林蔚，祝啟龍

(哈爾濱工程大學(xué)理學(xué)院，黑龍江哈爾濱150001)

近年來(lái)，無(wú)線傳感器網(wǎng)絡(luò)的應(yīng)用范圍越來(lái)越大，除軍事以外，還包括工業(yè)、農(nóng)業(yè)、醫(yī)療、防疫、科研等各個(gè)領(lǐng)域［1］.例如高密度人群細(xì)菌監(jiān)測(cè)環(huán)境，農(nóng)業(yè)的蔬菜塑料大棚環(huán)境監(jiān)測(cè)，森林防火監(jiān)測(cè)、煤礦井下監(jiān)測(cè)，水質(zhì)量監(jiān)測(cè)等，都是無(wú)線傳感器網(wǎng)絡(luò)在不同行業(yè)中的應(yīng)用，無(wú)線傳感器網(wǎng)絡(luò)也因此得到迅速發(fā)展.然而，網(wǎng)絡(luò)的穩(wěn)定性、生命期是網(wǎng)絡(luò)正常工作的關(guān)鍵.決定網(wǎng)絡(luò)生命期的主要因素是節(jié)點(diǎn)的能量.由于無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采用易消耗的電池供給，其數(shù)據(jù)處理和通信能力受到限制，節(jié)能對(duì)于網(wǎng)絡(luò)至關(guān)重要，也因此成為研究的重點(diǎn).數(shù)據(jù)融合能夠降低網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)臄?shù)量，本文就節(jié)能問(wèn)題提出一種基于數(shù)據(jù)融合的節(jié)能型無(wú)線傳感器網(wǎng)絡(luò).

無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合包括數(shù)據(jù)級(jí)融合(低級(jí))，特征級(jí)融合(中級(jí))，決策級(jí)融合(高級(jí))3個(gè)部分.數(shù)據(jù)級(jí)融合在傳感器節(jié)點(diǎn)處進(jìn)行，稱為下位機(jī)融合.特征級(jí)融合和決策級(jí)融合在基站處進(jìn)行數(shù)據(jù)融合，稱為上位機(jī)融合.數(shù)據(jù)級(jí)融合是最低層融合，即直接對(duì)傳感器采集的數(shù)據(jù)進(jìn)行融合處理，將融合結(jié)果向基站或中心節(jié)點(diǎn)傳輸.特征級(jí)融合屬于中間層融合，一般稱作多傳感器數(shù)據(jù)融合.將傳感器節(jié)點(diǎn)傳輸?shù)臄?shù)據(jù)進(jìn)行數(shù)據(jù)處理，以進(jìn)行數(shù)據(jù)校準(zhǔn)和狀態(tài)估計(jì).常見方法有加權(quán)平均、卡爾曼濾波、模糊邏輯、神經(jīng)網(wǎng)絡(luò)等方法.

由于數(shù)據(jù)融合技術(shù)已成為無(wú)線傳感器網(wǎng)絡(luò)節(jié)約能源研究的重點(diǎn)，許多學(xué)者針對(duì)多傳感器數(shù)據(jù)的融合問(wèn)題進(jìn)行了研究.文獻(xiàn)［2］、［3］采用模糊理論對(duì)各傳感器測(cè)得數(shù)據(jù)之間的接近程度進(jìn)行處理，通過(guò)接近度矩陣度量各傳感器測(cè)得數(shù)據(jù)的綜合接近程度，分配數(shù)據(jù)在融合過(guò)程中的權(quán)重，得出特性指標(biāo).文獻(xiàn)［4］、［5］通過(guò)討論分簇的融合方式，分析簇內(nèi)數(shù)據(jù)的融合算法誤差成因，提出先進(jìn)行簇內(nèi)測(cè)量修正、再進(jìn)行簇內(nèi)數(shù)據(jù)融合.文獻(xiàn)［6］通過(guò)傳感器的重要度，從各個(gè)傳感器對(duì)模糊命題支持度的一致度，以及傳感器重要度對(duì)數(shù)據(jù)融合結(jié)果的復(fù)合作用等三方面分析，提出一種模糊傳感器數(shù)據(jù)融合.上述數(shù)據(jù)融合均運(yùn)行在上位機(jī)，底層數(shù)據(jù)仍采用采集一個(gè)數(shù)據(jù)發(fā)送一個(gè)數(shù)據(jù)的方法，這種方法不利于節(jié)省節(jié)點(diǎn)能源.

