WSN數據融合技術簡析

摘要：以傳統傳感器為基點，將其與無線傳感節點進行比較，分析出傳感節點數據傳輸的困難過程，在于過度消耗傳輸帶寬、能耗，以及傳感節點綜合信息能力不足兩個方面;WSN數據融合側重于數據的穩定性、關聯性、能量制約性;WSN必需的數據融合作用在于消減能耗、傳輸時延，躍升數據安全性、傳輸效率，以及優化WSN資源配置等功效，以使明晰數據融合方法、研究側重等，有利于相關研究佐證。

關鍵詞：傳感器;WSN;數據融合

中圖分類號：TP212.9

文獻標志碼：A

0引言

近年來，隨微電子技術、集成短路技術、近距離無線通信技術、數字信號處理技術、以及微機電系統的深度應用[1]，具有低能耗、微型化特征的無線傳感器網絡WSN（Wireless Sensor Networks，WSN）快速融入了現代信息應用的各類場合，涉及到了工業、農業、國防軍工、環境監測、深海探測、搶險救災、反恐防恐、生物醫療、危險區域的遠程控制等諸多行業領域，獲得了來自政府、科研機構、商界、軍事等各界的青睞，極具廣闊的應用前景。

就目前WSN應用的現實而言，WSN之所以能夠完成數據融合，主要依靠兩個途徑，其一是通過各種手段增強原始數據的真實性和安全性，其二是利用安全的數據融合算法。前者方法是適合于WSN的存在環境而產生，由于構成WSN整體結構的傳感器節點身處環境條件各異，其所在場合的電磁環境可能較為惡劣。因此，WSN傳感節點所采集的數據并非滿足真實性和有效性需求，甚至存在虛假信息的采集，故此，需要依靠數據認證的方式提升采集數據的真實性與安全性，但這種認證方式的使用，卻也實實在在地延長了數據融合過程的周期，增加了能量消耗，也可能還會直接縮短WSN節點存在的生命周期;同時，由于使用了復雜協議，雖然能夠增強其數據融合的能力，但往往疏于系統安全的考慮。后者通常利用WSN鄰近節點初始數據采樣的共性特征，借助算法進行針對性預處理，由此消減部分惡意數據產生概率或影響，這種本身具有局限性的措施，數據融合傳感節點并非持續獲取多組期待的富有價值行的適用數據，這在不同的應用場景中，數據融合的算法效果具有差異化。此外，WSN傳感節點本身的環境資源、體積大小、續航能力、運算能力等特點影響，將直接導致傳感節點的能耗增大、核心數據易于丟失等現象。因此，WSN傳感節點的數據采集精度躍升、能耗降低，以及生命周期的綿延，這與WSN的數據融合效率提升休戚相關。

1數據融合的緣起與基礎

數據融合技術的產生于美國軍事應用，起初作為信息技術的拓展應用，實時關聯了數據感知、傳感節點互連、濾波估計、信息融合等技術。隨著應用能力的不斷提升，考慮WSN傳感節點所賴以存在的實際環境制約，傳感節點的電能供應、運算速度、存儲資源、數據傳輸等相繼成為關聯后續要素[2]。

相形于傳統傳感器，無線傳感節點總體工作能力稍遜。特別是在數據感知后的遂行發送時刻，傳感節點將數據傳輸至WSN網關時，產生渚多困難[3]。其一，造成數據傳輸帶寬和能耗浪費。由于密集傳感節點所在的場景，鄰域節點數據冗余較多，匯集節點額數據接收將浪費鄰域節點的傳輸時間、帶寬、耗時和耗能，而時間和能量的損耗，直接導致WSN的生命周期的縮短。其二，傳感節點綜合信息能力不足。WSN的數據通信依靠數據鏈路層完成，數據鏈路層實現相異節點之間的單工數據傳送，多個節點全雙工方式的數據傳送，將直接導致數據間的碰撞沖突，直接消減數據傳輸效率，全面消減WSN網絡存在時效?；诖爽F象，數據融合技術應用而生，擬通過該技術，完成數據篩選和合并處理，而予以清洗的數據更能迎合數據采集的任務需求，獲得更加準確可靠的信息。同時，前者直接關注有效的數據感知結果，而非數據采集的巨大數據容量。

