基于模糊逻辑的无线传感器网络多传感器数据融合方法与流程

本发明属于信息传输与处理技术领域。

背景技术：

无线传感器网络(WSNs)由大量的传感器节点构成，通过传感器节点协同工作来采集、处理和传输监控区域内的信息，然后发送到基站。随着科技的进步，无线传感器网络已经逐步应用于军事国防、环境监测、智能交通等领域。然而，传感器节点有限的电源供应、计算存储能力和通信带宽，制约了无线传感器网络的发展。

与传统无线网络不同，无线传感器网络中必须考虑能耗问题。由于传感器节点高密度部署的特性，相邻节点之间会产生大量冗余的数据，而传输这些数据将消耗大量的能量。有关数据表明，计算能耗远小于传输能耗。因而，可以使用数据融合来解决数据冗余带来的能量损耗问题。

另一个需要考虑的问题，就是数据的可靠性问题。通常，在数据融合算法中，数据都是默认可靠的。然而，受到各种外界因素的影响，如环境突变、恶意攻击等，传感器节点就可能会产生不可靠的数据。

Izadi等人设计了一种基于模糊的数据融合方法，其基本思想是，传感器节点采集数据并通过模糊逻辑控制器计算置信因子，再根据置信因子区分可信数据并传输到簇头，簇头利用模糊逻辑进行多传感器数据融合，减少了数据冗余和能量损耗，延长了网络生命周期。然而，该方法根据本地的模糊逻辑控制器计算置信因子，具有局限性。如果传感器节点受损或者遭受恶意攻击，置信机制就会失效。

技术实现要素：

发明目的：根据现有技术的不足，本发明提出了一种基于模糊逻辑的无线传感器网络多传感器数据融合方法，用于解决针对无线传感器网络中传感器节点的能耗和数据可靠性问题。

技术方案：

基于模糊逻辑的无线传感器网络多传感器数据融合方法，包括数据融合流程框架由节点模块、簇头模块和基站模块构成；所述节点模块将传感器数据和传感器节点权重传输给簇头模块；在簇头模块中，簇头接收来自簇内相同种类的传感器数据和节点权重作为待处理数据，对待处理数据顺序执行以下步骤：先使用基于DENCLUE算法的离群点检测方法去除异常数据，再通过加权数据聚合方法减少数据冗余，最后将各种传感器的数据聚合结果输入模糊逻辑系统进行多传感器数据融合并将数据融合好的结果传输给基站模块。基站模块会根据最终的融合结果，做出响应。

基于权重的无线传感器网络数据模型即WDFM，通过执行权重机制有效提高数据融合的准确性：具体的，在节点模块中，无线传感器网络根据分簇算法分成很多个簇。构成簇的传感器节点称之为簇内节点，并且每个簇具有一个簇头用于数据传输。在开始阶段，簇内每个传感器节点会初始化一个权重。在簇头模块中，簇头根据簇内每个传感器节点的权重，划分可信节点和异常节点，并选择可信节点的数据进行数据融合，最后将融合结果分别发往基站模块和簇内节点；基站模块综合所有融合结果并做出决策，而簇内节点则将存储数据与融合结果进行比较，然后根据比较结果更新权重。

本发明的重点在于簇头模块中，在簇头模块中使用的DENCLUE算法是一种基于密度分布函数的聚类算法，其核心思想是使用核密度估计对数据空间中每个点进行密度建模，将密度估计函数的局部最大点作为密度吸引点，并建立以密度吸引点为中心的簇。DENCLUE算法还是抗噪声的，由于核密度估计把噪声均匀分布到输入数据中，从而有效降地低了噪声的影响。虽然在WDFM中采用权重机制能提高数据融合的准确性，但是每次权重更新都是在数据融合之后，所以仍然可能存在部分遗漏的异常数据，而本发明采用DENCLUE算法来检测异常数据，从而进一步加强簇头模块的输入数据的可靠性。

通过离群点检测，输入数据有了较高可信度之后，簇头将来自簇内相同种类的传感器数据进行加权聚合，如下式所示：

$FD=\frac{(W_1\×D_1)+(W_2\×D_2)+(W_3\×D_3)+...+(W_n\×D_n)}{W_1+W_2+W_3+...+W_n}$

其中：

D_n是簇内相同种类的传感器收集的数据，W_n是传感器节点权重，上述下标n表示传感器的种类；FD是加权数据聚合的结果。由于模糊逻辑系统的输入需要各种具有代表性的数据，传感器节点权重W_n能反映各个传感器节点数据的可信度，因而加权聚合的结果相较于随机选值或者取平均值要好的多。

模糊逻辑系统由模糊化、模糊规则库、模糊推理和去模糊化构成。模糊化就是将明确的值转化为模糊的语言变量即模糊集的过程，而隶属度函数作为两者关联的桥梁，通常依赖相关领域的专家知识，隶属度函数在[0,1]区间内取值，并且可能会有重叠。确定模糊集之后，就可以制定模糊规则了。模糊规则通常由专家提供或者系统通过输入输出学习得到。模糊逻辑系统根据模糊规则进行推理，输出模糊结论。最后，通过离散型的重心法公式去模糊化，将模糊结论转化为明确的输出。重心法公式如下所示：

$z=\frac{\Σf\left(u\right)\×u}{\Σf\left(u\right)}$

其中：

u是模糊集中的一个元素，f(u)是u对应的隶属度，z为求得的重心。

最后，基站模块不断地收集和处理来自各个簇头的输出结果。如果在一段时间内，基站模块持续收到“可疑结果”，则进行事件推理。一旦发现事件，就立即向系统发出警报并报告事件。

