一種基于時空相關性和異常檢測的改進WSN節能策略*

萬葉晶,葉繼華,江愛文

(江西師范大學計算機信息工程學院,南昌 330022)

一種基于時空相關性和異常檢測的改進WSN節能策略*

萬葉晶,葉繼華*,江愛文

(江西師范大學計算機信息工程學院,南昌 330022)

針對降低無線傳感網能耗和保證數據精度之間的矛盾,提出了自適應采樣數據并利用壓縮感知進行壓縮的方法。傳統的基于壓縮感知的無線傳感器數據壓縮,只采樣部分節點的數據,對于未被采樣節點感知到的突發事件很有可能發生漏檢情況。本文方法檢測所有節點上傳的數據再進行壓縮,可以有效避免漏檢情況的發生。根據信號具有時間相關性的特點,本文采用基于方差分析ANOVA(Analysis of Variance)原理改進的傳感器自適應采樣頻率方法,并考慮節點剩余能量,減少平穩信號的采集次數,均衡網絡節點能耗。在LEACH協議基礎上,對簇內數據進行壓縮感知的方法對數據進行壓縮從而減少數據的空間相關性并傳輸到匯聚節點,以減少網絡整體的能量消耗。針對可能的漏報情況,提出一種改進的局部事件監測算法—滑動窗口局部事件監測SW-LED(Sliding Window-Local Event Detection)算法,實現了實時準確的異常檢測和預警。實驗結果表明本文方法既可以有效的均衡網絡節點能耗以提高網絡生存周期,同時保證了數據的精度,對于異常情況的識別率也有很大的提高。

無線傳感網;時空相關性;SW-LED;ANOVA;壓縮感知;異常檢測

無線傳感網中,節點通常是由能量有限的電池供電,且部署完成后很難再次充電,網絡的節點生存時間存在著能量約束,因此,降低網絡能耗是非常重要的問題。許多學者從多個方面提出降低網絡能耗的算法,文獻[1-2]是通過對網絡協議的改進和優化達到降低能耗的效果但是并沒有考慮異常事件和數據的處理。文獻[3]中提出的Modified LED算法,將測量數據離散化為一些有限的等級區間,再根據等級編號變化來決定是否傳輸數據,雖然可以在一定程度上減少數據傳輸量,但極大的削弱了數據的精度,因此不適宜用在數據精度要求高的場景和應用中。為了減少網絡的通信量以降低能耗,在文獻[4-5]中提出各種網內數據融合方法,如使用BP神經網絡、多區域能量感知等能在某一特定應用場合起到很好的效果,但是算法復雜且不具有通用性。文獻[6-8]提出使用壓縮感知的方法對數據進行壓縮,簇首收集簇成員發送的數據并根據數據的空間相關性對數據進行壓縮。傳統的基于壓縮感知的無線傳感器數據壓縮,只采樣部分節點的數據,對于未被采樣節點感知到的突發事件很有可能發生漏檢情況。本文在考慮避免漏檢情況發生的情況下,檢測所有節點上傳的數據再進行壓縮,可以有效避免漏檢情況的發生。

針對上述不足,本文綜合考慮了實際采集過程所獲取數據的時間相關性,采用減少采樣頻率以達到延長數據采集和發送周期的目的。傳感器基于LEACH路由協議采集數據,采用壓縮感知的方法,將數據投影至低維空間,減少簇首節點與Sink節點間的通信量。在數據采集過程中,為避免因減少數據采集次數而對異常信號漏檢的情況,本文增加對異常信號的判斷和處理,對于節點產生的異常數據進行滑動窗口校驗[9]結合鄰居節點數據判斷是節點故障或網絡傳輸錯誤還是發生異常事件。

1 網絡模型

針對網絡模型作以下常見假設[2]:所有節點在區域范圍內隨機均勻分布,不隨時間移動,可以感知自身剩余能量;節點具有一定的儲存和處理數據的能力;匯聚節點位于區域中心。

無線傳感網絡中,采用與文獻[10]所用相同網絡能耗模型,節點數據傳輸模型如下所示:

ETx(l,d)=ETx-elec(l)+ETx-amp(l,d)=

(1)

ERx(l)=ERx-elec(l)=lEelec

(2)

