人工智能在无线传感器网络中的应用研究

到了广泛的应用。把新兴的人工智能技术应用在传统的无线传感器网络(Wireless Sensor Network,

WSN)中，能同时促进相互的发展。本文介绍了人工智能的相关技术，并重点研究了人工智能在WSN

中的应用。关键词：人工智能；无线传感器网络Abstract: In recentyears, artificial intelligenee has been widely used in control system, simulation

system, economic 日nd political decision-making. Applying the emerging artificial intelligence technology to the traditional wireless sensor network can promote the development of each other at the same time. This paper introduces the related technologies of artificial intelligence and

focuses on the application of artificial intelligence in WSN.Key words: Artificial Intelligenee; WSN【中图分类号】TP18【文献标识码】B文章编号1606-5123 (2020) 08-0090-031引言人工智能目前正在为社会的方方面面带来革新，已广

泛应用于各种领域，随着大数据、物联网的迅速发展，智 慧城市、智慧交通的大量需求，使得人工智能在WSN中的

(2) 差分进化算法是一种高效的全局优化算法，是基

于群体的启发式搜索算法，群中的每个个体对应一个解向

量。差分进化算法的进化流程与遗传算法非常类似，都包

括变异和选择操作等。(3) 蚁群算法通过蚂蚁个体间信息的传递，多个蚂蚁

共同协作，从而寻找蚁穴到应用越来越广泛。因此，研究人工智能在WSN中的各种应

用有重要意义巾。食物的最短路径。用蚂蚁的行走路径表示待优化问题

2人工智能算法概要(1)深度学习擅长高维数据错综复杂的结构处理，卷 积神经网络(Convolutional Neural Network, CNN)是最成

的可行解，整个蚂蚁群体的所有路径构成待优化问题的解 空间。(4) 量子粒子群算法是在粒子群算法上发展起来

功的深度学习模型之一，得到了广泛的应用。CNN卷积层 的，每个粒子被看成是在整个空间搜索信息并记录最优值 的个体，增强了粒子群算法的全局收敛能力。仅仅包含一

的权重、偏置共享是同层的一组隐层神经元探测空间输入

的不同区域的同一个特征。共享权重、偏置通常被叫作一

个参数，易于算法的实现和参数的选择，比原始的算法更I * 个核(kernel)。o(5) 模糊理论是在模糊集合理论的基础上发展起来 的，其基本目标是接受模糊性现象存在的事实，而以处理

概念模糊不确定的事物为其研究目标，并积极的将其严密 的量化成计算机可以处理的讯息。(6) 模糊C均值聚类是一种无监督聚类算法，是一种 常用的模式识别方法。基于函数最优方法，使用微积分计

