無線傳感器網絡數據融合算法綜述

張 浩，張靜靜

（中南民族大學，計算機科學學院，武漢 430074）

無線傳感器網絡數據融合算法綜述

張 浩，張靜靜

（中南民族大學，計算機科學學院，武漢 430074）

數據融合技術是無線傳感器網絡的關鍵技術之一，它通過合并相似數據、預測未來數據等方式減少節點間數據的傳輸量，對冗余數據進行精簡，從而明顯提高網絡生命周期以及數據準確性。本文對近年來數據融合算法的研究現狀進行了全面深入分析，同時從融合過程中采用的融合算法與融合規則出發，將現有的無線傳感器網絡數據融合技術分為了基于統計學、基于人工智能、基于信息論與基于拓撲學的四大類，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與比較。最后介紹了自動融合、融合評估等未來數據融合的研究重點。

無線傳感器網絡；數據融合；節能

0 引言

無線傳感器網絡（Wireless Sensor Networks,WSNs）是由大量無線傳感器節點（Sensor Nodes, SNs）組成，通過無線通信方式形成的多跳自組織網絡（Ad Hoc）[1]。由于WSNs 具有自組織、部署迅捷、高容錯性和強隱蔽性等技術優勢，因此非常適用于軍事偵察，設施監測和環境監測等眾多領域[2]。無線傳感器網絡的網絡模型如圖1所示。

由于WSNs通常部署在無人看守的環境中，當傳感器節點能量耗盡時對其電池進行替換幾乎是不可能的[3,4]。因此，在能量有限的傳感器節點如何實現復雜的數據監測和信息報告是WSNs中需要解決的首要問題[5,6]。在WSNs中，能量主要消耗在3個方面：數據傳輸、信號處理和硬件操作。已經證明得出，傳感器節點間的傳輸能量消耗是遠高于節點內的計算能量消耗的[7]。因此，提出一個降低傳感器節點間數據傳輸量從而降低網絡能耗的方法是非常有必要的。傳感器網絡數據融合技術則能很好的解決上述問題。

圖1 無線傳感器網絡系統模型Fig.1 System model of wireless sensor networks

聯合實驗室（Joint Directors of Laboratories, JDL）定義數據融合是一個“多層次、多方面處理自動檢測、聯系、相關、估計以及多來源的信息和數據的組合過程”[8,9]。一般情況下，在數據收集和傳輸的過程中，存在在許多數據冗余與毀壞，這影響了WSN的數據收集效率與準確性，同時也降低了生命周期[10,11]。所以需要運用數據融合算法，對來自不同數據源的數據進行網內處理，去除冗余信息，形成高質量的融合數據傳輸到匯聚節點，從而減小傳輸數據量，達到節省能量、延長網絡生命周期、提高數據收集效率和準確度的目的[12,13]。

通過融合過程中采用的不同算法，本文將無線傳感器網絡數據融合技術分為四類：基于統計學的數據融合、基于人工智能的數據融合、基于信息論的數據融合和基于拓撲學的數據融合。分類的示意圖如圖2所示。

圖2 WSNs數據融合算法分類Fig.2 Classification of data fusion algorithms in WSNs

1 基于統計學的數據融合算法

在無線傳感器網絡數據融合中，基于統計學的算法主要運用傳統概率統計方法，利用概率分布或者密度函數來描述數據的不確定性。數據融合的目的是從大量冗余、精準性不高的數據中提取所需的數據及特征，這無疑與統計學研究的方法與目的具有相似性，故統計學知識被大量應用于無線傳感器數據融合之中。

1.1 基于參數估計數據融合算法

參數估計是根據從總體中抽取的樣本估計總體分布中包含的未知參數的方法。即根據樣本數據如何選擇統計量去推斷總體的分布或數字特征等[14]。

Bayes估計是參數估計的重要應用之一，可以通過先驗概率遞歸地更新狀態系統的概率分布或者密度函數[15]。文獻[16]采用了改進的 Bayes方法（Modified Bayesian Fusion Algorithm, MB），引入了新的機制來考慮測量的不一致性，使個體分布的方差與因子f成正比，并與卡爾曼濾波器進行結合，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。

