王桂祿

摘 要：無(wú)線傳感技術(shù)在多個(gè)領(lǐng)域中都有著廣泛的應(yīng)用，在應(yīng)用無(wú)線傳感技術(shù)的過(guò)程中，因?yàn)槭艿蕉喾矫嬉蛩氐挠绊?，傳感器在運(yùn)行過(guò)程中，網(wǎng)絡(luò)能耗較大，并且會(huì)與網(wǎng)絡(luò)信息發(fā)生一定的沖突，為了降低能耗以及沖突所帶來(lái)的不良影響，應(yīng)給改進(jìn)無(wú)線傳感器網(wǎng)路信息融合技術(shù)。

關(guān)鍵詞：無(wú)線傳感器；信息融合；網(wǎng)絡(luò)

無(wú)線傳感器網(wǎng)絡(luò)因?yàn)槭苓\(yùn)算能力低、存儲(chǔ)量小、電池能力低等多方面因素的限制，因此在對(duì)其進(jìn)行應(yīng)用，對(duì)數(shù)據(jù)進(jìn)行傳送時(shí)，信息融合技術(shù)顯得十分重要。合理的信息融合技術(shù)，在信息傳遞過(guò)程中可以減少能量的使用量，并且避免網(wǎng)絡(luò)擁塞情況的發(fā)生。

1 無(wú)線傳感網(wǎng)絡(luò)

無(wú)線傳感網(wǎng)絡(luò)主要有大量移動(dòng)的（靜止）的傳感器、自組織、多跳方式而構(gòu)成的一種無(wú)線網(wǎng)絡(luò)，通過(guò)協(xié)作的方式進(jìn)對(duì)象信息進(jìn)行感知、采集、處理，最終將處理過(guò)的信息發(fā)送給網(wǎng)絡(luò)所有者。

無(wú)線傳感網(wǎng)絡(luò)中包括的傳感器的種類有很多，在具體應(yīng)用過(guò)程中，可以適用于地震、濕度、溫度、壓力、物體移動(dòng)等各種現(xiàn)象中，因此可以將其應(yīng)用在航空、醫(yī)療、商業(yè)等多個(gè)領(lǐng)域中。

2 卡爾曼濾波信息融合的改進(jìn)

2.1 卡爾曼濾波原理

2.2 卡爾曼濾波過(guò)程

在對(duì)卡爾莫濾波過(guò)程進(jìn)行分析過(guò)程前，需要引入一個(gè)離散控制系統(tǒng)，可以利用一個(gè)線性的隨機(jī)方程實(shí)現(xiàn)對(duì)該系統(tǒng)的描述：

在公式（6）與公式（7）中，X（k）表示系統(tǒng)處于k時(shí)刻的狀態(tài)，U（k）則表示對(duì)系統(tǒng)k時(shí)刻的控制量。A和B都為系統(tǒng)中的參數(shù)，如果系統(tǒng)為多模系統(tǒng)，那么A和B兩者都表示矩陣。Z（k）表示測(cè)量值（k時(shí)刻），H則為測(cè)量參數(shù)，與A和B一樣，如果系統(tǒng)為多測(cè)量形式，那么H則表示矩陣。V（k）和W（k）表示的分別為噪音和過(guò)程，在分析工程中，假設(shè)它們都為高斯白噪聲，假設(shè)系統(tǒng)在發(fā)生變化時(shí)，它們并不會(huì)發(fā)生相應(yīng)的變化。如果滿足了以上條件，卡爾曼濾波器則是最優(yōu)信息處理器。

2.3 卡爾曼濾波信息融合算法

在計(jì)算過(guò)程中，對(duì)第i個(gè)傳感器源節(jié)點(diǎn)卡爾曼濾波方程如下：

在公式（8）中，Pi，k和Pi，k-1分別表示傳感器中的濾波的值和預(yù)報(bào)誤差陣，Ki，k表示的則為濾波增益陣。

無(wú)線傳感網(wǎng)絡(luò)中的源節(jié)點(diǎn)的采集和發(fā)展都是高速完成的，此時(shí)，在具體操作中，完全可以通過(guò)合理的變化，使源節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的信息傳輸量降低。如果在分析過(guò)程中，不方便對(duì)方差進(jìn)行觀測(cè)，在源節(jié)點(diǎn)觀測(cè)方差結(jié)束后，并不需要每次都對(duì)更新的內(nèi)容進(jìn)行傳輸，這在一定程度上節(jié)省了源節(jié)點(diǎn)的數(shù)據(jù)傳輸量。如果在信息傳輸過(guò)程中，信息并不是固定不變的，此時(shí)源節(jié)點(diǎn)的誤差方差將與更新后的數(shù)據(jù)自動(dòng)傳輸?shù)絽R聚節(jié)點(diǎn)，從而完成最終的融合操作。

