多層Agent數據融合的無線傳感器決策網絡及其多樣性研究

戴志鋒，李元香

（1．湖北經濟學院信息管理學院，武漢430205；2．武漢大學計算機學院，武漢430072）

多層Agent數據融合的無線傳感器決策網絡及其多樣性研究

戴志鋒1，2，李元香2

（1．湖北經濟學院信息管理學院，武漢430205；2．武漢大學計算機學院，武漢430072）

為實現無線傳感器網絡（WSN）原始感知數據融合中不確定分析的量化決策和智能處理，在WSN層次化的數據融合機制下，引入粗糙集理論的決策表和決策網絡智能技術，設計智能型和規則型2類Agent，由此構建多層Agent數據融合的無線傳感器決策網絡（WSDN）模型，并研究層間智能Agent型和屬性間規則Agent型WSDN的多樣性。應用結果表明，該模型能較好地適用于典型的WSN場合，實現Agent間的融合優化與智能決策。

無線傳感器決策網絡；智能Agent；規則Agent；多樣性；數據融合；決策表

1 概述

物聯網被公認為是繼計算機、互聯網與移動通信網之后引領世界信息產業革命的第3次浪潮，無線傳感器網絡（Wireless Sensor Network，WSN）被視為物聯網感知事物、傳輸數據的重要手段［1］，基于傳感器網絡技術的物聯網應用的核心是全新信息獲取下智能感知交互，更重要的是基于這些交互信息利用各種智能計算技術進行智能分析與處理［2］，通過諸多傳感器協同之后融合成智能的“知識”和判斷，進而提供智能決策和智能服務。傳感器的電源能量極其有限，傳感器傳輸信息要比執行計算更消耗電能，物聯網數據的時空相關性又導致感知信息的高度冗余性，而因其能有效減少數據傳輸量，降低數據傳輸沖突，提高通信效率，最大化網絡生命周期，數據融合已成為物聯網信息感知的關鍵技術和研究熱點［3］。

感知對象一般通過表示物理現象的數字量來表征，大部分傳感器采樣數據是數值型的，WSN以數

據為中心的特點使得可把傳感器視為感知數據源，傳感器網絡視為一個基于關系模型的感知數據“鍵屬性值”數據庫［4］，從而利用粗糙集理論（Rough Set Theory，RST）的信息表知識表達系統，每個傳感對象對應于一個元組，構成節點集關于屬性集的決策信息表，決策信息表首先去除冗余重復傳感數據記錄，進一步地，在粗糙集理論中，知識約簡屬重要的研究內容，也是知識獲取的關鍵步驟［5］，因而可能直接而廣泛地應用于整個WSN數據融合之中。

傳感器網絡中的傳感器都具有嵌入式處理器和存儲器，都具有計算能力，可以完成一定信息處理工作，同時，傳感器通信部件負責與其他傳感器的通信［4］，如何使用大量具有有限節點資源的傳感器對物聯網信息進行協作分布式交互和分析處理，尤其是隨著不確定性數據廣泛出現在大規模傳感器網絡系統等諸多現實應用領域之中［6］，又如何對不確定性感知信息和數據進行更加有效而智能化的分析和挖掘，從而發現不確定性信息中蘊涵的確定性知識和規律［7］，這些都是人們所面臨的帶挑戰性研究課題。粗糙集理論作為一種新的研究不精確、不確定性知識的有效數學工具與數據分析理論，廣泛應用于對不確定、不精確、不一致、不完整信息與知識的定量分析處理以及對大規模海量數據的挖掘和對復雜問題的求解等領域［5，7］，已成為一種重要的智能信息處理技術，并且其中決策網絡及其簡化形式能直觀圖示和量化分析決策規則以及決策規則之間關系［8］。

針對WSN在醫療保健領域應用中不確定傳感數據的智能信息處理問題，文獻［9］運用WSN硬件智能和RST及其決策網絡軟件智能，定義了若干類智能Agent，相應地搭建了多智能體系統框架，構筑了一種醫療保健傳感器決策網絡（Healthcare Sensor Decision Network，HSDN），并在一定程度上探討了HSDN的多樣性，但仍需在決策結構上做進一步改進。因此，本文在上述研究的基礎上，力求拓展WSN智能信息處理方向的研究，嘗試建立一種統一的一般化無線傳感器決策網絡（W ireless Sensor Decision Network，WSDN）模型，進而探析其網絡多樣性以及不同多樣性之間可能的關聯性與層次性。

2 W SN數據融合

傳感器數據管理分為2個階段：（1）即分布式實時性采集與分析階段，實現WSN數據收集、聚集和一定分析處理的主要功能；（2）集中式復雜查詢、異構集成與潛在知識挖掘階段，滿足高層次的分析挖掘應用需求［10］。鑒于WSN節點普遍具有一定智能化信息處理能力而又能量等資源較為局限的特性，同時為不失一般性，又做一定合理而理想化假設，并進行必要的數據預處理，諸如假定Sink節點具備一定相應的分析挖掘能力，通過采樣頻率、狀態變化閾值等手段調控周期性傳感數據收集，將非數值型原始采樣數據轉換歸并為數值型采樣數據等，本文主要結合分布式基本數據管理并兼顧集中式知識挖掘兩階段方式開展后續相關研究工作。

為探索能耗約束和能量均衡的有效的數據收集、聚集和融合方法與機制，傳感器采樣數據分布式存儲方法將采樣數據直接存儲在各傳感器節點，或者存放在Sink節點［10］。并且，基于空間相關性將傳感器節點劃分為若干層次式分簇［3］，簇狀結構具有適合大規模的網絡環境、可擴展性好、數據融合簡單及能量效率高等諸多優點［11］。本文也以這種典型的WSN樹型邏輯分層簇結構為基礎，簇內信息收集、融合后通過簇間路由轉發將各個簇連接起來與Sink節點進行通信，Sink再通過Internet或通信衛星與任務管理節點通信，實現大規模感知數據集上層次式處理，而傳感器節點、簇頭節點和Sink節點數據處理的3個環節均可能存在不確定性，通過在不同層次上逐級處理不確定性，提高WSN數據融合的整體清晰度。

基于W SN網絡結構對應自身硬件智能，進一步挖掘運用RST決策表數學建模及決策網絡決策分析所蘊含軟件智能，共同定義不同層次不同類型Agent，給予Agent自治性以及協作過程以宏觀上引導之組織性，讓Agent之間、Agent與環境之間進行互動、溝通和協作［12］。最終，從信息智能化處理視角，因智能Agent之間的交互、協作等局部行為而產生系統全局行為［13］，從而從總體上構建一個數據融合自組織網絡和協同決策模型，提升WSN數據融合的研究高深度。

3 無線傳感器決策網絡

3.1 多層Agent分類

WSN數據融合體分布于WSN數據傳感、匯聚、分析和信息決策的全過程之中，主要表現為2種類型、不同層次的Agent：

（1）智能型Agent。WSN融合體在結構上依托于Sensor、Cluster和Sink 3層節點的物理硬件，功能上實現Sensor分布式數據采集、Cluster分布式數據匯聚和Sink集中式信息決策分析，同時，呈現出一定的智能性、層間層內協同性，進而演變為3種層次性智能Agent即傳感采集Agent（Sensor Collecting Agent，SCA）、簇匯聚Agent（Cluster Assembling Agent，CAA）和錨決策Agent（Sink Decision-making Agent，SDA）。

（2）規則型Agent。決策表為W SN數據融合的主要形式化載體，決策表中每一行記錄本身代表一條決策規則，同時，對應于一個Agent，這種規則型Agent又劃分為廣義性層面的和知識性層面的，廣義性的為原始傳感數據所構成的決策表中規則，知識

性的則為約簡決策表或簡化決策網絡相應的簡化決策表中規則。

智能型Agent與規則型Agent相互獨立地進行區分，智能型Agent跨越Sensor，Cluster和Sink 3個層次，屬于WSN數據融合出發點和初始階段融合體，側重于傳感數據智能感知、匯聚和預處理；規則型Agent主要對應于Sink甚至后端更高層次，屬于WSN數據融合歸結點和高級階段融合體，側重于傳感規則智能分析、挖掘和決策。同時，兩者在Sink層次實現前后關聯銜接、相輔相成，共同構成WSN數據融合決策過程中的有機組成部分，廣義性規則型Agent經SCA采集、CAA匯聚，最終在SDA及以上層次經約簡或簡化轉化為知識性規則型Agent。

