（电路与系统专业论文）无线传感器网络数据融合及其时间控制[电路与系统专业优秀论文].pdf

硕士学位论文 m a s i e r st h e s i s 摘要 无线传感器网络是上世纪九十年代开始发展的一门新技术。随着技术的发展， 其与应用的结合也越来越广泛。因为传感器节点本身的能量限制，所以必须采用数 据融合技术，减少要传送的数据量，减少通信消耗。 本文讨论了数据融合的作用、分类、数据融合与传感器网络各协议层的关系。 重点讨论了网络层中与路由方式相结合的各种数据融合，和各种数据级数据融合方 法。 在网络层的与路由方式相结合的各种数据融合方法中，讨论了各种基于数据融 合的路由，并分析了一种现在新提出的一种中心点融合算法的缺陷，提出了一种改 善算法。在数据级融合算法中，讨论了d s 证据推理法和加权数据融合算法，通过 分析发现，现实常用的加权类方法中，又都需要专家评审或做大量的时域评估，给 传感器网络的应用带来了不便，因此，在本文提出了一种新的组合数据融合方法， 利用传感器网络的当前值进行聚类分析，采用分组融合，然后对融合结果进行判别 分析，使用马哈诺比斯距离来求测量数据向量的异常值，把它作为加权权重，经过 仿真计算可以发现效果较好。 最后初步讨论了查询准确和查询延时的联系，以及它们之间的影响。提出了在 查询准确的前提下，对查询延时的控制方法。 关键词：w s n ；中心点融合；加权融合；组合数字融合；聚类分析；判别分析 硕士学位论文 m a s t e r7 st h e s i $ a b s t r a c t w i r e l e s ss e n s o rn e t w o r k si san e wd e v e l o p i n gt e c h n o l o g ys t a r t e di nt h e1 9 9 0 sl a s t c e n t u r y a l o n gw i t ht e c h n o l o g i c a ld e v e l o p m e n t ，i t sa l lk i n d so fa p p l i c a t i o n sa r es p r e a d e d w i d e l y h a v i n ge n e r g yc o n s t r a i n t s ，s e n s o rn o d e sn e e dn s ed a t aa g g r e g a t i o nt e c h n o l o g yt o r e d u c et h ea m o u n to fd a t at r a n s m i s s e d , rc a l lr e d u c e e n e r g yc o n s u m p t i o n i n c o m m u n i c a t i o na n di n c r e a s ew i r e l e s ss e n s o rn e t w o r k s ss e r v i c el i r e t l l i st h e s i sd i s c u s s e st h ee f f e c t i o na n dt h ec l a s s i f i c a t i o na b o u td a t aa g g r e g a t i o n t h e r e l a t i o n s h i po fd a t aa g g r e g a t i o na n d s e n s o rn e t w o r kp r o t o c o ll a y e r s f o c u s e do nr o u t i n g a p p r o a c h sc o m b i n e dw i t hv a r i o u sd a t aa g g r e g a t i o ni nt h en e t w o r kl a y e ra n ds o m ek i n d s d a t a - l e v e ld a t aa g g r e g a t i o nm e t h o d s o n r o u t i n ga p p r o a c h sc o m b i n e d 耐md a t aa g g r e g a t i o nm e t h o d si nt h en e t w o r kl a y e r , t h e s i sd i s c u s s e sa v a r i e t yo fd a t aa g g r e g a t i o nm e t h o d sb a s e do nt h er o u t i n g i ta n a l y s i s e s an 哪a g g r e g a t i o nm e t h o d ：c e n t e ra g g r e g a t i o na l g o r i t h m sd e f e c t s ，a n dp u t sf o r w o r