基于神经网络的传感器网络数据融合技术研究
神经网络算法与无线传感器网络的关联研究
神经网络算法与无线传感器网络的关联研究无线传感器网络（Wireless Sensor Networks, WSN）是一种通过大量的分布在空间中的传感器节点收集、处理和传输数据的网络系统。
神经网络算法（Neural Network Algorithm）是一种模仿人类神经系统工作方式的计算模型，能够通过学习和训练来识别和预测模式。
这篇文章将探讨神经网络算法与无线传感器网络之间的关联研究。
首先，我们将介绍无线传感器网络的基本原理和神经网络算法的基本概念，然后讨论两者的结合应用以及研究中存在的挑战和解决方法。
无线传感器网络的关键组成部分是传感器节点，它们能够感知和采集周围环境的物理量。
传感器节点通常包含有限的计算和存储能力，因此需要一种高效的算法来处理数据。
神经网络算法是一种非常有效的数据处理方法，它能够学习和预测模式、优化决策和适应环境变化。
神经网络算法在无线传感器网络中的应用可以包括以下几个方面。
首先，神经网络算法可以用于传感器节点的负载均衡，通过数据预测和分析来选择节点上的任务分配，以实现资源的有效利用。
这可以减少能耗和延迟，并提高网络的性能。
其次，神经网络算法可以用于无线传感器网络中的数据压缩和聚合。
传感器节点通常会产生大量的数据，这些数据需要通过有限的网络带宽传输到中心节点进行处理和存储。
利用神经网络算法可以对数据进行压缩和聚合，减少数据的传输量，提高网络的效率。
此外，神经网络算法还可以用于无线传感器网络中的能量管理和优化。
由于传感器节点通常是由有限电池供电，能量管理是一个重要的问题。
神经网络算法可以通过学习和预测能量消耗模式，为节点提供能量管理策略，延长网络的寿命。
然而，在将神经网络算法与无线传感器网络结合应用时，也存在一些挑战和问题需要解决。
首先，传感器节点的计算和存储能力有限，因此需要设计轻量级的神经网络模型，以适应节点的硬件限制。
其次，传感器网络中的数据通常具有时空相关性，需要考虑这种相关性对神经网络算法的影响。
基于深度学习的多传感器智能融合方法研究
基于深度学习的多传感器智能融合方法研究深度学习作为一种人工神经网络的强大工具，正在逐渐成为人工智能领域的主流算法。
但是，单纯地使用深度学习模型往往会受到数据的不确定性、噪声等问题的影响。
因此，多传感器智能融合方法的研究也成为了近年来人工智能领域的热门话题。
多传感器智能融合方法主要是将来自多个传感器的信息进行合并，采用多个信息来源的综合分析和处理，提高系统的稳健性和可靠性。
在各种实际应用中，如智能驾驶、安防监控和机器人等，多传感器智能融合方法已经被广泛应用。
在多传感器融合方法中，深度学习算法可以发挥重要作用。
深度学习算法具有自适应性强、无需对数据进行特征提取等特点，能够较好地解决多传感器信息融合中的一些难点。
因此，在多传感器智能融合方法的研究中，深度学习算法的应用越来越受到研究者的关注。
在传感器信息融合过程中，常见的方法包括基于决策融合、特征融合和信息融合的模型融合。
其中，基于模型融合的方法是目前研究较多的一种方法。
