基于分層的層內(nèi)無線傳感網(wǎng)絡數(shù)據(jù)融合

李同鋒+杜秀娟+牛昆

摘 要： 無線傳感網(wǎng)絡數(shù)據(jù)融合能夠有效減少傳感節(jié)點的數(shù)據(jù)通信量，減少節(jié)點的能量消耗，延長了網(wǎng)絡的壽命。本文提出了節(jié)點分層算法，在層內(nèi)傳感節(jié)點加入了具體的數(shù)據(jù)融合算法，利用拉依達準則對節(jié)點收到的數(shù)據(jù)進行異常數(shù)據(jù)檢測，在上層節(jié)點利用主成分分析對剩余數(shù)據(jù)進行數(shù)據(jù)融合。通過仿真實驗得出該算法數(shù)據(jù)融合結果準確率好。

關鍵字： 無線傳感網(wǎng)絡； 節(jié)點分層算法； 拉依達準則； 主成分分析

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2014）20?0011?03

Wireless sensor network data fusion in layer based on hierarchy

LI Tong?feng， DU Xiu?juan， NIU Kun

（Computer School of Qinghai Normal University， Xining 810005， China）

Abstract： Data fusion of wireless sensor networks can effectively reduce the data traffic among sensing nodes and energy consumption of nodes， and prolong the life of networks. A node hierarchical algorithm is proposed in this paper. The specific data fusion algorithm is added into the sensing node inside layer. The Pauta criterion is utilized in the algorithm the to detect the abnormal data which are received by nodes. The principal components analysis （PCA） is adopted to fuse the remaining data. The simulations experiment indicates this algorithm has a high data fusion accuracy.

Keywords： wireless network sensors； node hierarchical algorithm； Pauta criterion； principal component analysis

0 引 言

無線傳感網(wǎng)絡（Wireless Sensor Networks）是由大量廉價的微型傳感器節(jié)點隨機散落在檢測區(qū)域中，傳感器節(jié)點之間通過無線通信的方式自發(fā)形成的一個多跳自組織網(wǎng)絡系統(tǒng)，它綜合了嵌入式計算技術、分布式信息處理技術、通信技術以及傳感技術。節(jié)點之間能夠協(xié)作地感知，采集和處理網(wǎng)絡覆蓋區(qū)域中感知對象的信息，并將信息發(fā)送給一個或多個基站[1]。無線網(wǎng)絡被廣泛應用到國防、工業(yè)、智能家居等重要的領域。

在WSN中，傳感節(jié)點的體積比較小，由電池提供能量，通常沒有設備進行充電，因此，節(jié)點的節(jié)能是無線網(wǎng)絡設計的首要目標之一。節(jié)點因數(shù)據(jù)的采集，計算以及與其他節(jié)點、基站的通信而耗盡自身能量，從現(xiàn)在使用最廣泛的通信模型中，我們可以看出，傳感節(jié)點發(fā)送數(shù)據(jù)包時，發(fā)送方會因與接收節(jié)點間通信距離的增大而迅速增大。那么如何減少網(wǎng)絡數(shù)據(jù)的通信量，提高資源的利用率，延長網(wǎng)絡節(jié)點生存時間，是WSN數(shù)據(jù)融合研究的重要方面之一[2]。 數(shù)據(jù)融合（Data Fusion）技術是無線傳感網(wǎng)絡重要的技術之一，在無線傳感網(wǎng)路中，運用一定的準則對多個傳感節(jié)點的數(shù)據(jù)加以分析，整合，形成比一個傳感節(jié)點更加準確的信息[3]。數(shù)據(jù)融合技術能夠有效地減少網(wǎng)絡中傳輸?shù)臄?shù)據(jù)，節(jié)省節(jié)點的能量，因為數(shù)據(jù)在傳輸中所消耗的能量要遠遠大于數(shù)據(jù)在節(jié)點中計算所消耗的能量。

