无线传感器数据融合与时钟同步研究论.docx

无线传感器网络的数据融合与时钟同步机制研究摘要为了保障重大工程结构的安全性、适用性与耐久性等，对己建成使用的许多重大工程结构和基础设施需采用有效的健康监测手段来评定其安全状况。传统的结构健康监测通常采用有线方式，这种方式线路铺设工作量大、维护困难、布点不灵活。无线传感器网络以其高密度、低功耗、低维修费用、易于安装、布点灵活等优点在健康监测中将发挥重要作用。目前对于无线传感器网络的研究，主要集中在传感器节点的路由算法、能量算法、传感器组网以及传感器网络管理等方面，而对于无线传感器的数据融合和时钟同步等方面还不多，本文探讨了无线传感器网络有关数据融合和时钟同步的相关理论。主要研究内容如下:(l)在分析比较现有无线传感器网络数据融合算法的基础上，提出了一种动态自适应制数据融合机制(WADA)，该机制主要思想是根据接收到的数据应答包数量，动态调整最大延迟时间，并最大延迟时间按照递减规则分配至各层节点，以平衡数据的准确性和实效性。(2)详细分析了无线传感器网络(WSN)中时钟同步技术的特点、种类及其在WSN设计中的作用给出了一种全面的研究体系内容提出了两种技术方案：一种是以在传统局域网范围内实现的精度达100ns的同步技术为基础进行无线电媒介下的改造；另一种是Internet的NTP协议的精简及向WSN的移植。关键词:无线传感器网络，数据融合，时间同步Research on Mechanism of Data Fusion and Time Synchronization for Wireless Sensor NetworkWang weiAbstractIn order to guarantee the security， serviceability and durability etc. of significant engineering structures， an effective way of structural health monitoring(SHM) should be adopted for a lot of established significant engineering structures and infrastructural facilities to appraise theirs safe situation. Traditionally， the wired way is adopted generally， which takes a great deal of work to lay circuit， maintain the structures difficultly and cant locate nodes nimbly. The wireless sensor network will play an important role in SHM for its high density， low-power consumption，less assembling time and locating nodes nimbly.At present, the research of wireless sensor network focuses on routing algorithms of sensor node, energy algorithm, organization algorithm and management scheme on wireless sensor network. There is less research about the data and clock synchronism algorithm. In this paper，the related theory about the wireless sensors data fusion，time synchronization have been researched. The main contents include:(1) A wait-time adaptive data aggregation scheme (WADA) by analyzing the existing achievement for data fusion of WSN is presented. The main idea is to adaptively adjust maximum wait time based on the number of data responses and allocate the wait time to the node in each layer degressively as well as balance the accuracy and effectiveness.