基于滑模控制律的wsn数据反步融合算法

基于滑模控制律的wsn数据反步融合算法

1数据融合和控制无线传感器网络广泛应用于数据采集、通信、局域通信网络和跟踪观测等领域。WSN具有高度的自组织性,适应性强,此类研究很多。典型的有:文献对无线传感器网络应用的自适应调试方法进行研究;文献对无线自组网式能耗监测系统及路由选择方案作了详细阐述;文献对无线传感器网络密钥管理和分层协作问题进行研究。目前WSN已成为智能交通系统采集数据的有效工具,通过WSN采集和获取交通实时数据参数,如车速、交通流量和道路饱和度等信息,实现对道路交通系统的智能控制和调度。研究WSN交通控制系统的着眼点在于WSN采集数据的融合处理和控制律设计方面。然而,由于道路交通信息呈现随机分布和多源信息状态,WSN采集的道路交通数据处理是数据信息处理的难点。WSN节点通过传感器采集到控制信息需要进行融合处理,否则无法有效实现系统管理和控制。传统的滑模控制算法控制无线传感器网络数据,在数据融合和控制中出现非限定稳态误差,控制效果不好。文献提出一种基于FPGA的交通流量视频检测系统,但监测准确度有待提高;文献提出一种基于可信度的WSN安全路由算法,使得WSN数据融合效果有所改善,但节点利用效率不高;关于滑模控制律的研究,文献提出一种直线反馈线性化补偿控制系统,但没能解决交通控制系统在呈现阻尼振荡影响时如何提高动态稳定性的问题;文献提出一种静止无功率补偿器的非线性控制设计方法,比传动的PID无功率补偿控制有一定的改进,但其超负荷状态使控制性能受限;文献采用储能逆变的方式对控制误差进行抑制控制,稳态误差大幅度降低,但系统的动态响应特性和稳态误差抑制效果不明显;文献提出一种基于相邻节点WSN节点定位分布信任值提取算法,提高了道路交通调度效率,但是算法没有有效解决滑模干扰控制的非限定稳态误差,使得在较大的初始误差条件下控制系统出现不稳定现象［10-18］。针对上述问题,本文提出一种基于滑模干扰控制律的WSN数据反步融合算法,使得WSN节点之间数据传输效率大幅度提高,在智能交通控制中的控制效率和控制精度显著提高,从而推动交通控制系统实现智能化和精准化。2滑模干扰控制和改进2.1滑模控制状态转换滑模干扰控制实现了交通控制系统WSN节点数据融合传输,保证了交通智能调度控制的稳定性和实时性。滑模干扰控制律设计采用微分方程形式进行数学建模,根据文献[19,20],得到滑膜干扰控制律的非线性微分方程表达式为其中,,fx(X,t),fθ(X,t),gx(X,t),gθ(X,t)表示滑模控制干扰项。通过各干扰项对控制律进行自适应修正,实现滑模控制状态转移。各干扰项对控制状态贡献权重系数计算式为-η|S/μ|-α|λμ|-β|μ|≤0(2)式中,Km为控制律导引曲线偏差,δ为控制系统滑模干扰线性化处理融合度(在WSN多传感器系统中表示为簇头节点的数据偏移向量),θ为滑模误差偏移角度,sinθp=θp,cosθp=1。从式(2)可见,状态δ与WSN系统状态参数XＲM,VＲM,θP,ωP是互不相关的,所以可以将控制系统解耦,得到2个独立的控制子系统,得到设计的滑模干扰面为式中,α>0,β>0。滑模面等效控制律表示为整个控制系统的切换控制律表达式为对上述形式表达的滑模面,控制滑模面的变量边界在有限时间内达到WSN边界层。可见采用传统的滑模控制方法,无法有效限制系统的非限定稳态误差。本文对传统的滑模干扰控制律进行改进,并应用于WSN数据融合和智能控制。2.2基于约束的wsn融合模型根据上述研究分析,滑模干扰控制算法控制无线传感器网络数据,在数据融合和控制中会出现非限定稳态误差。为此,本文对控制律进行改进设计,改进思路和算法描述如下:首先,定义σi表示WSN节点数据的不确定时间序列编码,表述为σx和σθ,ei表示WSN节点在滑模控制面上的系统融合参量,μ表示节点连通状态用户制定参数值。选取根据式(7),若μ>0,则得到候选WSN节点在滑模控制面的状态,三分量转移概率分别表示为以上式为基础,在常规的滑模控制律下加入一个控制干扰补偿项,并对WSN数据进行逆序排列反步融合,以有效抑制稳态误差。控制干扰补偿项为把上式代入式(8),对式(8)描述的系统全局控制律进行修正。当t→∞时,干扰为常值,稳态误差将趋于0。