1 TFA數(shù)據(jù)融合算法

本文提出算法TFA(twice fusion algorithm)，其目標(biāo)是降低節(jié)點(diǎn)能量消耗.其工作原理是:首先在網(wǎng)絡(luò)的數(shù)據(jù)采集點(diǎn)處，采用閾值限定和均值融合方法，進(jìn)行下位機(jī)(節(jié)點(diǎn))的數(shù)據(jù)融合;再在上位機(jī)(控制中心或網(wǎng)關(guān))進(jìn)行多傳感器數(shù)據(jù)補(bǔ)償和融合.通過(guò)對(duì)節(jié)點(diǎn)采集數(shù)據(jù)的融合，減少節(jié)點(diǎn)通信量，從而減少能耗，延長(zhǎng)WSN生存時(shí)間.雖然計(jì)算會(huì)增加能耗，然而計(jì)算上的能耗與通信消耗的能量相比是10-3倍［7］，并且由于傳感器的相對(duì)誤差小于 0.01［8-9］，當(dāng)設(shè)定合適的參數(shù)和閾值時(shí)，不影響融合結(jié)果.因此，節(jié)能方面的優(yōu)勢(shì)可以得到充分體現(xiàn).

圖1 傳感器數(shù)據(jù)融合結(jié)構(gòu)圖Fig.1 Wireless sensor network data fusion chart

TFA數(shù)據(jù)融合模型如圖1所示.它包含了傳感器網(wǎng)絡(luò)從數(shù)據(jù)采集到上位機(jī)融合的全過(guò)程.其中包括:1)傳感器節(jié)點(diǎn)采集數(shù)據(jù)后的數(shù)據(jù)融合，2)上位機(jī)數(shù)據(jù)補(bǔ)償，3)上位機(jī)數(shù)據(jù)融合.

1.1 下位機(jī)(節(jié)點(diǎn))數(shù)據(jù)處理

每個(gè)傳感器節(jié)點(diǎn)采集數(shù)據(jù)，形成各自的列矩陣.其中，每列表示同一傳感器每過(guò)一個(gè)φ時(shí)刻測(cè)得的數(shù)據(jù).K個(gè)傳感器產(chǎn)生k列數(shù)據(jù)，形成一個(gè)矩陣.

由于節(jié)點(diǎn)在相鄰時(shí)間測(cè)得的數(shù)據(jù)相似，本文將相似數(shù)據(jù)融合，去除冗余.

假設(shè)無(wú)線傳感器網(wǎng)絡(luò):

1)由k個(gè)傳感器節(jié)點(diǎn)監(jiān)測(cè)同一環(huán)境.

2)每個(gè)傳感器以等時(shí)間間隔 采集數(shù)據(jù):aij，(i=1，2，3，…;j=1，2，3，…).

采集后從同一時(shí)刻開始計(jì)算.則測(cè)得的數(shù)據(jù)用矩陣表示為A:

其中，每一列數(shù)據(jù)都存儲(chǔ)在本地節(jié)點(diǎn)內(nèi)存中，它是同一個(gè)傳感器在不同φ時(shí)刻測(cè)量值.每行表示同一時(shí)刻不同傳感器采集的數(shù)據(jù)，顯然，由于傳感器測(cè)得的數(shù)據(jù)在相鄰的時(shí)間上具有相似性，節(jié)點(diǎn)的相鄰數(shù)據(jù)具有相似性.為了節(jié)省節(jié)點(diǎn)能量，同時(shí)由于在底層觀測(cè)值的不穩(wěn)定性以及不確定性，對(duì)每列數(shù)據(jù)進(jìn)行均值融合方法，并發(fā)送這個(gè)均值給控制中心(上位機(jī)).均值計(jì)算的過(guò)程如下:

