基于模糊逻辑的异构无线传感器网络数据融合控制方法

1.本发明属于无线传感器网络数据融合领域，特别是基于模糊逻辑的异构无线传感器网络数据融合控制方法。


背景技术：

2.能量是wsn中的一个关键资源，实现对能量的高效利用是该领域的主要问题之一，模糊逻辑已成功地应用于wsn中解决该问题，并取得了良好的效果。文献研究表明，研究者们所关注的大部分工作是改进那些关键的wsn设计因素，目的是更加高效地使用能量，这是延长整个wsn生命周期的关键。传感器节点部署、聚类、簇头选举、数据融合、路由等问题都是影响wsn生命周期，进而影响事件检测和决策过程的关键因素。
3.mhemed等人提出了模糊逻辑聚类形成协议flcfp，在聚类形成的过程中使用模糊逻辑推理系统。将能量水平、到基站的距离和到ch的距离定义为模糊逻辑推理系统的输入，而将机会定义为输出。作者在其工作中证明了在簇形成中使用多个参数可以降低能量耗散。babukaruppiah等人提出了一种基于数据融合的数据传输协议fspsda，并在其中使用了模糊逻辑去寻找最短路径。以各节点的信任水平、功率水平和到簇头的距离等参数作为输入，形成模糊规则。ch将融合最佳节点和正常节点的数据包，拒绝最差节点的数据包。bhushan等人提出了一种基于模糊属性的联合集成调度与树生成协议faijt，用于异构网络中基于模糊逻辑的树生成和父节点选择。faijt主要解决异构网络不同类型节点父节点的选择问题，以在聚合节点处融合不同类型的数据包，提高能源效率。该协议倾向于选择动态邻居数最少的候选节点，模糊逻辑应用于动态邻居数相等的情况。但在这项工作中对模糊逻辑的应用仅限于将多种输入归一化后进行决策，因此对于数据聚合时机的判断并不准确，对能效的提高也有限。上述协议即将模糊逻辑分别用于聚类、路径生成以及数据融合的决策当中。这种应用虽然能在一定程度上提高网络性能，但其不足在于过多的模糊规则将导致计算过程变得复杂。
4.综上所述，应该考虑一些规则约简方法来减少规则的复杂度，从而更好地减少能耗，延长网络生命周期，已经成为本领域亟待解决的问题。


技术实现要素：

5.为了解决上述背景技术提到的技术问题，本发明提出了基于模糊逻辑的异构无线传感器网络数据融合控制方法。
6.为了实现上述技术目的，本发明的技术方案为：
7.基于模糊逻辑的异构无线传感器网络数据融合控制方法，包括以下步骤：
8.(1)源节点对初始感测数据集合通过比较感测数据间的相似性，找到冗余的感测数据并删除进行去重，并对去重后的感测数据赋予权重，得到去重后的感测数据集合；
9.(2)簇头节点收集本轮簇内所有感测数据集合，并根据感测数据集合以及源节点等信息，利用模糊决策理论计算数据相似度，依据数据相似度是否大于相似度阈值，来判断
本轮收集到的感测数据是否满足数据融合条件；
10.(3)对于收集到的感测数据满足融合条件时，分别计算不进行融合和融合后传输数据的能量损耗，若融合数据后再进行传输的能耗显著减少，则由簇头节点对给定感测数据集合通过加权平均的方式进行融合。
11.进一步地，步骤(1)的具体过程如下：
12.(101)在一个周期的时隙j时，源节点nodei所感知到一个新的感测数据记为a
ij
，一个周期之后，节点nodei形成一个初始感测数据集合向量di，首先定义一个匹配函数用于量化两个感测数据a
ij
与a
ik
之间的相似或相同程度，匹配函数定义如下：
[0013][0014]
其中，δ为阈值，可根据应用确定。当且仅当两个数据值的匹配函数值为1时，它们是冗余的；
[0015]
(102)然后对去重后的感测数据赋予权重，将初始感测数据集合di中相似(根据匹配函数)或相同数据出现的次数定义为感测数据a
ij
的权重，用wt(a
ij
)表示，通过比较感测数据之间的相似性，如果找到了冗余的感测数据，则删除新感测数据，并将现有数据的权重加1，对初始感测数据集合进行去重后得到感测数据集合d'i；
[0016]
步骤(2)中，数据相似度计算步骤如下：
[0017]
(201)令模糊决策指标集合中的三个输入参数分别为节点位置指标i1＝si，节点类型指标i2＝ci和感测数据集合指标si为源节点nodei的簇内相对位置，用于表示归一化后的节点位置信息，由以下公式定义：
