数据融合技术在无线传感器网络中的应用

合集下载

无线传感器网络中的协同感知与信息融合

无线传感器网络中的协同感知与信息融合无线传感器网络（Wireless Sensor Networks，WSNs）是由大量分布在特定环境中的无线传感器节点组成的网络。

这些传感器节点能够自动感知环境中的各种物理量，并将感知到的数据通过网络进行传输和处理。

WSNs 在各个领域都有广泛应用，如农业、环境监测、智能交通等。

在WSNs中，协同感知与信息融合是实现高效、准确数据处理和分析的重要手段。

协同感知是指通过相互协作，使传感器网络能够更全面、准确地感知环境。

传统的传感器网络采用分散式的感知方法，每个节点独立地感知并传输数据，这种方式需要耗费大量的能量和带宽。

而协同感知则采用多个节点之间相互合作的方式，通过数据融合和任务分解的方式，提高传感器网络的整体感知性能。

协同感知的核心是数据融合，即将多个节点感知到的数据进行整合和分析，得到更全面、准确的环境信息。

数据融合可以分为两个层面，即低层和高层的数据融合。

低层数据融合是指将多个节点感知的原始数据进行整合和处理，消除噪声和异常值，提高数据的准确性和可用性。

高层数据融合则是将低层融合后的数据进行进一步分析和处理，提取环境中的有用信息，并进行最终的决策和推理。

在协同感知中，信息的融合需要考虑多个因素，如节点之间的能量消耗、传输带宽和网络拓扑等。

为了提高能量利用效率，可以采用分层的数据融合策略，将数据处理和传输分为多个层次进行，避免不必要的数据传输和处理。

同时，可以采用自适应的融合算法，根据网络的动态变化和节点的能量状况，灵活调整数据融合的策略和算法，从而实现更高效的信息融合。

协同感知与信息融合的目标是实现更精确、可靠的环境感知和决策。

通过协同感知和数据融合，可以提高传感器网络的整体性能，减少能量和带宽的消耗，并提高感知数据的准确性和可用性。

协同感知和数据融合技术在农业领域的应用中有着重要的作用。

例如，农业领域的传感器网络可以用来监测土壤湿度、气象条件和作物生长状态等，通过协同感知和数据融合，可以及时发现农田中的问题，并针对性地采取措施，提高农作物的产量和质量。

无线传感器网络中的数据融合与聚类算法研究

无线传感器网络中的数据融合与聚类算法研究无线传感器网络（Wireless Sensor Network，简称WSN）是近年来快速发展的一个重要领域，它由大量的分布式无线传感器节点组成，可以感知和采集环境中的各种数据，并通过无线通信进行数据传输和协作。

数据融合与聚类算法是WSN中的核心技术之一，它们能够对分散的传感器节点数据进行处理和分析，提取有用的信息，实现对环境的全面监测和分析。

本文将重点探讨WSN中的数据融合与聚类算法，以及相关的研究进展和应用。

一、数据融合算法在无线传感器网络中的应用数据融合是指将来自多个传感器节点的原始数据进行整合和合并，得到更准确、完整、一致的信息。

在无线传感器网络中，由于传感器节点之间的位置分布不均匀，节点之间的通信受到能量和传输带宽的限制，因此需要采用数据融合算法进行数据的处理和压缩，减少对网络资源的消耗。

1.1 分布式数据融合算法分布式数据融合算法是WSN中常用的一种数据融合方式。

通过将数据处理任务分布到不同的传感器节点上进行数据计算和融合，可以降低数据传输的开销，减少网络负载。

常见的分布式数据融合算法有DEEC（Distributed Energy-Efficient Clustering）和LEACH（Low Energy Adaptive Clustering Hierarchy）等。

