未来智讯 > 智能家居论文 > 基于神经网络数据融合的ZigBee智能家居环境监测系统

基于神经网络数据融合的ZigBee智能家居环境监测系统

发布时间:2017-12-07 09:32:00 文章来源:未来智讯    
    关键词:智能家居;神经网络;ZigBee;传感器
    中图分类号:TP273 文献标识码:A 文章编号:2095-1302(2016)04-00-03
    0 引 言
    随着科学技术的发展,人们对电子消费品的需求正逐步增长,电子产品的智能化程度正在飞速提高,尤其在计算机技术、嵌入式系统和无线通信技术的发展下,物联网在实际生产生活中的应用越来越广泛,遍布智能家居、智能交通、智能医疗、环境监测、物流快递、教育、国防、工业、农业等行业[1,2]。
    智能家居的出现让人们体验到了舒适、快捷的智能生活,还能更有效、更精确地控制家中家电设备,以达到节省能源和资源的目的[3]。但在实际智能家居系统设计中,由于无线传感器网络中的节点分布相对密集,且相邻节点所采集的环境参数数据具有较高的相似性,使得网络中传输的数据存在一定冗余,在通信过程中消耗过多的能量[4]。相关研究表明,消耗能量主要在数据传输过程中,应用数据融合技术可以减少网络中的冗余信息,降低通信能耗,提高数据的传输效率[5]。因此,在智能家居系统中引入数据融合技术是十分必要的,有很高的研究价值。
    本文以智能家居的温湿度环境参数为检测对象,采用ZigBee通信模式,设计了一套智能家居环境监测系统,通过融合神经网络优化,降低功耗,实现节能、延长使用寿命的目的。
    1 系统的总体设计
    智能家居环境监测系统包括数据采集前端和数据接收终端两个部分,数据采集前端由传感器、微控制器、ZigBee无线通信模块、电源组成,数据接收终端由ZigBee接收模块、上位机组成。系统硬件原理图如图1所示。
    根据智能家居环境监测系统的设计要求和Zigbee技术通信模式的特点,本文的传感器网络模型由协调器节点、路由器节点和传感器终端节点3类节点组成,采用树形拓扑结构,系统组网结构如图2所示。
    系统的主要工作流程如下:
    (1)组建网络,将节点放置在智能家居中,协调器通过USB与上位机相连接。协调器上电,组建一个新的网络;
    (2)将各个节点上电,根据无线传感器网络的低功耗自适应集簇分层型协议(LEACH),在整个无线传感器网络中按照一定的规则来选取簇首(路由器节点),构成分簇结构。在这种结构下,传感器节点采集到的原始环境参数数据将首先发送给自己所在簇的簇首节点,再利用BP神经网络算法在簇首节点和成员节点间对采集到的原始数据应用到基于神经网络的数据融合算法中进行处理,将处理后的数据发送给协调器节点。
    2 系统硬件设计
    2.1 ZigBee模块及外围电路设计
    ZigBee模块是系统组网和控制的核心,采用TI公司的CC2530射频芯片,CC2530能够提供较高的通信链路质量,具有较高的接收器灵敏度和较强的抗干扰性。此外,CC2530还提供了丰富的外设,包括2个USART,12位的ADC和21个GPIO。设计的ZigBee模块及外围电路原理图如图3所示。
    2.2 温湿度传感器与通信模块的连接设计
    温湿度传感器采用DHT11数字温湿度传感器,与ZigBee模块连接如图4所示。
    DHT11数字温湿度传感器是直流供电,电压为3.5~5.5V,当连接线的长度小于20 cm时,应选用3.5 V进行供电,否则线路压降导致传感器供电不足,造成测量数据的偏差;当连接线的长度短于20 m时,需要用5.1 kΩ的上拉电阻;大于20 m时,则根据实际情况使用上拉电阻,并且采用5.5 V电压供电。
    3 系统算法的设计
    3.1 基于神经网络的数据融合算法
    由于传感器网络具有以数据为中心、节点能量有限且不能补充、通讯能力弱、网络节点规模大、自组织性与应用密切相关等特点,所以对无线传感器网络的工作周期和寿命有很高的要求,传输1字节数据所需的能量可以用来执行数千条CPU指令[6]。应用神经网络的数据融合算法虽然在一定程度上增加了CPU的计算量,但减少了网络中的数据通信量,可以有效延长网络的工作周期。把神经网络应用到无线传感器网络能够实现降低通信成本和能源保护、提高无线传感器网络性能的目的。
    根据无线传感器网络的低功耗自适应集簇分层型协议(LEACH),在整个网络中按照一定的规则来选举簇首(路由器节点),形成分簇结构。在这种结构下,传感器节点所采集的环境参数数据将发送给所在簇的簇首节点;利用BP神经网络算法在簇首节点和成员节点间对采集到的环境参数进行数据融合。该网络结构由输入层、隐层和输出层组成,隐层可以有多层,本系统采用最常用的单隐层三层BP网络,神经网络数据融合算法的模型如图5所示。
