无线传感器网络数据融合算法综述

王丽红

摘要：数据融合是通过算法处理原始数据，去除冗余信息，形成高质量的融合数据传输到汇聚节点，从而减少数据传输量，达到节省能量，延长网络寿命，提高数据收集效率和准确度的目的。文中对近年来数据融合算法的研究现状进行了全面深入分析，根据融合过程中采用的融合方法，将现有的无线传感器网络数据融合算法分为了基于估计方法、统计方法、信息论方法、人工智能方法四大类，对这四类技术从原理上进行了综述，对其中涉及到的不同融合算法从性能、时延、复杂度以及能耗方面进行了详细分析。

关键词：无线传感器网络；数据融合；能耗；网络寿命

引言：无线传感器网络是由大量传感器节点组成的无线通信网络。传感器节点小，能量非常有限，且后期难以补充。在WSN中消耗能量分数据采集、数据传输、数据处理三部分，其中数据传输消耗的能量最多，因此降低数据传输消耗的能量是节能的关键。数据融合即通过一定的算法处理原始数据，去除冗余信息，形成高质量的融合数据传输到汇聚节点，从而减少数据传输量，达到节省能量，延长网络寿命，提高数据收集效率和准确度的目的。构建合适的数据融合算法是消除冗余信息、节省网络能耗、延长网络周期的关键。

在无线传感器网络中用到的数据融合算法有很多种，本文将数据融合算法大致分为四类：基于估计理论的数据融合、基于统计理论的数据融合、基于信息论的数据融合、基于人工智能的数据融合。

1基于估计理论的数据融合算法

1.1基于权系数的数据融合。采用自适应加权平均法（self-adap-tion of weighted average，SAWA）来融合多个数据，采用模糊理论剔除疏失数据，推导了加权因子的计算公式。并对融合过程采用蒙特卡洛统计，消除随机误差。

在加权平均算法的基础上，提出了利用窗口中各数据源有效像元所占的比例来确定其对应权值的自适应加权平均融合算法。该算法在保持原数据细节特征的基础上，保证了数据连续性，提高数据空间覆盖率和置信度。

1.2基于极大似然估计的数据融合。提出了一种基于多比特量化观测的分布式估计方法（MQS），给出了克拉美罗下界的解析表达式，并与均匀量化方法（UQS）和未量化方法（NQS）进行对比。MQS的性能优于UQS，当量化深度增大到3时，MQS的估计性能十分接近NQS的估计性能。

提出了合作信息聚集法来解决无线传感器网络中分布式估计问题。设计了聚合硬判估计器和聚合极大似然估计器，将每个节点的传输比特预先确定为资源分配的约束优化问题，并提出了相应的次优资源分配策略，提高了数据的准确性。但优化问题中的资源分配向量难以确定，进而提高了算法的复杂度。

1.3基于卡尔曼滤波器的数据融合。针对多传感器数据融合问题，提出了基于Kalman滤波的多传感器测量数据融合方法，此方法不仅显式考虑各测量设备的不确定性，而且还能实现单点和批量融合数据。

运用量化新息与分散卡尔曼滤波相结合的方法，考虑了网络带宽与能耗，提出了量化新息分散卡尔曼滤波算法，有效解决了线性目标跟踪系统量化融合估计问题，同时节约了融合中心的能量消耗。

2基于统计理论的数据融合算法

2.1基于D-S证据理论的数据融合。将基于D-S证据理论的融合算法应用在态势感知领域的数据处理中，对网络扫描和主机扫描等多种手段得到的脆弱性数据进行融合与分析。该算法应用时，只要将态势数据处理到同一状态空间，构造对应的概率分布函数，即可应用。

针对在无线传感器网络中传感器节点本身能量有限的特性，提出一种基于D-S证据理论的组合数据融合算法。先依据数据的标准差进行聚类，在用D-S证据推理算法进行融合，最后通过计算马哈诺比斯距离得出虚拟节点数据向量的异常值，把它作为加权权重进行加权融合。