(2) This paper gives a detailed analysis on the characteristics and category of clock synchronization and its application to the design of wireless sensor networks(WSNs)A comprehensive research architecture is presented，and two technical schemes are proposed, i.e., the reform of LANbased 100ns precision clock synchronization technique under radio media，and the simplification of network time protocol (NTP) and its transplantation into WSNsKeywords：Wireless sensor network, data fusion, clock synchronization,目录第一章 绪论51.1研究目的与意51.2相关研究领域及其发展现状51.2.1无线传感器51.2.2数据融合61.2.3时间同步7第二章 无线传感器网络数据融合理论研究82.1数据融合定义82.2数据融合模型102.2.1JDL模型102.2.2UK情报环112.2.3Boyd控制环112.2.4瀑布模型122.2.5Dasarathy模型122.3无线传感器网络数据融合分类132.4无线传感器网络数据融合方法152.4.1估计方法152.4.2统计方法152.4.3信息论方法162.4.4人工智能方法172.4.5遗传算法和模糊聚合相结合182.4.6模糊系统与神经网络相结合18第三章 无线传感器网络时钟同步理论研究183.1无线传感器网络时钟同步基本原理193.1.1节点物理时钟193.1.2节点的逻辑时钟。203.2时钟同步原理203.3同步分类213.4时钟同步算法分类及比较223.4.1基于发送者的同步模型223.4.2基于发送者-接收者交互的同步233.4.3基于接收者-接收者交互的同步23第四章 数据融合算法设计实现244.1 设计原则244.2详细设计25第五章 两种时钟同步算法设计实现26第六章 总结29致谢29参考文献29第一章 绪论1.1研究目的与意为了保障重大工程结构的安全性、完整性、适用性与耐久性，对己建成使用的许多重大工程结构和基础设施需采用有效的健康监测手段和评定其安全状况、维护和修复的方法，进行健康监测，这种监测过程和手段就是“结构健康监测”(Structural Health Monitoring，SHM)。对于无线传感器及其网络的研究，主要集中在传感器节点的路由算法、能量算法、传感器组网以及传感器网络管理等方面，而对于无线传感器的数据融合和时钟同步等方面研究还不多。在无线传感器网络中，由于节点资源在电池能量、处理能力、存储容量和通信带宽等方面十分有限，收集数据时采用各个节点单独传送到汇节点显然不合适。为避免浪费能量和通信带宽，提高数据聚集的效率，需要采用网内融合机制(in-net data fusion)处理同一类型传感器的数据。数据融合为无线传感器网络带来的能量节约等益处已经在理论上和实验中得到证实。在结构化监测中，土木工程结构正向超大化、复杂化方向发展，这样使得实际的无线传感器网络是一种节点密集度比较大的网络。整个系统所要实现的功能需要网络内所有节点相互配合共同完成，这就对各节点的时钟同步提出了要求。此外，节点间的数据融合和节点间通信的调度算法等也对系统提出了不同精度的时间同步要求。时钟同步是无线传感器网络数据处理的基础。在结构健康监测应用中，要采集分散在各处节点的数据，这些数据往往具有相关性，因此必须保证数据采集的同步，要求无线传感网络提供时序同步机制。但传统的分布式系统的集中同步方式已经不适应于传感网络，已知节点每传输一位信息所需的电能足以执行3000条计算指令，因此，如采用传统的同步方法会传送大量的时间信息，势必会耗费节点的大量电能，不适合能量受限的无线传感器网。因此，针对无线传感器网有限的传输带宽和有限的计算资源特点，要保证各节点数据的同步性和不失真性，必须提出有效的时钟同步、数据融合算法，才能推广到具体工程应用中。1.2相关研究领域及其发展现状1.2.1无线传感器无线传感器网络是从传感器网络开始的，传感器网络经历了五个发展历程5。第一代传感器网络出现在20世纪70年代，使用具有简单信息信号获取能力的传统传感器，采用点对点传输、连接传感控制器构成传感器网络；第二代传感器网络，具有获取多种信息信号的综合能力，采用串并接口与传感控制器相联，构成有综合多种信息的传感器网络；第三代传感器网络出现在20世纪90年代后期和本世纪初，采用现场总线连接传感控制器，构成局域网络，成为智能化传感器网络；第四代传感器网络正在研究开发，目前成形并大量投入使用的产品还没有出现，用大量的具有多功能多信息信号获取能力的传感器，采用自组织无线接入网络，与传感器网络控制器连接，构成无线传感器网络。近年来，无线传感器网络的研究项目主要有:由美国加州大学洛杉矶分校和罗克维尔自动化中心共同开发的DARPA项目6，UCLA和Rockwell研究中心的CENS项目7，由Intel公司、 Carnegie Mellon大学和U.C Berkeley给出的IRIS传感器网络的系统结构，由普林斯顿大学电子工程系提出并实施的ZebraNet工程，由MIT承担的uaMPS68，由 U.C Berkeley、 UCLA、MIT、哈佛在内的25个研究机构共同承担的SensIT项目9，美国sandia国家实验室与美国能源部合作、共同研究的防范生化武器袭击系统等。