模型融合方法是将多个不同的模型融合在一起，以提高模型的预测精度和鲁棒性。
模型融合方法中，深度学习算法的集成是其中的重要手段。
在深度学习模型集成中，较为常用的方法包括bagging、boosting和stacking等。
其中，bagging方法是一种基于模型平均的集成方法，将不同的深度学习模型平均起来以降低方差和提高精度。
boosting方法则是一种基于错误重分配的集成方法，将多个深度学习模型建立起来，通过加权平均等方式减少误差。
而stacking方法则是一种基于模型堆叠的集成方法，将多个不同的深度学习模型结合在一起，实现更加准确的预测。
在多传感器智能融合中，深度学习模型的结构也是一个重要问题。
通常，传感器信息融合的深度学习模型结构分为三种，即并行结构、串联结构和分层结构。
在并行结构中，每个传感器的信息都分别输入到不同的网络中进行处理，最后将它们融合在一起。
在串联结构中，各传感器的信息按顺序串联起来，作为模型的输入。
传感器网络中的数据融合技术
传感器网络中的数据融合技术在当今科技飞速发展的时代，传感器网络已经成为了获取和处理信息的重要手段。
传感器网络由大量分布在不同位置的传感器节点组成，这些节点能够感知周围环境的各种物理现象，如温度、湿度、压力、光照等，并将这些数据传输到中央处理单元。
然而，由于传感器网络中节点数量众多，且每个节点所采集的数据可能存在冗余和误差，如何有效地处理和融合这些数据，成为了一个关键的问题。
这就引出了我们今天要探讨的主题——传感器网络中的数据融合技术。
传感器网络中的数据融合，简单来说，就是将来自多个传感器的数据进行综合处理，以获得更准确、更完整和更有用的信息。
为什么我们需要进行数据融合呢？想象一下，如果每个传感器都独立地将其采集到的数据直接传输到处理中心，那么将会产生大量的冗余数据，这不仅会增加网络的通信负担，还可能导致处理中心的计算资源紧张。
而且，由于传感器本身可能存在误差或受到环境干扰，单独依靠某一个传感器的数据可能无法准确反映真实的情况。
通过数据融合，我们可以综合多个传感器的数据，相互补充和验证，从而提高数据的质量和可靠性。
数据融合技术可以在传感器网络的不同层次上进行。
在数据采集层，传感器节点可以对其采集到的原始数据进行本地处理和融合，例如去除明显的噪声和异常值。
在数据传输层，中间节点可以对来自多个相邻节点的数据进行融合，减少需要传输的数据量。
在数据处理层，中央处理单元可以对接收的来自整个网络的数据进行综合分析和融合，提取出有价值的信息。
在数据融合的过程中，有多种方法可以使用。
一种常见的方法是基于统计的融合。
例如，我们可以计算多个传感器数据的平均值、中位数或方差等统计量，来代表融合后的结果。
这种方法简单直观，但对于数据分布的假设较为严格。
另一种方法是基于决策的融合，每个传感器根据其采集到的数据做出一个初步的决策，然后通过某种决策规则（如多数表决、加权表决等）将这些决策进行融合。
还有基于神经网络的融合方法，利用神经网络的强大学习能力和非线性映射能力，对多传感器数据进行融合。
基于神经网络的压力传感器数据融合
