WSN中基于分簇的模糊加权数据融合算法
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。
基于改进K-means算法的WSN簇头节点数据融合
基于改进K-means算法的WSN簇头节点数据融合高红菊;刘艳哲;陈莎【期刊名称】《农业机械学报》【年(卷),期】2015(0)S1【摘要】无线传感器网络数据融合能够减少节点能耗、延长网络生命周期,近年来受到了广泛关注。
已有的应用于农业监测的空间数据融合算法多采用取平均值等方法将一定区域内监测到的数据融合成一个值。
而农田环境监测具有监测范围广、监测点多、监测数据量大的特点,监测数据间除了冗余性还具有差异性,因此数据融合应该在消除冗余的同时保留数据的差异。
针对农业监测的这一特点,提出在簇头节点应用聚类算法进行空间数据融合,通过聚类减少数据发送量,降低能耗;同时将差异较大的参量聚类到不同类别中以保留数据间的差异。
此外,还提出了一种应用于WSN簇头节点的自适应改进K-means聚类算法,仿真结果表明,所提算法融合后的数据上传量比没有融合减少41.19%,消除了数据冗余;算法融合前后最大误差低于取平均值法误差的36%,保留了数据差异性。
在没有明确误差要求时,该算法能够在尽量减少数据上传量的同时保持相对误差低于10%,避免了因聚类个数不当引起的巨大误差。
而在有具体误差要求时,该算法融合前后的绝对误差严格低于要求误差。
【总页数】6页(P162-167)【关键词】无线传感器网络;改进K-means算法;数据差异性;数据融合【作者】高红菊;刘艳哲;陈莎【作者单位】中国农业大学信息与电气工程学院【正文语种】中文【中图分类】TP202;TP212.9;TN929.5【相关文献】1.WSN中基于分簇的模糊加权数据融合算法 [J], 任秀丽;吉鹏硕2.基于自适应动态均匀分簇的WSN数据融合算法 [J], 杨婷3.基于证据理论的WSN分簇数据融合算法 [J], 周智洋;樊晓平;刘少强4.基于非均匀分簇和蚁群神经网络的WSN数据融合算法 [J], 杭超;李刚;谢昱卓;李雯珺5.基于分簇与自适应加权的WSN数据融合算法 [J], 陶志勇;王雪因版权原因，仅展示原文概要，查看原文内容请购买。
无线传感器网络簇内分级数据融合算法
无线传感器网络簇内分级数据融合算法李海永;李晓;张岩【期刊名称】《计算机工程》【年(卷),期】2011(037)012【摘要】In order to adapt to resources-constrained Wireless Sensor Network(WSN), an improved Fusion Algorithm of Hierarchical Data in Cluster for WSN is proposed on the basis of the Principal Component Analysis(PCA). Self-learning weighted method estimates measured variance of every sensor. The linear unbiased minimum variance estimate method is adopted, which is able to reduce the errors of measured datum of the cluster sensor nodes. The formulas of comprehensive support degree of each sensor and data fusion are obtained according to the PCA method. The application example and simulation results prove that the method is effective and reliable.%根据无线传感器网络(WSSN)资源受限的特点,在主成分分析融合方法的基础上提出一种WSN簇内分级数据融合算法.采用自学习加权方法估计各个传感器的测量方差,通过线性无偏最小方差估计法对簇内传感器节点的测量数据进行修正,用主成分分析方法得出各传感器的综合支持度和数据融合的公式.通过应用实例和仿真结果验证该方法的有效性和可靠性.