da i m p r o v e da l g o r i t h m o nt h ed a t a - l e v e ld a t aa g g r e g a t i o nm e t h o d s ，t h e s i sd i s c u s s e st h e d se v i d e n c er e a s o n i n gt h e o r ya n da d a p t i v ew e i g h t e dd a t aa g g r e g a t i o na l g o r i t h m s i n a d a p t i v ew e i g h t e dd a t aa g g r e g a t i o na l g o r i t h m s ，i tn e e de x p e r t sa s s e s s m e n to rd oa m a s s i v ea m o u n to ft i m e d o m a i nc o m p u t i n g , b r i n g i n gl a r g ei n c o n v e n i e n c et ow i r e l e s s s e r l s o rn e t w o r k s sa p p l i c a t i o n s t h e r e f o r e ，i nt h i st h e s i s ，ip u tf o r w a r dan e wk i n dd a t a a g g r e g a t i o nm e t h o d ：u n i td a t aa g g r e g a t i o nm e t h o d i tn s es e n s o rn e t w o r k sn o d e sc u r r e n t v a l u e st oc a r r yo nc l u s t e ra n a l y s i sa n dc l a s s i 匆n o d e sc u r r e n tv a l u e s , u s i n ge v e r yc l u s t e r o fc u r r e n tv a l u et od od a t aa g g r e g a t i o nw i t hd se v i d e n c er e a s o n i n gt h e o r y a n dt h e ni t u s oc u r r e n ta g g r e g a t i o nr e s u l t st oc a r r yo nd i s c r i m i n a n ta n a l y s i s ，a p p l y i n gm a h a l a n o b i s d i s t a n c et oa n a l y s i sa b n o m o r a lv a l u eo fc u r r e n ta g g r e g a t i o nr e s u l t sv e c t o ra sw e i g h t e d e s t i m a t ea l g o r i t h m sw e i g h t n ef i n a lr e s u l tc a nb ef o u n de f f e c t i v e f i n a l l yt h e s i sp r e l i m i n a r yd i s c u s s e st h er e l a t i o n s h i po fi n q u i r ya c c u r a c ya n di n q u i r y d e l a y , a n dt h ei m p a c tb e t w e e ni n q u i r ya c c u r a c ya n di n q u i r yd e l a y u n d e re n s u r i n gt h e i n q u i r ya c c u r a c y , t h e s i sp u t sf o r w o r dak i n do f d e l a yc o n t r o lm e t h o d k e yw o r d s ：w i r e l e s ss e n s o rn e t w o r k ；c e n t e ra g g r e g a t i o na l g o r i t h m ；w e i g h t e d e s t i m a t ea g g r e g a t i o na l g o r i t h m ；c l u s t e r i n ga n a l y s e ；d i s t i n g u i s h i n ga n a l y s e 硕士学位论文 m a s t e r st h e s j s 华中师范大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作 所取得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本声明的法律结果由本人承担。 