无线传感网络数据融合算法的研究_王康
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、引言如今，随着科技的不断发展，无线传感器网络（Wireless Sensor Networks, WSN）在各个领域得到了广泛的应用。
WSN由大量分布在空间中的传感器节点组成，可以感知环境中的物理信息，并将其传输到中心节点进行处理和分析。
然而，由于传感器节点的资源受限，传输带宽和能量都是宝贵的资源，因此在传输数据时需要进行数据融合，以减少数据冗余和能量消耗。
二、传感器数据融合算法传感器数据融合算法是无线传感器网络中的核心问题之一。
其目标是利用分布在网络中的多个传感器节点收集的信息，通过合理的算法将这些信息进行整合和推理，从而得出更精确和可靠的结果。
常用的数据融合算法包括卡尔曼滤波算法、最小均方误差估计算法、粒子滤波算法等。
1. 卡尔曼滤波算法卡尔曼滤波算法是一种适用于线性系统的最优估计算法。
该算法通过将当前时刻的观测量与先验估计进行线性加权，得到后验估计，并通过迭代计算来逐步优化估计结果。
卡尔曼滤波算法在无线传感器网络中广泛应用于状态估计、目标跟踪等方面，具有较好的性能。
2. 最小均方误差估计算法最小均方误差估计算法（Minimum Mean Square Estimation, MMSE）是一种通过最小化估计值与真实值之间的均方误差来进行数据融合的算法。
该算法在处理非线性系统时较为有效，并且可以通过建立合理的状态空间模型来优化估计结果。
3. 粒子滤波算法粒子滤波算法（Particle Filter）是一种基于蒙特卡洛方法的非线性系统状态估计算法。
该算法通过引入一组粒子来表示系统的状态，并通过随机抽样和权重更新来逐步优化估计结果。
粒子滤波算法可以较好地处理非线性系统和非高斯噪声，并在目标跟踪、机器人定位等领域发挥了重要作用。
三、数据融合算法的应用与挑战在实际应用中，数据融合算法在无线传感器网络中起到了至关重要的作用。
例如，在环境监测中，通过将多个传感器节点收集到的温度、湿度、大气压力等信息进行融合，可以得到准确的环境状况；在智能交通系统中，通过融合多个传感器节点收集到的实时车流量、道路状态等信息，可以实现交通拥堵预测和优化交通调度等功能。
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无线传感器网络（Wireless Sensor Network, WSN）是一种由大量分布式传感器节点组成的网络系统，用于收集、处理和传输环境中的信息。
在实际应用中，为了最有效地利用有限的资源，降低传感器节点的能耗，数据融合算法成为了十分关键的研究方向。
本文将探讨无线传感器网络中的数据融合算法研究以及其在实际应用中的潜力。
一、数据融合算法的意义在无线传感器网络中，大量的传感器节点同时收集环境中的信息，并将这些数据传输到基站节点。
然而，由于传感器节点有限的能量和计算能力，传输海量的原始数据会造成能耗的剧增。
此外，也会给网络带宽和存储资源带来极大的压力。
因此，通过数据融合算法，在传感器节点中对采集的数据进行压缩、处理和分析，从而有效减少数据的冗余性，降低能耗，提高网络的性能。
二、数据融合算法的分类数据融合算法广泛应用于多个领域，例如军事侦察、环境监测和智能交通。
根据数据融合算法的不同特点和应用场景，可以将其分为静态数据融合算法和动态数据融合算法。
1. 静态数据融合算法静态数据融合算法主要基于批处理的方式进行数据融合，通过收集一段时间内的数据，并进行离线处理。
其中包括基于统计模型的数据融合算法、基于信息论的数据融合算法和基于多源数据融合的算法。
这些算法主要通过指标的计算和分类算法进行数据的融合和决策。
2. 动态数据融合算法相比于静态数据融合算法，动态数据融合算法更加适用于实时应用场景。
动态数据融合算法主要通过模型的更新和状态的预测，对实时数据进行处理和融合。
例如，基于卡尔曼滤波的数据融合算法可以通过多个传感器的测量值和系统模型，对未来的状态进行预测和估计。
三、数据融合算法的应用数据融合算法在诸多领域中都有广泛的应用。
1. 环境监测无线传感器网络在环境监测中发挥着关键的作用。
通过布置在特定区域的传感器节点，可以实时收集大量的环境信息，例如温度、湿度和空气质量等。
