康 健，唐力偉，左憲章，李 浩，張西紅

(1.軍械工程學(xué)院，石家莊 050003;2.72889部隊(duì)，河南 新鄉(xiāng) 453636;3.63880部隊(duì)，河南 洛陽 471003)

傳感器網(wǎng)絡(luò)的發(fā)展受到包括能量供應(yīng)、數(shù)據(jù)處理能力等諸多條件的限制和挑戰(zhàn)［1］，這就決定了傳感器網(wǎng)絡(luò)難以傳輸大量的感知數(shù)據(jù)。如何有效地融合這些感知數(shù)據(jù)，去除冗余信息，減少網(wǎng)絡(luò)傳輸量，優(yōu)化網(wǎng)絡(luò)性能，提高資源的利用率，從而延長網(wǎng)絡(luò)生命周期，一直是傳感器網(wǎng)絡(luò)研究的重要課題。

在傳感器網(wǎng)絡(luò)中，可根據(jù)傳感器節(jié)點(diǎn)采集的系統(tǒng)有限長度的運(yùn)行記錄，建立能夠反映時(shí)間序列中所包含的動(dòng)態(tài)依存關(guān)系的數(shù)學(xué)模型，并且對(duì)系統(tǒng)的未來行為進(jìn)行預(yù)測(cè)。通過預(yù)測(cè)，減少不必要的數(shù)據(jù)傳輸，從而降低網(wǎng)絡(luò)能耗，延長網(wǎng)絡(luò)生命周期。在基于預(yù)測(cè)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合中，如何根據(jù)采集的數(shù)據(jù)類型進(jìn)行數(shù)據(jù)樣本及預(yù)測(cè)融合算法的選擇是問題的關(guān)鍵所在。

Sharaf等人［2］提出了一種網(wǎng)內(nèi)融合的機(jī)制TiNA(temporal coherency-aware in-network aggregation)。該機(jī)制對(duì)于監(jiān)測(cè)數(shù)據(jù)波動(dòng)較小的應(yīng)用十分有效，能顯著地減少網(wǎng)絡(luò)中的數(shù)據(jù)傳輸量。然而，TiNA對(duì)于節(jié)點(diǎn)存儲(chǔ)空間的要求比較高。Santini和Romer提出了一種基于最小二乘濾波的雙重預(yù)測(cè)策略［3］，在資源節(jié)點(diǎn)和匯集節(jié)點(diǎn)同時(shí)實(shí)施此策略。Borgne等人［4］進(jìn)一步發(fā)展了這種思想，提出了時(shí)間序列預(yù)測(cè)的自適應(yīng)模型選擇算法。該算法中，傳感器節(jié)點(diǎn)自適應(yīng)地從多個(gè)備用模型中選擇性能最優(yōu)的模型進(jìn)行預(yù)測(cè)，取得了較好的效果?；卮毫⒑痛蘩颍?］提出了傳感器網(wǎng)絡(luò)中基于預(yù)測(cè)的時(shí)域數(shù)據(jù)融合技術(shù)。數(shù)據(jù)融合算法使用時(shí)間序列模型進(jìn)行預(yù)測(cè)，模型的復(fù)雜度與網(wǎng)絡(luò)規(guī)模無關(guān)，因此數(shù)據(jù)融合算法具有較好的可擴(kuò)展性。

