无线传感器网络数据融合技术研究

　　无线传感器网络(Wireless Sensor Networks,WSN)是一种由大量传感器节点组成的网络，它集成了微电子技术、感知技术、嵌入式计算技术、分布式信息处理技术和无线通信技术。其广泛的应用前景，引起了人们广泛关注。无线传感器网络作为新一代的传感器网络，其应用已经由军事领域扩展到反恐、防爆、环境监测、医疗保健、家居、商业、工业等其他许多领域，其广阔的应用前景受到学术界的广泛关注。

　　由于大多数无线传感器网络应用都是由大量传感器节点构成的，共同完成信息收集、目标监视和感知环境的任务。因此，在信息采集的过程中，采用各个节点单独传输数据到汇聚节点的方法显然是不合适的。因为网络存在大量冗余信息，这样会浪费大量的通信带宽和宝贵的能量资源。此外，还会降低信息的收集效率，影响信息采集的及时性。

　　为解决上述问题，人们采用了一种称为数据融合(或称为数据汇聚)的技术。所谓数据融合是指将多份数据或信息进行处理，组合出更高效、更符合用户需求的数据的过程[2]。在大多数无线传感器网络应用当中，许多时候只关心监测结果，并不需要收到大量原始数据，数据融合是处理该类问题的有效手段。

　　在大规模的无线传感器网络中，传统的数据传输模式下，每个节点都将传输全部的感测信息，这其中就包含了大量的冗余信息，使用数据融合技术能够有效的减少网络中的数据传输量，从而节省传感器节点的能量，延长无线传感器网络生命期。

　　无线传感器网络是近年来发展起来的新学科，它综合了传感器技术、无线通讯以及电子技术等多门学科，从根本上解决了以往的传感器网络体积庞大，布线困难的弊端。无线传感器网络的基本功能是收集并返回传感器节点所在监测区域的信息，然而无线传感器网络节点的资源非常有限，主要表现在电池能量、处理能力、存储容量以及通信带宽等几个方面。在收集信息的过程中采用各个节点单独传送数据到汇聚节点的方法是不合适的[3]，主要有以下两个原因:

　　1、浪费通信带宽和能量:在覆盖度较高的传感器网络中，邻近节点报告的信息存在相关性，各个节点单独传送数据会浪费通信带宽;同时传输大量数据会使整个网络消耗过多的能量，缩短网络的生存时间。

　　2、降低信息收集的效率:多个节点同时传送数据会增加数据链路层的调度难度，造成频繁的冲突碰撞，降低了通信效率，从而影响信息收集的及时性。

　　因此为了避免上面所述问题，无线传感器网络在收集数据的过程中需要采用数据融合技术。汇聚节点在从各个传感器节点收集数据的过程中，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，尽量减小数据传输量，从而达到节省能量的目的。此外由于单一的传感器节点采集的数据具有不可靠性，传感器网络也需要采用数据融合技术对多份数据进行综合处理，提高信息的准确度。由此可见，在无线传感器网络中应用数据融合技术显得尤其重要。

　　无线传感器网络的应用范围很广泛，从农业、环境保护到医疗等领域等等，因此针对不同的应用要采用不同的融合方法来满足用户的需求。目前现有的数据融合方法大多是基于查询模式的，并且这些方法都比较简单，例如求最大最小值、平均值、计数值等，都是针对单一特征数据的查询，因此应用范围也比较狭窄[4]。在很多应用中需要监测整个网络中各个区域的信息情况，汇聚节点不仅要得到整个网络节点采集的数据，还要得到这些数据产生的区域信息进行更有针对性的分析处理，在这种情况下己有的融合方法就不能满足这样的需求。另外网络规模比较小时，可以不采用融合方法进行数据传输，但是当网络规模非常大时，仅仅获得整个网络中的数据就已经非常消耗能量了，如果在发送数据时附加上对应的精确位置信息就更加消耗能量，特别是汇聚节点附近的节点负载非常大，如果不采用合适的融合方法，网络中很多节点由于能量耗尽会很快失效，严重情况可以导致整个网络崩溃。因此设计出适用于以上类型的网络与用户需求的融合方法是非常必要的。

　　由于无线传感器网络的特点，以及涉及的技术较多，需要研究的问题也很多，能量消耗问题便是其中主要的问题之一。由于在无线传感器网络中，通常要求网络的生存时间长达数月甚至数年，而传感器节点通常采用微型电池供电，电池提供的能量十分有限;加之，传感器节点通常被部署在无人值守的环境下而不能持续充电，且对于拥有成千上万的这种传感器节点的无线传感器网络来说，对电池的替换更是任务艰巨甚至是不可能;另外，电池技术在近些年来也没有太大的突破。因此，为了延长无线传感器网络的生存周期，研究开发降低传感器节点的能量消耗的技术是无线传感器网络的核心问题，也是当前国内外研究机构研究的焦点。

　　在大规模的无线传感器网络中，在传统的数据传输模式下，每个节点都将传输全部的感知信息，这其中就包含了大量的冗余信息，即有相当一部分的能量用于不必要的数据传输。而传感器网络中传输数据的能耗远大于处理数据的能耗。因此，使各个节点多跳传输感测数据到Sink节点前，先对数据进行融合处理是非常有必要的，数据融合技术能够有效克服无线传感器网络中能量约束，去除冗余信息，减少网络中的数据传输量，从而节省WSN节点能量，延长WSN的生命期。在实际应用中希望得到尽量完善的无线传感器网络采集的数据，而目前有很多的数据融合方法为了减小能耗，只能通过简单查询得到单一数据特征量，因此在保证网络一定寿命的前提下设计能得到尽量完善的包含区域信息数据融合方法是目前急需研究的课题。

　　本文首先分析研究了国内外现有的一些数据融合技术，并对这些方法的优缺点进行分析和比较，从农业生产的实际情况出发，对大规模无线传感器网络的蔬菜大棚温度进远程行监测，用户需要知道某个特定区域的平均温度，这个区域可能包含大量的节点;由于受到带宽和电池能量的限制，将每个数据不经过任何处理单独发送给汇聚节点会浪费大量的能量，在此基础上提出一种分布式的数据融合在此基础上提出一种分布式的数据融合算法来收集各个传感器节点的数据。这个算法的实现过程中，节点不需要知道系统的全局信息，这样可以降低系统中节点总的能量消耗。算法的运行允许多个传感器节点启动数据融合过程，数据融合就以并行的方式进行，因而可以减少延迟。算法动态地选择不同的节点作为簇头，这就保证了能量的消耗是动态地分布在系统中所有节点上的。

