第2期 武加文，等：基于GABP-KF的WSN数据漂移盲校准算法 ·255· 能制定科学决策。因此，对节点数据进行漂移校 的精度受累积误差的限制。 准至关重要。然而，在许多大规模无线传感器网 针对上述问题，本文提出了一种基于遗传算 络的应用中，数百到数千个节点被分散部署到气 法(genetic algorithm,GA)优化的BP神经网络(BP 候复杂的野外环境中，手动校准这些节点是非常 neural network optimized by GA,GABP)与卡尔曼 困难的。因此，需要自动跟踪和校准节点数据 滤波器相结合的无线传感器网络数据漂移盲校准 漂移的方法，现有的方法可以分为两类：盲校准 算法(GABP-KF)。该算法首先对节点读数进行二 和非盲校准。 次采集和降噪处理。然后使用基于遗传算法优化 非盲校准方法是基于传感器节点读数和已知 的神经网络对目标节点和其邻居节点间的时空相 的参考信息作为输入来调整参数)。一种简单的 关性进行数学建模，从而得到目标节点的预测 非盲校准方法是将已知的激励作用于传感器网络 值。最后将目标节点的预测值和测量值反馈入卡 中并测量其响应，将网络响应与参考信息（网络 尔曼滤波器中以跟踪并校准其数据漂移。仿真结 预期值)进行比较，然后相应地调整参数。参考 果表明，GABP-KF具有良好的漂移校准性能。 信息一般为出厂标准值或用户手动校准的结果。 例如，Ramanathan等采用额外的高精度节点读 1预备知识 数作为参考信息。另一种类型的方法是手动校准 1.1遗传算法 一组节点，然后未校准节点组基于该组来调整参 遗传算法是模拟自然界遗传机制的生物进化 数。非盲校准方法适用于特定空间（例如室 模型，是一种启发式随机搜索最优化方法。它将 内)小规模网络的场景下向，然而在大规模无线传 “物竞天择，适者生存”的进化原理和遗传变异理 感器网络中，使用上述方法需要在每个阶段进行 论引入编码串联群体中，即在每一次的进化过程 大量的工作，这是不切实际的且成本高昂。 中，按照所构造的适应度函数，通过选择操作、交 鉴于非盲校准方法存在的局限性，盲校准方 法得到了广泛的关注。许多盲校准方法是基于节 叉操作和变异操作来对个体进行筛选，把适应度 点被密集部署的假设，因此当网络中未产生数据 值好的个体传给下一代，反复循环，直到最终个 漂移时，节点间应具有相关的读数。然而，在许 体满足特定的条件表示进化结束。遗传算法具 多现有的大型网络中，由于环境因素和成本因 备良好的全局搜索能力，不受求导和函数连续性 素，可能无法实现节点的密集部署。Balzano等 的限定，能自动获取待优化的搜索空间，从而自 首先提出了一种无需密集部署的校准方法，假定 适应地控制搜索过程。 节点的测量位于测量空间的较低维信号子空间 1.2卡尔曼滤波器 中，然后通过信号子空间投影将校准过程转换为 卡尔曼滤波器是由R.E.Kalman提出的线性最 求解线性方程。来自清华大学的杨华中等9,1对 小方差递推估算的方法，是一种离散数据线性滤 这种方法进行了利用和扩充，取得了非常良好的 波问题的递归解决方案。它是利用当前时刻的 实用价值。 观测值和前一时刻的估计值来更新当前时刻的最 基于相邻节点间具有相关测量值的假设， 佳估计，其所需数据存储量较小，便于实时处理叼 Takruri等提出了一种分布式递归贝叶斯(dis- 2基于GABP-KF的WSN数据漂移 tributed recursive Bayesian,DRB)盲校准算法，其 使用邻居节点读数的平均值作为漂移节点的预测 校准方法 值。为了更好地拟合传感器节点间的时空相关 2.1定义测量环境 性，Takruri等又提出了一种基于支持向量回归 假设在某一区域内的传感器网络中，随机分 (support vector regression,SVR)来预测真实值的方 布多个节点。其中每个节点采集该区域内的环境 法。针对SVR可能存在的训练精度较低的情况， 参数（温度、湿度或其他类型参数）。随着时间的 Kumar等采用克里金插值作为预测方法，以避 推移，一些节点产生数据漂移，降低了数据质量， 免SVR的训练阶段。这些方法基于节点间的时 从而影响了传感器网络的可靠性。为了更好地模 空相关性以预测节点数据的漂移，并都使用了卡 拟实际场景，本文对传感器网络的测量环境做了 尔曼滤波器(Kalman filter,KF)以跟踪漂移。然 如下定义。 而，一旦预测值不精确，偏差较大的预测值也会 定义1传感器节点的数据漂移指的是节点 被用来进一步校准漂移值，从而导致最终校准值 测量值受其内部固有偏差或外界环境影响所产生能制定科学决策。因此，对节点数据进行漂移校 准至关重要。