作者签名：禾铽日期2 ，尹矿月石日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权华中师范大学可以将本学位论文的全部或部分内容编入有关数据库进 行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时授权 中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据库，并通 过网络向社会公众提供信息服务。 作者签名：轧铰 日期：】妒6 月f 日 导师签名尸奎l a导师签名f 童h 、 日期：t 川年月【5 日 本人已经认真阅读“c a l i s 高校学位论文全文数据库发布章程”。同意将本人的 学位论文提交“c a l i s 高校学位论文全文数据库”中全文发布，并可按“章程”中的 规定享受相关权益。回童途塞埕銮卮进痘! 旦坐生；旦= 生；旦三生筮查! 作者签名：牝链 日期：瑚年e if 日 导师签名尸每 日期：缸订年月i 日 第一章绪论 1 1 无线传感器网络 1 1 1 无线传感器网络的特点 微电子技术、计算技术和无线通信等技术的进步，推动了低功耗多功能传感器 的快速发展。使其在微小体积内能够集成信息采集、数据处理和无线通信等多种功 能，因此在2 0 世纪9 0 年代出现了无线传感器网络技术。无线传感器网络( w i r e l e s s f 汜i i s o fn e t w o r kw s n ) 就是由部署在监测区域内大量的廉价微型传感器网络节点组 成，通过无线通信方式形成的一个多跳的自组织网络系统，其目的是协作地感知、 采集和处理网络覆盖区域中感知对象的信息1 2 】，并及时传送给观察者。 无线传感器网络是一种需要能长期工作的监测系统，传感器网络节点的资源十 分有限，主要体现在电池能量、处理能力、存储容量以及通讯带宽p j 等几个方面。 而有些应用要求使其系统生命期必须达到数月，甚至数年的级别，且大规模与物理 环境紧密耦合。传感器网络节点由电池驱动，有些应用使得电池更换变为不可能， 再生能源技术又不成熟、成本高，目前还无法应用于微型传感器网络，所以，如何 高效使用能量来最大化网络生命周期是传感器网络面临的首要挑战。 传感器网络节点消耗能量的模块包括传感器模块、处理器模块和无线通信模 块。随着集成电路工艺的进步，处理器和传感器模块的功耗变得很低，绝大部分能 量消耗在无线通信模块上，图1 1 所示是加州大学洛杉矶分校计算机科学系国家计 算与通信委员会成员指导嵌入式网络化传感的教授d e b o r a he s t r i n 在m o b i c o m2 0 0 2 第八届移动计算与网络m o b i l ec o m p u t i n ga n dn e t w o r k i n g 移动移动计算计算会议上 的特邀报告( w i r e l e s ss e n s o r n e t w o r k s ，p a r t ：s e n s o r n e t w o r kp r o t o s o l s ) 中所述传 感器网络节点各部分能量消耗的情况【“，从图中可知传感器节点的绝大部分能量消 耗在无线通信模块。传感器节点传输信息时要比执行计算时更消耗电能，传输1 比 特信息1 0 0 m 距离需要的能量大约相当于执行3 0 0 0 条计算指令消耗的能量。无线通 信模块存在发送( t x ) 、接收( r x ) 、空闲( i d l e ) 和睡眠( s l e e p ) 四种状态。 无线通信模块在空闲状态一直监听无线信道的使用情况，检查是否有数据发送自 己，而在睡眠状态则关闭通信模块。 硬士擘住论文 m a s t e r st h e s i s n ，_ 啊c o n s t l n l 脚o f n o 如删辩 舡l 惜 ，一 一、 一- 一 。v a n t ，a c p ut xr xi d l e s l e e p r a i ) h e 珏e e m e 衄 n e e dt os h u t d o w nt h er 8 d i o 图1 1 传感器阿络节点能量消耗情况 同时无线通信的能量消耗与通信距离的关系为： e = k d ” 其中，参数n 满足关系2 c n s 。 但前面的几种融合树的方案都有共同的缺点：建立时间过长，使得融合过程的 时间延迟太大。所以又有人提出了中心点融合算法阱】。中心点融合算法主要是为了 结合a i d a 层的协议独立性和a d d a 层数据融合的高效性。因此可以在应用层的 查询帧多加一个控制字段，此字段由a i d a 层改写，路由层根据控制字段的值选择 提供不同的路由支持。当处于融合状态时提供中心点路由，一旦融合过程完成， a i d a 层改写控制字段，使路由层提供通向汇聚节点的路由，而路由层不直接参与 融合。 