　　本文详细讨论了无线传感器网络技术、数据融合技术，并对目前一些典型的无线传感器网络数据融合技术进行分析比较，提出一种分布式的数据融合算法，算法的运行允许多个传感器节点启动数据融合过程，数据融合就以并行的方式进行，因而可以减少延迟。算法动态地选择不同的节点作为簇头，这就保证了能量的消耗是动态地分布在系统中所有节点上的，延长了生命期。文章各章节安排如下:

　　第一章对相关背景进行概述。论文研究的目的和意义及内容。

　　第二章对无线传感器网络技术进行了详细的综述。介绍了无线传感器网络的定义、特征和体系结构及关键技术;分析了无线传感器网络现状和应用。

　　第三章介绍了目前无线传感器网络中典型的融合技术。应用层与网络层中的数据融合方法主要是针对简单的查询任务，可扩展性差;查询之间的融合方法可以将几个同时发布的查询任务进行融合，减少能量消耗，但这种方法中各个独立的查询也是很单一的，都是对简单特征量如最大值、平均值等的查询。最后介绍了q分类融合算法，这种算法与前面的算法相比有很多优点，可以得到整个网络的监测数据，从而在汇聚节点处可以进行多次复杂查询任务，而不需要重新提取节点采集的数据。

　　第四章提出一种分布式的数据融合算法。在算法的实现过程中，节点不需要知道系统的全局信息，这样可以降低系统中节点总的能量消耗。算法的运行允许多个传感器节点启动数据融合过程，数据融合就以并行的方式进行，向簇头传递信息，所有节点都是自行决定下一跳的传输方向，避免了保存全局路由信息，因而可以减少延迟。算法动态地选择不同的节点作为簇头，这就保证了能量的消耗是动态地分布在系统中所有节点上的。从系统仿真结果来看，该算法可以减少时延，有效的降低能量消耗。

　　第五章对整个工作进行总结。

　　科技发展的脚步越来越快，人类已经置身于信息时代。而作为信息获取最重要和最基本的技术一传感器技术，也得到了极大的发展。传感器信息获取技术已经从过去的单一化逐渐向集成化、微型化和网络化方向发展，必将会带来一场新的信息革命。

　　早在上世纪70年代，就出现了将传统传感器采用点对点传输，连接传感控制器而构成传感器网络雏形，被称之为第一代传感器网络[8];随着相关学科的不断发展和进步，传感器网络同时还具有了获取多种信息信号的综合处理能力，并通过与传感控制器的相联，组成了有信息综合和处理能力的传感器网络，称为第二代传感器网络。而从上世纪末开始，现场总线技术开始应用于传感器网络，人们用其组建智能化传感器网络，大量多功能传感器被运用，并使用无线技术连接，无线传感器网络逐渐形成。作为新一代传感器网络的无线传感器网络可实现数据的采集量化、处理、融合和传输应用，其发展和应用将会给人类的生活和生产的各个领域带来深远影响。它不仅在工业、农业、军事、环境、医疗等传统领域具有很广泛的应用价值，而且在未来还将在许多新兴领域体现其优越性，如家用、保健、交通等领域[9]。

　　无线传感器网络(Wireless Sensor Network,WSN)是由大量低成本且具有传感、数据处理和无线通信能力的传感器节点通过自组织方式形成的网络[12]。它独立于基站或移动路由器等基础通信设施，通过分布式协议自组成网络。传感器网络中的传感器节点主要有两类:普通传感器节点和汇聚节点。汇聚节点(Sink)为一个特殊节点，它是中心处理节点，也称网关节点。该节点可向区域内的普通传感器节点发送数据采集命令，并接收和处理普通传感器节点传送来的数据，如图2-1所示:

　　图2-1，无线传感器网络体系结构图

　　典型的传感器节点结构由数据采集模块(传感器，A/D转换器)、数据处理和控制模块(微处理器、存储器)、通信模块(无线收发器)和电源以及嵌入式软件模块等部分组成，如图2-2所示。

　　图2-2传感器节点结构图

　　无线传感器网络(Wireless Sensor Network)X23，是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络，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，并发送给观察者。传感器、感知对象和观察者构成了传感器网络的三个要素[13]。

　　目前常见的无线网络包括移动通信网、无线局域网、蓝牙网络、Ad hoc网络等，与这些网络相比，无线传感器网络具有以下特点:

　　(1)电源能量有限

　　传感器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。

　　(2)通信能力有限

　　无线通信的能量消耗与通信距离的关系为:E=kdn。其中，参数n满足关系2<n<4,n的取值与很多因素有关，例如传感器节点部署贴近地面时，障碍物多干扰大，n的取值就大;天线质量对信号发射质量的影响也很大。考虑诸多因素，通常随着通信距离的增加，能耗将急剧增加。因此，在满足通信连通度的前提下应尽量减少单跳通信距离。

　　(3)计算和存储能力有限

　　传感器节点是一种微型嵌入式设备，要求它价格低功率小，这些限制必然导致其携带的处理器能力比较弱，存储器容量比较小。为了完成各种任务，传感器节点需要完成数据的采集和转换、数据的管理和处理、应答汇聚接点的任务请求和节点控制等多种工作。如何利用有限的计算和存储资源完成诸多协同任务成为传感器设计的挑战。

　　(4)自组织网络

　　在传感器网络应用中，通常情况下传感器节点被放置在没有基础结构的地方。传感器节点的位置不能预先精确设定，节点之间的相互邻居关系预先也不知道，如通过飞机播撒大量传感器节点到面积广阔的原始森林中，或随意放置到人不可到达或危险的区域。这样就要求传感器节点具有自组织的能力，能够自动进行配置和管理，通过拓扑控制机制和网络协议自动形成转发监测数据的多跳无线网络系统。

　　(5)应用相关的网络

　　传感器网络用来感知客观物理世界，获取物理世界的信息量。客观世界的物理量多种多样，不可穷尽。不同的传感器网络应用关心不同的物理量，因此对传感器的应用系统也有多种多样的要求。不同的应用背景对传感器网络要求不同，其硬件平台、软件系统和网络协议必然会有很大差别。所以传感器网络不能像Internet一样，有统一的通信协议平台。对于不同的传感器网络应用虽然存在一些共性问题，但在开发传感器网络应用中，更关心传感器网络的差异。只有让系统更贴近应用，才能做出高效的目标系统。针对每一个具体应用来研究传感器网络技术，这是传感器网络设计不同于传统网络的显著特征。

