郑 曼, 胡黄水*， 赵 航, 王 博

(1.长春工业大学 计算机科学与工程学院, 吉林 长春 130012；2.长春客车股份有限公司， 吉林 长春 130012)

0 引 言

无线传感器网络(Wireless Sensor Networks, WSNs)作为信息物理系统和物联网感知层支撑技术[1-2]，由大量资源受限的节点构成,且广泛应用于环境监测、军事侦察、医疗健康和科学勘探等领域[3-5]。由于节点能量受限，如何延长网络生命周期依然是无线传感器网络面临的主要问题。而大量研究已经表明，功率控制是减少WSNs能耗和保持通信可靠的有效方法之一[6]。传输功率对链路质量产生显著影响[4,7]，因此可采用链路级功率控制方法来延长无线传感器网络生命周期，同时提升网络性能[3,7]。如文献[6-8]采用基于接收节点链路质量指示值(Link Quality Indicator, LQI)来调节发送节点发射功率，文献[9]采用接收信号强度指示值(Received Signal Strength Indication, RSSI)来调整节点发送功率。这些方法在保证链路质量的同时,在一定程度上降低了网络能耗。但实际无线环境中,LQI、RSSI变化无规律且频繁，将导致功率的不断调节，从而降低网络性能。而收包率(Packet Reception Rate, PRR)相较LQI、RSSI而言,更能直接体现链路质量[1,3,10-12]。链路质量参数容易受到一些不确定性因素影响，如环境、动物干扰等，而模糊逻辑系统可以处理这些意外干扰和不确定性因素[13-15]。因此，文献[12]提出基于模糊控制器的无线传感器网络功率控制算法(Neural Fuzzy Controller Based Transmission Power Control Algorithm for Wireless Sensor Networks, FCTP)，该方法通过闭环回路控制邻居数量来对节点的传输功率进行调节，但每个节点的期望节点度不能随网络动态变化，很容易导致某些节点过早死亡，从而减小网络生命周期。文献[16]提出自适应传输功率算法(Adaptive Transmission Power Control, ATPC)，基于研究链路质量调节发射功率，但该算法在调节的过程中没有考虑节点的剩余能量，因此不能很好地延长网络生命周期、降低节点平均能耗。文献[14]提出了自适应模糊控制算法(Self-adaptive Fuzzy Controller Based Power Control, SAFPC)，该算法采用模糊闭环反馈系统，根据剩余能量来自适应动态调节期望节点度，从而控制节点发射功率达到目标节点度。该方法能有效克服FCTP的缺点，但依然通过构建隶属度函数和if-then规则来设计模糊逻辑控制器，其对复杂且动态的实际无线传感器来说很难获得期望的性能。

针对现有方法存在的问题，文中提出一种基于自学习NFTC方法，其根据节点的剩余能量自适应调整节点目标收包率，并基于该收包率控制节点的传输功率。具体为采用包含两个模糊推理系统FIS的神经模糊控制器，FIS1采用神经网络学习来替代繁杂的模糊控制器参数调整过程，调节每个节点的传输功率，使节点的实际收包率达到目标值。FIS2采用“输入-输出-反馈”机制,根据节点剩余能量调整其目标收包率，从而自适应地依据节点剩余能量调节传输功率，均衡网络能量消耗，降低网络收敛时间及延长网络生命周期。

1 NFTC算法设计

NFTC的神经模糊控制器用于根据节点的剩余能量自适应调整其目标收包率，并基于该目标收包率控制节点的传输功率，其由两个模糊推理系统FIS1和FIS2构成，如图1所示。

图1 NFTC的结构

模糊控制以模糊理论为主要计算方法[13]，可以实现复杂的非线性映射，人工神经网络能够通过已知的数据进行学习和归纳，两者的结合使控制系统既具有模糊逻辑推理能力，同时也可以通过系统自适应来不断改进和调整，从而达到更好的控制效果。

