第2期 武加文，等：基于GABP-KF的WSN数据漂移盲校准算法 ·259· 表24种算法的模型拟合程度对比结果 Table 2 Comparison of the fitting degree among four algorithms DRB BP SVR GABP 数据集 MSE R MSE R MSE R MSE R2 0.2493 98.57% 0.1612 98.13% 0.4098 96.31% 0.0387 99.53% I 0.7192 92.05% 0.6404 92.88% 1.0444 86.67% 0.1051 98.73% Ⅲ 0.0987 98.66% 0.2971 95.30% 0.2899 95.36% 0.3215 98.62% IV 0.2518 97.89% 0.2117 96.67% 0.2714 96.11% 0.3342 98.17% V 0.0406 99.11% 0.1000 99.24% 0.0377 99.38% 0.0060 99.94% 平均值 0.2719 97.26% 0.2821 96.44% 0.4106 94.77% 0.1611 99.00% 从表2可以看出，基于本文所采用的数据集， 随机位置处引人不同的指数漂移值与测量噪声。 GABP算法的均方误差比DRB算法、BP、SVR算 其中，当观测噪声协方差R值或状态噪声协方差 法平均减少了0.1108、0.1210、0.2495：GABP算 Q值设置过高时，预测值会产生较大误差。因 法的决定系数比DRB、BP、SVR算法平均提高了 此，采用试凑法对参数值进行调整，在数据集 1.74%、2.56%、4.23%。其中，4种算法在数据集 I下，基于网格搜索的原理将卡尔曼滤波器的参 V下的拟合程度均好于其余数据集，这是由于数 数Q和R分别设置为0.1和0.01。 据集V为人工建立，不受外界误差影响，其余 Real value --.BP 4个数据集选自真实数据集，均受到数据缺失，数 -GABP DRB -.-..SVR 据突变等误差的影响。DRB、BP、SVR算法受这 些误差的影响较大，而GABP神经网络通过 GA优化有效地避免了局部误差，因此，GABP神 2 经网络的模型拟合程度要优于其他算法。 220 图6表示4种算法在数据集I下针对1号节 点所建立的预测模型，其中real value描述的曲线 0 200 400 600 80010001200 样本数 表示真实值，其余4条曲线分别表示GABP、SVR、 BP和DRB算法所获得的预测结果。从图6中可 图64种算法的模型对比结果 Fig.6 Comparison among the training models of four al- 以直观地看出，GABP神经网络的拟合程度更好， gorithms 这与表2的结果是一致的。综上所述，GABP算 为比较GABP-KF算法与其他同类算法的漂 法具有更好的模型拟合程度，所输出的预测值与 移校准性能，基于表1中的5个数据集分别随机 真实值的误差更小。 选择其中一个节点的数据针对4种算法进行了 3.4基于GABP-KF的漂移校准对比实验 3次对比实验，并选取平均值作为最终数据，表3 在漂移校准过程中，于不同节点测试数据的 给出了实验结果。 表34种算法的漂移校准性能对比结果 Table 3 Comparison of the drift calibration performance among four algorithms DRB-KF BP-KF SVR-KF GABP-KF 数据集 MSE R MSE R MSE R2 MSE R2 I 0.2305 98.10% 0.1711 97.93% 0.4030 96.39% 0.0171 99.35% Ⅱ 0.8982 93.44% 0.4014 93.76% 1.0512 91.77% 0.0217 98.59% 0.0998 98.71% 0.2467 96.10% 0.1887 97.24% 0.1075 98.11% IV 0.3761 97.81% 0.3106 98.72% 0.3792 97.53% 0.0584 98.28% 0.0806 99.12% 0.0890 99.17% 0.0377 99.38% 0.0044 99.98% 平均值 0.3370 97.44% 0.2438 97.14% 0.4120 96.46% 0.0418 98.86%表 2 4 种算法的模型拟合程度对比结果 Table 2 Comparison of the fitting degree among four algorithms 