上述方法均未考慮到傳感器網(wǎng)絡(luò)采集到的數(shù)據(jù)的非平穩(wěn)性、非線性、隨機(jī)性以及突變情況。而灰色理論把一切隨機(jī)變量、隨機(jī)過程均看作灰色變量、灰色過程，具有處理隨機(jī)過程、突變的能力。核偏最小二乘法既吸取了核函數(shù)能夠擬合適應(yīng)任意連續(xù)變化曲線的優(yōu)點(diǎn)，又借鑒了偏最小二乘法能夠有效解決自變量集合高度相關(guān)的技術(shù)［6］。核偏最小二乘法不僅能夠有效實(shí)現(xiàn)自變量對(duì)因變量的整體預(yù)測(cè)，而且能夠提取各維自變量對(duì)因變量的單獨(dú)非線性作用特征，從而確定數(shù)據(jù)系統(tǒng)內(nèi)部的復(fù)雜非線性結(jié)構(gòu)關(guān)系，增強(qiáng)了模型的可解釋性。因此，本文提出了一種基于灰色Morlet小波核偏最小二乘的預(yù)測(cè)融合模型(GMWKPLS)，綜合運(yùn)用了灰色理論處理隨機(jī)過程、突變的能力以及核偏最小二乘法將非線性問題轉(zhuǎn)化為擬線性問題，從整體擬合和結(jié)構(gòu)分析上均達(dá)到較高的精度的優(yōu)勢(shì)，通過動(dòng)態(tài)實(shí)時(shí)預(yù)測(cè)，減少數(shù)據(jù)傳輸量，從而降低網(wǎng)絡(luò)能耗，延長網(wǎng)絡(luò)的生命周期。

1 灰色建模機(jī)理

灰色預(yù)測(cè)模型是由灰色理論的微分方程所建立的?；疑到y(tǒng)理論運(yùn)用基于關(guān)聯(lián)度收斂原理、生成數(shù)、灰導(dǎo)數(shù)、灰微分方程等觀點(diǎn)和方法建立了微分方程模型［7］，微分方程的系數(shù)則描述了人們所希望辨識(shí)的系統(tǒng)內(nèi)部的物理或化學(xué)過程的本質(zhì)。

灰色模型首先對(duì)原始序列進(jìn)行累加生成(或累減生成)，將原始數(shù)據(jù)整理成規(guī)律性較強(qiáng)的生成序列再做研究。這種灰數(shù)的形成，就是從原始數(shù)據(jù)中去尋找其潛藏著的內(nèi)在規(guī)律，這是一種現(xiàn)實(shí)規(guī)律，不是先驗(yàn)規(guī)律。然后利用規(guī)律性較強(qiáng)的生成序列建立預(yù)測(cè)模型，最后將所得預(yù)測(cè)結(jié)果進(jìn)行“累減還原”，得到原始序列的預(yù)測(cè)值。

2 小波核偏最小二乘

2.1 核偏最小二乘

核偏最小二乘的基本思想是將輸入通過非線性函數(shù)映射到高維特征空間，在特征空間再運(yùn)用線性偏最小二乘算法，這樣特征空間的線性PLS就對(duì)應(yīng)原輸入空間的非線性關(guān)系。

設(shè)有 p個(gè)自變量{x1，x2，…，xp}和 q個(gè)因變量{y1，y2，…，yq}，樣本點(diǎn) n個(gè)，構(gòu)成自變量矩陣 X={x1，x2，…，xp}n×p與因變量矩陣 Y={y1，y2，…，yq}n×q。核偏最小二乘法首先將X進(jìn)行核函數(shù)變換為K，然后分別在K和Y中提取成分 t1和 u1，t1和 u1分別是 k1，k2，…，kp和 y1，y2，…，yq的線性組合，并且 t1和 u1需滿足下列要求:

(1)t1和u1應(yīng)盡可能多地?cái)y帶它們各自數(shù)據(jù)矩陣中的變異信息;

(2)t1和u1的相關(guān)程度能夠達(dá)到最大。

在第一個(gè)成分t1和u1被提取后，核偏最小二乘法分別實(shí)施K對(duì)t1的回歸以及Y對(duì)t1的回歸，如果回歸方程已經(jīng)達(dá)到滿意的精度，則算法終止;否則，將利用K被t1解釋后的殘余信息以及Y被t1解釋后的殘余信息進(jìn)行第二輪的成分提取。如此循環(huán)，直到能達(dá)到一個(gè)較滿意的精度為止。若最終對(duì)K共提取了m個(gè)成分t1，t2，…，tm，偏最小二乘法將通過實(shí)施 Y 對(duì) t1，t2，…，tm的回歸，然后再表達(dá)成Y關(guān)于原變量k1，k2，…，kp的回歸方程，至此核偏最小二乘建模完成。