DEEC算法通过将传感器节点划分为多个簇（cluster），选择部分簇作为数据融合的中心节点，将其他节点的数据传输至中心节点进行融合处理。

这样可以减少数据传输的距离，降低能量消耗。

LEACH算法则是一种基于概率的聚类算法，在每个轮次中，节点按照概率选择是否成为簇的中心节点，中心节点负责数据的融合和传输。

1.2 基于压缩感知的数据融合算法压缩感知是一种利用数据冗余性实现数据压缩和降低传输开销的技术。

在无线传感器网络中，可以利用压缩感知的方式减少对环境数据的采集和传输。

常见的压缩感知算法有CS（Compressive Sensing）和COSS（Compressed Online Statistical Sensing）等。

无线传感器网络的数据融合技术及其应用

４测试发布阶段．
数据融合是ＷＳＮ中非常重要的一项技术．也是目前的一个研究热点ｌ。该技术通过一定的算法将传感器节点采集的２ｌ大量原始数据进行各种网内处理，除其中的冗余信息。将去只少量的有意义的处理结果传输给汇聚节点。数据融合技术能有效地减少网络中的数据传输量，从而节省传感器节点的能量，长无线传感器网络的生命期。延３无线传感器网络的数据融合技术．数据融合技术涉及到检测技术、号处理、策论、确信决不定性理论、计理论、优化技术、经网络和人工智能等众估最神多学科领域。很多学者从不同角度出发。提出了多种数据融合技术方案。从技术原理角度．分为假设检验型数据融合、波跟踪可滤型数据融合、聚类分析型数据融合、式识别型数据融合、模人工智能型数据融合等。据融合的规则，分为依赖于应用的根可数据融合、独立于应用的数据融合、基于分布式数据库的数据融合引、于中心的数据融合．等。按对数据的处理方式。基等可分为像素级融合、特征级融合和决策级融合。从融合方法来图片、字体选择得当、小合适。色搭配要合理，景与前景大颜背对比要明显，尽可能地给学生创造一个简洁美观的界面。要

一种高性能数据融合算法在无线传感器网络中的应用

Ａｂｓｔｒａｃｔ：Ｔｈｅｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｉｓｓｅｎｓｉｔｉｖｅｔｏｔｈｅｉｎｆｏｒｍａｔｉｏｎｓａｆｅｔｙａｎｄｒｅｌｉａｂｉｌｉ — ｔｙａｎｄｉｓｖｕｌｎｅｒａｂｌｅｆｏｒｎｏｄｅｓｈｏｒｔｓｕｒｖｉｖａｌａｎｄｆｏｒｇｅｄｏｒｔａｍｐｅｒｅｄｄａｔａｉｎｄａｔａｆｕｓｉｏｎ
文章编号：１６７２ — ６９８７（２０１３）０３ — ０３０９ — ０６
种高性能数据融合算法在无线传感器网络中的应用
一
蔡宗吟。刘才铭，刘毅，叶秋冬
（１．乐山师范学院智能信息处理及应用实验室，四川Ｉ乐山６１４０００；２．重庆理工大学计算机应用技术研究所，重庆４０００５４）
ｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒａｎｉｍｐｒｏｖｅｄａｎｄｏｐｔｉｍｉｚｅｄｓｔｒａｔｅｇｙｏｆｎｅｔｗｏｒｋｒｏｕｔｉｎｇａｎｄｎｏｄｅ．Ｆｌｏｗｄｉｓｔｒｉｂｕｔｉｏｎｗｅｉｇｈｔｉｎｇａｌｇｏｒｉｔｈｍｓａｒｅｅｍｐｌｏｙｅｄｔｏｍａｘｉｍｉｚｅｔｈｅｎｅｔｗｏｒｋｌｉｆｅｔｉｍｅｆｏｒｒｏｕｔｉｎｇ，ａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｉｎｔｅｇｒａｔｅｔｈｅｃｌｕｓｔｅｒｈｅａｄｎｏｄｅａｎｄｔｈｅｂａｓｅｓｔａｔｉｏｎｄａｔａｆｏｒｎｏｄｅｔｒｅａｔｍｅｎｔ，ｆｉｎａｌｌｙｔｈｅｒｅｐｕｔａｔｉｏｎｅｖａｌｕａｔｉｏｎｍｅｃｈａ — ｎｉｓｍｉｓｅｍｐｌｏｙｅｄｔｏａｎａｌｙｚｅｔｈｅｎｅｔｗｏｒｋｏｖｅｒａｌｌｐｅｒｆｏｒｍａｎｃｅ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｈｏｗｓｔｈｅｉｍｐｒｏｖｅｄｆｕｓｉｏｎｍｅｔｈｏｄｅｎｈａｎｃｅｓｔｈｅｒｅｌｉａｂｉｌｉｔｙ，ｄｅｃｒｅａｓｅｓｄａｔａｒｅｄｕｎｄａｎｃｙｉｎｇｒｅａｔｅｒｄｅ — ｇｒｅｅ，ｒｅｄｕｃｅｓｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎａｎｄｔｈｅｒｅｆｏｒｅｉｍｐｒｏｖｅｓｏｖｅｒａｌｌｎｅｔｗｏｒｋｐｅｒｆｏｒｍａｎｃｅ．

