一種基于改進支持度的節能型WSNs 數據融合算法*

王 波，孫智國，熊 濤

(重慶大學 計算機學院，重慶400044)

0 引 言

無線傳感器網絡(WSNs)應用數據融合技術可將來自多個節點的數據進行整合，降低網絡的能耗、提高數據采集的準確性和效率［1］。但由于節點自身的測量誤差、部署環境、傳輸誤差等因素的影響，節點采集到的數據往往含有不確定或錯誤的信息，并不能完全反映事物的真實情況，因此，在數據融合時需要找出不同數據間的關系來確定其可信度，并根據數據的可信度進行融合［2］。支持度函數的數據融合方法可以很好地完成這一任務，引起了廣泛的研究興趣。文獻［3］提出一種指數衰減函數計算傳感器數據間的支持度，并通過多次實驗確定了數據一致性度量最優的計算方式。文獻［4，5］運用指數衰減函數計算傳感器數據間的支持度，提出了一種充分利用數據一致性度量蘊含的可信度的加權方式進行數據融合。文獻［6］針對時變非線性的狀態估計問題提出了一種置信距離的支持度函數，使用該函數進行多傳感器的數據融合。文獻［7］對基于置信距離的支持度函數的支持度函數進行了調整，并與加權數據融合算法相結合用于雷達的目標識別中。文獻［8］提出基于鄰近量測認知信息的支持度函數獲得傳感器數據的一致性關聯矩陣，用于多傳感器的數據融合進行溫度檢測。

支持度函數的數據融合算法運行于匯聚節點，依次接收感知節點發送的每一個數據進行融合，這種方法不利于節省節點能量。本文在感知節點對數據進行初次融合，并將自支持度的概念與灰色接近度理論相結合的改進支持度函數數據融合算法用于匯聚節點，提出一種節能型WSNs數據融合算法。通過仿真實驗表明:該算法在提高數據融合的精確度的同時，還可以降低節點的能耗。

1 基于改進支持度的節能型WSNs 數據融合過程

本文提出的基于改進支持度的節能型WSNs 數據融合算法包括感知節點監測數據的初次融合和匯聚節點的二次數據融合兩部分，其融合模型如圖1 所示。在感知節點依據設定的閾值對采集到的數據進行初次融合并傳送給匯聚節點;匯聚節點收到初次融合的數據后，采用改進支持度函數計算最終的融合估計值。

圖1 數據融合模型Fig 1 Data fusion model

2 感知節點監測數據的初次融合過程

感知節點監測數據初次融合的目的主要是減少節點間的數據通信量、降低節點能耗。由文獻［9］可知，計算上的能耗是通信能耗的10－3倍，因此，在感知節點對數據進行初次融合，減少數據的通信量是可達到節能的目的。假設WSNs 中:1)由n 個傳感器節點監測同一環境;2)傳感器被喚醒后以等待時間間隔t 采集一次數據為aij(i=1，2，…n;j=1，2…)。

設定2 個閾值δ 和τ，其中，δ 取傳感器的最大誤差，用來限定節點采集到的數據間的最大差值，τ 用來限定采集次數，每個傳感器將采集的數據保存在節點存儲器中。數據的預處理分為兩種情況［10］:1)如果第i(i ＜τ)次采集到的數據與前i－1 次采集到的數據任意一個之間的差值超過閾值δ 時，此時認為數據出現突變，計算前i－1 次數據的均值并發送到匯聚節點。2)當采集數據的次數達到τ 次時，計算前τ－1 次數據的均值并發送到匯聚節點，將第τ 次的數據作為下一次采集的第一個數據。

節點采集到的數據的預處理過程如下:

1)設ai1為第i 個節點采集的第1 個數據。

2)每采集一次數據aij，分別與前j－1 次的數據ai1，ai2，…，aij－1進行比較:

a.當任一組數據的差值超過閾值δ，即|aij－aik|＞δ，k=1，2，…，j－1 時，認為數據出現突變，計算前j－1 次采集到數據的均值

b.當數據的采集次數超過τ 時，計算前τ－1 次采集到數據的均值

3)將第j 次采集的數據aij作為下一次采集的第一個數據ai1，將ˉa 發送到匯聚節點。

4)重復步驟(1)～(3)。

3 基于改進支持度函數的匯聚節點數據融合算法

經過傳感器感知節點初次融合后的數據和實際值之間仍可能存在較大的誤差，需要對初次融合值進行再次融合。

用指數衰減型支持度函數描述傳感器節點數據間的支持度，其定義如下:

定義1 d=exp(－β(a－b)2)。其中，參數β 是支持度衰減因子，對于指定的|a－b|，調整β 的大小，可以調整支持度函數的衰減幅度。

3.1 改進型支持度函數的一致性度量算法

為了更可靠地評估不同傳感器節點數據間的支持度，除了要考慮同一時刻，不同傳感器節點數據的可靠性，還應該考慮同一節點在整個觀測區間內多次采集到數據的可靠性，據此本文提出一種改進的支持度函數。

設k(1≤k≤m)時刻傳感器節點i，j 經預處理后的數據分別是ai(k)和aj(k)。

定義2 傳感器節點i 的自支持度為

由改進支持度函數的定義可知:

1)zij(k)=zji(k)，即傳感器節點i，j 的數據對彼此的支持度是相同的。

2)zij(k)的取值范圍為0≤zij(k)≤1;當zij(k)=0 時，表示傳感器節點i，j 的數據互不支持;當zij(k)=1 時，表明傳感器節點i，j 的數據強支持。