Ａ ｓ ａｔ ￣ａｓ ｒ ｓｒ ＰＳＹｓ ｂｔ ｃ：ｇ ｃＬｅ ｅ ｕｅＳ ￣ ｒ ｌｐｓ ＪＯ ｉ
．
ｅ ｙｎ ｎｏｊ ｔ ｎｐｒｍｅｅ ｅａｐｉ ｔ ｎ ． ｅｏｔｕ ｄ ｒ 一 ｄｂ ｏ —ｂｅ ｉ ａａ ｔｒｎｔ ｐ ｌａｉ ｓｔ ｕｐ ｔ ｐｅ ｃｏ ｉ ｈ ｃ ｏ ｈ ｓ
１ 神经 网络 训 练样本 库 的建 立
１ １ 获取 样 本数 据
压力 数值不变 的情况下， 工作 温度 ｔ 变化 以及供 电电源波动ｙ 设 ｙ为电流波动系数） （ 都将 引起传感 器输 出电压 ［ 发生变化， 』 即该压力传感器除受 目标
参 量 的影 响外 ， 受 两个非 目标 参量 ｔ ｙ影 响 ， 还 和
ｙ。 ）在数据测试 中， 同时采用压力传感器 、 温度传感 器、 电流传感器， 温度传感 器测试压力传感器的工作 温度 ， 电流传感器测试电源 的波动系数 ｙ 在不同工 。 作温度 ｔ２ ， ，０ ， （０ ４ ６ ℃） 电流波动系数分别为（％， ０ ３
一
１ ， ％） ％ 一３ 条件下 ， ｃ Ｊ１ １ 对 Ｙ 一０ 型压力传感器 的
ｆｅｉｎｂ ｓｄ ｏ ｅ ｒｌ ｅｗｏｋ ｄ ｔ ｕｉｎ ｉ ｌ ｓｂｅ ｅ ｔ ａｅ ｎｎ ｕａ ｔ ｒ ａａｆｓ ｅ ｉｌ． ｏ ｎ ｏ Ｓ ａ
Ｋｅ ｒ ｓ ｐ ｅｓ ｒ ｅ ｓ ｒ ｅ ｔａ ｅ ｗｏ ｋ；ｄ ｔ ｕ ｉｎ ｙｗｏ ｄ ： ｒ ｓｕ ｅ ｓ ｎ ｏ ；ｎ ｕ ｒ ｌｎ ｔ ｒ ａａ ｆ ｓｏ
维普资讯
２ ０ 年 第 ２ 卷 第 ４期 ０２ Ｌ
传感器技术 （ｏ ｒａ ｏ ｒ ｓｕｅ ｃ ｎ ｌ ｙ Ｊｕｎｌ ｆ ａ ｄｃｒ ｈ ｏｏ ） Ｔｎ Ｔｅ ｇ
鞭 霹
基 于神 经 网络 的压 力 传 感器 数 据 融 合
无线传感器网络中的数据融合算法研究
无线传感器网络中的数据融合算法研究一、引言随着物联网的发展和智能化的推进，无线传感器网络（Wireless Sensor Networks, WSN）逐渐成为了一个重要的研究领域。
在无线传感器网络中，每一个节点都可以进行数据采集和传输，而数据融合算法则是将多个节点采集的数据进行整合，实现更加准确的分析和预测。
因此，数据融合算法在无线传感器网络中有着重要的应用价值和研究意义。
二、数据融合算法的基本概念数据融合算法是指将来自多个传感器节点的数据进行整合，提取有用信息并进行合理的处理，得出更加准确的结果的一种算法。
它是通过多个传感器节点之间的协同合作，对目标进行全面感知和理解，提高系统的可靠性和有效性。
常见的数据融合算法有以下几种：1.加权平均法：将不同传感器节点采集的数据简单地加权平均，得到综合结果；2.模糊逻辑法：将多个传感器节点采集到的数据通过模糊逻辑处理，得到模糊度较低的综合结果；3.神经网络法：将多个传感器节点采集的数据作为神经网络的输入，通过神经网络模型进行训练，得到更加准确的综合结果；4.小波变换法：通过小波分析对多个传感器节点采集到的数据进行处理，得到更加准确的综合结果。
三、数据融合算法在无线传感器网络中的应用1.环境监测无线传感器网络可以应用于环境监测领域，对大气、水质等多个方面进行同时监测。
传感器节点采集到的数据需要进行数据融合，得到更加准确的结果。
