改进BP神经网络的数据融合方法在智能灯光控制系统中的应用

郭 瞻，肖祖铭

（景德镇学院机械电子工程学院，江西 景德镇 333000）

1 引言

近年来，随着科学技术的飞速发展和人们生活水平的不断提高，人们对家居生活中的智能性和舒适感越来越注重[1]。智能家居作为物联网领域最重要的应用，为人们提供了更加便利、经济、环保和安全的生活环境。在许多智能家居应用系统中，智能灯光控制系统很好地反映了人们对生活质量和细节的追求[2]。因此，对有效地提高智能灯光系统自主控制能力的数据融合处理方法进行研究具有重要的实际意义。

目前，国内外研究人员对智能灯光相关技术进行了大量的研究，并取得了很多成果，但大部分研究集中在智能灯光控制算法和设计方案上，对智能灯光系统数据融合方法的相关研究较少。在文献[3]中，提出了一种基于单个神经元的自适应psd算法用于智能灯光控制系统中。该系统可实时修正系统误差，并与传感器/致动器相结合，形成自适应控制。通过仿真验证了该算法的性能。在文献[4]中，在物联网技术的基础上，提出了一种采用PI控制的灯光控制方法。测试结果表明，该系统具有较高的光采集精度和较强的控制过程灵敏度。在文献[5]中，在ZigBee技术的基础上，提出了一种智能灯光控制系统设计，该系统可以通过Zig⁃Bee 技术远程控制灯的开关和调节光强度，该系统具有操作方便、节能、体积小、响应速度快、安装方便的优点。

在文献[6]中，在GPRS和ZigBee技术的基础上，提出一种智能灯光控制系统设计，智能终端通过GPRS与上位机通信，通过Zig⁃bee技术与LED控制器进行通信，LED控制器根据接收信息通过PWM技术调节LED灯亮度。

试验结果表明，系统配置灵活、方便。但是，上述研究并不能判断人的静态状态，其适应性有待提高。这些研究为多传感器数据融合方法在智能照明控制中的应用提供了理论依据。

基于此，提出了一种将BP（Back Propagation）神经网络与改进遗传算法（Improved Genetic Algorithm，IGA）相结合的多信息融合算法用于智能灯光控制系统中。使用IGA 获得一组次优解，并将其作为BP神经网络算法训练的初始权值和阈值。通过仿真验证了该方法的优越性。

2 系统概述

远程无线智能照明控制系统由终端（PC）、嵌入式控制器、传感采集控制器、灯光驱动控制器等组成，系统整体结构，如图1所示。

图1 系统框架Fig.1 System Framework

2.1 嵌入式控制器

嵌入式控制器（也称为中央处理器）作为智能灯光控制系统的核心控制器，主要完成接收并处理终端节点采集的数据信息。通过ZigBee技术与灯光驱动控制器通信调节LED灯亮度[7]。

2.2 采集控制器

通过传感器对环境信息进行采集，通过ZigBee技术与嵌入式控制器通信传输采集信息，是系统的基本组成部分[8]。

2.3 灯光驱动控制器

灯光驱动器接收嵌入式控制器发送的控制信号。根据接收到的信号，对灯光驱动控制器输出的PWM 信号进行调节[9]。

2.4 远程控制系统

远程控制系统的功能是为用户提供可视界面，以方便用户远程控制和管理系统。

3 数据融合算法

数据融合中经常应用的就是BP神经网算法，因此它具有强大的局部搜索功能、自学习功能和自适应功能，但其收敛速度慢，容易陷入局部最优值[10]。因此，引入IGA对BP神经网络进行优化[11]。

3.1 BP神经网络

BP神经网络由两部分组成：正向传播和反向传播[12]。根据实际输出与预期输出之间的差异来调整网络权重和阈值，使输出接近期望值。网络拓扑，如图2所示。

图2 BP网络拓扑Fig.2 BP Network Topology

设置输入层-隐藏层-输出层数n-l-m、输入层输入值Xn和输出层输出值Ym、网络权值ωij和ωjk等。网络是自变量到因变量的非线性映射，如图2所示。采用大量样本进行训练[13]。训练步骤如下：

（1）初始化相关参数，包括输入层节点数n、隐藏层节点数l、输出层节点数m、层连接权值ωij和ωjk、隐藏层阈值a和输出层阈值b。

（2）隐藏层Hj输出的计算［14］，如式（1）所示。

在式中，f该层的激活功能。

（3）输出层输出O k计算[15]，如式（2）所示。

（4）误差计算，如式（3）所示。

式中：O、Y—实际输出和期望输出。

（5）根据更新的权值和阈值[16]，如式（4）所示。

式中：η—学习率。

（6）确定算法是否符合迭代结束条件，如果不符合，返回（2）。

3.2 IGA

3.2.1 编码方式

GA采用二进制编码，使用GA优化权值可能会导致解码重复和过长，对网络训练的效率和准确性有较大影响[17]。因此，文中选择实数编码，每个个体都被视为由四部分ωij、ωjk、a、b组成的实数串，编码长度[18]，如式（5）所示。

