無線傳感器網絡中的數據融合及其能效評估

摘要:首先介紹當前無線傳感器網絡中具有代表性的數據融合算法;然后基于樹型網絡拓撲結構，結合節點休眠調度機制，建立傳感器節點的能量模型;最后提出從能量的角度評價不同數據融合算法性能的方法，并通過模擬對典型數據融合算法進行分析。

關鍵詞:無線傳感器網絡; 數據融合; 能量

中圖分類號:TP393文獻標志碼:A

文章編號:1001－3695(2008)02－0546－05

0引言

隨著無線通信技術以及電子技術的飛速發展，低成本#65380;低功耗以及多功能的傳感器節點應運而生。每個傳感器節點具有感知#65380;存儲#65380;數據處理以及無線通信的能力。多個傳感器節點的集合構成了無線傳感器網絡。傳感器節點之間以Ad hoc的方式相互連接[1，2]。無線傳感器網絡的應用前景十分廣闊，能夠廣泛應用于軍事#65380;環境監測#65380;醫療健康#65380;交通管理以及商業應用等領域[3~5]。傳感器節點之間相互協作，采集并處理監測對象的相關數據，通過多跳路由將用戶需要的信息發送到基站。無線傳感器網絡將虛擬的信息世界與客觀的物理世界聯系在一起，改變了人類與自然界的交互方式。然而，無線傳感器網絡中存在許多限制條件。首先，大多數傳感器節點是由電池供電的，而且經常被部署在難以更換電池的區域。因此，傳感器節點的能量十分有限，無線傳感器網絡具有有限的生命期。其次，傳感器節點的存儲及處理能力十分有限。其他限制條件還包括:有限的網絡帶寬;有限的傳輸服務質量;不同類型的應用對于數據延遲以及數據準確性的要求有所不同等。因此需要采用新的技術對無線傳感器網絡進行優化，使其有效地應用于各個領域。

數據融合是無線傳感器網絡中重要的研究領域之一。使用數據融合技術能夠有效地克服無線傳感器網絡中能量的限制。通過合并多個數據源產生的數據，去除冗余信息，數據融合能夠有效地減少網絡中的數據傳輸量，從而節省傳感器節點的能量，延長無線傳感器網絡的生命期。在無線傳感器網絡中，數據融合的作用還體現在以下幾個方面:通過減少網絡中的數據傳輸量，數據融合能夠降低無線信道中發生沖突的可能性，從而提高數據收集的效率;通過比較相鄰傳感器節點采集的數據，數據融合能夠檢測失效節點，丟棄異常數據，從而增強數據的準確性;通過綜合各種類型傳感器節點感知的信息，數據融合能夠彌補高層的用戶需求與底層傳感器節點采集的原始數據之間的差距。數據融合的出現使無線傳感器網絡的研究焦點從以地址為中心的方法(尋找節點之間的較短路徑)擴展到以數據為中心的方法(尋找節點之間能夠盡可能去除冗余信息的路徑)[6~8]。

本文介紹了當前無線傳感器網絡中具有代表性的數據融合算法，包括基于分布式數據庫的聚集操作#65380;數據包合并和模型驅動的數據融合。能量是無線傳感器網絡中重要的資源，而數據融合的主要作用是節省能量。因此，建立傳感器節點的能量模型#65380;量化分析數據融合，對于傳感器節點能量的影響以及對于無線傳感器網絡生命期的影響是十分必要的。

1典型數據融合算法

1.1基于分布式數據庫的聚集操作

在基于分布式數據庫的聚集操作中，無線傳感器網絡被視為一個分布式數據庫。用戶使用描述性的語言向網絡發送查詢請求。查詢請求在網絡中以分布式的方式進行處理。查詢結果通過多跳路由返回給用戶。處理查詢請求以及返回查詢結果的過程實質上就是進行數據融合的過程。在這類算法中，典型的方法包括TAG[9]#65380;TiNA[10]和計算中位數[11]等。