2.2 Morlet小波核的構(gòu)造

核是定義在原始空間的一個(gè)雙變量函數(shù)，但它卻實(shí)現(xiàn)了某一高維空間的內(nèi)積，提供了把線性學(xué)習(xí)機(jī)擴(kuò)展到非線性學(xué)習(xí)機(jī)的手段。Mercer定理給出了一種判定核函數(shù)正定的條件，而現(xiàn)有的KPLS方法大都使用高斯RBF核函數(shù)，即k(x，z)=exp(－/σ2)，實(shí)現(xiàn)具有非線性變換的偏最小二乘算法。本文基于小波分析技術(shù)，采用對(duì)數(shù)據(jù)變化趨勢(shì)刻畫能力較強(qiáng)的Morlet母小波來構(gòu)造小波核函數(shù)，以提高其學(xué)習(xí)性能。在Mercer定理基礎(chǔ)上，首先給出判斷和構(gòu)建核函數(shù)的定理 1 和定理 2［8－9］。

定理1 平移不變核函數(shù)k(x，z)=k(x－z)是一個(gè)允許的支持向量核函數(shù)，當(dāng)且僅當(dāng)傅里葉變換

成立。

定理2 若ψ(x)為母小波函數(shù)，伸縮因子為σ，平移因子分別記為 m 與 d，其中 m，d，x，z∈RN，xi，zi，σ，mi，di∈R，則下式給出的滿足平移不變性定理的張量積小波核是可允許的多維支持向量核函數(shù)

為構(gòu)造一種平移不變小波核函數(shù)，不失一般性，可選擇Morlet母小波，即:

其中，N為輸入x的維數(shù)。

定理3 若給定Morlet母小波函數(shù)如(3)式所示，伸縮因子為 σ，其中 x，z∈RN，σ，xi，zi∈R，則下式所表示的小波核函數(shù)就是一種可允許的多維張量積的支持向量核函數(shù)

證明:

根據(jù)定理1和定理2，只需證下列不等式成立即可:

其中:

利用歐拉(Euler)公式ejx=cosx+jsinx以及

則小波核函數(shù)的傅里葉變換為:

又因?yàn)樯炜s因子(尺度參數(shù))σ≠0，且N≥1，所以F［k］(ω)=≥0。證畢

3 預(yù)測(cè)融合模型

定義:時(shí)間序列 T={x1，x2，…，xN}，其中 xi為第 i時(shí)刻的數(shù)值，i=1，2，…，N。

對(duì)于給定的時(shí)間序列{x1，x2，…，xN}，假設(shè)已知xi預(yù)測(cè)xi+1，則可以建立映射:

滿足:

其中，m稱為嵌入維數(shù)，即模型的階數(shù)。采用最終誤差預(yù)報(bào)準(zhǔn)則(Final Prediction Error，F(xiàn)PE)評(píng)價(jià)模型的預(yù)測(cè)誤差，并根據(jù)誤差大小選取嵌入維數(shù)m。經(jīng)過變換后，得到用于預(yù)測(cè)器學(xué)習(xí)的樣本:

灰色Morlet小波核偏最小二乘預(yù)測(cè)模型(GMWKPLS)的設(shè)計(jì)思想如下:首先利用灰色預(yù)測(cè)方法將原始序列進(jìn)行一次累加生成，得到生成序列;然后利用Morlet核偏最小二乘法擬合非線性數(shù)據(jù)能力的優(yōu)勢(shì)對(duì)生成序列建立預(yù)測(cè)模型;最后將預(yù)測(cè)結(jié)果進(jìn)行累減還原得到預(yù)測(cè)值，并根據(jù)數(shù)據(jù)的動(dòng)態(tài)增減策略，更新原始數(shù)據(jù)序列，進(jìn)行循環(huán)運(yùn)算。

