王麗紅

摘要：數(shù)據(jù)融合是通過算法處理原始數(shù)據(jù)，去除冗余信息，形成高質(zhì)量的融合數(shù)據(jù)傳輸?shù)絽R聚節(jié)點(diǎn)，從而減少數(shù)據(jù)傳輸量，達(dá)到節(jié)省能量，延長(zhǎng)網(wǎng)絡(luò)壽命，提高數(shù)據(jù)收集效率和準(zhǔn)確度的目的。文中對(duì)近年來數(shù)據(jù)融合算法的研究現(xiàn)狀進(jìn)行了全面深入分析，根據(jù)融合過程中采用的融合方法，將現(xiàn)有的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法分為了基于估計(jì)方法、統(tǒng)計(jì)方法、信息論方法、人工智能方法四大類，對(duì)這四類技術(shù)從原理上進(jìn)行了綜述，對(duì)其中涉及到的不同融合算法從性能、時(shí)延、復(fù)雜度以及能耗方面進(jìn)行了詳細(xì)分析。

關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)；數(shù)據(jù)融合；能耗；網(wǎng)絡(luò)壽命

引言：無線傳感器網(wǎng)絡(luò)是由大量傳感器節(jié)點(diǎn)組成的無線通信網(wǎng)絡(luò)。傳感器節(jié)點(diǎn)小，能量非常有限，且后期難以補(bǔ)充。在WSN中消耗能量分?jǐn)?shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)處理三部分，其中數(shù)據(jù)傳輸消耗的能量最多，因此降低數(shù)據(jù)傳輸消耗的能量是節(jié)能的關(guān)鍵。數(shù)據(jù)融合即通過一定的算法處理原始數(shù)據(jù)，去除冗余信息，形成高質(zhì)量的融合數(shù)據(jù)傳輸?shù)絽R聚節(jié)點(diǎn)，從而減少數(shù)據(jù)傳輸量，達(dá)到節(jié)省能量，延長(zhǎng)網(wǎng)絡(luò)壽命，提高數(shù)據(jù)收集效率和準(zhǔn)確度的目的。構(gòu)建合適的數(shù)據(jù)融合算法是消除冗余信息、節(jié)省網(wǎng)絡(luò)能耗、延長(zhǎng)網(wǎng)絡(luò)周期的關(guān)鍵。

在無線傳感器網(wǎng)絡(luò)中用到的數(shù)據(jù)融合算法有很多種，本文將數(shù)據(jù)融合算法大致分為四類：基于估計(jì)理論的數(shù)據(jù)融合、基于統(tǒng)計(jì)理論的數(shù)據(jù)融合、基于信息論的數(shù)據(jù)融合、基于人工智能的數(shù)據(jù)融合。

1基于估計(jì)理論的數(shù)據(jù)融合算法

1.1基于權(quán)系數(shù)的數(shù)據(jù)融合。采用自適應(yīng)加權(quán)平均法（self-adap-tion of weighted average，SAWA）來融合多個(gè)數(shù)據(jù)，采用模糊理論剔除疏失數(shù)據(jù)，推導(dǎo)了加權(quán)因子的計(jì)算公式。并對(duì)融合過程采用蒙特卡洛統(tǒng)計(jì)，消除隨機(jī)誤差。

在加權(quán)平均算法的基礎(chǔ)上，提出了利用窗口中各數(shù)據(jù)源有效像元所占的比例來確定其對(duì)應(yīng)權(quán)值的自適應(yīng)加權(quán)平均融合算法。該算法在保持原數(shù)據(jù)細(xì)節(jié)特征的基礎(chǔ)上，保證了數(shù)據(jù)連續(xù)性，提高數(shù)據(jù)空間覆蓋率和置信度。

1.2基于極大似然估計(jì)的數(shù)據(jù)融合。提出了一種基于多比特量化觀測(cè)的分布式估計(jì)方法（MQS），給出了克拉美羅下界的解析表達(dá)式，并與均勻量化方法（UQS）和未量化方法（NQS）進(jìn)行對(duì)比。MQS的性能優(yōu)于UQS，當(dāng)量化深度增大到3時(shí)，MQS的估計(jì)性能十分接近NQS的估計(jì)性能。

提出了合作信息聚集法來解決無線傳感器網(wǎng)絡(luò)中分布式估計(jì)問題。設(shè)計(jì)了聚合硬判估計(jì)器和聚合極大似然估計(jì)器，將每個(gè)節(jié)點(diǎn)的傳輸比特預(yù)先確定為資源分配的約束優(yōu)化問題，并提出了相應(yīng)的次優(yōu)資源分配策略，提高了數(shù)據(jù)的準(zhǔn)確性。但優(yōu)化問題中的資源分配向量難以確定，進(jìn)而提高了算法的復(fù)雜度。

