基于时空关联性的无线传感网络数据融合算法
来源:用户上传
作者:陈加伦 邹腾跃 张伯琰
摘要：针对无线传感器网络环境监测过程中，错误的节点信息对数据融合结果准确性造成的影响，根据环境参数在时域与空间域上所拥有的不可突变的物理特性，提出了一种基于时空关联性的无线传感网络数据融合算法。通过使用最小二乘法多项式拟合对当前时刻的参数进行估计，利用传感器节点的位置信息以及兄弟节点数据之间的空间关联性，得到节点间空间相关支持度。通过仿真验证提出的数据融合算法可以有效增加数据融合结果的准确性。
关键词：无线传感网络; 数据融合; 时空关联性; OPNET软件
中图分类号：TP393 文献标识码：A
文章编号：1009-3044（2021）36-0064-03
开放科学（资源服务）标识码（OSID）：
Wireless Sensor Network Data Fusion Algorithm based on Spatio-temporal Correlation
CHEN JiaClun， ZOU TengCyue*， ZHANG BoCyan
（College of Mechanical and Electronic Engineering， Fujian Agriculture and Forestry University， Fuzhou 350001， China）
Abstract： Aiming at the impact of incorrect node information on the accuracy of data fusion results in the process of wireless sensor network environmental monitoring， according to the non-mutable physical characteristics of environmental parameters in the time and space domains， a wireless sensor network data fusion algorithm based on time-space correlation is proposed. By using the least squares polynomial fitting to estimate the parameters at the current moment， the position information of the sensor nodes and the spatial correlation between the data of the sibling nodes are used to obtain the spatial correlation support between nodes. It is verified by simulation that the proposed data fusion algorithm can effectively increase the accuracy of the data fusion results.
Key words： wireless sensor network; data fusion; time-space correlation; software of OPNET
1 稻萑诤霞际
数据融合技术指的是通过对各种传感器及人工观测信息的分析与处理，将不同传感器在不同维度上互补并将有效的信息依据某种规则组合起来，得到对所观察对象的解释或描述[1-3]。国内外有很多学者针对数据融合过程中采用的算法进行了研究与优化：宋蕾提出了一种基于蜂窝网络结构的无线传感数据融合算法，根据蜂窝网络结构计算簇头与簇内节点的能耗，选择最低能耗的簇头采集数据，并引入融合因子作为参数，最终实现了对低能耗且高精度簇内节点的动态选取[4]。庞维庆等人采用基于BP神经网络模型的数据融合算法，对卡尔曼滤波后的传感器信号进行融合，提出了一种自适应调控方法，与其他调控方法相比，有效减小了调控误差，降低了调控系统的能量消耗[5]。陈志国等人，根据传感节点与异常事件发生地之间的距离定义可信度，只传输可信度满足要求的信息，从距离、能量质量三方面定义传感器节点权重，在数据传输过程中选择权重最高的节点作为父节点，有效降低了平均能耗[6]。
但是他们主要将重心放在数据融合机制上，并没有考虑到传感器节点采集数据的真实性，本文依据环境参数所拥有的物理特性，提出一种基于时空关联性的数据融合算法。
1.1 时间相关性
当数据采集频率足够密集的时候，环境参数这种物理信息在时域上应该是一条连续、平滑的曲线。在一小段时间内，温度的变化可以近似看作某条曲线的一部分，因此可以利用前几个时刻的数据，通过最小二乘法多项式拟合，得到当前时刻的参数估计值并对当前时刻的参数监测值进行修正。
1.1.1 最小二乘多项式拟合
最小二乘多项式拟合在这里指的是对传感器节点前几个时刻获取到的数据组[xi，yii=1，2，…，n]，求[m]次多项式[m<n]即：
P[m]（[x]）[=][a0+a1x+a2x2]+...+[am][xm] （1）
[i=1nδ2i=i=1nyi-Pmxi2=Fa0，a1，…，am] （2）
式中的[m]为多项式的阶数;[a0]、…[am]为多项式的系数。使得它的误差平方和即式（2）最小，所获得的[Pmx]则称为这组数据的最小二乘法[m]次拟合多项式。
转载注明来源:https://www.xzbu.com/8/view-15425234.htm
