多层Agent数据融合的无线传感器决策网络及其多样性研究

戴志锋，李元香

（1．湖北经济学院信息管理学院，武汉430205；2．武汉大学计算机学院，武汉430072）

多层Agent数据融合的无线传感器决策网络及其多样性研究

戴志锋1，2，李元香2

（1．湖北经济学院信息管理学院，武汉430205；2．武汉大学计算机学院，武汉430072）

为实现无线传感器网络（WSN）原始感知数据融合中不确定分析的量化决策和智能处理，在WSN层次化的数据融合机制下，引入粗糙集理论的决策表和决策网络智能技术，设计智能型和规则型2类Agent，由此构建多层Agent数据融合的无线传感器决策网络（WSDN）模型，并研究层间智能Agent型和属性间规则Agent型WSDN的多样性。应用结果表明，该模型能较好地适用于典型的WSN场合，实现Agent间的融合优化与智能决策。

无线传感器决策网络；智能Agent；规则Agent；多样性；数据融合；决策表

1 概述

物联网被公认为是继计算机、互联网与移动通信网之后引领世界信息产业革命的第3次浪潮，无线传感器网络（Wireless Sensor Network，WSN）被视为物联网感知事物、传输数据的重要手段［1］，基于传感器网络技术的物联网应用的核心是全新信息获取下智能感知交互，更重要的是基于这些交互信息利用各种智能计算技术进行智能分析与处理［2］，通过诸多传感器协同之后融合成智能的“知识”和判断，进而提供智能决策和智能服务。传感器的电源能量极其有限，传感器传输信息要比执行计算更消耗电能，物联网数据的时空相关性又导致感知信息的高度冗余性，而因其能有效减少数据传输量，降低数据传输冲突，提高通信效率，最大化网络生命周期，数据融合已成为物联网信息感知的关键技术和研究热点［3］。

感知对象一般通过表示物理现象的数字量来表征，大部分传感器采样数据是数值型的，WSN以数

据为中心的特点使得可把传感器视为感知数据源，传感器网络视为一个基于关系模型的感知数据“键属性值”数据库［4］，从而利用粗糙集理论（Rough Set Theory，RST）的信息表知识表达系统，每个传感对象对应于一个元组，构成节点集关于属性集的决策信息表，决策信息表首先去除冗余重复传感数据记录，进一步地，在粗糙集理论中，知识约简属重要的研究内容，也是知识获取的关键步骤［5］，因而可能直接而广泛地应用于整个WSN数据融合之中。

传感器网络中的传感器都具有嵌入式处理器和存储器，都具有计算能力，可以完成一定信息处理工作，同时，传感器通信部件负责与其他传感器的通信［4］，如何使用大量具有有限节点资源的传感器对物联网信息进行协作分布式交互和分析处理，尤其是随着不确定性数据广泛出现在大规模传感器网络系统等诸多现实应用领域之中［6］，又如何对不确定性感知信息和数据进行更加有效而智能化的分析和挖掘，从而发现不确定性信息中蕴涵的确定性知识和规律［7］，这些都是人们所面临的带挑战性研究课题。粗糙集理论作为一种新的研究不精确、不确定性知识的有效数学工具与数据分析理论，广泛应用于对不确定、不精确、不一致、不完整信息与知识的定量分析处理以及对大规模海量数据的挖掘和对复杂问题的求解等领域［5，7］，已成为一种重要的智能信息处理技术，并且其中决策网络及其简化形式能直观图示和量化分析决策规则以及决策规则之间关系［8］。

针对WSN在医疗保健领域应用中不确定传感数据的智能信息处理问题，文献［9］运用WSN硬件智能和RST及其决策网络软件智能，定义了若干类智能Agent，相应地搭建了多智能体系统框架，构筑了一种医疗保健传感器决策网络（Healthcare Sensor Decision Network，HSDN），并在一定程度上探讨了HSDN的多样性，但仍需在决策结构上做进一步改进。因此，本文在上述研究的基础上，力求拓展WSN智能信息处理方向的研究，尝试建立一种统一的一般化无线传感器决策网络（W ireless Sensor Decision Network，WSDN）模型，进而探析其网络多样性以及不同多样性之间可能的关联性与层次性。

