基于異常數(shù)據(jù)驅(qū)動(dòng)的WSN簇內(nèi)數(shù)據(jù)融合方法*

譚德坤，付雪峰，趙 嘉，涂振宇

(1.南昌工程學(xué)院信息工程學(xué)院，南昌330099;2.江西省水信息協(xié)同感知與智能處理重點(diǎn)實(shí)驗(yàn)室，南昌330099)

基于異常數(shù)據(jù)驅(qū)動(dòng)的WSN簇內(nèi)數(shù)據(jù)融合方法*

譚德坤1，2*，付雪峰1，2，趙 嘉1，涂振宇1

(1.南昌工程學(xué)院信息工程學(xué)院，南昌330099;2.江西省水信息協(xié)同感知與智能處理重點(diǎn)實(shí)驗(yàn)室，南昌330099)

引入數(shù)據(jù)驅(qū)動(dòng)的思想，提出了一種基于異常數(shù)據(jù)驅(qū)動(dòng)的簇內(nèi)數(shù)據(jù)融合方法。在節(jié)點(diǎn)數(shù)據(jù)采集過(guò)程中，僅當(dāng)異常數(shù)據(jù)發(fā)生時(shí)才發(fā)送給簇頭，減少了監(jiān)測(cè)網(wǎng)絡(luò)的數(shù)據(jù)傳輸量。在簇頭數(shù)據(jù)融合過(guò)程中，建立了各傳感器之間的相互支持度矩陣，支持度值較低的監(jiān)測(cè)數(shù)據(jù)將被剔除，支持度值較高的監(jiān)測(cè)數(shù)據(jù)進(jìn)行最優(yōu)加權(quán)融合，從而保證了融合結(jié)果的準(zhǔn)確性和有效性。仿真實(shí)驗(yàn)結(jié)果表明，與算術(shù)平均值法及自適應(yīng)加權(quán)融合法相比，本文方法能有效去除冗余信息，在融合精度、能量消耗方面具有明顯的優(yōu)勢(shì)。

無(wú)線(xiàn)傳感器網(wǎng)絡(luò);異常數(shù)據(jù)驅(qū)動(dòng);數(shù)據(jù)融合;支持度矩陣

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)是由許多具有感知、計(jì)算和通信能力的微型傳感器節(jié)點(diǎn)組成，各節(jié)點(diǎn)之間通過(guò)無(wú)線(xiàn)方式傳輸信息［1］。作為一種全新的信息獲取和處理技術(shù)，無(wú)線(xiàn)傳感器網(wǎng)絡(luò)具有節(jié)點(diǎn)分布區(qū)域廣、成本低、體積小、多跳、自組織等特點(diǎn)［2］，在國(guó)防軍事、環(huán)境監(jiān)測(cè)、智能交通、醫(yī)療衛(wèi)生、工業(yè)自動(dòng)化等領(lǐng)域得到了越來(lái)越廣泛的應(yīng)用［3］。然而，WSN是資源受限的網(wǎng)絡(luò)，傳感器節(jié)點(diǎn)的電池容量、計(jì)算能力、存儲(chǔ)空間及通信帶寬均有限，為了能及時(shí)有效地監(jiān)測(cè)周?chē)h(huán)境的信息，在監(jiān)測(cè)區(qū)域通常會(huì)部署大量節(jié)點(diǎn)，并以較高的頻率采集并傳輸數(shù)據(jù)，從而造成大量的重復(fù)冗余的數(shù)據(jù)，浪費(fèi)系統(tǒng)的能量和帶寬資源，大大縮減網(wǎng)絡(luò)的壽命［4］。因此，如何減少網(wǎng)絡(luò)中大量冗余信息的傳輸，降低節(jié)點(diǎn)能源消耗，延長(zhǎng)網(wǎng)絡(luò)的生命周期，是目前WSN研究中亟需解決的問(wèn)題之一。

數(shù)據(jù)融合是上述問(wèn)題的一種有效解決方法。其基本思想是將具有一定冗余度的多傳感器數(shù)據(jù)進(jìn)行融合，從而減少數(shù)據(jù)的傳輸量，節(jié)約傳感器節(jié)點(diǎn)的能量，同時(shí)也能夠有效提高獲取信息的準(zhǔn)確性［5］。傳統(tǒng)的WSN數(shù)據(jù)融合方法主要?dú)w為兩大類(lèi)，一類(lèi)是基于隨機(jī)理論的加權(quán)平均法、最小二乘法、貝葉斯估計(jì)法、D-S證據(jù)理論等;另一類(lèi)是基于人工智能理論的人工神經(jīng)網(wǎng)絡(luò)法、模糊推理法、粗糙集方法等［6］。傳統(tǒng)方法通常周期性地將源節(jié)點(diǎn)信息發(fā)送給匯聚節(jié)點(diǎn)，匯聚節(jié)點(diǎn)則采用相應(yīng)的數(shù)學(xué)模型將不同傳感器節(jié)點(diǎn)采集到的信息融合處理成一條簡(jiǎn)單的信息，然后再向上級(jí)節(jié)點(diǎn)轉(zhuǎn)發(fā)。傳感器節(jié)點(diǎn)以固定周期采集并發(fā)送數(shù)據(jù)存在如下問(wèn)題:在實(shí)際應(yīng)用中，節(jié)點(diǎn)監(jiān)測(cè)的數(shù)據(jù)大多都是緩慢變化的量，如溫度、濕度、流量、壓力等，若沒(méi)有特殊事件發(fā)生時(shí)，監(jiān)測(cè)到的數(shù)據(jù)絕大部分屬于重復(fù)性監(jiān)測(cè)，且實(shí)際意義較低。若節(jié)點(diǎn)一直頻繁地處于監(jiān)測(cè)狀態(tài)，仍然會(huì)造成節(jié)點(diǎn)能耗的增加以及網(wǎng)絡(luò)帶寬的浪費(fèi)。文獻(xiàn)［7］提出增大節(jié)點(diǎn)的采樣周期以減少數(shù)據(jù)傳輸量，但是采樣周期過(guò)大，則很可能丟失重要的監(jiān)測(cè)信息。采樣周期設(shè)置越大則異常變化數(shù)據(jù)的監(jiān)測(cè)概率就越小，從而漏掉重要事件的發(fā)生。