数据融合算法可以对这些数据进行处理和分析，提供准确的环境监测结果。
无线传感器网络中数据融合算法研究
无线传感器网络中数据融合算法研究近年来，随着科技的快速发展，无线传感器网络（Wireless Sensor Network，WSN）逐渐被应用于各种领域。
WSN是由大量节点组成的网络，每个节点都可以采集和传输环境中的数据。
然而，由于节点数量众多、通信带宽有限等原因，数据的处理和传输成为了一个难点。
数据融合算法便应运而生，成为了解决这一问题的重要工具。
一、数据融合算法的概念及意义数据融合算法是指将来自多个源的数据进行集成和分析的过程，以得出更准确、更可靠、更全面的结果。
在WSN中，数据融合算法的主要目的是提高数据的精度和可靠性，减少数据的冗余和误差，从而更好地满足用户的需求。
数据融合算法的意义不言而喻。
首先，它可以节省能源和带宽资源。
由于WSN的节点数量众多，传输数据需要消耗大量的电能和带宽资源。
而进行数据融合可以大大减少数据量，从而节省能源和带宽资源。
其次，它可以提高数据的准确性。
由于节点之间存在交叉干扰和信噪比低等问题，单一节点采集到的数据可能存在一定的误差。
而进行数据融合可以通过多方面的信息获取，从而得出更加准确和可靠的数据。
最后，它可以增强网络的鲁棒性。
由于WSN可能存在节点故障、通信链路中断等问题，数据融合可以通过多路径传输，从而增强网络的鲁棒性。
二、数据融合算法的分类数据融合算法主要分为分布式融合和集中式融合两种。
前者指的是将数据处理和融合操作分布在各个节点上，后者则是将数据集中在基站进行处理和融合。
分布式融合算法具有优秀的可扩展性和灵活性。
由于节点可以相互通信、合作和协调，因此可以整合更多来源的信息，从而得到更加准确和可靠的结果。
但是，分布式融合算法也存在一定的局限性。
由于节点之间可能存在信噪比差异、处理能力差异等问题，因此难以保证算法的准确性和鲁棒性。
集中式融合算法则具有更强的计算能力和处理能力。
由于集中在基站进行数据处理和融合，因此可以有效避免节点之间的干扰和误差，提高算法的准确性和鲁棒性。
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。
无线传感器网络中的数据融合与信息提取技术研究
无线传感器网络中的数据融合与信息提取技术研究无线传感器网络（Wireless Sensor Networks，简称WSN）是一种由大量分布式、自组织的传感器节点组成的网络。
这些传感器节点可以通过无线通信协作，实现对环境中各种参数的感知和数据采集。
然而，由于无线传感器节点资源有限、能量消耗高等问题，如何有效地进行数据融合与信息提取成为了无线传感器网络中的重要研究方向。
一、数据融合技术的研究数据融合是指将来自多个传感器节点的数据进行整合和合并，得到更准确、全面的环境信息。
在无线传感器网络中，传感器节点往往分布在不同的位置，监测不同的参数。
因此，数据融合技术能够综合各个节点的数据，避免数据冗余和重复采样，并减少网络中数据传输量，从而降低能量消耗。
1. 数据融合的方法数据融合的方法可以分为集中式和分布式两种。
集中式数据融合方法是通过一个中心节点来汇集和处理所有传感器节点的数据，然后发送给用户端。
这种方法可以提高数据处理的效率，但同时也存在单点故障和传输延迟大的问题。
分布式数据融合方法则是在网络中的每个节点上进行数据融合，并将融合后的数据传输给用户端。
这种方法可以提高数据的实时性和可靠性，但会增加节点之间的通信量。
2. 数据融合的算法在数据融合的过程中，需要运用一定的算法来综合各个节点的数据。
常用的数据融合算法包括加权平均法、最大似然估计法、卡尔曼滤波法等。
加权平均法是将不同传感器节点的测量值进行加权平均，权值可以根据节点的质量进行确定。
最大似然估计法是通过统计学原理来估计参数的最大似然值，从而提高数据估计的准确性。
卡尔曼滤波法则是运用状态空间模型和贝叶斯滤波原理，将预测值和观测值进行融合，从而得到更准确的估计值。
二、信息提取技术的研究信息提取是指从数据融合后的结果中提取出用户所关心的信息。
在无线传感器网络中，环境参数往往较多，用户只关心某些特定的信息。
因此，如何从海量的数据中提取所需的信息，成为了无线传感器网络中的挑战。