1 相關數(shù)據(jù)融合工作

基于Bayes估計的多傳感器數(shù)據(jù)融合技術[4]，通過樣本信息和先驗信息來推出后驗分布，然后推斷出要檢測的目標?；诮y(tǒng)計理論信息融合技術[5]，采用的是統(tǒng)計理論，用高等數(shù)學方法求解具有多變量約束條件的極值問題，從而得到最小方差的信息融合結果?；谏窠?jīng)網(wǎng)絡技術[6]，將簇設計成人體大腦神經(jīng)網(wǎng)絡模型，利用神經(jīng)網(wǎng)絡提取特征數(shù)數(shù)據(jù)，然后發(fā)到匯聚節(jié)點，進而提高數(shù)據(jù)采集效率。還有LEACH，TEEN，APTEEN[7]等路由融合算法，其中LEACH算法將整個網(wǎng)絡進行分簇，在簇頭進行數(shù)據(jù)融合，從而減少了網(wǎng)絡傳輸?shù)臄?shù)據(jù)量，但是卻沒給出具體的融合算法。而TEEN[8]是對LEACH算法的改進，設置了硬閾值和軟閾值兩個參數(shù)來決定是否發(fā)送數(shù)據(jù)，但TEEN適用于實時應用系統(tǒng)，而不適用于周期采集數(shù)據(jù)的應用環(huán)境。APTEEN[8]算法是由Manjeshware等人結合LEACH算法和TEEN算法開發(fā)的，除了結合了TEEN算法和LEACH算法優(yōu)點外，還提出了三種查詢概念：歷史數(shù)據(jù)的查詢，當前網(wǎng)絡的一次查詢和持續(xù)監(jiān)控某一時間的連續(xù)查詢。還有用數(shù)學的方法進行多傳感器的數(shù)據(jù)融合，比如基于分組的技術[9]，無線網(wǎng)絡含有數(shù)據(jù)缺失的數(shù)據(jù)融合算法[2]，其主要就是通過感知的數(shù)據(jù)時空相關性，對傳感節(jié)點中缺失的數(shù)據(jù)進行線性插補，但如果很多數(shù)據(jù)丟失時，只能估測出區(qū)間的平均值，造成數(shù)據(jù)的不準確性。相關研究還有基于神經(jīng)網(wǎng)絡的數(shù)據(jù)融合算法[10]，基于誤差等級的數(shù)據(jù)融合算法[11]，基于移動和網(wǎng)絡代理的數(shù)據(jù)融合算法[12]等。本文提出了節(jié)點分層算法（Hierarchical Algorithm Of Nodes），通過萊茵達準則對傳感節(jié)點收到的數(shù)據(jù)進行異常值分析，除去數(shù)據(jù)中的異常數(shù)據(jù)。在剩余數(shù)據(jù)中，利用主成分分析進行數(shù)據(jù)融合。通過仿真實驗，該算法效果較好。

2 HAN算法

在考慮節(jié)能的情況下，檢測區(qū)域內(nèi)的傳感節(jié)點無需直接與基站（Base Station，BS）進行相互通信，而是采用分層的思想，節(jié)點逐層轉(zhuǎn)發(fā)數(shù)據(jù)。假設M個無線傳感節(jié)點隨機分布在檢測區(qū)域內(nèi)，BS放在檢測區(qū)域以外的某個固定位置，其能量是可以補充的。網(wǎng)內(nèi)傳感節(jié)點部署后不再移動，各個傳感節(jié)點間的地位以及它們各自的處理能力是相似的。傳感節(jié)點的發(fā)射功率是自行調(diào)整的并且知道自己的位置。網(wǎng)絡初始化時，BS以大小為R的傳輸距離向檢測區(qū)中的傳感節(jié)點發(fā)送Hello包（其中，R遠遠大于BS到檢測區(qū)域的距離），該包包括基站BS的層次級別值（ID of Level，LID），初始化值LID=0。在R范圍內(nèi)的所有傳感節(jié)點收到此包后，節(jié)點就會把自己的LID值在收到的LID值的基礎上加1。把LID=1的所有傳感節(jié)點設置為第一層。接著，處于第一層的各個傳感節(jié)點將自己的LID值放到廣播包中廣播給其他節(jié)點，其他節(jié)點收到后按上述方式把自己的LID號加1。依次類推，直到檢測區(qū)域內(nèi)的所有節(jié)點都擁有了自己所在的層次。如圖1所示，箭頭表示發(fā)射半徑。