1.1.1TAG

TAG (tiny aggregation)是一個基于 TinyOS[12]的通用聚集操作服務模塊。它采用類似SQL(structured query language)的查詢語法。TAG中的查詢過程分為查詢請求分發和查詢結果收集兩個階段。在第一個階段，基站廣播查詢請求消息。當某個節點第一次收到查詢請求時，它將消息的發送者作為自己的父節點，然后轉發查詢請求消息;否則丟棄查詢請求消息。查詢請求消息以這種洪泛的方式遍及整個網絡。所有節點形成一棵以基站為根的數據融合樹。在第二個階段，每個節點周期性地采集數據，融合本地采集的數據以及子節點發來的查詢結果，然后將融合結果發送到父節點。

TAG實質上是一種空間域上的數據融合。它利用相鄰傳感器節點采集數據的空間一致性去除冗余信息，從而減少網絡中的數據傳輸量。這種方法對于一些簡單的聚集操作十分有效，如max#65380;min#65380;average#65380;sum及count等。然而，對于一般的查詢請求來說，TAG的作用就不是非常明顯了。例如，當查詢請求為收集所有傳感器節點采集的溫度值時，轉發節點收到子節點發來的查詢結果后無法進行聚集操作，只能將每個子節點的查詢結果依次發送到父節點。

1.1.2TiNA

TiNA (temporal coherency－aware in－network aggregation)是一種利用傳感器節點采集數據的時間一致性進行網內融合的機制。它在滿足用戶對于數據準確性需求的前提下，通過網內融合盡可能地節省能量。TiNA的基本思想是，只有當前采集的數據與上一次采集的數據的差值大于某個用戶指定的容忍限度時，節點才進行數據發送。它采用定向擴散(directed diffusion)[6]的方式建立路由樹，為每個節點分配梯度值并指定其父節點。節點為了利用數據的時間一致性，必須保存額外的信息。葉節點需要保存上一次發送到父節點的數據。轉發節點不但需要保存自己上一次發送到父節點的數據，而且需要保存每個子節點發來的最新數據。

TiNA實質上是一種時間域上的數據融合。它對TAG進行了擴展，引入了數據時間一致性的概念。這種方法對于監測數據波動較小的應用十分有效，能夠顯著地減少網絡中的數據傳輸量。然而，當監測數據波動較大時，TiNA的作用就不是非常明顯了;而且TiNA對于節點存儲空間的要求比較高，尤其當網絡規模較大時，轉發節點需要保存大量的額外信息。

1.1.3復雜的聚集操作

簡單的聚集操作如average以及sum等，在許多應用場景中能夠滿足用戶的需求。然而，當個別傳感器節點失效時，它所產生的異常數據將對average以及sum等聚集結果造成很大的影響。在這種情況下，估計網絡中傳感數據的分布變得十分重要。文獻[11]提出一種新的概要結構q－digest，它能夠近似地捕獲傳感數據的分布。q－digest的核心思想是根據傳感數據的分布，對數值進行自動分組并將其放到可變大小的具有相似權重的容器中。每個傳感器節點采集數據之后，首先在本地構造一個q－digest，然后將其與子節點發來的q－digest進行合并，最后將合并后的q－digest發送到父節點。q－digest能夠支持一些復雜的查詢操作，如分位數查詢#65380;反轉分位數查詢#65380;范圍查詢及協調控制查詢等。

上述方法實質上是用近似的傳感數據的分布取代具體的每個節點采集的數據。它對傳統聚集操作進行了擴展，引入了分位數等復雜的聚集操作。這些聚集操作能夠有效地避免少數異常數據對于聚集結果的影響。然而，這種方法是針對基于數據分布的聚集操作設計的，適用范圍具有一定的局限性。

1.2數據包合并

數據包合并是無線傳感器網絡中一種有效的數據融合算法。數據包合并的主要思想是當某個節點收到多個子節點發來的數據包時，將它們合并成一個大的數據包，然后將合并后的數據包發送到父節點。在無線傳感器網絡中，數據字段相對較短，而控制字段相對較長。數據包合并能夠有效地降低包頭的開銷。在無線傳感器網絡中，典型的數據包合并算法包括數據漏斗[13]以及AIDA[14]等。