无线传感器网络数据融合算法的研究的开题报告
无线传感器网络数据融合算法的研究的开题报告一、选题背景近年来，无线传感器网络已成为研究热点之一。
无线传感器网络（Wireless Sensor Networks, WSN）是由大量的微型传感器节点组成的分布式自组织的网络，具有低成本、低功耗和分布式等特点，可广泛应用于环境监测、安防监控、医疗保健等领域。
随着无线传感器网络的不断普及和应用，越来越多的传感器数据需要进行融合处理以达到更高效的应用效果。
因此，对于无线传感器网络数据融合算法的研究和开发已经成为一个重要的研究方向。
二、研究目的本课题的研究目的是设计和实现一种高效、准确的数据融合算法，以提高无线传感器网络的数据处理效率和精度，做到实时监测和控制。
具体来说，本课题将研究以下内容：1. 分析目前常见的数据融合算法及其优缺点，确定适合本项目的算法。
2. 针对本项目的实际需求和应用环境，设计适合的数据融合算法模型。
3. 实现设计的数据融合算法，并进行测试和评估，以验证其效果和可行性。
三、研究内容1. 数据融合算法的相关理论探讨：对数据融合的概念、研究现状、应用场景和方法进行分析和总结，确定本项目所需要的数据融合算法模型。
2. 数据融合算法的设计与实现：根据需求，设计适合的数据融合算法模型，结合各种传感器数据的特点，采用合适的数据融合方法进行实现。
3. 算法实验和结果分析：将设计的数据融合算法实现在无线传感器网络平台上，进行测试和评估，并对结果进行分析和比较，验证算法的效果和可行性。
四、研究意义设计和实现高效、准确的数据融合算法，对于提高无线传感器网络的数据处理效率和精度具有重要作用。
针对不同的应用环境和需求，选择适合的数据融合算法模型，有利于优化资源的利用和提高网络的可靠性，具有广泛的应用前景。
因此，本课题的研究意义在于：1. 探索无线传感器网络数据融合算法的理论和方法，促进传感器数据的高效利用和处理。
2. 为无线传感器网络的实时监测和控制提供重要的技术支持，提高网络的可靠性和效率。
无线传感网络中的数据融合算法研究
无线传感网络中的数据融合算法研究无线传感网络（WSN）是一种新兴的技术，它可以实现自组织、自适应、自修复等功能。
WSN应用广泛，例如环境监测、无人机控制、医疗监护等领域。
由于WSN中的节点数量巨大，节点之间的通信距离有限，且节点能量限制较为严格，因此必须采用有效的数据融合算法降低数据冗余，减少能量消耗，提高网络传输效率。
数据融合（data fusion）指的是将各个源的数据（sensor data）通过适当的算法整合起来，产生有用的信息（information），以满足特定的应用需求。
WSN中的数据融合算法需要考虑数据精度、能耗、延迟等因素，因此研究数据融合算法是提高WSN性能和扩展应用的重要途径。
首先，WSN中的数据融合算法可以分为两类：分布式融合和集中式融合。
前者分布式处理数据，在节点内部进行数据融合，后者则是将数据传输到中心节点进行融合处理。
分布式融合算法主要包括最小均方误差算法、概率融合算法、卡尔曼滤波算法等。
集中式融合算法主要有簇头算法、最小方差融合算法、贪心算法等。
分布式融合算法的优点在于减少了数据传输量，节约了网络资源，降低了网络能耗，但在精度上稍逊；集中式融合算法精度更高，但能耗高，传输延迟较大。
以最小均方误差算法为例，该算法根据最小化均方误差的原则，将同一时刻不同节点采集到的数据加权平均，取得更加准确的测量值。
概率融合算法则根据贝叶斯公式将不同节点的数据信息融合，得到更加精确的概率；卡尔曼滤波算法通过根据先验和后验相对于特定的序列的概率分布来计算状态估计的最优输出。
其中，概率融合算法的融合结果对节点间通信质量敏感，当传输过程中丢失大量数据时，融合结果会明显下降。
其次，数据融合算法可以基于网络拓扑结构建立模型。
拓扑结构是指节点之间的连接关系，包括单向、双向、父子、兄弟等。
按照拓扑结构建模将有利于分析节点数据间的关系和交互方式。
基于这一原则，可以设计易于实现且能够保证网络性能的数据融合算法。
无线传感器网络中的数据融合处理技术研究
无线传感器网络中的数据融合处理技术研究随着社会的不断发展，智能化已经成为人们关注的焦点之一，而无线传感器网络的应用也越来越广泛。