最大似然估計是在給定模型和樣本集的情況下，用來估計模型參數的方法。其基本思想是找到最佳的模型參數，使得模型實現對樣本的最大程度擬合。文獻[17]提出了合作信息聚集(Cooperative Information Aggregation, CIA)方法來解決WSN中分布式估計問題。CIA通過減少數據傳輸量達到節能效果，并運用最大似然估計對數據進行融合，提高了數據的準確性。但是，算法中對最優源分配向量R的尋找是非常困難的，這無疑提高了算法的復雜度，也使得算法結果不夠穩定。

1.2 基于卡爾曼濾波器的數據融合

卡爾曼濾波器是一種最優化自回歸的數據處理算法，其本質是根據前一次的濾波結果和當前時刻的測量值，不斷對預測協方差進行遞歸，從而估算出當前時刻的濾波結果。

文獻[18]針對大規模傳感器網絡，提出L-KF算法，算法通過定義一個驗證門(validation gate)挑選與狀態估計相近的數據，收集相似數據的節點只用挑選其中一個在下個時段繼續觀察，其他的則可以轉換為睡眠模式，以此減少網絡能耗。

文獻[19]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(Quantized Innovation-decentralized Kalman Filter, QI-DKF)，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。但本算法僅對標量數據有明顯效果，對矢量數據則不利于處理。

1.3 基于回歸分析的數據融合

回歸分析是確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。按照涉及的變量的多少，分為一元回歸和多元回歸分析，其中多元線性回歸算法流程圖如圖3所示。

Carlos等人[20]考慮多元時空關系，提出了基于多元回歸方程的數據融合算法，提高了數據融合的準確性。運用多元線性回歸預測參數的方程如下：

其中pijX 表示多個數據樣本的歷史值，β表示多元線性回歸函數的系數向量，α為預測值的常量參數。回歸算法優點在于實現簡單，算法復雜度低，但其預測精度不高，且需頻繁更新預測模型，造成一定能耗。

1.4 算法比較

總的來說，基于概率統計的無線傳感器數據融合技術，主要解決數據的不確定性融合，有完善和可理解的一套數學處理方法，但其對異常數據的處理能力較差，即魯棒性較低。表1對上文提到的幾種算法進行了比較。

圖3 多元線性回歸流程圖Fig.3 Flow chart of multivariate linear regression

表1 基于概率統計的數據融合算法比較Table 1 Comparison of data fusion algorithms based on probability and statistics

2 基于人工智能的數據融合算法

人工智能是屬于自然科學和社會科學交叉的一門邊緣學科，其本質是對人的思維的信息過程的模擬，其分支計算智能技術是運用最廣泛的技術之一[21,22]。

2.1 基于遺傳算法的數據融合

遺傳算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，它并不保證你能獲得問題的最優解，而只需簡單的“否定”一些表現不好的個體即可。由于遺傳算法的這些特點，使其適用于搜索空間較大且對結果準確性要求不高的應用中[23]。

文獻[23]考慮到傳感器節點的負載均衡和能耗問題，提出了利用遺傳算法建立平衡、節能數據聚集生成樹。算法使用修復函數來避免無效的染色體。同時，該算法把節點負載和能量剩余作為參考因素，優化了傳感器網絡的負載均衡問題，大大提高了網絡的生命周期。但在節點選擇時會額外消耗能量，且樹形結構往往會有延遲問題。

文獻[24]基于遺傳算法中的分類器系統，提出遺傳機器學習算法（Genetic Machine Learning Algorithm, GMLA）。該算法通過動態的調整傳感器節點把數據發送到基站的概率，來提高數據融合的質量，并減少了數據傳輸量，節約網絡能耗。但該方案適用于高密度的傳感器網絡，對發送率低的網絡則效果不夠明顯，且存在一定數據延遲。

2.2 基于神經網絡的數據融合

神經網絡（Neural Networks, NNs），是由大量簡單的處理單元（神經元）組成的非線性自適應自組織系統，具有極強的非線性逼近、大規模并行處理、自訓練學習、自組織和容錯能力等優點[25][26]。

文獻[27]將 BP神經網絡和傳感器網絡分簇路由協議進行結合,提出 BPNDA（Back-Propagation Networks Data Aggregation）算法。數據融合模型以分簇路由協議 LEACH為基礎，通過在簇首節點利用 BP神經網絡對簇成員節點采集的原始數據進行特征提取，從而提高數據收集效率，延長網絡生存時間。但文獻中沒有提出缺乏訓練集合情況下的實現方案。