預(yù)測(cè)模型建立的具體步驟如下:

步驟1:數(shù)據(jù)灰色處理。首先對(duì)采樣原始序列X(0)={x(0)(1)，x(0)(2)，…，x(0)(n)}，x(0)(i)＞0，i=1，2，…，n，進(jìn)行一次累加得生成序列 X(1)={x(1)(1)，x(1)(2)，…，x(1)(n)}，其中:2，…，n。根據(jù)上述預(yù)測(cè)器學(xué)習(xí)樣本建立的方法，將累加生成序列作為GMWKPLS的學(xué)習(xí)樣本X和Y。

步驟2:數(shù)據(jù)標(biāo)準(zhǔn)化和Morlet核變換處理。對(duì)生成序列數(shù)據(jù)做標(biāo)準(zhǔn)化處理，即對(duì)數(shù)據(jù)同時(shí)進(jìn)行中心化——壓縮處理。然后對(duì)標(biāo)準(zhǔn)化處理后的自變量數(shù)據(jù)矩陣 E0=(E01，E02，…，E0p)n×p，進(jìn)行 Morlet小波核函數(shù)變換，得變換后的核數(shù)據(jù)矩陣 K0=(K01，K02，…，K0p)n×p。記標(biāo)準(zhǔn)化處理后的因變量數(shù)據(jù)矩陣為F0=(F01，F(xiàn)02，…，F(xiàn)0q)n×q。標(biāo)準(zhǔn)化公式如下

步驟3:提取成分，建立預(yù)測(cè)方程。記t1、u1分別是K0、F0的第一個(gè)成分，求解 t1=K0w1，u1=F0c1。其中，w1、c1分別是K0的第一個(gè)軸和F0的第一個(gè)軸，并且是最大特征值對(duì)應(yīng)的單位特征向量，即然后，分別求K0和 F0對(duì) t1和u1的兩個(gè)回歸預(yù)測(cè)方程:

步驟4:循環(huán)提取成分。用殘差矩陣K1和F1取代K0和F0，然后求第二個(gè)軸w2和c2以及第二個(gè)成分t2、u2和相應(yīng)的回歸預(yù)測(cè)方程。其中

步驟5:模型驗(yàn)證。進(jìn)行交叉有效驗(yàn)證(Cross Validation)，確定提取的成分?jǐn)?shù)。一般采用舍一交叉驗(yàn)證。如通過驗(yàn)證，轉(zhuǎn)到步驟4提取下一個(gè)成分;否則，轉(zhuǎn)到步驟6。

步驟6:預(yù)測(cè)方程模型。如果K的提取的成分個(gè)數(shù)為A，則有:

由于 t1，…，tA均可由 K1，…，KA線性表示，所以式(10)可以還原成K的線性表達(dá)式，得到最終的多維輸入多維輸出預(yù)測(cè)模型:

其中，l=m+1，m+2，…，n。

步驟8:更新數(shù)據(jù)。使用滑動(dòng)窗方法動(dòng)態(tài)地增減X(0)={x(0)(1)，x(0)(2)，…，x(0)(n)}中的數(shù)據(jù)，對(duì)其進(jìn)行更新，然后，從步驟1進(jìn)行循環(huán)運(yùn)算。

4 實(shí)驗(yàn)和預(yù)測(cè)結(jié)果

4.1 測(cè)試數(shù)據(jù)的獲取

在齒輪箱故障診斷實(shí)驗(yàn)臺(tái)上，測(cè)得齒輪箱主動(dòng)齒輪(小齒輪)出現(xiàn)斷齒情況下的升速過程中的時(shí)域振動(dòng)信號(hào)，如圖1所示。由信號(hào)的波形可以看出:其幅值隨著轉(zhuǎn)速的波動(dòng)而變化，是一個(gè)明顯的非平穩(wěn)過程。

圖1 齒輪箱斷齒工況升速過程中振動(dòng)信號(hào)Fig.1 Vibration signals of gear tooth breakage in speed of rising