2 自適應采樣WSN壓縮感知數據融合

2.1 自適應采樣和改進算法

對于物理信號的采集,固定采樣周期的節點對于變化緩慢的信號常常會過采樣,這樣不僅增加了能量的消耗,也增加了許多不必要的數據傳輸,本文采用自適應采樣方法可以根據信號的變化快慢調節采樣頻率,充分利用信號的時間相關性,減少冗余信號的感知和傳輸。

自適應采樣周期算法的原理是:節點數據傳輸周期為P,m個周期為一輪,節點每經過一輪就調整采樣頻率。本文采樣頻率調整策略為比較這一輪的m個周期間所測得數據均值(一個周期內進行多次采樣)變化是否在可接受區域內,周期間的方差可以被認為是測量差異的一個度量值。因此本文對其進行方差一致性檢驗,使用F分布中的統計檢驗量F的大小來檢驗判斷m個周期內測量數據均值是否有顯著變化。經過計算得到檢驗統計量F,把F與給定的顯著性水平a所對應的閾值Ft進行比較,在F小于閾值的情況下,即在F分布接受域中,下一輪的采樣頻率即調整為F值所對應的函數值。檢驗統計量F越大,說明物理信號的變化速度越快,相應地,我們應該加快采樣頻率。可以得出,F與采樣頻率成正比關系,為了刻畫不同情況下的正比關系,故本文使用二次貝塞爾曲線來刻畫采樣頻率和F值的關系。

2.1.1 方差分析

首先假設每個周期內采集的數據服從獨立正態分布,且方差相等,方差分析的目標是比較節點在不同周期內測量數據均值的差異。假設采集了J個周期的共N個數據。定義ST為測的數據總方差,SR為周期內測量數據方差,SF為周期間測量數據均方差。

由假設條件可知,SR,SF均服從正態總體分布,并進一步可以推導出:

(3)

所以,我們可以使用F檢驗的方法來比較各周期測量均值的差異,規定閾值Ft=F1-a(J-1,N-J),a為顯著性水平。根據測得的數據計算出J個周期中N個數據計算出F的值,將其和閾值Ft比較,當:①F>Ft時,可知周期間均值不同,節點采樣頻率調節到最大采樣頻率Smax;②F

2.1.2 貝塞爾曲線和參數k的選取

為了刻畫采樣頻率和F之間的變化關系,引入二次貝塞爾曲線,由(0,0),(Ft,Smax)和參數k確定一條平滑貝塞爾曲線B(F,Ft,k,Smax),其中0

2.1.3 自適應采樣改進算法

本文在[11]的基礎上,自適應調整采樣周期的同時,將節點剩余能量考慮進去,進一步提升節點能量使用效率,均衡網絡中的節點能量消耗,延長網絡的生命周期。在文獻[11]中,參數k為根據場景應用人為指定,本文提出根據節點剩余能量Eres來動態調節參數k,即:

(4)

式中:Etotal是節點初始能量,k0為節點初始預設參數。

采用動態調整參數k的方法,可以在節點剩余能量不多的情況下自適應的減少數據的采集和傳輸,避免某些節點過早死亡,增加節點壽命,從而延長整個網絡生存時間。自適應采樣算法如下所示。

1ASAlgorithm(自適應采樣算法)

輸入:一輪周期數m,最大采樣頻率Smax

1:初始化:實時采樣頻率St←Smax;輪數r←0;周期數i←0

2:WhileEres>0do

3:forr←r+1

4:fori=1→mdo

5:takesmeasuresatStspeed

6:endfor

7:computeSR,SF,F

8:ifN

9:St←Smax

10:else

11:findFt

12:ifF

13:ifEres>1/2*Etotalthen

14:St←BV(F,Ft,k0,Smax)

15:else

16: k←Eres/Etotal

17:St←BV(F,Ft,k,Smax)

18:endif

19:endif

20:endif

21:endwhile

2.2 壓縮感知

在大規模無線傳感監測網絡的應用中,為了保證監測數據的準確性和網絡整體的連通性,節點通常是高密度分布的,因此網絡傳輸數據量中有許多冗余數據。鄰近的傳感器采樣值在空間上具有很大的相關性,在經過異常檢測后無異常情況后,本文采用壓縮感知的方法來去除這些數據在空間上的相關性,減少數據的傳輸以達到節能的效果。由先驗知識可知傳感器信號分布在小波空間具有稀疏性[12],生成的隨機矩陣與小波基組成的矩陣不相干程度非常大,且隨機矩陣的生成并不復雜。將原始數據投影到隨機矩陣后實現了數據壓縮,并在匯聚節點使用一些非線性方法可以解原始數據組成的欠定方程,進而重構出原始數據。本文采用壓縮感知對簇內節點發送過來的數據進行壓縮,減少網絡中冗余數據的傳輸,降低傳輸能量,提高網絡的生存時間。