我国从2002年前后开始开展无线传感器网络的研究工作，国内研究起步较早的有中科院上海微系统研究所、沈阳自动化所、软件研究所、计算所、电子所、自动化所和合肥智能技术研究所等科研机构，清华大学、哈尔滨工业大学、西北工业大学、天津大学、北京邮电大学和国防科技大学等院校。2004年起有更多的院校和科研机构加入到该领域的研究工作中来。1.2.2数据融合数据融合技术的雏形出现在第二次世界大战末期，在高炮火力控制系统中同时使用了雷达和光学传感器。这两种传感器信息的组合，不仅有效地提高了系统的测距精度，也提高了恶劣气象下抗干扰能力。不过，当时这两种数据的综合评判是靠人工完成的，质量不高，速度缓慢，这种系统没有对战争形势产生重大影响，也没有引起人们的充分注意。20世纪70年代，在1973年美国国防部资助的声纳信号理解系统中，才正式提出数据融合 (Data Fusion)的概念。1984年，美国三军政府组织中的C3委员会成立了数据融合专家组(Data Fusion Subpanel，DFS)。1988年起，SPIE(国际光学工程学会)开始连续主持召开有关数据融合的学术会议。1989年9月，Ren C. Luo在IEEE Trans. on SMC上发表了综述性文章 Multi sensor Integration and Fusion in Intelligence systems，对此前这方面工作进行了概括总结，自此这一方向的研究变得十分活跃。Hall和Llinas的专著多传感器数据融合手册10详尽论述了数据融合的模型、术语、算法(包括多目标多传感器跟踪算法、图像融合当中的图像配准算法、决策级数据融合算法等)等，是研究数据融合的基础。Blackman的多目标跟踪及在雷达中的应用11给出了数据融合在目标跟踪领域的应用。国外一些大学也早在20世纪80年代就成立了数据融合研究机构，华盛顿的 George Mason大学在 1989年成立了C3I研究中心，现更名为C4I研究中心，致力于为美国军方和相关政府部门提供学术支持。美国加州大学伯克利分校和麻省理工学院等一批高校分别开展了传感器网络的基础理论和关键技术的研究。国内的研究是从20世纪80年代末开始出现多传感器信息融合技术研究的报道。到了20世纪90年代初，随着各类传感器的研制成功，在政府、军方和各种基金部门的资助下，国内一批高校和研究所开始从事这一技术的研究工作，取得了大批理论研究成果，与此同时，也有数据融合的译著和专著出版，其中有代表性的有:刘同明、夏祖勋和解洪成的数据融合技术及其应用12，杨万海的多传感器数据融合及其应用13，康耀红的数据融合理论与应用14，戴亚平、刘征和郁光辉的译著多传感器数据融合理论及应用15，徐科军的传感器与检测技术16，杨国胜、窦丽华的数据融合及其应用17。从20世纪90年代末至今，数据融合在国内已经发展成为多方关注的共性关键技术，许多学者致力于机动多目标跟踪、分布式数据融合、身份识别、态势估计、威胁判断、告警系统、决策信息融合等研究。1.2.3时间同步时钟同步是任何分布式系统的重要组成部分，在目前传感器网络的配置管理上也是一个重要的问题。早在上个世纪60年代末70年代初，随着分布式系统的出现和发展，如何实现多个节点间的时钟同步，就已经成为人们研究和关心的热点。因为作为一个分布式系统，有效的时钟同步能够保证系统进程之间相互稳定、协调的工作，精确地记录各种事件到达、请求和完成的时间，并且能够保证获得系统精确的全局状态。当一个传感器进行读操作来确定正确的事件年表时，进行时钟同步是很重要的。例如，根据事件的时间序列进行速度估计；测定声速进行物体定位:避免不同的传感器对相同的事件重复检测，产生冗余信息。目前，时钟同步问题也面临着许多挑战:首先，资源的限制如有限的电池和有限的带宽，使得大部分算法尽力实现数据包传输的低开销。第二，无线介质的广播本质引入了数据包的冲突甚至丢失，这就增大了数据包路由的延迟方差。第三，传感器网络是由许多低廉的传感器组成，用低廉的晶体提供时钟，这样的时钟更易受时钟的漂移的影响，且变化速率未知。1974年，美国科学家Arvind首先在“IEEE Trans.Of Parallel and Distributed systems”发表了与时钟同步相关的研究文章“probabilistic Clock Synchronization in Distributed systems”。这也预示着对时钟同步问题的研究己经进入到一个崭新的领域。进入上个世纪八十年代后，随着计算机的普及和发展，在时钟同步方面的研究取得了很大的进展。许多有关时钟同步问题的研究都受到政府各种基金的资助。例如在美国，美国国防部、美国航空航天局资助了许多有关时钟同步方面的研究项目。1988年美国航空航天局发布的技术备忘录 (NASA Technical Memorandum)中就有专门讨论时钟同步问题的综述性论文“A Survey of Correct Fault-Tolerant Clock Synchronization Techniques”。这篇论文不仅详细地论述当前各种时钟同步技术和方法，而且还特别论述了有关时钟容错和修正方法问题。最后论文还提出了时钟同步领域未来的研究方向。