類似的，文獻[28]也采用BP神經網絡與傳感器網絡分簇路由協議結合的方法，提出了 CNNSMPSO（Clustering Hamming Network-SMPSO）算法。算法采用分期變異粒子群優化算法來優化神經網絡，加強了數據融合的準確性，同時分簇協議也延長了傳感器網絡生命周期。但對樣本先驗信息的提取問題文章沒有涉及，特別是在大規模網絡樣本的情況下，樣本的選擇直接影響訓練的結果準確性。

2.3 基于模糊邏輯的數據融合

模糊邏輯運用模糊集合的方法來研究模糊性思維、語言形式及其規律，故其適合處理不準確性以及不確定性的數據[29]。

文獻[30]在每個傳感器節點中嵌入二型模糊邏輯系統（Type-II Fuzzy Logic System, T2FLS），基于當前數據狀態與歷史狀態，通過模糊邏輯控制器對待發送的數據分配一個權重，簇頭再對簇成員的數據進行統一收集與融合后將融合的數據發送到基站，達到了對源數據進行區分，僅傳輸正確數據的目的。

文獻[31]對行星探測無線傳感器網絡數據融合算法（Space Wireless Sensor Networks for Planetary Exploration, SWIPE）進行了介紹。傳感器數據通過數據類型和時間標示對數據進行重分類，然后提取特征和建立模糊集，最后分析特征和輸出決定值。該算法通過運用模糊邏輯系統與統計規則相結合的融合方式，提高了數據預測的準確性，并且減少了數據傳輸量，節約了能耗。

2.4 基于人工智能的數據融合算法比較

人工智能算法因為能通過一定的先驗知識與規律，通過自組織、自適應的學習方式有效的對數據進行訓練及預測，被廣泛的應用到無線傳感器網絡中。為了更好的進行對比分析，表2對本章涉及到的算法進行了整體的比較。

3 基于信息論的數據融合算法

基于信息論的傳感器管理方法是通過信息熵來定量的描述與目標環境作用的不確定性，通過度量信息熵的變化求解信息增量，然后根據人為的設定或優化條件，對網絡的數據進行合理與科學的融合。

表2 基于人工智能數據融合算法總結Table 2 Comparison of data fusion algorithms based on artificial intelligence

3.1 基于聚類分析的數據融合

聚類分析算法因為簡單直觀，不需要先驗知識等特點而廣泛應用于數據融合之中，但由于其分類結果完全依賴與事先選擇的聚類變量，同時有時依據距離參數并不能得到理想的數據關聯性，這也影響了聚類分析法的具體應用。

文獻[32]提出的KC（K-means Clustering）算法運用K-均值算法對傳感器節點進行分簇，然后用數據融合算法對簇內數據進行數據型融合和決策型融合。該算法通過相似性來分組未標記的節點，以達到對數據的分類管理，因此大大提高了簇內成員數據的相關性，但k值的選取需要人為的給出，在不知道具體分類數量的情況下難以進行，并且該方法不適用于大規模傳感器網絡。

文獻[33]提出基于分簇的最優融合集（Optimal Fusion Set based Clustering, OFSC）算法來優化對連續目標的監測問題。最優融合集φ的定義如下：

其中sji(t)表示t時刻第 j個簇中號節點i的數據，cj(t)表示t時刻的簇中心，即簇數據的平均值，TH表示融合誤差。該算法增加了分簇效率，同時兼顧負載均衡，提高了融合準確度和網絡生命周期。

3.2 基于熵值法的數據融合

信息熵是信息論中非常重要的一個概念，它表示信源輸出的所有數據的自信息的統計平均值，也稱為平均自信息量。

文獻[34]提出基于熵的數據融合樹（Energy Efficient Data Aggregation Trees, EDAT）算法。算法首先運用Prim算法構建最小生成樹，通過不斷廣播信息與附近節點構建連接，再選擇權重最小的邊加入生成樹中。本算法通過使冗余度大的節點進入休眠來減少了數據的傳輸量與總的能耗，但對錯誤數據很難進行排除，且距離基站越近的節點能耗越高，越易死亡。