異常數(shù)據(jù)在傳感器網(wǎng)絡(luò)實(shí)時(shí)監(jiān)測(cè)中具有重要的應(yīng)用意義。異常數(shù)據(jù)是指那些明顯偏離傳感器正常模式的測(cè)量數(shù)據(jù)［8］，這里的異常是指“不尋?！?，而不僅僅指“不正?！?。若傳感器網(wǎng)絡(luò)中出現(xiàn)數(shù)據(jù)的異常，一是意味著周?chē)h(huán)境有重要事件的發(fā)生;二是表明節(jié)點(diǎn)出現(xiàn)了故障，從而采集到明顯偏離正常值的錯(cuò)誤數(shù)據(jù)。無(wú)論是外部事件的發(fā)生還是節(jié)點(diǎn)故障，此兩種情況均應(yīng)該引起相當(dāng)程度的重視。近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)傳感器網(wǎng)絡(luò)中異常數(shù)據(jù)的檢測(cè)做了大量研究。Krishnamachari等［9］提出了一種基于Bayes理論的異常節(jié)點(diǎn)檢測(cè)方法，通過(guò)相鄰節(jié)點(diǎn)的異常概率來(lái)確定某節(jié)點(diǎn)是否異常。譚義紅和林亞平等［10］基于線(xiàn)性自回歸分析法給出了傳感器數(shù)據(jù)流的預(yù)測(cè)模型，采用該預(yù)測(cè)模型提出了異常事件檢測(cè)和壓縮處理的算法。Atakli等［11］提出了一種加權(quán)可信度的檢測(cè)方法來(lái)檢測(cè)異常節(jié)點(diǎn)。Zheng和Baras［12］利用協(xié)助信任模型進(jìn)行異常檢測(cè)并定位異常節(jié)點(diǎn)，結(jié)果表明該方法獲得了較好的頻帶寬度和較低的能耗。李光輝等［8］提出了基于K-means聚類(lèi)的WSN異常數(shù)據(jù)檢測(cè)算法，根據(jù)與聚類(lèi)中心的距離區(qū)分正常數(shù)據(jù)與異常數(shù)據(jù)。在文獻(xiàn)［13］中他們又提出基于神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)檢測(cè)方法，通過(guò)歷史數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，判定實(shí)際測(cè)量值是否落入預(yù)報(bào)區(qū)間來(lái)判斷數(shù)據(jù)是否異常。

分析國(guó)內(nèi)外文獻(xiàn)資料我們可以看出，對(duì)傳感器網(wǎng)絡(luò)中異常數(shù)據(jù)的檢測(cè)研究較多，而對(duì)異常數(shù)據(jù)在WSN數(shù)據(jù)融合中的作用研究較少。WSN異常數(shù)據(jù)對(duì)數(shù)據(jù)融合結(jié)果的正確性及融合效率有非常重要的影響。為了保證數(shù)據(jù)融合結(jié)果的正確性，由節(jié)點(diǎn)故障(如軟件缺陷、天氣變化、電池電量不足、電磁干擾等)所引起的數(shù)據(jù)異常［14］，必須在數(shù)據(jù)融合過(guò)程中將這些不可靠數(shù)據(jù)剔除;WSN實(shí)際應(yīng)用中監(jiān)測(cè)目標(biāo)大多都是以事件的形式出現(xiàn)，而外部事件的發(fā)生具有隨機(jī)性和突發(fā)性，由外部事件發(fā)生所引起的數(shù)據(jù)異常，必須實(shí)時(shí)準(zhǔn)確地將這些信息進(jìn)行識(shí)別并向外傳送。在實(shí)際應(yīng)用中，觀測(cè)者主要關(guān)注的是傳感器采集到的數(shù)據(jù)的變化情況，即關(guān)心是否有重要事件的發(fā)生。因此，本文引入數(shù)據(jù)驅(qū)動(dòng)的思想，以異常數(shù)據(jù)作為數(shù)據(jù)融合的驅(qū)動(dòng)源，提出基于異常數(shù)據(jù)驅(qū)動(dòng)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)融合方法，該方法僅當(dāng)異常數(shù)據(jù)發(fā)生時(shí)才觸發(fā)WSN的數(shù)據(jù)融合處理機(jī)制，從而大大減少節(jié)點(diǎn)間的數(shù)據(jù)通信量，提升數(shù)據(jù)融合效率，節(jié)約傳感器節(jié)點(diǎn)能源消耗并延長(zhǎng)網(wǎng)絡(luò)壽命。

1 網(wǎng)絡(luò)模型

在傳感器網(wǎng)絡(luò)中，由于網(wǎng)絡(luò)規(guī)模大，節(jié)點(diǎn)數(shù)目眾多，采用平面組織的方式會(huì)造成匯聚節(jié)點(diǎn)周?chē)闹欣^節(jié)點(diǎn)能耗過(guò)快耗盡而無(wú)法工作的問(wèn)題。為此常采用分簇的方法對(duì)網(wǎng)絡(luò)進(jìn)行劃分，一定數(shù)量的鄰近傳感器節(jié)點(diǎn)形成一個(gè)簇。每簇自成一個(gè)區(qū)域，簇內(nèi)節(jié)點(diǎn)被分成簇頭節(jié)點(diǎn)和普通節(jié)點(diǎn)。普通節(jié)點(diǎn)主要負(fù)責(zé)網(wǎng)絡(luò)狀態(tài)和事件的監(jiān)測(cè)，簇頭節(jié)點(diǎn)主要負(fù)責(zé)從它的簇成員中采集信息并進(jìn)行數(shù)據(jù)融合和轉(zhuǎn)發(fā)的任務(wù)，同時(shí)要維護(hù)簇內(nèi)網(wǎng)絡(luò)同步和網(wǎng)絡(luò)管理。傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)如圖1所示。

圖1 傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分簇結(jié)構(gòu)圖

在上述分簇的前提下，本文假定網(wǎng)絡(luò)節(jié)點(diǎn)隨機(jī)分布在監(jiān)測(cè)區(qū)域內(nèi)，且該網(wǎng)絡(luò)符合以下性質(zhì):①無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署后不再移動(dòng);②匯聚節(jié)點(diǎn)唯一，且部署在監(jiān)測(cè)區(qū)域外固定位置;③簇內(nèi)各節(jié)點(diǎn)由電池供電，初始能量相同且不能補(bǔ)充，發(fā)射功率有限。匯聚節(jié)點(diǎn)能量足夠，能進(jìn)行復(fù)雜的運(yùn)算并實(shí)現(xiàn)與外部網(wǎng)絡(luò)(如Internet、GPRS等)的連接;④簇跟簇之間沒(méi)有干擾，簇內(nèi)成員只跟簇頭通信;⑤節(jié)點(diǎn)能夠獲取其自身位置信息;⑥簇內(nèi)各節(jié)點(diǎn)同構(gòu)且在地理位置上鄰近。

