【摘 要】 數(shù)據(jù)融合技術(shù)作為無線傳感器網(wǎng)絡(luò)的核心技術(shù)，通過一定的算法處理原始數(shù)據(jù)，去除冗余信息，形成高質(zhì)量的融合數(shù)據(jù)傳輸?shù)絽R聚節(jié)點(diǎn)，從而減少數(shù)據(jù)傳輸量，達(dá)到節(jié)省能量，延長網(wǎng)絡(luò)壽命，提高數(shù)據(jù)收集效率和準(zhǔn)確度的目的。文中對近年來數(shù)據(jù)融合算法的研究現(xiàn)狀進(jìn)行了全面深入分析，根據(jù)融合過程中采用的融合方法，將現(xiàn)有的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法分為了基于估計(jì)方法、統(tǒng)計(jì)方法、信息論方法、人工智能方法四大類，本文針對人工智能算法從原理上進(jìn)行了綜述，對其中涉及到的不同融合算法從性能、時(shí)延、復(fù)雜度以及能耗方面進(jìn)行了詳細(xì)分析與比較。

【關(guān)鍵詞】 無線傳感器網(wǎng)絡(luò) 數(shù)據(jù)融合 能耗 網(wǎng)絡(luò)壽命

引 言

無線傳感器網(wǎng)絡(luò)是由大量傳感器節(jié)點(diǎn)組成的無線通信網(wǎng)絡(luò)[1]。在監(jiān)測區(qū)域內(nèi)隨機(jī)分布了N個(gè)傳感器節(jié)點(diǎn)，這些傳感器節(jié)點(diǎn)分為匯聚節(jié)點(diǎn)（sink節(jié)點(diǎn)或基站）和普通節(jié)點(diǎn)，該無線傳感器網(wǎng)絡(luò)能夠周期性的進(jìn)行數(shù)據(jù)的采集處理[2]。sink節(jié)點(diǎn)位于監(jiān)測區(qū)域外，能量可以補(bǔ)充。監(jiān)測區(qū)域內(nèi)的所有傳感器節(jié)點(diǎn)（普通節(jié)點(diǎn)）能量是相同的且能量有限不可補(bǔ)充。所有節(jié)點(diǎn)都能相互通信，也能與基站通信。WSN的網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)如圖1所示。

傳感器節(jié)點(diǎn)小，能量非常有限，且后期難以補(bǔ)充[2]。在WSN中消耗能量分?jǐn)?shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)處理三部分，其中數(shù)據(jù)傳輸消耗的能量最多，因此降低數(shù)據(jù)傳輸消耗的能量是節(jié)能的關(guān)鍵。數(shù)據(jù)融合即通過一定的算法處理原始數(shù)據(jù)，去除冗余信息，形成高質(zhì)量的融合數(shù)據(jù)傳輸?shù)絽R聚節(jié)點(diǎn)，從而減少數(shù)據(jù)傳輸量，達(dá)到節(jié)省能量，延長網(wǎng)絡(luò)壽命，提高數(shù)據(jù)收集效率和準(zhǔn)確度的目的。構(gòu)建合適的數(shù)據(jù)融合算法是消除冗余信息、節(jié)省網(wǎng)絡(luò)能耗、延長網(wǎng)絡(luò)周期的關(guān)鍵。

1 數(shù)據(jù)融合方法分類

在無線傳感器網(wǎng)絡(luò)中用到的數(shù)據(jù)融合算法有很多種，本文將數(shù)據(jù)融合算法大致分為四類：基于估計(jì)理論的數(shù)據(jù)融合、基于統(tǒng)計(jì)理論的數(shù)據(jù)融合、基于信息論的數(shù)據(jù)融合、基于人工智能的數(shù)據(jù)融合，分類如圖2所示。

2 基于人工智能的數(shù)據(jù)融合算法

2.1 基于模糊理論的數(shù)據(jù)融合

模糊理論是在美國加州大學(xué)伯克利分校電氣工程系的LAzadeh 教授于 1965 年創(chuàng)立的模糊集合理論的數(shù)學(xué)基礎(chǔ)上發(fā)展起來的，主要包括模糊集合理論、模糊邏輯、模糊推理和模糊控制等方面內(nèi)容。模糊邏輯運(yùn)用模糊集合的方法來研究模糊性思維、語言形式及其規(guī)律，故其適合處理不準(zhǔn)確性以及不確定性的數(shù)據(jù)[3]。