    假设在该网络中有N个神经元节点处于输入层;只有一层隐层,具有L个节点;有M个神经元节点处于输出层;普遍情况下L>N>M。输入层的神经元数量可以根据实际应用进行调整,与簇成员节点没有必然联系,而隐层神经元数量L的确定与求解问题的要求、输入输出神经元数量都有直接的联系。本文使用试凑法来确定隐层神经元数量L,选用经验公式作为试凑法的初始值。
    3.2 神经网络的学习流程
    本系统采用反向传播网络(BP网络)进行数据融合,该网络的监督学习算法采用误差反向传播算法。误差反向传播算法的学习过程主要有两个,分别为信息的正向传播和误差的反向传播。
    4 系统测试
         本文仿真实验通过NS-2仿真软件对神经网络的数据融合算法进行仿真测试,主要从网络节点的平均功耗、汇聚节点接收数据包数量等方面对该算法与不加入该算法的方案进行了对比。
    仿真环境参数设置:在100 m×100 m的范围内随机分布100个相同的节点。设节点的初始能量为2 J,数据包的长度为500 B,无线信道的带宽为1 Mb/s,无线信号的载频为2.4GHz,收发数据所耗的能量为50 nJ/b,神经网络的权值初始值设为1,阈值设为0.2,训练次数为500次。
    在房间环境100 m×100 m的范围内随机部署100个节点的分布图如图7所示,节点分布完成后,根据节点分布的状况和试凑法经验公式,可以粗略计算出簇的个数为6。
    图8所示是随时间增长网络节点的平均功耗的变化曲线。无线传感器网络的节点能量是有限的,能量消耗完的节点就会“死亡”,所以节点能量消耗的越少,存活的时间就越长,整个无线传感器网络的生命周期就越长。从图8中得到的是LEACH算法和数据融合算法在网络节点的平均功耗的对比,可以得出数据融合算法平均功耗低于LEACH算法的结论。数据融合算法对全部节点的分布状况进行具体分区,使簇头分布更加均匀合理,并考虑了节点剩余能量值,平衡所有节点功耗,让整个网络的能量消耗更加平均。
    图9所示是无线传感器网络中汇聚节点接收数据包的数量,可见数据包数量受网络存活节点数目的影响,在节点开始“死亡”时,接收数据速率开始下降,直至整个无线传感器网络 “死亡”。通过对比,数据融合算法能将数据进行有效的融合,减少网络的数据量,这也是数据融合算法有更长的生存周期的原因。随着时间的增加,数据融合算法接收到的数据包会超过LEACH算法,传输更为稳定的数据包流量。
    5 结 语
    本文设计了一种基于神经网络数据融合的ZigBee智能家居环境监测系统,将数据融合加入到监测系统可以减少网络的数据量,降低网络节点的平均功耗,提升整个无线传感器网络的性能,延长网络寿命。通过对网络节点的平均功耗、汇聚节点接收数据包数量等方面进行测试,结果表明,加入数据融合算法的网络比LEACH算法的网络平均功耗低,网络寿命得以延长。
    参考文献
    [1]吴艺娟,秦彩云,万米洋. 基于ZigBee技术的智能家居环境监测系统设计[J].北京石油化工学院学报,2013,21(1):46-50.
    [2]杨筱宇.基于BP神经网络的ZigBee无线定位技术[J].现代计算机(下半月),2012(7):20-24.
    [3] N. Chaamwe, W. Liu, H. Jiang.“Seismic Monitoring in Underground Mines: A case of Mufulira Mine in Zambia Using wireless Sensor Networks for Seismic Monitoring” [J].Proc. IEEE internationalConference on Electronics and Information Engineering,2010,1: 310-314.
    [4]彭程,黄辰.基于物联网的智能家居系统[J].物联网技术,2014,4(11):84-86.
    [5]王云良,王敏其,程凌.智能家居网络系统的优化及控制稳定性分析[J].自动化仪表,2014,35(8):79-82.
    [6]孙凌逸,黄先祥,蔡伟,等.基于神经网络的无线传感器网络数据融合算法[J].传感器技术学报,2011,24(1):122-127.
    [7] Min R,Bhardwaj M,Seong-hwan Cho,et al.Energy-CentricEnab-ling Technologies for Wireless Sensor Networks[J].IEEE Wireless Communications, 2002, 9(4):28 -39.
转载请注明来源。原文地址:https://www.7428.cn/page/2017/1207/9356/
 与本篇相关的热门内容: