無線傳感器網絡數據融合算法綜述

王麗紅

摘要：數據融合是通過算法處理原始數據，去除冗余信息，形成高質量的融合數據傳輸到匯聚節點，從而減少數據傳輸量，達到節省能量，延長網絡壽命，提高數據收集效率和準確度的目的。文中對近年來數據融合算法的研究現狀進行了全面深入分析，根據融合過程中采用的融合方法，將現有的無線傳感器網絡數據融合算法分為了基于估計方法、統計方法、信息論方法、人工智能方法四大類，對這四類技術從原理上進行了綜述，對其中涉及到的不同融合算法從性能、時延、復雜度以及能耗方面進行了詳細分析。

關鍵詞：無線傳感器網絡；數據融合；能耗；網絡壽命

引言：無線傳感器網絡是由大量傳感器節點組成的無線通信網絡。傳感器節點小，能量非常有限，且后期難以補充。在WSN中消耗能量分數據采集、數據傳輸、數據處理三部分，其中數據傳輸消耗的能量最多，因此降低數據傳輸消耗的能量是節能的關鍵。數據融合即通過一定的算法處理原始數據，去除冗余信息，形成高質量的融合數據傳輸到匯聚節點，從而減少數據傳輸量，達到節省能量，延長網絡壽命，提高數據收集效率和準確度的目的。構建合適的數據融合算法是消除冗余信息、節省網絡能耗、延長網絡周期的關鍵。

在無線傳感器網絡中用到的數據融合算法有很多種，本文將數據融合算法大致分為四類：基于估計理論的數據融合、基于統計理論的數據融合、基于信息論的數據融合、基于人工智能的數據融合。

1基于估計理論的數據融合算法

1.1基于權系數的數據融合。采用自適應加權平均法（self-adap-tion of weighted average，SAWA）來融合多個數據，采用模糊理論剔除疏失數據，推導了加權因子的計算公式。并對融合過程采用蒙特卡洛統計，消除隨機誤差。

在加權平均算法的基礎上，提出了利用窗口中各數據源有效像元所占的比例來確定其對應權值的自適應加權平均融合算法。該算法在保持原數據細節特征的基礎上，保證了數據連續性，提高數據空間覆蓋率和置信度。

1.2基于極大似然估計的數據融合。提出了一種基于多比特量化觀測的分布式估計方法（MQS），給出了克拉美羅下界的解析表達式，并與均勻量化方法（UQS）和未量化方法（NQS）進行對比。MQS的性能優于UQS，當量化深度增大到3時，MQS的估計性能十分接近NQS的估計性能。

提出了合作信息聚集法來解決無線傳感器網絡中分布式估計問題。設計了聚合硬判估計器和聚合極大似然估計器，將每個節點的傳輸比特預先確定為資源分配的約束優化問題，并提出了相應的次優資源分配策略，提高了數據的準確性。但優化問題中的資源分配向量難以確定，進而提高了算法的復雜度。

1.3基于卡爾曼濾波器的數據融合。針對多傳感器數據融合問題，提出了基于Kalman濾波的多傳感器測量數據融合方法，此方法不僅顯式考慮各測量設備的不確定性，而且還能實現單點和批量融合數據。

運用量化新息與分散卡爾曼濾波相結合的方法，考慮了網絡帶寬與能耗，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跟蹤系統量化融合估計問題，同時節約了融合中心的能量消耗。

2基于統計理論的數據融合算法

2.1基于D-S證據理論的數據融合。將基于D-S證據理論的融合算法應用在態勢感知領域的數據處理中，對網絡掃描和主機掃描等多種手段得到的脆弱性數據進行融合與分析。該算法應用時，只要將態勢數據處理到同一狀態空間，構造對應的概率分布函數，即可應用。

針對在無線傳感器網絡中傳感器節點本身能量有限的特性，提出一種基于D-S證據理論的組合數據融合算法。先依據數據的標準差進行聚類，在用D-S證據推理算法進行融合，最后通過計算馬哈諾比斯距離得出虛擬節點數據向量的異常值，把它作為加權權重進行加權融合。

2.2基于貝葉斯估計的數據融合。采用了改進的Bayes方法，用于基于分類任務域中的貝葉斯多傳感器數據融合的Dempster-Shafer理論進行比較分析，引入新機制來考慮測量的不一致性，提高了估計值的精確度。改進的Bayes方法能有效的增加數據的真實性，使后驗概率的不確定性降低。

提將貝葉斯估計和卡爾曼濾波器結合起來，應用于無線傳感網絡數據融合中。應用前向濾波法、后向濾波法和前后向濾波法進行數據融合。結合卡爾曼濾波器的貝葉斯融合算法能夠有效地解決數據的不確定性和不一致性。

3基于人工智能的數據融合算法

3.1基于模糊理論的數據融合。提出利用模糊理論中的相關性函數計算節點間相互支持程度，對支持程度高的傳感器進行數據融合，并利用融合結果與服務質量期望篩選出冗余節點，使其進入休眠狀態。該方法能夠獲得更高的精度和可靠性，并能有效延長網絡生命周期。

提出了一種基于模糊的數據融合方法的WSN，通過傳感器節點中嵌入的二型模糊邏輯系統對待發送的數據分配權重，簇頭進行區分和聚合所收集的數據的真值后在報送到基站，從而減少在基站（BS）處理整個數據的負擔。該方法能夠它還能夠消除冗余數據，從而減少能量消耗，從而增加網絡壽命。

3.2基于神經網絡的數據融合。將BP神經網絡和傳感器網絡分簇路由協議進行結合，提出了基于神經網絡的數據融合算法（BPNDA，Back-Propagation Networks Data Aggregation）。每個簇就是一個神經網絡模型，在網絡中提取少量特征數據后發送至匯聚節點，從而提高數據收集效率，減少了網絡通信量，延長網絡生存時間。文獻中未給出在缺乏缺乏訓練集合情況下的實現方案。

為了降低無線傳感器網絡的通信量，降低能耗，延長網絡的生命周期。提出了一種基于SOFM（Self-Organizing Feature Mapping）神經網絡的數據融合算法（SOFMDA），該算法將自組織映射神經網絡和無線傳感器網絡分簇路由協議相結合，使簇中的各個節點完成神經元的工作，按照數據的特征對其進行分類，提取同類數據的特征，將特征數據發送到匯聚節點，從而減少了數據發送量，延長網絡的生命期。

為了解決BP神經網絡收斂慢、易陷入局部最優值且泛化能力差從而影響數據融合效果的問題，提出一種將深度學習技術與分簇協議相結合的數據融合算法AESMDA。SAESMDA用基于層疊自動編碼器（SAE）的深度學習模型SAESM取代BP神經網絡，算法首先在匯聚節點訓練SAESM并對網絡分簇，接著各簇節點通過SAESM對采集數據進行特征提取，之后由簇首將分類融合后的特征發送至匯聚節點。在網絡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基于遺傳算法的數據融合。結合遺傳算法全局搜索和模擬退火算法局部搜索的優點，提出一種模擬退火遺傳算法的WSN數據融合方法（SA-GA）。采用模擬退火遺傳算法快速找到移動代理路由最優傳感器節點序列，并實現數據融合。SA-GA更能快速找到全局最優數據融合節點序列，并對數據進行有效融合，具有更小的網絡能耗和網絡延時。

提出了遺傳機器學習算法，允許在網絡中實現并行數據融合技術。能夠通過使用遺傳機器學習算法在不同用戶定義的度量之間進行權衡。動態調整節點把數據發送到基站的概率，提高了融合數據的正確率，減少了數據傳輸量，延長了網絡壽命，但存在數據延遲。

4總結

由于傳感器節點分布的隨機性及相鄰節點監測數據的相似性，導致無線傳感器網絡監測數據的冗余性。而無線傳感器網絡數據融合即通過多層次、多方面的特征提取將時間與空間上的互補與冗余信息依照某種優化準則重新組合起來。用以提升數據可信度以及有效性、節省通信帶寬及提高網絡生命周期。