1.1 系统输入与输出

在功率Ptx下，节点i和j之间传输一个φ字节的数据包，接收数据包的成功率由式(1)给出：

(1)

式中:dij----发射端与接收端之间的距离；

d0----参考距离；

P0----参考距离的路径损耗；

n----路径损耗指数;

Xσ----准偏差为σ的零均值高斯随机变量。

本底噪声通常是-145 dB(Mica motes节点[3,8]温度为300 K)。正如文献[3,8]所述，Mica motes节点提供的参数值为n=4，σ=4，d0=1 m，P0=55 dB。对于能量模型，采用文献[16]中描述的一阶无线电模型计算剩余能量偏差的方法。对于节点对i,j在线性通信发射状态下发射l字节数据包的能量消耗和接收状态下接收m字节数据包的能量消耗由式(2)给出：

(2)

式中:EI----发射前的剩余能量;

Ee----相应电子电路所消耗的能量;

Er----功率放大器所消耗的能量。

正如文献[16]所述，参数Ee、Er都假定为50 nJ/bit。

1.2 第一推理引擎

模糊推理系统由两个推理引擎组成。第一推理引擎FIS1主要包括一个模糊神经控制器，结构如图2所示。

图2 第一推理引擎结构

第一推理引擎FIS1的五层结构分别描述如下：

(3)

式中:i----模糊子集的个数；

3)规则层：该层用于进行模糊运算。输出为各神经元输入取积后的归一化值，即对各个规则的激励强度归一化。每个节点输出由式(4)给出：

(4)

4)自适应计算层：该层结合四个控制规则完成自适应操作，并计算出每个规则所决定的输出。这一层的输出由式(5)给出：

(5)

式中:{pi,qi,ri}----该节点的结论参数。

Ptx=P1+P2+P3+P4

(6)

根据式(3)～式(5)，整理式(6)，该网络的输出值Ptx如下：

(7)

1.3 第二推理引擎

1.3.1 模糊化

图隶属度函数

图隶属度函数

输出变量ΔPRR的模糊语言变量为‘D2S’， ‘D1S’， ‘HOLD’， ‘U1S’， ‘U2S’，其对应的五个清晰值分别为-2，-1， 0， 1， 2。‘D2S’， ‘U2S’为梯形隶属度函数，‘D1S’， ‘HOLD’， ‘U1S’，‘ D1S’为三角形隶属度函数。ΔPRR的隶属度函数如图5所示。

图5 ΔPRR隶属度函数

1.3.2 模糊规则和去模糊化

输入变量的清晰值在通过模糊化后得到相应的语言变量，然后经过模糊逻辑系统中的if-then规则库，对输入变量进行控制。该方法更加简洁，控制效果更好[3]。FIS2推理引擎的if-then模糊规则见表1。

表1 NFTC模糊规则

系统采用中心法进行去模拟化，输出值ΔPRR清晰。具体去模糊化过程如下:

(8)

2 仿真结果

为了验证NFTC性能，文中使用Matlab进行仿真测试，并与ATPC[16]、SAFPC[14]进行比较。设定节点随机部署在100 m×100 m的方形区域中，基站坐标为(50，50)，每个节点的初始能量为1 J，仿真次数为50次，结果取平均值。首先研究网络节点数量不同时节点平均能耗对比，然后比较不同初始发射功率时的网络收敛时间及不同节点数目时的网络生命周期。

以50个节点数目为间隔，在8个不同节点数目下，得到节点的平均能耗，节点平均能耗对比如图6所示。

图6 节点数量不同时平均能耗对比

从图6中可以得知，与SAFPC和ATPC算法相比，NFTC算法平均能耗随节点数量增加上升缓慢。

在不同初始发射功率下的网络收敛时间，初始发射功率以5 dBm为梯级，在-20 dBm到5 dBm范围内的6个不同传输功率下，得到相应的网络收敛时间。两种算法的仿真实验结果比较如图7所示。