由于，傳感節(jié)點隨機分布在檢測區(qū)域中，那么節(jié)點的位置就具有隨機性，在彼此通信范圍內(nèi)，發(fā)送節(jié)點與接收節(jié)點間距離有的很近，有的很遠。那么，在分層時，就會存在同一個節(jié)點在不同時刻收到多個包含LID值的廣播包。上一層節(jié)點收到下一層廣播的信息包，相應節(jié)點不做處理，會引起分層的混亂。如圖2所示。

圖1 節(jié)點分層示意圖

圖2 檢測區(qū)域某3個節(jié)點分布

假如，1號傳感節(jié)點將自己的LID=1，放入信息包廣播其廣播范圍內(nèi)的2，3號節(jié)點。因2，3號節(jié)點與1號節(jié)點的距離不同，那么，3號節(jié)點在未收到1號節(jié)點的廣播包時，2號節(jié)點早已發(fā)出了自己的廣播包，一段時間后，3號節(jié)點在不同時刻收到兩個不同的LID值廣播包。為了避免分層的混亂，采用了如下策略：3號節(jié)點比較兩個LID的大小，LID1

3 異常值檢測

部署在檢測區(qū)域中的傳感節(jié)點，經(jīng)網(wǎng)絡初始化分層后，節(jié)點周期性的采集檢測區(qū)域中的信息，此時，監(jiān)測區(qū)域中所有節(jié)點都有了自己的數(shù)據(jù)。傳感節(jié)點會把采集的數(shù)據(jù)逐層傳到最上層的節(jié)點，再由上層節(jié)點傳到BS，數(shù)據(jù)在傳輸?shù)倪^程中會做相應的處理。

在檢測區(qū)域中，由于檢測環(huán)境存在著不確定性，那么，傳感節(jié)點難免會采集到一些干擾數(shù)據(jù)。再加上地理位置相鄰的傳感器節(jié)點采集區(qū)域的相互重疊，導致了在彼此采集的數(shù)據(jù)中存在著大量的冗余數(shù)據(jù)，即數(shù)據(jù)之間存在一定的相關性。而此時傳感節(jié)點如不對數(shù)據(jù)加以分析，剔除干擾的信息而直接將這些數(shù)據(jù)直接進行數(shù)據(jù)融合，勢必造成融合結果的不準確性。如不進行數(shù)據(jù)融合而直接傳給其上層節(jié)點，會因數(shù)據(jù)量的龐大造成額外能量的損耗，不利于節(jié)點的節(jié)能。因此，傳感節(jié)點在數(shù)據(jù)融合之前，首先對數(shù)據(jù)進行可信分析，除去干擾數(shù)據(jù)（異常數(shù)據(jù)）。本節(jié)中引入了拉依達準則對數(shù)據(jù)進行異常數(shù)據(jù)處理。多個傳感節(jié)點對監(jiān)測區(qū)域中某一目標進行檢測，X1，X2，…，Xn為某個節(jié)點所在層以下的各個節(jié)點傳來的數(shù)據(jù)，假設它們都服從正態(tài)分布。此節(jié)點對收到的數(shù)據(jù)先進行平均值[x=1nxi] 。其中i=1，2，…，n。每一個數(shù)值與平均值做差mi=Xi-[x]。然后在計算出均方根偏差[δ=inm2in-1]。如果滿足|Xi-[x]|>3δ，則認為Xi 為異常數(shù)據(jù)，應予以刪除。

根據(jù)上面所述的算法，如圖3所示，5號與6，7號傳感節(jié)點處在不同層，在彼此的傳輸半徑之內(nèi)具有相鄰的地理位置，節(jié)點與節(jié)點的采集范圍勢必會相互交叉重疊，因此它們采集的數(shù)據(jù)中存在著大量的冗余，此時，如一層中某一個節(jié)點（如6號）因自身質(zhì)量出現(xiàn)故障問題，把一異常數(shù)據(jù)傳給5號節(jié)點。如果，5號節(jié)點在收到6號傳來的數(shù)據(jù)時，不加以異常值分析，而直接進行數(shù)據(jù)融合，反而會異常值的存在造成結果準確度下降。因此，在數(shù)據(jù)融合之前進行異常值的分析是有必要的。