1.2.1數據漏斗

數據漏斗將網絡中的節點分為少量的控制節點和大量的傳感節點兩類。其主要思想是，控制節點將被監測空間劃分為不同的區域，并向每個區域發送查詢消息;收到查詢消息后，區域中的傳感器節點開始周期性地向控制節點發送傳感數據。由于同一區域內的大部分節點幾乎在同一時間向控制節點發送數據，將這些數據合并為一個數據包發送到控制節點是十分有效的。在數據包合并的基礎上，文獻[13]提出了一種數據壓縮機制。其主要思想是，當發送多個數據并且數據的次序對于應用并不重要時，選擇以哪種次序發送這些數據能夠用來向接收者傳達附加信息。例如，區域中有四個節點，節點號分別為1#65380;2#65380;3#65380;4。每個節點產生獨立的數據，數據的取值范圍為{0，1，2，3，4，5}。邊界節點可以從3!=6種可能發送前三個數據的排序中選擇適當的次序，指出第四個節點產生的數據。

數據漏斗實質上是一種基于簇的數據融合，邊界節點相當于簇頭節點，傳感器節點屬于簇內節點。簇頭節點負責合并簇內節點的數據包。基于數據次序的編碼算法能夠進一步壓縮數據包的大小。然而，數據漏斗要求節點具有自身的位置信息。在無線傳感器網絡中，節點的位置信息通常是難以得到的。同時，上述數據壓縮機制的效率與具體應用密切相關。當數據的取值范圍較大時，數據壓縮效率較低。

1.2.2AIDA

AIDA (application－independent data aggregation)是一種與應用無關的數據融合算法。它能夠無縫地安裝到現有的無線傳感器網絡協議棧中。AIDA由兩個部分組成:a)功能單元，負責融合以及分解網絡中的數據包;b)控制單元，負責自適應地調整定時器設置及融合度。AIDA按照如下方式進行工作:將來自網絡層的數據包放到融合池中，根據融合度以及這些數據包下一跳的目的地址，AIDA功能單元將多個數據包合并成一個數據包;然后將其傳遞到MAC(media access control)層進行發送。每次融合多少個數據包以及什么時候調用融合算法等決策由AIDA控制單元負責。AIDA控制單元是一個基于反饋的自適應組件。它能夠根據本地當前的網絡狀況作出在線決策。與流出的數據相似，流入的數據在MAC層被接收，然后傳遞到AIDA。在AIDA中，流入的數據被分解成原始數據包，然后向上傳遞到網絡層或者應用層。

AIDA實質上是在MAC層與網絡層之間加入了一個數據融合層進行數據包合并的操作。通過數據包合并，AIDA能夠有效地減少網絡中的數據傳輸量，降低無線信道中發生沖突的可能性。然而，AIDA與應用相互獨立，它無法利用高層次的語義信息對數據作進一步的壓縮。因此，AIDA的融合度相對比較低。

1.3模型驅動的數據融合

無線傳感器網絡是以數據為中心的。傳感器節點采集的數據在空間及時間上往往具有一定的規律，能夠用某種模型進行描述。無線傳感器網絡中的一些研究工作集中在基于某種模型進行數據融合。典型的模型包括小波與神經網絡[15]#65380;卡爾曼濾波[16]及概率模型[17]等。

