基于神经网络的物联网设备环境监测技术研究
潘翔
摘 要： 通过物联网的相关技术方法对设备工作环境中的烟雾、水浸、温度和湿度四个参数进行采集和处理，再经过BP神经网络的分析对设备工作的环境情况进行评价。仿真结果表明，采用该方法可以对环境参数进行有效的监控和预警，使得系统的使用者可以清楚明确地了解到当前环境的状态。
关键词： 物联网； BP神经网络； 环境参数监测； 设备环境
中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2017）03?0012?03
Research on IOT equipment environmental monitoring technology
based on neural network
PAN Xiang
（Department of Computer， Guangxi Cadres University of Economic and Management， Nanning 530007， China）
Abstract： The parameters of smog， water logging， temperature and humidity in the equipment working environment are collected and processed by means of the related technical methods based on Internet of Things （IOT）， and analyzed by means of BP neural network to evaluate the equipment working environment. The simulation results show that the method proposed in this paper can monitor the environmental parameters effectively and issue an early warning according to the parameters， and let the system users understand the status of the current environment explicitly.
Keywords： IOT； BP neural network； environmental parameter monitoring； equipment environment
0 引 言
各种电子设备所处的环境对其工作性能和使用寿命有着重要的影响，所以目前人们开始越来越多的对设备工作环境进行监测。对设备环境进行有效的监测，一方面必须利用各种传感器技术对温度、湿度等环境参数进行准确及时的获取和处理；另一方面，必须构建一个有效的分析监测模型，能够对这些复杂的参数综合表征的环境状态进行评价和判断。而这两个方面都涉及许多技术难点，因此，本文参照目前比较新的研究思路，引入物联网的相关技术和方法对温度等四个环境因素进行准确的采集和处理，再利用BP神经网络技术对获得的数据进行分析，以判断目前环境的情况，该方法具有实现简单，监测准确率高的优点。
1 物联网
1.1 物联网的结构
物联网是伴随着计算機和互联网技术的发展而出现的一个全新概念。它一般指采用多种智能传感设备，诸如各种传感器、射频识别技术、GPS、激光或红外探测器等各种装置，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，与互联网结合形成的一个巨大网络，以进行信息交换和通信[1]。 一个完整的物联网一般由感知层、网络层和应用层组成，如图1所示。
其中，感知层网络的主要作用是对实体信息的感知，信息的采集和智能识别等功能；网络层是人与人之间、人与物之间和物与物之间通信的传输媒介，主要向应用层提供安全可靠的传输机制；应用层的主要功能就是对网络层传输的海量数据进行存储、分析和智能处理等，根据不同的应用需求对数据进行处理[2]。
1.2 基于物联网的设备环境监测原理
为了对设备的运行环境状况进行实时监测，以使相关人员能够清楚地了解到目前环境的状况。本文通过物联网，利用IPv6等无线通信技术，将各种传感器、路由网络和神经网络系统等进行连接，从而实现对温度、烟雾、水浸等环境参数的实时监测。
本文设计的监测物联网主要由感知层的18个无线传感器和应用层的BP神经网络监测分析系统组成。在底层，各种不同的传感器采集到的数据通过IPv6组成的无线网络通过各自的路由器发送至无线网关，无线网关通过交换机与服务器相连，服务器接收到数据后，会利用构建好的BP神经网络模型对这些数据进行整理分析，以判断环境所处的具体状态。
2 BP神经网络
2.1 BP神经网络的原理
BP神经网络是一种前馈型误差修正网络，它通过不断调整各个单元层之间的网络权值和阈值实现网络的训练。BP神经网络主要运行由信号的正向传播和误差的逆向传播两个过程组成，通过不断地权重调整，可以实现网络误差的不断缩小。
2.2 原始数据的获得
位于底层的传感器网络一共包含4个路由器（含网卡）和18个无线传感器（含3个水浸传感器、4个烟雾传感器、6个温度传感器和5个湿度传感器）。通过传感器和路由器组建传感器的物联网络实现对环境信息的获取，并上传至数据处理中心。将各个类型传感器收集到的数据分别进行加权平均，由于水浸和烟雾为简单的“是否”问题，因此用0和1表示，结果如表1所示。
2.3 定义输入和输出样本数据