圖3 傳感節(jié)點數(shù)據(jù)傳輸路徑

4 節(jié)點數(shù)據(jù)融合

由于上層節(jié)點收傳感節(jié)點發(fā)來的大量含有冗余的數(shù)據(jù)。此時，在發(fā)給BS節(jié)點之前，進行相應的數(shù)據(jù)融合，融合時采用了主成分分析的方法。主成分分析是將多個變量通過線性變換的形式，找出幾個重要的綜合因子來代表原來大量的數(shù)據(jù)的信息。設收到的成員節(jié)點的數(shù)據(jù)在內(nèi)存中是以矩陣的形式存在的。設：

[M=x11x12 …x1jx21x22 …x2jxi1xi2 …xij]

式中：i為層內(nèi)傳感節(jié)點；j為傳感節(jié)點采集周期。那么，上層節(jié)點做以下計算：

（1） 計算收到數(shù)據(jù)的平均值和平均偏差：

[xm=1pxpm， C=xpm-xm]；p=1，2，…，i； m=1，2，…， j

（2） 協(xié)方差矩陣[S]為i×i的方陣：

[S=CTC×1j-1]

（3） 求出協(xié)方差的特征值和特征向量，|[S]-λI|=0，i個特征值λ1≥λ2≥…≥λi≥0，對應特征值λi的相應的單位特征向量[uk]=（[u1]，[u2]，…，[ui]），k=1，2，…，i。其中，[uk]×[uk+1]=0。

（4） 選擇q個主分量，q

（5）[yi]=[uTi]×[x]，[x]為M中的每一列。

5 仿真結果和分析

本文實驗采用文獻[13]中的實驗數(shù)據(jù)，假設10個傳感器對同一目標進行檢測，測量數(shù)據(jù)如表1所示。

表1 測量數(shù)據(jù)

本文在Matlab 7.6.0環(huán)境下進行實驗，根據(jù)上面算法，首先對異常值檢測，發(fā)現(xiàn)并不存在異常數(shù)據(jù)。數(shù)據(jù)的平均值為0.959 0。平均偏差C=[0.041 0 0.031 0 0.021 0 0.011 0 0.001 0 -0.459 0 0.071 0 0.541 0 ]。協(xié)方差S=[1j-1]×C×CT=0.609 7。S相應的特征值和特征向量分別為0.609 7和1。所以，y融合=1×1.00=1.00。如通過基于綜合支持度的數(shù)據(jù)融合的融合結果為0.942 5。通過融合結果可見，加入了基于主成分分析算法，減少了數(shù)據(jù)量的發(fā)送，減少了冗余數(shù)據(jù)，提高了融合結果的準確性。

6 結 語

本文結合分層算法，在節(jié)點中加入了具體的數(shù)據(jù)融合算法，減少了數(shù)據(jù)量的傳輸，達到了一定的節(jié)能效果，從仿真中，具體加了融入數(shù)據(jù)，融合結果的準確性有所提高。在以后的工作中，將進一步完善數(shù)據(jù)融合的延遲時間及數(shù)據(jù)的準確性。

參考文獻

[1] 雷昕，鄢楚平.無線傳感網(wǎng)絡網(wǎng)絡數(shù)據(jù)融合技術的研究仿真[J].計算機工程與設計，2008，29（18）：4669?4671.

[2] 林蔚，尹娟.無線傳感網(wǎng)絡含有缺失數(shù)據(jù)的數(shù)據(jù)融合研究[J].計算機工程與應用，2012，29（11）：4824?4826.

[3] 回春立，崔莉.無線傳感網(wǎng)絡中基于預測的時域數(shù)據(jù)融合技術[J].計算機工程與應用，2007，43（21）：121?125.

[4] 吳小俊，曹奇英.基于Bayes估計的多傳感器數(shù)據(jù)融合方法的研究[J].系統(tǒng)工程理論與實踐，2000（7）：46?48.

[5] 胡學駿，羅中良.基于統(tǒng)計理論的多傳感器信息融合方法[J].傳感器技術，2002，21（8）：38?43.

[6] 孫凌逸，黃先祥.基于神經(jīng)網(wǎng)絡的無線傳感器網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報，2011，24（1）：122?127.