2 基于異常數(shù)據(jù)驅(qū)動(dòng)的簇內(nèi)數(shù)據(jù)融合

監(jiān)測(cè)區(qū)域內(nèi)的節(jié)點(diǎn)分好簇之后，簇內(nèi)節(jié)點(diǎn)將測(cè)得的數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)，簇頭節(jié)點(diǎn)則接收成員節(jié)點(diǎn)數(shù)據(jù)并進(jìn)行融合處理，然后將融合結(jié)果轉(zhuǎn)發(fā)給匯聚節(jié)點(diǎn)，此即簇內(nèi)數(shù)據(jù)融合。當(dāng)然，匯聚節(jié)點(diǎn)針對(duì)不同的簇頭信息，也可進(jìn)行更高層級(jí)的決策級(jí)信息融合。具體的數(shù)據(jù)融合模型如圖2所示。

圖2 簇內(nèi)數(shù)據(jù)融合模型

數(shù)據(jù)驅(qū)動(dòng)思想方法具有較強(qiáng)的適應(yīng)性，能夠適應(yīng)來(lái)自傳感器的動(dòng)態(tài)數(shù)據(jù)變化，也能夠適應(yīng)計(jì)算需求的變化，從而最終有效地為用戶(hù)提供決策支持。在簇內(nèi)數(shù)據(jù)融合的過(guò)程中，為了節(jié)省能量和數(shù)據(jù)傳輸量，簇頭采用基于異常數(shù)據(jù)驅(qū)動(dòng)的融合策略。當(dāng)無(wú)異常數(shù)據(jù)發(fā)生時(shí)，簇頭僅需發(fā)送分簇網(wǎng)絡(luò)及成員節(jié)點(diǎn)自身的狀態(tài)信息，此時(shí)分簇網(wǎng)絡(luò)處于抑制狀態(tài);當(dāng)有異常數(shù)據(jù)發(fā)生時(shí)，意味著有外部事件發(fā)生，從而驅(qū)動(dòng)簇頭節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合處理工作，此時(shí)分簇網(wǎng)絡(luò)處于興奮狀態(tài)。特別需要說(shuō)明的是，當(dāng)用戶(hù)發(fā)起查詢(xún)請(qǐng)求時(shí)，也視為有外部異常數(shù)據(jù)發(fā)生，從而觸發(fā)簇頭的融合處理機(jī)制運(yùn)行工作。

2.1 異常數(shù)據(jù)定義

在統(tǒng)計(jì)學(xué)中，異常數(shù)據(jù)有許多不同的定義。我們采用基于距離的定義，即兩個(gè)數(shù)據(jù)之差的絕對(duì)值。設(shè)ai為傳感器節(jié)點(diǎn)i采集到的當(dāng)前數(shù)據(jù)，pi為節(jié)點(diǎn)i在采集ai之前向簇頭發(fā)送的最近一次異常數(shù)據(jù)。則異常數(shù)據(jù)定義為:

定義1 對(duì)于數(shù)據(jù)ai，若|ai－pi|≥ε，則稱(chēng)ai為異常數(shù)據(jù)。其中，ε為異常數(shù)據(jù)判定閾值，其值為常數(shù)，它的大小會(huì)顯著影響節(jié)點(diǎn)向簇頭發(fā)送異常數(shù)據(jù)的頻率。

對(duì)于分簇內(nèi)各個(gè)傳感器節(jié)點(diǎn)采集的數(shù)據(jù)信息，節(jié)點(diǎn)內(nèi)部通過(guò)比較監(jiān)測(cè)到的數(shù)據(jù)與最近發(fā)送的異常數(shù)據(jù)的差值大小，然后根據(jù)差值判斷是否有必要進(jìn)行當(dāng)前周期采樣數(shù)據(jù)的發(fā)送。若差值大于預(yù)設(shè)的閾值，則認(rèn)為產(chǎn)生了異常數(shù)據(jù)，將其發(fā)送給簇頭;若差值小于規(guī)定的閾值，則不用發(fā)送數(shù)據(jù)到簇頭。此種方式有效降低了節(jié)點(diǎn)數(shù)據(jù)發(fā)送的頻率，但是又不會(huì)漏掉重要事件所引起的“異常數(shù)據(jù)”的發(fā)送。

2.2 異常數(shù)據(jù)有效性判斷方法

簇內(nèi)各節(jié)點(diǎn)將異常數(shù)據(jù)發(fā)送到簇頭，從而觸發(fā)簇頭節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合處理。而異常數(shù)據(jù)分為兩種，一是由傳感器故障產(chǎn)生的異常數(shù)據(jù)，稱(chēng)為無(wú)效異常數(shù)據(jù);另外一種是由監(jiān)測(cè)事件引起的異常數(shù)據(jù)，稱(chēng)為有效異常數(shù)據(jù)。若無(wú)效數(shù)據(jù)參與數(shù)據(jù)融合，會(huì)嚴(yán)重影響數(shù)據(jù)融合結(jié)果的正確性，從而誤導(dǎo)整個(gè)網(wǎng)絡(luò)決策。因此，簇頭節(jié)點(diǎn)在融合處理過(guò)程中，必須首先確定被融合數(shù)據(jù)的有效性。

簇頭接收到其成員節(jié)點(diǎn)發(fā)送的異常數(shù)據(jù)后，僅憑單個(gè)簇頭節(jié)點(diǎn)本身很難對(duì)數(shù)據(jù)的有效性做出判斷。本文引入群體支持度方法對(duì)數(shù)據(jù)的有效性進(jìn)行評(píng)價(jià)。本方法的基本思想是每個(gè)傳感器節(jié)點(diǎn)提供的異常數(shù)據(jù)都有一個(gè)支持度，其值表示簇內(nèi)其他鄰居節(jié)點(diǎn)對(duì)該異常數(shù)據(jù)有效性的支持程度。設(shè)多個(gè)傳感器測(cè)量同一參數(shù)，第i個(gè)傳感器和第j個(gè)傳感器測(cè)得的數(shù)據(jù)分別為ai和aj。若數(shù)據(jù)ai的有效性越高，那么ai被其余節(jié)點(diǎn)測(cè)量數(shù)據(jù)所支持的程度就越高。所謂ai被節(jié)點(diǎn)j支持，即從節(jié)點(diǎn)j來(lái)看ai為有效數(shù)據(jù)的可能程度，亦即數(shù)據(jù)ai和aj之間的一致性程度。為了表征傳感器數(shù)據(jù)之間的這種相互支持關(guān)系，Yager［15］提出采用支持度函數(shù)sup(a，b)來(lái)表示數(shù)據(jù)b對(duì)a的支持程度。支持度函數(shù)須滿(mǎn)足如下3個(gè)條件:

①sup(a，b)∈［0，1］;

②sup(a，b)=sup(b，a);

③若|a－b|＜|x－y|，則sup(a，b)＞sup(x，y)。

本文的支持度函數(shù)采用高斯函數(shù)形式進(jìn)行描述，即

式中:參數(shù)K控制支持度函數(shù)的幅度，β為支持度衰減因子。β值越大則支持度越小，表明支持度函數(shù)的衰減幅度增大。式(1)給出的高斯函數(shù)是連續(xù)函數(shù)，它能夠準(zhǔn)確表達(dá)傳感器數(shù)據(jù)之間的支持度關(guān)系。

定義2 傳感器節(jié)點(diǎn)i和j所測(cè)量數(shù)據(jù)之間的支持度為:

設(shè)簇內(nèi)有n個(gè)傳感器節(jié)點(diǎn)，它們均測(cè)量同一特性指標(biāo)，根據(jù)式(2)所給出的支持度公式，可得到傳感器各節(jié)點(diǎn)測(cè)量數(shù)據(jù)之間的支持度矩陣R:

式中:ri1，ri2，…，rin分別表示節(jié)點(diǎn)i所測(cè)得數(shù)據(jù)ai被a1，a2，…，an所支持的程度。為了反映ai被其他傳感器測(cè)量值的綜合支持程度，定義第i個(gè)節(jié)點(diǎn)數(shù)據(jù)ai的綜合支持度為:

si的大小反映了ai被其他傳感器綜合支持程度的高低。si越大，說(shuō)明第i個(gè)傳感器所測(cè)數(shù)據(jù)與多數(shù)傳感器接近，它被較多的傳感器支持，此時(shí)它發(fā)送給簇頭的異常數(shù)據(jù)ai為有效異常數(shù)據(jù)的可能性較高;反之，則表明第i個(gè)傳感器所測(cè)數(shù)據(jù)偏離多數(shù)傳感器的測(cè)量數(shù)據(jù)，ai為有效異常數(shù)據(jù)的可能性低，為節(jié)點(diǎn)故障引起的無(wú)效異常數(shù)據(jù)可能性較大?？梢钥闯?，群體支持度方法的思想較符合人們的認(rèn)識(shí)實(shí)際，因?yàn)橥淮貎?nèi)的各傳感器節(jié)點(diǎn)地理位置分布較近，且節(jié)點(diǎn)同構(gòu)，則各傳感器對(duì)同一環(huán)境特性參數(shù)的測(cè)量值應(yīng)該是相互接近的。若第i個(gè)傳感器由于故障發(fā)送無(wú)效異常數(shù)據(jù)ai，而其他傳感器正常，則ai會(huì)明顯背離其他傳感器測(cè)量值，從而其綜合支持度si很小，除非簇內(nèi)節(jié)點(diǎn)大面積同時(shí)出現(xiàn)故障，但是此種情況發(fā)生的概率極低，幾乎可以忽略不計(jì)。針對(duì)傳感器節(jié)點(diǎn)i發(fā)送的異常數(shù)據(jù)ai，下面給出判斷該數(shù)據(jù)有效性的定義:

定義3 設(shè)數(shù)據(jù)ai的綜合支持度為si，若si≥δ，則ai為有效數(shù)據(jù);否則，ai為無(wú)效數(shù)據(jù)。其中，δ為數(shù)據(jù)有效性判定閾值。

若一個(gè)傳感器不被其他傳感器所支持，或只被少數(shù)傳感器支持且綜合支持度值小于閾值δ時(shí)，則認(rèn)為該傳感器所發(fā)送的異常數(shù)據(jù)是故障引起的，因此其測(cè)量值是無(wú)效的，在進(jìn)行數(shù)據(jù)融合時(shí)應(yīng)把這樣的測(cè)量值剔除掉。

2.3 簇內(nèi)數(shù)據(jù)融合策略

對(duì)于簇內(nèi)各成員節(jié)點(diǎn)發(fā)送給簇頭的測(cè)量數(shù)據(jù)，簇頭采用2.2節(jié)提供的方法對(duì)數(shù)據(jù)進(jìn)行有效性判定。若為無(wú)效數(shù)據(jù)，則剔除;若為有效數(shù)據(jù)，則進(jìn)行數(shù)據(jù)融合處理。對(duì)于成員節(jié)點(diǎn)提供的有效數(shù)據(jù)ai，首先按下式計(jì)算其重要性權(quán)重:

式中:wi表示第i個(gè)傳感器測(cè)量的有效數(shù)據(jù)ai在融合過(guò)程中所占權(quán)重，m為有效數(shù)據(jù)的個(gè)數(shù)(m≤n)。通過(guò)加權(quán)求和可以得到簇內(nèi)最終的融合數(shù)據(jù)為

在WSN分簇網(wǎng)絡(luò)中，設(shè)成員節(jié)點(diǎn)的數(shù)據(jù)采集周期為T(mén)，為了避免丟失重要事件的監(jiān)測(cè)，而且數(shù)據(jù)采集及計(jì)算的耗能較低，因此可以將T值定得小一些。該時(shí)間周期由簇頭進(jìn)行管理和同步，則各成員節(jié)點(diǎn)的采集時(shí)間是一致的。

在分簇網(wǎng)絡(luò)中，一旦有異常數(shù)據(jù)發(fā)生，則會(huì)觸發(fā)簇頭的數(shù)據(jù)融合處理機(jī)制運(yùn)行工作，此時(shí)簇頭就會(huì)要求每個(gè)節(jié)點(diǎn)發(fā)送測(cè)量數(shù)據(jù)給自己，以便判斷各測(cè)量數(shù)據(jù)的有效性并按式(5)和式(6)進(jìn)行融合計(jì)算處理。假如某分簇中有一個(gè)成員節(jié)點(diǎn)發(fā)生了故障，其采集的數(shù)據(jù)穩(wěn)定性很差，而其余節(jié)點(diǎn)均正常，且監(jiān)測(cè)環(huán)境中無(wú)重要事件發(fā)生。那么故障節(jié)點(diǎn)在每個(gè)采集周期都可能會(huì)產(chǎn)生異常數(shù)據(jù)發(fā)送給簇頭，從而觸發(fā)簇頭進(jìn)行數(shù)據(jù)融合處理工作。雖然故障節(jié)點(diǎn)的異常數(shù)據(jù)不被其余正常節(jié)點(diǎn)的數(shù)據(jù)支持而被剔除，但每個(gè)周期正常節(jié)點(diǎn)的數(shù)據(jù)均被動(dòng)參與了融合處理，從而造成了節(jié)點(diǎn)能耗增加和網(wǎng)絡(luò)帶寬浪費(fèi)。為了防止少數(shù)故障節(jié)點(diǎn)頻繁發(fā)送無(wú)效異常數(shù)據(jù)而引起能量和帶寬資源的浪費(fèi)，本文采用簡(jiǎn)單多數(shù)原則來(lái)確立簇頭是否啟動(dòng)數(shù)據(jù)融合處理工作。

定義4 簇頭刺激強(qiáng)度閾值γ。該值用于設(shè)定簇頭興奮門(mén)限，設(shè)簇內(nèi)成員節(jié)點(diǎn)個(gè)數(shù)為n，根據(jù)簡(jiǎn)單多數(shù)原則，則γ定為0.5n。在一個(gè)采集周期內(nèi)產(chǎn)生異常數(shù)據(jù)的節(jié)點(diǎn)個(gè)數(shù)為l，若l≥γ，意味著產(chǎn)生異常數(shù)據(jù)的節(jié)點(diǎn)占多數(shù)，簇頭受到簇內(nèi)異常數(shù)據(jù)刺激強(qiáng)度足夠，簇頭進(jìn)入興奮態(tài)，需進(jìn)行數(shù)據(jù)融合處理。否則，忽略本周期采集數(shù)據(jù)，不予處理。

在每個(gè)數(shù)據(jù)采集周期，由于節(jié)點(diǎn)不同其功能行為也不同。在簇內(nèi)數(shù)據(jù)融合過(guò)程中，為了描述節(jié)點(diǎn)的動(dòng)作行為，特定義如下3個(gè)狀態(tài)參數(shù)。

定義5 簇頭興奮標(biāo)志位hTag。hTag存在于簇頭節(jié)點(diǎn)中，表示簇頭是否處于興奮狀態(tài)。其初值為0，表示網(wǎng)絡(luò)中異常數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)小于閾值γ，此時(shí)分簇網(wǎng)絡(luò)處于抑制狀態(tài)，簇頭不做數(shù)據(jù)融合處理工作。若節(jié)點(diǎn)異常數(shù)據(jù)刺激強(qiáng)度超過(guò)閾值 γ，則將hTag置為1，此時(shí)網(wǎng)絡(luò)處于興奮狀態(tài)，異常數(shù)據(jù)驅(qū)動(dòng)簇頭進(jìn)行數(shù)據(jù)融合處理，融合處理完畢并將結(jié)果發(fā)送給匯聚節(jié)點(diǎn)后，簇頭將hTag重置為0。

定義6 異常數(shù)據(jù)產(chǎn)生標(biāo)志位mTag和數(shù)據(jù)強(qiáng)制發(fā)送標(biāo)志位send。mTag和send均置于各成員節(jié)點(diǎn)中。mTag表示成員節(jié)點(diǎn)是否產(chǎn)生異常數(shù)據(jù)，0為否，1為是。send表示成員節(jié)點(diǎn)是否收到簇頭“數(shù)據(jù)強(qiáng)制發(fā)送”消息，0為未收到，1為已收到。

在第k個(gè)采集周期Tk，則對(duì)于簇頭節(jié)點(diǎn)，其動(dòng)作行為描述為:①若分簇網(wǎng)絡(luò)處于抑制狀態(tài)，此時(shí)hTag=0，在Tk周期內(nèi)簇頭未收到任何成員節(jié)點(diǎn)發(fā)送的異常數(shù)據(jù)或者異常數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)未超過(guò)閾值γ，則簇頭只需發(fā)送少量的本簇狀態(tài)信息給匯聚節(jié)點(diǎn)，不進(jìn)行任何數(shù)據(jù)融合及測(cè)量數(shù)據(jù)發(fā)送工作。②在Tk周期內(nèi)，若簇頭接收到成員節(jié)點(diǎn)發(fā)送的異常數(shù)據(jù)個(gè)數(shù)超過(guò)閾值γ，令hTag=1，同時(shí)將“數(shù)據(jù)強(qiáng)制發(fā)送”消息給其他成員節(jié)點(diǎn)，則簇頭激發(fā)分簇網(wǎng)絡(luò)進(jìn)入興奮狀態(tài)。簇頭收到各節(jié)點(diǎn)的測(cè)量數(shù)據(jù)后，利用式(3)計(jì)算各節(jié)點(diǎn)支持度矩陣R，并利用式(4)計(jì)算各節(jié)點(diǎn)的綜合支持度，接著利用式(5)和式(6)進(jìn)行有效數(shù)據(jù)融合處理，并將融合結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。最后，將hTag重置為0。③若簇頭收到上層用戶(hù)查詢(xún)請(qǐng)求，則置hTag=1，表示該分簇網(wǎng)絡(luò)也受到了外部查詢(xún)請(qǐng)求驅(qū)動(dòng)，其動(dòng)作執(zhí)行與上文描述相同。

在采集周期Tk，對(duì)于簇內(nèi)各成員節(jié)點(diǎn)，其動(dòng)作行為描述如下:①若mTag=0且send=0，表示該節(jié)點(diǎn)處于抑制狀態(tài)。成員節(jié)點(diǎn)將采集的數(shù)據(jù)與緩存內(nèi)存放的最近發(fā)送數(shù)據(jù)進(jìn)行比較，若為異常數(shù)據(jù)，則將其發(fā)送給簇頭，并置mTag為1，同時(shí)更新緩存數(shù)據(jù);否則，不用發(fā)送本周期采集數(shù)據(jù)。②若mTag=0且send=1，表示節(jié)點(diǎn)處于興奮狀態(tài)，雖然該節(jié)點(diǎn)未產(chǎn)生異常數(shù)據(jù)但收到簇頭“數(shù)據(jù)強(qiáng)制發(fā)送”消息。此時(shí)節(jié)點(diǎn)應(yīng)將其采集的測(cè)量數(shù)據(jù)發(fā)送給簇頭，同時(shí)更新緩存數(shù)據(jù)。③在每個(gè)采集周期末，節(jié)點(diǎn)將mTag和send的值重置為0。

2.4 融合算法描述

根據(jù)以上算法思想，在簇內(nèi)數(shù)據(jù)融合處理過(guò)程中，算法包含成員節(jié)點(diǎn)異常數(shù)據(jù)判斷及數(shù)據(jù)傳輸算法和簇頭節(jié)點(diǎn)數(shù)據(jù)融合算法。

成員節(jié)點(diǎn)異常數(shù)據(jù)判斷及數(shù)據(jù)傳輸算法的主要步驟詳述如下:

Step 1 初始化參數(shù)。包括數(shù)據(jù)采集周期T，異常數(shù)據(jù)判定閾值ε。還有設(shè)定異常數(shù)據(jù)產(chǎn)生標(biāo)志位mTag和數(shù)據(jù)強(qiáng)制發(fā)送標(biāo)志位send的初始值。

Step 2 節(jié)點(diǎn)執(zhí)行數(shù)據(jù)采集命令。傳感器采集周?chē)h(huán)境特性參數(shù)。

Step 3 進(jìn)行異常數(shù)據(jù)判斷。根據(jù)定義1對(duì)采集的數(shù)據(jù)進(jìn)行異常數(shù)據(jù)判斷。若為異常數(shù)據(jù)，則發(fā)送給簇頭，置mTag為1，同時(shí)更新緩存數(shù)據(jù);否則，轉(zhuǎn)Step 4。

Step 4 啟動(dòng)消息接收計(jì)時(shí)器，等待接收簇頭“數(shù)據(jù)強(qiáng)制發(fā)送”消息。若消息接收計(jì)時(shí)器未超時(shí)且send=1同時(shí)mTag=0，節(jié)點(diǎn)將其采集的測(cè)量數(shù)據(jù)發(fā)送給簇頭，同時(shí)更新緩存數(shù)據(jù)。若消息接收計(jì)時(shí)器超時(shí)且send=0，則節(jié)點(diǎn)丟棄本次采集數(shù)據(jù)。

Step 5 重置狀態(tài)參數(shù)mTag及send的值。返回Step 2，節(jié)點(diǎn)繼續(xù)下一數(shù)據(jù)采集周期。

簇頭負(fù)責(zé)將各成員節(jié)點(diǎn)的數(shù)據(jù)的數(shù)據(jù)進(jìn)行融合操作并發(fā)送給匯聚節(jié)點(diǎn)。簇頭節(jié)點(diǎn)數(shù)據(jù)融合算法具體描述如下:

Step 1 初始化簇頭端參數(shù)。包括成員節(jié)點(diǎn)個(gè)數(shù)n，產(chǎn)生異常數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)l，簇頭刺激強(qiáng)度閾值γ，數(shù)據(jù)有效性判定閾值δ以及簇頭興奮標(biāo)志位hTag。

Step 2 統(tǒng)計(jì)產(chǎn)生異常數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)。簇頭收到各節(jié)點(diǎn)發(fā)送的數(shù)據(jù)并判斷異常數(shù)據(jù)產(chǎn)生標(biāo)志位mTag，從而確定節(jié)點(diǎn)發(fā)送的是否為異常數(shù)據(jù)。

Step 3 判斷分簇網(wǎng)絡(luò)狀態(tài)。若l≥γ或者簇頭收到上層用戶(hù)查詢(xún)請(qǐng)求，則置hTag為1，表明分簇網(wǎng)絡(luò)進(jìn)入興奮態(tài)，轉(zhuǎn)Step 4;否則，分簇網(wǎng)絡(luò)處于抑制狀態(tài)，轉(zhuǎn)Step 7。

Step 4 簇頭觸發(fā)網(wǎng)絡(luò)進(jìn)入興奮態(tài)。簇頭發(fā)送“數(shù)據(jù)強(qiáng)制發(fā)送”消息給那些未產(chǎn)生異常數(shù)據(jù)的節(jié)點(diǎn)并置send為1。

Step 5 進(jìn)行數(shù)據(jù)有效性判斷。簇頭接收各成員節(jié)點(diǎn)測(cè)量數(shù)據(jù)后，利用式(3)和式(4)計(jì)算節(jié)點(diǎn)綜合支持度，根據(jù)定義3判定各節(jié)點(diǎn)數(shù)據(jù)有效性。

Step 6 進(jìn)行數(shù)據(jù)融合處理。對(duì)各節(jié)點(diǎn)發(fā)送的有效數(shù)據(jù)，利用式(5)和式(6)進(jìn)行融合計(jì)算，最后將融合結(jié)果上傳給匯聚節(jié)點(diǎn)。

Step 7 重置標(biāo)志位hTag。返回Step 2，簇頭重新開(kāi)始下一輪數(shù)據(jù)融合處理過(guò)程。

3 仿真實(shí)驗(yàn)結(jié)果及分析

為了分析和比較算法的性能，本文利用MATLAB平臺(tái)進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)背景設(shè)定為200 m×200 m的溫室大棚內(nèi)，隨機(jī)部署100個(gè)溫度傳感器節(jié)點(diǎn)對(duì)溫室內(nèi)環(huán)境溫度變化進(jìn)行監(jiān)測(cè)，溫度變化模擬采用正弦函數(shù)法，傳感器節(jié)點(diǎn)故障、天氣變化、大棚薄膜破損、人工增溫等情況均會(huì)導(dǎo)致異常數(shù)據(jù)的產(chǎn)生。匯聚節(jié)點(diǎn)坐標(biāo)設(shè)定為(100，200)，區(qū)域內(nèi)所有傳感器節(jié)點(diǎn)采用經(jīng)典的Leach算法進(jìn)行分簇，并按照隨機(jī)選舉策略生成簇頭節(jié)點(diǎn)，由于簇頭節(jié)點(diǎn)消耗能量巨大，為了均衡網(wǎng)絡(luò)節(jié)點(diǎn)能耗，在選舉簇頭時(shí)，還考慮了其當(dāng)前剩余能量，剩余能量較多的節(jié)點(diǎn)被選為簇頭的概率較大。簇頭將數(shù)據(jù)融合后直接把結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。在數(shù)據(jù)傳輸過(guò)程中，能耗計(jì)算采用文獻(xiàn)［16］中所使用的一階無(wú)線(xiàn)電模型，節(jié)點(diǎn)實(shí)驗(yàn)參數(shù)設(shè)置如表1所示。

表1 節(jié)點(diǎn)實(shí)驗(yàn)參數(shù)