与此同时，无线传感器网络中的数据处理技术也在不断地进行研究和改进。
而数据融合处理技术，可以说是无线传感器网络中的一项重要技术，其在信息处理，提高无线传感器网络能耗效率和数据准确性方面都起到了重要的作用。
一、无线传感器网络简介从技术角度来看，无线传感器网络是一种以传感器(设备、设施或者人等)为主导，通过无线通信、数据处理和控制等技术手段，实时、有效地监控、感知和控制身边世界的一种新型网络。
同时，无线传感器网络还是由大量的小型传感节点组成的分布式系统。
这些节点可以采集、传输并存储数据信息，从而形成了一个基于数据的全球性网络。
二、无线传感器网络数据融合处理技术的意义和研究现状无线传感器网络中数据融合处理技术的出现，是为了解决信息处理及传输中存在的缺陷。
其中包括数据冗余、大量信息的多次传输，数据采集的同时也产生了大量的“噪声”等问题。
而这些问题在节点数量庞大的情况下会对传输的安全、准确性、完整性等方面带来很大的影响。
因此，数据融合处理技术的应用，旨在通过数据融合，提高信息的传输效率，减少能耗，防止数据丢失等问题的发生。
目前，无线传感器网络中的数据融合处理技术已经取得了很大的进展。
其中包括对数据融合过程中的质量、安全、可靠性等问题进行彻底的研究。
同时，国内外多家知名企业的研究部门和大学高校都在不断地深入探究数据融合处理技术的相关内容。
三、无线传感器网络数据融合处理技术的核心与方法数据融合处理技术作为一项综合性技术，需要通过多种手段和方法，来实现数据信息的融合和处理。
这其中包括数据预处理、数据压缩、传输优化等环节。
首先，在数据融合处理的实现过程中，需要对采集到的数据进行预处理。
这个环节主要是针对采集的数据进行优化和筛查，以保证数据的准确性和可靠性。
其次，对于数据信息量庞大的情况下，需要对数据进行压缩处理。
- 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)。
WSN ） 是 无线传感器网络 （ Wireless Sensor Network， 一种大规模的无线自组织网络， 通过覆盖大量的微型传感 器节点到指定区域进行目标监测， 节点之间通过相互协作 对网络覆盖区域的对象信息进行感知、 采集、 处理和发送。 WSN 综合了无线通信技术、 嵌入式计算技术、 传感器技 术， 应用前景广泛， 被认为 是 21 世 纪 最 重 要 的 技 术 之 一
J］ ． 电视技术， 2014， 38（ 1） ． 【本文献信息】 王康， 王峰， 蒋馥珍， 等 . 无线传感网络数据融合算法的研究［
无线传感网络数据融合算法的研究
1 1， 2 1 1 王 康， 王 峰 ， 蒋馥珍 ， 乔铁柱
（ 1． 太原理工大学 信息工程学院， 山西 太原 030024； 2． 中国矿业大学（ 北京） 资源与安全工程学院， 北京 100083）
3
仿真分析
为了验证该算法是否达到预期目标， 对该算法进行
了测试， 所选择的仿真工具为 MATLAB。在仿真中， 假设 假设该房间 某个传感器节点对一个房间的温度进行测量， 的温度真值是 25 ℃ ， 在真值的基础上加入高斯白噪声来 模拟传感器节点的观测值
［ 11 ］
。假设把簇的稳定阶段分成
了 24 个帧， 也就是该传感器一共有 24 个时隙来向簇首传 设定每个时隙之间节点收集 5 个温度值， 即此节 输数据， 点在一个稳定阶段总共收集了 120 个数据。另外还分别
【摘 要】 无线传感网中如何降低节点能耗和提高节点传输数据的准确性是急需解决的问题。在研究无线传感网分簇路由的 基础上， 针对无线传感网分簇路由的源节点提出了一种双层滤波机制， 仿真结果表明该数据融合方法能够提高融合数据的准确 ， ， 。 性 降低数据冗余度 具有较高的执行效率 【关键词】 无线传感网； 源节点； 双层滤波； 数据融合 【中图分类号】 TN911． 4 【文献标志码】 A
Ｒesearch on Data Fusioபைடு நூலகம் in WSN
2 WANG Kang1 ， WANG Feng1， ， JIANG Fuzhen1 ， QIAO Tiezhu1
（ 1．
College of Information Engineering， Taiyuan University of Technology， Taiyuan 030024 ，China，