定义输入样本数据，从表1的20组数据中选择10组作为输入样本，在Matlab命令空间中输入归一后的数据，归一化按照式（1）进行：
[yi=xi-minximaxxi-minxi， i=1，2…，n] （1）
本文直接调用Matlab软件中的premnmx函数进行归一化运算，经过归一化后的评价指标[yi]在[0，1]之间。为了简化仿真模型，特对输出状态进行编码，模型输出为评价环境的优、良、中、差、危险5种状态，定义期望输出向量如表2所示。
2.4 构建BP神经网络模型
本文采用含一个隐藏层的神经网络结构进行分析，由于输入单元为4，输出单元为5，根据经验公式可选隐含层单元数为1～10之间的整数，采用试凑法得到了隐含层神经元与均方平均值（MSE）的曲线关系，如图2所示。其中隐层神经元数目为9时，得到的MSE值最小为14，所以确定的隐含层神经元数为9。
2.5 BP神经网络模型的训练
在Matlab中代入这8组样本向量对构建的网络进行训练，期望误差设为10?6，训练过程中，BP神经网络误差的变化形式如图3所示。
由图3可知，当训练经过58次迭代之后，达到了满意的误差期望。获得理想的神经网络模型后，在剩余样本中选择8组数据对该BP神经网络进行检验测试实验，输入主代码：result_test=sim（net，ptest）[′]。
在Matlab中输入表1中的所有数据，经过整理的结果如表4所示。
由表4可以看到，表中字体加深的数据，即第2组环境状态为中，第四组环境状态为良的检测数据分别误判为良和中。为了提高模型的检测精度，将这两组作为训练样本加入训练集中，重新对网络进行训练，图4是新构建的神经网络训练时使误差下降的情况。
由图4可知，增加这两组数据后，模型的收敛速度获得了提升，达到相同精度，仅需要33步即可收敛，表5是用剩下的8组数据进行检测的仿真结果。
由表5可以看到，经过2次训练后，本文构建的神经网络对样本的判断结果均正确，对环境具有较好的监测功能。
3 结 论
本文主要研究了基于物联网的设备环境监测方法，构建了能够根据烟雾、水浸、温度和湿度等环境参数准确判断环境状态的BP神经网络模型。在仿真过程中发现将第一次训练的错误数据代入原模型作为训练样本，并进行两次训练可以大大提高神经网络模型的精度。系统可在环境参数出现异常状况前告知使用者，从而避免事故发生，具有较大的实用意义。
参考文献
[1] 刘飞.物联网的应用分析研究[J].电子技术，2013（1）：12?18.
[2] 郑伟.一種基于BP 神经网络技术的物联网监控预警系统设计与实现[D].北京：北京工业大学，2015.
[3] 王亿之.神经网络算法在物联网中的应用研究[J].计算机应用研究，2015（3）：128?132.
[4] 林华.基于BP神经网络改进算法的检测方法[J].计算机工程，2015（8）：143?149.
[5] LI Zhigang， SHI Bowei. Application of improved BP network in failure forecasting [J]. Advanced materials research， 2012， 490： 373?377.
[6] 孙媛.差异物联网设备下的数据分发模型仿真分析[J].计算机仿真，2016，33（3）：243?246. 技术文
摘 要： 通过物联网的相关技术方法对设备工作环境中的烟雾、水浸、温度和湿度四个参数进行采集和处理，再经过BP神经网络的分析对设备工作的环境情况进行评价。仿真结果表明，采用该方法可以对环境参数进行有效的监控和预警，使得系统的使用者可以清楚明确地了解到当前环境的状态。
关键词： 物联网； BP神经网络； 环境参数监测； 设备环境
中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2017）03?0012?03
Research on IOT equipment environmental monitoring technology
based on neural network
PAN Xiang
（Department of Computer， Guangxi Cadres University of Economic and Management， Nanning 530007， China）
Abstract： The parameters of smog， water logging， temperature and humidity in the equipment working environment are collected and processed by means of the related technical methods based on Internet of Things （IOT）， and analyzed by means of BP neural network to evaluate the equipment working environment. The simulation results show that the method proposed in this paper can monitor the environmental parameters effectively and issue an early warning according to the parameters， and let the system users understand the status of the current environment explicitly.