3.1 融合效果比較

依據(jù)本文所提出的融合方法，將節(jié)點(diǎn)所采集的數(shù)據(jù)進(jìn)行融合計(jì)算，取50次仿真實(shí)驗(yàn)的數(shù)據(jù)融合結(jié)果。如圖3所示，將本文融合結(jié)果與傳統(tǒng)的算術(shù)平均值法和文獻(xiàn)［6］提出的自適應(yīng)加權(quán)融合方法進(jìn)行比較，從圖中可以看出，采用本文方法所得到的融合結(jié)果誤差較小，而其他兩種方法融合結(jié)果波動(dòng)比較大，本文方法在融合精度上有明顯的優(yōu)勢(shì)，其原因是本文方法在數(shù)據(jù)融合過(guò)程中，通過(guò)異常數(shù)據(jù)有效性判定方法事先剔除了故障節(jié)點(diǎn)所采集的數(shù)據(jù)，這些無(wú)效數(shù)據(jù)不參與融合處理過(guò)程，從而改善了數(shù)據(jù)融合的效果。

圖3 不同方法融合結(jié)果比較

圖4 不同方法均方誤差比較

由于傳感器所采集的數(shù)據(jù)信號(hào)總會(huì)受到外在環(huán)境的干擾，故節(jié)點(diǎn)采集的數(shù)據(jù)難免會(huì)存在誤差，而采集數(shù)據(jù)的誤差是一個(gè)隨機(jī)變量，所以對(duì)于融合算法的優(yōu)劣一般都采用均方誤差作為評(píng)價(jià)指標(biāo)。圖4給出了3種方法的均方誤差隨無(wú)效異常數(shù)據(jù)發(fā)生概率的變化情況。由圖可見(jiàn)，在無(wú)效異常數(shù)據(jù)發(fā)生概率較低時(shí)，3種方法融合結(jié)果的均方誤差相差不大;而隨著無(wú)效異常數(shù)據(jù)發(fā)生概率的增加，本文提出的方法均方誤差較小，所得結(jié)果進(jìn)一步說(shuō)明了本文方法融合精度較高，在無(wú)效異常數(shù)據(jù)較多時(shí)亦能保證網(wǎng)絡(luò)數(shù)據(jù)融合過(guò)程的有效性。

3.2 能量消耗比較

圖5對(duì)比了3種方法的網(wǎng)絡(luò)存活節(jié)點(diǎn)剩余總能量隨運(yùn)行時(shí)間輪數(shù)的變化曲線(xiàn)。從圖5可以看出，輪數(shù)相同時(shí)，本文方法剩余總能量都要明顯高于均值法和加權(quán)融合法。從網(wǎng)絡(luò)的生命周期來(lái)看，采用均值融合法的網(wǎng)絡(luò)運(yùn)行至762輪，加權(quán)融合法運(yùn)行至695輪進(jìn)入死亡期，而采用本文融合方法的網(wǎng)絡(luò)死亡期延長(zhǎng)至892輪。對(duì)比結(jié)果說(shuō)明本文方法能量使用效率更高，更加節(jié)約能量，網(wǎng)絡(luò)延續(xù)時(shí)間也更長(zhǎng)。其原因是本文方法從兩個(gè)方面節(jié)約了網(wǎng)絡(luò)能量耗費(fèi)，一是從成員節(jié)點(diǎn)來(lái)看，僅當(dāng)該節(jié)點(diǎn)有異常數(shù)據(jù)產(chǎn)生或者網(wǎng)絡(luò)處于興奮態(tài)時(shí)才發(fā)送數(shù)據(jù)給簇頭，其余時(shí)間均處于低功耗的抑制態(tài);二是從簇頭來(lái)看，僅在足夠數(shù)量的異常數(shù)據(jù)節(jié)點(diǎn)激發(fā)時(shí)簇頭才進(jìn)行數(shù)據(jù)融合處理工作，而異常數(shù)據(jù)的產(chǎn)生并非周期性的，其產(chǎn)生數(shù)量有限，從而顯著降低了網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合處理的頻次。

圖5 不同方法剩余總能量比較

圖6 不同異常數(shù)據(jù)發(fā)生概率下網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗比較

為了反映異常數(shù)據(jù)發(fā)生概率對(duì)網(wǎng)絡(luò)能量消耗的影響，本文給出了不同異常數(shù)據(jù)發(fā)生概率下分簇網(wǎng)絡(luò)運(yùn)行至第1個(gè)節(jié)點(diǎn)死亡時(shí)節(jié)點(diǎn)平均能耗的變化規(guī)律，如圖6所示。從圖6比較可知，異常數(shù)據(jù)發(fā)生概率(取值0.25)越大時(shí)，網(wǎng)絡(luò)節(jié)點(diǎn)的平均能量消耗也越大，其原因是本文方法的數(shù)據(jù)融合策略是由異常數(shù)據(jù)驅(qū)動(dòng)的，異常數(shù)據(jù)產(chǎn)生越頻繁，越有可能激發(fā)整個(gè)分簇網(wǎng)絡(luò)進(jìn)入興奮態(tài)，普通節(jié)點(diǎn)轉(zhuǎn)發(fā)給簇頭的異常數(shù)據(jù)量也比較大，簇頭也必需對(duì)數(shù)據(jù)進(jìn)行融合處理并轉(zhuǎn)發(fā)給上層節(jié)點(diǎn)，以便及時(shí)向用戶(hù)反饋突發(fā)事件的發(fā)生情況，從而引起節(jié)點(diǎn)通信及處理能耗的增加。若周?chē)h(huán)境的監(jiān)測(cè)數(shù)據(jù)變化緩慢，亦即異常數(shù)據(jù)發(fā)生概率(取值0.05)較低時(shí)，整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的平均能耗顯著降低，其第1個(gè)節(jié)點(diǎn)的死亡時(shí)間也得到了延長(zhǎng)。