算技术求最优代价函数，目标是使得数据点到所属分类中

心的距离的和最小化。(7) 遗传算法是模拟生物进化论的自然选择和遗传学

机理的生物进化过程的计算模型，是一种通过模拟自然进

化过程搜索最优解的方法。通过数学的方式，利用计算机

仿真运算，将问题的求解过程转换成类似生物进化中的染 色体基因的交叉、变异等过程。(8) 人工蜂群算法是受自然界中蜜蜂采蜜行为启发的

群体智能算法，蜜蜂分为不同的工种，每个工种承担不同

的工作，完成信息交流和分享，从而在有限的时间复杂度 内大概率找到问题的最优解。(9) 人工神经网络是由大量处理单元互联组成的非线

性、自适应信息处理系统。人工神经网络特有的非线性适

应性信息处理能力与其它传统方法相结合，将推动人工智

能和信息处理技术不断发展。3人工智能在WSN中的应用研究人工智能的各种技术与算法，在无线传感器网络各 个方面，如网络模型建立、覆盖优化、定位算法、路由协

议、数据融合等都有着广泛的应用。3.1基于深度学习的智能无线传感器网络模型以深度压缩为背景，研究深度学习模型在WSN上的

实现，并建立了基于事件探测的智能无线传感器网络模

型(Event-driven intelligent wireless sensor network,

EIWSN),在广分布区域上实现了事件的智能识别叫WSN节点区域被分成块，块内节点被随机生成巡逻节 点(Patrol),用于事件发现、唤醒节点和神经计算。成网后

由Sink完成核的训练。训练过程进行模型压缩：剪枝、量

化、哈夫曼编码。块内进行链式采集数据，并进行数据融

合，每块形成一个数据包，作为一次池化操作，得到一个

池化输出。池化输出被近邻Patrol收集，同区Patrol共享数

据。已提取核的索引表优先填写，索引表、原数据优先上

传，在数据流流经的Patroffi行进一步特征提取，特征提取

并行完成。特征提取完成，上传特征映像，若所有核提取 完成仅传送特征映像和索引表，若未完成，Sink进行后续特

征提取，完成整个模型其他层次的计算，实现事件识别。《智慧工厂》Smart FactorySeptember-October 20203.2基于智能算法的WSN覆盖优化为了提高WSN节点的有效覆盖率，设计了一种改进

的差分进化算法IDEA(lmproved Differential Evolution Algorithm),设置了混沌反向学习机制以增强种群的多样 性，同时利用精英筛选策略选出的精英群体来引导变异向

量往更优方向进化，进一步加快收敛速度冈。然后自适应 调整变异因子和交叉概率因子，有效协调算法的全局勘探

和局部开发的能力，该算法成功应用于WSN节点的优化 部署。为解决三维环境下WSN的K-栅栏覆盖问题，提出一种

三维蚁群优化算法3D-ACO(Three Dimensional Ant Colony

Optimization),将三维表面映射到二维平面 进行网格划

分，通过计算网格梯度并引入空间权重及部署方向角来寻 找最短路径构建栅栏，采用移动节点填补栅栏间隙以确保

建强栅栏，进而提高节点的利用率间。为了提高WSN的覆盖性能，将种群分布炳的CE系数a

和平均粒距两个多样性评价指标引入，提出了一种基于动

态自适应混沌量子粒子群(Dynamic Self-Adaptive Chaotic

Quantum-behaved PSO, DACQPSO)的WSN覆盖优化算

法，结合粒子分散程度同，利用对平均粒距的评价在算法后

期进行混沌搜索，通过种群多样性的变化感知种群的进化

态势，动态自适应的控制算法的优化过程，实现全局搜索

与局部搜索的平衡。3.3基于VoronoiS划分的节点模糊信息WSN定位算法网络定位的目标是在一个坐标系中估计该网络节点 的坐标，在实际应用中由于诸多环境因素的影响，定位具

有很强的不确定性，针对WSN节点定位算法精度低的问 题，提出一种基于Voronoi图划分的节点模糊信息定位算法 (Node Fuzzy Information Localization based on Voronoi

Diagram, NFIL-VD)同。根据锚节点个数对定位区域进行Voronoi图划分，将

整个定位区域以锚节点为中心划分为不同的Voronoi区域，

同时获得每个Voronoi cell区域的顶点坐标。然后对于每一 个Voronoi cell,缩小对每个未知节点定位的锚节点及顶点

坐标的范围，选定一个阈值，使用高斯滤波方法(Gaussian Filtering)筛选出可以作为参考节点的顶点坐标，通过顶点

坐标和锚节点联合定位未知节点，利用模糊信息定位方法 计算出未知节点的最终位置。3.4基于模糊C均值聚类及智能算法的WSN路由协议针对WSN的节点能量有限、吞吐量低等问题，提

出基于遗传算法(GA)和模糊C均值(FCM)的WSN分簇算 法(Clustering Routing algorithm based on GeneticD | INTELLIGENT SENSING | 智能传感Algorithm and fuzzy C-means clustering, GAFCMCR)。在 成簇阶段，利用FCM算法实现分簇，并针对FCM算法对初始 值敏感的问题，使用GA优化初始聚类中心后再进行聚类。