无线传感器网络中的数据融合技术

无线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，无线传感器网络已经成为了众多领域中不可或缺的一部分。

从环境监测到工业控制，从医疗保健到智能家居，无线传感器网络凭借其能够实时感知和收集大量数据的能力，为我们的生活和工作带来了极大的便利。

然而，随着传感器节点数量的不断增加以及数据量的急剧增长，如何有效地处理和利用这些海量数据成为了一个亟待解决的问题。

数据融合技术的出现，为解决这一问题提供了有效的途径。

无线传感器网络通常由大量分布在监测区域内的传感器节点组成，这些节点通过无线通信方式相互连接，共同完成对目标区域的监测任务。

每个传感器节点都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，并将感知到的数据发送给其他节点或汇聚节点。

由于传感器节点的资源有限，包括能量、计算能力和存储空间等，因此在数据传输过程中需要尽可能地减少数据量，以延长网络的生命周期。

数据融合技术正是通过对多个传感器节点采集到的数据进行综合处理和分析，去除冗余和错误的数据，提取有用的信息，从而达到减少数据量、提高数据准确性和可靠性的目的。

数据融合技术可以在传感器网络的不同层次上实现，包括节点级、簇级和网络级。

在节点级数据融合中，传感器节点在本地对采集到的数据进行预处理，如数据压缩、滤波等，然后再将处理后的数据发送出去。

这种方式可以减少节点的通信开销，但由于节点的计算能力有限，处理效果可能不太理想。

簇级数据融合则是将传感器节点划分为若干个簇，每个簇内选举一个簇头节点，簇内节点将采集到的数据发送给簇头节点，由簇头节点进行融合处理后再发送给汇聚节点。

网络级数据融合则是在整个网络范围内对数据进行融合处理，这种方式需要较高的计算能力和通信开销，但能够获得更好的融合效果。

在数据融合过程中，常用的融合方法包括加权平均法、卡尔曼滤波法、贝叶斯估计法等。

加权平均法是一种简单有效的融合方法，它根据各个传感器节点的可靠性和重要性为其采集到的数据赋予不同的权重，然后进行加权平均得到融合结果。

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。

无线传感器网络数据融合概述

⽆线传感器⽹络数据融合概述⼀、数据融合。

所谓数据融合，就是将多份数据或信息进⾏处理，组合出更有效、更符合⽤户需求的结果的过程。

在⽆线传感器⽹络的研究中，数据融合起着⼗分重要的作⽤，主要表现在以下三个⽅⾯：1．节省能量在部署⽆线传感器⽹络时，需要使传感器节点达到⼀定的密度以增强整个⽹络的鲁棒性和监测信息的准确性，有时甚⾄需要使多个节点的监测范围互相交叠。

这种监测区域的相互重叠导致了邻近节点报告的信息存在⼀定程度的冗余。

数据融合就是要针对这种情况对冗余数据进⾏⽹内处理，即中间节点在转发传感器数据之前，⾸先对数据进⾏综合，去掉冗余信息，在满⾜应⽤需求的前提下将需要传输的数据量最⼩化。

2．获得更准确的信息由于⽆线传感器⽹络由⼤量低廉的传感器节点组成，部署在各种各样复杂的环境中，因⽽从传感器节点获得的信息存在较⾼的不可靠性。

由此可见，仅收集少数⼏个分散的传感器节点的数据较难确保得到信息的正确性，需要通过对监测同⼀对象的多个传感器所采集的数据进⾏综合，来有效地提⾼所获得信息的精度和可信度。

3．提⾼数据的收集效率在⽹内进⾏数据融合，可以在⼀定程度上提⾼⽹络收集数据的整体效率。

数据融合减少了需要传输的数据量，可以减轻⽹络的传输拥塞，降低数据的传输延迟；即使有效数据量并未减少，但通过对多个数据分组进⾏合并减少了数据分组的个数，可以减少传输中的冲突碰撞现象，所以也能够提⾼⽆线信道的利⽤率。

⼆、⽆线传感器⽹络应⽤层数据融合数据融合技术可以在传感器⽹络协议栈的多个层次中实现，既可以在MAC协议中实现，也可以在路由协议或应⽤层协议中实现。

传感器⽹络中的数据融合技术可以从不同的⾓度进⾏分类，介绍三种分类⽅法：依据融合前后数据的信息含量分类；依据数据融合与应⽤数据语义的关系分类；依据融合操作的级别进⾏分类。