1.3.1小波與神經網絡

對于無線傳感器網絡來說，一個完全集中式的數據收集策略所需保存的數據量將很快超過中央服務器的容量。而且這種體系結構浪費能量，因為傳感數據在時間與空間上包含很多冗余信息。在應用需要大量傳感數據的概要信息以及進行相似性查詢時，使用神經網絡算法是一個合理的選擇。小波變換是一個濾波以及二次抽樣的過程。它無須占用過多的存儲空間，而且能夠實時執行，適合對連續的傳感數據進行編/解碼。文獻[15]將人工智能神經網絡算法中的一個常用模型ART (adaptive resonance theory)用于無線傳感器網絡。它提出了一種體系結構。在這種體系結構中，簇頭節點僅僅收集來自其他單元的聚類輸出，從而減少了網絡中的數據傳輸量。信號的離散小波變換可以與神經網絡相結合，作為神經網絡的預處理單元。它使系統具有從數據中提取重要特征的能力。上述方法將小波變換以及神經網絡中的一些模型與算法應用到無線傳感器網絡中，對原始數據進行編/解碼以及進一步的智能處理。它能夠有效地減少網絡中的數據傳輸量，從而節省能量;同時，它使無線傳感器網絡具有一定的智能性。

1.3.2卡爾曼濾波

對于無線傳感器網絡來說，最基本的分布式估計問題是開發一種用于卡爾曼濾波(Kalman filtering) 的分布式算法。文獻[16]指出，分布式卡爾曼濾波問題可以簡化為兩個動態協調控制問題，即測量數據的融合和協方差信息的融合。解決這兩個協調控制問題需要一個合適的協調控制濾波器(一個低通濾波器與一個帶通濾波器)。協調控制濾波器是一種分布式算法，它能夠計算隨時間變化信號的協調控制平均值。文獻[16]使用低通濾波器進行測量數據的融合，使用帶通濾波器進行逆協方差矩陣的融合。它將用于無線傳感器網絡的中心卡爾曼濾波器分解為多個微卡爾曼濾波器。這些微卡爾曼濾波器由兩個協調控制濾波器提供輸入。微卡爾曼濾波器組成的網絡能夠以協作的方式提供對觀測過程狀態的估計。

上述方法將卡爾曼濾波應用到無線傳感器網絡中，對相關信息進行估計。它能夠有效地去除某些異常數據的影響，從而得到準確的信息。在此基礎上，節點通過傳輸融合結果代替傳輸原始數據，從而達到節省能量的目的。

1.3.3概率模型

概率模型能夠為無線傳感器網絡中近似的#65380;信息損失有界的數據收集提供及時有效的支持。物理環境常常具有可預測的穩定狀態，以及很強的屬性之間的相關性，因此可以根據傳感器節點的歷史數據以及周圍環境推斷出它的狀態。文獻[17]提出了一種基于復制動態概率模型的數據融合機制。其基本思想是維護一對關于網絡屬性的動態概率模型。其中，一個模型分布在網絡中，另一個模型位于基站。在每個采樣周期，基站根據模型計算出期望的網絡屬性值，將其作為查詢結果返回給用戶。這種方法無須在節點與基站之間進行數據傳輸。傳感器節點始終進行數據處理，它將預測的數據與采集的數據進行比較。當預測的數據超出某個誤差范圍時，它將采集的數據發送到基站。這種方法同樣適用于基于事件檢測以及異常檢測的應用。

上述方法將概率模型應用到無線傳感器網絡中，根據模型對網絡屬性進行預測。它分為預測和檢驗兩個階段。當預測成功時，能夠最大限度地減少網絡中的數據傳輸量，從而節省能量;否則，在檢驗階段進行數據傳輸，確保結果的正確性。

2傳感器節點的能量模型

能量是無線傳感器網絡中的重要資源，而數據融合的主要作用是節省能量。因此，建立傳感器節點的能量模型，量化分析數據融合對于傳感器節點能量的影響以及對于無線傳感器網絡生命期的影響是十分必要的。當前，無線傳感器網絡研究領域出現了許多數據融合算法，但缺乏對這些算法進行有效評價的方法。一些研究工作僅僅從數據發送量的角度近似地估計數據融合對于能量的影響[18，19]。這種方法基于如下假設:當節點無須進行數據傳輸時，就完全不消耗能量。然而在實際應用中，這種假設是不成立的。節點工作狀態與能量消耗如圖1所示。