[7] 李敏，羅挺，周俊.一種無線網(wǎng)絡動態(tài)成簇數(shù)據(jù)融合算法[J].計算機系統(tǒng)應用，2011，20（7）：61?64.

[8] 李曉維，徐勇軍，任豐原.無線傳感網(wǎng)器網(wǎng)絡技術[M].北京：北京理工大學出版社，2007.

[9] 曾黎，蔣沅.多傳感器數(shù)據(jù)融合的數(shù)學方法研究[J].云南民族大學學報：自然科學版，2010（5）：321?324.

[10] 俞黎陽，王能.無線傳感網(wǎng)絡中基于神經(jīng)網(wǎng)絡的數(shù)據(jù)融合模型[J].計算機科學，2008（12）：43?47.

[11] 錢菲菲，秦寧寧.無線傳感網(wǎng)絡中誤差等級融合算法[J].計算機應用研究，2012（3）：1008?1011.

[12] 李志宇，史浩山.一種基于網(wǎng)絡和移動代理的無線傳感網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報，2008（7）：1222?1236.

[13] 王威，周紅軍，王潤生.多傳感器數(shù)據(jù)融合的一種方法[J].傳感器技術，2003，22（9）：39?40.

本文在Matlab 7.6.0環(huán)境下進行實驗，根據(jù)上面算法，首先對異常值檢測，發(fā)現(xiàn)并不存在異常數(shù)據(jù)。數(shù)據(jù)的平均值為0.959 0。平均偏差C=[0.041 0 0.031 0 0.021 0 0.011 0 0.001 0 -0.459 0 0.071 0 0.541 0 ]。協(xié)方差S=[1j-1]×C×CT=0.609 7。S相應的特征值和特征向量分別為0.609 7和1。所以，y融合=1×1.00=1.00。如通過基于綜合支持度的數(shù)據(jù)融合的融合結果為0.942 5。通過融合結果可見，加入了基于主成分分析算法，減少了數(shù)據(jù)量的發(fā)送，減少了冗余數(shù)據(jù)，提高了融合結果的準確性。

6 結 語

本文結合分層算法，在節(jié)點中加入了具體的數(shù)據(jù)融合算法，減少了數(shù)據(jù)量的傳輸，達到了一定的節(jié)能效果，從仿真中，具體加了融入數(shù)據(jù)，融合結果的準確性有所提高。在以后的工作中，將進一步完善數(shù)據(jù)融合的延遲時間及數(shù)據(jù)的準確性。

參考文獻

[1] 雷昕，鄢楚平.無線傳感網(wǎng)絡網(wǎng)絡數(shù)據(jù)融合技術的研究仿真[J].計算機工程與設計，2008，29（18）：4669?4671.

[2] 林蔚，尹娟.無線傳感網(wǎng)絡含有缺失數(shù)據(jù)的數(shù)據(jù)融合研究[J].計算機工程與應用，2012，29（11）：4824?4826.

[3] 回春立，崔莉.無線傳感網(wǎng)絡中基于預測的時域數(shù)據(jù)融合技術[J].計算機工程與應用，2007，43（21）：121?125.

[4] 吳小俊，曹奇英.基于Bayes估計的多傳感器數(shù)據(jù)融合方法的研究[J].系統(tǒng)工程理論與實踐，2000（7）：46?48.

[5] 胡學駿，羅中良.基于統(tǒng)計理論的多傳感器信息融合方法[J].傳感器技術，2002，21（8）：38?43.

[6] 孫凌逸，黃先祥.基于神經(jīng)網(wǎng)絡的無線傳感器網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報，2011，24（1）：122?127.

[7] 李敏，羅挺，周俊.一種無線網(wǎng)絡動態(tài)成簇數(shù)據(jù)融合算法[J].計算機系統(tǒng)應用，2011，20（7）：61?64.

[8] 李曉維，徐勇軍，任豐原.無線傳感網(wǎng)器網(wǎng)絡技術[M].北京：北京理工大學出版社，2007.

[9] 曾黎，蔣沅.多傳感器數(shù)據(jù)融合的數(shù)學方法研究[J].云南民族大學學報：自然科學版，2010（5）：321?324.