2.2.1 隨機投影

在LEACH協議中,網絡隨機分簇并根據閾值選出簇頭,所有簇成員節點將自己在每一周期內采集的數據發送給簇頭,簇頭將簇內節點發送的數據整合轉發給匯聚節點。本文使用壓縮感知,在簇頭將數據進行隨機投影壓縮后,將壓縮后小的多的數據發送給匯聚節點。所有簇首同步產生隨機觀測矩陣G,設第I個簇內節點數為ni,簇內節點數據向量為s(I)=[x1,x2,…,xni]T,將數據向量投影到觀測矩陣G上,則有

(5)

上式[7]中ym(I)是第I個簇首對簇內節點進行線性壓縮投影的信息,是一個m維的列向量,且m?n;定義m/n為數據的壓縮比,是實際觀測數據個數與原始數據個數比例。原始數據經過投影到隨機矩陣G后達到數據壓縮的效果,m的大小由ni和簇內節點信號的稀疏度決定。假設總節點數為N,在某一輪中形成C個簇,簇I經過隨機投影壓縮后的數據傳輸量為ni+m-1,整個網絡的通信負載為N+C*(m-1)。由于m?n,可以得出,壓縮后的數據傳輸量遠小于未經壓縮的數據傳輸量。

2.2.2 數據重構

(6)

匯聚節點利用非線性數值方法如BP算法(基追蹤)、貪婪算法[13]和閾值迭代算法[14-15]等對壓縮數據進行重構。貪婪算法的實現形式有很多,應用較廣,如正交匹配算法(OMP)、最優正交匹配算法(OOMP)、規范化正交貪婪算法(ROMP)、梯度貪婪算法等。數據重構的理論依據是:當信號存在稀疏或在變換域上具有稀疏性,觀測矩陣G在滿足RIP的條件下只需要采集m=O(klogN)維的數據就可以在理論上計算出原始信號。匯聚節點重構每個簇的數據就是求如式(6)條件約束下稀疏的0范數的最小值。本文中采用OMP算法作為重構算法,解出式(6),最終可以得到對原始數據的重構信息。

定義重構信號與原始信號的均方誤差NMSE(Normalizedmeansquareerror):

(7)

2.3 異常檢測算法SW-LED

2.3.1 異常檢測策略

對于監測系統而言,異常或者突發事件往往具有突發性和暫時性。由于本文采用自適應采樣算法來實現降低網絡能耗的目的,根據上一階段的信號變化情況來決定當前時段的采樣頻率,因此當有突發事件發生時,很可能由于采樣周期過長而發生漏檢情況。因此為了防止由于減少數據量的采集和發送而造成異常事件的漏檢,本文提出一種實時的異常檢測方法。WSN在事件監測中所面臨的主要問題是檢測精度受環境噪聲和設備不穩定性的影響,節點的監測數據存在錯誤。顯然,故障和事件都可能會使節點采樣值超出正常范圍,當使用簡單的閾值比較方法來對事件進行判斷時,很容易造成WSN誤判事件的發生。為了提高WSN檢測事件的可靠性,消除瞬時性故障對節點監測結果的影響,本文基于Ding M等人[16]的方法,提出SW-LED(Move-Local Event Detection)算法來對節點監測到的異常情況進行可靠性校驗。

(8)

式中:W表示滑動窗口大小。

簇首接收到來自節點的異常數據Si后,向簇內其他節點發送傳輸數據請求。簇內其他節點將當前測量值發送給簇首,簇首接收簇內所有節點發送的測量數據進行排序,得到中間數值(若為偶數個,則取中間兩數的均值)med,計算各個節點與中值med的差值。假設共有n個節點的數據,則各節點與中值差值集合為{d1,d2,…,di,…,dn},得到差值集合的均值μ和方差σ2。計算Si的標準化值Zi=(Si-μ)/σ,當Zi大于預設門限θ時,認為節點發送數據為故障數據,否則,認為節點所監測區域發生異常情況,向匯聚節點發送預警信號。

