梁 青, 朱 婷

(西安郵電大學(xué) 電子工程學(xué)院， 陜西 西安 710121)

?

基于灰色預(yù)測(cè)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法

梁 青, 朱 婷

(西安郵電大學(xué) 電子工程學(xué)院， 陜西 西安 710121)

針對(duì)無(wú)線傳感網(wǎng)絡(luò)監(jiān)測(cè)信息具有很高時(shí)間相關(guān)性，給出一種基于動(dòng)態(tài)灰色預(yù)測(cè)模型的數(shù)據(jù)融合算法。對(duì)節(jié)點(diǎn)采集的歷史數(shù)據(jù)，應(yīng)用動(dòng)態(tài)灰色模型預(yù)測(cè)其未來(lái)數(shù)據(jù)值，若預(yù)測(cè)誤差大于設(shè)定閾值，傳輸本輪數(shù)據(jù)，若預(yù)測(cè)誤差小于設(shè)定閾值，不傳輸本輪數(shù)據(jù)，以此減少網(wǎng)絡(luò)數(shù)據(jù)傳輸量。仿真實(shí)驗(yàn)表明，與未采用數(shù)據(jù)融合的低功耗自適應(yīng)集簇分層協(xié)議算法相比，所給算法的數(shù)據(jù)傳輸量可減少34%，網(wǎng)絡(luò)壽命可延長(zhǎng)39%。

無(wú)線傳感器網(wǎng)絡(luò) ；數(shù)據(jù)融合；預(yù)測(cè)算法；動(dòng)態(tài)灰色模型

由大量傳感器節(jié)點(diǎn)以自組織方式組成的無(wú)線傳感器網(wǎng)絡(luò)，可用以監(jiān)測(cè)傳感器區(qū)域中的一些物理現(xiàn)象[1]。無(wú)線傳感器網(wǎng)絡(luò)由4個(gè)主要子系統(tǒng)組成：感知監(jiān)測(cè)區(qū)域物理量的傳感模塊，處理(執(zhí)行)與感知、通信和自組織相關(guān)指令的數(shù)據(jù)處理模塊，傳輸處理數(shù)據(jù)的通信子模塊，和為其他模塊提供工作能量的電源模塊。

節(jié)點(diǎn)實(shí)時(shí)地將監(jiān)測(cè)信息傳輸?shù)奖O(jiān)測(cè)基站，需要消耗大量能量，而無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的能量有限，故有必要考慮減少網(wǎng)絡(luò)數(shù)據(jù)傳輸，降低網(wǎng)絡(luò)能耗，延長(zhǎng)網(wǎng)絡(luò)生命周期。

無(wú)線傳感器網(wǎng)絡(luò)中,節(jié)點(diǎn)采集的數(shù)據(jù)有很高時(shí)間相關(guān)性和空間相關(guān)性，會(huì)產(chǎn)生大量冗余數(shù)據(jù)，對(duì)這些冗余數(shù)據(jù)的處理及轉(zhuǎn)發(fā)必然帶來(lái)很大的能量開(kāi)銷(xiāo)，縮短網(wǎng)絡(luò)生存時(shí)間，而且，處理大量冗余數(shù)據(jù)還會(huì)給sink節(jié)點(diǎn)帶來(lái)不必要的開(kāi)支。

隨著數(shù)據(jù)融合技術(shù)成為無(wú)線傳感器網(wǎng)絡(luò)的研究熱點(diǎn)[2-6]，一種基于自組織映射神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法被提出[7]，它可在簇頭節(jié)點(diǎn)利用自組織特征映射(Self-Organization Feature Map, SOFM)神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)數(shù)據(jù)分類(lèi)，并提取特征，然后，將代表原始數(shù)據(jù)的特征數(shù)據(jù)，而不是所有的原始數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)，達(dá)到減少數(shù)據(jù)發(fā)送量，降低能耗的目的。將基因表達(dá)式編程(Gene Expression Programming,GEP)方法引入無(wú)線傳感器網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)融合[8]，也可提升整個(gè)無(wú)線傳感器網(wǎng)絡(luò)的生存周期。動(dòng)態(tài)灰色預(yù)測(cè)算法也是一種可以節(jié)能并減少數(shù)據(jù)發(fā)送的數(shù)據(jù)融合算法[9]，它能減少普通節(jié)點(diǎn)到sink節(jié)點(diǎn)間的數(shù)據(jù)傳輸，通過(guò)減少數(shù)據(jù)傳輸?shù)拇螖?shù)，從而節(jié)省大量能量，使網(wǎng)絡(luò)的壽命最大化。