【总页数】3页(P82-84)【作者】李海永;李晓;张岩【作者单位】中国科学院新疆理化技术研究所,乌鲁木齐830011;中国科学院研究生院,北京100049;中国科学院新疆理化技术研究所,乌鲁木齐830011;中国科学院新疆理化技术研究所,乌鲁木齐830011【正文语种】中文【中图分类】TP312【相关文献】1.一种能量高效和均衡的无线传感器网络分簇数据融合算法 [J], 乐俊;张维明;肖卫东;唐九阳2.无线传感器网络簇内多传感器数据融合算法 [J], 何学文;郑乐平;孙汗3.基于分簇的无线传感器网络簇内数据融合算法 [J], 翟建设;李娜;吴青4.无线传感器网络中一种基于非均匀划分的分簇数据融合算法 [J], 乐俊;张维明;肖卫东;汤大权;唐九阳5.基于簇内分层的无线传感器网络隐私保护数据融合算法 [J], 伍文华;宋玲;武佩宁因版权原因，仅展示原文概要，查看原文内容请购买。
无线传感器网络中的数据融合与分类方法研究
无线传感器网络中的数据融合与分类方法研究随着科技的不断发展，无线传感器网络（Wireless Sensor Network，WSN）在各个领域中得到了广泛的应用。
无线传感器网络由大量的节点组成，这些节点能够感知和收集环境中的各种数据，并通过无线通信相互连接。
然而，由于传感节点数量众多，数据规模庞大，如何高效地对数据进行融合和分类成为了一个重要的研究方向。
数据融合是指将传感器节点收集到的分散、离散的数据进行整合，以提供更准确、完整的信息。
在无线传感器网络中，数据融合的目的是减少数据冗余，降低能耗，并提高数据采集的稳定性和可靠性。
为了实现数据融合，有几种常见的方法可以采用。
首先，基于协作的数据融合方法是一种有效的方式。
这种方法基于节点之间的协作，将传感器节点的数据进行集成和融合。
在这种方法中，节点之间通过无线通信进行数据的交换和传输，从而实现数据融合。
通过充分利用网络中的各种资源和节点之间的合作，可以提高数据融合的效率和准确性。
其次，网络拓扑结构对数据融合的影响也是一个重要的因素。
对于无线传感器网络而言，合理的网络拓扑结构可以提高数据的传输效率和准确性。
例如，通过建立多跳通信的拓扑结构，可以避免单个节点的传输延迟和带宽瓶颈问题，提高数据的融合效果。
此外，采用分层结构的无线传感器网络可以有效地分配数据处理的负载，提高数据融合的速度和效果。
此外，对于不同类型的数据融合问题，可以采用不同的分类方法。
常用的分类方法包括基于特征选择的融合方法、基于聚类的融合方法和基于机器学习的融合方法。
基于特征选择的融合方法通过对传感器节点数据中的特征进行选择或提取，然后将这些特征进行融合。
通过选择最具代表性和关键性的特征，可以减少数据冗余，提高数据融合的效果。
这种方法适用于数据中特征维度较大的情况，可以有效地提取和融合有用的信息。
基于聚类的数据融合方法通过将传感器节点数据进行聚类，将相似的数据进行融合。
聚类方法可以将相似的数据归为一类，有效地减少数据冗余和噪声。
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。
基于模糊理论的无线传感器网络多层分簇式路由算法
基于模糊理论的无线传感器网络多层分簇式路由算法陆亚芳;易可夫;冯绪;万江文【摘要】In order to reduce the energy consumption and prolong the network lifetime of wireless sensor networks ( WSNs) ,an efficient multi-layer routing protocol through fuzzy logic based clusteringmechanism( MLFC) for WSNs is proposed. The MLFC mainly includes three steps. First,the network is divided into several layers based on the re-lationship between communication distance and energy. Second, cluster headers are elected among layers through fuzzy logic according tonode’s remaining energy, distribution density and concentration. Nodes join the