一种基于神经网络的无线传感器网络数据预测方法
【专利摘要】本发明提出了一种基于神经网络的无线传感器网络数据预测方法。该方法中，将神经网络引入到无线传感器网络当中，通过神经元描述每一个无线传感器数据，构建神经网络元模型。利用无线传感器的神经网络模型，实现无线传感器网络采集数据的融合与提取。添加运动项，有效的考虑多重因素，不仅调整某个时刻的梯度下降方向，同时也对该时刻之前的梯度方向进行调整，真正降低震荡范围，提高训练时速度。通过各种应用类型的差异，选择影响数据输出结果的主要因素，建立预测模型。本发明能够进行某个领域的自学习，以获取当中的影响因子，构建复杂的非线性关系，有效的降低人为干预对预测结果产生的影响，是结果更具客观性。
【专利说明】一种基于神经网络的无线传感器网络数据预测方法【技术领域】
[0001]本发明涉及无线通信【技术领域】，特别涉及无线传感器网络数据预测方法。
【背景技术】
[0002]信息化技术与通信技术的发展，人们对数据的获取与数据的传输速率要求日益提高，传统的通信技术已经难以满足人们的需求。无线传感器网络即是实现这一目标和要求的产物，通过无线传感器网络，用户能够实时的获取各种不同区域的监测数据，它是下一代通信网络技术的重要技术之一。无线传感器网络已经应用在很多领域，并取得了较好的成果。
[0003]无线传感器网络是随着无线技术与网络技术发展起来的拥有大数据量微节点、能够进行远程监控、实时数据获取的新型复杂网络。无线传感器网络作为计算、通信和传感器三项技术相结合的产物，是一种全新的信息获取和处理技术。随着传感器、微处理器和无线通信技术的发展，无线传感器网络得到了广泛的应用，在生态环境监测、基础设施安全、先进制造、物流管理、医疗健康、工业传感、智能交通控制、智能能源及军事等领域具有十分广阔的应用前景。无线传感器网络朝着自组织自适应网络的方向发展，同时，多学科交融的无线传感器技术应用也正得到越来越多人的关注，神经网络即是其中应用较多的一种。
[0004]由于神经计算在信息处理方面的独特性和应用价值，目前已成为智能信息处理研究和应用领域的热点之一。人工神经网络是由处理单元及其称为联接的无向信号通道互连而形成的并行分布式处 理器。人神经网络力图模仿生物神经系统，通过接受外部输入的刺激，不断获得并积累知识，进而具有一定的判断预测能力。人工神经网络拥有多种类型，在不同的应用领域可以针对领域特性，采用不同的网络模型，较为常见的是BP网络模型，它适用于各种常见的工程领域。同时，也适用于无线传感器网络。该模型是通过学习训练数据(包括输入和输出值)，不断地改变连接权值，构建模型的非线性联系，从而根据新的输入值预测输出值的大小。人工神经网络的研究与发展对现代科学技术产生了深远的影响。
【发明内容】
[0005]本发明是一种基于神经网络的无线传感器网络数据预测方法。本发明完全基于无线传感器网络数据的具体特点，利用神经网络解决数据预测问题，选择影响数据输出结果的主要因素，建立一种能够进行实现快速、准确的数据预测的模型。
[0006]本发明具体步骤包括:
[0007]步骤1:确定神经元。本步骤对收集到的数据类型、数据数量进行分类，按照神经网络的要求，确定所获取的数据的神经元类型，包括输入的神经元种类与输出的神经元种类。
[0008]步骤2:训练样本集。为了使神经网络模型能够合理准确的进行预测，要实现对神经网络进行训练，训练样本集的选择应该符合“通用性、一般性”原则，注重客观性。
[0009]步骤3:添加动量项。神经网络中含有动量项的权值调整量为:AW(t)=n 6X+a AW(t-l)，其中，a为动量项系数。W为某个网络层次的层权矩阵，X为该层次的输入向量，n为学习率。当每次网络的权值与阈值发生改变时，需要加入上一次的改变量。
[0010]步骤4:计算自适应学习率。
[0011]自适应学习率公式如下:
[0012]n (k+i) = ^ x n (k)E < o (1)
[0013]n (k+i) = y x n 其他 ⑵
[0014]其中，E = E(K)-E(K-1), ^和y分别为大于和小于I的常数。n (k)为第k次学习率，E(K)为第k次神经网络误差的平方和。在网络训练的迭代过程中，学习率能够根据该公式进行自适应调整，通过不同的学习率连接不同的权系数，快速合理的方式向极小点逼近。
[0015]步骤5:权值修正改进。融合以下动量梯度算法进行网络层次权值的修正，公式如下:
[0016]
【权利要求】
1.一种基于神经网络的无线传感器网络数据预测方法，其特征在于，所述方法包括步骤: SI，从不同无线传感器网络获取数据。通过该网络，能够实时的获取远程的传感器网络数据，将数据收集到数据中心，集中进行处理。 S2，数据预处理。将无线传感器网络获取的数据，按照应用领域的差异进行预处理，以获得能够满足不同应用的数据预测目的。 S3，确定神经元。本步骤对收集到的数据类型、数据数量进行分类，按照神经网络的要求，确定所获取的数据的神经元类型，包括输入的神经元种类与输出的神经元种类。 S4，训练样本集。为了使神经网络模型能够合理准确的进行预测，要实现对神经网络进行训练，训练样本集的选择应该符合“通用性、一般性”原则，注重客观性。 S5，数据预测。基于以上生成的神经网络模型，利用获取的无线传感器数据，通过确定不同应用领域的神经元、数据类型等，采用基于改进的神经网络的无线传感器网络数据预测模型能够进行各种不同领域、不同应用的数据预测。
2.根据权利要求1所述的方法，其特征在于，步骤S2中，该过程采用数据标准化、数据清理、数据规约化等技术。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，神经元模型按照预测数据种类进行分类。
4.根据权利要求1所述的方法，其特征在于，步骤S4中，神经网络中含有动量项的权值调整量为:AW(t) = n 6X+a AW(t-l)，其中，a为动量项系数。W为某个网络层次的层权矩阵，X为该层次的输入向量，n为学习率。
【文档编号】H04W84/18GK103781108SQ201210411715
【公开日】2014年5月7日 申请日期:2012年10月23日 优先权日:2012年10月23日
【发明者】伍爵博 申请人:伍爵博