有益效果：

该方法在基于权重的数据融合模型的基础上，引入基于DENCLUE的离群点检测，消除了由于权重滞后更新而遗漏的异常数据，提高了数据准确性，并利用模糊逻辑系统，簇头可进行多传感器数据融合，进一步减少数据传输，从而减少能量损耗。不仅提高了数据融合的可靠性，而且减少了数据冗余和能量损耗，延长了网络生命周期。

附图说明

图1为数据融合流程框架；

图2为基于权重的无线传感器网络数据模型的工作流程框架；

图3为本发明的基于模糊逻辑的多传感器数据融合方法流程图；

图4为模糊逻辑系统的原理图；

图5为温度的隶属度函数图；

图6为湿度的隶属度函数图；

图7为压力的隶属度函数图；

图8为运转时间的隶属度函数图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

假设某自动控制系统需要根据温度、湿度和压力决定系统的运转时间。整个系统部署了大量的传感器节点，并构成无线传感器网路。无线传感器网络被划分成很多个簇，其中一个簇内有三个温度传感器、四个湿度传感器和五个压力传感器。经过一段时间探测，温度传感器收集的温度值分别为60、65和68，其权重分别为0.5、0.8和0.6。湿度传感器收集的湿度值分别为18、18.3、19和18.8，其权重分别为0.8、0.9、0.8和0.8。压力传感器收集的压力值分别为0.3、0.35、0.31、0.32和0.33，其权重分别为0.8、0.9、0.85、0.95和0.8。根据公式进行加权聚合可得，温度传感器、湿度传感器和压力传感器的加权聚合结果分别为64.6、18.5和0.32。

接着用模糊语言变量即模糊集来表示温度、湿度和压力，将温度、湿度和压力分别作为模糊逻辑系统的输入变量，并且设每个输入变量由三个语言变量构成，分别为：“低”、“中”、“高”，运转时间作为模糊逻辑系统的输出变量。如图5-8分别展示了温度、湿度、压力和运转时间的隶属度函数图，其中模糊语言变量“低”和“高”对应的隶属度函数都是梯形函数，“中”对应三角函数。

在此基础上产生了27条模糊规则,如表1所示。

表1

根据图5-7，将输入变量模糊化，其隶属度如表2所示：

表2

由于温度为“低”、湿度为“高”和压力为“高”的隶属度均为0，因此表1的条件中包含这些语言变量的模糊规则均不可用，只剩下如下八条模糊规则：

规则10.若温度为“中”且湿度为“低”且压力为“低”，则运转时间为“很短”。

规则11.若温度为“中”且湿度为“低”且压力为“中”，则运转时间为“短”。

规则13.若温度为“中”且湿度为“中”且压力为“低”，则运转时间为“短”。

规则14.若温度为“中”且湿度为“中”且压力为“中”，则运转时间为“中”。

规则19.若温度为“高”且湿度为“低”且压力为“低”，则运转时间为“短”。

规则20.若温度为“高”且湿度为“低”且压力为“中”，则运转时间为“中”。

规则22.若温度为“高”且湿度为“中”且压力为“低”，则运转时间为“中”。

规则23.若温度为“高”且湿度为“中”且压力为“中”，则运转时间为“长”。

我们采用最大-最小合成法来进行模糊推理：

由于模糊规则中的连接条件均为“且”，因此可选用最小值法来定义上述八条模糊规则的强度：

规则10.温度为“中”的隶属度为0.52，湿度为“低”的隶属度为0.1，压力为“低”的隶属度为0.4，规则强度为min(0.52,0.1,0.4)＝0.1。

规则11.温度为“中”的隶属度为0.52，湿度为“低”的隶属度为0.1，压力为“中”的隶属度为0.1，规则强度为min(0.52,0.1,0.1)＝0.1。

规则13.温度为“中”的隶属度为0.52，湿度为“中”的隶属度为0.56，压力为“低”的隶属度为0.4，规则强度为min(0.52,0.56,0.4)＝0.4。

规则14.温度为“中”的隶属度为0.52，湿度为“中”的隶属度为0.56，压力为“中”的隶属度为0.1，规则强度为min(0.52,0.56,0.1)＝0.1。

规则19.温度为“高”的隶属度为0.23，湿度为“低”的隶属度为0.1，压力为“低”的隶属度为0.4，规则强度为min(0.23,0.1,0.4)＝0.1。

规则20.温度为“高”的隶属度为0.23，湿度为“低”的隶属度为0.1，压力为“中”的隶属度为0.1，规则强度为min(0.23,0.1,0.1)＝0.1。

规则22.温度为“高”的隶属度为0.23，湿度为“中”的隶属度为0.56，压力为“低”的隶属度为0.4，规则强度为min(0.23,0.56,0.4)＝0.23。

规则23.温度为“高”的隶属度为0.23，湿度为“中”的隶属度为0.56，压力为“中”的隶属度为0.1，规则强度为min(0.23,0.56,0.1)＝0.1。

根据表1可得，在八条模糊规则中，规则10的模糊结论是运转时间“很短”，规则11、13、19的模糊结论是运转时间“短”，规则14、20、22的模糊结论是运转时间“中”，规则23的模糊结论是运转时间“长”。取各个模糊结论中模糊规则中强度最大的模糊规则的隶属度作为模糊结论的隶属度，可得：运转时间为“很短”的隶属度是0.1，运转时间为“短”的隶属度是0.4，运转时间为“中”的隶属度是0.23，运转时间为“长”的隶属度为0.1。根据重心法去模糊化后，最终输出结果如下：

$z=\frac{0.1\×75+0.4\×250+0.23\×500+0.1\×750}{0.1+0.4+0.23+0.1}=358$

其中，“很短”、“短”、“中”和“长”对应的取值，是根据图8所示的运转时间的隶属度函数取平均值得到的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。