2.4 數據發送策略

本文在LEACH網絡協議上提出自適應采樣算法和數據壓縮感知,相應的網絡分簇和數據傳輸過程如下:

(1)標記仿真輪數r,根據閾值選擇簇頭節點,然后形成簇。

(2)每經過一個傳輸周期P,簇內節點在周期P開始將第1次采樣數據發送給簇首節點。在周期P內其他的采樣值,采樣值小于監測閾值T時,并不向簇首發送數據。當采樣值大于監測閾值時,按照2.3.1節異常檢測策略來對異常信號進行判斷,若檢測為異常情況,則向匯聚節點發送預警信號。

(3)簇首對簇內節點在傳輸周期的初始測量值數據進行投影壓縮并向匯聚節點傳輸,計算簇內節點和簇頭節點的能量E。

①簇頭能量消耗

Ifd

E=E-Eagg-l*((k+1)Eelec+Efs*d2)*node(c)

Ifd≥d0

E=E-Eagg-l*((k+1)Eelec+Emp*d4)*node(c)

d是簇頭節點距離匯聚節點的距離,l是每次傳輸的數據包長度,node(c)是當前簇內節點總數,Eagg是簇頭對數據進行一次投影壓縮的所消耗的能量。k是數據壓縮比。

② 簇內節點能量消耗

E=E-l*Eelec

4 記錄網絡節點死亡的情況

IfE=0 node_dead=node_dead+1

If node_dead=1 firstdead_round=r

If node_dead=N*10% teenthdead_round=r

If node_dead=Nalldead_round=r

3 實驗分析

本文主要針對大規模傳感網的森林溫度監測和實時火險探測,實驗采用模擬火災場景。

3.1 采樣頻率的變化情況

使用MATLAB 2014作為仿真工具,驗證本文采用的自適應采樣頻率算法在實際溫度數據下的有效性。實驗數據采用美國加州大學伯克利分校在Intel Berkeley Research Lab[17]部署54個無線傳感網節點釆集的真實數據中所測得的真實環境數據集。在該傳感器網中,每31 s收集一次數據,共有溫度,濕度,光照強度和節點電壓4種數據類型。實驗中只使用數據集中的溫度這一項數據。圖1為實驗所選取其中一節點在2004-02-28日0:00—10:00的溫度數據,其變化情況如圖1所示。

圖1 溫度變化曲線

周期P時間長度為5min,最大采樣頻率Smax為每周期內10次,最小采樣頻率為每周期內采樣2次,貝塞爾曲線的初始參數值k0取0.8,顯著性水平a為0.05。每經過一輪時間,節點重新計算新的的采樣頻率。分別選取m=2,m=3作為一輪的周期數,觀察本文自適應算法中采樣頻率的變化情況,將每周期的采樣次數的圖表展示如圖2、圖3所示。

圖2 m=2,F值和節點采樣次數變化曲線

圖3 m=3,F值和節點采樣次數變化曲線

從實際的溫度曲線變化圖中,我們可以直觀的觀察到本文算法根據信號變化的快慢對采樣頻率所做的調整。對比于固定的最大采樣頻率每周期采樣十次的情況,本文算法有效地減少了節點采樣的次數,節省節點采樣能量的同時減少了冗余數據的產生。本文算法還將節點剩余能量考慮進去,在節點剩余能量不多的情況下可以進一步減少采樣次數。上面兩個圖中可以看出本文自適應采樣頻率的有效性,可以根據信號的變化情況相應的調整數據采樣次數,當m=2時,采樣頻率的改變相比m=3時更加頻繁,適用于實時性更高的場合。

3.2 對壓縮信號進行重構

使用MATLAB2014作為仿真工具,驗證WSN數據相關性的數據源采用二維高斯分布來進行場景模擬。假設事件區域范圍大小為200 m×200 m,考慮在該區域內每次隨機均勻部署50個、100個、150個傳感器節點,研究不同壓縮比對重構誤差的影響。考慮匯聚節點收集的壓縮投影信息具有同構特征,因此這里只考慮所有節點成一個簇的情況。由先驗知識可知傳感網測得數據在小波空間具有稀疏性,據此本文選取DB1小波基和sym4小波基,使用OMP算法對信號進行重構。圖4為不同壓縮比下的NMSE對比圖,重構采用DB1小波稀疏基。圖5為相同條件下用sym4小波基進行重構的NMSE。

