0 引 言

近年來(lái)，無(wú)線傳感網(wǎng)已經(jīng)被廣泛應(yīng)用于生態(tài)環(huán)境監(jiān)測(cè) [1]。 由于硬件故障、數(shù)據(jù)包沖突、信號(hào)衰減、能量不足、時(shí)間不同 步、惡意攻擊等原因，海洋無(wú)線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)很容易發(fā) 生大規(guī)模丟失。這就需要恢復(fù)丟失數(shù)據(jù)來(lái)獲得完整的環(huán)境數(shù) 據(jù)。在數(shù)據(jù)采集過(guò)程中，對(duì)丟失數(shù)據(jù)的恢復(fù)是一項(xiàng)基本操作。 現(xiàn)如今，無(wú)線傳感網(wǎng)丟失數(shù)據(jù)問(wèn)題得到了越來(lái)越多的關(guān)注，并 且已提出了幾種解決方法，例如忽視丟失數(shù)據(jù)，使用備用傳感 器節(jié)點(diǎn)來(lái)重新發(fā)送數(shù)據(jù)和預(yù)測(cè)丟失數(shù)據(jù) [2]。由于觀測(cè)得到的傳 感器數(shù)據(jù)時(shí)間序列有著強(qiáng)相關(guān)性，故可以利用傳感器節(jié)點(diǎn)歷史 輪數(shù)據(jù)來(lái)恢復(fù)丟失數(shù)據(jù)。

本文針對(duì)無(wú)線傳感網(wǎng)數(shù)據(jù)丟失的特性，提出了基于 RBF 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)恢復(fù)算法。最后利用實(shí)測(cè)環(huán)境溫度數(shù)據(jù)集對(duì) 該算法在 Matlab2014a 平臺(tái)上進(jìn)行了仿真驗(yàn)證。

1 RBF 神經(jīng)網(wǎng)絡(luò)

RBF 神經(jīng)網(wǎng)絡(luò)能夠逼近任意非線性函數(shù)，可以處理系統(tǒng) 內(nèi)難以解析的規(guī)律，具有良好的泛化能力，且有很快的學(xué)習(xí) 收斂速度，并已成功應(yīng)用于非線性函數(shù)逼近、時(shí)間序列分析、 數(shù)據(jù)分類、模式識(shí)別、信息處理、圖像處理、系統(tǒng)建模、控 制和故障診斷等方面[3]。RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱D如圖1所示。

1.1 徑向基函數(shù)

常用的徑向基函數(shù)為以下高斯函數(shù) ：

σ 為基函數(shù)的標(biāo)準(zhǔn)差。σ 越小，徑向基函數(shù)的寬度越小， 基函數(shù)就越有選擇性。隱藏層基函數(shù)的作用是把向量從低維 m 映射到高維 P，低維線性不可分的情況到高維就線性可分 [4]。

1.2 RBF 神經(jīng)網(wǎng)絡(luò)的輸出

（1）網(wǎng)絡(luò)隱層使用 K 個(gè)隱節(jié)點(diǎn)。

（2）把所有 K 個(gè)樣本輸入分別作為 K 個(gè)隱節(jié)點(diǎn)的中心。

（3）各基函數(shù)取相同的擴(kuò)展常數(shù)。

（4）確定權(quán)值可解線性方程組。

RBF 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程分 2 個(gè)階段 ：

（1）第 1 階段的學(xué)習(xí)得到輸入層與隱層之間徑向基函數(shù) 的中心和標(biāo)準(zhǔn)差 ；

（2）第 2 階段學(xué)習(xí)隱含層與輸出層之間的線性權(quán)值。

RBF 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)恢復(fù)流程如圖 2 所示。

2 仿真實(shí)驗(yàn)

我們選取了海洋監(jiān)測(cè)項(xiàng)目某一節(jié)點(diǎn) 330 個(gè)海洋溫度數(shù)據(jù)， 其中 280 個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，50 個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)集。設(shè)置 RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)如表 1 所列。

由以上實(shí)驗(yàn)結(jié)果分析可知，本文提出的算法對(duì)無(wú)線傳感 網(wǎng)溫度丟失數(shù)據(jù)的估計(jì)結(jié)果是準(zhǔn)確合理的。

3 結(jié) 語(yǔ)

無(wú)線傳感網(wǎng)數(shù)據(jù)是一個(gè)非常復(fù)雜的動(dòng)態(tài)參數(shù)，它受許多 因素的影響，這些因素本身是隨機(jī)變量，各因素之間相互制約、 互為因果。因此傳感器節(jié)點(diǎn)丟失數(shù)據(jù)實(shí)際上是一個(gè)多變量、時(shí) 變、灰色、高度非線性及復(fù)雜的動(dòng)力學(xué)系統(tǒng)。本文提出的基于 神經(jīng)網(wǎng)絡(luò)的 WSN 丟失數(shù)據(jù)恢復(fù)算法可以較好地恢復(fù)傳感網(wǎng)丟 失的數(shù)據(jù)。然而該算法沒(méi)有考慮傳感器節(jié)點(diǎn)的移動(dòng)，未來(lái)我們 將在傳感器節(jié)點(diǎn)移動(dòng)的情況下建立數(shù)據(jù)恢復(fù)模型。