[0018][0019]
其中，di为节点nodei到簇头的欧氏距离，d
min
和d
max
分别为该簇中与簇头相距最近和最远的节点距离，即d
min
＝min{d(i,ch)},i∈nodes，d
max
＝max{d(i,ch)},i∈nodes，d
min
和d
max
分别为归一化后的最小和最大簇内相对位置。
[0020]ci
为源节点nodei的相对类型，用于衡量当前节点的感测数据是否能和其余节点的感测数据有效融合。使用当前节点和其余节点众数的相似程度描述，具体定义如下：
[0021][0022]
其中，typei为节点nodei感测数据的类型，typem为所有源节点中感测数据类型的众数。
[0023]
ρ(d'i,d'j)为两个去重后的感测数据集合d'i和d'j的皮尔逊相关系数，具体定义如下：
[0024][0025]
其中，cov(d'i,d'j)＝e(d'id'j)-e(d'i)e(d'j)为两个感测数据集合与权重相关的协方差。
[0026]
对于节点位置指标i1、节点类型指标i2、感测数据集合指标i3这三个语言变量，定义对应的评语集{低，中，高}，使用三角隶属度函数分别得到输入集{i'1,i'2,i'3}参数对于评语集的隶属度输出，记为：j1＝(i
11
,i
12
,i
13
)，j2＝(i
21
,i
22
,i
23
)，j3＝(i
31
,i
32
,i
33
)，接着构造隶属度模糊矩阵j＝[j1,j2,j3]；
[0027]
(202)通过ahp层次分析法计算权重矩阵a，接着通过特征向量法计算权重向量x'a；
[0028]
(203)综合各因素，应用模糊综合评价得到全面的数据相似度评价向量。应用m(
·
,+)加权平均型模型：
[0029][0030]
(204)最后，通过重心法去模糊化得到对数据相似度的最终评价值f
sim
，计算公式如下：
[0031][0032]
其中，n为评价因素数，yi是指评语集中第i个评语的模糊值，μ(yi)为对应的隶属度，评语集vc＝{差，一般，优秀}的模糊值如下：{差：1；一般：3；优秀：6}。
[0033]
步骤(3)的具体过程如下：
[0034]
(301)簇头节点接收到的感测数据集合为packet＝d'1,d'2,
…
,d'k，可计算出不融合传输数据能耗e
all
和融合后传输数据能耗e
agg
，公式如下：
[0035][0036][0037]
其中，e
t
(m,d)为节点发送m bits数据到与之距离为d的另一个节点所消耗的能量，ea(m)为节点融合m bits数据所消耗的能量。
[0038]
(302)接着通过e
all
和e
agg
计算融合判断因子γ，定义如下：
[0039][0040]
其中，e
ch
为簇头节点剩余能量，当融合数据后减少的能耗达到簇头节点剩余能量一定比例后，即可尽快地进行数据融合以减少网络中传输的数据量，即当λ》ρ时，可以由簇头节点对数据进行融合再传输，其中令ρ＝0.1。
[0041]
(303)确定出可以进行数据聚合的所有感测数据集合，记为p＝{d'1,d'2,
…
d'k}，前几步已经对各个感测数据的权重进行了定义和计算，在进行数据融合时，通过权重得到所有感测数据的加权平均，即为最终的数据融合结果，具体定义如下：
[0042]
[0043]
当簇头节点对所有感测数据集合的数据融合完成后，得到最终发送给基站的数据包packe'＝{data1,data2,
…
,datai}，接着由ch将packet传输至基站。
[0044]
采用上述技术方案带来的有益效果：
[0045]
(1)本发明将模糊逻辑应用至数据融合决策过程，将节点位置、节点类型和感测数据集合作为输入，同时简化模糊规则，通过模糊逻辑计算数据相似度，再可控的数据处理能耗内完成是否进行数据融合的决策；
[0046]
(2)同时考虑了传感器节点能量和类型的异构性，在源节点级别对感测数据进行降重并赋予权重，在ch级别通过模糊逻辑考虑节点类型的异构性，对感测数据进行安全有效地融合处理，在保证数据正确的前提下尽早完成数据融合，以此有效减少网络中传输的数据量，节点的多样性也使得本发明更加适应复杂的实际应用情景。