现存的时钟同步方法有 GPS(Global Positioning system)18，能够对网络中每一个节点提供精确的时钟。但是GPS有着内在的不足，即要求节点在卫星轨道的直线视野内，因此不适用于室内网络，同时当户外节点由于建筑物、山脉等成为模糊节点，GPS也不能胜任。Ganeriwal et al19提出了一个层次同步法，算法由级别发现和同步两个阶段组成。在级别发现过程，每个节点都被分配一个级别，级别值表示了他与根节点的距离跳数。在同步阶段，每个节点与他的父节点交换时间戳，实现下游节点存在的问题和研究目标与上游父结点的同步。这种方法简单易行，级别发现过程类似于树的生成过程，但是随着树的深度增大，同步的精度会变差。第二章 无线传感器网络数据融合理论研究无线传感器网络感兴趣的是具有特定属性的感知数据，信息的传送是以数据为中心的。由于传感器节点数量大且随机分布，相邻的传感器对同一事件进行监测所获得的数据具有相似性，而传感器节点在能量、存储空间与计算能力上有限，因此冗余数据的传送在一定程度将消耗过多的能量，缩短整个网络的生存期。为避免上述问题，传感器网络在收集数据过程中需要使用数据融合技术，即将来自多传感器节点的数据进行综合处理，得出更为准确完整的信息。2.1数据融合定义数据融合是将不同来源、不同模式、不同媒质、不同时间、不同表示的信息有机的结合，最后得到对被感知对象的更精确的描述。融合一般可以简单地认为是将多个源节点采集到的数据中的冗余部分去掉，当然也有一些融合函数是传送多份数据中最大的或最小的数据等等。在本文中，假定中间节点将只传送一份报文，即使其收到了多个数据报文。在传感器网络中数据融合作用表现在三个方面:节省能量，提高信息准确度和提高数据聚集效率。由大量传感器节点组成的传感器网络中，单个节点的监测范围和可靠性都是有限的，在部署网络时，需要使传感器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相互交叠。这种监测区域的相互交叠导致邻近节点聚集的信息存在一定程度的冗余。在冗余程度很高的情况下，把这些节点报告的数据全部发送给汇节点与仅发送一份数据相比，除了使网络消耗更多的能量外，汇节点并未获得更多的信息。因此在从各个传感器节点聚集数据的过程中，应利用节点的本地计算和存储能力处理数据，进行数据融合操作，去除冗余信息，尽量减小传输量，从而达到节省能量的目的。由于成本、体积等限制导致传感器较低精确度，无线传输的数据易受干扰，以及工作环境等因素影响，导致传感器节点易失效。仅聚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，因此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确度和可信度。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个数，可以减少传输中的冲突碰撞现象，也能提高无线信道的利用率。数据融合技术研究起源于美国军事C3I工系统建设需求，通过对各传感器信息获取、综合、滤波估计、融合，实现自动化指挥。无线传感器的融合技术与传统多传感器不同体现在以下几个方面:(l)稳定性。传统多传感器融合系统是通过扩展空间覆盖范围与提高抗干扰能力，增强运行的鲁棒性。无线传感器网络则从提高数据收集效率出发，数据融合多基于网内(局部范围)进行。考虑到部分节点由于恶劣环境因素或自身能量耗尽造成失效情形，稳健性和自适应性是传感器网络数据融合实现的前提需求。(2)数据关联 (Data Association)。传统多传感器的数据融合着重解决多目标的数据关联问题。而无线传感器网络由于大量节点之间的通信可能引起的干扰，且传感器测量存在的不精确性，因此更多的在于解决数据的相关二义性问题。(3)能量约束。无线传感器中节点能量有限，且节点发送与接受数据的耗能要远大于计算与存储能耗，因此网络数据的融合应考虑节点的能耗与网络能量的均衡，选择合适的融合处理节点。目前在无线传感器网络研究领域，许多学者将数据融合技术与协议层次研究相结合。如在应用层设计中，利用分布式数据库技术，对采集的数据逐步筛选，达到融合的效果；在网络层研究中，许多路由协议都采用了数据融合的机制，目的是减少传输数据量。数据融合简单应用的例子如图1所示。传感器节点S1，S2，Sn从周围的环境中采集数据Xl，X2，Xn，并基于一些探测条件将其转为二进制结果bl，b2，bn。然后，传感器节点将这些结果传送给数据融合节点。数据融合节点则根据接收到的结果来判断环境中所探测事件的有无，并将最终结果传送给基站。图1 WSN中数据融合的一个简单例子2.2数据融合模型从认识到数据融合技术的重要性开始，研究人员就在试图建立一个数据融合的统一的理论框架，尽管这个框架至今没有形成，但是还是提出了许多抽象的模型，这些模型在某些领域具有完整的意义和适用性，同时也试图实现一定的通用性。它们的共同特点是融合过程的多级处理。现有的模型大致分为两类：(l)功能型模型，主要是突出融合的过程，按节点顺序构建；(2)数据型模型，主要突出融合的数据对象，根据数据的提取加以构建。典型的功能型模型包括有UK情报环。Boyd控制回路 (OODA环)，典型的数据型模型则有JDL模型，至20世纪90年代又发展了瀑布模型和Dasarathy模型。 