4.2 預(yù)測(cè)融合結(jié)果

選取振動(dòng)信號(hào)的前600個(gè)數(shù)據(jù)作為樣本數(shù)據(jù)，后300個(gè)數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)。在GMWKPLS預(yù)測(cè)融合模型中，采用構(gòu)造的Morlet小波核函數(shù)，其中，核函數(shù)參數(shù)σ =4，潛在特征參數(shù)為8。隨著預(yù)測(cè)融合的進(jìn)行，對(duì)歷史數(shù)據(jù)進(jìn)行了動(dòng)態(tài)更新，依據(jù)最終誤差預(yù)報(bào)準(zhǔn)則，采取單步預(yù)測(cè)策略。這樣做的主要目的是保證預(yù)測(cè)結(jié)果具有較高的精確性和可靠性。

為了對(duì)比預(yù)測(cè)精度和有效性，還使用灰色RBF核偏最小二乘模型(GRBFKPLS)和RBF核偏最小二乘模型(RBFKPLS)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)測(cè)融合，對(duì)比情況如圖2～圖7所示。其中，GRBFKPLS的核函數(shù)參數(shù)為σ =2.6，潛在特征參數(shù)為13;RBFKPLS的核函數(shù)參數(shù)為 σ =0.08，潛在特征參數(shù)為18。

圖2 GMWKPLS預(yù)測(cè)值與實(shí)際值Fig.2 The values of prediction and origin for GMWKPLS

圖3 GMWKPLS預(yù)測(cè)誤差Fig.3 Prediction error of GMWKPLS

圖4 GRBFKPLS預(yù)測(cè)值與實(shí)際值Fig.4 The values of prediction and origin for GRBFKPLS

圖5 GRBFKPLS預(yù)測(cè)誤差Fig.5 Prediction error of GRBFKPLS

圖6 RBFKPLS預(yù)測(cè)值與實(shí)際值Fig.6 The values of prediction and origin for RBFKPLS

圖7 RBFKPLS預(yù)測(cè)誤差Fig.7 Prediction error of RBFKPLS

從圖2～圖7中可以看出，采用GMWKPLS取得的預(yù)測(cè)效果比GRBFKPLS和RBFKPLS的都好。GMWKPLS的預(yù)測(cè)誤差最小，其次為GRBFKPLS，而RBFKPLS的預(yù)測(cè)誤差最大。GMWKPLS和GRBFKPLS的預(yù)測(cè)誤差比RBFKPLS的預(yù)測(cè)誤差小得多。GMWKPLS的預(yù)測(cè)誤差范圍在±0.15%以內(nèi)，GRBFKPLS的預(yù)測(cè)誤差范圍在 ±1.5%以內(nèi)，而 RBFKPLS的最大預(yù)測(cè)誤差超過10%。

其次，由于采用的是斷齒工況升速過程振動(dòng)信號(hào)，開始所用數(shù)據(jù)不能表示后面數(shù)據(jù)大幅變動(dòng)的特征現(xiàn)象，從而導(dǎo)致誤差曲線在1.3709 s～1.3787 s之間會(huì)有些振蕩。然而，隨著動(dòng)態(tài)更新數(shù)據(jù)，一旦更新后的數(shù)據(jù)能夠表示信號(hào)的本質(zhì)特征，誤差曲線中的振蕩就會(huì)消失，誤差曲線就會(huì)趨近于平穩(wěn)狀態(tài)。

另外，通過進(jìn)一步分析，在GMWKPLS中，預(yù)測(cè)誤差的大小與數(shù)值的突變程度近似成正比。而在GRBFKPLS和RBFKPLS中，這種規(guī)律卻不明顯，也就是說預(yù)測(cè)模型的可靠性不高，原因在于數(shù)據(jù)的隨機(jī)波動(dòng)對(duì)預(yù)測(cè)模型的建立有一定的影響。

5 分析與討論

5.1 性能評(píng)價(jià)