　　无线传感器网络作为当今信息领域新的研究热点[10]，涉及多学科交叉的研究领域，有非常多的关键技术有待发现和研究:

　　(1)网络拓扑控制

　　对于无线的自组织的传感器网络而言，网络拓扑控制具有特别重要的意义。通过拓扑控制自动生成的良好的网络拓扑结构，能够提高路由协议和MAC协议的效率，可为数据融合、时间同步和目标定位等很多方面奠定基础，有利于节省节点的能量来延长网络的生存期。拓扑控制是无线传感器网络研究的核心技术之一。

　　(2)网络协议

　　由于无线传感器网络节点的计算能力、存储能力、通信能力以及携带的能量都十分有限。每个节点只能获取局部网络的拓扑信息，其上运行的网络协议也不能太复杂。同时，传感器拓扑结构动态变化，网络资源也在不断变化，这些都对网络协议提出了更高的要求。无线传感器网络协议负责使各个独立的节点形成一个多跳的数据传输网络，目前研究的重点是网络层协议和数据链路层协议。

　　(3)网络安全

　　任务型的WSN在很多情况下都需要保证其任务执行的机密性和数据传输的安全性，它需要一套有效的安全机制，包括物理层的高效加密算法、数据链路层抗DOS攻击的安全MAC协议、网络层的安全路由协议及应用层的密钥管理和安全组播方案等。SPINS(Security Protocols for Sensor Network)安全体系是目前所提出的安全机制中比较实用的WSN安全机制，它在数据机密性、完整性、可认证等方面都作了充分的考虑〔26)。在密钥管理方面，预配置密钥方式是WSN比较常用的一种方式，比较有代表性的算法有随机密钥对模型和基于多项式的密钥对模型等。

　　(4)时间同步

　　时钟同步是需要协同工作的传感器网络系统的一个关键机制。Jeremy Elson和Kay Romer在2002年8月的Hot Nets-I国际会议上首次提出并阐述了无线传感器网络中的时间同步机制的研究课题，在无线传感器网络研究领域引起了关注。在分布式系统中，不同的节点都有自己的本地时钟。由于不同节点的晶体振荡器频率存在偏差，以及温度变化和电磁波干扰等，即使在某个时刻所有节点都达到时间同步，它们的时间也会逐渐出现偏差。能量、价格和体积等方面的约束，使得传统的网络时间协议NTP(Network Time Protocol)等现有时间同步机制不适用于传感器网络，需要修改或重新设计时间同步机制来满足传感器网络的要求。

　　(5)定位技术

　　位置信息是传感器节点采集数据不可缺少的部分，没有位置信息的监测消息通常毫无意义。确定事件发生的位置或采集数据的节点位置是无线传感器网络最基本的功能。全球定位系统(GPS)己经在很多领域中应用，但它成本高，且对使用环境有一定限制，在水下、室内等不能直接使用，WSN需要更加合适的定位技术。

　　(6)数据融合

　　所谓数据融合(Data Aggregation)，是对大量节点感知获取的随机的、不确定的、不完整的含有噪声甚至是错误的数据或信息当中，进行滤波等信息处理，计算出可靠的、精确的完整信息的处理过程〔Z;。数据融合技术是WSN减少数据冗余，提高通信效率和能量效率的一种有效方式。到目前为止，人们已经提出了不少数据融合的方法，其中波束生成(Beam Forming)算法是WSN中应用较多的方法。但是这类算法计算量比较集中，执行该任务节点的能量消耗非常大，这对于能量受限的传感器节点来说是非常不利的，综合考虑能量效率是WSN数据融合技术未来的发展方向。

　　MEMS支持下的微小传感器技术和节点间的无线通信能力为传感器网络赋予了广阔的应用前景，主要表现在军事、环境、健康、家庭等等其他商业领域[13]。当然，在空间探索和灾难拯救等特殊的领域，传感器网络也有其得天独厚的技术优势。

　　(1)军事应用

　　在军事领域，传感器网络成为C4ISRT(command,control,communication,computing,intelligence,surveillance,reconnaissance and targeting)系统不可或缺的一部分。C4ISRT系统的目标是利用先进的高科技技术，为未来的现代化战争设计一个集命令、控制、通信、计算、智能、监视、侦察和定位于一体的战场指挥系统，受到了军事发达国家的普遍重视。因为传感器网络是由密集型、低成本、随机分布的节点组成的，自组织性和容错能力使其不会因为某些节点在恶意攻击中的损坏而导致整个系统的崩溃，这一点是传统的传感器技术所无法比拟的，也正是这一点，使传感器网络非常适合应用于恶劣的战场环境中，包括监控军队兵力、装备和物资，监视冲突区，侦察敌方地形和布防，定位攻击目标，评估损失，侦察和探测核、生物和化学攻击。在战场，指挥员往往需要及时准确地了解部队、武器装备和军用物资供给的情况，铺设的传感器将采集相应的信息，并通过汇聚节点将数据送至指挥所，再转发到指挥部，最后融合来自各战场的数据形成完备的战区态势图。

　　(2)环境科学

　　随着人们对于环境的日益关注，环境科学所涉及的范围越来越广泛。通过传统方式采集原始数据是一件困难的工作。传感器网络为野外随机性的数据获取提供了方便，比如，跟踪候鸟和昆虫的迁移，研究环境变化对农作物的影响，监测海洋、大气和土壤的成分等。ALERT系统中就有数种传感器来监测降雨量、河水水位和土壤水分，并依此预测爆发山洪的可能性。

　　(3)医疗健康

　　如果在住院病人身上安装特殊用途的传感器节点，如心率和血压监测设备，利用传感器网络，医生就可以随时了解被监护病人的病情，进行及时处理。还可以利用传感器网络长时间地收集人的生理数据，这些数据在研制新药品的过程中是非常有用的，而安装在被监测对象身上的微型传感器也不会给人的正常生活带来太多的不便。此外，在药物管理等诸多方面，它也有新颖而独特的应用。

　　(4)空间探索

　　探索外部星球一直是人类梦寐以求的理想，借助于航天器布撒的传感器网络节点实现对星球表面长时间的监测，应该是一种经济可行的方案。NASA的JPL(Jet Propulsion Laboratory)实验室研制的Sensor Webs就是为将来的火星探测进行技术准备的，己在佛罗里达宇航中心周围的环境监测项目中进行测试和完善。