3.2 無線傳感器決策網絡模型設計

基于智能型Agent和規則型Agent，并將其運用融入于WSN一體化數據融合之中，實現多層Agent與決策表、決策網絡深度關聯、結合，以此進一步地構建一種無線傳感器決策網絡模型，如圖1所示。由圖1可知，首先，在SCA底層，每個Sensor節點對應于一個SCA，用于傳感采集原始數據；其次，在CAA中間層，各Cluster簇頭節點即為一個CAA，負責匯聚收集簇內數據；最后，在SDA最高層，Sink節點所對應的SDA，則歸并整個WSN傳感數據并進行分析挖掘數據預處理。在WSN數據融合過程中，信息系統及決策表建模、決策網絡決策分析等主體處理集中在Sink節點進行，但數據依次分布來源于Cluster簇頭節點和Sensor節點，且大規模傳感數據在Sink節點被劃分成不同決策表及相應決策網絡進行并行融合處理。同時，在層間關聯方面，SCA層SCA實體集與CAA層CAA實體集為多對一聯系，CAA層CAA實體集則分別與SDA層決策表實體集、決策網絡實體集及相應傳感規則實體集均為多對多聯系。

圖1 W SDN決策層次結構

在WSDN決策層次結構中，整體上形成硬件智能與軟件智能融合機制。SCA層傳感采集Agent與CAA層簇匯聚Agent屬于智能型Agent，智能性主要體現在相應WSN節點本身傳感匯聚數據的硬件智能方面；SDA層智能型錨決策Agent則在呈現Sink節點硬件智能的同時，智能性更多地表現為向軟件智能的過渡延伸，并上升至規則型Agent運用層次。規則型Agent智能性蘊含于決策表及決策網絡等RST高級形式軟件智能信息處理特性運用于WSN信息決策分析之上，體現于有效的不確定性數據處理、深化的知識約簡進而內在知識性規則挖掘的智能決策之中。

4 無線傳感器決策網絡的多樣性

4.1 層間智能Agen t型W SDN

從智能型Agent角度深入研究無線傳感器決策網絡多樣性，便派生出層間智能Agent型WSDN，如圖2所示。

圖2 層間智能Agent型W SDN框架

由圖2可知，SCA層SCA實體集｛SCA1，SCA2，…，SCAi｝、CAA層CAA實體集｛CAA1，CAA2，…，CAAj｝，以及SDA層傳感規則集｛R1SDA，R2SDA，…，RkSDA｝，構成SCA-CAA-SDA決策表及SCA-CAA-SDA決策網絡，進而從WSDN決策層次結構角度構建層間智能Agent型WSDN，并基于外部來源進行整體上的廣義性決策規則統計分析。

具體地，由SCA-CAA-SDA決策表構建SCACAA-SDA決策網絡，并進行決策網絡圖簡化，依次得到簡化CAA-SDA決策網絡及決策表，以及對應的不確定性決策規則和確定性決策規則的集合，進一步地再依次獲取僅保留部分主要決策規則的近似CAA-SDA決策網絡及決策表，以及近似確定性決策規則集。從圖中關聯多重性標記可知，SCA-CAASDA決策網絡與簡化CAA-SDA決策網絡，以及簡化CAA-SDA決策網絡與近似CAA-SDA決策網絡，分別均為一對一關聯。

4.2 屬性間規則Agent型W SDN

屬性間規則Agent型W SDN則從規則型Agent角度構成無線傳感器決策網絡多樣性的另一個方面，屬性間規則Agent型W SDN框架如圖3所示。

圖3 屬性間規則Agent型W SDN框架

由圖3可知，不同傳感條件屬性（Condition A ttribute，CA）如CA1、CA2等和傳感決策屬性（Decision A ttribute，DA）及其傳感規則（如圖3中從CA1、CA2等條件屬性取值到DA決策屬性取值具體組合），構成CA-DA決策表及CA-DA決策網絡，進而從傳感規則深度分析挖掘角度構建屬性間規則Agent型WSDN，并基于內在因果進行深層次的知識性決策規則簡化與約簡。