否在所求得的置信区间内， 如果在， 则进一步进行卡尔曼 滤波并把滤波后的数据传给簇首； 如果不在说明数据偏离 的程度较大， 则放弃本次传输而进入到下个时隙的判断， 依次进行。经过这样的双层滤波不仅可以有效地减少数 据传输量， 重要的是还保证了数据传输的准确性， 实现了 双层滤波的功效。
2
2． 1
基于源节点的双层滤波机制
图3 卡尔曼滤波算法流程
10、 15、 24 时隙中加入了突发性的数据， 在第 5、 与真值偏 差比较大， 其余的观测值则保持不变。按照上边介绍的双 该传感器节点在每个时隙向簇首发送数据 层滤波方法， 前， 先对其求平均值， 判断是否在所求取的置信区间内， 如 果在， 则调用 MATLAB 自带的卡尔曼滤波函数对该组数 然后将滤波后的数据传给簇首， 如果不 据进行滤波处理， 在该区间内则舍弃该组数据。 在本次仿真中抽取了初始的 5 个数据为样本， 对该样 设置了 α = 0． 01 ， 并通过查 t 分布 本求取了均值和方差， L， 表得到 t0． 01 /2 （ 4） = 4． 604 1， 并根据上面的公式求得［ U］ ， 如图 4 所示。
图2
TDMA 时隙表
1） 时间更新预测， 由本时刻的状态估计出下一时刻 的状态。 （ 1） 状态估计为 X（ k | k － 1） = AX（ k － 1 | k － 1） + BU（ k） （ 2） 均方误差阵为 P（ k | k － 1） = AP（ k － 1 | k － 1） A' + Q 的估计值。 （ 1） 计算卡尔曼增益为 Kg （ k） = P（ k | k － 1） H' / （ HP（ k | k － 1） H' + Ｒ） （ 5） （ 2） 用测量值 z 修正状态估计为 X（ k | k） = X（ k | k － 1） + K g （ k） ［ Z（ k） － HX（ k | k － 1） ］ （ 3） 计算后验均方误差阵为 P（ k | k） = ［ I － K g （ k） H］ P（ k | k － 1） （ 7） I = 1。当系统进 式中： I 为 1 的矩阵， 对于单模型单测量， P（ k | k） 就是式（ 4） 的 P（ k － 1 | k － 1） 。 入 k + 1 状态时， 这样， 算法就可以自回归地运算下去。 （ 6） （ 4） 2） 测量值更新， 通过对预估值进行修正来得到本次 （ 3）
本文所研究的算法着重于簇内某一源节点在到达自 己的时隙向簇首发送数据前的数据融合处理， 为了保证数 并且考虑到节点收集数据的特点， 本文 据融合的准确性， 采用了卡尔曼滤波算法， 因为对测量值有噪声的系统， 卡 尔曼滤波能起到很好的去噪效果， 且经过仿真证明卡尔曼 滤波得到的结果比其他的滤波器都要接近真实值。同时 考虑到在实际的应用当中， 节点所收集的数据因为各种原 因可能会有一些大的波动， 因此本文针对这种情况又提出 来有效地滤除突发性的 了一种基于置信区间的判别方法， 噪声。因为在实际中节点收集到的数据在某些时刻可能 会有一些较大的波动， 比如由于节点短时间的故障或是环 境的突发干扰， 这就导致节点收集的数据与真实值有较大 的差异， 而卡尔曼滤波所要求的噪声是大体符合高斯白噪 在这种情况下显然不适合用卡尔曼滤波， 用了之后 声的， 所得的数据也是不准确的。在这种情况下， 先使用本文提 出的基于置信区间估计的判别方法， 在节点到达某一时隙 然后判断均值是 发送数据前先对其收集的数据求取均值，
卡尔曼滤波 卡尔曼滤波是一种最优化自回归数据处理算法， 它
把最小均方误差作为估计的最佳准则， 自回归地寻求一套 递推估计， 其核心思想是： 采用信号与噪声的状态空间模 利用前一时刻的系统状态估值和现时刻系统的观测值 型， 来得到现在状态的最优估计
［ 10 ］
。卡尔曼核心公式如下： （ 1） （ 2）
104
《电视技术》 第 38 卷第 1 期（ 总第 428 期） | 投稿网址 http： www．VideoE．cn
卡尔曼滤波算法的流程图如图 3 所示。