　　(5)其他商业应用

　　自组织、微型化和对外部世界的感知能力是传感器网络的三大特点，这些特点决定了传感器网络在商业领域应该也会有不少的机会。比如，嵌入家具和家电中的传感器与执行机构组成的无线网络与Internet连接在一起将会为我们提供更加舒适、方便和具有人性化的智能家居环境;德国某研究机构正在利用传感器网络技术为足球裁判研制一套辅助系统，以减小足球比赛中越位和进球的误判率。此外，在灾难拯救、仓库管理、交互式博物馆、交互式玩具、工厂自动化生产线等众多领域，无线传感器网络都将会孕育出全新设计和应用模式。

　　在传感器网络中，数据融合起着十分重要的作用，主要表现在节省整个网络的能量、增强所收集数据的准确性以及提高收集数据的效率三个方面。

　　(1)节省能量

　　传感器网络是由大量的传感器节点覆盖到监测区域而组成的。鉴于单个传感器节点的监测范围和可靠性是有限的，在部署网络时，需要使传感器节点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，有时甚至需要多个节点的监测范围互相交叠。这种监测区域的相互重叠导致邻近节点报告的信息存在一定程度的冗余。比如对于监测温度的传感器网络，每个位置的温度可能会有多个传感器节点进行监测，这些节点所报告的温度数据会非常接近或完全相同。在这种冗余度很高的情况下，把这些节点报告的数据全部发送给汇聚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，汇聚节点并未获得更多的信息。

　　数据融合就是要针对上情况对冗余数据进行网内处理，即中间节点在转发传感器数据之前，首先对数据进行融合，去掉冗余信息，在满足应用需求的前提下将需要传输的数据量最小化。网内处理利用的是节点的计算资源和存储资源，其能量消耗与传送数据相比要小很多。

　　（2)获得更准确的信息

　　传感器网络有大量低廉的传感器节点组成，部署在各种各样的环境中，从传感器节点获得的信息存在着较高的不可靠性。这些不可靠因素主要来自于以下三个方面:

　　1)受到成本及体积的限制，节点配置的传感器精度一般较低;

　　2)无线通信的机制使得传送的数据更容易受到干扰而遭破坏;

　　3)恶劣的工作环境除了影响数据传送外，还会破坏节点的功能部件，令其工作异常，报告错误的数据。

　　由此看来，仅收集少数几个分散的传感器节点的数据较难确保的到信息的正确性，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度和可信度。另外，由于邻近的传感器节点监测同一区域，其获得的信息之间差异性很小，如果个别节点报告了错误的或误差较大的信息，很容易在本地处理中通过简单的比较算法进行排除。

　　要指出的是，虽然可以在数据全部单独传送到汇聚节点后进行集中融合，但这种方法得到的结果往往不如在网内进行融合处理的结果精确，有时甚至会产生融合错误。数据融合一般需要数据源局部信息的参与，如数据产生的地点、产生数据的节点归属的组(或簇)等。相同地点的数据，如果属于不同的组可能代表完全不同的数据含义。例如对于树下和树上的节点分别测量不同高度情况下目标区域的温度，虽然从二维环境下看它们在同一个地点，但这两个节点的温度数据是不能够融合的。正是这些局部信息的参与使得局部信息融合比集中数据融合有更多的优势。

　　(3)提高数据收集效率

　　在网内进行数据融合，可以在一定程度上提高网络收集数据的整体效率。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。

　　传感器网络中的数据融合技术可以从不同的角度进行分类，这里介绍三种分类方法:依据融合前后数据的信息含量分类;依据数据融合与应用层数据语义的关系分类;依据融合操作的级别进行分类。

　　无线传感器网络通常具有以数据为中心的特点，因此应用层的数据融合需要考虑以下因素:无线传感器网络能够实现多任务请求，应用层应当提供方便和灵活的查询提交手段;应用层应当为用户提供一个屏蔽底层操作的用户接口，用户使用时无须改变原来的操作习惯，也不必关心数据是如何采集上来的;由于节点通信代价高于节点本地计算的代价，应用层的数据形式应当有利于网内的计算处理，减少通信的数据量和减小能耗。

　　（1）TAG数据融合模式

　　TAG(Tiny Aggregation)[19]是位于应用层的数据融合算法，它的数据融合思想在无线传感器网络数据库系统Tiny DB中得到了很好的实现和应用。Tiny DB是伯克利大学所开发的TMYOS的一个查询处理子系统。Tiny DB是一个居于高层的抽象，它将传感器网络看作是一个分布式的数据库，以数据为中心进行编程，为用户提供了简单的Tiny-SQL查询接口，并提供了可扩展的框架模型，TAG是一个简单的查询内部的数据融合模型。在TAG系统中整个查询处理分为两个阶段:查询分发阶段和数据收集阶段。在查询分发阶段，使用一个直接连接到工作站或基站的传感器节点作为汇聚节点，汇聚节点将把Tiny-SQL语句表示的查询请求分发到整个网络中，并在分发查询请求的过程中建立起一棵用于传输数据的生成树。在数据收集阶段，每个节点将自己采集到的数据与从子节点中收集到的数据融合起来，将融合后的结果通过生成树发送给汇聚节点。

　　TAG系统的数据融合模式在不考虑节点失效或连接失效的情况下，可以获得很好的能量利用率和查询处理效率。但是只要生成树中的一个节点或连接失效，整个子树产生的数据都将丢失，特别是当失效发生在离汇聚节点很近的地方的时候，对于数据的准确性、实时性以及系统的正常运行会造成更大的影响。TAG的这一缺点使得它在难以预测、运行条件恶劣的传感器网络中，有时不能表现出良好的性能，所以TAG自身也对节点或连接的失效进行了修补，提出了很多方法来增强它的抗失效能力，如缓存数据法、分散父节点法等。缓存数据法主要是在每个节点上都将上一个时刻的数据缓存，当发生失效导致不能得到新的数据时使用缓存的数据来代替，这个方法的缺点是不能保证数据的实时性[20]。分散父节点法是改变了在TAG中使用生成树作为基本拓扑结构的方法，使得每个节点同时拥有很多个父节点，当一个父节点失效时，可以使用其它父节点来传输数据，这个方法的代价是使数据传输的拓扑结构建立变得更复杂。

　　TAG的底层网络路由机制是简单的多播协议，TAG在应用层对节约功耗做出了很多贡献，但是它的底层路由机制并没有提供有效的功耗管理。如果在定向扩散(Directed Difusion)的基础上进行数据融合，定向扩散本身对路由的功耗就多加考虑，因此可以除了在应用层上进行有效的数据传输管理，此外在数据路由方面也节约了功耗，更好的达到延长无线传感器网络寿命的目的。

