，基于bp神经网络预测的精确度更高，速度更快；(2)本发明在原基础bp神经网络上采取蚁群算法，有利于改善了bp神经网络的易陷入局部极小、收敛速度慢和引起震荡等缺点，从而提高网络收敛速度，具有较高的预测精度；(3)本发明集合无线传感器网络应用，能够更有效迅速的预测林火的发生趋势。

附图说明

图1是本发明基于蚁群优化的bp神经网络wsn森林火灾防范系统结构示意图。

图2是本发明中bp神经网络结构示意图。

图3是本发明中基于蚁群优化bp神经网络优化流程图。

具体实施方式

容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发基于蚁群优化的bp神经网络wsn森林火灾防范系统的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。

本发明基于蚁群优化的bp神经网络wsn森林火灾防范系统核心在于包括无线传感器网络和森林火灾预测模型。具体地说，就是森林区域通过传感器采集影响火灾发生的环境影响因素数据，将所述数据提供给森林火灾预测模型，经过森林火灾预测模型的判断，获得发生火灾的概率，预测结果可以与用户进行交互，为灭火决策做出正确的判断和决策提供支持。本发明基于蚁群优化的bp神经网络wsn森林火灾防范系统的具体架构为：

系统底层由部署在林区监测区域内的传感器节点利用zigbee作为无线组网方式组成监测网络，所有传感器节点将采集到的数据传输到网络协调节点，网络协调节点通过无线远程数据传输网络gprs将数据转发给监控中心的监控主机，方便管理人员操作处理。整个系统利用zigbee作为无线组网方式，利用gprs作为远程的无线数据传输方式，实现了两种技术的优势互补。

zigbee无线传感器网络包括传感器节点、网络协调节点。大量传感器节点随机部署在整个被监测林区，能够通过自组织方式形成网络，可以实时采集林区温度、湿度、风速、烟雾浓度等环境信息。采用分簇路由协议，监测数据沿着分布式网络进行传输，经过多跳后路由到网络协调节点。网络协调节点负责数据的收集、融合以及向gprs网络传送数据。

zigbee无线传感器网络采集到的温度、湿度、烟雾浓度等林区环境信息通过gprs网络上传到internet,实现数据的远距离传输。服务器负责接收gprs网络传送过来的数据，监控主机通过森林火灾预测模型对采集到的监测数据进行分析汇，为火灾防范提供 决策依据。所述森林火灾预测模型为基于蚁群算法优化bp神经网络模型，该森林火灾预测模型的构建主要考虑一下问题：

a、确定森林火灾发生的环境影响因素。森林火灾的发生与当地的气象条件、地理因素、植被类型、分布关系十分密切，其中气象因子决定着林火发生和发展的时间、性质和蔓延速度，地理因素引起林火发生在很大程度上又受气象因子的制约。因此分析环境因素是研究森林火灾的重点内容。本发明确定的环境因素主要包括气温、相对湿度、降雨量或者土壤湿度，风速，气压等六个因素；

b、森林火灾预测模型的bp神经网络的拓扑结构。拓扑结构由三部分组成，一是输入层；二是隐含层；三是输出层。

c、bp神经网络的各层神经元个数的确定：

(1)输入层神经元个数的确定。输入层神经元的个数取决于影响森林火灾发生的环境影响因素，如前所述，影响森林火灾发生的环境影响因素主要有六个，因此本发明确定输入层神经元的个数为六个；

(2)隐含层神经元个数的确定。由神经网络的特点，含有隐含层的网络可以逼近任意函数其单元数的确定是一个十分重要的问题。如果隐含层神经元的数目太少，则网络从样本中获取信息的能力不足，网络容易陷入局部极小值，有时可能训练不出来；如果隐含层神经元的数目太多，则学习样本的非规律性信息会出现“过度吻合”的现象，从而导致学习时间延长，误差也不一定最佳。虽然隐含层神经元的数目存在最佳值，但精确的找到此最佳值难度很大。通过大量的实验，估算最佳隐含层神经元个数的经验公式被总结出来，其为其中h为隐含层层神经元个数，i为输入层神经元个数，o为输出层神经元个数，a为常数。除此以外，隐含层层神经元个数也可通过自适应的方法获得，即根据训练误差动态的增加或减少节点。