設(shè)定2個(gè)閾值δ和τ.其中δ限定了數(shù)據(jù)最大距離，δ取傳感器的最大誤差.τ是限定采集次數(shù)，由于節(jié)點(diǎn)每隔時(shí)間采集一次數(shù)據(jù)，設(shè)定閾值τ是為了避免傳感器發(fā)送時(shí)間間隔過(guò)長(zhǎng).每個(gè)傳感器將采集的數(shù)據(jù)保存在節(jié)點(diǎn)存儲(chǔ)器中，直到當(dāng)這些數(shù)據(jù)之間的任意兩個(gè)差值超過(guò)閾值δ，或采集次數(shù)超過(guò)τ時(shí)，以本次采集的數(shù)據(jù)次數(shù)為第i次，對(duì)已采集的前i-1次的數(shù)據(jù)進(jìn)行均值計(jì)算，然后發(fā)送到控制中心.發(fā)送條件:1)當(dāng)?shù)趇個(gè)采集的數(shù)據(jù)與之前的i-1個(gè)數(shù)據(jù)中的某個(gè)差值過(guò)大，數(shù)據(jù)出現(xiàn)突變趨勢(shì)，為保持?jǐn)?shù)據(jù)的一致性，TFA算法對(duì)前i-1次的數(shù)據(jù)進(jìn)行均值計(jì)算;2)當(dāng)采集數(shù)據(jù)的次數(shù)達(dá)到τ次時(shí)，為了與1)中的i取得一致，TFA算法同樣取第i-1次之前的進(jìn)行均值計(jì)算，將第i次的數(shù)據(jù)作為下一次采集的第一個(gè)數(shù)據(jù)，由此得到節(jié)點(diǎn)數(shù)據(jù)融合算法如下:

1)設(shè)a1j為節(jié)點(diǎn)j采集的第1個(gè)數(shù)據(jù);

2)每采集一次數(shù)據(jù)aij，分別與前i-1次的數(shù)據(jù)a1j，a2j，…，ai-1j進(jìn)行比較，即:|aij-akj|，(k=1，2，…，i-1).

①當(dāng)其中的任一數(shù)據(jù)距離超過(guò)閾值δ時(shí)，即

3)將第i次采集的數(shù)據(jù)aij作為下一次采集的第一個(gè)數(shù)據(jù)a1j;

5)重復(fù)1)～4).

1.2 上位機(jī)數(shù)據(jù)補(bǔ)償

由于數(shù)據(jù)在下位機(jī)進(jìn)行了融合，使數(shù)據(jù)存在一定的失真，在上位機(jī)應(yīng)盡可能給予補(bǔ)償.補(bǔ)償原則是:在每行補(bǔ)償該節(jié)點(diǎn)在φ時(shí)刻的均值.上位機(jī)數(shù)據(jù)仍是一個(gè)矩陣.其行是φ時(shí)刻，列是每個(gè)傳感器在φ時(shí)刻的均值.算法是:當(dāng)上位機(jī)接收到某傳感器的一個(gè)均值，在為(這個(gè))傳感器預(yù)留的存儲(chǔ)空間(矩陣B中)補(bǔ)償傳感器的均值，方法是:補(bǔ)償上位機(jī)接收時(shí)刻的前一時(shí)刻(以φ為單位)以及之前各時(shí)刻未補(bǔ)償?shù)闹担@些補(bǔ)償?shù)臅r(shí)刻，即為矩陣B中元素的行標(biāo)，傳感器號(hào)為列標(biāo).即每過(guò)一個(gè)φ時(shí)間，就應(yīng)該產(chǎn)生一行數(shù)據(jù)，一行中每個(gè)數(shù)據(jù)值以傳感器在該時(shí)刻的平均值作為該位置的補(bǔ)償數(shù)據(jù)值，這就形成了數(shù)據(jù)補(bǔ)償矩陣B:

其中，bij表示第i個(gè)φ時(shí)刻第j個(gè)傳感器的數(shù)據(jù)補(bǔ)償值，bij的取值滿足:

其中，|ak'1-ak1|＜ δ，k、k'=1，2，3，k≠k';i≤τ.

1.3 上位機(jī)數(shù)據(jù)融合

在上位機(jī)對(duì)矩陣A進(jìn)行數(shù)據(jù)補(bǔ)償和時(shí)間上的統(tǒng)一后，得到數(shù)據(jù)補(bǔ)償矩陣B.當(dāng)上位機(jī)接收完每個(gè)傳感器同一時(shí)刻的數(shù)據(jù)，即得到矩陣B的一行，為了得到這一時(shí)刻的數(shù)據(jù)，算法TFA對(duì)某一行數(shù)據(jù)進(jìn)行多傳感器數(shù)據(jù)融合，這一行數(shù)據(jù)來(lái)自于不同傳感器.融合方法是對(duì)期望真值進(jìn)行擬合，每一時(shí)刻(即每一行)融合為一個(gè)數(shù)據(jù)，它代表這一時(shí)刻的監(jiān)測(cè)值，本文采用加權(quán)平均的方法對(duì)矩陣B中的每行數(shù)據(jù)進(jìn)行擬合.算法如下:

1.3.2 權(quán)重及融合值計(jì)算

因?yàn)榫嚯x越大，偏離均值越遠(yuǎn)，故權(quán)值取均值距離的倒數(shù).