例如，监测空气质量时，可以将不同节点采集到的数据进行综合分析，以确定环境质量是否达到标准。
2.智能交通无线传感器网络可以应用于智能交通领域中，进行路况监测、车辆跟踪等。
多个传感器节点可以对车辆进行多角度的监测，采集到的数据需要通过数据融合算法进行整合。
例如，在智能交通信号管理系统中，可以对不同节点采集的车流量、车速等信息进行融合，最终得到更加准确的信号控制策略。
3.智能建筑无线传感器网络可以应用于智能建筑领域中，监测建筑物的温度、湿度、光照等多个参数。
BP神经网络在多传感器数据融合中的应用
BP神经网络在多传感器数据融合中的应用摘要：提出一种基于多传感器神经网络融合的机动目标估计算法，利用BP 神经网络的函数逼近能力，将BP神经网络与卡尔曼滤波器相结合构成一个估计器，该算法可以对来自经不同噪声污染的传感器信息加以充分利用，在改善估计性能的同时又保持估计滤波的计算结构尽可能简单。
仿真结果表明所提出的估计滤波算法在估计应用上优于一般的加权估计算法，提高了估计算法的精度。
关键词：BP神经网络卡尔曼滤波数据融合一、引言数据融合是指对来自多个传感器的信息进行融合，也可以将来自多个传感器的信息和人机界面的观测事实进行信息融(这种融合通常是决策级融合)。
提取征兆信息，在推理机作用下．将征兆与知识库中的知识匹配，做出故障诊断决策，提供给用户。
在基于信息融合的故障诊断系统中可以加入自学习模块．故障决策经自学习模块反馈给知识库．并对相应的置信度因子进行修改，更新知识库。
同时．自学习模块能根据知识库中的知识和用户对系统提问的动态应答进行推理。
以获得新知识。
总结新经验，不断扩充知识库，实现专家系统的自学习功能。
多传感器数据融合是20世纪70年代以来发展起来的一门新兴边缘学科，目前已经成为备受人们关注的热门领域。
多传感器数据融合是一门新兴技术，在军事和非军事领域中都碍到了广泛应用、多传感器数据融合技术汲取了人工智能、模式识别、统计估计等多门学科的相关技术，计算机技术的快速发展以及数据融合技术的成熟为数据融合的广泛应用提供了基础。
多传感器信息融合状态估计是多传感器信息融合学科的一个重要分支。
多传感器数据融合的基本原理就像是人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。
目前有两种常用的信息融合方法：一种方法是状态融合方法，另一种方法是观测融合方法。
状态融合方法又可分为集中式kalman滤波[1]和分散式kalman滤波。
基于机器学习的多传感器数据融合技术研究与应用
基于机器学习的多传感器数据融合技术研究与应用在当今数字化时代，传感器技术的快速发展为我们提供了大量的数据，然而如何从这些数据中提取有用的信息一直是一个挑战。
机器学习的出现为我们解决这一问题提供了有效的方法，而将多个传感器的数据融合起来，进一步提高了数据分析的准确性和可靠性。
本文将探讨基于机器学习的多传感器数据融合技术的研究与应用。
传感器是一种能够感知环境变化并将其转换为可量化信号的设备。
不同类型的传感器可以测量各种物理量，例如温度、湿度、光照、气压等。