3 基于SVM的信息融合

3.1 SVM原理簡(jiǎn)介

SVM就是通過(guò)非線性映射P，將樣本空間映射到一個(gè)比當(dāng)前更高維的空間中，也就是通過(guò)線性化和升維的方式解決問(wèn)題。升維通常會(huì)使計(jì)算變得更加復(fù)雜，甚至在一些特殊的情況下，可能會(huì)引發(fā)“維數(shù)災(zāi)難”的發(fā)生，因此對(duì)其的研究比較少。但是在回歸、分類等問(wèn)題的研究上，在低維空間上可能無(wú)法對(duì)樣本級(jí)進(jìn)行處理，而在高維空間中，在問(wèn)題分析上則可以通過(guò)線性超平面實(shí)現(xiàn)回顧或線性劃分。通常來(lái)說(shuō)，升維都會(huì)使計(jì)算變得更加復(fù)雜，而通過(guò)對(duì)SVM方法的利用，則很好地解決了計(jì)算這一問(wèn)題。在計(jì)算過(guò)程中，對(duì)核函數(shù)展開(kāi)定理進(jìn)行合理應(yīng)用，不需要掌握非線性表達(dá)式；在高維特征的空間中，為了使計(jì)算變得簡(jiǎn)單化，可以建立線性學(xué)習(xí)機(jī)，通過(guò)這種方式，在高維空間的計(jì)算不僅沒(méi)有復(fù)雜化，而且也很好地避免了“維數(shù)災(zāi)難”情況的發(fā)生，而這一切的功勞都要?dú)w功于對(duì)核函數(shù)計(jì)算理論的分析與探討。

3.2 基于SVM信息融合在匯聚節(jié)點(diǎn)的引用

在對(duì)SVM的應(yīng)用中，在問(wèn)題的具體分析過(guò)程中，需要依據(jù)風(fēng)險(xiǎn)最小化原則開(kāi)展，應(yīng)當(dāng)在模型的復(fù)雜程度與經(jīng)驗(yàn)風(fēng)險(xiǎn)兩者中間進(jìn)行折中選擇，方式在具體應(yīng)用過(guò)程中，有著不錯(cuò)的泛化能力，并且還具有不受緯度影響、全局最優(yōu)等多項(xiàng)優(yōu)點(diǎn)。因此，將SVM信息融合計(jì)算應(yīng)用在匯聚節(jié)點(diǎn)上，融合的最終結(jié)構(gòu)如圖1所示。

在具體分析過(guò)程中，應(yīng)當(dāng)從以下內(nèi)容入手：（1）確定傳感器中匯聚節(jié)點(diǎn)的個(gè)數(shù)，從而確保輸出與輸出相等。（2）準(zhǔn)確采集傳感器中節(jié)點(diǎn)中的數(shù)據(jù)，數(shù)據(jù)采集過(guò)程中，要確保采集的完成型，完成采集后生成最終的訓(xùn)樣本。（3）選擇核實(shí)的核函數(shù)，并通過(guò)學(xué)習(xí)和訓(xùn)練的方式確定相關(guān)的函數(shù)。（4）通過(guò)學(xué)習(xí)訓(xùn)練后，對(duì)測(cè)量值進(jìn)行測(cè)試，在測(cè)試過(guò)程中需要確保測(cè)量的經(jīng)準(zhǔn)確性，如果測(cè)量的精確性滿足要求，則獲得傳感器信息融合系統(tǒng)模型。如果測(cè)試結(jié)果無(wú)法滿足精準(zhǔn)度要求，需要從重復(fù)環(huán)節(jié)（3），直到最終的精準(zhǔn)度滿足要求為止。