1.3基于卡爾曼濾波器的數(shù)據(jù)融合。針對(duì)多傳感器數(shù)據(jù)融合問題，提出了基于Kalman濾波的多傳感器測(cè)量數(shù)據(jù)融合方法，此方法不僅顯式考慮各測(cè)量設(shè)備的不確定性，而且還能實(shí)現(xiàn)單點(diǎn)和批量融合數(shù)據(jù)。

運(yùn)用量化新息與分散卡爾曼濾波相結(jié)合的方法，考慮了網(wǎng)絡(luò)帶寬與能耗，提出了量化新息分散卡爾曼濾波算法，有效解決了線性目標(biāo)跟蹤系統(tǒng)量化融合估計(jì)問題，同時(shí)節(jié)約了融合中心的能量消耗。

2基于統(tǒng)計(jì)理論的數(shù)據(jù)融合算法

2.1基于D-S證據(jù)理論的數(shù)據(jù)融合。將基于D-S證據(jù)理論的融合算法應(yīng)用在態(tài)勢(shì)感知領(lǐng)域的數(shù)據(jù)處理中，對(duì)網(wǎng)絡(luò)掃描和主機(jī)掃描等多種手段得到的脆弱性數(shù)據(jù)進(jìn)行融合與分析。該算法應(yīng)用時(shí)，只要將態(tài)勢(shì)數(shù)據(jù)處理到同一狀態(tài)空間，構(gòu)造對(duì)應(yīng)的概率分布函數(shù)，即可應(yīng)用。

針對(duì)在無線傳感器網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)本身能量有限的特性，提出一種基于D-S證據(jù)理論的組合數(shù)據(jù)融合算法。先依據(jù)數(shù)據(jù)的標(biāo)準(zhǔn)差進(jìn)行聚類，在用D-S證據(jù)推理算法進(jìn)行融合，最后通過計(jì)算馬哈諾比斯距離得出虛擬節(jié)點(diǎn)數(shù)據(jù)向量的異常值，把它作為加權(quán)權(quán)重進(jìn)行加權(quán)融合。

2.2基于貝葉斯估計(jì)的數(shù)據(jù)融合。采用了改進(jìn)的Bayes方法，用于基于分類任務(wù)域中的貝葉斯多傳感器數(shù)據(jù)融合的Dempster-Shafer理論進(jìn)行比較分析，引入新機(jī)制來考慮測(cè)量的不一致性，提高了估計(jì)值的精確度。改進(jìn)的Bayes方法能有效的增加數(shù)據(jù)的真實(shí)性，使后驗(yàn)概率的不確定性降低。

提將貝葉斯估計(jì)和卡爾曼濾波器結(jié)合起來，應(yīng)用于無線傳感網(wǎng)絡(luò)數(shù)據(jù)融合中。應(yīng)用前向?yàn)V波法、后向?yàn)V波法和前后向?yàn)V波法進(jìn)行數(shù)據(jù)融合。結(jié)合卡爾曼濾波器的貝葉斯融合算法能夠有效地解決數(shù)據(jù)的不確定性和不一致性。

3基于人工智能的數(shù)據(jù)融合算法

3.1基于模糊理論的數(shù)據(jù)融合。提出利用模糊理論中的相關(guān)性函數(shù)計(jì)算節(jié)點(diǎn)間相互支持程度，對(duì)支持程度高的傳感器進(jìn)行數(shù)據(jù)融合，并利用融合結(jié)果與服務(wù)質(zhì)量期望篩選出冗余節(jié)點(diǎn)，使其進(jìn)入休眠狀態(tài)。該方法能夠獲得更高的精度和可靠性，并能有效延長(zhǎng)網(wǎng)絡(luò)生命周期。

提出了一種基于模糊的數(shù)據(jù)融合方法的WSN，通過傳感器節(jié)點(diǎn)中嵌入的二型模糊邏輯系統(tǒng)對(duì)待發(fā)送的數(shù)據(jù)分配權(quán)重，簇頭進(jìn)行區(qū)分和聚合所收集的數(shù)據(jù)的真值后在報(bào)送到基站，從而減少在基站（BS）處理整個(gè)數(shù)據(jù)的負(fù)擔(dān)。該方法能夠它還能夠消除冗余數(shù)據(jù)，從而減少能量消耗，從而增加網(wǎng)絡(luò)壽命。