則融合值Ci(第i行的融合值):

2 仿真實(shí)驗(yàn)與分析

仿真環(huán)境采用C51RF-3-PK的軟件仿真系統(tǒng)，同時(shí)為了進(jìn)行算法比較，底層數(shù)據(jù)算法TFA采用文獻(xiàn)［10］的原始數(shù)據(jù)，對(duì)其進(jìn)行數(shù)據(jù)融合.設(shè)參數(shù)值為:τ=5，δ=5.

表1是文獻(xiàn)［10］的原始數(shù)據(jù)，是3個(gè)傳感器在算法TFA對(duì)表1中數(shù)據(jù)進(jìn)行融合處理.

首先進(jìn)行節(jié)點(diǎn)數(shù)據(jù)融合，得到融合矩陣A，再發(fā)送給上位機(jī)，得到數(shù)據(jù)補(bǔ)償矩陣B，如表2所示.

表1 傳感器測(cè)量值Table 1 Measured value ℃

表2 數(shù)據(jù)補(bǔ)償值Table 2 Compensation for the value of data ℃

表3是算法TFA在上位機(jī)的融合值以及相對(duì)誤差和絕對(duì)誤差.

表3 下位機(jī)數(shù)據(jù)融合值Table 3 Lower machine data fusion value

表4給出算法TFA、主成分分析方法PCA(principal component analysis)、平均值方法AA(averaging algrithm)以及可靠性分析方法RA(reliability analysis)等，針對(duì)同一原始采集數(shù)據(jù)進(jìn)行不同融合算法后的結(jié)果比較.

表4 各種方法的融合結(jié)果Table 4 The results of various methods of fusion (°)

圖2給出誤差分析.從圖2的誤差分析圖可以看出，算法TFA更接近于真值(900℃)，說(shuō)明算法TFA比其他算法更合理.

圖2 不同方法的絕對(duì)誤差分析圖Fig.2 The absolute error analysis chart

為了說(shuō)明算法TFA在能量節(jié)約上的效果，用TFA算法與未經(jīng)過(guò)傳感器節(jié)點(diǎn)融合，而是直接將采集的數(shù)據(jù)發(fā)送給上位機(jī)的算法所消耗的能量進(jìn)行比較，得到表5.仿真結(jié)果表明，隨著閾值δ的增加，節(jié)點(diǎn)節(jié)約較多的能量;但隨著δ值的增加，融合結(jié)果的精度會(huì)降低，再加上節(jié)點(diǎn)存儲(chǔ)能力有限，因此，閾值不能無(wú)限增大;反之，隨著閾值減小，能量消耗多，但精度會(huì)提高.當(dāng)取適當(dāng)?shù)拈撝禃r(shí)，算法TFA的絕對(duì)誤差較小，可以保證數(shù)據(jù)的精確性和穩(wěn)定性，而且節(jié)省能源消耗的絕對(duì)誤差較小.

表5 不同δ參數(shù)值節(jié)約能源的百分率Table 5 δ values for different parameters of the node＇s energy savings %

3 結(jié)束語(yǔ)

由于傳感器節(jié)點(diǎn)數(shù)量的冗余性、分布的隨機(jī)性以及相鄰傳感器對(duì)同一目標(biāo)區(qū)域監(jiān)測(cè)數(shù)據(jù)具有相似性，使得無(wú)限傳感器網(wǎng)絡(luò)的監(jiān)測(cè)數(shù)據(jù)具有冗余性;又因?yàn)閭鞲衅鞴?jié)點(diǎn)在能源、存儲(chǔ)空間和計(jì)算能力的局限性，因而過(guò)多地傳送冗余數(shù)據(jù)將消耗過(guò)多的能量，將縮短WSN的生存期.為減輕上述客觀因素對(duì)網(wǎng)絡(luò)生命期的影響，有必要將數(shù)據(jù)進(jìn)行融合.本文提出的二次融合算法TFA，首先在各個(gè)節(jié)點(diǎn)采集數(shù)據(jù)的過(guò)程中，對(duì)數(shù)據(jù)進(jìn)行底層的數(shù)據(jù)融合，以減少冗余信息的傳輸量，節(jié)省監(jiān)測(cè)網(wǎng)絡(luò)的能量;其次算法TFA利用監(jiān)測(cè)值在時(shí)間和空間上相似的特點(diǎn)，在上位機(jī)(控制中心)以多傳感器數(shù)據(jù)融合方式，對(duì)數(shù)據(jù)進(jìn)行補(bǔ)償和融合，進(jìn)而得到某一段時(shí)間對(duì)監(jiān)測(cè)環(huán)境的監(jiān)測(cè)結(jié)果.仿真結(jié)果表明，TFA算法在節(jié)能方面以及數(shù)據(jù)精度方面都取得較好的結(jié)果.此外，本文沒(méi)有考慮無(wú)線傳感器網(wǎng)絡(luò)的多跳路由情況，有待于進(jìn)一步討論.