[10] 俞黎陽，王能.無線傳感網(wǎng)絡中基于神經(jīng)網(wǎng)絡的數(shù)據(jù)融合模型[J].計算機科學，2008（12）：43?47.

[11] 錢菲菲，秦寧寧.無線傳感網(wǎng)絡中誤差等級融合算法[J].計算機應用研究，2012（3）：1008?1011.

[12] 李志宇，史浩山.一種基于網(wǎng)絡和移動代理的無線傳感網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報，2008（7）：1222?1236.

[13] 王威，周紅軍，王潤生.多傳感器數(shù)據(jù)融合的一種方法[J].傳感器技術，2003，22（9）：39?40.

本文在Matlab 7.6.0環(huán)境下進行實驗，根據(jù)上面算法，首先對異常值檢測，發(fā)現(xiàn)并不存在異常數(shù)據(jù)。數(shù)據(jù)的平均值為0.959 0。平均偏差C=[0.041 0 0.031 0 0.021 0 0.011 0 0.001 0 -0.459 0 0.071 0 0.541 0 ]。協(xié)方差S=[1j-1]×C×CT=0.609 7。S相應的特征值和特征向量分別為0.609 7和1。所以，y融合=1×1.00=1.00。如通過基于綜合支持度的數(shù)據(jù)融合的融合結果為0.942 5。通過融合結果可見，加入了基于主成分分析算法，減少了數(shù)據(jù)量的發(fā)送，減少了冗余數(shù)據(jù)，提高了融合結果的準確性。

6 結 語

本文結合分層算法，在節(jié)點中加入了具體的數(shù)據(jù)融合算法，減少了數(shù)據(jù)量的傳輸，達到了一定的節(jié)能效果，從仿真中，具體加了融入數(shù)據(jù)，融合結果的準確性有所提高。在以后的工作中，將進一步完善數(shù)據(jù)融合的延遲時間及數(shù)據(jù)的準確性。

參考文獻

[1] 雷昕，鄢楚平.無線傳感網(wǎng)絡網(wǎng)絡數(shù)據(jù)融合技術的研究仿真[J].計算機工程與設計，2008，29（18）：4669?4671.

[2] 林蔚，尹娟.無線傳感網(wǎng)絡含有缺失數(shù)據(jù)的數(shù)據(jù)融合研究[J].計算機工程與應用，2012，29（11）：4824?4826.

[3] 回春立，崔莉.無線傳感網(wǎng)絡中基于預測的時域數(shù)據(jù)融合技術[J].計算機工程與應用，2007，43（21）：121?125.

[4] 吳小俊，曹奇英.基于Bayes估計的多傳感器數(shù)據(jù)融合方法的研究[J].系統(tǒng)工程理論與實踐，2000（7）：46?48.

[5] 胡學駿，羅中良.基于統(tǒng)計理論的多傳感器信息融合方法[J].傳感器技術，2002，21（8）：38?43.

[6] 孫凌逸，黃先祥.基于神經(jīng)網(wǎng)絡的無線傳感器網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報，2011，24（1）：122?127.

[7] 李敏，羅挺，周俊.一種無線網(wǎng)絡動態(tài)成簇數(shù)據(jù)融合算法[J].計算機系統(tǒng)應用，2011，20（7）：61?64.

[8] 李曉維，徐勇軍，任豐原.無線傳感網(wǎng)器網(wǎng)絡技術[M].北京：北京理工大學出版社，2007.

[9] 曾黎，蔣沅.多傳感器數(shù)據(jù)融合的數(shù)學方法研究[J].云南民族大學學報：自然科學版，2010（5）：321?324.

[10] 俞黎陽，王能.無線傳感網(wǎng)絡中基于神經(jīng)網(wǎng)絡的數(shù)據(jù)融合模型[J].計算機科學，2008（12）：43?47.

[11] 錢菲菲，秦寧寧.無線傳感網(wǎng)絡中誤差等級融合算法[J].計算機應用研究，2012（3）：1008?1011.

[12] 李志宇，史浩山.一種基于網(wǎng)絡和移動代理的無線傳感網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報，2008（7）：1222?1236.

[13] 王威，周紅軍，王潤生.多傳感器數(shù)據(jù)融合的一種方法[J].傳感器技術，2003，22（9）：39?40.