然而，在许多大规模无线传感器网 络的应用中，数百到数千个节点被分散部署到气 候复杂的野外环境中，手动校准这些节点是非常 困难的[2]。因此，需要自动跟踪和校准节点数据 漂移的方法，现有的方法可以分为两类：盲校准 和非盲校准。 非盲校准方法是基于传感器节点读数和已知 的参考信息作为输入来调整参数[3]。一种简单的 非盲校准方法是将已知的激励作用于传感器网络 中并测量其响应，将网络响应与参考信息 (网络 预期值) 进行比较，然后相应地调整参数。参考 信息一般为出厂标准值或用户手动校准的结果。 例如，Ramanathan 等 [4]采用额外的高精度节点读 数作为参考信息。另一种类型的方法是手动校准 一组节点，然后未校准节点组基于该组来调整参 数 [ 5 ]。非盲校准方法适用于特定空间 (例如室 内) 小规模网络的场景下[6] ，然而在大规模无线传 感器网络中，使用上述方法需要在每个阶段进行 大量的工作，这是不切实际的且成本高昂。 鉴于非盲校准方法存在的局限性，盲校准方 法得到了广泛的关注。许多盲校准方法是基于节 点被密集部署的假设，因此当网络中未产生数据 漂移时，节点间应具有相关的读数[7]。然而，在许 多现有的大型网络中，由于环境因素和成本因 素，可能无法实现节点的密集部署。Balzano 等 [8] 首先提出了一种无需密集部署的校准方法，假定 节点的测量位于测量空间的较低维信号子空间 中，然后通过信号子空间投影将校准过程转换为 求解线性方程。来自清华大学的杨华中等[9, 10]对 这种方法进行了利用和扩充，取得了非常良好的 实用价值。 基于相邻节点间具有相关测量值的假设， Takruri 等 [11]提出了一种分布式递归贝叶斯 (dis￾tributed recursive Bayesian，DRB) 盲校准算法，其 使用邻居节点读数的平均值作为漂移节点的预测 值。为了更好地拟合传感器节点间的时空相关 性，Takruri 等 [12]又提出了一种基于支持向量回归 (support vector regression，SVR) 来预测真实值的方 法。针对 SVR 可能存在的训练精度较低的情况， Kumar 等 [13]采用克里金插值作为预测方法，以避 免 SVR 的训练阶段。这些方法基于节点间的时 空相关性以预测节点数据的漂移，并都使用了卡 尔曼滤波器 (Kalman filter，KF) 以跟踪漂移。然 而，一旦预测值不精确，偏差较大的预测值也会 被用来进一步校准漂移值，从而导致最终校准值 的精度受累积误差的限制。 针对上述问题，本文提出了一种基于遗传算 法 (genetic algorithm，GA) 优化的 BP 神经网络 (BP neural network optimized by GA，GABP) 与卡尔曼 滤波器相结合的无线传感器网络数据漂移盲校准 算法 (GABP-KF)。该算法首先对节点读数进行二 次采集和降噪处理。然后使用基于遗传算法优化 的神经网络对目标节点和其邻居节点间的时空相 关性进行数学建模，从而得到目标节点的预测 值。最后将目标节点的预测值和测量值反馈入卡 尔曼滤波器中以跟踪并校准其数据漂移。仿真结 果表明，GABP-KF 具有良好的漂移校准性能。 1 预备知识 1.1 遗传算法 遗传算法是模拟自然界遗传机制的生物进化 模型，是一种启发式随机搜索最优化方法。它将 “物竞天择，适者生存”的进化原理和遗传变异理 论引入编码串联群体中，即在每一次的进化过程 中，按照所构造的适应度函数，通过选择操作、交 叉操作和变异操作来对个体进行筛选，把适应度 值好的个体传给下一代，反复循环，直到最终个 体满足特定的条件表示进化结束[14]。遗传算法具 备良好的全局搜索能力，不受求导和函数连续性 的限定，能自动获取待优化的搜索空间，从而自 适应地控制搜索过程[15]。 1.2 卡尔曼滤波器 卡尔曼滤波器是由 R.E.Kalman 提出的线性最 小方差递推估算的方法，是一种离散数据线性滤 波问题的递归解决方案[16]。它是利用当前时刻的 观测值和前一时刻的估计值来更新当前时刻的最 佳估计，其所需数据存储量较小，便于实时处理[17]。 2 基于 GABP-KF 的 WSN 数据漂移 校准方法 2.1 定义测量环境 假设在某一区域内的传感器网络中，随机分 布多个节点。其中每个节点采集该区域内的环境 参数 (温度、湿度或其他类型参数)。随着时间的 推移，一些节点产生数据漂移，降低了数据质量， 从而影响了传感器网络的可靠性。为了更好地模 拟实际场景，本文对传感器网络的测量环境做了 如下定义。 定义 1 传感器节点的数据漂移指的是节点 测量值受其内部固有偏差或外界环境影响所产生 第 2 期 武加文，等：基于 GABP-KF 的 WSN 数据漂移盲校准算法 ·255·