從平均絕對(duì)百分誤差(mean absolute percentage error，MAPE)、均方根誤差 (root mean squared error，RMSE)和均方根相對(duì)誤差(root mean squared relative error，RMSRE)3個(gè)方面對(duì)3種預(yù)測(cè)模型預(yù)測(cè)性能進(jìn)行比較，見表1。均方根誤差可以比較預(yù)測(cè)器的逼近能力，而平均絕對(duì)百分誤差、均方根相對(duì)誤差用來評(píng)價(jià)模型的預(yù)測(cè)效果及計(jì)算的準(zhǔn)確率。

表1 預(yù)測(cè)模型性能評(píng)價(jià)指標(biāo)Tab.1 Performance evaluation of prediction model

從表1中可以看出，GMWKPLS的性能最優(yōu)，其次為GRBFKPLS，而RBFKPLS的性能最差。與GRBFKPLS和 RBFKPLS相比，GMWKPLS和 MAPE、RMSE和RMSRE均小得多，相差一個(gè)或兩個(gè)數(shù)量級(jí)。這表明所建GMWKPLS預(yù)測(cè)模型具有較強(qiáng)的逼近能力、較高精確度及較好預(yù)測(cè)效果。究其原因，在GMWKPLS中，由于首先采用灰色預(yù)測(cè)中“累加生成”的方法，削弱原始數(shù)據(jù)序列中隨機(jī)擾動(dòng)因素的影響，使離亂的原始數(shù)據(jù)中蘊(yùn)涵的規(guī)律充分顯露出來，增強(qiáng)數(shù)據(jù)的規(guī)律性。其次，KPLS不僅能夠有效實(shí)現(xiàn)自變量對(duì)因變量的整體預(yù)測(cè)，而且能夠提取各維自變量對(duì)因變量的單獨(dú)非線性作用特征，從而確定數(shù)據(jù)系統(tǒng)內(nèi)部的復(fù)雜非線性結(jié)構(gòu)關(guān)系，增加了模型的可解釋性。最后，采用對(duì)數(shù)據(jù)變化趨勢(shì)刻畫能力較強(qiáng)的Morlet小波核函數(shù)，可以提高模型的學(xué)習(xí)性能。所以，綜合了灰色理論、KPLS和Morlet小波核的各自優(yōu)勢(shì)的GMWKPLS預(yù)測(cè)模型表現(xiàn)出的預(yù)測(cè)性能最佳。

通過對(duì)預(yù)測(cè)模型性能評(píng)價(jià)指標(biāo)的分析，驗(yàn)證了本文所建模型的正確性和可靠性。

5.2 節(jié)能分析

傳感器網(wǎng)絡(luò)預(yù)測(cè)融合的主要目的就是降低數(shù)據(jù)傳輸量，從而節(jié)省網(wǎng)絡(luò)能量，延長網(wǎng)絡(luò)的生命周期。每次運(yùn)行GMWKPLS程序大約需執(zhí)行22500條指令。在傳感器網(wǎng)絡(luò)中，發(fā)送1 bit的信息所消耗的能量等于執(zhí)行2000條指令［10］。設(shè)定發(fā)送的數(shù)據(jù)包為 8 bytes(64 bits)，耗能320 nJ，則可執(zhí)行128000條指令，相當(dāng)于執(zhí)行大約6次GMWKPLS程序。表2為在預(yù)測(cè)誤差允許范圍內(nèi)，GMWKPLS節(jié)能情況分析。

表2 預(yù)測(cè)模型節(jié)能情況Tab.2 Energy evaluation of prediction model

經(jīng)過這些簡(jiǎn)單的估算，可知不但計(jì)算耗能能從通信節(jié)能中得到補(bǔ)償，而且預(yù)測(cè)模型能顯著降低網(wǎng)絡(luò)耗能，節(jié)省網(wǎng)絡(luò)能量。

另外，在GMWKPLS預(yù)測(cè)融合模型中，因其預(yù)測(cè)精度高，并能進(jìn)行動(dòng)態(tài)預(yù)測(cè)，不但減少了數(shù)據(jù)發(fā)送的能量消耗，而且節(jié)省了部分采樣的能量消耗，從而延長網(wǎng)絡(luò)生命周期，具有廣闊的應(yīng)用前景。