在数据传输阶段，簇内通信引入轮询控制，簇间采用载波

侦听多路访问机制叫为了提高WSN的能量效率等问题，提出基于模糊C均值

聚类和群体智能算法(人工蜂群算法、蚁群优化算法)的WSN 分层路由算法(WSN hierarchical routing algorithm based

on Fuzzy C-Means clustering and SwarmIntelligence, FCM-SIG)。在分簇阶段,针对网络的实时情

况动态的确定最优分区数量，并通过FCM实现网络动态均衡

的分簇；在簇头选举阶段，采用人工蜂群算法计算每个分

簇内最适合担任簇头的节点的位置；在簇间路由阶段，采

用蚁群优化算法搜索最小消耗的簇间多跳数据转发路径囘。3.5基于人工智能的WSN数据融合算法以模糊理论为基础，提出了一种WSN中基于模糊的数 据融合方法，通过传感器节点中嵌入的二型模糊逻辑系统

对待发送的数据分配权重，簇头进行区分和聚合所收集的

数据的真值后再报送到基站，从而减少在基站处理整个数

据的负担，消除数据冗余，减少能量消耗。为了降低WSN的通信量，降低能耗，提出了一种基于

SOFM(Self-Organizing Feature Mapping)神经网络的数据 融合算法(SOFMDA)回，该算法将自组织映射神经网络和

WSN分簇路由协议相结合，使簇中的各个节点完成神经元 的工作，按照数据的特征对其进行分类，提取同类数据的

特征，将特征数据发送到汇聚节点，从而减少了数据发送 量，延长网络生命期。基于遗传算法中的分类器系统，提出遗传机器学习算

法(Genetic Machine Learning A Igorithm, GMLA)。该算法

通过动态的调整传感器节点把数据发送到基站的概率，来

提高数据融合的质量，并减少了数据传输量。4结束语本文首先介绍了人工智能的各种相关技术，如深度学

习、模糊理论、神经网络、遗传算法等。然后介绍了这些

技术在无线传感器网络中的应用，如网络模型建立、覆盖

优化、定位、路由、数据融合等。人工智能在WSN中的不 断应用，能够促进WSN的不断发展。参考文献⑴ 沈纲祥.基于人工智能技术的光通信网络应用研究[J].通信学

报.2020,1(41):162-168.⑵ 孟林勤，李雪巍等.基于深度学习的智能无线传感器网络[J]•电脑

知识与技术.2019,7(⑸:57-59.⑶王振东，刘燔桃等.改进差分进化算法下的无线传感器网络覆盖

优化[J].小型微型计算机系统.2020,5⑸:1041-1046.[4] 党小超，李月霞等.一种基于改进蚁群算法的三维K-栅栏覆盖

算法[J]•计算机工程.2020,2(46):221-229-[5] 周海鹏，高芹等•自适应混沌量子粒子群算法及其在WSN覆盖

优化中的应用[J]•计算机应用.2018,38(4):10-1071.[6] 李芬芳，党小超等•基于Voronoi图划分的节点模糊信息定位算

法 口计算机工程*2019,1(45):78-90.[7] 董发志，丁洪伟等.基于遗传算法和模糊C均值聚类的WSN分簇

路由算法口计算机应用.2019,39(8):2359-2365.[8] 戚攀,包开阳等.基于模糊C均值聚类及群体智能的WSN分层路

由算法[J]•计算机应用.291&38(7):1974-1980.[9] 王丽红•基于人工智能的无线传感器网络数据融合算法比较研

究J]•大经贸.2018,08.作者简介周琪栋(19-)男 硕士研究生助理实验师 大数据与无

线传感器网络方向薛冰洁(1992-)女硕士研究生助力教师无线传感器网络

方向