本文擬將灰色預(yù)測(cè)模型應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合中，給出一種基于動(dòng)態(tài)灰色預(yù)測(cè)模型的數(shù)據(jù)融合算法(Dynamic Grey Prediction Model Based Data Fusion Algorithm, DG-DFA)，以求有效減少冗余數(shù)據(jù)傳輸，降低整個(gè)網(wǎng)絡(luò)能耗。

1 灰色模型

1.1 一階單變量灰色預(yù)測(cè)模型

在系統(tǒng)論中，一個(gè)系統(tǒng)可以被定義為一種顏色，以表示該系統(tǒng)的明確信息量[10-11]。它的內(nèi)部特征或參數(shù)完全未知，定義為黑色；它的系統(tǒng)信息完全已知，定義為白色；它的系統(tǒng)信息一些已知，一些未知，定義為灰色?；疑A(yù)測(cè)模型利用歷史數(shù)據(jù)預(yù)測(cè)未來(lái)數(shù)據(jù)值。

以GM(m,n)表示一個(gè)灰色模型，其中，m是微分方程階數(shù)，n是變量個(gè)數(shù)。動(dòng)態(tài)灰色模型(Dynamic Grey Model, DGM)采用一階單變量灰色模型GM(1,1)，它在預(yù)測(cè)未來(lái)數(shù)據(jù)值上有著計(jì)算效率高和低復(fù)雜度的優(yōu)勢(shì)[9]。

設(shè)有原始數(shù)據(jù)序列

XA(0)={XA(0)(1),XA(0)(2),…,XA(0)(n)}

，

為平滑原始數(shù)據(jù)，構(gòu)造其一階累加(1-AGO)序列

XA(1)={XA(1)(1),XA(1)(2),…,XA(1)(n)}

。

其中

構(gòu)造一階累加序列的緊鄰序列

Z(1)={Z(1)(1),Z(1)(2),…,Z(1)(n)}。

其中Z(1)(k)(k=2,3，…,n)是一階累加序列中相鄰數(shù)據(jù)的平均值，即

GM(1,1)灰色差分方程定義為

XA(0)(k)+aXA(1)(k)=b(k=2,3,…,n)。

其中，灰色模型參數(shù)a和b分別代表發(fā)展系數(shù)和灰色輸入。由最小二乘法可得

[a,b]T=(BTB)-1BTY。

其中

將a和b代入灰色模型白化方程

解得XA(1)在下一時(shí)刻(k+1)的預(yù)測(cè)值

再經(jīng)一次累減，可得XA(0)在(k+1)時(shí)刻的預(yù)測(cè)值

預(yù)測(cè)誤差為

1.2 預(yù)測(cè)模型的動(dòng)態(tài)更新

[a,b]T與真實(shí)數(shù)據(jù)密切相關(guān)，若始終采用固定的[a,b]T進(jìn)行預(yù)測(cè)數(shù)據(jù)，會(huì)增大預(yù)測(cè)誤差，降低數(shù)據(jù)可靠性，故考慮采用動(dòng)態(tài)灰色預(yù)測(cè)模型進(jìn)行數(shù)據(jù)預(yù)測(cè)。