　　(2)TiNA

　　TiNA(temporal coherency-aware in-network aggregation)[21]是一种利用传感器节点采集数据的时间一致性进行网内融合的机制。它在满足用户对于数据准确性需求的前提下，通过网内融合尽可能地节省能量。TiNA的基本思想是，只有当前采集的数据与上一次采集的数据的差值大于某个用户指定的容忍限度时，节点才进行数据发送。它采用定向扩散(directed diffusion)的方式建立路由树，为每个节点分配梯度值并指定其父节点。节点为了利用数据的时间一致性，必须保存额外的信息。叶节点需要保存上一次发送到父节点的数据。转发节点不但需要保存自己上一次发送到父节点的数据，而且需要保存每个子节点发来的最新数据。

　　TiNA实质上是一种时间域上的数据融合。它对TAG进行了扩展，引入了数据时间一致性的概念。这种方法对于监测数据波动较小的应用十分有效，能够显著地减少网络中的数据传输量。然而，当监测数据波动较大时，TINA的作用就不是非常明显了;而且TiNA对于节点存储空间的要求比较高，尤其当网络规模较大时，转发节点需要保存大量的额外信息[22]。

　　(1)路由方式分类

　　无线传感器网络中的路由方式可以根据是否考虑数据融合分为两类:

　　1)以地址为中心的路由(address-centric routing,AC路由)[16]:每个源节点沿着到汇聚节点最短的路径发送数据，是不考虑数据融合的路由。

　　2)以数据为中心的路由(data-centric routing,DC路由):数据在转发的过程中，中间节点根据数据的内容，对来自多个数据源的数据进行融合操作。

　　图3-2所示，源节点并没有各自寻找最短路径，而是在中间节点B处对数据进行融合，然后再继续转发。

　　图3-1 AC路由图3-2 DC路由

　　AC路由与DC路由对能量消耗的影响与数据的可融合度有关。如果原始信息存在冗余度，由于DC路由可以减少网络中的转发数据量，因此将表现出很好的节能效果。在所有原始数据完全相同的极端情况下，AC路由可以通过简单修改达到DC路由的效果甚至更节省能量。例如在重复数据的产生要维持一段时间的情况下，修改AC路由使得当汇聚节点收到第一份数据时，就立即通知其它数据源和正在转发数据的中间节点停止发送数据。但是如果不对AC路由进行修改，在这种情况下，两种路由对能量的消耗的差距最大，即DC路由节能的优势最明显.在所有数据源的数据之间没有任何冗余信息的情况下，DC路由无法进行数据融合，不能发挥节省能量的作用，反而可能由于选择了非最短路径而比AC路由多消耗很多能量。

　　(2)DC路由中的数据融合

　　1)基于DD路由的融合

　　定向扩散(Directed infusion)路由中的数据融合包括路径建立阶段的任务融合和数据发送阶段的数据融合，这两种融合都是通过缓存机制实现的。定向扩散路由中的任务融合得益于它基于属性的命名方式，类型相同、监测区域完全覆盖的任务在某些情况下就可以融合成一个任务。定向扩散路由的数据融合采用的是“抑制副本”的方法，即对转发过的数据进行缓存，发现重复的数据将不予转发。这种方法不仅简单，与路由技术相结合还能够有效地减少网络中的数据量。

　　2)基于层次路由的融合

　　Wendi Rabiner Heinzelman等提出了在无线传感器网络中使用分簇概念[17]其将网络分为不同层次的LEACH算法。LEACH与TEEN都是基于层次的路由算法，它们的核心思想是使用分簇的方法使得数据融合的地位突显出来。它包括周期性的循环过程，LEACH的操作分成“轮”来进行，每一轮具有两个运行阶段，包括簇建立阶段和数据通讯阶段。为了减少协议的开销，稳定运行阶段的持续时间要长于簇建立阶段。

　　在簇建立阶段，相邻节点动态的自动形成簇，随机产生簇首，随机性确保簇头与汇聚节点之间数据传输的高能耗成本均匀地分摊到所有的传感器节点，具体产生机制是:一个传感器节点生成0,1之间的随机数，如果大于闽值T,就选择这个节点为簇头。T的计算方法如下:

　　（3-1）

　　其中P为节点中成为簇头的百分数，r是当前的轮数。一旦簇头节点被选定它们便主动向所有节点广播这个消息。根据接收信号的强度，节点选择它所要加入的簇，并告知相应的簇头节点。

　　在数据通信阶段，簇内节点把数据发给簇首，簇首进行数据融合并把结果发送给汇聚节点。由于簇首承担了很多耗能的工作，如数据融合、与汇聚节点通信等，各节点需要等概率地轮流担任簇首，来达到网络能量消耗的平衡[11]。图3-3所示为两层分簇结构，LEACH协议的特点是分簇和数据融合，这种方式降低了节点发送功率，减少了不必要的链路，减少节点间干扰，达到保持网络内部能量消耗的均衡，延长网络寿命的目的。该算法的缺点在于:分簇的实现以及簇头的选择都需要相当一部分的开销，且簇内成员过多地依赖簇头进行数据传输与处理，使得簇头的能量消耗较快。为避免簇头能量耗尽，需不断的选择簇头。同时，簇头与簇内成员为点对多点的一跳通信，可扩展性差，不适用于大规模网络。LEACH协议可以有效地消除数据的冗余性。TEEN是LEACH的一种改进，应用于事件驱动的传感器网络。TEEN与定向扩散路由一样通过缓存机制抑制不需要转发的数据，但是它利用I}值的设置使抑制操作更加灵活，对于前一次监测结果差值较小的数据也进行了抑制。

　　图3-3 LEACH算法

　　3)基于链的融合

　　Stephanie Lindsey等人在LEACH算法基础上，提出了PEGASIS算法[14]。它基于两个假设:一是所有节点距离汇聚节点都很远;二是每个节点都能将接收到的数据分组与自己的数据融合成一个大小不变的分组。PEGASIS算法是在收集数据前，首先利用贪心算法将网络中的所有节点连接成一条单链，然后随机选取一个节点作为首领。首领向链的两端发出收集数据的请求，数据从单链的两个端点向首领流动。中间节点在传递数据前要执行融合操作，最终由首领节点将结果传送给汇聚节点，如图3-4所示。

　　图3-4 PEGASIS算法

　　PEGASIS算法的优点在于单链的结构使得每个节点发送数据的距离几乎都是最短的，而且最终只有一个节点进行远距离的数据传输，因此这个算法比LEACH算法更节省能量。该算法缺点也很明显，首先每个节点必须知道网络中其他各节点的位置信息。其次，链头节点为瓶颈节点，它的存在至关重要，若它的能量耗尽则有关路由将会失效。再次，较长的链会造成较大的传输时延。