文獻[35]提出熵值敏感、基于分簇的目標追蹤算法（Entropy-aware Cluster-based Object Tracking,ECOT）。算法引入變量獎勵來判斷節點是否值得被激活。當時，該節點激活，反之，則抑制，以此提高數據準確性的目的。但對于大規模無線傳感器網絡來說，計算相鄰節點間的獎勵無疑增加了計算量，降低節能效果。

3.3 信息論數據融合算法比較

基于信息論的數據融合算法是通過識別觀測空間中參數的相似性來進行融合操作，一般不能直接對數據的某些方面建立明確的識別函數。表3對本節提到的4種算法進行了比較。

表3 基于信息論數據融合算法比較Table 3 Comparison of data fusion algorithms based on information theory

4 基于拓撲學的數據融合算法

基于拓撲學的無線傳感器網絡數據融合主要從網絡節點的拓撲結構出發，設計符合該網絡需求的拓撲結構，具體可分為以下兩類，即：基于平面網絡結構的數據融合協議與基于層次網絡結構的數據融合協議。

4.1 基于平面網絡結構的數據融合協議

在平面網絡結構中，每一個傳感器節點扮演著相同的角色，不存在等級與層次的差異，且有著相同的硬件結構和電池能量[36,37]。平面型路由協議的優點是簡單、易于擴展，對數據融合的損失最小；其缺點是缺乏對通信資源的優化管理，對網絡動態變化的反應速度慢，同時，平面型網絡可能會導致匯聚節點過度的通信和計算負擔，導致更快的耗盡其電池功率。平面型網絡結構圖示如圖4所示。

圖4 平面型路由協議示意圖Fig.4 Diagram of planar routing protocol

文獻[38]提出基于模糊邏輯的平面路由算法FRFL（Flat Routing Using Fuzzy Logic）。在每個傳感器節點運用模糊推理系統，以物理位置與轉發數據包的數量為參考來決定該節點的下一跳節點。該算法利用模糊系統能有效處理異構與不準確性數據的優點，增加了路由的速度與準確性。同時，以轉發數據包的數量而不是節點剩余能量為參數，降低了節點間交換信息的能量損耗，提高了網絡生命周期。

文獻[39]提出一種新的能量感知路由協議(Efficient Energy Aware Routing Protocol, EEARP)用來找到源節點與sink間通信的最小消耗，同時找出實時數據傳輸的最短路由。該算法以能耗與時延作為參數構建成本函數，為每條路由分配一個成本。成本函數的公式如下：

其中ijD 代表節點i與 j的距離，jE 代表節點 j的剩余能量，pETX 代表在該鏈路上發送一個數據包需要的數據傳輸量的預測。

4.2 基于層次網絡結構的數據融合協議

層次型路由將傳感器網絡中的節點按照地理位置或者數據類型分為不同層次，處于不同層的節點在網絡中進行著不同的任務。

4.2.1 基于樹的數據融合算法

在一個基于樹的網絡中，傳感器節點被組織成一棵樹，即形成以sink為根，源節點為葉的數據融合樹。基于樹的數據融合網絡如圖5所示。

圖5 基于樹拓撲的數據融合Fig.5 Data fusion based on tree topology

文獻[40]提出一種網內融合數據路由（Reliable Routing Approach for In-Network Aggregation,DRINA）算法，旨在建立一條擁有連接所有源節點和sink的最短路徑的路由樹。該算法將簇的思想融入生成樹中，保證了擁有相似數據的節點能盡快對數據進行融合，同時最短路徑也減少了能量消耗。但主節點對數據進行融合會額外消耗更多能量，容易過早死亡。

文獻[41]針對節點負載不均的問題，提出了本地樹重建（Local-Tree-Reconstruction Algorithm, LTRA）算法。該算法通過動態的調整生成樹的結構，將能量低、數據多的節點設定為葉子或較低層節點，以此來均衡網絡能耗。但越準確的調整意味著節點需要知道的其他節點信息越多，從而數據交換量越大，故本算法需要對能耗與準確度進行折中選擇。

4.2.2 基于簇的數據融合

基于簇的數據融合協議將整個網絡分成若干個簇區域，每個簇通過一定的規則選取它們的簇頭，簇頭負責簇內節點的協調與簇間數據的通信。基于簇的網絡結構因其高效性、較低的復雜度和靈活性而廣泛運用于不同環境中[42,43]。基于簇的網絡結構示意圖如圖6所示。