［1］王志宇，車承鈞，王陽(yáng).基于物聯(lián)網(wǎng)的區(qū)域農(nóng)田土壤墑情監(jiān)測(cè)系統(tǒng)研究［J］.自動(dòng)化技術(shù)與應(yīng)用，2010，28(12):39-42.

WANG Zhiyu，CHE Cheng jun，WANG Yang.Research of self-congnitive internet of things model and its applications［J］.Techniques of Automation＆Applications，2010，28(12):39-42.

［2］焦竹青，熊偉麗，張林，等.基于信任度的多傳感器數(shù)據(jù)融合及其應(yīng)用［J］.東南大學(xué)學(xué)報(bào)自然科學(xué)版，2008，38(A01):253-257.

JIAO Zhuqing，XIONG Weili，ZHANG Lin，et al.Multi-sensor data fusion method based on belief degree and its applications［J］.Journal of Southeast University:Natural Science Edition，2008，38(A01):253-257.

［3］LEE M F R，STANLEY K，WU Q M J.Implementation of sensor selection and fusion using fuzzy logic［C］//IFSA World Congress and 20th NAFIPS International Conference.Vancouver，BC:2001，328-333.

［4］MARTALO M，F(xiàn)ERRARI G.A simple information-theoretic analysis of clustered sensor networks with decentralized detection［J］.IEEE Communications Letters，2010，14(6):560-562.

［5］翟建設(shè)，李娜，吳青.基于分簇的無(wú)線傳感器網(wǎng)絡(luò)簇內(nèi)數(shù)據(jù)融合算法［J］.計(jì)算機(jī)工程，2008，34(11):134-136.

ZHAI Jianshe，LI Na，WU Qing.Improved algorithm of clustering-based data fusion for WSN［J］.Computer Engineering，2008，34(11):134-136.

［6］馬琦，張記龍，王志斌.無(wú)線傳感器網(wǎng)絡(luò)簇內(nèi)自適應(yīng)融合算法研究［J］.計(jì)算機(jī)應(yīng)用研究，2009，7(26):2502-2503，2507 .

MA Qi，ZHANG Jilong，WANG Zhibin.Study of adaptive data fusion algorithm within clusters for WSN［J］.Application Research of Computers，2009，7(26):2502-2503，2507.

［7］張強(qiáng)，楊濤.用于環(huán)境監(jiān)測(cè)的自供電傳感器網(wǎng)絡(luò)［J］.儀表技術(shù)與傳感器，2008，2:34-36.

ZHANG Qiang，YANG Tao.Self-powered wireless sensor network for environment monitoring［J］.Instrument technique and sensor，2008，2:34-36.

［8］齊志才，馬占敖，江萍.提高帶隙溫度傳感器精度方法的研究［J］.儀表技術(shù)與傳感器，2004，7:46-47.

QI Zhicai，MA Zhanao，JIANG Ping.Study of method improving accuracy of band-gap temperature sensor［J］.Instrument Technique and Sensor，2004，7:46-47.

［9］楊雪芳，蔡萍，楊重遠(yuǎn).提高容柵位移傳感器精度的有效方法［J］.傳感器技術(shù)，2005，24(9):32-34 .

YANG Xuefang，CAI Ping，YANG Chongyuan.Effective ways to improve accuracy of capacitive grating displacement sensor［J］.Journal of Transducer Technology，2005，24(9):32-34.

［10］董九英.多傳感器數(shù)據(jù)融合的主成分方法研究［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45(33):111-113.

DONG Jiuying.Study on principle component method for multi-sensor data fusion［J］.Computer Engineering and Applications，2009，45(33):111-113.