cluster formed by the nearest cluster headers. Third,data packets are transmitted to the base station layer by layer. A multi-hop routing is constructed. Experiment results show that the MLFC is of benefit to balance the nodes energy consumption and achieves an evident improvement of network lifetime.%为了进一步降低无线传感器网络的能量消耗，延长网络寿命，提出一种基于模糊理论的多层分簇式路由算法（ MLFC)。
无线传感器网络中的数据融合处理方法
无线传感器网络中的数据融合处理方法无线传感器网络（WSN）是一种由大量、小型、低功耗的无线传感器节点构成的网络系统。
它可以实现对各种环境信息的实时采集和传输。
WSN技术在环境监测、智能交通、智能家居等领域得到了广泛的应用。
在WSN中，节点数量众多，信息源复杂，因此如何有效地融合数据成为了一个重要的问题。
数据融合是将多个传感器节点采集的原始数据进行整合、分析和处理，形成更加全面和准确的信息。
数据融合技术能够提高WSN的信息获取准确性和传输效率。
数据融合的方法有很多，根据处理的数据类型，可以分为时空数据融合和频谱数据融合。
时空数据融合主要用于处理WSN中的传感器数据，其目的是通过时间和空间的关系来融合和提取原始数据中的信息。
频谱数据融合主要用于处理WSN中的信号数据，其目的是通过对信号的不同频率分量进行分析和融合，从而提取信号中隐含的有用信息。
一、时空数据融合时空数据融合主要包括数据预处理、数据校正、数据插值、数据平滑和数据逆变换等步骤。
其中，数据预处理主要是对原始数据进行降噪和滤波，以去除噪声和错误信息。
数据校正是通过校正系数对多个传感器节点的数据进行统一的校正处理，以去除因传感器本身误差而引起的数据偏差。
数据插值是对数据采样点进行插值操作，以填补数据缺失的部分。
数据平滑是对数据进行平滑处理，以消除由噪声和差异引起的抖动现象。
数据逆变换是将经过变换的融合数据变换回原始数据空间，以便后续处理和应用。
时空数据融合的方法有很多，其中比较常见的有基于统计学的方法、基于神经网络的方法和基于模糊逻辑的方法。
例如，基于统计学的方法可以利用均值、方差等统计指标来对融合数据进行处理和分析；基于神经网络的方法可以使用神经网络模型对多个传感器节点的数据进行建模和预测；基于模糊逻辑的方法可以使用模糊逻辑模型对数据进行处理和推理。
二、频谱数据融合频谱数据融合主要包括频谱分析、频谱变换和频谱合成等步骤。
其中，频谱分析是对信号频率分量进行分析和提取，以确定频率上的信息特征；频谱变换是将信号从时域转换到频域，以便于进行频谱分析和处理；频谱合成是将经过变换的融合信号变换回时域，以便于后续处理和应用。
无线传感器网络中的数据融合算法应用
无线传感器网络中的数据融合算法应用无线传感器网络（Wireless Sensor Network，简称WSN）是由大量分布式、自组织的传感器节点组成的网络。
传感器节点具有感知、处理和通信能力，可以实时采集、处理和传输环境中的相关信息。
然而，由于传感器节点资源有限、通信带宽窄、能量有限等限制因素的存在，如何有效地处理和利用传感器节点采集到的信息成为了无线传感器网络中的重要问题。
数据融合算法是无线传感器网络中的一项核心技术，它通过将多个传感器节点采集到的数据进行整合和处理，以提高对目标区域环境的感知能力和数据采集效率。
数据融合算法基于数据融合理论和方法，通过对传感器节点采集到的原始数据进行预处理、筛选、融合和处理，得到更加准确、完整、一致、合理的数据结果。
数据融合算法在无线传感器网络中的应用广泛，可以解决诸如数据冗余、数据不一致、数据噪声和数据缺失等问题。
首先，数据融合算法可以通过对传感器节点采集到的原始数据进行去噪处理，消除噪声对数据结果的影响。
其次，数据融合算法可以通过对多个传感器节点采集到的数据进行冗余检测和缺失数据的补充，提高数据采集的可靠性和精确性。
在无线传感器网络中，数据融合算法的应用可以提高网络的能源利用效率和数据传输效率。
数据融合算法可以通过减少数据传输的次数和数据传输的距离，降低传感器节点的能量消耗，延长传感器节点的寿命。