1999年Mark Bedworth等综合几种模型，提出了一种新的混合模型。2.2.1JDL模型JDL模型由美国国防部所辖三军政府组织实验室联合理事会(JDL：Joint Directors of Laboratories)于1985年提出。后来经过改进基本上已经成为美国军事领域数据融合的事实上的标准。修正后的模型如图2。JDL模型把数融合分成五级，实际当中可以看成低层数据融合、高层数据融合以及过程数据融合。低层数据融合包括第0，1级，实现从传感器来的数据预处理、目标检测与跟踪；高层数据融合包括第2，3级，对低层传来的信息进行融合实现态势与威胁的估计；而过程优化是针对整个融合系统本身的，实现对融合过程的评估和提出合理的系统改进建议。数据库管理系统维护和提供融合时需要的知识和历史数据。从模型中数据用总线形式而不是一个顺序流结构可以看出，JDL模型并没有对各层作硬性的顺序规定。但在实际操作中，人们似乎偏向于默认这种融合层的结构是按顺序进行的。图2 JDL数据融合模型2.2.2UK情报环情报处理通常包括信息处理和信息融合两部分，英国情报部门把情报处理过程看成是一个循环过程，从而得到UK情报环 (UK Intelligence Cyele)，如图3所示。这个环状结构包括四个阶段。收集 (Collection):通常使用传感器或者人工得到的初始信息。这些数据或信息用高层次形式表示，比如规范的报表或者文字形式。整理(Collation):相关的情报做关联处理并结合在一起，通常还会作一些合并或者压缩。整理报告将打包送往下一步进行融合。评估 (Evaluation:上一步的整理报告在这里融合和分析，以往这一过程是通过专业的情报分析人员完成的。分发(Dissemination):融合的情报分发到各个用户，以便让他们做出正确的决策和行动，以及对进一步情报收集的部署。图3 UK情报环2.2.3Boyd控制环Boyd控制环(Boyd Control Loop)又称OODA环(observe，orient，Decide，Act)。它首先用于军事指挥处理，目前大量用于数据融合。Boyd控制环由四个阶段组成，如图4所示，形成一个闭合回路。Boyd控制环的四个阶段与JDL模型具有明显的相似之处，不过在这里己经把循环迭代更加明显地表示出来。第一个阶段“观测”同JDL模型的第0级以及UK情报环的“收集”阶段类似，是数据、信息的采集阶段。“定向”阶段确定大的方向，具有一些JDL模型中的第1，2，3级完成的功能，与UK情报环中“收集”、“整理”部分相当。“决策”阶段制定反应计划，功能包括JDL模型中的第4级过程优化以及UK情报环中的信息“分发”，还包括一些后勤管理和计划编制等过程。第四个阶段“行动”就是执行计划，同时考虑实际决策的效果来完成闭环控制。很明显看出Boyd控制环模型是一个顺序循环过程，各个阶段之间的影响只有顺序性，随着融合的进行，传递到下一阶段的数据量不断减少。图4 Boyd控制环2.2.4瀑布模型瀑布模型(Water fall Model)由Bedworth于1994提出并被英国政府技术预测组织的数据融合工作组认可。它强调底层的数据处理，如图5，在这个模型中融合的循环回馈过程并没有明确，而是注重对数据融合过程的细化。这个模型除了在英国军方外其它领域很少有应用。图5 瀑布模型2.2.5Dasarathy模型在数据融合领域的研究中，许多研究人员倾向于把数据融合过程抽象为三个主要层次:决策(Decision)、特征(Feature)和数据(Data)。决策可以看成是符号和信度值，特征可以看成中间信息，数据表示更具体的传感器数据。Dasarathy认为融合可能发生在同一层，也可以发生在不同层之间，因此他提出一个基于数据(信息)传递过程的融合模型，融合就是在这个过程中实现。表1为Dasarathy提出的5个层次的融合模型。表1：Dasarathy五级融合模型输入输出表示说明数据数据DAI-DAO数据级融合数据特征DAI-FEO特征选择和特征提取特征特征FEI-FEO特征级融合特征决策FEI-DEO模式识别和模式处理决策决策DEI-DEO决策级融合2.3无线传感器网络数据融合分类数据融合结构的分类有很多种不同的方法，第一种分类方法是基于各传感器数据在输入到融合处理器进行融合之前被处理的程度，数据融合结构被分为传感器级融合、中央级融合及混合式融合。第二种分类方法是按照数据抽象的三个层次，分为像素级融合、特征级融合和决策级融合，如图6所示。 6.a)像素级融合 6.b)特征级融合6.c）决策级别融合图图6 数据融合结构(1)像素级融合像素级融合，也称为像元级融合或数据级融合，是直接在采集到的原始数据层上进行的融合，在各种传感器的原始测报未经预处理之前就进行数据的综合和分析。这是最低层次的融合，如成像传感器中通过对包含若干像素的模糊图像进行图像处理和模式识别来确认目标属性的过程就属于像素级融合。这种融合的主要优点是能保持尽可能多的现场数据，提供其它融合层次所不能提供的细微信息。这种融合是在信息的最低层进行的，传感器的原始信息的不确定性、不完全性和不稳定性要求在融合时有较高的纠错处理能力。要求各传感器信息之间具有精确到一个像素的校准精度，故要求各传感器信息来自同质传感器。像素级融合通常用于:多源图像复合、图像分析和理解、同类(同质)雷达波形的直接合成、多传感器遥感信息融合等。