硕士学位论文 m a s t e r st h e s i s 2 3中心点融合算法及改进 中心点融合算法是应用于网络层中的数据融合的主要算法。它由建立级别梯度 场、寻找事件发生区域的中心点、建立融合树和汇报数据包四个部分构成。 ( 1 ) 建立级别梯度场 级别梯度场是一个以汇聚节点s i n k 为中心利用泛洪( f l o o d i n g ) 方法向外扩散 的一个梯度。梯度场的作用是使网络中的节点明确数据传播的方向，并且可以确切 的知道到达s i n k 节点所需的最小跳数。具体方法如下： 初始状态s i n k 节点的级别l s = 0 ，所有源节点的级别l i = 峨 s i n k 节点广播含有s i n k 节点的级别信息ls 的探测包。 源节点i 收到一个来自源节点j 的探测包，如果l i l j + 1 ，则l i = l j + l ， 记录源节点j 为上级梯度节点，并将更新后的l i 写入探狈4 包内向外广播；如果l i l j 十1 ，则将该探测包丢弃，i 不发广播包，不记录j ；如果l i = l j + l ，则将该 探测包丢弃，i 不发广播包，记录j 为上级梯度节点。 级别梯度场的物理意义是通过节点的级别刻画该点与s i n k 节点通信所需的最 小跳数和数据传送方向。 ( 2 ) 寻找中心点 假设某个事件触发了无线传感器网络中的部分源节点，这些被触发的源节点的 集合构成图g 的顶点集v ( g ) ，每个节点与其一跳邻居的通信路径的集合为图g 的边集e ( g ) 。 图g 的中心点的定义是：令m v v ( i ) = m a x d ( i ，j ) ) 表示从顶点i 到任一 顶点j 的最大距离，图g 中的任一顶点x 如果具有m v v ( x ) = m i n m v v ( i ) ， 即中心点是距最远顶点最近的任一顶点x 。寻找中心点算法过程如下： 当节点i 被触发后，立即广播自身i d 号，此类广播称为i d b c 。 如果未被触发节点j 收到来自节点i 的i d b c ，将其丢弃；如果被触发节点 k 收到来自节点i 的i d b c ，则将i d 号作为一个条目写入缓存，并在此条目中注明 自己到节点i 的跳数，【h o p 】i = l 。 如果节点i 在发出i d b c 后t g 秒内没有收到任何节点的i d b c ，则节点i 自 举为孤立节点，本阶段算法结束，直接进入数据汇报阶段，否则进入。 当被触发节点的缓存内容非空时，广播其缓存中的内容，此类广播记作 c a b c 。 当节点i 收到一个c a b c 时，将此c a b c 信息中与自己i d 不同的条目相应 的跳数值加一，与自己缓存中的条目比较。如果i 的缓存内没有该条目的id ，则 硕士学位论文 m a s t e r st h e s i s 将此条目的跳数值加一写入缓存；如果缓存已经有该条目的i d ，如果广播信息中 该条目的跳数值加一大于或等于原有条目中的跳数值，则不更新该条目，否则将该 条目的跳数值更新为广播信息中该条目的跳数值加一。 重复、直到某个节点中的缓存不再更新。这时该点声明自己为中心点，并 快速广播中止包，中止包中内容有时间标签、节点i d 、等待时间门阀值t w e 和门 阀时间递减参数t 。 当步骤6 执行完毕时，已经找到了事件发生区域的中心点c 。本算法要求源节 点的i d 必须可以在局部范围内可区分，初始状态下节点的缓存是空的，节点每次 广播缓存内容之前都需要一个很小的延时t a ，这样做的目的是给节点留出足够的时 间接收中止包，避免多个节点先后声明为中心点的现象。 假设图g 中共有n 个节点，中心点到最远顶点的跳数为h 。图g 中所有节点 广播一次称为一轮。通过广播缓存信息，每经过一轮所有节点能感知的最远邻居跳 数加一。h 轮时，图g 中至少有一个节点已经将所有节点都纳入自己的感知范围， h + l 轮时这些点的邻居范围不再更新，本阶段算法终止。故共发探测包 n 1 3 m c e l l = n ( h + 1 ) ( 3 ) 建立融合树 在确定了中心点c 后，可以求出中心点到最远节点的跳数h ，令门阀时间递 减参数为t = t w o h ，算法流程转入建立融合树的阶段： 如果未被触发的源节点收到中止包，丢弃不做任何处理；如果被触发节点首 次收到中止包执行，否则丢弃不做任何处理。 如果节点k 收到来自节点j 中止包，记录j 为其父节点，设k 的等待门阀值 t w k = r w j t ，并向j 发送回应包( a c k ) ，同时节点k 广播含有i d = k 和门阀值 t w k 的中止包。 当k 发出中止包后，如果在时间段t w k 内收到来自h 的回应包( a c k ) ，将 h 记录为其子节点；否则k 为叶节点。 当所有被触发节点都被发过一次中止包后，算法结束。 中止包由中心点节点发起向外广播，事件发生区域内的其他节点响应且仅响应 首次收到的中止包，假设图g 为连通图，由其中任意一个顶点发起的广播都可以遍 历整个图g ，故 n u m e n d = n 因为中止包是由中心点节点发起的，中心点节点不需要回应a c k 包，其他节 点仅对首次收到的中止包回应一个，所以 硕士学位论文 m a s t e r st h e s i s n u m a c k 2 n u m c n d l 。