第1條路徑，根據CA-DA決策表的具體決策規則進行條件屬性相對約簡，依次得到約簡CA-DA決策表及決策網絡，進而獲取隱藏規則及其實例約簡決策規則所組成的確定性決策規則集；第2條路徑，在不確定性決策及其協同機制下，由CA-DA決策網絡進行決策網絡圖簡化，依次得到簡化CA-DA決策網絡及決策表，以及對應的不確定性決策規則和確定性決策規則的集合，進一步地再依次獲取僅保留部分主要決策規則的近似CA-DA決策網絡及決策表，以及近似確定性決策規則集。上述兩條路徑均體現出從具體到一般再到具體的規則認知過程，且簡化CA-DA決策表也可進行條件屬性相對約簡，從而轉化為約簡CA-DA決策表，實現第2條路徑到第1條路徑的轉換。從圖中關聯多重性標記可知，CA-DA決策表與約簡CA-DA決策表，CA-DA決策網絡與簡化CA-DA決策網絡，以及簡化CA-DA決策表與約簡CA-DA決策表，分別均為一對多關聯；而簡化CA-DA決策網絡與近似CA-DA決策網絡為一對一關聯。

4.3 多樣性W SDN的關聯

在層間智能Agent型WSDN和屬性間規則Agent型WSDN框架圖中，上階段、下階段構成外部銜接處理關系，決策表、決策網絡形成階段內部前后轉化關系。下階段前部分的決策表或決策網絡，由

上階段相應的決策表或決策網絡經過銜接處理得來，并進一步完成本階段內前部分到后部分決策表與決策網絡之間的轉化。

2種WSDN多樣性統一于決策表和決策網絡，以及決策規則和Agent的外在表現形式，而區別于其不同內涵。層間智能Agent型W SDN中決策表由條件屬性“SCA”、“CCA”和決策屬性“傳感規則”組成，決策規則及其對應的Agent為決策表意義上特定性的，反映的是SCA、CCA對傳感規則的取向關系；屬性間規則Agent型WSDN中決策表由不同傳感條件屬性CA 1、CA2等和傳感決策屬性DA組成，決策規則及其對應的Agent為實際應用中廣義性或知識性的，反映的是傳感條件屬性和傳感決策屬性之間因果關系。

2種WSDN多樣性之間呈現一種遞進關系，層間智能Agent型WSDN首先從數據傳感總體上統計分析SDA層傳感規則的外部來源分布，進而屬性間規則Agent型WSDN從信息決策深層次挖掘傳感規則的內在知識性因果關系，兩者結合從宏觀和微觀不同層面推進無線傳感器決策網絡的知識決策過程。

5 算法與實例

基于文獻［8］所定義的支持度、確定因子、強度因子和覆蓋因子等決策網絡相關術語，具體結合SCA-CAA-SDA決策網絡，提出實現算法，并相應給出可穿戴傳感在健康醫療領域應用的決策分析實例。

5.1 實現算法描述

相應于層間智能Agent型W SDN，無線傳感器決策網絡實現算法描述如下：

輸入 SCA-CAA-SDA決策表及相關集合｛SCA1，SCA2，…，SCAi｝，｛CAA1，CAA2，…，CAAj｝，｛R1SDA，R2SDA，…，RkSDA｝，｛Supp（SCAf，CAAg，RhSDA）|f∈｛1，2，…，i｝，g∈｛1，2，…，j｝，h∈｛1，2，…，k｝｝，閾值TCer

輸出DN，DNSimp，DNAppr

Step1SCA-CAA層、CAA-SDA層決策規則預處理。依據SCA-CAA-SDA決策表，分層構建SCACAA層、CAA-SDA層2個決策規則子集。

Step2SCA-CAA-SDA決策網絡構造，生成DN。執行決策規則子集、決策規則嵌套循環，據｛Supp（SCAf，CAAg，RhSDA）|f∈｛1，2，…，i｝，g∈｛1，2，…，j｝，h∈｛1，2，…，k｝｝和決策網絡相關術語計算公式，逐一計算SCA-CAA層、CAA-SDA層決策規則子集中每條決策規則之Cer，Str，Cov等量化因子值，構造SCA-CAA-SDA決策網絡。

Step3SCA-CAA-SDA決策網絡簡化，生成DNSimp。SCA-CAA-SDA決策網絡簡化，截取簡化CAA-SDA決策網絡。

Step4簡化CAA-SDA決策網絡近似、優化，生成DNAppr。篩選并僅保留簡化CAA-SDA決策網絡中Cer≥TCer之決策規則，獲得近似CAA-SDA決策網絡。