数据集 DRB BP SVR GABP MSE R 2 MSE R 2 MSE R 2 MSE R 2 Ⅰ 0.249 3 98.57% 0.161 2 98.13% 0.409 8 96.31% 0.038 7 99.53% Ⅱ 0.719 2 92.05% 0.640 4 92.88% 1.044 4 86.67% 0.105 1 98.73% Ⅲ 0.098 7 98.66% 0.297 1 95.30% 0.289 9 95.36% 0.321 5 98.62% IV 0.251 8 97.89% 0.211 7 96.67% 0.271 4 96.11% 0.334 2 98.17% V 0.040 6 99.11% 0.100 0 99.24% 0.037 7 99.38% 0.006 0 99.94% 平均值 0.271 9 97.26% 0.282 1 96.44% 0.410 6 94.77% 0.161 1 99.00% 从表 2 可以看出，基于本文所采用的数据集， GABP 算法的均方误差比 DRB 算法、BP、SVR 算 法平均减少了 0.110 8、0.121 0、0.249 5；GABP 算 法的决定系数比 DRB、BP、SVR 算法平均提高了 1.74%、2.56%、4.23%。其中，4 种算法在数据集 V 下的拟合程度均好于其余数据集，这是由于数 据集 V 为人工建立，不受外界误差影响，其余 4 个数据集选自真实数据集，均受到数据缺失，数 据突变等误差的影响。DRB、BP、SVR 算法受这 些误差的影响较大， 而 GABP 神经网络通 过 GA 优化有效地避免了局部误差，因此，GABP 神 经网络的模型拟合程度要优于其他算法。 图 6 表示 4 种算法在数据集 I 下针对 1 号节 点所建立的预测模型，其中 real value 描述的曲线 表示真实值，其余 4 条曲线分别表示 GABP、SVR、 BP 和 DRB 算法所获得的预测结果。从图 6 中可 以直观地看出，GABP 神经网络的拟合程度更好， 这与表 2 的结果是一致的。综上所述，GABP 算 法具有更好的模型拟合程度，所输出的预测值与 真实值的误差更小。 3.4 基于 GABP-KF 的漂移校准对比实验 在漂移校准过程中，于不同节点测试数据的 随机位置处引入不同的指数漂移值与测量噪声。 其中，当观测噪声协方差 R 值或状态噪声协方差 Q 值设置过高时，预测值会产生较大误差。因 此，采用试凑法对参数值进行调整，在数据集 I 下，基于网格搜索的原理将卡尔曼滤波器的参 数 Q 和 R 分别设置为 0.1 和 0.01。 0 200 400 600 800 1 000 1 200 18 20 22 24 26 28 30 样本数 温度/℃ Real value GABP SVR BP DRB 图 6 4 种算法的模型对比结果 Fig. 6 Comparison among the training models of four al￾gorithms 为比较 GABP-KF 算法与其他同类算法的漂 移校准性能，基于表 1 中的 5 个数据集分别随机 选择其中一个节点的数据针对 4 种算法进行了 3 次对比实验，并选取平均值作为最终数据，表 3 给出了实验结果。 表 3 4 种算法的漂移校准性能对比结果 Table 3 Comparison of the drift calibration performance among four algorithms 数据集 DRB-KF BP-KF SVR-KF GABP-KF MSE R 2 MSE R 2 MSE R 2 MSE R 2 Ⅰ 0.230 5 98.10% 0.171 1 97.93% 0.403 0 96.39% 0.017 1 99.35% Ⅱ 0.898 2 93.44% 0.401 4 93.76% 1.051 2 91.77% 0.021 7 98.59% Ⅲ 0.099 8 98.71% 0.246 7 96.10% 0.188 7 97.24% 0.107 5 98.11% IV 0.376 1 97.81% 0.310 6 98.72% 0.379 2 97.53% 0.058 4 98.28% V 0.080 6 99.12% 0.089 0 99.17% 0.037 7 99.38% 0.004 4 99.98% 平均值 0.337 0 97.44% 0.243 8 97.14% 0.412 0 96.46% 0.041 8 98.86% 第 2 期 武加文，等：基于 GABP-KF 的 WSN 数据漂移盲校准算法 ·259·