由改進支持度函數計算出各傳感器節點數據的支持度并構建支持度矩陣

在k 時刻，傳感器節點i 的數據與其他所有傳感器節點數據的一致性度量為

0≤γi(k)≤1，傳感器節點數據的支持度一致性度量反映了在某個觀測時刻，第i 個傳感器節點數據與其他傳感器節點數據的接近程度，若γi(k)大，表明k 時刻第i 個傳感器節點數據與其他傳感器節點數據的接近度高;反之，第i 個傳感器節點數據偏離多數傳感器節點數據。

3.2 使用改進支持度函數計算匯聚節點的融合估計值

為保證事件發生的整個觀測區間上一致性和可靠性高的傳感器節點數據充分被利用，采用傳感器節點數據的一致性均值和一致性方差的概念來描述事件發生的整個觀測區間上各個傳感器節點數據一致性度量蘊含的可靠性［4］。

整個觀測區間上的m 個觀測時刻，第i 個傳感器節點數據的一致性均值為

第i 個傳感器節點數據的一致性方差為

為充分利用一致性均值大，且一致性方差小的傳感器節點數據，取第i 個傳感器節點數據的加權值wi與數據一致性均值正相關，而與數據一致性方差負相關

融合后的最優估計值為

式中 ai(k)為k 時刻傳感器節點i 的數據，wi(k)為時刻傳感器節點i 的數據的加權值。

4 仿真實驗與結果分析

采用Matlab 7.0 進行仿真測試，模擬出一個溫度保持在900 ℃左右的恒溫箱內部環境，3 個節點隨機的散布在恒溫箱內部，以相同的時間間隔采集一次溫度數據，每個節點的初始能量為2 J。文獻［4］中采用3 個傳感器節點對恒溫箱進行溫度檢測得到了6 組觀測數據如表1 所示，為盡可能地使模擬測試的數據接近真實情況，本測試使用這組數據作為原始數據。

表1 傳感器節點的觀測數據Tab 1 Observed data of sensor nodes

4.1 融合結果分析

以加權數據融合作為算法1，以文獻［3］中的指數衰減型支持度函數進行數據融合的方法作為算法2，以文獻［8］中基于鄰近量測認知信息的支持度函數進行數據融合的方法作為算法3，與本文算法對表1 數據融合后的結果如表2所示，為詳細比較四種方法的融合效果，將數據采集的次數提高到100 次，得到的絕對誤差效果如圖2 所示。

從圖2 和表2 的實驗結果可以看出:加權數據融合算法因需人為設置傳感器的方差，其融合精度最低;本文算法的絕對誤差最小約為0.98 ℃，更加接近真實值(900 ℃)。

表2 融合結果Tab 2 Fusion results

圖2 四種方法的絕對誤差Fig 2 Absolute error of four methods

4.2 能耗結果分析

本文算法與傳感器節點將采集的數據直接發送給匯聚節點的算法相比，節點的平均能耗如圖3 所示。經多次實驗表明:隨著在傳感器節點數據預處理階段設置的閾值δ的增加，節點可節約較多的能量;但為了保證融合的精確度，閾值不能無限增大。在本文實驗中，當閾值δ=5 時，可達到最好的節能效率，可節能27.87%，并保證數據融合的精確性。

圖3 節點平均能耗Fig 3 Average energy consumption of node

5 結束語

本文提出一種改進支持度的節能型數據融合算法，該算法首先在感知節點對數據進行初次融合處理，然后將初次融合后的數據發送到匯聚節點，采用基于改進支持度函數進行二次融合，以達到降低節點能耗和提高數據融合精度的目的。使用Matlab 7.0 進行仿真的結果表明:運用本文提出的算法，當節點在數據初次融合時選擇最適當的閾值δ=5，節點可節能27.87%，最終數據融合的絕對誤差均值約為0.98 ℃。

［1］ Bleiholder J，Naumann F.Data fusion［J］.ACM Computing Surveys，2008，41(1):1－41.

［2］ Luo R C.Multi－sensor fusion and integration:Approaches，applications，and future research directions［J］.IEEE Sensors Journal，2002，2(2):107－111.

［3］ Yager R R.The power average operator［J］.IEEE Transactions on Systems，Man，and Cybernetics，2001，31(6):724－731.

［4］ 孫 勇，景 博.基于支持度的多傳感器一致可靠性融合［J］.傳感技術學報，2005，18(3):537－539.

［5］ 張建業，王占磊，張 鵬，等.基于支持度的限定記憶二次融合算法［J］.計算機應用研究，2012，29(4):1338－1340.

［6］ 王 華，鄧 軍，王連華，等.改進的一致性數據融合算法及其應用［J］.中國礦業大學學報，2009，38(4):590－594.

［7］ 周 堯，姜禮平，劉 楊.復雜環境下基于支持度的多傳感器數據融合算法［J］.火力與指揮控制，2014，39(3):12－15.

［8］ 張 鵬，張建業，王占磊，等.基于鄰近量測認知信息的多傳感器融合估計［J］.計算機工程，2012，38(8):1－3.

［9］ 張 強，楊 濤.用于環境監測的自供電傳感器網絡［J］.儀表技術與傳感器，2008(2):34－36.

［10］林 薇，祝啟龍.無線傳感器網絡節能型數據融合算法［J］.哈爾濱工程大學學報，2011，32(10):1386－1390.

［11］劉思峰，謝乃明，Jeffery F.基于相似性和接近性視角的新型灰色關聯分析模型［J］.系統工程理論與實踐，2010，30(5):881－887.