然而，单一传感器的数据可能受到噪声、不确定性和局限性的影响，限制了其在实际应用中的准确性和可靠性。
因此，将多个传感器的数据融合起来变得至关重要。
多传感器数据融合技术旨在将来自不同传感器的数据相互结合，通过建立数学模型和算法，提取更为全面和准确的信息。
机器学习作为一种从数据中自动学习模式和规律的方法，为多传感器数据融合提供了有效的手段。
通过使用机器学习算法，我们可以将不同传感器的数据进行整合和优化，从而提高数据分析的质量和能力。
在多传感器数据融合技术的研究中，常用的机器学习算法包括神经网络、贝叶斯网络、支持向量机和随机森林等。
神经网络是一种模仿人脑神经元之间连接方式的算法，通过训练神经网络模型来实现数据的分类和预测。
贝叶斯网络利用贝叶斯定理和概率图模型，可以对不同传感器的数据进行概率推理。
支持向量机是一种二分类模型，通过在高维特征空间中寻找最优超平面来实现数据分类。
随机森林是一种集成学习方法，通过构建多个决策树并对结果进行统计投票来实现数据分类和回归。
通过运用这些机器学习算法，我们可以在多传感器数据融合中解决一系列实际问题。
例如，在环境监测领域，我们可以将来自多个传感器的温度、湿度和空气质量数据进行融合，以实现对空气污染程度的准确评估。
在智能交通系统中，我们可以将来自不同传感器的交通流量、车速和路况数据相结合，以提供更准确的交通监测和预测。
在无人驾驶汽车领域，多传感器数据融合可以将来自相机、激光雷达和雷达等传感器的数据结合起来，实现对周围环境的感知和决策。
基于神经网络的多传感器信息融合及其在机器人中的应用
if ie d th
ffe
t
iv
e n e s s
o
f th
e
p
r o
o s e
pp
e
r o a c
h
．
K
y
w
o r
d
s ：M u
lt i
—
s e n s o r
in fo
r m
a
t
io
n
f
u s
io
n
；N
e u r a
l
n e
t
w
o r
k ；M
o
b ile
r o
b
o
t
；
O b
s
t
a c
le
a v o
027 03
—
人 工 神经 网络方法是 理 方法
一
一
种 仿 效 生 物 神 经 系 统 的信 息 §
j
。
个 神 经 网 络 包 括 以各 种 方 式 联 接 的 多层 处 理
，
一
、
引言
．
元
u
。
神 经 网络对 输 入 的数据进行 非线性变换 从而 完成 了i
。
近 年来
F
u s
多 传 感 器 信 息 融 合 (M
，
一
个系统这
特 定 问题
、
种信息处 理 新方法
．
又 被 称 作 多元 关 联
．
多元 合
不 用建 立 系统精确 的数学模型 非{ 形 式 便 于 建立 知识 库；
，
，
成
、
多 传 感 器 混 合 或 多 传 感 器 融 合 但 更 广 泛 的 说 法 是 多传
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
决 策可以经 自学 习模 块 总结新 经验 ， 馈给 知识 库 ， 对相 反 并
出 进行计算 ；
ｕ＝∑ ｊ 一
１
＝
（） １
（） ２
， ） （