图7 不同初始发射功率时的收敛时间

NFTC算法与SAFPC和ATPC算法相比，网络收敛时间普遍降低，收敛速度更快，具有更好的网络性能。

由于NFTC算法考虑节点能耗的同时，调整了传输功率，比较两种算法不同节点数目下的网络生命周期如图8所示。

由仿真结果可知，NFTC算法比SAFPC和ATPC算法的网络生存时间更长。因此，NFTC算法可更好地延长网络寿命。

图8 不同节点数目时的网络生命周期

3 结 语

从控制节点传输功率的角度出发，提出了一种面向无线传感器网络的自学习模糊神经功率控制算法NFTC，其在人工神经网络学习训练集的基础上建立模糊控制系统，避免传统方法的复杂参数调节过程，并通过反馈、循环机制调整节点传输功率，以获得期望的节点能量消耗。从收敛时间、平均能耗以及生命周期方面对算法进行了仿真分析，结果表明,相比ATPC和SAFPC算法，NFTC算法性能较优，能有效控制节点能耗，延长网络生命周期。

参考文献：

[1] Guo Z Q, Wang Q, Li M H, et al. Fuzzy logic based multidimensional link quality estimation for multi-hop wireless sensor networks[J]. IEEE Sensors Journal,2013,13(10):3605-3615.

[2] Vicente H D, Jose F M, Nestor L M, et al. Self-adaptive strategy based on fuzzy control systems for improving performance in wireless sensors networks[J]. ACM Transaction on Sensor Networks,2015,15(9):24125-24142.

[3] Shan L, Fei M, Jingbing Z, et al. ATPC: adaptive transmission power control for wireless sensor networks[J]. Sensors,2016,12(1):1-6,31.

[4] 王福豹,史龙,任丰原.无线传感器网络中的自身定位系统和算法[J].软件学报,2005,16(5):857-868.

[5] 沈玮娜,胡黄水,王宏志,等.自适应模糊无线传感器网络路由选择[J].长春工业大学学报,2017,38(2):144-149.

[6] 吴鹏杰.一种新颖的无线传感器节点模糊功率控制算法[D].北京:北京邮电大学,2010:22-29.

[7] 邵奇可,冯淑娜,毛科技.面向WN的自适应模糊功率控制算法研究[J].传感技术学报，2015,28(4):563-571.

[8] Huseyin U Y, Bulent T. Transmission power control for link-level handshaking in wireless sensor networks[J]. IEEE Sensors Journal，2016,16(2):561-576.

[9] 陈焕,汪正祥,傅忠云.基于发射功率自适应调节的无线通信网抗扰研究[J].电子科技,2016,29(1):71-74.

[10] 李成法,陈贵海,叶懋,等.一种基于非均匀分簇的无线传感器网络路由协议[J].计算机学报,2007,30(1):27-36.

[11] 袁正午,梁均军.累积链路质量无线传感器网络路由算法研究[J].计算机工程与应用,2011,47(14):66-69.

[12] 王骐,王殊,孟中楼.无线传感器网络中一种基于接收功率异常的入侵检测算法[J].计算机科学,2009,36(3):34-37.

[13] Zhang J, Chen J, Sun Y. Transmission power adjustment of wireless sensor networks using fuzzy control[J]. Wireless Communication & Mobile Computing，2009,9(6):805-818.

[14] 胡黄水,沈玮娜,王出航,等.基于自适应模糊控制器的无线传感器网络功率控制[J].计算机应用,2017,37(9):2470-2473,2562.

[15] Geeta D D, Nalini N, Rajashekhar C B. Fault tolerance in wireless sensor network using hand-off and dynamic power adjustment approach[J]. Journal of Network and Computer Applications,2013,36(4):1174-1185.

[16] Pappas G J. ATPC: Adaptive transmission power control for wireless sensor networks[J]. Acm Transactions on Sensor Networks,2016,12(1):6.