3.2基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合。將BP神經(jīng)網(wǎng)絡(luò)和傳感器網(wǎng)絡(luò)分簇路由協(xié)議進(jìn)行結(jié)合，提出了基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法（BPNDA，Back-Propagation Networks Data Aggregation）。每個(gè)簇就是一個(gè)神經(jīng)網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)中提取少量特征數(shù)據(jù)后發(fā)送至匯聚節(jié)點(diǎn)，從而提高數(shù)據(jù)收集效率，減少了網(wǎng)絡(luò)通信量，延長(zhǎng)網(wǎng)絡(luò)生存時(shí)間。文獻(xiàn)中未給出在缺乏缺乏訓(xùn)練集合情況下的實(shí)現(xiàn)方案。

為了降低無線傳感器網(wǎng)絡(luò)的通信量，降低能耗，延長(zhǎng)網(wǎng)絡(luò)的生命周期。提出了一種基于SOFM（Self-Organizing Feature Mapping）神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法（SOFMDA），該算法將自組織映射神經(jīng)網(wǎng)絡(luò)和無線傳感器網(wǎng)絡(luò)分簇路由協(xié)議相結(jié)合，使簇中的各個(gè)節(jié)點(diǎn)完成神經(jīng)元的工作，按照數(shù)據(jù)的特征對(duì)其進(jìn)行分類，提取同類數(shù)據(jù)的特征，將特征數(shù)據(jù)發(fā)送到匯聚節(jié)點(diǎn)，從而減少了數(shù)據(jù)發(fā)送量，延長(zhǎng)網(wǎng)絡(luò)的生命期。

為了解決BP神經(jīng)網(wǎng)絡(luò)收斂慢、易陷入局部最優(yōu)值且泛化能力差從而影響數(shù)據(jù)融合效果的問題，提出一種將深度學(xué)習(xí)技術(shù)與分簇協(xié)議相結(jié)合的數(shù)據(jù)融合算法AESMDA。SAESMDA用基于層疊自動(dòng)編碼器（SAE）的深度學(xué)習(xí)模型SAESM取代BP神經(jīng)網(wǎng)絡(luò)，算法首先在匯聚節(jié)點(diǎn)訓(xùn)練SAESM并對(duì)網(wǎng)絡(luò)分簇，接著各簇節(jié)點(diǎn)通過SAESM對(duì)采集數(shù)據(jù)進(jìn)行特征提取，之后由簇首將分類融合后的特征發(fā)送至匯聚節(jié)點(diǎn)。在網(wǎng)絡(luò)能耗大致相同的情況下具有更高的特征提取分類正確率。

3.3基于遺傳算法的數(shù)據(jù)融合。結(jié)合遺傳算法全局搜索和模擬退火算法局部搜索的優(yōu)點(diǎn)，提出一種模擬退火遺傳算法的WSN數(shù)據(jù)融合方法（SA-GA）。采用模擬退火遺傳算法快速找到移動(dòng)代理路由最優(yōu)傳感器節(jié)點(diǎn)序列，并實(shí)現(xiàn)數(shù)據(jù)融合。SA-GA更能快速找到全局最優(yōu)數(shù)據(jù)融合節(jié)點(diǎn)序列，并對(duì)數(shù)據(jù)進(jìn)行有效融合，具有更小的網(wǎng)絡(luò)能耗和網(wǎng)絡(luò)延時(shí)。

提出了遺傳機(jī)器學(xué)習(xí)算法，允許在網(wǎng)絡(luò)中實(shí)現(xiàn)并行數(shù)據(jù)融合技術(shù)。能夠通過使用遺傳機(jī)器學(xué)習(xí)算法在不同用戶定義的度量之間進(jìn)行權(quán)衡。動(dòng)態(tài)調(diào)整節(jié)點(diǎn)把數(shù)據(jù)發(fā)送到基站的概率，提高了融合數(shù)據(jù)的正確率，減少了數(shù)據(jù)傳輸量，延長(zhǎng)了網(wǎng)絡(luò)壽命，但存在數(shù)據(jù)延遲。

4總結(jié)

由于傳感器節(jié)點(diǎn)分布的隨機(jī)性及相鄰節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)的相似性，導(dǎo)致無線傳感器網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)的冗余性。而無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合即通過多層次、多方面的特征提取將時(shí)間與空間上的互補(bǔ)與冗余信息依照某種優(yōu)化準(zhǔn)則重新組合起來。用以提升數(shù)據(jù)可信度以及有效性、節(jié)省通信帶寬及提高網(wǎng)絡(luò)生命周期。