中的概率是 99% ， 而在这个区间之外的概率只有 l% ， 这 基本不可能发生。 由此， 根据这一置 是个小概率事件， － x 在区 若得到的 － 信区间对 k 节点这一层的 x 进行校验， L， U］ 间［ 之中， 则认为此次向簇首节点传送的数据有效 并将该组数据进行卡尔曼滤波， 并将滤波后的数据发送 认为此次采集的数据偏差较大， 将 给簇首节点。 否则， 不予采用， 也就不再发送给簇首， 在一定程度上减少了 数据传输量。
［ 1 ］
6 － 7］ 际的应用效果还有待观察。文献［ 则分别采用了 Bayes 估计理论和加权平均法。 数据融合的关键是根据传感器收集到的数据进行综 合估计， 提高数据的准确性并减少数据冗余。因此， 本文 针对分簇路由的源节点数据进行了层次性综合处理。
。而由于无线传感器网的许多应用领域如军事侦
1
分簇路由的拓扑结构模型
分簇拓扑结构是将一个大的传感器网络划分成若干
察、 森林防火、 环境监测等都为危险区或无人区， 其节点的 能量无法实时供应， 再加上节点自身的存储和处理能力有 限， 无线传感器网络中的数据融合技术引起了人们的极大 关注， 因此怎样通过数据融合技术提高数据传输的准确性 并有效减少数据传输量来降低节点功耗是研究的热点问 题。目前， 国内外许多学者针对多传感器数据融合进行了 2］ 研究， 文献［ 通过研究无线传感网拓扑结构、 性能指标 和安全协议等， 指出数据融合研究领域内存在的问题和发 3］ 展方向， 但具体的融合算法有待研究。文献［ 则针对无 线传感网的分簇路由改进性提出一种簇首选举算法， 并在 4］ 簇首设置了一种阈值机制来减少数据传输量。文献［ 针对分簇路由结构提出了一种分级融合方法， 但只是针对 5］ 节点理想状况的研究。文献［ 则针对分簇路由中的簇 首所常使用的自适应融合算法提出了一种改进算法， 但实 组成
《电视技术》 投稿网址 http： www．VideoE．cn | 第 38 卷第 1 期（ 总第 428 期）
103
LEACH 协议是分轮进行的， “轮” 每一 的运行大致可 即簇的建立阶段和数据传输的稳定 以分成 2 个部分， 阶段。 LEACH 根据一定的协议机制选 在簇的建立阶段， 比如在 200 个传感器节点中选择 10 择一定数量的簇首， 个节点作为簇首， 其他非簇首节点则根据一定的协议与 某个 簇 首 建 立 连 接 形 成 了 一 个 个 簇。 在 下 一 轮 中 LEACH 协议还是选择相同数量的节点 （ 未当选过簇首 ） 当簇首， 依次进行， 直到网络中所有节点都当过簇首， 就 “大轮” 是一个 的完成， 然后循环往复直到网络生命周期 结束。 在簇的稳定阶段， 这段持续的时间按照 TDMA 划分 为周期性的时间帧， 每个时间帧再由簇首按照簇内成员节 每个簇成员节点在 点的数目为每个簇成员节点分配时隙， 指定的时隙内向簇首发送数据， 所以在一个时间帧内源节 点只能发送一次数据。因稳定阶段有多个帧， 所以一个源 节点在稳定阶段会多次向簇首发送数据。LEACH 协议的 TDMA 表如图 2 所示。
2． Faculty of Ｒesource ＆ Safety Engineering，China University of Mining ＆ Technology， Beijing 100083 ， China）
【Abstract】How to reduce the energy consumption of nodes and improve the accuracy of data is an urgent problem． The clustering routing in wireless sensor networks is researched in this paper， and a kind of double filtering mechanism for the source node of clustering routing is presented． The data fusion algorithm can make correct decision，reduce the redundancy of data，and has good execution efficiency． 【Key words】wireless sensor networks； source node； double filtering； data fusion