動(dòng)態(tài)灰色預(yù)測(cè)模型以恒定長(zhǎng)度的歷史數(shù)據(jù)預(yù)測(cè)時(shí)間序列的未來(lái)數(shù)據(jù)值。在GM(1,1)模型基礎(chǔ)上，采用新陳代謝的方式更新模型，在預(yù)測(cè)模型中不斷加入新的真實(shí)信息，并去掉相同個(gè)數(shù)的舊信息，不斷更新的數(shù)據(jù)就會(huì)降低模型的灰度，使預(yù)測(cè)數(shù)據(jù)更加接近真實(shí)值。對(duì)于短期的預(yù)測(cè),選用較小的樣本數(shù)據(jù)，如樣本不少于 4個(gè)，即可以獲得較好預(yù)測(cè)結(jié)果。與GM(1,1)模型相比，動(dòng)態(tài)模型計(jì)算效率更高，復(fù)雜度更低，而且所需內(nèi)存更少。

2 無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合

DG-DFA將灰色動(dòng)態(tài)預(yù)測(cè)模型和無(wú)線傳感器網(wǎng)絡(luò)分簇路由協(xié)議相結(jié)合，由簇內(nèi)節(jié)點(diǎn)對(duì)所采集歷史數(shù)據(jù)應(yīng)用動(dòng)態(tài)灰色預(yù)測(cè)模型來(lái)預(yù)測(cè)下一輪次數(shù)據(jù)值。若預(yù)測(cè)誤差在所設(shè)定閾值范圍內(nèi)，則無(wú)需上傳本次采集數(shù)據(jù)，更新本地?cái)?shù)據(jù)即可；否則，上傳本次數(shù)據(jù)，再更新本地存儲(chǔ)數(shù)據(jù)。

為簡(jiǎn)化問(wèn)題陳述，假設(shè)無(wú)線傳感器網(wǎng)絡(luò)滿(mǎn)足：

(1) 所有節(jié)點(diǎn)在部署之后不能隨意移動(dòng)，且每個(gè)節(jié)點(diǎn)具有唯一的網(wǎng)內(nèi)標(biāo)識(shí)ID號(hào)；

(2) 節(jié)點(diǎn)的初始能量相同，不存在能量補(bǔ)給；

(3) 普通傳感器節(jié)點(diǎn)與匯聚節(jié)點(diǎn)之間的傳輸是可靠的，普通節(jié)點(diǎn)每一輪次傳輸一次數(shù)據(jù)；

(4) 匯聚節(jié)點(diǎn)位置固定，且有足夠的計(jì)算能力、能量和存儲(chǔ)能力。

在DG-DFA所采用的無(wú)線傳感器網(wǎng)絡(luò)分簇路由協(xié)議中，普通節(jié)點(diǎn)工作過(guò)程分為3個(gè)階段：歷史數(shù)據(jù)的采集階段，未來(lái)數(shù)據(jù)的預(yù)測(cè)階段，以及判定是否發(fā)送數(shù)據(jù)階段。

在網(wǎng)絡(luò)初始工作時(shí)，節(jié)點(diǎn)沒(méi)有足夠歷史數(shù)據(jù)，無(wú)法預(yù)測(cè)，此時(shí)節(jié)點(diǎn)采集數(shù)據(jù)并存儲(chǔ)，同時(shí)將收集數(shù)據(jù)上傳至匯聚節(jié)點(diǎn)，匯聚節(jié)點(diǎn)同樣儲(chǔ)存本次收到數(shù)據(jù)。當(dāng)完成建模所需數(shù)據(jù)量的采集后，節(jié)點(diǎn)采用動(dòng)態(tài)灰色預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，并計(jì)算預(yù)測(cè)值與實(shí)際感知數(shù)據(jù)值間的誤差。如果預(yù)測(cè)誤差小于所設(shè)定的閾值ε，節(jié)點(diǎn)不發(fā)送本次采集數(shù)據(jù)，只更新節(jié)點(diǎn)儲(chǔ)存數(shù)據(jù)；如果預(yù)測(cè)誤差大于所設(shè)定的閾值ε，節(jié)點(diǎn)發(fā)送本次采集數(shù)據(jù)到匯聚節(jié)點(diǎn)，同時(shí)更新節(jié)點(diǎn)儲(chǔ)存數(shù)據(jù)，匯聚節(jié)點(diǎn)則同時(shí)更新本地?cái)?shù)據(jù)。

