[发明专利]一种基于深度学习模型的数据融合方法

说明书

技术领域

本发明涉及数据融合技术领域，尤其是一种基于深度学习模型的数据融合方法。

背景技术

随着物联网技术的快速发展，无线传感器网络(wireless sensor networks，WSNs)作为物联网感知层的核心组成部分，在各类环境监测领域得到了广泛应用。而实际中各传感器节点多采用电池供电，导致网络内资源十分受限。大量节点由于地理位置分布不均，使得数据存在过多冗余信息，从而增加了能量消耗与传输延时。此外，由于物联网应用环境普遍存在较多干扰，会直接减弱数据通信传输能力，并降低数据采集精度，影响了物联网系统整体性能。

发明内容

本发明的目的在于提供一种能够消除冗余、减少数据传输量，从而提高网络性能、延长网络寿命并降低能耗的基于深度学习模型的数据融合方法。

为实现上述目的，本发明采用了以下技术方案：一种基于深度学习模型的数据融合方法，该方法包括下列顺序的步骤：

(1)首先在汇聚节点即Sink节点对构建的特征提取模型进行训练，网络结构共含有3个卷积层、1个池化层和2个全连接层.在利用特征提取模型对节点数据进行融合之前完成该模型的训练；

(2)各终端节点通过该模型提取原始数据特征；

(3)向Sink节点发送融合后的数据。

在所述步骤(1)中，所述模型训练的损失函数为：

训练的目标通过下式给出：

不断迭代更新参数以最小化损失函数J(θ)，其中，θ为可训练的参数，包括卷积核的权重和偏置，α为学习率。

为求出偏导数对于卷积层有：

式中，为第l层第j个特征图的灵敏度，为第l+1层第j个特征图的参数，将代入下式可得到卷积核权重ω和偏置b的导数；

式中，为第l-1层特征图与第l层卷积核进行卷积操作的结果，结合完成一次卷积成的参数更新。

在所述步骤(1)中，对于池化层有：

式中，代表第l层的第j个特征图，down表示执行一次池化操作，将结果代入完成一次池化层的参数更新。

在所述步骤(1)中，对于全连接层，采用反向传播算法进行训练，结果前向传播过程完成模型的训练，最后得到模型参数，具体的步骤如下：

(5a)Sink节点根据需要处理的数据类型，从相应数据库中提取含有标签信息的数据；

(5b)将训练数据输入至构建的模型，开始训练，然后Sink节点将训练好的参数通过簇头发送至各终端节点；

(5c)各终端节点使用预训练的模型，对采集的传感器数据进行多层卷积特征提取与池化，然后将融合得到的特征数据发送至相应的簇头节点，其中，卷积与池化的过程就是数据融合的过程；

(5d)簇头节点利用Logistic回归分类器对步骤(5c)产生的融合数据进行分类，得到分类结果，并向Sink节点发送融合数据；

(5e)网络完成一轮数据采集融合与传输过程，Sink节点重新分簇和选取簇头节点，然后跳转至步骤(5c)。

由上述技术方案可知，本发明首先在汇聚节点对构建的特征提取模型进行训练，然后各终端节点通过该模型提取原始数据特征，最后向汇聚节点发送融合后的数据，从而减少数据传输量，延长网络寿命。本发明与同类数据融合方法相比，在同样数据量的情况下能够大幅降低网络能耗，并有效提升了数据融合效率与准确度。

附图说明

图1是本发明中的节点路由图；

图2是本发明中的方法流程图。

具体实施方式

如图1、2所示，一种基于深度学习模型的数据融合方法，该方法包括下列顺序的步骤：

(1)首先在汇聚节点即Sink节点对构建的特征提取模型进行训练，网络结构共含有3个卷积层、1个池化层和2个全连接层.在利用特征提取模型对节点数据进行融合之前完成该模型的训练；

(2)各终端节点通过该模型提取原始数据特征；

(3)向Sink节点发送融合后的数据。

在所述步骤(1)中，所述模型训练的损失函数为：

训练的目标通过下式给出：

不断迭代更新参数以最小化损失函数J(θ)，其中，θ为可训练的参数，包括卷积核的权重和偏置，α为学习率。

为求出偏导数对于卷积层有：