４对Ｂ ） Ｐ神 经网络的输出层各神经元 的输入 ｚ和输 出 Ｙ
进行计算法 ， 即
应 的因子进行修改 ， 断扩充 知识 库 ， 同时 自学 习模 块 能 不 在
结果 表明了本文提 出的算法 的有效性和 实用性 ， 节约 了数 据 融合的能量 。
输入节点ｉ 隐藏层节点ｊ 输出层节点ｋ
图１ Ｂ Ｐ神经 网络结构模型
来 的连接通路 ， 而是 与原来 的通 络相 反 的方 向， 并在 这个过
程 中不断调整 各神经元 的权 重 ， 来达 到使 均方值 误差 最小 。
６ ＝ （ 一Ｙ） １一Ｙ） ｃ Ｙ（ （） ５
２ 对传感器 的输 出离散的或连续 的时间函数 、 ） 图像数据 或一个直 接的说明属性的数据进行 特征 的提 取 ， 并把 它定义
为特征矢 量 Ｙ ； ；
其 中 ， 表示 样本的期望值 。 ｃ ６对 Ｂ ） Ｐ神 经网络的权值 误差 ６［ ， 进行计 算 ， 是接 到 中 间层 神经单元 上 ， 即
一
行数据融合技 术来 达 到高效 率 的传 输 网络 ， 像是 在应 用层 ， 可 以进行 最简单融合 ， 采集 的数据 进行筛 选 ； 对 在数 据链 路
层 ， 以结合特征级 的融合 ， ＭＡ 可 对 Ｃ层 的发送 冲突和头部 开 销减 少。当然 只有对着 应用需 求 的设计 无线传 感器 网络 的
３ 各传感器关 于 目标 的说明的完成 ， ） 是通过对特 征矢量
Ｙ 进行模式识别 ， ｉ 然后按 同一 目标来关联 分组 ； ４ 将每一 目标各 传感器 数据 利用 融合算 法进 行合 成来 ）
中 图分 类 号 ：ຫໍສະໝຸດ ９ Ｔ３ １ 文献 标 识 码 ： Ａ
Ｓ ｎ ｏ ｔ ｒ ｓ ｄ ｏ ｕ ａ ｔ ｒ ｔ ｕ ｉｎ Ｔｅ ｈ ｏ ｏ ｙ ｅ ｓ ｒ Ｎｅ ｗｏ ｋ Ｂａ ｅ ｎ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ｄａ ａ Ｆ ｓｏ ｃ ｎ ｌ ｇ
ＺＨＯＵ ａ —ｍｉ ｇ， ＩＲｏ ｇ—ｈ ｉ Ｇｕ ｎ ｎ Ｌ ｎ ｕ （ｉ ａ ｏａｏ ａ ａ ｄＴ ｃｎｃｌ ｏｌ ｅｏ ｆ ｍａｏ ｎｉｅｒ ｇ Ｊ ｕｎＨ ｎｎ４ ４ ５ ，Ｃ ｉａ Ｊ ｕ ｎＶ ｃｔｎｌ ｎ ｅｈ ｉ ｌｇ ｆ ｎ ｒ ｔ ｎＥ ｇｎｅ ｎ ， ｉ ａ ｅａ ５６ ０ ｈｎ ） ｙ ｉ ａＣ ｅ Ｉｏ ｉ ｉ ｙ
ｇｒｈ ｅｄｐｅｉ ｂｅｔ ｏｅ， ｎ ｉｉ ｌｔ ｅｔ ｌ ｈａｍ ｄｌｏ ｏ ｐｅ ｉ ａ ｏｓ ｎ ｔｅ ｉ ｕ ｓ ｏｉ ｍｓ ｅ ｒｃｓ ｏｊ ｄｌ ａ ｄｉｉ ｄｆｃ ｔｏ ｓ ｂｉ ｏｅ ｆｒ ｍ ｌ ｓ ｕｔ ｎ ｄｏ ｒ ｓ ｅ．Ａ ｔ ｎ ｅ ｃｍ ｔｓ ｕ ａ ｓ ｃ ｘ ｔ ｉ ａ ｈ ｓ
