[发明专利]基于核密度估计与非参数置信传播的WSN网内数据融合方法

说明书

技术领域

本发明涉及无线传感器网络领域，具体说是一种基于核密度估计与非参数置信传播的WSN网内数据融合方法。

背景技术

无线传感器网络(wireless sensor network，WSN)是由大量随机分布的低成本、低功耗的微型无线传感器节点通过自组织的方式形成的一种分布式网络，它能实时感知、采集和监测网络覆盖区域中被监测对象的信息，在军事和民用领域都具有广阔的应用前景。目标定位跟踪是无线传感器网络(wireless sensor network，WSN)的重要应用，准确有效的监测数据是实现目标精确定位跟踪的基础，数据融合是WSN目标定位跟踪的关键技术。WSN网内检测级数据融合是指在WSN多传感器分布检测系统中，每个传感器节点对所获得观测先采用一定数据处理方法进行预处理，然后将更有代表性的压缩信息传送给其它传感器，最后在某一中心汇总和融合这些信息产生全局检测判决。WSN通过多传感节点构成监测联盟协同监测来提高目标监测数据准确性，但用于监测的传感节点越多，网络数据传输量越大，消耗能量越大；并且WSN通过密集分布的传感器节点采集大量相关原始数据包含大量冗余、无效和可信度较差的信息，若不对这些数据预处理直接传至汇聚节点，不但网络数据传输量大，消耗能量多，而且影响收集数据的准确性。为了提高数据传输效率、节省网络能量、增强收集数据准确性，必须采取有效措施对网内数据进行融合。通过改善监测数据质量，合理表征监测数据，充分利用多传感器监测信息，对监测联盟各节点监测数据进行适当数据融合，可使监测数据更准确有效。

从数据流通形式、网络节点处理方式看，WSN网内数据融合主要有集中式、分布式融合两种方式。集中式数据融合方式是由汇聚(Sink)节点发出数据查询，相关的多个源(Sources)节点将数据发送给Sink节点，再由Sink节点进行数据融合，在WSN节点分布较为密集的情况下，多个Sources节点对同一事件的数据表征存在近似的冗余信息，传输冗余信息将消耗更多能量；分布式数据融合方式是Sources节点发送的数据经中间节点转发时，中间节点查看数据包内容，进行数据融合后再传送到Sink节点，一定程度上提高网络数据收集的整体效率，减少传输数据量，降低能耗，分布式数据处理方式是WSN数据处理的主要方式。

根据数据融合原理和作用的不同，WSN-MTT检测级数据融合算法除了传统方法(如野值剔除法、门限设定法、加权平均法、自适应加权法、最小二乘法、最小方差法、极大似然法)外，还有卡尔曼滤波、神经网络、模糊聚类(FCM)、概率密度函数估计点样本分析等新兴智能数据处理方法。传统数据处理方法原理简单，计算量较小，但融合精度较低；而新兴智能数据处理算法原理相对复杂，但融合精度高，采取智能数据处理方法可能会增加计算复杂性；WSN网内数据处理利用的是节点计算和存储资源，随着处理器计算速度和处理能力不断提高，在一定程度上进行网内数据融合处理，以低能耗的计算资源换取高能耗的通信开销是一个可行方案。因此，新兴智能数据处理算法在WSN数据融合领域应用越来越多。世界各国学者对新兴智能数据处理方法开展大量研究，其中Abdel-Aziz A.M(2007)利用FCM，通过在不同传感器所对应观测空间上建立多目标运动状态投影，将单传感器数据关联算法推广到多传感器信息融合系统中，实现在密集杂波环境下多目标的数据关联与精确跟踪。孔凡天(2006)利用分布式K-平均聚类算法实现无线传感器网络节点传感数据的快速合理分组，结合基于自适应加权的网内数据融合方法，将分组后的节点感知数据根据其对应权重值的大小进行融合处理，降低网络数据冗余度，节省存储资源和网络带宽。而概率密度函数估计方法KDE具有仅从采样数据本身出发、不依赖于特征提取及环境制约、能逼近任意形式密度分布的特性，能对节点采样数据进行较精确鲁棒表示，美国麻省理工学院Alexander T.Ihler(2005)把核密度估计KDE应用于WSN节点自定位，取得较好效果。另外，非参数置信传播(Nonparametric Belief Propagation，NBP)具有适合处理分布计算环境信息的特点，它们在计算机视觉跟踪、过程故障检测诊断、医学检测诊断、WSN节点自定位等方面取得成功的应用。对于WSN-MTT系统，由于存在随机噪声干扰、特定物理环境偏差、传感器节点感知脆弱性、测量不准确性、网络传输影响等各种难以避免因素，系统收集信息具有许多不确定性。若利用KDE表征WSN网内检测数据、NBP处理WSN多节点监测联盟信息，可能会减少测量干扰和噪声影响，提高监测数据准确性，为WSN网内数据融合带来良好效果。

发明内容