WSN数据融合技术简析

摘要：以传统传感器为基点，将其与无线传感节点进行比较，分析出传感节点数据传输的困难过程，在于过度消耗传输带宽、能耗，以及传感节点综合信息能力不足两个方面;WSN数据融合侧重于数据的稳定性、关联性、能量制约性;WSN必需的数据融合作用在于消减能耗、传输时延，跃升数据安全性、传输效率，以及优化WSN资源配置等功效，以使明晰数据融合方法、研究侧重等，有利于相关研究佐证。

关键词：传感器;WSN;数据融合

中图分类号：TP212.9

文献标志码：A

0引言

近年来，随微电子技术、集成短路技术、近距离无线通信技术、数字信号处理技术、以及微机电系统的深度应用[1]，具有低能耗、微型化特征的无线传感器网络WSN（Wireless Sensor Networks，WSN）快速融入了现代信息应用的各类场合，涉及到了工业、农业、国防军工、环境监测、深海探测、抢险救灾、反恐防恐、生物医疗、危险区域的远程控制等诸多行业领域，获得了来自政府、科研机构、商界、军事等各界的青睐，极具广阔的应用前景。

就目前WSN应用的现实而言，WSN之所以能够完成数据融合，主要依靠两个途径，其一是通过各种手段增强原始数据的真实性和安全性，其二是利用安全的数据融合算法。前者方法是适合于WSN的存在环境而产生，由于构成WSN整体结构的传感器节点身处环境条件各异，其所在场合的电磁环境可能较为恶劣。因此，WSN传感节点所采集的数据并非满足真实性和有效性需求，甚至存在虚假信息的采集，故此，需要依靠数据认证的方式提升采集数据的真实性与安全性，但这种认证方式的使用，却也实实在在地延长了数据融合过程的周期，增加了能量消耗，也可能还会直接缩短WSN节点存在的生命周期;同时，由于使用了复杂协议，虽然能够增强其数据融合的能力，但往往疏于系统安全的考虑。后者通常利用WSN邻近节点初始数据采样的共性特征，借助算法进行针对性预处理，由此消减部分恶意数据产生概率或影响，这种本身具有局限性的措施，数据融合传感节点并非持续获取多组期待的富有价值行的适用数据，这在不同的应用场景中，数据融合的算法效果具有差異化。此外，WSN传感节点本身的环境资源、体积大小、续航能力、运算能力等特点影响，将直接导致传感节点的能耗增大、核心数据易于丢失等现象。因此，WSN传感节点的数据采集精度跃升、能耗降低，以及生命周期的绵延，这与WSN的数据融合效率提升休戚相关。

1数据融合的缘起与基础

数据融合技术的产生于美国军事应用，起初作为信息技术的拓展应用，实时关联了数据感知、传感节点互连、滤波估计、信息融合等技术。随着应用能力的不断提升，考虑WSN传感节点所赖以存在的实际环境制约，传感节点的电能供应、运算速度、存储资源、数据传输等相继成为关联后续要素[2]。

相形于传统传感器，无线传感节点总体工作能力稍逊。特别是在数据感知后的遂行发送时刻，传感节点将数据传输至WSN网关时，产生渚多困难[3]。其一，造成数据传输带宽和能耗浪费。由于密集传感节点所在的场景，邻域节点数据冗余较多，汇集节点额数据接收将浪费邻域节点的传输时间、带宽、耗时和耗能，而时间和能量的损耗，直接导致WSN的生命周期的缩短。其二，传感节点综合信息能力不足。WSN的数据通信依靠数据链路层完成，数据链路层实现相异节点之间的单工数据传送，多个节点全双工方式的数据传送，将直接导致数据间的碰撞冲突，直接消减数据传输效率，全面消减WSN网络存在时效。基于此现象，数据融合技术应用而生，拟通过该技术，完成数据筛选和合并处理，而予以清洗的数据更能迎合数据采集的任务需求，获得更加准确可靠的信息。同时，前者直接关注有效的数据感知结果，而非数据采集的巨大数据容量。

以数据融合为视角，传统传感器与WSN差异性明显[4]。首先，稳定性需求侧重不一。传统网络依靠扩张组网地域范围和消减网络环境中的不利电磁影响而提升数据感知系统稳定性，而WSN则需以跃升传感节点的数据融合效率为基点，数据融合处理基于网内运行，WSN的尤其关注组网节点的能量损耗，故其数据融合算法的实施，是以组网系统的鲁棒性和自适应性为基础条件的。其次，数据关联性需求侧重各异。传统传感网络的数据融合关注多终端之间的数据相关性问题，而WSN则关注传感节点之间的数据阐述干扰问题，特别是WSN必须高度关注环境因素制约，而且不同传感节点针对同一数据的测量可能存在着偏差性，将造成同一数据的二义性问题。其三，能量制约性理念迥异。工作场景的制约一直是WSN进行数据融合的约束条件，WSN传感节点自身携带的电能有限，无法获取较常规节点能源无限制的优厚工作能源支持，因为WSN传感节点完成节点之间的数据传输所需的能耗远高于其正常完成运算任务的能耗支持。因此，WSN完成数据融合因需要考虑独立节点以及WSN局域网能耗的均衡，首先应该考虑数据融合与协议层次协作互补，应在应用层依靠分布式数据库技术将汇集节点数据予以压缩和清洗，消除冗余并优化数据，跃升数据准确度，由此减少传感节点的数据传输容量，从底层开始消减节点系统能源开销。当然，数据融合一定会附加传感节点工作量。对于WSN时延而言，传感节点如需完成数据传输，其必须的路由探寻、数据融合运算，以及约等其它节点融合数据等任务均加大WSN的平均时延;而在稳定性而言，相比传统网络，WSN因附加了数据融合任务，其节点失效率、丢包率以及数据清洗所导致的缺失率，都可能增长，这将直接消减WSN的稳定性。