從圖1中可以看出，節點的能量消耗并非僅僅與數據發送量相關。事實上，節點在接收數據以及監聽信道時都要消耗一部分能量，即使在休眠狀態，也要消耗少量的能量。因此，建立準確的節點能量模型用來指導實際應用具有重要意義。本文對節點的能量消耗進行分析，基于樹型網絡拓撲結構，結合節點休眠調度機制，建立傳感器節點的能量模型。

2.1節點能耗分析

在無線傳感器網絡中，傳感器節點的能量消耗可以分為三個部分:數據感知的能量消耗#65380;數據處理的能量消耗和數據傳輸的能量消耗。用公式表示為E=Esense+Eprocess+Etransmit，Etotal=∑Ni=1Ei。其中: E為單個節點的能量消耗;Etotal為整個網絡的能量消耗;N為網絡中節點的個數。

在實際應用中，數據感知的能量消耗取決于具體的傳感器件。根據應用場景的需求確定使用的傳感器件之后，數據感知的能量消耗也隨之確定。數據處理的能量消耗取決于節點運行的嵌入式程序的復雜程度。節點程序確定之后，數據處理的能量消耗也隨之確定。數據傳輸的能量消耗與節點的工作狀態密切相關。根據節點的工作狀態，數據傳輸的能量消耗可以進一步分為數據發送的能量消耗#65380;數據接收的能量消耗#65380;監聽信道的能量消耗和節點休眠的能量消耗。用公式表示為Etransmitting=Esend+Ereceive+Elisten+Esleep。

在無線傳感器網絡中，數據傳輸的能量消耗高于執行其他操作的能量消耗[20]。數據融合的主要作用是減少節點數據傳輸的能量消耗。因此，建立準確的節點能量模型，特別是進行數據傳輸的能量模型，對于評價數據融合算法的性能具有重要意義。

2. 2節點工作模式

傳感器節點的能量消耗與其工作模式具有密切關系。因此，建立節點的能量模型之前，必須先定義節點的工作模式。本文中節點的能量模型是基于樹型網絡拓撲結構，結合節點休眠調度機制建立的。

在無線傳感器網絡中，樹型結構是最常見的拓撲結構。網絡中的所有節點形成一棵以基站為根節點的數據收集樹。在每個采樣周期，傳感器節點首先采集數據，然后將其發送到自己的父節點。某個節點收到其子節點發來的數據后，將其轉發到自己的父節點。網絡中所有節點的數據通過這種多跳路由的方式最終匯聚到根節點。本文中節點的能量模型是基于這種樹型網絡拓撲結構建立的。在無線傳感器網絡中，傳感器節點的工作模式主要取決于節點休眠調度機制。本文采用的節點休眠調度機制基于B－MAC[21]協議。網絡中的每個節點具有四個不同的狀態，即發送#65380;接收#65380;監聽和休眠，如圖2所示。

具體的休眠調度方法如下:當無須發送或者接收數據時，節點進行周期性的監聽與休眠;發送數據時，節點首先監聽信道，如果信道空閑，則進入發送狀態進行數據發送，發送結束后進入休眠狀態;監聽信道時，節點如果聽到發給自己的數據，則進入接收狀態進行數據接收，接收結束后進入休眠狀態。為了保持同步，節點在發送數據之前首先發送一個前導字段 。前導字段在網絡中的傳輸時間大于其他節點的休眠時間，這樣能夠確保接收節點在數據到來之前進入接收狀態。

2. 3節點能量模型

基于上述節點工作模式，可以得到節點進行數據傳輸的能量模型。節點能量模型中參數的含義如表1所示。

與葉節點相比，轉發節點不僅需要發送自己采集的數據，而且需要接收子孫節點采集的數據并進行轉發。在上述轉發節點的能量模型中，第一部分為接收數據消耗的能量;第二部分為發送數據以及轉發數據消耗的能量;第三部分為進行周期性監聽與休眠消耗的能量。

上述節點能量模型綜合考慮了節點在不同工作狀態的能量消耗，因此更加符合實際應用中的真實情況。與從數據發送量的角度近似地估計數據融合對于能量的影響方法相比，使用本文的節點能量模型能夠更為準確地從能量的角度評價數據融合算法的性能。