2 W SN数据融合

传感器数据管理分为2个阶段：（1）即分布式实时性采集与分析阶段，实现WSN数据收集、聚集和一定分析处理的主要功能；（2）集中式复杂查询、异构集成与潜在知识挖掘阶段，满足高层次的分析挖掘应用需求［10］。鉴于WSN节点普遍具有一定智能化信息处理能力而又能量等资源较为局限的特性，同时为不失一般性，又做一定合理而理想化假设，并进行必要的数据预处理，诸如假定Sink节点具备一定相应的分析挖掘能力，通过采样频率、状态变化阈值等手段调控周期性传感数据收集，将非数值型原始采样数据转换归并为数值型采样数据等，本文主要结合分布式基本数据管理并兼顾集中式知识挖掘两阶段方式开展后续相关研究工作。

为探索能耗约束和能量均衡的有效的数据收集、聚集和融合方法与机制，传感器采样数据分布式存储方法将采样数据直接存储在各传感器节点，或者存放在Sink节点［10］。并且，基于空间相关性将传感器节点划分为若干层次式分簇［3］，簇状结构具有适合大规模的网络环境、可扩展性好、数据融合简单及能量效率高等诸多优点［11］。本文也以这种典型的WSN树型逻辑分层簇结构为基础，簇内信息收集、融合后通过簇间路由转发将各个簇连接起来与Sink节点进行通信，Sink再通过Internet或通信卫星与任务管理节点通信，实现大规模感知数据集上层次式处理，而传感器节点、簇头节点和Sink节点数据处理的3个环节均可能存在不确定性，通过在不同层次上逐级处理不确定性，提高WSN数据融合的整体清晰度。

基于W SN网络结构对应自身硬件智能，进一步挖掘运用RST决策表数学建模及决策网络决策分析所蕴含软件智能，共同定义不同层次不同类型Agent，给予Agent自治性以及协作过程以宏观上引导之组织性，让Agent之间、Agent与环境之间进行互动、沟通和协作［12］。最终，从信息智能化处理视角，因智能Agent之间的交互、协作等局部行为而产生系统全局行为［13］，从而从总体上构建一个数据融合自组织网络和协同决策模型，提升WSN数据融合的研究高深度。

3 无线传感器决策网络

3.1 多层Agent分类

WSN数据融合体分布于WSN数据传感、汇聚、分析和信息决策的全过程之中，主要表现为2种类型、不同层次的Agent：

（1）智能型Agent。WSN融合体在结构上依托于Sensor、Cluster和Sink 3层节点的物理硬件，功能上实现Sensor分布式数据采集、Cluster分布式数据汇聚和Sink集中式信息决策分析，同时，呈现出一定的智能性、层间层内协同性，进而演变为3种层次性智能Agent即传感采集Agent（Sensor Collecting Agent，SCA）、簇汇聚Agent（Cluster Assembling Agent，CAA）和锚决策Agent（Sink Decision-making Agent，SDA）。

（2）规则型Agent。决策表为W SN数据融合的主要形式化载体，决策表中每一行记录本身代表一条决策规则，同时，对应于一个Agent，这种规则型Agent又划分为广义性层面的和知识性层面的，广义性的为原始传感数据所构成的决策表中规则，知识

性的则为约简决策表或简化决策网络相应的简化决策表中规则。

智能型Agent与规则型Agent相互独立地进行区分，智能型Agent跨越Sensor，Cluster和Sink 3个层次，属于WSN数据融合出发点和初始阶段融合体，侧重于传感数据智能感知、汇聚和预处理；规则型Agent主要对应于Sink甚至后端更高层次，属于WSN数据融合归结点和高级阶段融合体，侧重于传感规则智能分析、挖掘和决策。同时，两者在Sink层次实现前后关联衔接、相辅相成，共同构成WSN数据融合决策过程中的有机组成部分，广义性规则型Agent经SCA采集、CAA汇聚，最终在SDA及以上层次经约简或简化转化为知识性规则型Agent。