同时，数据融合算法还可以通过对数据进行压缩和选择性传输，减少数据传输的带宽需求，提高数据传输的效率。
数据融合算法还可以提高无线传感器网络对目标区域环境的感知能力和数据处理能力。
传感器节点由于部署位置的不同，可能会受到环境干扰、信号衰减和数据丢失等问题的影响，导致数据的不一致性和不准确性。
数据融合算法可以通过对采集到的数据进行空间和时间的整合，消除这些问题的影响，得到更加准确、完整和一致的数据结果。
在实际应用中，数据融合算法可以广泛应用于环境监测、交通监控、农业监测、物流管理等领域。
无线传感器网络中的数据融合与处理算法研究
无线传感器网络中的数据融合与处理算法研究无线传感器网络（Wireless Sensor Networks，WSNs）是由许多分布式无线传感器节点组成的网络系统，它们能够感知、采集和传输环境中的各种信息。
WSN的应用领域广泛，包括环境监测、农业、医疗、智能交通等。
在WSN中，数据的融合与处理算法起着至关重要的作用，能够对传感器采集到的原始数据进行处理和分析，提取有用信息，为应用提供支持。
在WSN中，每个传感器节点都有一定的计算能力和存储能力，并能够通过无线通信与其他节点进行数据交换。
数据融合与处理算法旨在将来自多个传感器节点的数据进行合并和分析，从而获得更准确、全面的环境信息。
融合算法的设计需要考虑网络的能量消耗、通信开销和计算复杂度等因素。
下面将从数据融合与处理的角度，介绍WSN中常用的算法和技术。
首先，最简单的数据融合算法是平均值算法。
在该算法中，每个传感器节点采集到的数据直接平均求值，并将结果发送给基站节点。
这种算法简单易实现，但对于异常值的处理效果较差，且对网络能量消耗较大。
因此，为了提高数据融合算法的准确性和效率，研究人员提出了一系列改进算法。
其中之一是基于加权的数据融合算法。
该算法通过为每个传感器节点分配权重，对不同节点采集到的数据进行加权平均。
权重可以根据节点的位置、能量等因素进行动态调整。
通过合理分配权重，可以降低异常值对整体的影响，并提高融合结果的准确性。
此外，为了降低节点的能量消耗，还可以通过动态调整节点的工作状态，选择性地对数据进行采集和传输。
另一个常用的数据融合算法是基于卡尔曼滤波的算法。
卡尔曼滤波是一种基于状态空间模型的线性滤波算法，通过对观测数据和系统模型进行加权融合，可以估计出系统的状态。
在WSN中，卡尔曼滤波算法可以用于实现对环境状态的估计和预测。
通过预测环境的状态，可以优化节点的工作策略，实现能量的节约和数据的有效传输。
此外，还有一些用于数据融合与处理的新兴算法，如压缩感知算法和机器学习算法。
- 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中基于分簇的模糊加权数据融合算法任秀丽;吉鹏硕【摘要】为在数据收集和传输中保证数据的准确性和实时性,提出一种基于分簇的模糊加权数据融合算法(FWADF).在簇内利用模糊逻辑控制器分析节点数据的可信度,确保数据的可信性,同时加入对数据优先级的考虑,减少网络时延.在簇间采用模糊加权矩阵方法提高数据的准确性.在NS-2仿真工具上的实验结果表明,在同等数据流量的前提下,采用FWADF算法时数据到达基站的时间延迟最短,在节点收集相同数据量的情况下,与Proposed DF、VWFFA、FIM等算法相比,基站获得数据的平均准确率分别提高5.0％、16.1％、9.5％.%In order to ensure the accuracy and real-time of data in data collection and transmission,a Fuzzy-Weighted Algorithm for Data Fusion (FWADF) based on clustering is proposed.Fuzzy logic controller is used to analyze the reliability of node data in the cluster to ensure the credibility of the data.At the same time,the priority of data is added to reduce the network delay.In the cluster,fuzzy-weighted matrix method is used to