2数据融合的作用

2.1消减能耗

实际工作场景中的独立传感节点是实施数据融合的基础单元，其功能性数据是构成数据融合的基本数据对象，综合及优化组网节点数据肯定是数据融合的关键所在。由于独立传感节点均呈现动态拓扑、随机部署或密集部署或重叠等特点，在保证系统可靠性的同时产生富裕的冗余数据，而高冗余度数据的数据汇聚，直接加大冗余能耗。如果在数据融合前，传输非冗余数据至汇聚节点，将节约能耗支配，可靠性也不会降低。通常数据融合清洗冗余数据的方法，是数据传输之前，将本节点数据实施预处理，完成诸如剔除冗余数据、压缩数据、层次式处理数据、估值运算等任务，在保证数据可靠性和不损失精度的前提下，将传输的数据实施节能化和最小化处理。通过有效降低发包数据总量和发包数量，都将消减信道的检测开销，从而消减能耗。

2.2提升数据安全性

依旧从WSN的实际工作场景工发，审视传感节点自身特点。传感节点时空区域的部署特点，缘起于其自身的特点，因成本制约和二列场景，传感节点自身所采集的数据本身可能就有失真，其原因可能有：制造成本低廉、集成度高而导致精度低;节点数据传输容易受环境干扰或破坏;环境加速节点老化而致工作异常等状况。因此，WSN只能借助区域内多节点，才能够保障数据采集的正确性和可靠性，而邻域节点所采集的数据并不具有差异性。

2.3消减传输时延，跃升传输效率

先行数据融合方式的数据精度高于汇聚节点完成数据汇集后的数据融合方式，前者在消减数据传输总量、传输包总量、路由优化、数据分类、数据碰撞冲突、网络拥堵、带宽利用率以及降低数据传送时延等方面，都成为跃升网络整体效率的因素。

2.4优化WSN资源配置，跃升网络整体性能

通过数据融合，在消减能耗的同时，均衡传感节点能耗，消除能量空洞，极值化独立节点的任务生命周期，由此全面跃升WSN的整体性能。

3数据融合分类

数据量变革是WSN完成数据融合过程的关键，也是将WSN数据融合直接分类为有损融合和无损融合的依据。有损融合其本质就是通过消减WSN采集数据的准确度为代价，以跃升数据融合的效率为目标而保持采集数据样本的广泛性[5]。当某区域之邻域范围内的温度、湿度极值或均值成为数据需求时，WSN所属区域传感节点依据数据需求指令完成数据采集任务后，该节点完成数据预处理，并将数据经由汇聚节点融合后获得的数据传输至監控终端。而无损融合则是以时间为序列而编码的数据信息予以全部保留并完成数据融合，WSN所属区域传感节点泛置仅以时域、空域特征相异标签而信息内容略同的数据，因此，以时空域为序列的拟定比例的数据选择与上传，这足以成为该时域内侦听数据的完整代表。

通常，依据数据融合的深度层级和时序将数据融合予以分类为数据级融合、特征级融合、决策级融合等三类。前者属于初级数据融合层次，用于融合初次采集到的原始数据，是将还未经预处理的原始数据予以分析，以集中式融合方式获得详尽感知数据。本级数据融合方式与所使用的传感器件特性密不可分，因此，通过与传感器件特性直接相关的数据融合和模式识别方式直接认定源传感节点的数据属性。同时，必须清楚一点，就是由于传感节点的场景限制，原始数据的感知必定存在的不稳定性，将直接导致数据级融合的容错率相对不高。中者属于中级数据融合层次，用于在融合出初次采集数据的极值、均值、方差等数据特征后，完成数据的综合分析和处理，确定带测目标的状态特征和特征融合[6]。本级数据融合方式采用分布式或集中式的数据融合方式，能够完成原始采集数据的压缩与整合，满足大规模WSN的组网需求，其数据融合足以表达传感节点的完整数据特征，成为数据需求方的决策数据基础。后者属于高级数据融合层次，用于融合高于中级数据融合层次的更高级别的数据融合操作，完成采集数据的本地化特征提取、识别或判断等基础任务，形成初步目标感知结论，在依靠关联数据协同完成决策级数据融合，实现最终感知研判结论。

4结束语

以概述WSN及数据融合为基础，分析了WSN数据融合的作用分类评价标准，阐述了WSN数据融合的现实存在价值和意义所在。

参考文献：

[1]邹平辉.无线传感器网络安全及数据融合技术研究[D].北京：北京交通大学，2018.

[2]于标，王月.动态无线传感器网络的设计与应用[J].自动化仪表，2018，39（10）：50-52，56.

[3]秦晓晶，李海富.基于Zigbee技术的井下人员定位系统的研究[J].长春大学学报，2012，22（2）：153-156.

[4]陈俊杰，倪培洲，许广富，腾达.基于递推最小二乘和改进支持度的WSN数据融合算法[J].测控技术，2019，38（2）：65-68，74.

[5]梁俊卿，赵建视，吕笑琳.基于邻里支持和神经网络的WSN数据融合算法研究[J].微电子学与计算机，2019，36（8）：87-91.

[6]余修武，刘琴，李向阳，等.基于改进蚁群的BP神经网络WSN数据融合算法[J].北京邮电大学学报，2018，41（4）：91-96.

收稿日期：2020-06-16

基金项目：甘肃省科学技术厅自然科学基金研究项目“甘肃省反恐维稳情报挖掘机制研究”（项目编号：18JR3RA191）。

作者简介：贾志城（1969-），男，汉族，河北正定人，硕士，副教授，主要研究方向：嵌入式系统、图像处理与信息安全防范。