3.2 无线传感器决策网络模型设计

基于智能型Agent和规则型Agent，并将其运用融入于WSN一体化数据融合之中，实现多层Agent与决策表、决策网络深度关联、结合，以此进一步地构建一种无线传感器决策网络模型，如图1所示。由图1可知，首先，在SCA底层，每个Sensor节点对应于一个SCA，用于传感采集原始数据；其次，在CAA中间层，各Cluster簇头节点即为一个CAA，负责汇聚收集簇内数据；最后，在SDA最高层，Sink节点所对应的SDA，则归并整个WSN传感数据并进行分析挖掘数据预处理。在WSN数据融合过程中，信息系统及决策表建模、决策网络决策分析等主体处理集中在Sink节点进行，但数据依次分布来源于Cluster簇头节点和Sensor节点，且大规模传感数据在Sink节点被划分成不同决策表及相应决策网络进行并行融合处理。同时，在层间关联方面，SCA层SCA实体集与CAA层CAA实体集为多对一联系，CAA层CAA实体集则分别与SDA层决策表实体集、决策网络实体集及相应传感规则实体集均为多对多联系。

图1 W SDN决策层次结构

在WSDN决策层次结构中，整体上形成硬件智能与软件智能融合机制。SCA层传感采集Agent与CAA层簇汇聚Agent属于智能型Agent，智能性主要体现在相应WSN节点本身传感汇聚数据的硬件智能方面；SDA层智能型锚决策Agent则在呈现Sink节点硬件智能的同时，智能性更多地表现为向软件智能的过渡延伸，并上升至规则型Agent运用层次。规则型Agent智能性蕴含于决策表及决策网络等RST高级形式软件智能信息处理特性运用于WSN信息决策分析之上，体现于有效的不确定性数据处理、深化的知识约简进而内在知识性规则挖掘的智能决策之中。

4 无线传感器决策网络的多样性

4.1 层间智能Agen t型W SDN

从智能型Agent角度深入研究无线传感器决策网络多样性，便派生出层间智能Agent型WSDN，如图2所示。

图2 层间智能Agent型W SDN框架

由图2可知，SCA层SCA实体集｛SCA1，SCA2，…，SCAi｝、CAA层CAA实体集｛CAA1，CAA2，…，CAAj｝，以及SDA层传感规则集｛R1SDA，R2SDA，…，RkSDA｝，构成SCA-CAA-SDA决策表及SCA-CAA-SDA决策网络，进而从WSDN决策层次结构角度构建层间智能Agent型WSDN，并基于外部来源进行整体上的广义性决策规则统计分析。

具体地，由SCA-CAA-SDA决策表构建SCACAA-SDA决策网络，并进行决策网络图简化，依次得到简化CAA-SDA决策网络及决策表，以及对应的不确定性决策规则和确定性决策规则的集合，进一步地再依次获取仅保留部分主要决策规则的近似CAA-SDA决策网络及决策表，以及近似确定性决策规则集。从图中关联多重性标记可知，SCA-CAASDA决策网络与简化CAA-SDA决策网络，以及简化CAA-SDA决策网络与近似CAA-SDA决策网络，分别均为一对一关联。

4.2 属性间规则Agent型W SDN

属性间规则Agent型W SDN则从规则型Agent角度构成无线传感器决策网络多样性的另一个方面，属性间规则Agent型W SDN框架如图3所示。

图3 属性间规则Agent型W SDN框架

由图3可知，不同传感条件属性（Condition A ttribute，CA）如CA1、CA2等和传感决策属性（Decision A ttribute，DA）及其传感规则（如图3中从CA1、CA2等条件属性取值到DA决策属性取值具体组合），构成CA-DA决策表及CA-DA决策网络，进而从传感规则深度分析挖掘角度构建属性间规则Agent型WSDN，并基于内在因果进行深层次的知识性决策规则简化与约简。