improve the accuracy of the data.Experimental result with NS-2 simulation tool shows that,the time delay of arriving at the base station is the shortest under the same data traffic,when the nodes collect the same amount of data,compared with the algorithms such as Proposed DF and VWFFA,FIM,the average accuracy rate of the data obtained by base stations is increased by 5.0％,16.1％ and 9.5％ respectively.【期刊名称】《计算机工程》【年(卷),期】2018(044)003【总页数】6页(P109-113,118)【关键词】无线传感器网络;数据融合;模糊加权;实时性;可信度【作者】任秀丽;吉鹏硕【作者单位】辽宁大学信息学院,沈阳110036;辽宁大学信息学院,沈阳110036【正文语种】中文【中图分类】TP3910 概述无线传感器网络(Wireless Sensor Network,WSN)由大量分布在特定区域内,具有感知能力、存储能力和通信能力的无线节点组成。
WSN具有广泛的军事和民用价值[1-3]。
随着现代化通信设备、计算设备以及廉价传感器的出现,收集和处理大量信息变得较为容易,同时种类和内容也变得复杂。
庞大的数据,尤其是重复和错误数据,在传输过程中消耗大量的能量,数据融合可以减少冗余数据,降低能耗。
但是,在森林防火、智能小区等场景下,用户对数据信息的准确性和实时性有了更高的要求。
因此,在节省能耗的同时,提高数据准确性和实时性成为无线传感器网络数据融合的研究重点之一[4]。
文献[5-8]分别采用模糊集、神经网络、证据理论和FIM等算法进行数据融合,这些算法都没有考虑传感器节点的特点且假设收集的数据是正确的。
它们没有判断数据来源的可信度,因而数据的准确性得不到保障。
文献[9]提出了一种基于变权的融合算法(VWFFA),该算法考虑了通信过程中的一些影响因素对数据的加权处理。
文献[10]提出了一种改进的模糊融合算法(Proposed DF),通过考虑外界条件影响计算可信度进行加权融合。
两者都减少了冗余,提高了数据的准确性,但对于不同的融合阶段缺乏针对性,数据的准确性和实时性有待进一步提高。
基于上述问题,本文提出一种基于分簇的模糊加权数据融合算法(Fuzzy-Weighted Algorithm for Data Fusion Based on Clustering,FWADF)。
该算法采用改进的LEACH分簇模型,在簇内和簇间进行数据融合。
在簇内阶段,通过设置模糊逻辑分析器,分析传感器各种因素影响下采集数据的可信度,以提高数据准确性。
同时为融合队列设置不同的优先级,使得高优先级的紧急数据优先处理,提高数据的实时性。
在簇间阶段,由于簇间比簇内传递数据的距离更远,基站将簇头传递来的数据信息经过加权处理,融合提取有效数据,以提高数据准确性。
1 网络模型假设在特定区域A内分布着N个传感器节点和一个基站,在N个传感器节点中选出若干个簇头节点。
部分网络结构如图1所示。
图1 部分网络结构本文对网络模型做如下假设:1)所有节点同构且有固定的ID,在部署后和基站一样位置固定且已知,数据融合环境安全,无恶意节点干扰。
2)除基站外,剩余节点的能量是有限的,且初始值均为Einit,节点可以根据通信距离调整发射功率来节约能量。
3)在计算能力允许条件下,节点自带多种不同感知能力的传感器来收集各种数据,且一个节点设置一个模糊逻辑控制器系统。
模糊逻辑控制器(Fuzzy Logic Controller,FLC)的应用 [11]可以用来提高数据的准确性。
模糊逻辑控制器内的模糊逻辑系统是对区间Ⅱ型模糊理论[12]的扩展,考虑节点的当前温度、湿度和信噪比,创建隶属函数,为该节点进行可信度分析,并且为每个节点收集的数据包计算出一个置信因数(Confidence Factor,CF)。
2 模糊加权数据融合算法本文提出的数据融合算法将加权矩阵与模糊逻辑思想相结合,而且通过优先级预防拥塞,降低了数据延迟,提高了数据准确性和实时性。