6 結(jié)論

通過預(yù)測(cè)融合來減少傳感器網(wǎng)絡(luò)中的不必要的數(shù)據(jù)傳輸是傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究的主要方向。本文提出了一種GMWKPLS預(yù)測(cè)融合建模方法，它將灰色模型預(yù)測(cè)的思想融入了KPLS中，從原始數(shù)據(jù)中去尋找其潛藏著的內(nèi)在規(guī)律，使其具有處理隨機(jī)過程、突變的能力;它通過構(gòu)造Morlet小波核函數(shù)，保持了小波函數(shù)近似正交及多分辨分析的優(yōu)點(diǎn)，能夠更好地展現(xiàn)輸入與輸出數(shù)據(jù)之間的非線性映射關(guān)系，實(shí)現(xiàn)整體預(yù)測(cè)功能，其建模能力優(yōu)于GRBFKPLS和RBFKPLS方法。

通過對(duì)傳感器網(wǎng)絡(luò)采集到的振動(dòng)信號(hào)進(jìn)行動(dòng)態(tài)預(yù)測(cè)，結(jié)果表明，GMWKPLS預(yù)測(cè)的振動(dòng)幅值趨勢(shì)與實(shí)際曲線基本相符，預(yù)測(cè)誤差范圍在±0.15%以內(nèi)。因此，采用該模型可以顯著減少數(shù)據(jù)傳輸量，從而降低網(wǎng)絡(luò)能耗，延長網(wǎng)絡(luò)的生命周期。GMWKPLS為傳感器網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)融合及提高預(yù)測(cè)融合性能提供了一種新途徑。

［1］Nakamura E F，Loureiro A F，F(xiàn)rery A C.Information fusion forwireles wensor networks:methods， models， and classifications［J］.ACM Computing Surveys，2007，39(3):1－55.

［2］Sharaf M A，Beaver J，Labrinidis A，et al.TiNA:a scheme for temporal coherency aware in network aggregation［C］//Proceedings of the 3rd ACM International Workshop on Data Engineering for Wireless and Mobile Access.San Diego:ACM，2003:69－76.

［3］Santini S，Romer K.An adaptive strategy for quality－baseddata reduction in wireless sensor networks［C］//Proceedings of the 3rd International Conference on Networked Sensing Systems.TRF，Chicago，IL:ACM，2006:29–36.

［4］Le Borgne Y A，Santini S，Bontempi G.Adaptive model selection for time series prediction in wireless sensor networks［J］.Signal Processing，2007，87(12):3010 －3020.

［5］回春立，崔 莉.無線傳感器網(wǎng)絡(luò)中基于預(yù)測(cè)的時(shí)域數(shù)據(jù)融合技術(shù)［J］.計(jì)算機(jī)工程與應(yīng)用，2007，43(21):121－125.

［6］孟 潔，王惠文，黃海軍，等.基于核函數(shù)變換的PLS回歸的非線性結(jié)構(gòu)分析［J］.系統(tǒng)工程，2004，22(10):93－97.

［7］Luo Y X，Zhang L T，Cai A H，et al.Grey GM(1，1)model with function－transfer method and application to energy consuming prediction ［J］.Kybernetes，2004，33(2):322－330.

［8］Zhang Li，Zhou Wei－da，Jiao Li－ cheng.Wavelet support vector machine ［J］.IEEE Transactions on systems，man，and cybernetics，2004，34(1):34－39.

［9］李 軍，董海鷹.基于小波核偏最小二乘回歸方法的混沌系統(tǒng)建模研究［J］.物理學(xué)報(bào)，2008，57(8):4756－4765.

［10］Raybunatban V，Schurgers C，Park S，et al.Energy－aware wireless microsensor networks［J］.IEEE Signal Processing Magazine，2002，19(2):40－50.