附图说明
[0047]
图1是本发明的数据感测周期示意图；
[0048]
图2是本发明的源节点数据去重算法示意图；
[0049]
图3是本发明的数据相似度计算流程图；
[0050]
图4是本发明的三角隶属度函数示意图；
[0051]
图5是本发明的异构节点的数据融合过程示意图。
具体实施方式
[0052]
以下将结合附图，对本发明的技术方案进行详细说明。
[0053]
基于模糊逻辑的异构无线传感器网络数据融合控制方法，包括以下步骤：
[0054]
步骤1：源节点对初始感测数据集合通过比较感测数据间的相似性，找到冗余的感测数据并删除进行去重，并对去重后的感测数据赋予权重，得到去重后的感测数据集合；
[0055]
步骤2：簇头节点收集本轮簇内所有感测数据集合，并根据感测数据集合以及源节点等信息，利用模糊决策理论计算数据相似度，依据数据相似度是否大于相似度阈值，来判断本轮收集到的感测数据是否满足数据融合条件；
[0056]
步骤3：对于收集到的感测数据满足融合条件时，分别计算不进行融合和融合后传输数据的能量损耗，若融合数据后再进行传输的能耗显著减少，则由簇头节点对给定感测数据集合通过加权平均的方式进行融合。
[0057]
在本实施例中，可以采用如下优选方案实现上述步骤1：
[0058]
101、如图1所示，在一个周期的时隙j时，源节点nodei所感知到一个新的感测数据记为a
ij
，一个周期之后，节点nodei形成一个初始感测数据集合向量di，首先定义一个匹配函数用于量化两个感测数据a
ij
与a
ik
之间的相似或相同程度，匹配函数定义如下：
[0059][0060]
其中，δ为阈值，可根据应用确定。当且仅当两个数据值的匹配函数值为1时，它们是冗余的；
[0061]
102、然后对去重后的感测数据赋予权重，将初始感测数据集合di中相似(根据匹配函数)或相同数据出现的次数定义为感测数据a
ij
的权重，用wt(a
ij
)表示，通过比较感测
数据之间的相似性，如果找到了冗余的感测数据，则删除新感测数据，并将现有数据的权重加1，如图2所示，对初始感测数据集合进行去重后得到感测数据集合d'i；
[0062]
在本实施例中，可以采用如下优选方案实现上述步骤2，如图3所示：
[0063]
201、令模糊决策指标集合中的三个输入参数分别为节点位置指标i1＝si，节点类型指标i2＝ci和感测数据集合指标si为源节点nodei的簇内相对位置，用于表示归一化后的节点位置信息，由以下公式定义：
[0064][0065]
其中，di为节点nodei到簇头的欧氏距离，d
min
和d
max
分别为该簇中与簇头相距最近和最远的节点距离，即d
min
＝min{d(i,ch)},i∈nodes，d
max
＝max{d(i,ch)},i∈nodes，d
min
和d
max
分别为归一化后的最小和最大簇内相对位置。
[0066]ci
为源节点nodei的相对类型，用于衡量当前节点的感测数据是否能和其余节点的感测数据有效融合。使用当前节点和其余节点众数的相似程度描述，具体定义如下：
[0067][0068]
其中，typei为节点nodei感测数据的类型，typem为所有源节点中感测数据类型的众数。
[0069]
ρ(d'i,d'j)为两个去重后的感测数据集合d'i和d'j的皮尔逊相关系数，具体定义如下：
[0070][0071]
其中，cov(d'i,d'j)＝e(d'id'j)-e(d
′
i)e(d'j)为两个感测数据集合与权重相关的协方差。
[0072]
对于节点位置指标i1、节点类型指标i2、感测数据集合指标i3这三个语言变量，定义对应的评语集{低，中，高}，使用三角隶属度函数分别得到输入集{i
′1,i
′2,i
′3}参数对于评语集的隶属度输出，记为：j1＝(i
11
,i
12
,i
13
)，j2＝(i
21
,i
22
,i
23
)，j3＝(i
31
,i
32
,i
33
)，接着构造隶属度模糊矩阵j＝[j1,j2,j3]，三角隶属度函数如图4所示；
[0073]