　　4)基于安全模式的融合

　　ESPDA(Energy-efficient and Secure Pattern-based Data Aggregation)[15]也是一种基于分簇的路由协议算法。不同的是每个节点收集到数据后，并不是直接将数据包发送给簇头，而是将反映数据特征的模式编码((Pattern Code)发给簇头节点，簇头节点根据模式编码判断是否对该节点的数据感兴趣或该节点数据是否冗余。这样簇头节点就不用收集簇内所有节点的数据，可以根据需要有选择的收集。ESPDA既减少了簇内节点和簇头的通信量，也增加了无线传感器网络的安全性[16]。因为模式编码是经过安全加密和压缩的，而且大小也小于数据包的大小。

　　这些网络层中的数据融合虽然可以在一定程度上节约能耗，延长无线传感器网络的生命周期，但是这些数据融合算法都是针对单个查询请求所做的数据融合，而且假设所有数据都是可以融合的，并不是实际地根据数据包的内容来决定是否融合。

　　(3)查询之间的数据融合

　　查询之间的数据融合对于节约整个无线传感器网络的功耗、延长生命周期都具有极为重要的作用，因为在无线传感器网络的应用中往往都是很多查询请求并发执行的，而这些查询之间往往又存在着数据的冗余，如何将不同查询之间的冗余数据信息融合来提高数据传输的效率成为数据融合面临的一个新的问题，而这个问题的解决对于节省传感器网络的能量具有重大意义[17]。

　　查询之间的数据融合包括两个阶段:查询请求分发阶段和数据收集阶段。在查询请求分发阶段，每个节点都在自己的查询请求缓冲区中将自己感兴趣的查询请求放入其中，这时需要对这些查询请求进行分析，判断出哪些查询请求中包含冗余信息，从而决定对哪些查询请求进行融合。在数据收集阶段，每个节点将按照在查询请求分发阶段所做出的查询之间的融合策略进行数据包的融合。与单一的查询相比查询之间的数据融合面临着更多的困难，主要有以下四个方面:

　　1)数据融合策略的制定;

　　2)数据包的内部组织结构;

　　3)中间节点对接收到的数据包的处理;

　　4)将数据包的融合内容分发到各个查询请求。

　　(4)q分类融合算法

　　现有的数据融合技术只是局限于一些简单查询类型如求和，计算，求平均值和最大最小值等[18]。尽管在有些应用中求平均、求和等融合方法就已经足够了，但是在很多情况下是不能满足用户需求的。特别在生物和化学传感器中，单独的读数是非常不可靠的，甚至很小的偏移量就能产生很大的误差。例如基于化学传感器的电子鼻项目就是利用大量的传感器来探测化学试剂，将传感器数据的分布作为一个化学说明书将试剂分为安全的和不安全的。在这样的环境下可以预想出不仅得到单独的传感器测量值很重要，得到数据的分布也很重要。汇聚节点得到整个网络的数据分布之后，用户可以进行多次更复杂的查询，如计算中值、分位数和一致性估计等。

　　q分类法有如下四个特点:

　　1)误差保证:q分类法是一种适应性的查询结构，误差随着压缩程度而变化，当压缩程度比较大时，虽然可以减小数据量，但是误差比较大，反之亦然。因此用户可以确定适当的压、缩参数满足数据量与精度要求，当压缩参数确定之后，9分类的误差范围也随之确定。

　　2)在q分类中频繁数据的详细信息将被保留下来，而发生次数比较少的数据被集中压缩到范围更大的节点中，结果是丢失了一些信息。

　　3)信心因素:q分类法对理论上的最大误差有一个估计值，因此q分类法提供的任何应答都有一个严格的误差范围。但是理论上估计出的最大误差只存在于特殊的情况中，一般在实际中不太可能发生。实际误差都会比理论估计出的最大误差小，因此信心因素的概念可以更精确的估计出实际误差。

　　4)支持多个查询:数据收集完成之后，汇聚节点上的q分类就包含了整个网络的数据。用户可以同时完成多个查询任务而不需要重新收集网络中的节点采集的数据。

　　在无线传感器网络应用环境中，传感器节点通常为无人值守，节点的电源一般无法更换，因此如何节能就成为首先要考虑的问题。传感器节点能量主要消耗在数据采集、数据计算、数据传输三方面，其中数据传输阶段能量消耗最大。为此，有效地节约能源要从减少数据传输量入手进行数据融合。数据融合是无线传感器网络中重要的研究领域之一。使用数据融合技术能够有效地解决无线传感器网络中能量的限制。通过合并多个数据源产生的数据，去除冗余信息，数据融合能够有效地减少网络中的数据传输量。从而节省传感器节点的能量，延长无线传感器网络的生命期。如今已有大量的研究工作从不同角度来力求延长传感器网络的寿命。

　　在算法的方案中，每个传感器节点最多有四个邻居节点，也就是可以有四个方向(up,down,left,right)进行传输。用upi,downi,lefti,righti四个局部变量来表示传感器i在不同方向的邻居节点。这些变量包括了各个方向离i最近的节点的身份信息，变量的选择可以在传感器的部署阶段进行。节点之间可以相互通信，也可以与基站进行通信，任何一个节点都有可能成为融合节点(或者簇头)，要向基站传输数据信息。传感器节点是均匀分布在给定区域内的。假设每个节点都配备指令天线用来区分不同的方向，使用指令天线可以使传感器节点能够选择自己想要的传输方向。

　　数据融合的过程由基站来启动，基站发送一个信标信号，表示新一轮的数据收集过程开始。然后，依据本地知识，每个节点自己决定是否开始消息传送，也就是说可以有多个传感器节点同时来启动算法，并行地遍历所有节点。基站不要求掌握全局信息，因为各个节点都是自己做出决定。

　　当新一轮数据融合开始后，需要选择多个初始节点启动算法。因传感器网络的结构在不停的变化之中，本轮中离基站近的节点在下一轮可能是离基站较远的，所以每轮中离基站最远的节点是不同的。每一轮中的初始节点可以选择离基站最远的多个节点，这样就保证了每次选择的初始节点是不同的节点，而且最后成为簇头的节点是离基站很近的，可以减少额外的能量消耗。

　　每个节点分别选择自己的邻居节点(upi,downi,leftirighti)进行数据传输，它们选择下一跳邻居节点需遵循以下几条原则:

　　1)如果是初始节点，则先上下，后左右;

　　2)如果既有上方邻居节点又有下方邻居节点，则随机选择。左右也相同;