圖4、圖5所示是在WSN節點個數不相同的情況下,分別使用DB1和sym4信號重構原始信號的NMSE隨壓縮比變化的關系曲線,從圖中可以看出,當觀測數目增大時,即壓縮比增大時,NMSE呈現出逐漸減小的趨勢,當觀測值接近原數據時,NMSE趨于0,可以精確重構出原始數據。從兩圖對比中可看出,使用DB1小波基對信號有更好的重構效果。

圖4 不同節點數信號重構DB1

圖5 不同節點數信號sym4重構

3.3 網絡生命周期實驗分析

為驗證本文方法的對提高網絡生存時間的效果,在MATLAB2014平臺下進行仿真實驗并與未經壓縮的數據傳輸網絡進行對比。設置簇首壓縮比為0.4。仿真實驗設置節點分布區域大小是200m×200m的矩形區域,節點隨機分布,匯聚節點位于區域中心,坐標為(100m,100m)。仿真參數設置如表1所示。

表1 網絡仿真實驗參數設置

本文網絡結構是基于LEACH協議上,提出的節點自適應采樣頻率和數據壓縮的節能算法。網絡生命周期仿真結果如圖6所示。將本文算法與傳統LEACH算法和參考文獻[2]中提出的ACPSEB-LEACH算法進行對比。

圖6 網絡生命周期仿真結果

圖7 節點剩余能量仿真結果

本文提出的算法根據信號變化的快慢和節點自身剩余能量來調節采樣頻率從而減少了能量的消耗和冗余數據的產生,均衡網絡節點能量。在保證數據精度的條件下對數據進行壓縮傳輸,減少了數據量的傳輸。從圖中可以看出,相比只是單純通過優化分簇路由協議來降低網絡能耗的傳統LEACH算法和ACPSEB-LEACH算法,本文算法在降低網絡能耗,提升網絡生存時間方面的效果更好,顯著提高了網絡生存周期。

3.4 異常檢測有效性

查閱火災資料,規定火災報警溫度的閾值T為57 ℃,標準差的閾值θ取0.5,選用Intel Berkeley Research Lab中的從2004-02-28日到2004-03-28日期間的真實測量的溫度數據。模擬故障方法為節點以不同概率加入大隨機噪聲。設置網絡中節點發生故障的概率分別從0.05到0.5之間變化,比較本文方法和滑動窗口MV和文獻[16]中提出的基于LEBD的3種算法的錯誤警報率。

圖8 不同故障概率下錯誤報警率

從仿真實驗結果可以看出,本文提出的SW-LED算法對比于SW(滑動窗口)和LEBD算法,有效的降低了由于節點故障而產生的異常情況誤報率。本文方法在節點故障小范圍內可以保證很好的精確性,但是節點故障概率大于0.25后,誤報率迅速增加。

4 結論

本文提出將節點自適應采樣與WSN數據壓縮感知結合的方法來減少采集數據的相關性,仿真結果表明本文方法相比于經典路由協議可以有效的減少數據量的采集,在保證數據精度的同時減少數據量的傳輸。本文提出SW-LED算法來檢測異常事件,可以實現較為可靠的網絡異常事件檢測,減少異常誤報率。

[1]張文梅,廖福保. 改進的無線傳感網絡非均勻分簇路由算法[J]. 傳感技術學報,2016,28(5):739-743.

[2]葉繼華,王文,江愛文. 一種基于LEACH的異構WSN能量均衡成簇協議[J]. 傳感技術學報,2015,28(12):1853-1860.

[3]Carol Habib,Abdallah Makhoul,Rony Darazi. Self-Adaptive Data Collection and Fusion for Health Monitoring Based on Body Sensor Networks[J]. IEEE Transactions on Industrial Informatics,2016,12(6):2342-2352.

[4]Li Shi,Liu Mengyao,Xia Li. WSN Data Fusion Approach Based on Improved BP Algorithm and Clustering Protocol[C]//27th Chinese Control and Decision Conference pages 1450-1454,May 2015.

[5]Shivaprasad Yadav S G. An Energy Aware Framework for Multiple-Zone Data Fusion Technique in WSN[J]. International Journal of Applied Engineering Research,2016,11(4):2263-2270.

[6]吉書強. 基于壓縮感知的氣象傳感網絡融合計算研究[D]. 南京:南京信息工程大學,2015.