4 結(jié)論

針對(duì)監(jiān)測(cè)環(huán)境中突發(fā)異常事件的產(chǎn)生以及網(wǎng)絡(luò)能量受限的特點(diǎn)，本文提出了一種基于異常數(shù)據(jù)驅(qū)動(dòng)的WSN簇內(nèi)數(shù)據(jù)融合方法。本算法以異常數(shù)據(jù)作為數(shù)據(jù)融合的驅(qū)動(dòng)源，僅當(dāng)異常數(shù)據(jù)發(fā)生時(shí)才觸發(fā)WSN的數(shù)據(jù)融合處理機(jī)制運(yùn)行。由于異常數(shù)據(jù)的產(chǎn)生是隨機(jī)的，且產(chǎn)生頻次是有限的，該方法既有效降低了節(jié)點(diǎn)數(shù)據(jù)發(fā)送的頻率，從而減少了網(wǎng)絡(luò)中的數(shù)據(jù)通信量，但是又不會(huì)漏掉隨機(jī)事件所引起的“異常數(shù)據(jù)”的發(fā)送，因而具有明顯的優(yōu)越性。仿真實(shí)驗(yàn)結(jié)果進(jìn)一步表明，與傳統(tǒng)的均值法及自適應(yīng)加權(quán)融合法相比，本文方法融合精度高，能量耗費(fèi)小，在網(wǎng)絡(luò)中故障數(shù)據(jù)率較高的情況下也能保證數(shù)據(jù)融合結(jié)果的有效性，是一種綜合性能較優(yōu)的數(shù)據(jù)融合方法。

［1］ 陸亞芳，易可夫，馮緒，等.基于模糊理論的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)多層分簇式路由算法［J］.傳感技術(shù)學(xué)報(bào)，2014，27(7):933－938.

［2］ 熊迎軍，沈明霞，陸明洲，等.溫室無(wú)線(xiàn)傳感器網(wǎng)絡(luò)系統(tǒng)實(shí)時(shí)數(shù)據(jù)融合算法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2012，28(23):160－166.

［3］ Rashmi R R，Soumya K G.Adaptive Data Aggregation and Energy Efficiency Using Network Coding in a Clustered Wireless Sensor Network:An Analytical Approach［J］.Computer Communications，2014，40:65－75.

［4］ 徐曉斌，張光衛(wèi)，孫其博，等.一種誤差可控傳輸均衡的WSN數(shù)據(jù)融合算法［J］.電子學(xué)報(bào)，2014，42(6):1205－1209.

［5］ Yuan F，Zhan Y J，Wang Y H.Data Density Correlation Degree Clustering Method for Data Fusion in WSNs［J］.IEEE Sensors Journal，2014，14(4):1089－1098.

［6］ 張明陽(yáng)，沈明玉.基于WSN的數(shù)據(jù)融合在水質(zhì)監(jiān)測(cè)中的研究［J］.計(jì)算機(jī)工程與應(yīng)用，2014，50(23):234－238.

［7］ 王沁，李翀，萬(wàn)亞?wèn)|，等.實(shí)時(shí)管理約束下節(jié)點(diǎn)級(jí)低功耗數(shù)據(jù)融合技術(shù)［J］.通信學(xué)報(bào)，2008，29(11):220－226.

［8］ 費(fèi)歡，李光輝.基于K-means聚類(lèi)的WSN異常數(shù)據(jù)檢測(cè)算法［J］.計(jì)算機(jī)工程，2015，41(7):124－128.

［9］ Krishnamachari B，Iyengar S.Distributed Bayesian Algorithms for Fault-Tolerant Event Region Detection in Wireless Sensor Networks［J］.IEEE Transactions on Computers，2004，53(3):241－250.

［10］譚義紅，林亞平，董婷，等.傳感器網(wǎng)絡(luò)中異常數(shù)據(jù)實(shí)時(shí)檢測(cè)算法［J］.系統(tǒng)仿真學(xué)報(bào)，2007，19(18):4335－4341.

［11］Atakli I M，Hu H，Chen Y，et al.Malicious Node Detection in Wireless Sensor Networks Using Weighted Trust Evaluation［C］// Proc 2008 Spring Simulation Multiconference，2008:836－843.

［12］Zheng S，Baras J S.Trust-Assisted Anomaly Detection and Localization in Wireless Sensor Networks［C］//SECON 2011，IEEE，2011:386－394.

［13］胡石，李光輝，盧文偉，等.基于神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)異常數(shù)據(jù)檢測(cè)方法［J］.計(jì)算機(jī)科學(xué)，2014，41(11A):208－211.

［14］侯鑫，張東文，鐘鳴.基于事件驅(qū)動(dòng)和神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究［J］.傳感技術(shù)學(xué)報(bào)，2014，27(1):142－148.

［15］Yager R R.The Power Average Operator［J］.IEEE Transactions on Systems，Man，and Cybernetics，2001，31(6):724－731.

［16］葉繼華，王文，江愛(ài)文.一種基于LEACH的異構(gòu)WSN能量均衡成簇協(xié)議［J］.傳感技術(shù)學(xué)報(bào)，2015，28(12):1853－1860.

譚德坤(1973－)，男，重慶開(kāi)縣人，博士，副教授，主要研究方向?yàn)闊o(wú)線(xiàn)傳感器網(wǎng)絡(luò)、數(shù)據(jù)融合、智能優(yōu)化算法等，dktan@nit.edu.cn;

付雪峰(1978－)，男，江西宜春人，博士，講師，主要研究方向?yàn)闊o(wú)線(xiàn)傳感器網(wǎng)絡(luò)、本體推理等，fxfcn@126.com。

A Data Aggregation Method Based on Abnormal Data-Driven in Clusters of Wireless Sensor Networks*

TAN Dekun1，2*，F(xiàn)U Xuefeng1，2，ZHAO Jia1，TU Zhenyu1
(1.School of Information Engineering，Nanchang Institute of Technology，Nanchang 330099，China; 2.Jiangxi Province Key Laboratory of Water Information Cooperative Sensing and Intelligent Processing，Nanchang 330099，China)

Aiming at the deficiency of traditional data aggregation methods，a new aggregation method based on abnormal data-driven is proposed by introducing the mechanism of data-driven.In the phase of data acquisition，the sensor nodes only send the abnormal data to cluster head when exceptional event occurs randomly，this can effectively reduce the network traffic.In the phase of data aggregation for cluster head，the support matrix is constructed between sensors，those monitoring data which has lower support values will be eliminated，only the higher support value data is aggregated by cluster head with the method of optimal weight，thus ensuring the accuracy and validity of aggregation results.The simulation experiments show that，compared with the mean value method and the self-adaptive weighted aggregation method，the proposed method can effectively remove redundant information in the period of data transmission，which has obvious advantages in aggregation precision and energy consumption.

wireless sensor networks;abnormal data-driven;data aggregation;support matrix

TP393

A

1004－1699(2017)02－0306－07

C:7230

10.3969/j.issn.1004－1699.2017.02.024

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(61261039);江西省科技支撐計(jì)劃項(xiàng)目(20142BBE50040，20142BBG70034，20151BBE50077)

2016－07－06 修改日期:2016－08－22