(2)特征级融合特征级融合属于中间层次，它先对来自传感器的原始数据提取特征信息，一般来说，提取的特征信息应是像素信息的充分表示量或充分统计量，比如特征信息可以是目标的边缘、方向、速度、区域和距离等，然后按特征信息对多传感器数据进行分类、汇集和综合。特征级融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。特征级融合可划分为两大类:目标状态数据融合和目标特性融合。目标状态数据融合主要用于多传感器目标跟踪领域。融合系统首先对传感器数据进行预处理以完成数据配准，数据配准后，融合处理主要实现参数相关和状态向量估计。特征级目标特性融合就是特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是在融合前必须完成先对特征进行相关处理，把特征向量分成有意义的组合。(3)决策级融合决策级融合是一种高层次融合，融合之前，每种传感器的信号处理装置已完成决策或分类任务。信息融合只是根据一定的准则和决策的可信度做最优决策，以便具有良好的实时性和容错性，使在一种或几种传感器失效时也能工作。决策级融合的结果是为指挥控制决策提供依据，因此，决策级融合必须从具决策问题的需求出发，充分利用特征级融合所提取的测量对象的各类特征信息，采用适当的融合技术来实现。决策级融合是直接针对具体决策目标的，融合结果直接影响决策水平。决策级融合的主要优点有:具有很高的灵活性；系统对信息传送的带宽要求较低；能有效地反映环境或目标各个侧面的不同类型信息；当一个或几个传感器出现错误时，通过适当的融合，系统还能获得正确的结果，所以具有容错性；通信量小，抗干扰能力强；对传感器的依赖性小，传感器可以是同质的，也可以是异质的；融合中心处理代价低；但是，决策级融合首先要对原传感器信息进行预处理以获得各自的判定结果，所以预处理代价高。2.4无线传感器网络数据融合方法数据融合方法种类繁多，图7归纳了常用的一些信息融合方法。图7 常用的数据融合方法2.4.1估计方法加权平均法是一种最简单和直观的方法，即将多个传感器提供的冗余信息进行加权平均后作为融合值该方法能实时处理动态的原始传感器读数，但调整和设定权系数的工作量很大，并具有一定的主观性。极大似然估计法不仅对任何总体皆可用，且在相当广泛的条件下用此法所获估计量具有一致性、渐近正态性及渐近最小方差性。尽管所获统计量不一定具有无偏性，但常可通过修正成为无偏估计量。然而不是所有待估计的参数都能求得似然估计量，且使用极大似然估计法求估计量时，往往要求解一个似然方程。最小二乘法的准则是选取X使得估计性能指标（估计误差的平方和）达到最小。当各次数据测量精度不等时，应采用加权处理，对精度较高的测量结果赋以较大的权。最小二乘法是以误差理论为依据，在诸数据处理方法中，误差最小，精确性最好。在实际工作中，常需要对新获得的数据进行实时处理，每增加一个数据都需要重新对所有的数据进行计算，计算量较大。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统不需要大量的数据存储和计算。这种方法实时性好，适合于处理动态的、低层次、冗余的数据，缺点是仅仅能够处理线性问题，观测度不高，易发散。2.4.2统计方法贝叶斯估计是融合静态环境中多传感器高层信息的常用方法。它把每个传感器看作是一个贝叶斯估计器，将每一个目标各自的关联概率分布综合成一个联合后验分布函数，随着观测值的到来，不断更新假设的联合分布的似然函数，并通过该似然函数的极大或极小进行数据的最后融合。贝叶斯推理解决了部分经典推理中的问题，其难点是定义先验似然函数，在存在多个潜在假设和多个条件独立事件时比较复杂，要求有些假设是互斥的和缺乏通用不确定性能力。经典推理和统计方法是在已知先验概率的情况下求所观察事件的概率。它建立在牢固的数学基础之上缺点是先验概率往往是不确知的；在一个时刻只有估计二值（H0和H1）假设的能力；对多变量情况，复杂性指数增加，不存在先验似然估计的优点。D-S证据理论是一种广义的贝叶斯推理方法，它采用概率区间和不确定区间来求取多证据下假设的似然函数，允许对部分数据支持和似是而非之间存在的不确定事件定义等级，从而客观地描述不确定事件。其优点是具有较强的理论基础，既能处理随机性导致的不确定性，又能处理模糊性导致的不确定性；可以依靠证据的积累，不断地缩小假设集；能将“不知道和“不确定”区分开来；不需要先验概率和条件概率密度。不足之处在于其组合规则无法处理证据冲突且无法分辨证据所在子集的大小，从而按不同的权重聚焦；其次，证据推理的组合条件十分严格，要求证据之间是条件独立的，且辨识框架能够识别证据的相互作用；第三，证据组合会引起焦元“爆炸”，焦元以指数级数递增，增大计算量。品质因数是一种度量机制，它来源于一些直观的或具有启发式的证据，这些证据有助于在观测值与物体属性之间建立关联。品质因数技术就是试图在多个证据间找到某种关系，以改善输入数据之间关联和分类的效果。该方法常用于相关和自相关方案中，以进行联系程序的定量说明。品质因数算法相对简单，缺点是不能及时地反映出观测环境的影响。2.4.3信息论方法聚类分析技术是一种启发性算法，用来把数据组合为自然组或者聚类。这些聚类可解释为一种分类或者识别形式。