n l ( 4 ) 数据汇报 数据汇报是由叶节点沿着树枝方向发起的，当某个节点确定自己为叶节点时， 便向其父节点汇报数据。原则上，对于中间节点i ，只有收到其所有子节点汇报来 的数据并融合后，才向其父节点汇报数据。但是考虑到节点可能意外失效的情况， 从收到中止包时起，如经过门值时间t w i 仍未收到某些子节点的汇报数据，便不再 等待那些子节点的数据，将已收到的数据和自身探测到的数据融合后向其父节点汇 报。可以通过控制等待门阀值t w 设置融合延时上限，可以准确估计最坏情况下的 融合过程延时。 ( 5 ) 算法需要改进的原因 原算法的建立时间消耗：因传感器网络在组成时形成路由也会用到洪泛技术， 所以可以不考虑此消耗的时间，查找中心点的时间为 n u l v l c e n = n ( hq - 1 ) ，建立 融合树的时间消耗为 n u l v e n d + n u m a c k = h i + n i = 2 n 1 ，则总的时间消耗为： n u m c c n + n u m c n d + n u m 】a c k = n ( h + 1 ) + 2 n - i ，为减少其消耗，同时中心点是 离图最远距离最近的点，则选靠近真正中心点的点作中心点对融合树的融合时间延 迟没有影响，但建立时间消耗大大减少，所以有以下改进算法：其时间消耗为3 n 。 ( 6 ) 中心点融合算法的改进一目的是减少建立阶段的消耗 本算法的建立阶段消耗比n ( n 为被触发的节点数) 大，但不大于4 n 。节点触发 区如下图所示： 图2 1 中心点融合改进算法示图 找边界点；b p b c 帧，内容含有本节点d 号，触发节点收到则作禁发b p b c 硕士学位论文 m a s t e r st h e s i s 帧处理，触发节点的状态控制数为l ，未触发节点收到回应a c k 帧，未触发节点的 状态控制数为0 ，帧中含有被回应节点d 号和本回应节点d 号。当触发节点收到 a c k 帧信噪比与发送值的差值小于闽值，表示离未触发节点很近，可以当作边界点 处理。 所有边界点的查找：a b b c 帧，此帧为转发帧，此时发出该帧的节点状态控 制数为2 ，此帧内容是起始节点号、转发节点的d 号、经过的跳数，转发节点 改转发节点的d 号后再转发，跳数加一，发送和转发都应收到未触发节点的a c k 帧，作为保证节点是边界节点的条件，此时a c k 帧应带有起始节点d 号、应答节 点d 号、发送节点d 号跳数，因为可能出现多点同时查找的情况，所以带跳数， 以禁止少跳数帧转发，但最后一个节点会收到两帧，则最后跳数是加起两帧跳数再 加一。同时因为会出现触发区包含未触发孔洞的情况，所以要把跳数全边界节点转 发，由最后确认跳数的节点开始全边界跳数转发l n b c 帧，( l n b c 帧此时是为了 减少驱除触发区里有盲区的情况，有盲区时节点数一定小于边界点数) ，此后节点 开始中心点查找过程。 查找中心点：c p b c 帧，此帧内容是节点d 号( 下次转发时改为下节点d 号) 、边界点数、1 y f 标志( 表示是大号先发还是小号先发：( 算法为比较( n 2 本 节点d 号) n * 0 2 + 0 8 信噪比差发送功率与( n - 本节点d 号) n * 0 2 + 0 8 + 信噪比差 发送功率的大小，大的先发，下次转发时t f 状态发生变化以保证帧在前进) 、跳 数，此时所有收到的节点根据信噪比的变化设置信噪比增大减小控制标志，在增大 时才能转发，表示节点在靠近，确认的转发节点控制状态数变为3 ，此过程直到收 到未触发节点的a c k 帧为止终止查找进程，查找点计算跳数，带跳数2 取整返回， 每回一节点跳数减一，直到为零为止，此时中心点找到。 建立融合树，同前中心点算法。 2 4 中心点融合算法示例 本仿真采用o p n e t 仿真软件进行仿真o p n e t l 2 3 j 是由o p n e tt e c h n o l o g i e s 研制和开发的，o p n e tt e c h n o l o g i c s 创于1 9 8 6 年，是智能网络管理软件方面的先 锋和最主要的供应商o p n e t 软件嵌入了关于如何运作网络设备、网络协议、应 用以及服务器的专业知识这使得网络运营、工程规划、应用软件开发方面的众多 用户在优化性能和提高效率方面的各种努力有了空前显著的效果1 9 8 7 年以来， o l ，n e t 迅速而稳步发展，作为网络网络规划仿真及分析工具，o p n e t 在通讯、国 防及电脑网络领域已经被广泛认可和采用，客户遍及全球广泛的知识体系和专家 技能为客户创造价值和提高客户竞争优势 本仿真过程提供应用层、网络层、中间层和收发器，提供一个含1 0 1 个节点的 w s n 网络如图2 2 所示。 