以數據融合為視角，傳統傳感器與WSN差異性明顯[4]。首先，穩定性需求側重不一。傳統網絡依靠擴張組網地域范圍和消減網絡環境中的不利電磁影響而提升數據感知系統穩定性，而WSN則需以躍升傳感節點的數據融合效率為基點，數據融合處理基于網內運行，WSN的尤其關注組網節點的能量損耗，故其數據融合算法的實施，是以組網系統的魯棒性和自適應性為基礎條件的。其次，數據關聯性需求側重各異。傳統傳感網絡的數據融合關注多終端之間的數據相關性問題，而WSN則關注傳感節點之間的數據闡述干擾問題，特別是WSN必須高度關注環境因素制約，而且不同傳感節點針對同一數據的測量可能存在著偏差性，將造成同一數據的二義性問題。其三，能量制約性理念迥異。工作場景的制約一直是WSN進行數據融合的約束條件，WSN傳感節點自身攜帶的電能有限，無法獲取較常規節點能源無限制的優厚工作能源支持，因為WSN傳感節點完成節點之間的數據傳輸所需的能耗遠高于其正常完成運算任務的能耗支持。因此，WSN完成數據融合因需要考慮獨立節點以及WSN局域網能耗的均衡，首先應該考慮數據融合與協議層次協作互補，應在應用層依靠分布式數據庫技術將匯集節點數據予以壓縮和清洗，消除冗余并優化數據，躍升數據準確度，由此減少傳感節點的數據傳輸容量，從底層開始消減節點系統能源開銷。當然，數據融合一定會附加傳感節點工作量。對于WSN時延而言，傳感節點如需完成數據傳輸，其必須的路由探尋、數據融合運算，以及約等其它節點融合數據等任務均加大WSN的平均時延;而在穩定性而言，相比傳統網絡，WSN因附加了數據融合任務，其節點失效率、丟包率以及數據清洗所導致的缺失率，都可能增長，這將直接消減WSN的穩定性。

2數據融合的作用

2.1消減能耗

實際工作場景中的獨立傳感節點是實施數據融合的基礎單元，其功能性數據是構成數據融合的基本數據對象，綜合及優化組網節點數據肯定是數據融合的關鍵所在。由于獨立傳感節點均呈現動態拓撲、隨機部署或密集部署或重疊等特點，在保證系統可靠性的同時產生富裕的冗余數據，而高冗余度數據的數據匯聚，直接加大冗余能耗。如果在數據融合前，傳輸非冗余數據至匯聚節點，將節約能耗支配，可靠性也不會降低。通常數據融合清洗冗余數據的方法，是數據傳輸之前，將本節點數據實施預處理，完成諸如剔除冗余數據、壓縮數據、層次式處理數據、估值運算等任務，在保證數據可靠性和不損失精度的前提下，將傳輸的數據實施節能化和最小化處理。通過有效降低發包數據總量和發包數量，都將消減信道的檢測開銷，從而消減能耗。

2.2提升數據安全性

依舊從WSN的實際工作場景工發，審視傳感節點自身特點。傳感節點時空區域的部署特點，緣起于其自身的特點，因成本制約和二列場景，傳感節點自身所采集的數據本身可能就有失真，其原因可能有：制造成本低廉、集成度高而導致精度低;節點數據傳輸容易受環境干擾或破壞;環境加速節點老化而致工作異常等狀況。因此，WSN只能借助區域內多節點，才能夠保障數據采集的正確性和可靠性，而鄰域節點所采集的數據并不具有差異性。

2.3消減傳輸時延，躍升傳輸效率

先行數據融合方式的數據精度高于匯聚節點完成數據匯集后的數據融合方式，前者在消減數據傳輸總量、傳輸包總量、路由優化、數據分類、數據碰撞沖突、網絡擁堵、帶寬利用率以及降低數據傳送時延等方面，都成為躍升網絡整體效率的因素。