圖6 基于簇拓撲的數據融合Fig.6 Data fusion based on cluster topology

最早的分簇協議是LEACH（Low Energy Adaptive Clustering Hierarchy）[44]。該算法將整個網絡的能量消耗均勻分配到網絡中的每個傳感器節點，從而達到均衡網絡負載，提高網絡生存周期的目的。但簇的重建需要消耗額外能量，同時算法也沒有考慮簇頭節點的物理位置，故存在許多待完善的地方。

文獻[45]針對簇結構網絡存在數據轉發時延問題，提出了時延敏感網絡結構(Delay-Aware Network Structure, DANS)，將節點分為不同尺寸的簇，使其能夠以交錯的時間分別與融合中心通信。但簇成員較多的簇頭實現數據融合與傳輸時必然會消耗更多的能力，這會使其過早死亡。

文獻[46]為了獲得安全與準確數據，提出了雙簇頭模型（Double Cluster Heads Model, DCHM）。雙簇頭機制能有效分擔簇頭因數據融合而消耗的大量能量，提高了網絡生命周期。但本算法的部分參數需要用戶運用先驗知識預先設定，則增加了算法的不確定性。

4.2.3 基于鏈的數據融合

基于鏈的的網絡結構是對基于簇的網絡結構的一種變換。基于鏈的數據融合的主要思想是每個節點只將數據傳輸給鄰近節點，節點間通過鏈的方式多跳傳輸數據，以此來節約網絡能耗。

PEGASIS（Power-Efficient GAthering in Sensor Information Systems）[47]協議正是基于鏈的思想設計出的路由協議。在PEGASIS中，算法通過貪心方式或者sink以集中式方法將網絡中的所有節點連接成一條單鏈，然后選擇一個節點作為主節點，最終由主節點將融合好的數據傳輸給 sink。圖 7展示了PEGASIS的網絡結構示意圖。

圖7 PEGASIS的網絡結構Fig.7 The network structure of PEGASIS

文獻[48]將網絡鏈結構與簇結構相結合，提出了基于鏈的簇合作協議（ChainBased Cluster Cooperative Protocol, CBCCP）。該算法通過設置協調節點降低了不同簇間的通信距離，減少了網絡延遲，也提高了簇內數據融合的能量有效性。但是在成簇階段，協調節點的選擇需要與子簇進行通信，這無疑增加了能量消耗。

文獻[49]提出基于 MECA（Mobile-sink based energy-efficient clustering algorithm）與PEGASIS的能量有效分簇算法。算法設置移動sink以固定、可預知的方式圍繞傳感區域移動。以此均衡了網絡節點的能量消耗、提高了網絡生命周期，但是移動sink的使用必定會增加節點與sink間的通信能耗，且不易擴展。對于節點分布不均勻的網絡，密集簇內的簇頭能耗負擔會變大。

4.3 基于拓撲學的數據融合算法比較

就一般來說，相比于分層網絡拓撲結構，平面型網絡拓撲結構因其節點間同構，故具備算法簡單、冗余度高、數據融合精確和魯棒性高等特點。但同時，它也存在許多不足，如通信效率較低、能量消耗相對大等。層次型網絡通過構建更為復雜的協議，使其具備了許多較于平面型網絡所不具備的優點。表4對本章提到的幾種算法進行了比較，分析了他們的特點。

表4 基于拓撲學的數據融合算法比較Table 4 Comparison of data fusion algorithms based on topology

5 總結

無線傳感器網絡數據融合技術旨在對傳感器采集的數據通過多層次、多方面的特征提取以及估計的方式，將信源在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。一般來說，數據融合的優點包括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[50]。在未來，也有許多需要研究的熱點，包括：

自動融合。這方面研究的主要目的是開發出一個統一的融合體系，它將以一個標準規范各種融合方式。這將使得每個新研究提出的數據融合方法能夠快速以及自動化的實現。同時開發人員可以以一致的開發語言完成他們的設計，提高了參照性。

融合可靠性[51]。目前許多研究都對基本模型的可靠性采取樂觀假設或者不予考慮。故在將來對于數據源的可靠性、異質數據的可靠性等方面存在很大的可研究性。包括研究基于環形拓撲結構等多徑傳輸的安全數據融合方案等。