[7]朱路,劉媛媛,慈白山,等. 多稀疏基分簇壓縮感知的WSN數據融合方法[J]. 傳感技術學報,2016,29(3):417-42.

[8]王 全,張納溫,張金成,等. 壓縮感知在無線傳感器網絡數據采集中的應用[J]. 傳感技術學報,2014,27(11):1562-1567.

[9]陳分雄. 無線傳感網中事件檢測的壓縮感知與異常檢測算法研究[D]. 武漢:中國地質大學,2013.

[10]Younis O,Fahmy S,Hee D. A Hybrid,Energy-Efficient Distributed Clustering Approach for Ad-Hoc Sensor Networks[J]. IEEE Trans on Mobile Computing,2004,3(4):660-669.

[11]Laiymani D,Makhoul A. Adaptive Data Collection Approach for Periodic Sensor Networks[C]//9th International Wireless Communications and Mobile Computing Conference,2013:1448-1453.

[12]戴瓊海,付長軍,季向陽. 壓縮感知研究[J]. 計算機學報,2011,34(3):425-434.

[13]Mallat S G,Zhang Zhifeng. Matching Pursuits with Time-Frequency Dictionaries[C]//IEEE Transactions on Signal Processing,1993,41(12):3397-3415.

[14]Khoramian S. An Iterative Thresholding Algorithm for Linear Inverse Problems with Multi-Constraints and Its Applications[J]. Applied and Computational Harmonic Analysis,2012,32(1):109-130.

[15]Fornasier M,Rauhut H. Iterative Thresholding Algorithms[J]. Applied and Computational Harmonic Analysis,2008,25(2):187-208.

[16]Ding M,Chen D,xing K,et al. Localized Fault-Tolerant Event Boundary Detection in Sensor Networks[C]//INFOCOM 2005. 24th Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings IEEE. IEEE,2005,2:902-913.

[17]Samuel Madden. http://db.csail.mit.edu/labdata/labdata.html.

An Improved WSN Energy Saving Strategy Based on Spatio-TemporalCorrelation and Anomaly Detection*

WANYejing,YEJihua*,JIANGAiwen

(College of Computer Information Engineering,Jiangxi Normal University,Nanchang 330022,China)

In order to reduce the contradiction between the network energy consumption and the accuracy of the data,we consider the spatial and temporal correlation of the data collected by the network and propose an method of adaptive sampling and using compressed sensing. Wireless sensor data compression based on the traditional compressed sensing only sampling data of a few nodes and the incidents detected by those not sampled nodes maybe be ignored. This paper detect all nodes’ data and compress,so it can effectively avoid failure report. According to the characteristics of time correlation,this paper adopts adaptive sampling frequency method based on variance analysis ANOVA(Analysis of Variance)and take nodes’ residual energy into consideration to reduce the smooth signal acquisition and equilibrium the energy consumption of network. On the basis of LEACH protocol,the data of cluster is compressed and transmitted to the Sink node to reduce the overall energy consumption of the network. In order to reduce the failure report caused by the adaptive sampling and traditional compressed sensing method,an improved local event monitoring algorithm sliding window local event monitoring SW-LED(Sliding Window-Local Event Detection)algorithm is proposed,which realizes real-time and accurate anomaly detection and early warning. The experimental results show that this method can effectively balance the nodes’ energy consumption to improve the network lifetime,ensuring the accuracy of the data and the recognition rate of abnormal situation is also greatly improved.

wireless sensor network;spatio-temporal correlation;SW-LED;ANOVA;anomaly identification

萬葉晶(1993-)，女，江西豐城人，碩士研究生，研究方向為物聯網技術；葉繼華(1966-)，男，江西廣豐人，教授，中國計算機學會虛擬現實與可視化專委會委員、中國系統仿真學會數字娛樂仿真專業委員會委員、中國圖象圖形學學會虛擬現實專委會委員、江西省自動化學會常務理事。研究方向為物聯網技術、數據融合、圖像處理等，在研國家課程三項，發表學術論文八十余篇，yjhwcL@163．com； 江愛文(1984-)，男，江西景德鎮人，博士/副教授，研究方向為智能信息處理、圖像處理等。

項目來源:國家自然科學基金項目(61462042,61365002);江西師范大學研究生創新基金項目(YJS2016086)

2016-10-20 修改日期:2017-03-30

TP212

A

1004-1699(2017)08-1267-07

C:6150P

10.3969/j.issn.1004-1699.2017.08.023