所有的聚类算法都需要定义一个相似性度量或者关联度量，以提供一个表示接近程度的数值，从而可以开发一些算法，以对特征空间中的自然聚集组进行搜索。聚类分析能发掘出数据中的新关系，以导出识别范例，因而是一个有价值的工具。缺点是其算法的启发性质使得其应用存在很大的潜在倾向性。模板法使用预先建立的边界来确定身份分类。假设能把多维特征空间分解为不同区域，每一区域表示一个身份类别。通过特征提取处理建立一个特征向量，将该特征向量变换到特征空间中，与预先指定的位置比较，若观测落到一个身份类别的边界内，则认为该观测具有与其关联的身份类同样的身份。缺点是特征空间中所划分的体积相互覆盖使识别产生模糊性，并且该方法强烈依赖于特征的选择及它们在特征空间中的相互关联分布。熵理论法主要用于计算与假设有关的信息的度量，主观和经验概率估计等。从把多个传感器的观测数据组成特征说明来看，熵理论法是在概念上最简单的方法，但是由于要对传感器输入加权以及应用了阈值和其他判定逻辑，从而增加了算法的复杂性。尽管如此，对于实时性要求很强的系统，当准确的先验统计不可利用，或者从整个成本效益观点来看，熵理论法仍具有较大的应用空间。2.4.4人工智能方法模糊逻辑是多值逻辑，用一个0-1之间的实数来表示真实度，相当于隐含算子的前提，允许将多个传感器信息融合过程中的不确定性直接表示在推理过程中。与概率统计方法相比，模糊逻辑推理对信息的表示和处理更接近人类的思维方式，适合在高层次上的应用（如决策）。但由于模糊推理对信息的描述存在较大的主观因素，所以信息的表示和处理缺乏客观性。产生式规则采用符号表示目标特征和相应传感器信息之间的联系，与每一个规则相联系的置信因子表示它的不确定性程度。当在同一个逻辑推理过程中，两个或多个规则形成一个联合规则时，可以产生融合。问题是每个规则的置信因子的定义与系统中其他规则的置信因子相关，如果系统中引入新的传感器，需要加入相应的附加规则。神经网络具有很强的容错性以及自学习、自组织及自适应能力，能够模拟复杂的非线性映射。在多传感器系统中，各信息源所提供的环境信息都具有一定程度的不确定性，对这些不确定信息的融合过程实际上是一个不确定性推理过程。神经网络根据当前系统所接受的样本相似性确定分类标准，主要表现在网络的权值分布上，同时，可以采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。利用神经网络的信号处理能力和自动推理功能来实现多传感器数据融合，缺点是计算量大。遗传算法是一种基于自然选择和自然遗传的全局优化算法。特点是采用群体方式对目标函数空间进行多线索的并行搜索，不会陷入局部极小点；只需可行解目标函数的值，而不需其他信息，对目标函数的连续性、可微性没有要求，使用方便；解的选择和产生用概率方式，因此，具有强的适应能力和鲁棒性。缺点在于收敛速度慢、易陷入局部最优。模糊积分的实质就是求得在客观证据对决策假设的实际估计与其期望值间的最大一致性。模糊积分是定义在模糊测度基础上的一种非线性函数，它具有融合多元信息的能力，常用的模糊积分有Sugeno积分和Choquet积分，主要用于决策支持、自动控制等。Sugeno的模糊积分是定义在模糊测度上的非线性函数，特点是直接排除了次要因素的影响，与加权平均相比，强化了主要因素的作用，但却忽视次要因素的影响。Choquet模糊积分考虑了各种影响因素，以避免Sugeno模糊积分的缺陷，而广义Choquet模糊积分及其在信息融合中的应用近年来得到了较广泛的关注。综上所述，单一的数据融合算法具有一定的局限性，将多种算法进行优势集成已逐渐成为数据融合算法的研究热点。2.4.5遗传算法和模糊聚合相结合遗传算法是一种并行化算法，可较好地解决多参数优化问题，且其算子能更好的模拟模糊关系，从而达到较高精度。将其与模糊理论相结合可在信息源的可靠性、信息的冗余、互补性以及进行融合的分级结构不确定情况下，以近似最优方式对传感器数据进行融合。2.4.6模糊系统与神经网络相结合神经网络对环境的变化具有较强的自适应能力和自学习能力，但从系统建模的角度而言，它采用的是典型的黑箱学习模式。当学习完成后，神经网络所获得的输入/输出关系难以用通俗的方式表示。而模糊系统则采用简单的“如果则”规则，但自动生成和调整隶属度函数和模糊规则是个难题。若将两者结合取长补短，则可提高整个系统的学习能力和表达能力。无线传感器网络感兴趣的是具有特定属性的感知数据，信息的传送是以数据为中心的。由于传感器节点数量大且随机分布，相邻的传感器对同一事件进行监测所获得的数据具有相似性，冗余数据的传送在一定程度将消耗过多的能量，缩短整个网络的生存期。数据融合能有效解决此问题。本章研究和阐述了无线传感器网络数据融合的定义、结构、模型以及现有的数据融合方法并讨论了无线传感器网络层中路由与数据融合的关系问题。通过综合数据融合的现有研究成果，展示了一个简单清晰的数据融合一般构架，这个架构包括数据融合的概念、模型、形式化框架、以及方法；通过比较无线传感器网络层两种路由AC和DC。得出DC比AC方式在能耗上更占优势。第三章 无线传感器网络时钟同步理论研究在无线传感器网络中，单个节点的能力非常有限，整个系统所要实现的功能需要网络内所有节点相互配合共同完成。时间同步在无线传感器网络系统中起着非常重要的作用。在分布式系统中，时间可以分为“逻辑时间”和“物理时间”。