1、根据数据进⾏融合操作前后的信息含量，可以将数据融合分为⽆损失融合和有损失融合两类。

(1)⽆损失融合⽆损失融合中，所有的细节信息均被保留。

精品文档-无线传感器网络技术原理及应用-第5章

12
3. 全网同步与局部同步根据不同应用的需要，若需要网内所有节点的时间同步，则称为全网同步。而某些时间触发类应用，往往只需要部分与该事件相关的节点时间同步即可，称为局部同步。
13
5.1.3 协议本节将介绍无线传感器网络领域内具有代表性的时间同
步协议。典型的时间同步协议有DMTS协议、RBS协议以及TPSN 协议。
18 图5-2 RBS协议基本原理
19
发送节点广播一个信标分组，广播域中两个节点都能够接收到这个分组。每个接收节点分别根据自己的本地时间记录接收到信标分组的时刻，然后交换它们记录的信标分组接收时间。两个接收时间的差值相当于两个接收节点间的时间差值t2-t1，其中一个接收节点可以根据这个时间差值更改它的本地时间，从而达到两个接收节点的时间同步。
27
5.1.4 应用时间同步是无线传感器网络的基本中间件技术，不仅对
其他中间件，而且对各种应用都起着基础性作用，一些典型的应用如下。
1. 多传感器数据压缩和融合当传感器节点密集分布时，同一事件将会被多个传感器节点接收到。如果直接把所有的事件都发送给基站节点进行处理，将造成对网络带宽的浪费。
26 假设报文的传输延迟相同，均为d。
由 T2 T1 t d
(5-1)
T4 T3 ， t d
可得
t (T2 T1) (T4 T3) 2
d (T2 T1) (T4 T3) ，2
(52)
因此在T4时刻，若在节点A的本地时间上增加修正量t，就达到和节点B之间瞬时的时间同步，此时刻称为同步点。
8
5.1.2 方法目前无线传感器网络的时间同步方法有很多，可以将其
分为三类：排序、相对同步和绝对同步。外同步和内同步。全网同步和局部同步。 1. 排序、相对同步和绝对同步一些研究者将时间同步的需求分为排序、相对同步和绝

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)。

硕士研究生读书报告课程名称：信息融合理论与应用题目：数据融合技术在无线传感器网络中的应用题目类型：读书报告学院：计算机科学与工程学院专业名称：计算机科学与技术姓名：祝敏学号： 2013200546任课教师：周华平授课时间：2014年4月29日～2014年6月24日提交时间： 2014年6月 24 日数据融合技术在无线传感器网络中的应用摘要：在大规模的无线传感器网络中，传输数据量巨大，必然存在着数据传输可靠性、拥塞以及能耗等问题，高效的数据融合技术能够有效的解决这些问题。

这篇读书报告结合分簇路由算法的特征，采用两层融合技术，首先簇内节点与簇首节点的融合，簇内节点根据阈值来判断是否需要发送数据，簇首节点根据接收到的数据，进行数据一致性检验，剔除异常数据，第二层采用BP神经网络算法对簇首节点与基站的融合，得到所需要的结果。

实验表明，进行融合后的数据可靠性高，较大减少了数据的传输量与冗余度、降低了能量的消耗，从而提高了整个网络的性能。

1 引言无线传感器网络是对真实世界的感知、检测和采集，需要由大量传感器节点共同协作完成的。

但是，由于传感器节点采集的数据具有很高的时空相关性，不可避免的釆集到许多重复的数据，即数据存在很高的冗余性,如果都发送到汇聚节点的话，会造成大量的资源浪费,严重影响无线传感器网络的使用寿命,并且许多时候,观察者不关心每个节点的原始数据,只关心釆集后的结果,显然，节点单独的传送数据是不合适的，因此需要在本地对数据进行融合操作，对节点传输数据进行处理，利用节点的计算与处理能力，我们可以去除掉冗余信息，进一步减少数据在网内的传输量,同时降低功耗，提高整个网络的性能。

虽然数据融合会造成一定的延迟以及计算会浪费时间和能量,但都在允许的范围之内。

数据融合技术涉及到检测技术、模式识别、决策论、不确定性理论、估计理论、最优化理论等众多学科领域。

目前关于无线传感器网络数据融合技术的发展情况，大体可以分为有损融合、无损融合、依赖于应用的数据融合，如应用层开发面向应用的数据融合接口，在网络层开发与路由相结合的数据融合技术。