该算法适用于基于分簇的无线传感器网络,用于在簇内传感器节点的数据融合和簇间的簇头节点的数据融合。
2.1 簇内数据融合假设i节点在t时刻测得某类j的感知值为dij(t),i∈[1,N],j∈[1,M]。
式(1)表示从节点i收集来的全部同类数据:(1)外界复杂的环境会影响传感器收集数据的准确性。
根据实际工作环境的不同,设置不同的影响变量生成FLC。
考虑到在智能小区的场景下,影响传感器性能的3个主要因素:日常降水,日照强度,传播信噪比。
因此,与本文的湿度、温度、信噪比相对应,将它们作为模糊逻辑控制器的输入变量得出可信度。
在分簇之初,可信度过低的节点自动放弃不参与成簇。
根据文献[10]中的函数和规则,利用式(2)计算输出变量,即置信因数。
⊆[0,1](2)其中,u表示主隶属度值,Jx表示主隶属度的值域,区间II型模糊集的二级隶属度值为当置信因数低于0.5时,表明数据不可靠,故作为淘汰节点,不参与成簇。
簇头节点通过以下机制产生。
传感器节点生成的随机数在 (0,1)之间。
如果小于阈值T,则选该节点为簇头节点。
由于部分节点不参加成簇,在LEACH算法的基础上对P进行参数优化,T的计算公式如下:(3)其中,p为节点中成为簇头的百分数,r是当前的轮数,表示对簇头百分数的优化参数,n为未加入淘汰节点个数,G表示最近r mod[1/(lp)]轮循环中没有当过簇头的节点集合。
节点当选簇头后,通知其他节点自己是新簇头,非簇头节点根据到簇头距离的远近选择加入簇。
节点分簇情况如图2所示。
图2 节点分簇情况示意图假设每轮有K个簇,分簇完成后,进入稳定状态传播数据。
每个传感器通过生成的FLC为数据dij(t)产生一个置信因子CFi,i∈[1,Nk],Nk表示第k个簇的簇内节点数,k∈[1,K]。
在普通情况下,融合方程如下:(4)将其改写为矩阵形式,并提取置信因子,如式(5)所示。
{fd1,fd2,…,fdM}(5)其中,Vfd={fd1,fd2,…,fdM}为一个簇内节点融合后的结果,在系统中,根据收集数据的种类划分成多个等长的队列[13]来对数据融合缓存,每个队列使用不同优先级标记为0到Pmax。
在通常情况下,数据直接进行融合处理。
在紧急情况下,当节点收集数据时,对数据进行自适应量化分级,簇头节点会按照产生的数据优先级,对高优先级数据优先融合处理,同时通过聚合因子预防拥塞。
簇头节点收到来自簇内Nk个节点的数据信息M×Nk个,其中M为数据的种类。
将需要查询的紧急数据放到高优先级的队列,先进行融合并上传。
每个队列最多容纳消息M×Nk/(1+Pmax)个,其聚合度因子βi为:(6)其中, i为数据进入的优先级,TDi是优先级为i的数据的每跳延迟,即数据到达该节点后转发到下一跳节点的时间间隔。
根据队列的占用率调整βi的值,占用率低,则减少βi的值;占用率高,则增大βi的值。
以此避免数据链路层的拥塞,保证数据快速处理。
2.2 簇间数据融合如果事件监测值融合后的结果和簇头节点原有的值相同,簇头不再向基站传递数据以节省能量的消耗;如果不同,则向基站传递数据,即为Vfd={fd1,fd2,…,fdM}。
假设有K个簇要上传数据给基站,由于簇间数据传递的距离较远,要考虑传送过程的时间延迟、数据量等因素来保证到达基站数据的准确性。
在文献[10]中Proposed DF 算法只考虑了环境影响,没有考虑传送过程中数据的影响。
本文结合时间延迟、数据量、簇头节点可信度进行综合考虑,通过模糊逻辑方法完善权值计算。
基站融合值VFD 是将各个簇发送的值Vfd1,Vfd2,…,Vfdk,根据每个簇头的权值进行矩阵计算得到的结果,Vfdk表示第k个簇头上传给基站的数据集。
假设式(7)为计算融合权值的因素:E={E1,E2,E3}(7)其中,E1代表传播时延,E2代表传输数据量,E3为簇头的可信因数CF。
每个因素发挥作用的融合权重模糊集的隶属度为Uj(j=1,2,3),U1表示小模糊集,U2表示中模糊集,U3表示大模糊集。
R表示E到U的关系矩阵。
R中元素rij是Ei到Uj的隶属度。
设wi代表Ei的权值;FCH表示每个簇头的融合权值;a、b、c分别表示U3、U2、U1在U中的量化值;eij(t)表示ID为i的簇头的初级融合数据Vfd,则:(8){FD1,FD2,…,FDM}(9)综上所述,最后基站中的数据融合结果为:VFD={FD1,FD2,…,FDM}2.3 算法实现本文提出的算法是基于改进的LEACH分簇模型。