安全性[52,53]。在軍事等領域，數據融合的安全性是極為重要的。安全隱患包括數據被竊聽、數據被篡改、數據重放攻擊等。融合節點往往是網絡中被攻擊的焦點，因此，如何保護融合節點以及檢測異常入侵是安全性問題的關鍵。

融合性能的評估。現階段大部分研究均是基于模擬或者理想化的假設前提，這使得很難預測算法在實際場合的應用。所以，建立一個通行、標準的評測測試平臺是非常有必要的，它能增強系統設計員與用戶需求間的可參照性，評估過程的規范化也能使評估更具有靈活性與普遍適用性。

[1] S Chhabra, D Singh. Data Fusion and Data Aggregation/Summarization Techniques in WSNs: A Review, nternational Journal of Computer Applications (0975-8887) 2015, 121(19):21-30.

[2] R Rajagopalan, PK Varshney. Data-aggregation techniques in sensor networks: a survey. IEEE Communications Surveys &Tutorials, 2006, 8(4): 48-63.

[3] BS Jayashri, GR Rao. Reviewing the research paradigm of techniques used in data fusion in WSN .International Conference on Computing & Communications Technologies,2015 : 83-88.

[4] P Zou, Y Liu. An Efficient Data Fusion Approach for Event Detection in Heterogeneous Wireless Sensor Networks. Applied Mathematics & Information Sciences, 2015, 9(1):517-526.

[5] 康健, 左憲章, 唐力偉, 等. 無線傳感器網絡數據融合技術.計算機科學, 2010, 37(4): 31-35.

[6] EJ Msechu, GB Giannakis. Sensor-Centric Data Reduction for Estimation With WSNs via Censoring and Quantization.IEEE Transactions on Signal Processing, 2012, 60(1):400-414.

[7] P Zou, Y Liu. An Efficient Data Fusion Approach for Event Detection in Heterogeneous Wireless Sensor Networks. Applied Mathematics & Information Sciences, 2015, 9(1):517-526.

[8] B Khaleghi, A Khamis, FO Karray, et al. Multisensor data fusion: A review of the state-of-the-art, Information Fusion,2013, 14(1): 28-44.

[9] MG Yang, JS He, XG Sun. Research on Secure Data Aggregation in Wireless Sensor Networks based on Clustering Method. Internet Technology and Applications (iTAP), 2011 International Conference on, 2011: 1-4.

[10] J Yue, W Zhang, W Xiao, et al. A Novel Cluster-based Data Fusion Algorithm for Wireless Sensor Network. International Conference on Wireless Communications, Networking &Mobile Computing, 2011, 6796(1): 1-5.

[11] E Baccarelli, F Chiti, N Cordeschi, et al. Green multimedia wireless sensor networks: distributed intelligent data fusion,in-network processing, and optimized resource management.Wireless Communications IEEE, 2014, 21(4): 20-26.

[12] MM Fouad, NE Oweis, T Gaber, et al, Data Mining and Fusion Techniques for WSNs as a Source of the Big Data.Procedia Computer Science, 2015, 65: 778-786.

[13] MF Duarte, YH Hu. Vehicle classification in distributed sensor networks. Journal of Parallel & Distributed Computing, 2004, 64(7): 826-838.

[14] H Luo, H Tao, H Ma, et al. Data Fusion with Desired Reliability in Wireless Sensor Networks. IEEE Transactions on Parallel and Distributed Systems, 2010, 22(3): 501-513.

[15] Z Zhang, JX Li, L Liu. Distributed state estimation and data fusion in wireless sensor networks using multi-level quantized innovation. Sciece China Information Sciences, 2016,59(2): 1-15.

[16] WA Abdulhafiz, A Khamis. Bayesian approach to multisensor data fusion with Pre- and Post-Filtering. IEEE International Conference on Networking, 2013: 373-378.

[17] YR Tsai, CJ Chang. Cooperative Information Aggregation for Distributed Estimation in Wireless Sensor Networks.IEEE Transactions on Signal Processing, 2011, 59(8): 3876-3888.

[18] M Soltani, M Hempel, H Sharif. Data fusion utilization for optimizing large-scale Wireless Sensor Networks. IEEE ICC 2014 - Ad-hoc and Sensor Networking Symposium.