独立于应用的数据融合、基于分布式数据库的数据融合、基于中心的数据融合等。

这篇读书报告主要针对在网络层与路由相结合的数据融合技术的研究，目前关于该方面比较典型的方法有LEACH分簇算法，使用分簇的方法使得数据融合技术在算法中起到了非常重要的作用。

2 数据融合算法的设计整个无线网络可以利用分簇路由机制，如LEACH算法分成不同的簇，则整个网络中大体分成了三类节点，基站，簇首节点以及簇内节点。

本文主要根据簇形结构，设计两层的数据融合机制，第一层为簇内节点与簇首节点的融合，簇内节点根据阈值来判断是否需要发送数据，簇首节点根据接收到的数据，进行数据一致性检验，剔除异常数据，第二层采用BP 算法对簇首节点与基站的融合，得到所需要的报警结果。

2.1 簇内节点与簇首节点之间的第一层数据融合在无线传感器网络中，簇内节点基本作为传感节点，用来采集数据的，假设簇内节点A 当前采集到的数据值为Di,则上一次采集到的数据值就为Di-1,簇内节点的阈值为P，则簇内节点就可以根据所设定好的阈值来决定是否发送当前的数据值，即当|Di-Di-1|>P时，簇内节点发送数据，簇内节点更改存储器的值，替换上一次采集到的数值，否则不发送数据，存储器的值保持上一次的不变。

通过这样的方式，在采集到的数据值没有发生较大变化时，变化量大小取决于阈值P 的大小，簇内节点可以减少较多的数据发送次数，可以防止向其簇头节点发送大量重复和高度相似的数据。

节省了簇成员节点的能量消耗。

假设簇首节点拥有10 个簇内节点，且每个簇内节点都有各自不同的编号，分别从1到10编号，簇首节点还没有接收到簇内节点的数据时，存储的是上一次簇内节点采集过来的数据，则当簇首节点接收到簇内节点的数据时，替换对应节点的数据值，存储本次采集过来的数据，否则，说明该簇内节点数据值并为发生较大变化，则直接调用对应簇内节点上次采集过来的数据值代表本次的数据。

以这样的方式簇首节点就可以知道对应10 个簇内节点当前采集过来的数据值，以温度为例，假设采集过来的10 个数据值按照从小到大排列后的数值为T1,T2,T3……，T10，因为节点可能受到外界的干扰，以及自身硬件的故障等影响，簇首节点首先对采集到的数据值进行一致性检验，采用的是数据探测技术中的分布图法剔除掉疏失误差的数据，假设中位数用TM 表示，上四分位数用FU 表示，下四分位数用FL 表示以及四分位数离散度用dF来表示。

则根据以上采集到的数据可以得到，TM=（T5+T6）/2，下四分位数FL的区间为[T1,TM]，上四分位数FU 的区间为[TM,T10], 四分位数离散度用dF=FU-FL。

则我们就认定与中位数的距离大于adF的数据为离异数据，应该剔除掉。

即无效数据的判别区间为[Ti-TM]>adF。

式中a 为常数，可以根据实际需要来设定大小。

通过这样的方式，簇首节点就可以简单有效的剔除掉异常的数据。

2.2 簇首节点与基站之间的第二层数据融合虽然经过了第一层的数据融合后，簇内节点可以减少大量不必要的数据传送，然而簇首节点仍然有较多的数据需要转发到基站，对于一些报警的场合，用户只需要知道报警程度，并不需要知道每个节点具体采集到的数值情况，这时我们可以采用BP 神经网络算法实现簇首节点与基站的第二层融合，直接得到用户所需要的报警结果，从而再次减少了簇首节点大量的数据转发到基站。

我们采用的是三层的神经网络，分别为输入层，中间层（隐层）以及输出层。

输入层与隐层节点的数量可以根据实际情况设置，如果需要的报警结果为1维表示，如0正常，1异常，则输出层采用一个节点就够了。

具体的算法流程如下：步骤1：对各变量初始化，假设输入层与中间层的权值矩阵为V ，阈值为 ,中间层与输出层的权值矩阵为W ，阈值为T 。

步骤2：输入第P 对训练样本1p x ，计算各层输出。

隐层的净输入:隐层的输出:输出层的净输入:输出层输出:步骤3：计算输出误差设共有P 对训练样本，网络对于不同的样本具有不同的误差。

则误差：步骤4：检查是否对所有样本完成一次轮训。

步骤5：计算各层误差信号隐层误差信号：式(6)中，k=1,2,…,L; p=1,2,…,P;输出层误差信号：式（7）中，j=1,2,…,m; p=1,2,…,P;步骤6：调整各层权值、阈值调整输出层权值：式(8)中，j=1,2,…,m; k=1,2,…,P;调整输出层阈值：式(9)中，k=1,2,…,L;调整隐层权值：式(10)中，j=1,2,…,m; i=1,2,…,n;调整隐层阈值：式(11)中，j=1,2,…,m；步骤7：检查网络总误差是否达到精度要求。