ooooooo oo o o o o o oo o o ooo oo o o o o o ooooooo oooo o o o oooo o o o oo ooo o o o o o o o o o ooooooo 图2 - 2 无线传感器网络仿真结构图 通过仿真结果图可以看出，原中心点融合算法的建立时间消耗达近8 分钟，发 帧数超过4 0 0 ，而新的算法建立时间不到5 分钟，发帧超过2 0 0 。仿真结果如图2 3 所示。 1 6 o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o 磺士学位论文 m a s t e r st h e 8 1 5 图2 - 3 中心点融合算法仿真 其中黄色线是原中心点算法仿真，绿色线是改进算法仿真，可见，改进发帧量 比前一算法小，改进算法建立时间比是前一算法短，说明本算法改善了建立时间。 但任何事物都不可能两全，在此算法中可能使改进算法融合树的深度大于原算法的 深度，但不会超出2 层。 1 7 硕士擘位论文 m a s t e r st h e s i s 第三章数据级融合算法 数据级融合是直接在采集到的原始数据上进行的融合，在各传感器的原始测报 未经预处理之前就进行数据的综合和分析，利用有用信息之间的相关性，对有限次 测量数据进行融合处理，获得比算术平均值算法更准确的测量结果，消除传感器测 量中的干扰及不确定性，获得更准确、更可靠的测量结果。另外，当测量过程中， 某个甚至数个传感器失效时，其他非失效传感器能不受影响独立提供信息，系统可 以依据非失效传感器提供的信息获知准确的测量值。 数据级融合主要有n s 证据推理法、自适应加权法等。在进行数据级融合之 前，通常要进行数据的一致性检验。 3 1 数据的一致性检验 在多传感器网络系统中，当传感器组中某些传感器突然发生故障或传感器受环 境干扰采集了虚假信息时，如果不进行数据检验而直接将所有的信息进行融合，将 大大影响融合的精度“2 5 l 。 设有m 个传感器对某一对象进行测量，所得测量值记为x ，( f = 1 , 2 ，m ) ，首先 对五进行数据的一致性检验，检验准则是墨，x 2 ，以的相邻两值之差不应超过 给定门限s ，占是根据传感器测量精度确定的。即： 阢一五一l i 占 ( 3 1 1 ) 一般认为，只有通过了一致性检验的数据组，才是有效的测量数据组。 3 2 基于d s 证据理论的数据融合算法 证据推理理论是d e m p s t e r 于1 9 6 7 年提出，后被s h a r e r 于1 9 6 7 年发展，因此也 称为d s 证据理论【2 6 1 。它对专家系统、人工智能、模式识别、数据融合与系统决策 等有者极其重要的意义。 下面简单介绍其中的几个基本概念： 识别框架：定义一个互不相容事件的完备集合【2 7 1 ，即结果为所有可能识别取值 的集合，且各识别值互不相容，通常定义为u 。 在证据理论中，若函数棚：2 “呻【o l j 满足以下条件： 当m 侈) 2 0 。为空集或称为不可能事件。 硕士学位论文 m a s t e r st h e s i s 当荟m o ) 时，称肌o ) 为事件彳的基本概率赋值。 信任函数引览0 ) 表示对命题爿的信任程度【2 8 1 ，定义为： b l e ( a ) = e m ( b ) b o a ( 3 2 1 ) 它表示4 的所有子集的可能性度量之和，即表示对a 的总信度。 e l ( a ) = l 一脚伍) = 脚p ) n 茸 ( 3 2 2 ) 例以真函数的定义为： 它表示对命题爿非假的信任程度。 【o ，b e l ( a ) 】表示命题4 的支持证据区问； b e l ( a ) ，p l ( a ) 】表示命题a 的中性证据区间： 0 ，p l ( a ) 】表示4 的拟信区间； 【p l ( a ) ，1 】表示命题爿的拒绝证据区间。 如果m 一，所z ，m 一是2 ”上n 个独立焦元4 ，a , - - - , a n 的基本概率赋值，则多证据 共同作用下的概率赋值计算公式为： 埘0 ) = o ( 3 2 3 ) 1 - i m ，“) 珊0 ) = 上型气一 1 一丌m ，) 1 4 。，扣1 ( 3 2 4 ) d s 证据推理算法描述如下【2 9 】： 乱传感器网络节点u 对目标q 识别的置信度向量分别记为 乙= 慨，只：，吃) ， z = 乜，弓：，厶) ，以每一个向量为行，构建置信度矩阵： x = z ! * z j 1 9 ( 3 2 5 ) 硕士擘住论文 m a s t e r l st h e s i s b 置信度矩阵z 的主对角线为置信度因子m h “，非主对角线元素的 m 0 。 总和构成了证据的不确定因子k ，即： k = 1 - i m ，( 一，) i m 2 ，“1 ( 3 2 6 ) c 加入另一个传感器网络节点z i n ； d 最后所得目标识别度为3 0 1 ： 兀聊，“) 脚“) ：j 堡兰丝一 1 一n “) n a ，- $ i = 1 ( 3 2 7 ) 3 3自适应加权融合算法 同类多传感器的测量数据可以看作是从含有噪声的大量测量数据中估计一个 非随机量，由于测量数据中存在着噪声，那么根据这些测量数据所得到的估计值也 存在估计误差，然而这种估计误差是随机量，一般用均方误差来评价测量方法的优 劣，而影响估计值均方误差的主要因素是传感器自身的均方误差。