式中：l_d—编码长度。

实数直接表示解集的权重和阈值，对GA编码方法进行优化。

3.2.2 优化遗传算子

在遗传算法的应用中，交叉算子p和变异算子q的选择是非常重要的。

在遗传算法中，交叉算子p和变异算子q是固定的，那么当一个高适应度的个体出现在一个群体中时，该个体可以在群体中快速繁殖，迭代几次后，它将占满种群的位置，这种收敛性往往导致遗传算法早熟。

因此，采用适应度方差判断是否存在早熟[19]，如式（6）所示。

式中：N—种群数；fi—第i个个体的个体适应度；fagv—个体适应度的平均值。

这里采用自适应的交叉概率和变异概率，交叉和突变的可能性与个体适应度有关。改进的方程[20]，如式（7）和式（8）所示。

式中：pi和qi—第i个个体的自适应交叉概率和变异概率；fi—第i个个体的个体适应度。

综上所述，采用自适应交叉、变异概率优化GA。在迭代的早期阶段，选择固定的交叉概率和变异概率以最小化算法的计算复杂度。通过适应度方差进行监测，最大限度的提高算法的有效性。

3.3 IGA-BP神经网络算法步骤

（1）对种群进行编码和初始化，设染色体大小为N；迭代初值t=0；最大迭代次数为t0；误差精度为ε1；适应度方差阈值为ε2。将BP神经网络的权值、阈值。ωij、ωjk、a、b连接成一个长串。依次对应着不同的权重和阈值，并以实数编码。

（2）确定适应度函数，对个体的适应度值进行计算[21]。

（3）是否终止，如果个体适应值小于ε1或等于迭代次数t

（4）遗传操作。选择算子使用轮盘赌选择。适应值越大，染色体越可能传递给下一代。设置初始交叉算子p和变异算子q分别为0.8和0.01。适应度方差E<ε2时，引入了自适应交叉和自适应变异算子，经过遗传产生新一代个体。在遗传操作结束时，迭代计数器加1，以生成新一代种群吗，转到（3）。

（5）通过BP神经网络误差调整权重和阈值。

（6）判断是否结束，将网络误差与预设值进行比较，如果小于，则完成训练，完成数据融合网络训练。否则，转到（5）。

IGA-BP神经网络流程图，如图3所示。

图3 IGA-BP神经网络流程Fig.3 Improve BP Neural Network Process

4 仿真结果与分析

4.1 参数设置

为了验证融合算法的优越性，文中从收敛性、网络能耗和网络延迟三个方面比较了该算法与GA-BP、GA 和BP 神经网络的数据融合性能。在（100×100）m区域内随机分布传感器，通信半径为50m，节点数为（10～100）个，一个节点为汇聚节点，坐标（0，0），采用Matlab仿真验证融合算法的优越性。

4.2 收敛性分析

为了进行多次收敛测试实验，设置25个传感器、50个传感器、75个传感器和100个传感器环境。IGA-BP算法和GA-BP算法的迭代次数比较，如图4所示。智能灯光系统中传感器少且集中，通常有10到50个传感器。从图4可以看出，随着迭代次数的增加，两种短发的适用度值都不断上升，直到稳定并收敛。这说明这两种算法在多传感器情况下是可行的。当节点数低于75时，IGA-BP算法具有较高的适应度值，这说明IGA-BP算法更适用于智能家居中的多传感器数据融合。

图4 不同节点数收敛性对比Fig.4 Comparison of Discharge Current Under Different

4.3 网络能耗分析

使用IGA-BP、GA-BP、GA 和BP 神经网络的网络能耗随传感器节点变化的曲线，如图5所示。由图5可知，随着传感器节点的不断增加，几种算法能耗都呈现下降趋势，但IGA-BP算法的下降速度最快，能耗最低。能耗的关系为IGA-BP

图5 网络能耗Fig.5 Network Energy Consumption

4.4 网络延时分析

IGA-BP、GA-BP、GA 和BP 神经网络的网络延时随传感器节点的变化曲线，如图6所示。从图6可以看出，随着传感器节点的不断增加，几种算法平均时延都呈上升趋势，但是IGA-BP算法的网络延迟增长最慢，延迟最短。延时关系如下：IGA-BP

图6 网络延时对比Fig.6 Comparison of Discharge Current Under Different

表1 算法性能分析Tab.1 Rehabilitation Robot Parameter Table

5 结论

这里提出了一种将BP 神经网络和IGA 相结合的多信息融合算法用于智能灯光控制系统，利用IGA得到一组次优解，用作训练BP神经网络的初始权重和阈值。结果表明，该算法显著提高了收敛性、网络能耗和网络延时等方向，均检测时间为4.11s，检测准确率为100%。考虑到当前的实验设备和数据规模，用于智能照明系统的数据融合算法研究仍处于起步阶段，下一步的重点是逐步改进和完善数据融合算法。