　　3)如果不是初始节点，则此节点选择来源节点方向的反方向进行传输;

　　4)直到遇到一个已经发送过自己信息的节点为止;

　　5)每一条路径到达的最后一个节点成为簇头，由簇头向基站转发本簇中所有节点总的融合信息;

　　6)每一个节点在启动算法时确定要转发的方向。

　　4.1.2能量消耗模型

　　能量是无线传感器网络中的重要资源，而数据融合的主要作用是节省能量。因此，建立传感器节点的能量模型，量化分析数据融合对于传感器节点的影响以及对于无线传感器网络的生命期的影响是十分必要的。

　　在节点的数据传输能量消耗模型中，dL表示一个簇头到基站之间的距离，发送消息的长度是L比特，将L比特消息传输dL距离所消耗的能量为Er:

　　（4-1）

　　此外，接收L比特消息消耗的能量为ER:

　　（4-2）

　　式(2)包括波束形成方法的开销EsF，这种方法可以减少能量的消耗。以上公式中能量消耗值如下:

　　1)短距离传输的能量消耗:(4-3)

　　2)长距离传输的能量消耗:(4-4)

　　3)传输或接受信号的电路所消耗的能量:(4-5)

　　4)波束形成消耗的能量:(4-6)

　　4.1.3算法初始化

　　初始化要求每个节点选取一组参数，这些参数在算法运行过程中会用到，不需要建立路由表。每个节点将按照以下步骤进行初始化:

　　1)为方向建立参数值;

　　2)建立传输消息到基站的能量消耗;

　　3)为初始发送速率赋值;

　　4)选取开始新一轮的随机等待时间;

　　5)初始化所有局部变量。

　　当等待时间结束，新的一轮数据融合过程还未开始时，节点开始启动算法。每个节点选择下一个目的节点传输信息，并在本地保存此目标节点。

　　无线传感器网络数据融合的系统模型就是要在考虑以上几点的基础之上勾勒出来的。就是在满足有效性的同时，提高系统的性能，从而达到节约无线传感器网络的资源，增强系统应对环境或测量对象可变性的能力。

　　在经过大量的系统模型参考，以及功能性开发需求考虑下，下面先对此系统应该具有一个什么样的层次结构及其功能进行阐述。

　　首先需要考虑的是采集到的数据的处理，对这些数据进行数值分析、门限判定、关联性分析等等。无线传感器网络中需要尽可能的降低不必要的无线传输的次数以节省能量，所以这一层的数据分析是非常重要的。因为第一层处理去掉不必要的数据传送的话，那么至少是节省了本节点以及接收节点的射频通信能量及相关网络资源。另外还得考虑门限值、数据分析的依据是怎么得出的。例如把无线传感器网络用于太平洋海底地震带地壳震动测量。当地壳震动处于平静期时，节点的触发门限值自然应当设低一点，当地壳震动较频繁的时期，节点的触发门限值自然得相应提高。这样做的目的无疑是与关注的焦点相关，测量对象的状态特征没有改变的时候，就没有必要去频繁的或者定期的把测量的数据进行上传，只有当情况有所改变的时候才应当报告情势的变化。还有一种情况是当节点测量到震动幅度比较大的时候，这时又应当实时报告测量数据，需要观测人员实时关注情况，以进行安全方面的预警。而这些门限值之类的数据该怎么得到，又怎么反馈给这些节点，就是在整个系统中进行综合设计，这在后面的无线传感器网络数据融合的反馈机制中进行阐述。

　　在得到初步的处理数据之后，就应该根据这些数据提取出对象及其特征。对于这一层及来说，所得到的数据仅仅是数据，它是不知道测量对象是个什么，有什么样的一些特征特性，所以就需要从第一级得到的数据中提取对象特征。这更多的是用于多传感器节点的无线传感器网络，比如同时具有温度、定位、红外、视频采集等传感器的情况。具体测量之后，把每一种测量数据归为一个类，在传送的数据结构中进行约定即可。

　　在第二层次的处理之后，大概有了单个属性或对象的数据，从这个里面可以看出单个属性或对象的情况，包括当前状态参数和变化趋势。但是对于观测者来说，更需要的是整个环境的情况，通过前面的对象数据，反映出了环境怎么样的一个情况，这个情况有什么样的趋势，测量到的对象之间具有什么样的关联性等等。

　　第三层应该针对环境变化趋势，关联性等做出决策，判断其有没有危险，并把综合报告作为人机接口的内容显示给观察者，供其作决策参考。

　　无线传感器网络数据融合系统结构

　　采用Matlab（matrix&laboratory）仿真工具对FW-LS算法进行仿真验证.首先给出加权融合算法的仿真过程及性能分析，验证该算法融合误差小的性能;其次对算法进行仿真验证，并给出性能分析。

　　经过数据传输，4个传感器在一个周期内的的12次采样获得的温、湿度数据组成4*12阶矩阵B和C如下:

　　2.根据算法流程，求出一个周期内不同时刻的温度融合值，形成一组新的数据X.再按照对一个周期内的湿度值做同样的处理可得到融合后的数据为Y，如下表所示.

　　融合后温湿度值

　　3.经过上述过程得到的结果与分别采用OVAW和EDW算法进行融合，温湿度融合结果如图4.2,4.3所示。

　　首先，通过图4.2,温度值的融合情况可以直观看到:在第4个采样时刻点处，采用OVAW算法和EDW的算法的融合结果都产生了较大的异常，而采用FW算法融合后的数据在一个周期内都较为平稳，也就是说FW算法较其他两种算法有较强的抗干扰性，能够对网络内某个节点出现故障时，将具有较大偏离的数据剔除;

　　4.采用三种算法得到的结果与各节点的原始数据的误差均值如图4.4和4.5所示。

　　5.为验证三种算法的融合性能，我们对一个周期内的误差均值进行比较.经过计算，采用FL算法、OVAM算法与EDM算法的误差均值如表4.4所示.

　　图4.2三种方法融合的温度值

　　图4.3三种方法融合的湿度值

　　图4.4三种算法温度融合值的误差均值

　　图4.5三种算法湿度融合值的误差均值

　　三种方法的误差均值

　　其次，通过对三种算法的误差均值的计算结果，可以看出FW算法簇内节点采样数据进行融合后，产生的整体误差较小都在0.02左右，而其他两种算法的误差波动幅度较大，整体不具有稳定性.所以FW融合算法比其他两种算法的融合效果更好，更能有效的表示原始数据，进一步验证了FW算法在无线传感器网络数据融合中能够得到较好的融合效果.