得到此时,系统融合数据处于WSN边界层,对控制律导引系数进行拉普拉斯变换,得到在外界不定干扰下,取由上式,根据中心极限定理,得到从上式可见,sue57f(t)一致连续,当t→∞时,结合式(12),得到本文根据WSN中交通数据多状态随机分布特征,把控制律变换到S域中,得到在S域中,有其中C为非零常数。得到系统的稳态误差限定在可见,采用本文改进的滑模干扰控制律,能有效去除稳态误差,提高系统的控制精度和准确性。3无线传感器数据的反步整合算法和智能交通控制系统的实现本文以上述改进的滑模干扰控制律为基础,进行WSN数据反步融合和交通智能控制,以改善控制精度,提高交通管理效率。3.1基于滑模干扰控制的交通路网模型基于改进的滑模干扰控制律进行WSN数据反步融合的基本思想为:在每个WSN簇头节点上,使用导码、地理位置等参数进行原始数据感知,对数据按照可靠性分配进行序列分区,在数据融合中加入反步融合函数,采用可靠性分配机制使得数据融合接近真实值。算法构建思想用框图描述如图1所示。采用文献的簇头节点处理方法,WSN簇头节点上的信息导码表达为WSN簇头节点上使用导码、地理位置等参数进行原始数据感知采用无向图模型结构表示,WSN网络智能交通控制模型用一个连通的无向图G=(V,E,S)表示。其中v0∈V,V为WSN所有节点集合,v0表示Sink节点。无向图模型的参量分别表示导码、地理位置参数,所有节点都有相同的传输半径r,WSN网络的边(u,v)∈E,当且仅当这2个节点之间的平面几何距离小于或等于传输半径r,即|uv|≤r。基于上述改进的滑模干扰律模型,对交通采集数据进行反步迭代。结合式(3)进行反步迭代的表达式为最后得到WSN数据反步融合输出结果为其中,h(·)为同态哈希函数;f(·)是一个伪随机函数;N为2个不同的大素数p和q生成的参数。本文实际为加入反步融合函数实现WSN交通数据反步融合,采用可靠性分配机制使得数据融合接近真实值,为实现智能交通控制奠定了数据基础。在上述设计的改进滑模干扰控制律的基础上,可以有效限定稳态误差,提高控制精度,实现交通智能控制。将交通路网模型设计为有向图WSN网络模型,表达式为其中,Edge表示智能交通控制模型一条有向边,StartID表示该边的起始结点的ID,EndID表示有向边的终止结点的ID。当xa<ca时,WSN滑模干扰控制面阻抗趋近无穷大,WSN簇头节点彻底阻断,等同于改变了道路交通滑模控制的结构。当流量xa=ca时,该模型能够定量地动态模拟路段从正常通行到完全阻断的演进过程。道路交通WSN节点的直接信任为计算公式为其中,Si，j(t)表示滑模干扰控制数据重复因素;Ti，j(t)表示数据输出量因素;Ui，j(t)表示数据相似度(相关性);pi，j(t)为t时刻输出数据数量;spi，j(t)为数据重复量;Δp(t)为交通数据数量动态参照值;zi(t),zj(t)分别为交通信息各自监测值的输出;b为比较系数。通过上述方法,采用滑模干扰控制律,对融合数据进行指导控制,实现对交通的智能调度和控制。4基于滑模干扰控制的节点数据融合仿真本文基于Matlab平台进行仿真分析。传感器节点数设置为1000个,按实际道路交通位置信息分布在2000m×2000m的正方形区域中,节点通信半径为10m,WSN节点通信轮次为100轮次,带宽为1Mb,数据包大小为256b。采用滑模干扰控制律对WSN网络系统数据反步融合,得到数据融合SPE统计量如图2所示。由图2可见,通过本文提出的改进的滑模干扰控制律反步融合采样,SPE统计量低于99%控制限,有效抑制了系统的非限定稳态误差,从而保证对WSN多传感器节点交通管理控制精度。采用传统的滑模干扰控制律、文献改进的直线反馈线性化补偿滑模控制律,以及本文改进的滑模干扰控制律,进行道路交通智能控制数据融合仿真,以道路通行能力、信息导码和地理位置等参数进行数据融合处理,得到仿真结果如图3所示。从图3可见,采用本文算法进行交通智能控制,得到更优越的数据融合结果,使得交通通行能力显著提高,地理位置等信息参数得到精确反馈和融合处理,在交通管理中能实现精确有效控制与调度,展示了本文数据融合算法和控制系统的优越性能。5基于滑模干扰控制的交通信息数据融合本文对传统滑模干扰控制律进行改进,并应用于无线传感器网络数据融合交通数据智能控制系统中。针对传统滑模控制算法非限定稳态误差不能得到有效抑制