通過(guò)分簇協(xié)議對(duì)網(wǎng)絡(luò)分簇后，即可對(duì)簇內(nèi)節(jié)點(diǎn)運(yùn)行DG-DFA，其具體步驟如下。

步驟1 各簇節(jié)點(diǎn)采集數(shù)據(jù)并存儲(chǔ)數(shù)據(jù)，判斷所存儲(chǔ)數(shù)據(jù)是否滿(mǎn)足建模所需數(shù)據(jù)個(gè)數(shù)。若滿(mǎn)足則執(zhí)行下一步，否則，發(fā)送本次采集數(shù)據(jù)。

步驟2 各簇節(jié)點(diǎn)對(duì)所存儲(chǔ)歷史數(shù)據(jù)構(gòu)造原始序列XA(0)，應(yīng)用GM(1,1)模型，得出下一輪次預(yù)測(cè)數(shù)據(jù)XP(1)(k+1)。

步驟3 計(jì)算預(yù)測(cè)值XP(1)(k+1)與本輪采集數(shù)據(jù)XA(0)(k+1)之間的誤差e。

步驟4 比較預(yù)測(cè)誤差e與所設(shè)定閾值ε。如若e<ε,不發(fā)送本輪采集數(shù)據(jù)，否則,發(fā)送本輪采集數(shù)據(jù)。

步驟5 更新本地存儲(chǔ)數(shù)據(jù)，將本輪次采集數(shù)據(jù)存儲(chǔ)，并刪除最舊數(shù)據(jù)XA(0)(1)，跳轉(zhuǎn)至步驟2。

3 實(shí)驗(yàn)仿真

3.1 參數(shù)設(shè)置

采用Matlab進(jìn)行模擬仿真實(shí)驗(yàn)。將100個(gè)傳感器節(jié)點(diǎn)隨機(jī)部署在100 m×100 m的正方形區(qū)域[12-13]，基站(匯聚節(jié)點(diǎn))坐標(biāo)為(50,50)，仿真最大輪數(shù)設(shè)為2 000次。更多具體參數(shù)如表1所示，其中Eelec為節(jié)點(diǎn)發(fā)送或接受單位長(zhǎng)度數(shù)據(jù)的電路能耗,εfs為此模型的電路能耗參數(shù),εmp為此模型電路能耗參數(shù),Eda為融合單位比特?cái)?shù)據(jù)所消耗的能量。

表1 仿真實(shí)驗(yàn)參數(shù)

利用DG-DFA，發(fā)送和接收l(shuí)比特?cái)?shù)據(jù)的能耗為[14]

其中

即當(dāng)d≤d0時(shí),采用自由空間模型，而當(dāng)d>d0時(shí)，采用多路徑衰減模型。

3.2 實(shí)驗(yàn)結(jié)果

通過(guò)仿真實(shí)驗(yàn)對(duì)比DG-DFA和未采用數(shù)據(jù)融合的低功耗自適應(yīng)集簇分層協(xié)議 (Low Energy Adaptive Clustering Hierarchy, LEACH)算法進(jìn)行對(duì)比。

兩種算法的生命周期比照結(jié)果如圖1所示，從中可見(jiàn)節(jié)點(diǎn)死亡的情況：LEACH算法在第973輪次開(kāi)始出現(xiàn)死亡節(jié)點(diǎn)，至第1 408輪次所有節(jié)點(diǎn)全部死亡；DG-DFA在直至第1 228輪次節(jié)點(diǎn)才開(kāi)始死亡，直至第1 953輪次節(jié)點(diǎn)全部死亡。因?yàn)闇p少了網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量，DG-DFA的生存時(shí)間較LEACH算法提高了39%。