202、通过ahp层次分析法计算权重矩阵a，接着通过特征向量法计算权重向量x
′a；
[0074]
203、综合各因素，应用模糊综合评价得到全面的数据相似度评价向量。应用m(
·
,+)加权平均型模型：
[0075][0076]
204、最后，通过重心法去模糊化得到对数据相似度的最终评价值f
sim
，计算公式如下：
[0077]
[0078]
其中，n为评价因素数，yi是指评语集中第i个评语的模糊值，μ(yi)为对应的隶属度，评语集vc＝{差，一般，优秀}的模糊值如下：{差：1；一般：3；优秀：6}。
[0079]
在本实施例中，可以采用如下优选方案实现上述步骤3：
[0080]
301、簇头节点接收到的感测数据集合为packet＝d
′1,d
′2,
…
,d'k，可计算出不融合传输数据能耗e
all
和融合后传输数据能耗e
agg
，公式如下：
[0081][0082][0083]
其中，e
t
(m,d)为节点发送m bits数据到与之距离为d的另一个节点所消耗的能量，ea(m)为节点融合m bits数据所消耗的能量。
[0084]
302、接着通过e
all
和e
agg
计算融合判断因子γ，定义如下：
[0085][0086]
其中，e
ch
为簇头节点剩余能量，当融合数据后减少的能耗达到簇头节点剩余能量一定比例后，即可尽快地进行数据融合以减少网络中传输的数据量，即当λ》ρ时，可以由簇头节点对数据进行融合再传输，其中令ρ＝0.1。
[0087]
303、确定出可以进行数据聚合的所有感测数据集合，记为p＝{d'1,d'2,
…
d'k}，前几步已经对各个感测数据的权重进行了定义和计算，在进行数据融合时，通过权重得到所有感测数据的加权平均，即为最终的数据融合结果，具体定义如下：
[0088][0089]
当簇头节点对所有感测数据集合的数据融合完成后，得到最终发送给基站的数据包packe'＝{data1,data2,
…
,datai}，接着由ch将packet传输至基站，如图5所示。

技术特征：
1.基于模糊逻辑的异构无线传感器网络数据融合控制方法，其特征在于，包括以下步骤：(1)源节点对初始感测数据集合通过比较感测数据间的相似性，找到冗余的感测数据并删除进行去重，并对去重后的感测数据赋予权重，得到去重后的感测数据集合；(2)簇头节点收集本轮簇内所有感测数据集合，并根据感测数据集合以及源节点等信息，利用模糊决策理论计算数据相似度，依据数据相似度是否大于相似度阈值，来判断本轮收集到的感测数据是否满足数据融合条件；(3)对于收集到的感测数据满足融合条件时，分别计算不进行融合和融合后传输数据的能量损耗，若融合数据后再进行传输的能耗显著减少，则由簇头节点对给定感测数据集合通过加权平均的方式进行融合。2.根据权利要求1所述基于模糊逻辑的异构无线传感器网络数据融合控制方法，其特征在于，步骤(1)的具体过程如下：(101)在一个周期的时隙j时，源节点node
i
所感知到一个新的感测数据记为a
ij
，一个周期之后，节点node
i
形成一个初始感测数据集合向量d
i
，首先定义一个匹配函数用于量化两个感测数据a
ij
与a
ik
之间的相似或相同程度，匹配函数定义如下：其中，δ为阈值，可根据应用确定。当且仅当两个数据值的匹配函数值为1时，它们是冗余的；(102)然后对去重后的感测数据赋予权重，将初始感测数据集合d
i
中相似(根据匹配函数)或相同数据出现的次数定义为感测数据a
ij
的权重，用wt(a
ij
)表示，通过比较感测数据之间的相似性，如果找到了冗余的感测数据，则删除新感测数据，并将现有数据的权重加1，对初始感测数据集合进行去重后得到感测数据集合d
′
i。
3.根据权利要求1所述基于模糊逻辑的异构无线传感器网络数据融合控制方法，其特征在于，数据相似度计算步骤如下：(201)令模糊决策指标集合中的三个输入参数分别为节点位置指标i1＝s
i
，节点类型指标i2＝c
i
和感测数据集合指标s
i
为源节点node
i
的簇内相对位置，用于表示归一化后的节点位置信息，由以下公式定义：其中，d
i
为节点node
i
到簇头的欧氏距离，d