Keywords： IOT； BP neural network； environmental parameter monitoring； equipment environment
0 引 言
各种电子设备所处的环境对其工作性能和使用寿命有着重要的影响，所以目前人们开始越来越多的对设备工作环境进行监测。对设备环境进行有效的监测，一方面必须利用各种传感器技术对温度、湿度等环境参数进行准确及时的获取和处理；另一方面，必须构建一个有效的分析监测模型，能够对这些复杂的参数综合表征的环境状态进行评价和判断。而这两个方面都涉及许多技术难点，因此，本文参照目前比较新的研究思路，引入物联网的相关技术和方法对温度等四个环境因素进行准确的采集和处理，再利用BP神经网络技术对获得的数据进行分析，以判断目前环境的情况，该方法具有实现简单，监测准确率高的优点。
1 物联网
1.1 物联网的结构
物联网是伴随着计算機和互联网技术的发展而出现的一个全新概念。它一般指采用多种智能传感设备，诸如各种传感器、射频识别技术、GPS、激光或红外探测器等各种装置，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，与互联网结合形成的一个巨大网络，以进行信息交换和通信[1]。 一个完整的物联网一般由感知层、网络层和应用层组成，如图1所示。
其中，感知层网络的主要作用是对实体信息的感知，信息的采集和智能识别等功能；网络层是人与人之间、人与物之间和物与物之间通信的传输媒介，主要向应用层提供安全可靠的传输机制；应用层的主要功能就是对网络层传输的海量数据进行存储、分析和智能处理等，根据不同的应用需求对数据进行处理[2]。
1.2 基于物联网的设备环境监测原理
为了对设备的运行环境状况进行实时监测，以使相关人员能够清楚地了解到目前环境的状况。本文通过物联网，利用IPv6等无线通信技术，将各种传感器、路由网络和神经网络系统等进行连接，从而实现对温度、烟雾、水浸等环境参数的实时监测。
本文设计的监测物联网主要由感知层的18个无线传感器和应用层的BP神经网络监测分析系统组成。在底层，各种不同的传感器采集到的数据通过IPv6组成的无线网络通过各自的路由器发送至无线网关，无线网关通过交换机与服务器相连，服务器接收到数据后，会利用构建好的BP神经网络模型对这些数据进行整理分析，以判断环境所处的具体状态。
2 BP神经网络
2.1 BP神经网络的原理
BP神经网络是一种前馈型误差修正网络，它通过不断调整各个单元层之间的网络权值和阈值实现网络的训练。BP神经网络主要运行由信号的正向传播和误差的逆向传播两个过程组成，通过不断地权重调整，可以实现网络误差的不断缩小。
2.2 原始数据的获得
位于底层的传感器网络一共包含4个路由器（含网卡）和18个无线传感器（含3个水浸传感器、4个烟雾传感器、6个温度传感器和5个湿度传感器）。通过传感器和路由器组建传感器的物联网络实现对环境信息的获取，并上传至数据处理中心。将各个类型传感器收集到的数据分别进行加权平均，由于水浸和烟雾为简单的“是否”问题，因此用0和1表示，结果如表1所示。
2.3 定义输入和输出样本数据
定义输入样本数据，从表1的20组数据中选择10组作为输入样本，在Matlab命令空间中输入归一后的数据，归一化按照式（1）进行：
[yi=xi-minximaxxi-minxi， i=1，2…，n] （1）
本文直接调用Matlab软件中的premnmx函数进行归一化运算，经过归一化后的评价指标[yi]在[0，1]之间。为了简化仿真模型，特对输出状态进行编码，模型输出为评价环境的优、良、中、差、危险5种状态，定义期望输出向量如表2所示。
2.4 构建BP神经网络模型
本文采用含一个隐藏层的神经网络结构进行分析，由于输入单元为4，输出单元为5，根据经验公式可选隐含层单元数为1～10之间的整数，采用试凑法得到了隐含层神经元与均方平均值（MSE）的曲线关系，如图2所示。其中隐层神经元数目为9时，得到的MSE值最小为14，所以确定的隐含层神经元数为9。
2.5 BP神经网络模型的训练
在Matlab中代入这8组样本向量对构建的网络进行训练，期望误差设为10?6，训练过程中，BP神经网络误差的变化形式如图3所示。
由图3可知，当训练经过58次迭代之后，达到了满意的误差期望。获得理想的神经网络模型后，在剩余样本中选择8组数据对该BP神经网络进行检验测试实验，输入主代码：result_test=sim（net，ptest）[′]。
在Matlab中输入表1中的所有数据，经过整理的结果如表4所示。
由表4可以看到，表中字体加深的数据，即第2组环境状态为中，第四组环境状态为良的检测数据分别误判为良和中。为了提高模型的检测精度，将这两组作为训练样本加入训练集中，重新对网络进行训练，图4是新构建的神经网络训练时使误差下降的情况。
由图4可知，增加这两组数据后，模型的收敛速度获得了提升，达到相同精度，仅需要33步即可收敛，表5是用剩下的8组数据进行检测的仿真结果。
由表5可以看到，经过2次训练后，本文构建的神经网络对样本的判断结果均正确，对环境具有较好的监测功能。
3 结 论
本文主要研究了基于物联网的设备环境监测方法，构建了能够根据烟雾、水浸、温度和湿度等环境参数准确判断环境状态的BP神经网络模型。在仿真过程中发现将第一次训练的错误数据代入原模型作为训练样本，并进行两次训练可以大大提高神经网络模型的精度。系统可在环境参数出现异常状况前告知使用者，从而避免事故发生，具有较大的实用意义。
参考文献
[1] 刘飞.物联网的应用分析研究[J].电子技术，2013（1）：12?18.
[2] 郑伟.一種基于BP 神经网络技术的物联网监控预警系统设计与实现[D].北京：北京工业大学，2015.
[3] 王亿之.神经网络算法在物联网中的应用研究[J].计算机应用研究，2015（3）：128?132.
[4] 林华.基于BP神经网络改进算法的检测方法[J].计算机工程，2015（8）：143?149.
[5] LI Zhigang， SHI Bowei. Application of improved BP network in failure forecasting [J]. Advanced materials research， 2012， 490： 373?377.
[6] 孙媛.差异物联网设备下的数据分发模型仿真分析[J].计算机仿真，2016，33（3）：243?246. 技术文