圖1 兩種算法的生命周期

兩種算法的傳輸數(shù)據(jù)量比照結(jié)果如圖2所示，LEACH算法的網(wǎng)絡(luò)傳輸數(shù)據(jù)量為105 490個(gè)數(shù)據(jù)包，而DG-DFA的網(wǎng)絡(luò)傳輸數(shù)據(jù)量只有69 356個(gè)數(shù)據(jù)包。DG-DFA比LEACH算法減少了34%的網(wǎng)絡(luò)數(shù)據(jù)傳輸，故能有效延長(zhǎng)網(wǎng)絡(luò)生存時(shí)間。

圖2 兩種算法的數(shù)據(jù)傳輸量

兩種算法的網(wǎng)絡(luò)剩余能量比照結(jié)果如圖3所示，從中可見(jiàn)，LEACH算法在第1 408輪次能量已耗盡，而DG-DFA直至第1 953輪次才耗盡能量。DG-DFA的剩余能量一直大于LEACH算法的剩余能量，其網(wǎng)絡(luò)耗能顯然要比LEACH算法低，這也是其生存周期長(zhǎng)的原因之一。

圖3 兩種算法的網(wǎng)絡(luò)剩余能量

針對(duì)DG-DFA算法，設(shè)置不同預(yù)測(cè)誤差閾值，相應(yīng)的傳輸數(shù)據(jù)量也將隨之發(fā)生變化，如圖4所示。所采用閾值的大小與網(wǎng)絡(luò)數(shù)據(jù)傳輸量成反比：所設(shè)置的閾值越小，網(wǎng)絡(luò)傳輸數(shù)據(jù)量越多；反之，所設(shè)置的閾值越大，網(wǎng)絡(luò)傳輸數(shù)據(jù)量越少。不過(guò)，閾值過(guò)大會(huì)損失部分?jǐn)?shù)據(jù)精度，故閾值設(shè)定因由用戶(hù)根據(jù)需求來(lái)設(shè)定。

圖4 DG-DFA不同閾值對(duì)應(yīng)的傳輸數(shù)據(jù)量

4 結(jié)語(yǔ)

將灰色預(yù)測(cè)模型應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合中，給出一種基于動(dòng)態(tài)灰色預(yù)測(cè)模型的數(shù)據(jù)融合算法。利用動(dòng)態(tài)灰色預(yù)測(cè)模型對(duì)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行預(yù)測(cè)，并借助預(yù)測(cè)誤差，決定是否進(jìn)行數(shù)據(jù)傳輸，由此可以減少網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量，節(jié)省網(wǎng)絡(luò)能量。所給算法計(jì)算簡(jiǎn)單高效，所需建模樣本數(shù)據(jù)量小，需占內(nèi)存空間較小，有利于硬件實(shí)現(xiàn)。

[1] 梁青,韓昊澎,李卓冉,等.一種無(wú)線傳感器網(wǎng)絡(luò)定位算法的改進(jìn)[J/OL].西安郵電大學(xué)學(xué)報(bào),2014,19(3):11-14[2016-07-08].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2014.03.003.

[2] 陳正宇，楊庚，陳蕾，等.無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究綜述[J/OL].計(jì)算機(jī)應(yīng)用研究，2011，28(5):1601-1604[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1001-3695.2011.05.001．

[3] 回春立，崔莉.無(wú)線傳感器網(wǎng)絡(luò)中基于預(yù)測(cè)的時(shí)域數(shù)據(jù)融合技術(shù)[J/OL].計(jì)算機(jī)工程應(yīng)用,2007,43(21):121-125[2016-07-08].http://dx.chinadoi.cn/10.3321/j.issn:1002-8331.2007.21.038.

[4] LI L, BAI F. Analysis of data fusion in wireless sensor networks[C/OL]//2011 International Conference on Electronics, Communications and Control (ICECC). [S.l]:IEEE,2011:2547-2549[2016-07-08].http://dx.doi.org/10.1109/ICECC.2011.6066544.

[5] 魏玉宏，田杰，孔韋韋.一種基于 LEACH 協(xié)議高效節(jié)能的數(shù)據(jù)融合算法[J/OL].傳感器與微系統(tǒng),2015,34(6):148-150[2016-07-08].http://dx.chinadoi.cn/10.13873/J.1000-9787(2015)06-0148-03.