2.4優化WSN資源配置，躍升網絡整體性能

通過數據融合，在消減能耗的同時，均衡傳感節點能耗，消除能量空洞，極值化獨立節點的任務生命周期，由此全面躍升WSN的整體性能。

3數據融合分類

數據量變革是WSN完成數據融合過程的關鍵，也是將WSN數據融合直接分類為有損融合和無損融合的依據。有損融合其本質就是通過消減WSN采集數據的準確度為代價，以躍升數據融合的效率為目標而保持采集數據樣本的廣泛性[5]。當某區域之鄰域范圍內的溫度、濕度極值或均值成為數據需求時，WSN所屬區域傳感節點依據數據需求指令完成數據采集任務后，該節點完成數據預處理，并將數據經由匯聚節點融合后獲得的數據傳輸至監控終端。而無損融合則是以時間為序列而編碼的數據信息予以全部保留并完成數據融合，WSN所屬區域傳感節點泛置僅以時域、空域特征相異標簽而信息內容略同的數據，因此，以時空域為序列的擬定比例的數據選擇與上傳，這足以成為該時域內偵聽數據的完整代表。

通常，依據數據融合的深度層級和時序將數據融合予以分類為數據級融合、特征級融合、決策級融合等三類。前者屬于初級數據融合層次，用于融合初次采集到的原始數據，是將還未經預處理的原始數據予以分析，以集中式融合方式獲得詳盡感知數據。本級數據融合方式與所使用的傳感器件特性密不可分，因此，通過與傳感器件特性直接相關的數據融合和模式識別方式直接認定源傳感節點的數據屬性。同時，必須清楚一點，就是由于傳感節點的場景限制，原始數據的感知必定存在的不穩定性，將直接導致數據級融合的容錯率相對不高。中者屬于中級數據融合層次，用于在融合出初次采集數據的極值、均值、方差等數據特征后，完成數據的綜合分析和處理，確定帶測目標的狀態特征和特征融合[6]。本級數據融合方式采用分布式或集中式的數據融合方式，能夠完成原始采集數據的壓縮與整合，滿足大規模WSN的組網需求，其數據融合足以表達傳感節點的完整數據特征，成為數據需求方的決策數據基礎。后者屬于高級數據融合層次，用于融合高于中級數據融合層次的更高級別的數據融合操作，完成采集數據的本地化特征提取、識別或判斷等基礎任務，形成初步目標感知結論，在依靠關聯數據協同完成決策級數據融合，實現最終感知研判結論。

4結束語

以概述WSN及數據融合為基礎，分析了WSN數據融合的作用分類評價標準，闡述了WSN數據融合的現實存在價值和意義所在。

參考文獻：

[1]鄒平輝.無線傳感器網絡安全及數據融合技術研究[D].北京：北京交通大學，2018.

[2]于標，王月.動態無線傳感器網絡的設計與應用[J].自動化儀表，2018，39（10）：50-52，56.

[3]秦曉晶，李海富.基于Zigbee技術的井下人員定位系統的研究[J].長春大學學報，2012，22（2）：153-156.

[4]陳俊杰，倪培洲，許廣富，騰達.基于遞推最小二乘和改進支持度的WSN數據融合算法[J].測控技術，2019，38（2）：65-68，74.

[5]梁俊卿，趙建視，呂笑琳.基于鄰里支持和神經網絡的WSN數據融合算法研究[J].微電子學與計算機，2019，36（8）：87-91.

[6]余修武，劉琴，李向陽，等.基于改進蟻群的BP神經網絡WSN數據融合算法[J].北京郵電大學學報，2018，41（4）：91-96.

收稿日期：2020-06-16

基金項目：甘肅省科學技術廳自然科學基金研究項目“甘肅省反恐維穩情報挖掘機制研究”（項目編號：18JR3RA191）。

作者簡介：賈志城（1969-），男，漢族，河北正定人，碩士，副教授，主要研究方向：嵌入式系統、圖像處理與信息安全防范。