4 仿真分析

基于上述模型采用的計(jì)算方法，對(duì)某系統(tǒng)進(jìn)行實(shí)例仿真，在具體操作過(guò)程中，將通過(guò)傳感器收集到的數(shù)據(jù)依據(jù)源節(jié)點(diǎn)的卡爾曼濾波信息融合算法進(jìn)行融合，將其中的2個(gè)節(jié)點(diǎn)作為源節(jié)點(diǎn)，則可以獲取狀態(tài)方差和觀測(cè)方程，具體內(nèi)容如公式（9）和公式（10）所示。

在具體分析過(guò)程中，X（0）=[0 1]，采用周期為T(mén)，本次分析中采用周期的大小為0.4s。建設(shè)源階段的誤差與標(biāo)準(zhǔn)方陣相比存在較大差異，但是方陣本身相同，對(duì)源節(jié)點(diǎn)進(jìn)行處理和濾波，具體仿真操作通過(guò)Matlab完成。通過(guò)以上操作方法，在具體操作中可以獲得其他環(huán)境下的參數(shù)以及最終的融合結(jié)果，處理中的節(jié)點(diǎn)在經(jīng)過(guò)卡爾濾波之后的信號(hào)，通過(guò)仿真操作后，可以看出通過(guò)無(wú)線傳感器網(wǎng)絡(luò)的卡爾曼信息融合方法，可以使源節(jié)點(diǎn)在傳感器內(nèi)部完成相應(yīng)的數(shù)據(jù)處理操作，卡爾曼濾波后信號(hào)同原始噪信號(hào)相比，平穩(wěn)性更好，降低了源節(jié)點(diǎn)能力，數(shù)據(jù)傳輸量的同時(shí)也使網(wǎng)絡(luò)生命周期得到了合理的延長(zhǎng)。endprint

源節(jié)點(diǎn)在經(jīng)過(guò)融合后獲得的環(huán)境數(shù)據(jù)值可以視作SVM信息融合的信息源完成相應(yīng)的融合，通過(guò)融合之后，獲取到獲取到相應(yīng)的安全信息，通過(guò)SVM信息融合的結(jié)果如表1所示。

通過(guò)融合結(jié)果不難看出，通過(guò)訓(xùn)練后的SVM的精準(zhǔn)度能夠依據(jù)系統(tǒng)應(yīng)用的現(xiàn)場(chǎng)環(huán)境，估算出指定區(qū)域環(huán)境狀況，通過(guò)這種方式，有效地減小了網(wǎng)絡(luò)信息沖突和無(wú)線傳感器網(wǎng)絡(luò)能耗，從而使無(wú)線傳感器網(wǎng)絡(luò)信號(hào)融合精度得到提高。

5 結(jié)語(yǔ)

在無(wú)線傳感器網(wǎng)絡(luò)中應(yīng)用信息融合技術(shù)，很好地解決了無(wú)線傳感器網(wǎng)絡(luò)在具體應(yīng)用中受環(huán)境因素限制的問(wèn)題。但是，在具體應(yīng)用中還存在一些問(wèn)題有待解決，因此本文通過(guò)對(duì)卡爾曼濾波和SVM信息融合方法進(jìn)行了重點(diǎn)介紹，最終通過(guò)仿真證明了方法的有效性。

[參考文獻(xiàn)]

[1]魏琴芳，張雙杰，胡向東，等.基于同態(tài)MAC的無(wú)線傳感器網(wǎng)絡(luò)安全數(shù)據(jù)融合[J].傳感技術(shù)學(xué)報(bào)，2011（12）：1750-1755.

[2]謝麗，楊勇.無(wú)線傳感器網(wǎng)絡(luò)節(jié)能分析[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2013（3）：65-68.

An Improved Wireless Sensor Network Information Fusion Technology

Wang Guilu

（State Press and Publication Administration of Radio 501 Station， Kunming 650302， China）

Abstract： Wireless sensor technology in many fields have a wide range of applications in wireless sensor technology for the application process， because of the impact of various factors of the sensor during operation， greater energy consumption， and will conflict with the occurrence of certain network information， in order to reduce energy consumption as well as the adverse effects brought about by the conflict， should be given to the wireless sensor network information fusion technology improvements.

Key words： wireless sensor； information fusion； networkendprint