第1条路径，根据CA-DA决策表的具体决策规则进行条件属性相对约简，依次得到约简CA-DA决策表及决策网络，进而获取隐藏规则及其实例约简决策规则所组成的确定性决策规则集；第2条路径，在不确定性决策及其协同机制下，由CA-DA决策网络进行决策网络图简化，依次得到简化CA-DA决策网络及决策表，以及对应的不确定性决策规则和确定性决策规则的集合，进一步地再依次获取仅保留部分主要决策规则的近似CA-DA决策网络及决策表，以及近似确定性决策规则集。上述两条路径均体现出从具体到一般再到具体的规则认知过程，且简化CA-DA决策表也可进行条件属性相对约简，从而转化为约简CA-DA决策表，实现第2条路径到第1条路径的转换。从图中关联多重性标记可知，CA-DA决策表与约简CA-DA决策表，CA-DA决策网络与简化CA-DA决策网络，以及简化CA-DA决策表与约简CA-DA决策表，分别均为一对多关联；而简化CA-DA决策网络与近似CA-DA决策网络为一对一关联。

4.3 多样性W SDN的关联

在层间智能Agent型WSDN和属性间规则Agent型WSDN框架图中，上阶段、下阶段构成外部衔接处理关系，决策表、决策网络形成阶段内部前后转化关系。下阶段前部分的决策表或决策网络，由

上阶段相应的决策表或决策网络经过衔接处理得来，并进一步完成本阶段内前部分到后部分决策表与决策网络之间的转化。

2种WSDN多样性统一于决策表和决策网络，以及决策规则和Agent的外在表现形式，而区别于其不同内涵。层间智能Agent型W SDN中决策表由条件属性“SCA”、“CCA”和决策属性“传感规则”组成，决策规则及其对应的Agent为决策表意义上特定性的，反映的是SCA、CCA对传感规则的取向关系；属性间规则Agent型WSDN中决策表由不同传感条件属性CA 1、CA2等和传感决策属性DA组成，决策规则及其对应的Agent为实际应用中广义性或知识性的，反映的是传感条件属性和传感决策属性之间因果关系。

2种WSDN多样性之间呈现一种递进关系，层间智能Agent型WSDN首先从数据传感总体上统计分析SDA层传感规则的外部来源分布，进而属性间规则Agent型WSDN从信息决策深层次挖掘传感规则的内在知识性因果关系，两者结合从宏观和微观不同层面推进无线传感器决策网络的知识决策过程。

5 算法与实例

基于文献［8］所定义的支持度、确定因子、强度因子和覆盖因子等决策网络相关术语，具体结合SCA-CAA-SDA决策网络，提出实现算法，并相应给出可穿戴传感在健康医疗领域应用的决策分析实例。

5.1 实现算法描述

相应于层间智能Agent型W SDN，无线传感器决策网络实现算法描述如下：

输入 SCA-CAA-SDA决策表及相关集合｛SCA1，SCA2，…，SCAi｝，｛CAA1，CAA2，…，CAAj｝，｛R1SDA，R2SDA，…，RkSDA｝，｛Supp（SCAf，CAAg，RhSDA）|f∈｛1，2，…，i｝，g∈｛1，2，…，j｝，h∈｛1，2，…，k｝｝，阈值TCer

输出DN，DNSimp，DNAppr

Step1SCA-CAA层、CAA-SDA层决策规则预处理。依据SCA-CAA-SDA决策表，分层构建SCACAA层、CAA-SDA层2个决策规则子集。

Step2SCA-CAA-SDA决策网络构造，生成DN。执行决策规则子集、决策规则嵌套循环，据｛Supp（SCAf，CAAg，RhSDA）|f∈｛1，2，…，i｝，g∈｛1，2，…，j｝，h∈｛1，2，…，k｝｝和决策网络相关术语计算公式，逐一计算SCA-CAA层、CAA-SDA层决策规则子集中每条决策规则之Cer，Str，Cov等量化因子值，构造SCA-CAA-SDA决策网络。

Step3SCA-CAA-SDA决策网络简化，生成DNSimp。SCA-CAA-SDA决策网络简化，截取简化CAA-SDA决策网络。

Step4简化CAA-SDA决策网络近似、优化，生成DNAppr。筛选并仅保留简化CAA-SDA决策网络中Cer≥TCer之决策规则，获得近似CAA-SDA决策网络。