ｖ ｃ ｏ ，ｃ ｎ ｅ ｅ ｔ ｒａ ｄ ｃ ｎ ｅ ｅ ｔｒｏ ｅ ｄ ｓ ｎ ｅ ｈ ａｕ ｆｎ ｔ ｒ ｅｇ ｔ ｒ ｅ ｅ ｉ ｅ ．Ｆ ｎ ｌ ，ｓｍｕ ｅ ｔｒ ｅ ｔ ｒｖ ｃｏ ｎ ｅ ｔ ｒｖ ｃｏ ｆ ｈ ｉｔ ｃ ，ｔ ｅｖ ｌ ｅｏ ｅｗｏ ｋ ｗ ｉｈ ｓｗｅｅ ｄ ｔｒ ｎ ｄ ｔ ａ ｍ ｉ ａｌ ｙ ｉ — ｌ ｔ ｎ ｒ ｓ ｌ ｈ ｗ ｔ ａ ｏ ａ ｅ ｈ ａ ｇ ｈ ｏ ｇ ａ ａ ｆ ｓ ｎ ｗ ｔ ｏ ａｉ ｅ ｕ ｔ ｓ ｏ ｈ ｔｃ ｍｐ ｒ ｄ ｔ ｅ ｄ ｍａ ｅ ｔｒ ｕ ｈ ｄ ｔ ｕ ｉ ｉ ｎ ｎ—ｄ ｓ ｃｉｅ ｄ ｔ ｕ ｉｎ，Ｂ ｅ ｒ ｌｎ ｔ ｏ ｓ ｏ ｈ ｅ ｔ ｔ ａａ ｆ ｓ ｕ ｒ ｖ ｏ Ｐ ｎ ｕ ａ ｅ— ｗｏ ｋ ｃ ｎ ｏ ｔｉ ｎ ｕ —ｏ ｔ ｕ ｔｂ ｌ ｙ ，ａ ｄ ｉ ａ ｆ ｃｉｅ ｄ ｔ ｓｏ ｔ ｏ ． ｒ ａ ｂ ａ ｎ ｉ ｐ ｔ ｕ ｐ ｔｓ ｉ ｔ ａ ｉ ｎ ｓ ｌ ｅ ｅ ｔ ａａ ｆ ｉ ｎ ｍｅｈ ｄ ｌ ｖ ｕ ＫＥＹＷ ＯＲＤＳ：Ｄ ｔ ｓ ｎ；Ｎｅ ｒ ｅ ｏ ｋ ｅ ｓ ｒｎ ｔ ｒ ｓ ａａｆ ｉ ｕ ｏ ｕ ａ ｎ ｔ ｒ ；Ｓ ｎ ｏ ｅｗｏ ｋ ｌ ｗ
无线传感器 网络 环境 当 中 ， 并不 需要 这 些原 始 的冗 余 的数
据， 而是在更 多的时候 只需要 监测 的结果 ， 这样不 仅降 低信 息 的采集效率 ， 同时及 时性得 不 到提高 ， 然这种 方法 不是 显 很合适 的… 。针对 上述 的情况 ， 数据 融合是处理 该类 问题 的
ｉ ｉ ｆ ｔ ｂ ｔ ｄ ｔ ｉ ｅｄｔ ａｅｗ ｒ ｅｔ ｃ ｄａ ｅｎｔｏｋｉ ｕ ｖ ｕ ｓ ａｄｔｅ ， ｙａｊｓｎ ｅｉ ｕ ｓｃ ｏ ａ ｒ ｕｅ ａ ｔ ａａ ｓ ｅｅ ｘ ａｔ ｓｔ ｅｗ ｒ ｐ ｔ ａ ｅ ， ｎ ｈｎ ｂ ｄｕｔ ｇｔ ｎ ｔ ｔｓ ｔ ｉ ａｎ ｈ ｂ ｒ ｅ ｈ ｎ ｌ ｉ ｈ ｐ
摘要 ： 研究传感器网络数据融合优 化问题 ， 由于采集数据过程各节点汇集存在大量的冗余 信息 ， 需通过 融合 ， 提高采集效 率。
针对传统 的数据融合算法需要获得对 象 比较精确 的数学模型 ， 对于复杂难 于建立模型 的场 合无法适用 。为解 决上述 问题 ，
提 出了一种 Ｂ 神经 网络传感器网络数据融合方法 ， Ｐ 可对对 象的先验要 求不高 ， 有较强 的 自适应能 力。首先建 立三层 网 具 络结构 ， 接着提取数据库中属性数据的特征值并作 为网络 的输入 ， 然后通过调节 输入 向量 与中心向量 的距 离及中心 向量 的
息进行一 些 处理 ， 而得 出更 高 效 、 满 足 用户 需 求 的数 从 更
据 Ｊ 。根据融合操作的级别可 以划分成数据级融合 、 特征 级融合 和决策级融合三种融合 ， 这里分别 一一的 阐述 在
一
下： 最简单的融合是 数据级 融合 ， 般是 指仅依 赖 于传感 一
器采集 的数据融合 。较高级 的是特 征级融合 ， 是指 提取一些 反映事物属性 的特征 向量进 行融 合 ， 主要 面 向的是 监 测对 象 。决策级融合是 最高级的融合 ， 是根 据实际 的应 用需求来 进行 的决策 。无线 传感 器 网络 可 以在 网络的各 个协 议层 进
那什么是数据 融合 呢？这里指 的是 对许 多 的数 据 或信
１ 引言
