[发明专利]基于数据密度相关度的无线传感器网络数据融合方法

说明书

本发明公开了一种基于数据密度相关度的无线传感器网络数据融合方法，通过将无线传感器网络的全部节点分别被设置为三种类型：代表节点、成员节点和独立节点，将代表节点和独立节点所采集到的感知数据上传到外部网络，而成员节点所采集到的感知数据则已被代表节点所采集到的感知数据代表，并不进行上传，实现了无线传感器网络的数据融合。本发明的数据融合方法具有准确性高、能耗小、实用性强和应用方式灵活的优点，特别适用于节点密集部署、节点数据频繁上传，且监测对象变化缓慢的场合。

技术领域

本发明涉及一种基于数据密度相关度的无线传感器网络数据融合方法。

背景技术

数据融合是将来自多个数据源的数据，根据数据相关性或者实际应用需求，在无线传感器网络网内实现去除冗余数据，或者得到各数据的某种特征，或者得到某个事件结论的过程。数据融合技术的实施目的在于降低数据在无线传感器网络中的传递数量，从而降低网络能耗，延长网络寿命。

密集部署方式下的无线传感器网络，相邻节点之间的数据具有较强的相关性。为了准确进行节点相关数据的融合，需要具有节点间相关性的准确度量方法，因此，研究节点间相关性度量方法直接关系到数据融合算法的准确性。

目前，有关学者对节点间数据相关度描述方法的研究主要包括了基于部署特征(节点位置、节点覆盖范围)和基于数据特征的描述方法。其中基于部署特征的相关性描述方法包括了基于节点位置的相关性描述方法和基于节点感知范围重叠度的相关性描述方法。基于数据特征的相关性描述方法包括了基于节点数据相关系数的相关性描述和基于数据分布的相关性描述方法。

基于节点部署特征的相关性描述方法通过节点间位置的直线距离或者相邻节点感知范围的重叠程度来反映节点之间的相关程度，建立节点间的相关度公式。该类相关度公式具有建模简单，计算方便的优点。但该相关性描述方法存在缺陷：各节点间噪声需为独立同分布的高斯噪声，WSN实际所处环境难以满足；复杂环境中，存在节点间部署位置与节点间相关性不一致的问题。该相关性描述方法的缺陷主要是因为未考虑无线传感器网络部署时的实际环境。

基于节点数据相关系数的相关性描述方法采用Pearson相关系数来度量两节点之间的相关度。该相关性描述方法可以准确描述两节点数据之间的线性相关性，适用于描述事件区域变化不大，部署环境简单的应用场合。但在实际应用时，计算节点数据间Pearson相关系数时需要上传大量的原始数据给Sink节点，该数据上传过程会消耗较多能量，不利于节约能耗。特别是在传递离Sink节点较远的原始数据，能耗问题更严重。另外，当环境发生变化时，节点之间的相关性会随之发生变化，需要重新计算节点间相关性，耗费大量节点能量。

基于数据分布的相关性描述方法，通过节点数据相对其邻居节点数据的相对位置来描述该节点相对其邻居节点的相关度。该相关性描述方法存在描述方法单一，适用场合有限，无法全面准确描述节点数据间相关性的缺陷。导致该描述方法实用性差。

发明内容

本发明所要解决的技术问题是：提供一种基于数据密度相关度的无线传感器网络数据融合方法。

解决上述技术问题，本发明所采用的技术方案如下：

一种基于数据密度相关度的无线传感器网络数据融合方法，包括以下步骤：

步骤一，无线传感器网络的每一个节点i在同一时刻向其全部邻居节点v₁,v₂,…,v_n发送该时刻的感知数据D，并接收其全部邻居节点v₁,v₂,…,v_n向其发送的该时刻的感知数据D′₁,D′₂,...D′_n，其中，n为节点i的邻居节点总数量；

步骤二，无线传感器网络的每一个节点i分别判断其是否为核心节点；