摘  要： 传统的数据融合算法要求获得比较精确的对象数学模型，对于复杂的难于建立模型的场合无法适用。为解决上述问题，提出了一种基于BP神经网络算法的多传感器数据融合方法，对对象的先验要求不高，具有较强的自适应能力。仿真结果表明，采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度，效果良好。
关键词： 数据融合；神经网络；多传感器网络

    大多数无线传感器网络应用是由大量传感器节点构成的，共同完成信息收集、目标监视和感知环境的任务。在信息采集的过程中，若采用各个节点单独传输数据到汇聚节点的方法，会产生大量冗余信息，从而浪费大量的通信带宽和宝贵的能量资源，这显然是不合适的[1]。此外还会降低信息的收集效率，影响信息的及时采集。为避免上述问题，人们采用了一种称为数据融合(或称为数据汇聚)的技术。所谓数据融合是指将多份数据或信息进行处理，组合出更高效、更符合用户需求的数据的过程[2]。在大多数无线传感器网络应用中，许多时候只关心监测结果，并不需要收到大量原始数据，数据融合是处理该类问题的有效手段。根据融合操作的级别划分为数据级融合[3]、特征级融合[4]以及决策级融合[5]。数据级融合是指通过传感器采集的数据融合，是最底层的融合，通常仅依赖于传感器的类型。特征级融合是指通过一些特征提取手段，将数据表示为一系列的特征向量，从而反映事物的属性，是面向监测对象的融合。决策级融合是根据应用需求进行较高级的决策，是最高级的融合。无线传感器网络的数据融合技术可以结合网络的各个协议层来进行。例如在应用层，可通过分布式数据库技术，对采集的数据进行初步筛选，达到融合效果；在网络层，可以结合路由协议，减少数据的传输量；在数据链路层，可以减少MAC层的发送冲突和头部开销，节省能量的同时，保证信息的完整性。无线传感器网络的数据融合技术只有面向应用需求的设计才会真正得到广泛的应用。
    目前许多学者提出了很多传感网数据融合算法，D-S方法[6]和贝叶斯算法[7]作为一种处理不确定性问题的重要的数据融合方法，已经广泛应用于各种数据融合系统中，但是该方法主要是依靠自身的传感器的采集，这种方法融合精度不高，具有一定的不确定性等，BP神经网络算法是一种监督式的学习算法，其主要思想是通过采用梯度搜索技术对已知网络入侵样本进行学习，最终实现网络的实际输出值与期望输出值的均方值误差最小。
    本文充分利用了BP神经网络的优点，主要研究了传感网络数据融合方法，提出了一种改进的基于BP神经网络算法在传感网络数据融合中的应用，依据不同的融合目标对传感器信息进行选择过滤和优化处理，仿真结果表明了本文算法的有效性和实用性，节约了数据融合的能量。
1 BP神经网络的多传感器数据融合技术
1.1 BP神经网络算法
    BP神经网络[8]是一种前馈式神经网络，是目前使用最广泛的一种神经网络，一般包括输入层、若干隐含层和输出层三部分，网络结构如图1所示。

    BP神经网络算法是一种监督式的学习算法，其主要思想是通过采用梯度搜索技术对已知网络入侵样本进行学习，最终的目的就是网络的实际输出值与期望输出值的均方值误差最小。在BP神经网络的学习过程中，输入信号从输入层经隐含层单元逐层处理，并传向BP神经网络的输出层，每一层BP神经元只影响下一层神经元的状态。如果在BP神经网络输出层得不到期望的输出，那么就要进行BP神经网络反向传播，将输出信号的误差沿原来的连接通路返回，通过不断调整各层神经元的权重，最终使均方值误差最小。其基本学习过程如下：