在单一传感器测 量时，为了减少估计值的均方误差就必须增大测量数据的数量，这必然降低实时性， 为了提高测量的实时性和精度，就需要用同种类的多个传感器同时测量一个物理型3 ”。 3 3 1自适应加权融合的估计模型 由于各个传感器的精度不可能完全一样，也就是说每个传感器的可信度难以完 全一致，为了使融合的结果更优，可根据各个传感器所得到的测量值自适应地寻找 其对应的权数以达到最优的融合结果，即所谓自适应加权融合算法，图3 1 为自适 应加权融合估计模型，对于不同的传感器节点都有各自不同的加权因子，因此自适 应加权融合就是为了找到适用于各个传感器节点的融合的权数。z 为传感器的融合 结果。 硕士学位论文 m a s t e r st h e s i s 图3 - l 目适应加权融合估计模型 3 3 2 自适应加权估计算法 自适应加权融合算法的基本思想是：在总均方误差最小的最优条件下，根据各 传感器所提供的测量值，以自适应的方式寻找各个传感器对应的最优加权因子，使 得融合后的结果x 达到最优3 2 3 3 1 。 ( 1 ) 算法推导： 设以个传感器的方差分别为c r no i 2 ，所要估计的真值为x ，各传感器的 测量值分别为x - ，x z ，以，它们彼此互相独立，并且是x 的无偏估计，各传感器 的加权因子分别为彤，矾，由图3 - 1 可知融合后的所得真值和加权因子满足以 下两式： 爻= 酗，x ， 且有： = 1 户1 ( 3 3 2 ) 则总的均方误差为 0 2 ：e k 一对】- e 陛彬伍- x ) + 2 窆形伍一一k 一_ ) l l p “ 川- q 。1 p q j ( 3 3 3 ) 因为五，x 2 ，以彼此独立并且是x 的无偏估计，所以 e 【( r 一坳x z 一爿g ) 】= o 2 1 硕士学位论文 m a s t e r st h e s i s 故盯。可写成 0 - 2 ：d 窆孵k j ) | _ 窆昨盯； l ，。1j ，。1 ( 3 3 4 ) 其中口；为第p 个传感器的方差。 从式( 3 ) 可以看出，总均方误差仃2 是关于各加权因子的多元二次函数，因此， 2 必然存在最小值，该最小值的求取是加权因子暇，呒满足式( 2 ) 约束条件 的多元函数极值。 2 彪喜毒 ，鼬 此时叮2 有最小值，且为： 仃2 r a i n =形 善砰 ( 3 3 - 6 ) j 罩l ( 11 ) 可见，各传感器的权系数仅由其测量方差决定。只要使各个传感器的权数符合 式f 4 1 就可使总均方误差极小，且此时有： x = ( 3 1 3 7 ) 以上是根据各个传感器在某一时刻的测量值而进行的估计，当估计真值x 为常 量时，则可根据各个传感器历史数据的均值来进行估计。设 昂岱) 2 妻善劫( f ) ( p - ：1 2 加) ( 3 3 8 ) m ，n )( 3 3 ) 此时的估计值为 j = 嘶( f ) p - i ( 3 3 9 ) 总均方误差为 如水一宕归防伍埘 + z + p f l , q 窆= l , p 吻t q 明啦肛一物) 同理，因为五，x 2 ，以为x 的无偏估计，所以x ，x ：，x 一也一定是x 的无 偏估计，故彳2 为 彳22 寸骞昨口一昂) 2 j 2 三k 窆p = l 嘭虻2 ( ，3 。) 显然当万2 最小时所对应的最优加权因子w i 仍然满足式( 3 3 5 ) ，此时所对应的 最小均方误差为 。毒一 ，m ， 从式( 3 3 1 1 ) 可以看出云盘一定小于吒，并且将随k 值的增加而进一步减小。 下面讨论与多个传感器均值平均做估计均方误差相比较的情况。 所谓用多个传感器均值平均做估计是用n 个传感器测量数据的样本平均再做均 值处理而得到的估计，即 宕= 言喜昂( 3 。舶) 此时的均方误差为 歹2 i 。x e k 一面伍咿】2 去言2 。3 。， 将式( 3 3 1 3 ) 除以式( 3 3 6 ) 得 岳= 瞧叩2 j 三+ - 3 - i ，m ， 若事先已经将知道的各个传感器的方差进行排序，不妨设 0 s 仃：吒2 蔓吒2 硕士学位论文 m a s t e r st h e s i s 蒜去咖去一 。m ， 即矛2 孑2 r a i n 对于它实际上是万2 m i n 的一个特例( k = i ) 。 ( 2 )各传感器方差仃；的求取 设有任意两个不同的传感器p 、q ，其测量值分别为xp 、x q ，所对应的观测 误差分别为v p 、v q ，即 x p = x + v p ，x a = x + v q ( 3 3 1 6 ) 式中：、r p 、vq 为零均值平稳噪声， 口2 = e ) 则传感器1 3 的方差为 因为v p 、v q 互不相关，且均值为零，与x 也不相关， 系数满足 咖= e x p x q l = 研2 】 x p 的自相关系数r p p 满足 r p p = e x p x p 】= eb2 】+ e 眇? 