文獻(xiàn)[4]提出利用模糊理論中的相關(guān)性函數(shù)計(jì)算節(jié)點(diǎn)間相互支持程度，對支持程度高的傳感器進(jìn)行數(shù)據(jù)融合，并利用融合結(jié)果與服務(wù)質(zhì)量期望篩選出冗余節(jié)點(diǎn)，使其進(jìn)入休眠狀態(tài)。該方法能夠獲得更高的精度和可靠性，并能有效延長網(wǎng)絡(luò)生命周期。

文獻(xiàn)[5] 提出了一種基于模糊的數(shù)據(jù)融合方法的WSN，通過傳感器節(jié)點(diǎn)中嵌入的二型模糊邏輯系統(tǒng)對待發(fā)送的數(shù)據(jù)分配權(quán)重，簇頭進(jìn)行區(qū)分和聚合所收集的數(shù)據(jù)的真值后在報(bào)送到基站，從而減少在基站（BS）處理整個(gè)數(shù)據(jù)的負(fù)擔(dān)。該方法能夠它還能夠消除冗余數(shù)據(jù)，從而減少能量消耗，從而增加網(wǎng)絡(luò)壽命。

2.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合

神經(jīng)網(wǎng)絡(luò)（Neural Networks， NNs），是由大量簡單的處理單元（神經(jīng)元）組成的非線性自適應(yīng)自組織系統(tǒng)，具有極強(qiáng)的非線性逼近、大規(guī)模并行處理、自訓(xùn)練學(xué)習(xí)、自組織和容錯(cuò)能力等優(yōu)點(diǎn)[6，7]。

文獻(xiàn)[8]將BP神經(jīng)網(wǎng)絡(luò)和傳感器網(wǎng)絡(luò)分簇路由協(xié)議進(jìn)行結(jié)合，提出了基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法（ BPNDA，Back- Propagation Networks Data Aggregation）。每個(gè)簇就是一個(gè)神經(jīng)網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)中提取少量特征數(shù)據(jù)后發(fā)送至匯聚節(jié)點(diǎn)，從而提高數(shù)據(jù)收集效率，減少了網(wǎng)絡(luò)通信量，延長網(wǎng)絡(luò)生存時(shí)間。文獻(xiàn)中未給出在缺乏缺乏訓(xùn)練集合情況下的實(shí)現(xiàn)方案。

文獻(xiàn)[9] 為了降低無線傳感器網(wǎng)絡(luò)的通信量，降低能耗，延長網(wǎng)絡(luò)的生命周期。提出了一種基于SOFM（Self-Organizing Feature Mapping）神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法（SOFMDA），該算法將自組織映射神經(jīng)網(wǎng)絡(luò)和無線傳感器網(wǎng)絡(luò)分簇路由協(xié)議相結(jié)合，使簇中的各個(gè)節(jié)點(diǎn)完成神經(jīng)元的工作，按照數(shù)據(jù)的特征對其進(jìn)行分類，提取同類數(shù)據(jù)的特征，將特征數(shù)據(jù)發(fā)送到匯聚節(jié)點(diǎn)，從而減少了數(shù)據(jù)發(fā)送量，延長網(wǎng)絡(luò)的生命期。

文獻(xiàn)[10]為了解決BP 神經(jīng)網(wǎng)絡(luò)收斂慢、易陷入局部最優(yōu)值且泛化能力差從而影響數(shù)據(jù)融合效果的問題，提出一種將深度學(xué)習(xí)技術(shù)與分簇協(xié)議相結(jié)合的數(shù)據(jù)融合算法AESMDA。SAESMDA 用基于層疊自動編碼器（ SAE） 的深度學(xué)習(xí)模型SAESM 取代 BP 神經(jīng)網(wǎng)絡(luò)，算法首先在匯聚節(jié)點(diǎn)訓(xùn)練 SAESM 并對網(wǎng)絡(luò)分簇，接著各簇節(jié)點(diǎn)通過 SAESM 對采集數(shù)據(jù)進(jìn)行特征提取，之后由簇首將分類融合后的特征發(fā)送至匯聚節(jié)點(diǎn)。在網(wǎng)絡(luò)能耗大致相同的情況下具有更高的特征提取分類正確率。

2.3 基于遺傳算法的數(shù)據(jù)融合

遺傳算法（Genetic Algorithm）是受進(jìn)化論的啟發(fā)提出的模擬生物進(jìn)化過程的計(jì)算模型。其自適應(yīng)和群體進(jìn)化能力適合求解大規(guī)模復(fù)雜優(yōu)化問題。求解過程中無需求出最優(yōu)解，只需淘汰最差個(gè)體。因此遺傳算法適用于搜索空間較大且對結(jié)果準(zhǔn)確性要求不高的應(yīng)用中[11]。