　　为验证FW-LS算法的节能效果，在网络分配给各节点的初始能量均为2J，对簇头节点进行能量分析，对比簇头节点对接收到的数据进行融合与直接发送不经过融合的能耗，结果如下。

　　图4.6簇头节点剩余能量

　　通过图5.6我们可以看到，簇头节点不经过任何处理直接将原始数据发送到基站，其剩余能量迅速下降，一个周期T后剩余能量几乎为零;而簇头节点对接收到的数据进行FW-LS进行融合后再传输到基站，其能量剩余相对较多，也就是说能量消耗较少，达到了节省簇头节点的目的.

　　无线传感器网络的产生和发展使整个社会发生了一次变革，它在科学研究、环境监测、武器装备、工农业生产、日常生活等领域都具有非常广阔的应用前景。无线传感器网络是和应用紧密相连的，它与物理世界紧密祸合，同时大规模密集部署、资源有限等特点决定了我们不能仅仅依靠现有的网络机制与技术，而要针对不同的应用设计适合其特点与需求的机制与算法等。在实际应用中用户需要得到尽量完善的节点采集的数据，然而由于受到节点能量的限制，现有的数据融合算法为了减小能量消耗只能通过简单查询得到单一的数据特征量。在有些情况下是不能满足用户需求的，因此在保证网络寿命的前提下，设计能得到尽量完善的包含区域信息数据的融合方法是目前研究的重点领域之一。

　　由于无线传感器网络的自身特点，传感器节点在电池能量、处理能力、存储容量以及通信带宽等方面都受到很大约束，因此有必要采用数据融合技术，从而减小网络数据传输量，延长网络寿命。本文详细讨论了无线传感器网络技术、数据融合技术，并对目前一些典型的无线传感器网络数据融合算法进行分析比较，在此基础上提出一种分布式的数据融合算法来收集各个传感器节点的数据。这个算法的实现过程中，节点不需要知道系统的全局信息，这样可以降低系统中节点总的能量消耗。算法的运行允许多个传感器节点启动数据融合过程，数据融合就以并行的方式进行，向簇头传递信息，所有节点都是自行决定下一跳的传输方向，避免了保存全局路由信息，因而可以减少延迟。算法动态地选择不同的节点作为簇头，这就保证了能量的消耗是动态地分布在系统中所有节点上的。从系统仿真结果来看，该算法可以减少时延，有效的降低能量消耗。

　　我的论文从定题，布局，到最后定稿，都得到了指导老师的悉心指导。老师博学多才，对问题的全局观，处事的快捷和待人的随和，都给我留下我难忘的回忆。早就听说老师治学严谨，好提携后进，有幸成为老师的学生，得到老师的亲自指导，实在三生有幸，在此，对我的老师致以最衷心的谢意。对众多为我上过课的老师，对参加这次答辩委员人的老师表示感谢。

　　在论文的写作过程中，同学都给了我很多帮助，在此一并致谢。也感谢关心我的父母、各位兄长，以及关心我的所有人

　　[1]孙利民，李建中.无线传感器网络[M].北京:清华大学出版社，2011.

　　[2]于海斌，曾鹏，梁斡.智能无线传感器网络系统[M].北京:科学出版社，2009.

　　[3]郑勇，杨志义，李志刚.基于无线传感器网络的网内数据融合[J].计算机应用研究。2010,6(4):89-91.

　　[4]Richard M.Akita,user based data fusion approaches,In,ISIF,Proccedings Of The Fifth International Conference On Information Fusion,USA,2009,1457-1462

　　[5]Chen F Z,A mathematic method of the multisensor data fusion,Mathematics in Practice and Theory，CN，25(2),1995,11一16

　　[6」张满生，张学庄，卡尔曼滤波器及其工程应，计算机术与自动化，27(1),2008年3月，6-9

　　[7]牟之英，机载多传感器数据融合模型和算法分析，航空电子技术，97 C4)，2010年，14-24

　　[8]颜听，李腊元.NS的仿真机制及协议扩展[J].武汉理工大学学报(交通科学与工程版)，2004,(02):26-28.

　　[9]邵晓萌，施惠昌.无线传感器网络数据融合协议比较[J].传感器与微系统，2007,26(2):21-26.

　　[10]王雪.无线传感器网络测量系统[M].北京:机械工业出版社，2010:229-236.

　　[11]孔凡天.无线传感器网络节点定位与数据融合技术研究及实现[D].华中科技大学博士学位论文，2009.

　　[12]张晓彤，班晓娟，段世红等.无线传感器网络与人工生命[M].北京:国防丁业出版社，2008.

　　[13]罗红，无线传感器网络数据汇聚路由问题的研究，北京邮电大学计算机科学与技术学院博士论文，2006.

　　[14]张文涛，贾小华，黄传河，传感器网络中的查询处理体系结构研究，计算机应用研究，2006.02.

　　[15]谢磊，陈力军，陈道蓄，谢立，无线传感器网络的查询处理机制研究综述，计算机科学，2006.09.

　　[16]Ossama Younis and Sonia Fahmy,HEED:A Hybrid,Energy-Efficient,Distributed Clustering Approach for Ad-hoc Sensor Networks,IEEE Transactions on Mobile Computing,volume 3,issue 4,pp.366-379,Oct-Dec 2004.

　　[17]任丰原，黄海宁，林闯.无线传感器网络[J].软件学报，2003,14(7):1282-1291.

　　[18]马祖长，孙治宁，梅涛.无线传感器网络综述[J].通信学报，2004,25(4):114-124.

　　[19]康耀红.数据融合理论与应用[M].西安:西安电子科技大学出版社，2006:3-4.

　　[20]倪明选，李明禄，薛广涛.无线传感器网络的基础理论及关键技术研究[J].中国计算机科学技术发展报告，清华大学，2007:3 84-412.

　　[21]杨光，印桂生，杨武，左东梅.WSNs基于信誉机制的恶意节点识别模型[J].哈尔滨工业大学学报，2009(10).

　　[22]杨纶标.模糊数学原理与应用(第四版)[M].广州:华南理工大学出版社，200_5.

　　[23]焦竹青，熊伟丽，张林，等.基于信任度的多传感器数据融合及其应用[J].东南大学学报(自然科学版),2008,38(9):253-257.

　　[24]杨佳，宫峰勋.基于贴近度的多传感器一致可靠性融合方法[J].传感技术学，2010,(07).

　　[25]周军，王志胜，周凤岐.基于线性均方估计的数据融合理论[J].宇航学报，2003,24(4):364-367.