】 ( 3 3 1 7 ) 所以x p 、x q 的互相关 ( 3 3 1 8 ) ( 3 3 1 9 ) 将式( 1 5 ) 减去式( 1 4 ) 得 = 晰j ：r p p r p q ( 3 3 2 0 ) 对于r p p 、r p q 的求取，可由其时间域估计值得出。 ( 3 )算法的运算流程 1 ) 用式( 3 3 2 0 ) 求出时刻k 的盯：； 2 ) 根据式( 3 3 7 ) 求出各个传感器时刻k 的均值牙， ) ； 3 ) 根据式( 3 3 5 ) 求出此时刻各传感器的最优加权因子孵； 4 ) 根据式( 3 3 9 ) 得出此时刻的估计值夏。 从以上运算流程可以看出，对于每个传感器所对应的最优加权因子，只是根据 各个传感器的钡0 量数据以自适应的方式将它们求取出来，因而，称该算法为多传感 器数据自适应加权融合估计算法。但其权值要靠时域的大量计算来取得其权值，实 际上这在传感器网络中是不可能计算的，所以可以采用折衷办法，因厅乞彳2 ，使 用一批数据的批标准差来代替时域计算的标准差，此时的标准差比自适应时域求权 硕士学位论文 m a s t e r st h e s i s 时求取的标准差要大，但是可用聚类分析分类来进一步减小标准差，然后采用自适 应加权融合，例子如下： 3 3 3自适应加权估计算法的改进示例 下面可以看一个例子：各温度传感器数据如表3 一l 所示： 表3 1 温度传感器数据表 数据组数温度值 l1 9 81 9 61 8 91 9 o1 8 51 8 71 8 81 9 1 22 1 o1 9 81 9 51 7 51 8 91 9 21 9 51 9 o 31 8 51 8 71 8 91 9 o1 9 21 9 11 8 81 9 5 数据融合过程： 一聚类分组 聚类分析是使用一种聚类统计量来对一组数据进行分组，使分组数据的相似度 最高，以减小其融合方差，提高融合精度。例如对第一组数据 1 9 81 9 61 8 9 1 9 01 8 51 8 7 1 8 81 9 1 采用绝对值距离的统计量，使用系统聚类分析： 匆= x j f k - x j k i d = 聚类分析结果如下： 1 8 51 8 71 8 81 8 9 1 9 o1 9 11 9 61 9 8 2 1 o1 9 81 9 51 9 5 1 7 51 8 91 9 01 9 2 1 8 51 8 71 8 91 8 8 1 9 o1 9 21 9 11 9 5 7 5 2 l 6 4 ”吆叭o m雌叭眈吣叭o l 9 2 3 2 ”她们眈o 3 l 4 k 叽叱o 瞄叭o ”o 眈o ) 硕士学位论文 m a s i e r st h e s i s 均值：1 8 7 2 5 ；标准差：0 0 2 1 8 7 5 ；权重：0 8 3 6 4 均值：1 9 3 7 5 ；标准差：0 1 1 1 8 7 5 ；权重：o 1 6 3 6 均值：1 9 9 5 ：标准差：0 3 8 2 5 ；权重：0 5 4 1 9 均值：1 8 6 5 ；标准差：0 4 5 2 5 ；权重：0 4 5 8 1 均值：1 8 8 7 5 ；标准差：0 0 0 4 3 7 5 ；权重：0 8 8 8 9 均值：1 9 2 ：标准差：0 0 3 5 ；权重：0 1 1 1 l 融合结果为： 均值：x = 1 5 6 6 1 6 + 3 1 6 9 8 = 1 8 8 3 1 4标准差：0 0 1 8 3 均值：x = 1 0 8 1 0 9 + 8 5 4 3 6 = 1 9 3 5 4 5标准差：0 2 0 7 3 均值：x = 1 6 7 7 8 + 2 1 3 3 1 = 1 8 9 1 1 1标准差：0 0 0 3 9 不聚类直接融合结果为： 均值：x = 1 1 4 9 2 9 + 2 3 0 6 9 + 5 3 1 7 4 = 1 9 1 1 7 2 标准差：0 1 0 4 l 聚类后融合结果为： 标准差：0 0 0 3 2 均值：x = o 1 7 3 0 1 8 8 3 1 4 + o 0 1 5 3 + 1 9 3 5 4 5 + 0 8 1 1 7 1 8 9 1 1 1 - 3 2 5 7 8 4 - 0 2 9 6 1 + 1 5 3 5 0 1 = 1 8 9 0 4 0 3 4自适应加权估计算法和m s 证据推理算法的改进 3 4 1 组合数据融合算法 在应用d l s 算法i 划时，各传感器节点的输出是经过抗干扰处理和消除了环境 影响的结果，但相对于不同的传感器本身而言，由于性能的差异，所处的状态不同， 对且标的识别率也不尽相同，如果对这些传感器都相同处理，显然是不准确不科学 的。自适应加权估计算法给每一传感器节点一个权值w i ( o w i 毋母符口 硕士擘位论文 m a s t e r st h e s l s 2 标准差变化图： 图4 5 标准差个数变化图 均值和标准差都会变化，当数值个数超过一定值后就会稳定，不出现特殊数据 变化就不会太大。从图可见均值超过1 5 个数后趋于稳定，标准差是数个数超过2 0 后越多越稳定，所以n o p t 可以事先实验，然后定值，当融合结果的准确度的从评 判标准看其差值超过阈