0 引 言

近年來，無線傳感網已經被廣泛應用于生態(tài)環(huán)境監(jiān)測 [1]。 由于硬件故障、數(shù)據(jù)包沖突、信號衰減、能量不足、時間不同 步、惡意攻擊等原因，海洋無線傳感器網絡中的數(shù)據(jù)很容易發(fā) 生大規(guī)模丟失。這就需要恢復丟失數(shù)據(jù)來獲得完整的環(huán)境數(shù) 據(jù)。在數(shù)據(jù)采集過程中，對丟失數(shù)據(jù)的恢復是一項基本操作。 現(xiàn)如今，無線傳感網丟失數(shù)據(jù)問題得到了越來越多的關注，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)點來重新發(fā)送數(shù)據(jù)和預測丟失數(shù)據(jù) [2]。由于觀測得到的傳 感器數(shù)據(jù)時間序列有著強相關性，故可以利用傳感器節(jié)點歷史 輪數(shù)據(jù)來恢復丟失數(shù)據(jù)。

本文針對無線傳感網數(shù)據(jù)丟失的特性，提出了基于 RBF 神經網絡的數(shù)據(jù)恢復算法。最后利用實測環(huán)境溫度數(shù)據(jù)集對 該算法在 Matlab2014a 平臺上進行了仿真驗證。

1 RBF 神經網絡

RBF 神經網絡能夠逼近任意非線性函數(shù)，可以處理系統(tǒng) 內難以解析的規(guī)律，具有良好的泛化能力，且有很快的學習 收斂速度，并已成功應用于非線性函數(shù)逼近、時間序列分析、 數(shù)據(jù)分類、模式識別、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 神經網絡結構拓撲圖如圖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)的標準差。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 神經網絡的輸出

（1）網絡隱層使用 K 個隱節(jié)點。

（2）把所有 K 個樣本輸入分別作為 K 個隱節(jié)點的中心。

（3）各基函數(shù)取相同的擴展常數(shù)。

（4）確定權值可解線性方程組。

RBF 神經網絡學習過程分 2 個階段 ：

（1）第 1 階段的學習得到輸入層與隱層之間徑向基函數(shù) 的中心和標準差 ；

（2）第 2 階段學習隱含層與輸出層之間的線性權值。

RBF 神經網絡數(shù)據(jù)恢復流程如圖 2 所示。

2 仿真實驗

我們選取了海洋監(jiān)測項目某一節(jié)點 330 個海洋溫度數(shù)據(jù)， 其中 280 個數(shù)據(jù)作為訓練數(shù)據(jù)集，50 個數(shù)據(jù)作為測試數(shù)據(jù)集。設置 RBF 神經網絡參數(shù)如表 1 所列。

由以上實驗結果分析可知，本文提出的算法對無線傳感 網溫度丟失數(shù)據(jù)的估計結果是準確合理的。

3 結 語

無線傳感網數(shù)據(jù)是一個非常復雜的動態(tài)參數(shù)，它受許多 因素的影響，這些因素本身是隨機變量，各因素之間相互制約、 互為因果。因此傳感器節(jié)點丟失數(shù)據(jù)實際上是一個多變量、時 變、灰色、高度非線性及復雜的動力學系統(tǒng)。本文提出的基于 神經網絡的 WSN 丟失數(shù)據(jù)恢復算法可以較好地恢復傳感網丟 失的數(shù)據(jù)。然而該算法沒有考慮傳感器節(jié)點的移動，未來我們 將在傳感器節(jié)點移動的情況下建立數(shù)據(jù)恢復模型。