在上述算法中，支持度Supp（SCAf，CAAg，RhSDA）表示经SCAf采集、CAAg汇聚的传感决策规则RhSDA的数量，DN、DNSimp和DNAppr各自代表决策网络、简化决策网络和近似决策网络，Cer，Str和Cov分别表示决策规则确定因子、强度因子和覆盖因子。

根据Supp（SCAf，CAAg，RhSDA），由式（1）和式（2）分别计算得到SCA-CAA层、CAA-SDA层决策规则子集中决策规则的支持度Supp（SCAf，CAAg），Supp（CAAg，RhSDA），并依次具体表示由SCAf采集CAAg汇聚的各种传感决策规则重数的求和数量、由CAAg汇聚簇内全部SCA所采集传感决策规则RhSDA的数量，进而以此计算各自决策规则相应的Cer，Str和Cov等因子值。

从该实现算法可知，在SCA-CAA-SDA决策网络中，CAA层CAA实体与SDA层传感规则之间形成的简化CAA-SDA决策网络及决策表在层间智能Agent型WSDN信息决策中更有实际意义。

5.2 应用实例

文献［14］描述了基于平面时装电路板、智能贴等电子织物的可穿戴健康监护系统，特定慢性病患者用户自身携带的传感器与嵌入在周围环境中的传感器相结合，以可穿戴传感簇部署为基础分布式构建层次化的可穿戴传感网络体系结构，进而构建“患者-健康服务中心-医疗保健机构”可穿戴健康监护社区原型。通过可穿戴传感计算Agent装置完成实时传感、处理、刺激和数据通信等所有功能，用户的健康监测数据经过本地Agent处理后发送给外部的服务站或基站Agent进行决策分析，从而形成多层Agent智能信息处理的特征，该原型则呈现为一种典型的SCA-CAA-SDA无线传感器决

策网络。

基于上述可穿戴的个人健康监测智慧医疗应用系统平台，在可穿戴医疗设备实测数据基础之上，再经过加工整理，同时，为简便起见，仅以单个简化CAA-SDA决策表及其少部分健康监护传感规则为代表作决策分析示例，带有支持度的简化CAA-SDA决策表如表1所示，其中，支持度即简化决策规则中CAA实体所汇聚的相应传感规则的数量。

表1 带有支持度的简化CAA-SDA决策表

对应于表1简化的CAA-SDA决策网络如图4所示，表1的每个决策规则对应着图4中一条带有由支持度计算得来的Cer，Str和Cov因子值的有向线段，使得图4直观地呈现出CAA层CAA实体与SDA层传感规则之间的量化对应分布关系。由于没有一个决策规则的Cer因子值等于1，图4简化CAA-SDA决策网络中所有决策规则均为不确定的。

图4 简化的CAA-SDA决策网络

最后，对于上述不确定性决策情形，再进行一定的近似化处理，实现算法中TCer∈［0，1］为一个权重阈值，依据决策应用领域经验值或决策权重需求确定，一般取值为0．5，表示按半数权重筛选，在实际中较具决策意义。于是，剪枝去掉图4中Cer＜TCer的决策规则，得到如图5所示仅含主要决策规则的近似CAA-SDA决策网络，所保留的决策规则也从不确定的转变为近似确定的，同时，还揭示传感规则R2SDA较R3SDA及R4SDA，R1SDA又较R2SDA更为各CAA所支持。

图5 仅含主要决策规则的近似CAA-SDA决策网络

6 结束语

以无线传感器网络为核心的物联网基本特征是信息的全面感知交互和智能分析处理［3］。本文构建一种多层Agent数据融合的无线传感器决策网络模型，使各个Agent节点智能自主获取环境和其他Agent节点信息，并从不精确原始感知信息、局部聚集信息中获取确定性全局融合信息。应用实例结果表明，可穿戴健康监护社区原型能较好地分析挖掘近似交互规则和知识，并提供智能辅助和支持。今后将结合W SN数据融合和智能信息处理，针对物联网传感数据随时间变化而呈现出的序列性开展更加深入的研究。

［1]林 闯．物联网关键理论与技术专题前言［J］．计算机学报，2011，34（5）：761-762．

［2]Atzori L，Iera A，Morabito G．The Internet of Things：A Survey［J］．Com puter Networks，2010，54（15）：2787-2805．

［3]胡永利，孙艳丰，尹宝才．物联网信息感知与交互技术［J］．计算机学报，2012，35（6）：1147-1163．

［4]李建中，李金宝，石胜飞．传感器网络及其数据管理的概念、问题与进展［J］．软件学报，2003，14（10）：1717-1727．［5]钱 进,苗夺谦,张泽华.云计算环境下知识约简算法［J］.计算机学报,2011,34(12):2332-2343.