由于传统的信息 收集 大多数是 由大量传感 器 节点构 成 的无 线传感器网络来达到监视 目标 和感 应环境 的 目地 ， 但是 这种采用单个节点来 单独传 输数 据到 汇聚 节点 的方法 在信 息采集的过程 中会 造成 网络 中 出现 大量 的冗余 信息 ， 来 带 了大量的通信带宽和宝贵 的能量资 源的浪费 ， 并且在 大多数
数 据融合技术 ， 才能被广泛 的应用 。
种很好 的有效手段 。
收稿 日 ： １ — ２ ２ 修 回日期 ： １ — ５ １ 期 ２ １ ０—５ ０ ２ １ ０ —０ ０
—
目前许多学者 提 出了很 多传感 网数据 融合 算 法 ， Ｄ—ｓ
１８ 一 １
方法 和贝叶斯算法 作 为一种 重要 的处理不 确定 性 问题 的数据融合方法 ， 已经 广泛 应用 于各 种数据 融合 系统 中 ， 但 是该 方法主要是依靠 自身 的传感 器 的采集 ， 这种 方法融合 精 度不高 ， 具有一 定的不确定性等 ，Ｐ神经 网络算法 是一种 层 Ｂ 式的监督式 的学 习算 法 ， 每一层 Ｂ Ｐ神经元 只监 督 它对应 的 下一 层神经元的状态 ， 来达到 网络 的实际输 出值 与期望输 出 值 的均方值误 差最 小 。本 文充 分 利用 了 Ｂ Ｐ神经 网络 的优 点， 主要研究 了传感 网络数 据融 合方 法 ， 出了一种 改进 的 提 基于 Ｂ Ｐ神经 网络算法 在传感 网络数 据融合 中应 用 ， 依据 不 同的融合 目标对传感器信息进行选 择过 滤和优化处 理 ， 真 仿
根据 已有的知识对用户提 出的问题进行 动态应答和推理 。
ｚ＝∑ 一
１
（） ３
（） ４
传感 器数据融合根据有浅及深 的原 则描述如下 ： １ Ｎ个 不同的有 源或无 源类 型 的传感 器观 测收集 目标 ）
数据 ；
） ，
５对 Ｂ ） Ｐ神经网络的连接到输出层神经单 元 ｔ 的权值 上 误 差 进行计算 ， 即
值确定 网络权值 ， 最后对数据进行有效融合 ， 真结果 表明， 仿 通过对有损数据融合 ， 无损数据 融合相 比较 ， 出采用 Ｂ 得 Ｐ神 经 网络对传感器数据进行融合处 理 ， 出输入稳定 简单 ， 输 是一种有效的数据融合处理方法。 关键词 ： 数据融合 ； 神经网络 ； 传感器 网络
第 ８ 第１期 ２卷 ０
文章编号 ：０ ６—９ ４ （０ １ １ ０ １ １０ ３ ８ ２ １ ）０— １８—０ ３
计
算
机
仿
真
２１ Ｏ ０ 年１月 １
基 于神 经 网络 的传 感 器 网络 数 据 融合 技 术 研 究
周观 民 ， 荣会 李
（ 济源职业技术学院信息工程系 ， 河南 济源 ４ ４ ５ ） ５ ６ ０
３ 采用如下 的公式 对 中间层 各神经元 的输入 和输 ） 。
将来 自多个人机界 面 的观测事 实 ， 推理机 作用 下 ， 在 提取 征 兆信息 ， 并且将 这些征 兆与 知识库 中的知识 进行 匹配 ， 而 从 做 出故障的诊断和决 策 ， 以提供 给用 户 ， 可 进行 一场 决策 级 的融 合 ， 同时还 可以在这个基于信息融 合的故 障诊 断系统 中 系统中加入 自学 习模 块 ， 现专 家系统 的 自学 习功能 ， 障 实 故