2.2基于贝叶斯估计的数据融合。采用了改进的Bayes方法，用于基于分类任务域中的贝叶斯多传感器数据融合的Dempster-Shafer理论进行比较分析，引入新机制来考虑测量的不一致性，提高了估计值的精确度。改进的Bayes方法能有效的增加数据的真实性，使后验概率的不确定性降低。

提将贝叶斯估计和卡尔曼滤波器结合起来，应用于无线传感网络数据融合中。应用前向滤波法、后向滤波法和前后向滤波法进行数据融合。结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。

3基于人工智能的数据融合算法

3.1基于模糊理论的数据融合。提出利用模糊理论中的相关性函数计算节点间相互支持程度，对支持程度高的传感器进行数据融合，并利用融合结果与服务质量期望筛选出冗余节点，使其进入休眠状态。该方法能够获得更高的精度和可靠性，并能有效延长网络生命周期。

提出了一种基于模糊的数据融合方法的WSN，通过传感器节点中嵌入的二型模糊逻辑系统对待发送的数据分配权重，簇头进行区分和聚合所收集的数据的真值后在报送到基站，从而减少在基站（BS）处理整个数据的负担。该方法能够它还能够消除冗余数据，从而减少能量消耗，从而增加网络寿命。

3.2基于神经网络的数据融合。将BP神经网络和传感器网络分簇路由协议进行结合，提出了基于神经网络的数据融合算法（BPNDA，Back-Propagation Networks Data Aggregation）。每个簇就是一个神经网络模型，在网络中提取少量特征数据后发送至汇聚节点，从而提高数据收集效率，减少了网络通信量，延长网络生存时间。文献中未给出在缺乏缺乏训练集合情况下的实现方案。

为了降低无线传感器网络的通信量，降低能耗，延长网络的生命周期。提出了一种基于SOFM（Self-Organizing Feature Mapping）神经网络的数据融合算法（SOFMDA），该算法将自组织映射神经网络和无线传感器网络分簇路由协议相结合，使簇中的各个节点完成神经元的工作，按照数据的特征对其进行分类，提取同类数据的特征，将特征数据发送到汇聚节点，从而减少了数据发送量，延长网络的生命期。

为了解决BP神经网络收敛慢、易陷入局部最优值且泛化能力差从而影响数据融合效果的问题，提出一种将深度学习技术与分簇协议相结合的数据融合算法AESMDA。SAESMDA用基于层叠自动编码器（SAE）的深度学习模型SAESM取代BP神经网络，算法首先在汇聚节点训练SAESM并对网络分簇，接着各簇节点通过SAESM对采集数据进行特征提取，之后由簇首将分类融合后的特征发送至汇聚节点。在网络能耗大致相同的情况下具有更高的特征提取分类正确率。

3.3基于遗传算法的数据融合。结合遗传算法全局搜索和模拟退火算法局部搜索的优点，提出一種模拟退火遗传算法的WSN数据融合方法（SA-GA）。采用模拟退火遗传算法快速找到移动代理路由最优传感器节点序列，并实现数据融合。SA-GA更能快速找到全局最优数据融合节点序列，并对数据进行有效融合，具有更小的网络能耗和网络延时。

提出了遗传机器学习算法，允许在网络中实现并行数据融合技术。能够通过使用遗传机器学习算法在不同用户定义的度量之间进行权衡。动态调整节点把数据发送到基站的概率，提高了融合数据的正确率，减少了数据传输量，延长了网络寿命，但存在数据延迟。

4总结

由于传感器节点分布的随机性及相邻节点监测数据的相似性，导致无线传感器网络监测数据的冗余性。而无线传感器网络数据融合即通过多层次、多方面的特征提取将时间与空间上的互补与冗余信息依照某种优化准则重新组合起来。用以提升数据可信度以及有效性、节省通信带宽及提高网络生命周期。