[19] J Xu, JX Li, S Xu. Data fusion for target tracking in wireless sensor networks using quantized innovations and Kalman filtering. Science China Information Sciences, 2012, 55(3):530-544.

[20] M Yang. Constructing energy efficient data aggregation trees based on information entropy in wireless sensor networks.IEEE Advanced Information Technology, Electronic &Automation Control Conference, 2015: 527-531.

[21] RV Kulkarni, A F?rster, GK Venayagamoorthy. Computational Intelligence in Wireless Sensor Networks: A Survey.IEEE Communications Surveys & Tutorials, 2011, 13(1):68-96.

[22] MR Senouci, A Mellouk, N Aitsaadi, et al. Fusion-based surveillance WSN deployment using Dempster-Shafer theory.Journal of Network & Computer Applications, 2016, 64(C):154-166.

[23] O Islam, S Hussain, H Zhang. Genetic algorithm for data aggregation trees in wireless sensor networks. Intelligent Environments, 2007, 43(20): 312-316.

[24] AR Pinto, C Montez, G Araújo, et al. An approach to implement data fusion techniques in wireless sensor networks using genetic machine learning algorithms. Information Fusion,2014, 15(1): 90-101.

[25] DF Larios, J Barbancho, G RodríGuez, et al. Energy efficient wireless sensor network communications based on computational intelligent data fusion for environmental monitoring.Communications Iet, 2012, 6(14): 2189-2197.

[26] X Luo, XH Chang. A Novel Data Fusion Scheme using Grey Model and Extreme Learning Machine in Wireless Sensor Networks. International Journal of Control, Automation, and Systems, 2015, 13(3): 539-546.

[27] 孫凌逸, 黃先祥, 蔡偉, 等.基于神經網絡的無線傳感器網絡數據融合算法.傳感技術學報, 2011, 24(1): 122-127.

[28] S Li, M Liu, L Xia. WSN data fusion approach based on improved BP algorithm and clustering protocol. 2015 27th Chinese Control and Decision Conference, 2015: 1450-1454

[29] X Zhai, H Jing, T Vladimirova. Multi-sensor data fusion in Wireless Sensor Networks for Planetary Exploration. Adaptive Hardware & Systems, 2014: 188-195.

[30] D Izadi, JH Abawajy, S Ghanavati, et al. A Data Fusion Method in Wireless Sensor Networks. Sensors 2015, 15,2964-2979.

[31] YN Yu, XF Feng, JX Hu. Multi-sensor Data Fusion Algorithm of Triangle Module Operator in WSN. International Conference on Mobile Ad-hoc & Sensor Networks, 2014:105-111.

[32] AD Ribas, JG Colonna, CMS Figueiredo, et al. Similarity Clustering for Data Fusion in Wireless Sensor Networks using k-means. International Joint Conference on Neural Networks, 2012, 20: 1-7.

[33] H Chen, G Liu, X Wu, et al. Optimal Fusion Set based Clustering in WSN for continuous objects monitoring. International Conference on Communications & Networking in China, 2014: 26-31.

[34] M Yang. Constructing energy efficient data aggregation trees based on information entropy in wireless sensor networks.2015 IEEE Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 19-20 Dec.2015, 527-531.

[35] SBA De, JR Martinez-De Dios, A Ollero. Entropy-aware cluster-based object tracking for camera Wireless Sensor Networks. IEEE/RSJ International Conference on Intelligent Robots & Systems IEEE/RSJ International Conference on Intelligent Robots & Systems, 2012: 3985-3992.

[36] J Kulik, W Heinzelman, H Balakrishnan. Negotiation-Based Protocols for Disseminating Information in Wireless Sensor Networks. Wireless Networks, 1999, 8(2/3): 169-185.

[37] C Intanagonwiwat, R Govindan, D Estrin. Directed diffusion:a scalable and robust communication paradigm for sensor networks. Proceedings of Annual International Conference on Mobile Computing and Networking, 2000: 56-67.

[38] SJ Dastgheib, H Oulia, MRS Ghassami, et al. A new method for flat routing in wireless sensor etworks using fuzzy logic.2011 International Conference on Computer Science and Network Technology, 2012, 3: 2112-2116.

[39] S Arulselvi, B Karthik, TVUK Kumar. Energy Conservation Protocol for Real Time Traffic in Wireless Sensor Networks.Middle East Journal of Scientific Research, 2013, 15(12):1727-1732.