逻辑时间的概念是建立在Lamport提出的超前关系上，体现了系统内事件发生的逻辑顺序。物理时间是用来描述在分布式系统中所传递的一定意义上的人类时间。对于直接观测物理世界现象的无线传感器网络系统来说，物理时间的地位更为重要，因为现象发生的时间本身就是一个非常重要的信息。此外，因为数据的相关性，必须保证动态检测时相关节点以统一的时钟采集数据，保证原始数据的正确性。这里的时钟同步是指一个节点保存它跟其他节点之间的相对时钟漂移，以便需要时进行转换。3.1无线传感器网络时钟同步基本原理传感器网络中节点的物理时钟依靠对自身晶振中断计数实现。晶振的频率误差和初始计时时刻不同，使得节点之间物理时钟不同步。如果能估算出物理时钟与物理时钟的关系或物理时钟之间的关系，就可以构造对应的逻辑时钟以达成同步。目前的逻辑时钟同步算法，如下文提到的FTSP算法同步精度已达到1us，可以满足传感器网络中绝大部分应用的需求。如果需要纳秒级精度，则需要采用锁相环等硬件实现物理时钟同步，但此类应用很少。3.1.1节点物理时钟同步可以通过硬件实现，也可以通过软件来实现。一般时钟同步都由三个主要部件组成:同步事件检测部件、远程时钟估计部件和时钟校准部件。同步事件检测表示节点在某个时刻必须重新同步它们的时钟，它由两种方式实现。一种是采用初始化的同步时钟数，它以一个固定的速率KR进行同步，R表示单轮时钟同步周期，K是大于1的实数，以避免两轮同步过程出现重叠。第二种方式是当过了KR时间之后，用一个特殊的节点发送一个初始化消息给系统中其它的每一个节点，一旦节点收到该消息，就启动自己的同步过程，同步的精度取决于消息的时延。远程时钟估计部件用于决定网络中另外一个节点的物理时钟。它有两种实现方法，一是远程节点的时钟在一个消息中进行“时间传输”，另一种是在未知延迟上界时的“远程时钟读取”。时钟校准是指重新同步事件产生后估计出远程节点时钟的信息并更新物理时钟。任意节点i在物理时刻t的物理时钟读数可以表示为:其中为节点晶振的标称频率，为晶振的实际频率，代表开始计时的物理时刻；代表节点在时刻的时钟读数。因存在制造误差，通常情况下和关不相等。晶振频率在短时间内相对稳定，节点时钟又可表示为:其中为计时初始时刻的时钟读数，简称初相位； 为相对频率，为绝对频差上界，由晶振生产厂家标定。一般多在1-100PPM左右，即一秒钟内会偏移1-100us3.1.2节点的逻辑时钟。任意节点i在物理时刻t的逻辑时钟读数可以表示:，其中为当前物理时钟读数，为频率修正系数和初相位修正系数。采用逻辑时钟的目的是对物理时钟进行一定的换算以达成同步。为了同步任意两个节点i和j，构造逻辑时钟有两种途径；(l)根据物理时钟等全局时间基准的关系进行变换可得：将，设为对应的系数，即可将逻辑时钟调整到物理时间基准上。(2)根据两个节点物理时钟的关系进行对应换算，任意两个节点i和j的物理时钟关系可表示如下:其中，。将，设为对应的，构造出一个逻辑时钟，即可以与节点j的时钟达成同步。以上的两种方法都估计了频率修正系数和初相位修正系数，精度较高。对于低精度类应用，还可以简单地根据当前的物理时钟和物理时钟的差值或物理时钟两两之间的差值进行修正。3.2时钟同步原理下面以经典的TPSN(Time-synchronization Protocol for Sensor Networks)时钟同步方式为例进行说明。如图8所示，为节点A的本地时间，为节点B的本地时间。时刻，A发送一个包含不的数据包到B，B在时刻收到此数据包，则，其中D和d分别为数据包在A、B间的传输时间和A、B节点间的时钟偏差。同样，时刻，B发送一个确认数据包到A，A在时刻收到此数据包，则有。假设在这段时间里时钟偏移量和传输延迟不变，可以计算出:A可以根据d纠正其时间偏差，从而达到与B同步。图8 TPSN算法3.3同步分类(l)时钟速率同步和时钟偏差同步在无线传感器网络中，传感器节点采用本地时间标一记传感数据，随着数据的多跳传送，每次都利用节点之间相对的时间偏置和时间速率，把传感数据的时间戳转换为本地的时间戳。时钟速率同步是让传感器节点的时钟速率相等，而不管时钟偏差是否同步，即时钟速率同步能够保证各个传感器节点测量所得的时间间隔相等，即时钟偏差同步是让传感器节点在当前时刻t。的时间偏差相等，而不管时钟速率是否同步，即时钟偏差同步近似地认为在当前时刻t0后的一定时间段t。，t，内，各个传感器节点的时间相等，即 相对而言，时钟偏差同步更容易实现。(2)连续同步和按需同步连续同步是指无线传感器网络中所有传感器节点的时间总是保持同步，因此在这种同步方式下，维护同步的通信量很大。按需同步是指无线传感器网络中所有传感器节点的时间平时并不保持同步，只有在相关事件发生前或发生后才进行同步，因此按需同步方式不需要大量的维护同步的通信量，节省了通信带宽和传感器节点的能量。(3)时标转换和时间同步时间同步就是让无线传感器网络中所用传感器节点的时间同步，总是显示同样的时间。时间同步可以通过执行时间速率同步r和时间偏差同步来实现，或者通过连续时间偏差同步来实现。时标转换是把一个传感器节点的本地时间转换成另一个传感器节点的本地时间，依此来实现网络同步。(4)全网同步和区域子网同步全网同步是让网络中所有传感器节点的时间同步，而区域子网同步只需要同步同一个区域内的传感器节点时间。在采用TDMA机制和基于一个监测目标的信号协同处理等