在上述算法中，支持度Supp（SCAf，CAAg，RhSDA）表示經SCAf采集、CAAg匯聚的傳感決策規則RhSDA的數量，DN、DNSimp和DNAppr各自代表決策網絡、簡化決策網絡和近似決策網絡，Cer，Str和Cov分別表示決策規則確定因子、強度因子和覆蓋因子。

根據Supp（SCAf，CAAg，RhSDA），由式（1）和式（2）分別計算得到SCA-CAA層、CAA-SDA層決策規則子集中決策規則的支持度Supp（SCAf，CAAg），Supp（CAAg，RhSDA），并依次具體表示由SCAf采集CAAg匯聚的各種傳感決策規則重數的求和數量、由CAAg匯聚簇內全部SCA所采集傳感決策規則RhSDA的數量，進而以此計算各自決策規則相應的Cer，Str和Cov等因子值。

從該實現算法可知，在SCA-CAA-SDA決策網絡中，CAA層CAA實體與SDA層傳感規則之間形成的簡化CAA-SDA決策網絡及決策表在層間智能Agent型WSDN信息決策中更有實際意義。

5.2 應用實例

文獻［14］描述了基于平面時裝電路板、智能貼等電子織物的可穿戴健康監護系統，特定慢性病患者用戶自身攜帶的傳感器與嵌入在周圍環境中的傳感器相結合，以可穿戴傳感簇部署為基礎分布式構建層次化的可穿戴傳感網絡體系結構，進而構建“患者-健康服務中心-醫療保健機構”可穿戴健康監護社區原型。通過可穿戴傳感計算Agent裝置完成實時傳感、處理、刺激和數據通信等所有功能，用戶的健康監測數據經過本地Agent處理后發送給外部的服務站或基站Agent進行決策分析，從而形成多層Agent智能信息處理的特征，該原型則呈現為一種典型的SCA-CAA-SDA無線傳感器決

策網絡。

基于上述可穿戴的個人健康監測智慧醫療應用系統平臺，在可穿戴醫療設備實測數據基礎之上，再經過加工整理，同時，為簡便起見，僅以單個簡化CAA-SDA決策表及其少部分健康監護傳感規則為代表作決策分析示例，帶有支持度的簡化CAA-SDA決策表如表1所示，其中，支持度即簡化決策規則中CAA實體所匯聚的相應傳感規則的數量。

表1 帶有支持度的簡化CAA-SDA決策表

對應于表1簡化的CAA-SDA決策網絡如圖4所示，表1的每個決策規則對應著圖4中一條帶有由支持度計算得來的Cer，Str和Cov因子值的有向線段，使得圖4直觀地呈現出CAA層CAA實體與SDA層傳感規則之間的量化對應分布關系。由于沒有一個決策規則的Cer因子值等于1，圖4簡化CAA-SDA決策網絡中所有決策規則均為不確定的。

圖4 簡化的CAA-SDA決策網絡

最后，對于上述不確定性決策情形，再進行一定的近似化處理，實現算法中TCer∈［0，1］為一個權重閾值，依據決策應用領域經驗值或決策權重需求確定，一般取值為0．5，表示按半數權重篩選，在實際中較具決策意義。于是，剪枝去掉圖4中Cer＜TCer的決策規則，得到如圖5所示僅含主要決策規則的近似CAA-SDA決策網絡，所保留的決策規則也從不確定的轉變為近似確定的，同時，還揭示傳感規則R2SDA較R3SDA及R4SDA，R1SDA又較R2SDA更為各CAA所支持。

圖5 僅含主要決策規則的近似CAA-SDA決策網絡

6 結束語

以無線傳感器網絡為核心的物聯網基本特征是信息的全面感知交互和智能分析處理［3］。本文構建一種多層Agent數據融合的無線傳感器決策網絡模型，使各個Agent節點智能自主獲取環境和其他Agent節點信息，并從不精確原始感知信息、局部聚集信息中獲取確定性全局融合信息。應用實例結果表明，可穿戴健康監護社區原型能較好地分析挖掘近似交互規則和知識，并提供智能輔助和支持。今后將結合W SN數據融合和智能信息處理，針對物聯網傳感數據隨時間變化而呈現出的序列性開展更加深入的研究。

［1]林 闖．物聯網關鍵理論與技術專題前言［J］．計算機學報，2011，34（5）：761-762．

［2]Atzori L，Iera A，Morabito G．The Internet of Things：A Survey［J］．Com puter Networks，2010，54（15）：2787-2805．

［3]胡永利，孫艷豐，尹寶才．物聯網信息感知與交互技術［J］．計算機學報，2012，35（6）：1147-1163．

［4]李建中，李金寶，石勝飛．傳感器網絡及其數據管理的概念、問題與進展［J］．軟件學報，2003，14（10）：1717-1727．［5]錢 進,苗奪謙,張澤華.云計算環境下知識約簡算法［J］.計算機學報,2011,34(12):2332-2343.