min
和d
mmax
分别为该簇中与簇头相距最近和最远的节点距离，即d
min
＝min{d(i，ch)}，i∈nodes，d
mmax
＝max{d(i，ch)}，i∈nodes，d
min
和d
max
分别为归一化后的最小和最大簇内相对位置。c
i
为源节点node
i
的相对类型，用于衡量当前节点的感测数据是否能和其余节点的感测数据有效融合。使用当前节点和其余节点众数的相似程度描述，具体定义如下：其中，type
i
为节点node
i
感测数据的类型，type
m
为所有源节点中感测数据类型的众数。ρ(d
′
i
，d
′
j
)为两个去重后的感测数据集合d
′
i
和d
′
j
的皮尔逊相关系数，具体定义如下：
其中，cov(d
′
i
，d
′
j
)＝e(d
′
i
d
′
j
)-e(d
′
i
)e(d
′
j
)为两个感测数据集合与权重相关的协方差。对于节点位置指标i1、节点类型指标i2、感测数据集合指标i3这三个语言变量，定义对应的评语集{低，中，高}，使用三角隶属度函数分别得到输入集{i
′1，i
′2，i
′3}参数对于评语集的隶属度输出，记为：j1＝(i
11
，i
12
，i
13
)，j2＝(i
21
，i
22
，i
23
)，j3＝(i
31
，i
32
，i
33
)，接着构造隶属度模糊矩阵j＝[j1，j2，j3]；(202)通过ahp层次分析法计算权重矩阵a，接着通过特征向量法计算权重向量x
′
a
；(203)综合各因素，应用模糊综合评价得到全面的数据相似度评价向量。应用m(
·
，+)加权平均型模型：(204)最后，通过重心法去模糊化得到对数据相似度的最终评价值f
sim
，计算公式如下：其中，n为评价因素数，y
i
是指评语集中第i个评语的模糊值，μ(y
i
)为对应的隶属度，评语集v
c
＝{差，一般，优秀}的模糊值如下：{差：1；一般：3；优秀：6}。4.根据权利要求1所述基于模糊逻辑的异构无线传感器网络数据融合控制方法，其特征在于，步骤(3)的具体过程如下：(301)簇头节点接收到的感测数据集合为packet＝d
′1，d
′2，
…
，d
′
k
，可计算出不融合传输数据能耗e
all
和融合后传输数据能耗e
agg
，公式如下：，公式如下：其中，e
t
(m，d)为节点发送m bits数据到与之距离为d的另一个节点所消耗的能量，e
a
(m)为节点融合m bits数据所消耗的能量。(302)接着通过e
all
和e
agg
计算融合判断因子γ，定义如下：其中，e
ch
为簇头节点剩余能量，当融合数据后减少的能耗达到簇头节点剩余能量一定比例后，即可尽快地进行数据融合以减少网络中传输的数据量，即当λ＞ρ时，可以由簇头节点对数据进行融合再传输，其中令ρ＝0.1。(303)确定出可以进行数据聚合的所有感测数据集合，记为p＝{d
′1，d
′2，
…
d
′
k
}，前几步已经对各个感测数据的权重进行了定义和计算，在进行数据融合时，通过权重得到所有感测数据的加权平均，即为最终的数据融合结果，具体定义如下：
当簇头节点对所有感测数据集合的数据融合完成后，得到最终发送给基站的数据包packe
′
＝{data1，data2，
…
，data
i
}，接着由ch将packet传输至基站。

技术总结
本发明公开了基于模糊逻辑的异构无线传感器网络数据融合控制方法，步骤为：首先在源节点级别对初始感测数据集合降重去除冗余，并赋予权重；接着在簇头节点级别考虑节点类型、节点位置以及感测数据集合的皮尔逊相关系数，通过模糊决策计算数据相似度，簇头节点根据能量变化对是否进行数据融合做出决策；最后通过加权平均对感测数据集合完成融合。本发明将模糊逻辑应用至数据融合决策过程，可以高效地进行数据融合，在减少数据传输能量消耗的同时，通过简化模糊逻辑中的规则表和计算过程，也并没有大幅提升数据处理的能量消耗。没有大幅提升数据处理的能量消耗。没有大幅提升数据处理的能量消耗。


技术研发人员：许峰 倪茜 陈书航 宿凯铭 沈赛杰
受保护的技术使用者：南京航空航天大学
技术研发日：2023.04.07
技术公布日：2023/7/21