［6]周傲英,金澈清,王国仁,等.不确定性数据管理技术研究综述［J］.计算机学报,2009,32(1):1-16.

［7]王国胤,张清华.不同知识粒度下粗糙集的不确定性研究［J］.计算机学报,2008,31(9):1588-1598.

［8]Pawlak Z.Decision Networks［C］//Proceedings of the 4th International Conference on Rough Sets and Current Trends in Computing.Berlin,Germany:Springer-Verlag,2004:1-7.

［9]Dai Zhifeng,Sun Baolin,Zhang Qifei.The Multiplicity of IntelligentAgentBasedHealthcareSensorDecision Network［C］//Proceedingsofthe3rdInternational Conference on Bioinformatics and Biomedical Engineering.Beijing,China:［s.n.］,2009.

［10]丁治明,高 需.面向物联网海量传感器采样数据管理的数据库集群系统框架［J］.计算机学报,2012, 35(6):1175-1191.

［11]马守明,王汝传,叶 宁.基于信誉度集对分析的WSN安全数据融合［J］.计算机研究与发展,2011,48(9): 1652-1658.

［12]Wooldridge M.An Introduction to Multi-agent Systems［M］.New York,USA:John Wiley and Sons,2009.

［13]金士尧,黄红兵,范高俊.面向涌现的多Agent系统研究及其进展［J］.计算机学报,2008,31(6): 881-895.

［14]李素姬,金惠静,杰拉德,等.可穿戴健康监护系统在韩国［J］.中国计算机学会通讯,2011,7(8):25-28.

编辑 刘 冰

Research on W ireless Sensor Decision Network of M ulti-layer Agent Data Fusion and Its M ultip licity

DA IZhifeng1，2，LIYuanxiang2
（1．Schoo l of Inform ation M anagem ent，Hubei University o f Econom ics，W uhan 430205，China；
2．School of Com puter，W uhan University，W uhan 430072，China）

Aim ing at the realization of quantitative decision of uncertainty analysis and intelligent processing for raw sensor data fusion in W ireless Sensor Network（WSN），a model of multi-layer Agent data fusion type W ireless Sensor Decision Netw ork（WSDN）is p roposed．On the basis of the hierarchical data fusion mechanism in WSN，such intelligent technique characteristics as decision table and decision network o f rough set theory are introduced to design intelligencebased Agent and rule-based Agent and thus construct the model，and the multiplicity of inter-layer intelligence Agentbased WSDN and inter-attribute rule Agent-based WSDN is studied．Application results show that WSDN can be better applied to the typical situations of WSN，and thus achieves the fusion optim ization and intelligent decision among Agent．

W ireless Sensor Decision Network（WSDN）；intelligence Agent；rule Agent；multiplicity；data fusion；decision tab le

戴志锋，李元香．多层Agent数据融合的无线传感器决策网络及其多样性研究［J］．计算机工程，2015，41（3）：198-203，217．

英文引用格式：Dai Zhifeng，Li Yuanxiang．Research on W ireless Sensor Decision Network of M ulti-layer Agent Data Fusion and Its Mu ltip licity［J］．Computer Engineering，2015，41（3）：198-203，217．

1000-3428（2015）03-0198-06

A

TP18

10．3969/j．issn．1000-3428．2015．03．038

国家自然科学基金资助项目（61070009）；国家重大科学仪器设备开发专项基金资助项目（2011YQ170065）；湖北省教育厅科学技术研究计划基金资助重点项目（D 20121904，D20132202）。

戴志锋（1967-），男，副教授、博士，主研方向：智能信息处理，无线传感器网络，决策支持系统；李元香，教授、博士、博士生导师。

2014-08-14

：2014-11-03E-m ail：course_ware＠126．com