3融合算法性能評價

基于上述節點工作模式以及節點能量模型，本文使用NS[22]進行模擬，從能量的角度對聚集操作和數據包合并這兩種數據融合算法進行性能評價。為了便于比較，本文同時模擬了不使用數據融合技術，而采用直接發送的數據收集方式。

3.1網絡模擬方法

本文使用的模擬平臺為NS2.29，參數設置如表2所示。

在本文的網絡模擬中，節點按照網格的形式進行部署。其中，位于網格中心的節點作為基站，其他節點作為傳感器節點。這種網絡部署方法能夠確保節點之間的連通性，不會出現無法與基站建立連接的孤立節點。通過路由協議，網絡中的所有節點形成一棵以基站為根節點的數據融合樹。

本文在不同場景下進行了多次模擬。網絡規模從20增加到200個節點，每次遞增20個節點。傳感器節點的采樣周期從5增加到55 s，每次遞增5 s。網絡模擬中用到的一些參數如表3所示。

采用聚集操作的數據融合方式時，轉發節點收到子節點發來的數據后并不立即進行轉發，而是啟動一個定時器。定時器到期時，轉發節點對這段時間收到的多個數據包執行聚集操作，然后轉發聚集結果。

采用數據包合并的數據融合方式時，轉發節點收到子節點發來的數據后并不立即進行轉發，同樣啟動一個定時器。定時器到期時，將多個數據包中的數據字段進行合并，然后將其插入到轉發數據包中的數據字段。

采用直接發送的數據收集方式時，轉發節點收到子節點發來的數據后，立即將其轉發到自己的父節點。

3. 2網絡模擬結果

采用上述方法進行網絡模擬，得到的模擬結果如圖3#65380;4所示。

圖3描述了單個節點的平均能量消耗與網絡規模的關系。其中，傳感器節點的采樣周期為5 s。可以看出，與直接發送相比，采用聚集操作以及數據包合并的融合算法，單個節點的平均能量消耗明顯減小，而且隨著網絡規模的擴大，它們之間的差值逐漸增大。聚集操作與數據包合并相比，單個節點的平均能量消耗基本相同。這是因為與聚集操作相比，數據包合并僅僅多傳輸了子節點數據包中的數據字段。在傳感器網絡中，數據字段的長度通常為2 Byte，而整個數據包的長度為133 Byte。傳輸數據字段的能量消耗可以忽略不計。

圖4描述了單位時間單個節點的平均能量消耗與傳感器節點的采樣周期關系。其中，節點數量為200。可以看出，與直接發送相比，采用聚集操作以及數據包合并的融合算法，單位時間單個節點的能量消耗明顯減小。然而隨著采樣周期的延長，它們之間的差值逐漸減小。這是因為隨著單位時間數據傳輸量的減小，執行融合操作的次數逐漸減少。聚集操作與數據包合并相比，單位時間單個節點的能量消耗基本相同。

基于上述網絡模擬結果可以得到以下結論:在無線傳感器網絡中，數據融合能夠帶來能量上的收益。當網絡規模較大且傳感器節點的采樣周期較短時，數據融合的作用更加明顯。

4結束語

數據融合是無線傳感器網絡中重要的研究領域之一。本文介紹了當前無線傳感器網絡中具有代表性的數據融合算法，包括基于分布式數據庫的聚集操作#65380;數據包合并及模型驅動的數據融合。在實際應用中，數據融合需要與MAC協議#65380;以數據為中心的路由及網絡拓撲等因素綜合考慮，進行跨層設計與優化，從而得到最優的能量收益。

參考文獻:

[1]AKYILDIZ I F， SU W， SANKARASUBRAMANIAM Y，et al. A survey on sensor networks[J]. IEEE Communications Magazine， 2002， 40(8):102－114.

[2]崔莉，鞠海玲，苗勇，等. 無線傳感器網絡研究進展[J]. 計算機研究與發展，2005，42(1):163－174.