(3)输出层神经元个数的确定。本发明森林火灾预测模型输出量只有一各，即森林火灾发生的概率，因此输出层神经元只有一个。

d、神经网络期望误差的确定。神经网络的误差指标被用来判定网络是否收敛、学习速率和训练样本选取是否得当。根据bp算法的运算步骤，先进行正向传播得出各个连接权的值，网络和样本的实际指标求和，如果误差大于设定的值，则进行反传修正权值，再进行正向传播，再比较，如果不小于设定的容许误差ε又重复同一过程，直至达到容许误差范围内，本发明在对网络进行训练时采用的是均方误差，均方误差是预测 误差平方和的平均数，它避免了正负误差不能相加的问题，是一种常用的误差分析综合指标。本发明选取的期望误差为0.01。

式中，p是训练次数，ok是第k次的训练输出，dk是第k次训练的期望输出值。

这样，一个基于bp神经网络的森林火灾预测模型就构建完成。

本发明bp神经网络的森林火灾预测模型采用蚁群优化算法对bp神经网的参数进行优化，优化的参数包括权值。神经网络训练过程可看作一个最优化问题，即找到一组最优的实数权值组合，使得在此权值下输出结果与期望结果之间的误差最小，蚁群算法成为寻找这一最优权值组合的较好选择，优化过程为：

假设bp神经网络中有m个即将优化的参数，把参数按顺序排列，记成p¹,p²,…,pm,针对其中任意的一个参数，初始化为spn个任意的非零值，构成集合。存在蚂蚁数量m，所有蚂蚁从首个集合随机挑选元素寻觅食物，找到食物后返回蚁穴整理搜集信息，重复该步骤当所有蚂蚁都收集到同一条路线，即表示找到了该网络的最优解；

bp神经网络中参数，将进行如下操作：

在应用蚁群算法前，先将所有待优化的参数均匀地划分成若干子区域，每个子区域边界的点就是一个备选权值，初始时刻,每一个点有相同的信息素量每个参数都有一张信息素表，如表一所示；

表一参数信息表

表一中，pi为第i个需要优化的参数；ai为划分刻度值,被看作是一个点；τi为ai所对应的信息素量；spn为候选点的个数,即定义域被划分了(spn-l)份数。

蚂蚁从每一个参数的子区域穿过且仅穿过一次,并记录相应点的标号。这些子区域的组合 构成了神经网络的一组权值根据输入输出样本得到误差值,再根据误差值的大小进行信息素的更新。

采用基于蚁群算法优化的bp神经网络训练神经网络的具体步骤如下：

s1、初始化，将参数区间均匀分割spn等分。为每一个参数建立一张如表5-1所示的信息素表,设置信息素初值为τ0,信息素挥发系数ρ，信息素增量强度q,aco的最大迭代次数naco，bp算法的学习率η,bp算法的最大迭代次数nbp，训练误差退出条件e0,最优解保留数目σ等参数；

s2、所有蚂蚁由集合kpi出发,遵循下边规则按顺序在所有集合中找到元素,最后蚁群找到食物源。路径是这样选择的:存在集合kpi所有蚂蚁a(l,2,……,m),由式(2)计算出任意地挑选第j个元素的概率；

式中，代表此次循环中一只蚂蚁在集合中的第j个元素的信息素，代表集合的信息素之和。

s3、所有蚂蚁在各个集合中挑选了其中一个元素，把所有蚂蚁选择出的权值作为神经网络参数，可以算出训练样本的输出误差，记录所选参数中的最优解。假设此过程所用时间是s，对于集合中每个元素的信息素应按下面公式进行调整。

(3)

式中，参数ρ(0≤ρ≤1)表示信息素的持久性，即剩余信息留下来的部分；代表此次循环中第a只蚂蚁在集合中的第j个元素余下的信息素,

式中，参数q是常量,用以代表蚂蚁完成一次循环之后所产生的信息素总和其主要改变信息素的调整速率；e为蚂蚁a挑选的元素当成神经网络的权值之时,所有训练样本的最大输出误差,描述公式是(5)

式中，h为样本数目,on，oq为神经网络的实际输出以及期望输出值。所以得出,误差如果不大,信息素便会增加越多；

s4、重复上面的过程s2与s3，当全部蚂蚁收敛到相同的路径时，迭代次数完成,得到最优。