经过上述7 个步骤结束即网络训练过程结束后，就可以把训练好的神经网络内部的权值和阈值数据提取出来，将其直接用于节点的神经网络的程序中，基站收到这组数值后通过一次前向传播即可得到相应时间的温度数据的拟合值。

3 具体应用实例分析在这篇文章中我们以温室环境监控为例，通过采集到的100 个样本数据进行训练，隐层节点作用函数选择对称型S函数(tansig)，输出节点为Ｓ型对数函数(logsig)。

BP网络训练过程主要分成两个阶段，首先通过设置网络结构和迭代的权值和阈值，从网络的第一层向后计算各神经元的输出；其次则对权值和阈值进行修改，计算对总误差的影响，2 个阶段反复交替，直到收敛为止。

训练的结果如图1 所示，横轴Epoch 表示训练步数，纵轴表示误差，从图1可以看出经过20 次训练后性能达到0.00886247，目标是0.01。

我们随机选出10个样本数据采用交叉验证的方法进行验证训练后网络的可靠性能，0 表示正常情况，即该区域温度处于正常范围，1 表示异常，即该区域温度处于异常范围。

将10 个样本数据分成5 组，轮流将其中4 组做训练1组做测试，结果如表1 所示。

从表1 中我们可以看出经过训练后的BP 网络，误差非常小，几乎不会影响到报警效果。

则用户就可以得到所需要的报警结果，当温度出现1 的情况，用户就可以对相应的区域进行处理，让该区域温度恢复到正常情况。

如图2 所示，图2 中，0 节点表示基站，1、8、15、22 四个节点为每个区域的簇首节点，我们以D 区域为例，其中16、17、18、19、20 五个节点为传感节点，采集温度，假设五个节点上次采集到的温度值分别为30.20,31.20,31.60, 30.60,31.80。

本次采集到的温度值分别为30.80, 30.60,31.30, 31.30,35.80。

假设传感节点的阈值为0.5,则节点18 在本次中不再发送数据到簇首节点，簇首节点则直接调用节点18 上次采集温度值作为本次的值，簇首节点15 在根据会合的数据值进行一致性检验，剔除掉节点20 的数值，其余的数值经过训练好的神经网络，得到结果为1，表明该区域温度值超过300，出现异常，应该对D 区进行维护。

图1 网络训练结果图2 温室环境监控结构图4 结语这篇文章中我采用两层的数据融合算法，在第一层簇内节点与簇首节点的数据处理中，可靠有效的减少了簇内节点数据的转发次数。

第二层采用BP算法进行数据融合后，直接可以得到用户所需要的结果，无需传输大量的原始采集数据。

无线网络中信息量的减少对网络的好处是显而易见的，可以减少节点信息重发的次数，节省网络有限的能量，提高信息准确度，延长网络的生存期。

但是有一些问题我们也需要注意，文章中在簇内节点设置阈值，对一些精度要求非常高的场合，数据变化量较敏感的场合，如果设置的阈值过大，就会较大的影响测量结果，还有数据融合算法过于复杂，会给网络带来一些性能损失，如网络时延，实时性恶化，路由节点计算压力过大而导致网络效率降低等。

因此在实际的运用中，应该在效率和复杂度上做一个权衡，由具体应用决定使用何种数据融合方式。

参考文献1 付华，胡雅馨.一种改进的无线传感器网络信息融合技术.计算机系统应用,2010,19(7):183 -185.2 王平，程明传,翁宗煌.数据融合处理算法在ZigBee 中的应用.计算机应用,2009,29(7):1897 -1900.3 康健，左宪章,唐力伟.无线传感器网络数据融合技术.计算机科学,2010,37(4):31-35.4 肖骁，王国军，马征.BP神经网络在WSN 数据融合中的应用.企业技术开发，2009,28(9):15 -17.5 张酉军，农田土壤信息无线传感器网络与数据融合算法研究.无锡:江南大学,2009.。