［6]周傲英,金澈清,王國仁,等.不確定性數據管理技術研究綜述［J］.計算機學報,2009,32(1):1-16.

［7]王國胤,張清華.不同知識粒度下粗糙集的不確定性研究［J］.計算機學報,2008,31(9):1588-1598.

［8]Pawlak Z.Decision Networks［C］//Proceedings of the 4th International Conference on Rough Sets and Current Trends in Computing.Berlin,Germany:Springer-Verlag,2004:1-7.

［9]Dai Zhifeng,Sun Baolin,Zhang Qifei.The Multiplicity of IntelligentAgentBasedHealthcareSensorDecision Network［C］//Proceedingsofthe3rdInternational Conference on Bioinformatics and Biomedical Engineering.Beijing,China:［s.n.］,2009.

［10]丁治明,高 需.面向物聯網海量傳感器采樣數據管理的數據庫集群系統框架［J］.計算機學報,2012, 35(6):1175-1191.

［11]馬守明,王汝傳,葉 寧.基于信譽度集對分析的WSN安全數據融合［J］.計算機研究與發展,2011,48(9): 1652-1658.

［12]Wooldridge M.An Introduction to Multi-agent Systems［M］.New York,USA:John Wiley and Sons,2009.

［13]金士堯,黃紅兵,范高俊.面向涌現的多Agent系統研究及其進展［J］.計算機學報,2008,31(6): 881-895.

［14]李素姬,金惠靜,杰拉德,等.可穿戴健康監護系統在韓國［J］.中國計算機學會通訊,2011,7(8):25-28.

編輯 劉 冰

Research on W ireless Sensor Decision Network of M ulti-layer Agent Data Fusion and Its M ultip licity

DA IZhifeng1，2，LIYuanxiang2
（1．Schoo l of Inform ation M anagem ent，Hubei University o f Econom ics，W uhan 430205，China；
2．School of Com puter，W uhan University，W uhan 430072，China）

Aim ing at the realization of quantitative decision of uncertainty analysis and intelligent processing for raw sensor data fusion in W ireless Sensor Network（WSN），a model of multi-layer Agent data fusion type W ireless Sensor Decision Netw ork（WSDN）is p roposed．On the basis of the hierarchical data fusion mechanism in WSN，such intelligent technique characteristics as decision table and decision network o f rough set theory are introduced to design intelligencebased Agent and rule-based Agent and thus construct the model，and the multiplicity of inter-layer intelligence Agentbased WSDN and inter-attribute rule Agent-based WSDN is studied．Application results show that WSDN can be better applied to the typical situations of WSN，and thus achieves the fusion optim ization and intelligent decision among Agent．

W ireless Sensor Decision Network（WSDN）；intelligence Agent；rule Agent；multiplicity；data fusion；decision tab le

戴志鋒，李元香．多層Agent數據融合的無線傳感器決策網絡及其多樣性研究［J］．計算機工程，2015，41（3）：198-203，217．

英文引用格式：Dai Zhifeng，Li Yuanxiang．Research on W ireless Sensor Decision Network of M ulti-layer Agent Data Fusion and Its Mu ltip licity［J］．Computer Engineering，2015，41（3）：198-203，217．

1000-3428（2015）03-0198-06

A

TP18

10．3969/j．issn．1000-3428．2015．03．038

國家自然科學基金資助項目（61070009）；國家重大科學儀器設備開發專項基金資助項目（2011YQ170065）；湖北省教育廳科學技術研究計劃基金資助重點項目（D 20121904，D20132202）。

戴志鋒（1967-），男，副教授、博士，主研方向：智能信息處理，無線傳感器網絡，決策支持系統；李元香，教授、博士、博士生導師。

2014-08-14

：2014-11-03E-m ail：course_ware＠126．com