[3]MAINWARIG A， POLASTRE J， SZEWCZYK R， et al. Wireless sensor networks for habitat monitoring[M]. New York: ACM Press， 2002:88－97.

[4]WERNER－ALLEN G， LORINCZ K， WELSH M， et al. Deploying a wireless sensor network on an active volcano[J]. IEEE Internet Computing， 2006， 10(2):18－25.

[5]SINOPOLI B， SHARP C， SCHENATO L， et al. Distributed control applications within sensor networks[C]//Proc of IEEE.2003:1235－1246.

[6]INTANAGONWIWAT C，GOVINDAN R，ESTRIN D. Directed diffusion: a scalable and robust communication paradigm for sensor networks[M]. Boston: ACM Press， 2000:56－67.

[7]HEIDEMANN J， SILVA F，INTANAGONWIWAT C， et al. Building efficient wireless sensor networks with low－level naming[M]. New York: ACM Press， 2001:146－159.

[8]KRISHNAMACHARI B，ESTRIN D，WICKER S. Modelling data－centric routing in wireless sensor networks[M]. New York: IEEE Computer Society， 2002:131－146.

[9]MADDEN S，FRANKLIN M，HELLERSTEIN J. TAG: a tiny aggregation service for Ad hoc sensor networks[M]. Boston: ACM Press， 2002:131－146.

[10]SHARAF M A， BEAVER J， LABRINIDIS A， et al. TiNA: a scheme for temporal coherency aware in network aggregation[C]//Proc of the 3rd ACM International Workshop on Data Engineering for Wireless and Mobile Access.San Diego:[s.n.]，2003:69－76.

[11]SHRIVASTAVA N， BURAGOHAIN C， AGRAWAL D， et al. Medians and beyond: new aggregation techniques for sensor networks[M]. New York: ACM Press， 2004:239－249.

[12]TinyOS[EB/OL].[2006－09－15]. http://www.tinyos.net.

[13]PETROVIC D，SHAH R C，RAMCHANDRAN K，et al. Data funneling: routing with aggregation and compression for wireless sensor networks[C]//Proc of the 1st IEEE.2003:156－162.

[14]HE Tian， BLUM B M，STANKOVIC J A，et al. AIDA: adaptive application－independent data aggregation in wireless sensor networks[J]. ACM Trans on Embedded Computing Systems， 2002， 3(2): 426－457.

[15]KULAKOV A， DAVCEV D， TRAJKOVSKI G. Application of wavelet neural－networks in wireless sensor networks[C]//Proc of SNPD/SAWN.2005:262－ 267.

[16]OLFATI－SABER R. Distributed kalman filtering and sensor fusion in sensor networks[EB/OL].[2006－09－15].

http://engineering.dartmouth.edu/~olfati/papers/dkf_nd05.pdf.

[17]CHU D， DESHPANDE A，HELLERSTEIN J M，et al. Approximate data collection in sensor networks using probabilistic model[C]//Proc of the 22nd International Conference on Data Engineering.2006:48.

[18]KRISHNAMACHARI B， ESTRIN D， WICKER S. Impact of data aggregation in wireless sensor networks[C]//Proc of the 22nd International Conference on Distributed Computing Systems.2002:575－578.

[19]INTANAGONWIWAT C，ESTRIN D，GOVINDAN R， et al. Impact of network density on data aggregation in wireless sensor networks[C]//Proc of the 22nd International Conference on Distributed Computing Systems.2002:457.

[20]SZEWCZYK R，FERENCZ A. Energy implications of network sensor designs[EB/OL].[ 2006－09－15]. http://bwrc.eecs.berkeley.edu/Classes/CS252/Projects/Reports/robert_szewczyk.pdf.

[21]POLASTRE J， HILL J， CULLER D. Versatile low power media access for wireless sensor networks[M]. New York: ACM Press， 2004:95－107.

[22]NS[EB/OL].[2006－09－15].http://www.isi.edu/nsnam/ns.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”