[6]邱立達(dá)，劉天鍵，傅平.基于深度學(xué)習(xí)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合[J/OL].計(jì)算機(jī)應(yīng)用研究,2016,33(1)：185-188[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1001-3695.2016.01.043.

[7] 楊永健，劉帥.基于SOFM神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J/OL].傳感技術(shù)學(xué)報(bào),2013,26(12):1757-1763[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1004-1699.2013.12.026.

[8] 姜靜，侯振乾.GEP算法在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)中的仿真應(yīng)用[J/OL].沈陽(yáng)理工大學(xué)學(xué)報(bào),2014,33(6):16-20[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1003-1251.2014.06.004.

[9] 王衛(wèi)華.一種新型無(wú)線傳感網(wǎng)數(shù)據(jù)預(yù)測(cè)機(jī)制[J/OL].科學(xué)技術(shù)與工程,2013,13(1):240-243[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1671-1815.2013.01.053.

[10] KAYACAN E, ULUTAS B, KAYNAK O. Grey system theory-based models in time series prediction[J/OL].Expert Systems with Applications,2010,37(2):1784-1789[2016-07-08].http://dx.doi.org/10.1016/j.eswa.2009.07.064.

[11] 顧樂(lè)民.對(duì)GM灰色模型及理論的分析[J/OL].計(jì)算機(jī)工程與應(yīng)用,2016,52(6):1-7[2016-08-10].http://dx.chinadoi.cn/10.3778/j.issn.1002-8331.1506-0203.

[12] WEI G Y, LING Y, GUO B F, et al. Prediction-based data aggregation in wireless sensor networks: Combining grey model and Kalman Filter[J/OL].Computer Communication,2011,34(6):793-802[2016-07-08].http://dx.doi.org/10.1016/j.comcom.2010.10.003.

[13] LU T, ZHU Q X, ZHANG L. An improvement for LEACH algorithm in wireless sensor network[C/OL]//2010 the 5th IEEE Conference on Industrial Electronics and Applications (ICIEA). [S.l]:IEEE, 2010:1811-1814[2016-07-08].http://dx.doi.org/10.1109/ICIEA.2010.5515365.

[14] 陳秋紅,郭猛.基于PSO-BP的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究[J/OL].計(jì)算機(jī)測(cè)量與控制，2014,22(4):1212-1214[2016-08-20].http://dx.chinadoi.cn/10.3969/j.issn.1671-4598.2014.04.076.

[責(zé)任編輯:陳文學(xué)]

Wireless sensor network data fusion algorithm based on grey prediction

LIANG Qing, ZHU Ting

(School of Electronic Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

As the monitoring informations of wireless sensor networks is of high temporal correlation, a data fusion algorithm based on dynamic grey prediction model (DG-DFA) is proposed. The dynamic grey model is used to deal with the historical data, and predict the future values of all nodes. If the prediction error is greater than the threshold, the current round data is transmitted, otherwise, the transmission is given up, thus, the amount of network data transmission can be reduced. Simulation experiments show that, compared with the low energy adaptive clustering hierarchy (LEACH) algorithm not using data fusion, the data transfer quantity of the given algorithm DG-DFA can be reduced by 34%, and the network lifetime can be extended by 39%.

wireless sensor network, data fusion, prediction algorithm, dynamic grey model

10.13682/j.issn.2095-6533.2016.06.020

2016-09-01

國(guó)家自然科學(xué)基金資助項(xiàng)目(61202490)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃資助項(xiàng)目(2014JM2-6117)；陜西省教育廳科學(xué)研究計(jì)劃資助項(xiàng)目(15JK1654)

梁青(1966-)，女，教授，從事無(wú)線傳感器網(wǎng)絡(luò)研究。E-mail:liangqing@xupt.edu.cn 朱婷(1990-)，女，碩士研究生，研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合。E-mail:379877278@qq.com

TP393

A

2095-6533(2016)06-0103-05