[40] L Villas, A Boukerche, HSR Filho, et al. DRINA: A Lightweight and Reliable Routing Approach for In-Network Aggregation in Wireless Sensor Networks. IEEE Transactions on Computers, 2012, 99(4): 676-689.

[41] NT Nguyen, BH Liu, VT Pham. On maximizing the lifetime for data aggregation in wireless sensor networks using virtual data aggregation trees. Computer Networks the International Journal of Computer & Telecommunications Networking,2016, 105(C): 99-110.

[42] T Liu, YQ Wu. Energy Optimized Approach Based on Clustering Routing Arithmetic for Wireless Senor Networks.Chinese Journal of Sensors & Actuators》, 2011, 24(5):764-770.

[43] C Zhang, Y Su, Y Liu. Dynamic Clustering Algorithm with Balanced Load in Wireless Sensor Networks. IEEE International Conference on Computer Science & Information Technology, 2009, 13(6): 177-181.

[44] WR Heinzelman, A Chandrakasan, H Balakrishnan. Energy-efficient communication protocol for wireless microsensor networks. Adhoc & Sensor Wireless Networks,2000, 18: 8020.

[45] CT Cheng, H Leung, P Maupin. A Delay-Aware Network Structure for Wireless Sensor Networks With In-Network Data Fusion. IEEE Sensors Journal, 2013, 13(5): 1622-1631.[46] JS Fu, Y Liu. Double Cluster Heads Model for Secure and Accurate Data Fusion in Wireless Sensor Networks. Sensors 2015, 15(1): 2021-2040.

[47] S Lindsey, C Raghavendra, KM Sivalingam. Data gathering algorithms in sensor Networks using energy metrics. IEEE Transactions on Parallel & Distributed Systems2002, 13(13):924-935.

[48] S Rani, J Malhotra, R Talwar. Energy efficient chain based cooperative routing protocol for WSN, Applied Soft Computing, 2015, 35(C): 386-397.

[49] J Wang, J Cao, Y Cao, et al. An Improved Energy-Efficient Clustering Algorithm Based on MECA and PEGASIS for WSNs. Third International Conference on Advanced Cloud &Big Data, 2015: 262-266.

[50] 趙小敏, 梁學利, 蔣雙雙, 等. 安全的WSN數據融合隱私保護方案設計. 通信學報, 2014, 35(11): 154-161.

[51] J Joshi, A Bagga, A Bhargava. Secured and energy efficient architecture for sensor networks. IEEE International Conference on Computational Intelligence & Virtual Environments for Measurement Systems & Applications, 2016: 1-6.

[52] L Li, J Li. Research of Compressed Sensing Theory in WSN Data Fusion. International Symposium on Computational Intelligence & Design, 2011, 2: 125-128.

[53] 趙繼軍, 魏忠誠, 李志華, 等. 無線傳感器網絡中多類型數據融合研究綜述. 計算機應用研究, 2012, 29(8):2811-2816.

A Survey of Data Fusion in Wireless Sensor Networks

ZHANG Hao, ZHANG Jing-jing
(College of Computer Science, South-central University For Nationalities, Wuhan 430074, China)

Data fusion is one of the key technologies in wireless sensor networks, it can fuse similar data and predict the future data to reduce the transmission of data between nodes and simplify the redundant data, so as to improve the network lifetime and data accuracy. In this paper, the research status of data fusion algorithm in recent years is analyzed depth. Based on the fusion algorithm and fusion rule adopted in the fusion process, the existing data fusion technology in wireless sensor networks is divided into four categories which based on statistics, artificial intelligence, information theory and topological. These four kinds of technology are summarized in principle. The different fusion algorithms are analyzed and compared in terms of performance, latency, complexity and energy consumption. Finally we introduces the research emphases of data fusion in future, which including automatic fusion, fusion evaluation and so on.

WSNs; Data fusion; Energy-efficiency

TP2 12.9

A

10.3969/j.issn.1003-6970.2017.12.060

本文著錄格式：張浩，張靜靜. 無線傳感器網絡數據融合算法綜述[J]. 軟件，2017，38（12）：296-304

國家自然科學基金面上項目(61772562)；湖北省自然科學基金杰出青年項目(2017CFA043)

張浩(1993-)，男，碩士，無線網絡。