文獻(xiàn)[12]結(jié)合遺傳算法全局搜索和模擬退火算法局部搜索的優(yōu)點(diǎn)，提出一種模擬退火遺傳算法的WSN數(shù)據(jù)融合方法（SA-GA）。采用模擬退火遺傳算法快速找到移動代理路由最優(yōu)傳感器節(jié)點(diǎn)序列，并實(shí)現(xiàn)數(shù)據(jù)融合。SA-GA更能快速找到全局最優(yōu)數(shù)據(jù)融合節(jié)點(diǎn)序列，并對數(shù)據(jù)進(jìn)行有效融合，具有更小的網(wǎng)絡(luò)能耗和網(wǎng)絡(luò)延時(shí)。

文獻(xiàn)[13]基于遺傳算法中的分類器系統(tǒng)，提出遺傳機(jī)器學(xué)習(xí)算法（Genetic Machine Learning Al-gorithm， GMLA）。該算法通過動態(tài)的調(diào)整傳感器節(jié)點(diǎn)把數(shù)據(jù)發(fā)送到基站的概率，來提高數(shù)據(jù)融合的質(zhì)量，并減少了數(shù)據(jù)傳輸量，節(jié)約網(wǎng)絡(luò)能耗。但該方案適用于高密度的傳感器網(wǎng)絡(luò)，對發(fā)送率低的網(wǎng)絡(luò)則效果不夠明顯，且存在一定數(shù)據(jù)延遲。

2.4 基于人工智能的數(shù)據(jù)融合算法比較

人工智能算法因?yàn)槠渥越M織、自適應(yīng)、自學(xué)習(xí)的方式使其適合于大規(guī)模復(fù)雜化問題，能通過一定的先驗(yàn)知識與規(guī)律，有效的對數(shù)據(jù)進(jìn)行訓(xùn)練及預(yù)測，被廣泛應(yīng)用于無線傳感器網(wǎng)絡(luò)問題的處理。表1對論文中涉及的算法進(jìn)行了整體的比較。

3.總結(jié)

由于傳感器節(jié)點(diǎn)分布的隨機(jī)性及相鄰節(jié)點(diǎn)監(jiān)測數(shù)據(jù)的相似性，導(dǎo)致無線傳感器網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)的冗余性。而無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合即通過多層次、多方面的特征提取將時(shí)間與空間上的互補(bǔ)與冗余信息依照某種優(yōu)化準(zhǔn)則重新組合起來。用以提升數(shù)據(jù)可信度以及有效性、節(jié)省通信帶寬及提高網(wǎng)絡(luò)生命周期。

【參考文獻(xiàn)】

[1] Lin Y H，Chang S Y，Sun H M. CDAMA：Concealed data aggregation scheme for multiple applications in wireless sensor[J].IEEE Transactions on Knowledge and Data Engineering，2013，25（7）：417-483.

[2] 王麗紅，于光華，劉平.無線傳感器網(wǎng)絡(luò)LEACH算法的改進(jìn)研究[J].齊齊哈爾大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018，（2）：6-8.

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

[4] 竇桂琴，萬潤澤.張興艷基于模糊理論的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J]，微電子學(xué)與計(jì)算機(jī)，2012，29（9）：133-136

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

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

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

[8] 孫凌逸， 黃先祥， 蔡偉等.基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法.傳感技術(shù)學(xué)報(bào)， 2011， 24（1）： 122-127.

[9] 楊永健，劉帥.基于SOFM神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法.傳感技術(shù)學(xué)報(bào)， 2013， 26（12）： 1757-1763.

[10] 邱立達(dá)，劉天鍵，傅 平. 基于深度學(xué)習(xí)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合[J].計(jì)算機(jī)應(yīng)用研究，2016，33（1）：185-189.

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

[12] 張揚(yáng)，楊松濤，張香芝.一種模擬退火遺傳算法的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究[J].計(jì)算機(jī)應(yīng)用研究，2012，（5）：1860-1862.

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

作者簡介：王麗紅（1983—），女，漢族，內(nèi)蒙古赤峰，講師，碩士，工作單位：黑河學(xué)院，研究方向：無線傳感器網(wǎng)絡(luò)、算法研究。