基于環形緩沖區的WSN數據融合技術研究

楊芬婷 徐震

摘 要：無線傳感器網絡監測系統中，環境變化緩慢和節點感知范圍重疊所造成的冗余數據會增加節點的數據發送量，降低信息收集效率并導致傳感器節點過早死亡.因此，提出一種基于環形緩沖區的簇內數據融合方案.所有節點采用環形緩沖區存儲數據.源節點基于環形緩沖區采用二值化相似函數和滑動四分位檢測法，在保證數據時間關聯性的同時剔除冗余數據和瞬時性異常數據.簇頭節點基于加權皮爾遜距離的改進支持度對從源節點接收到的數據進行加權融合.仿真實驗表明，所提出的方案在網絡剩余節點數、網絡剩余能量和網絡發送數據包數等3個方面有明顯的優勢.

關鍵詞：無線傳感器網絡;數據融合;支持度;環形緩沖區;滑動窗口

中圖分類號：TP212.9文獻標志碼：A文章編號：1000-2367（2024）02-0062-10

無線傳感器網絡憑借節點體積小、成本低和自組網等特點廣泛應用于環境監測、災情警報、健康檢測、智能交通等領域^［1-2］.傳感器節點將感知區域采集的信息進行預處理，經節點單跳傳輸或多節點轉發最終匯聚到匯聚節點或基站.與以往的無線網絡不同，無線傳感器網絡的通信和采集等主要工作需要節點提供足夠的電池能量，若傳感器節點電池能量極低或耗盡，則該節點將成為故障節點或死亡節點，降低無線傳感器網絡的壽命.因此，在環境監測的數據收集過程中，通過有效利用資源來降低能耗，在無線傳感器網絡的研究中占據十分重要的地位^［3-4］.

由于傳感器節點密集部署，節點采集范圍的重疊會產生許多冗余數據，頻繁的采集和發送會產生許多不必要的能量消耗并造成網絡堵塞.另外，感知環境中的不穩定性如電磁噪聲、壓力、輻射等外界干擾、信道質量劣化以及傳感器節點自身故障都會使傳感器節點采集到許多異常數據，從而降低了無線傳感器網絡的性能^［5-6］.數據融合技術結合多個傳感器節點信息，多節點協作減少數據冗余和數據傳輸量的同時提高信息的整體準確性，在降低無線傳感器網絡能耗方面發揮重要作用^［7-8］.

研究表明，將無線傳感器網絡劃分為多個簇，簇內成員節點向簇頭節點發送數據，通過簇內融合采集到的數據可以消除冗余數據，從而減少發送到匯聚節點或基站的數據量，降低網絡能耗^［9］.成員節點將頻繁采集的原始信息數據發送至簇頭進行融合使得簇頭節點信息量不斷增加，融合過程中易造成信息丟失.無線傳感器網絡的監測數據存在時空相關性，節點空間分布使得數據間產生空間相關性，另外，監測數據在時間上也存在相關性.大部分收集的原始數據摻雜著冗余數據，基于數據時空相關性的簇內數據融合技術能夠減少無線傳感器網絡中數據包的傳輸量，對降低網絡能耗起著重要作用^［10-11］.

目前許多學者對無線傳感器網絡數據融合技術進行了研究.SUN等^［12］提出基于信任度和改進遺傳的多傳感器數據融合算法，用三次指數平滑法對數據進行預處理，接著在模糊理論基礎上用指數信任度函數對預處理后的數據進行融合，最后用改進的遺傳算法提高算法收斂，優化融合的估計值.YUAN等^［13］提出一種數據密度相關度的數據融合方法，該空間相關性模型與數據差值相關，以此來度量節點數據與其相鄰節點數據間相關性，該算法適合節點部署密集的無線傳感器網絡.REYANA等^［14］提出了用于多傳感器數據融合算法，將自適應卡爾曼濾波器和決策樹算法相結合進行火災檢測，并用模糊優化來提升監測系統決策能力.LI等^［15］提出一種基于雙閾值結合最優中繼選擇數據聚合方案.當節點的數據量閾值和能量閾值滿足要求時才能執行路由，并選擇數據包較多或等待時間較長的節點作為傳輸中繼節點，最終完成數據聚合.

還有一些學者對簇內數據融合方案基于分層的角度進行了研究.AGARWAL等^［16］提出一種基于緩沖區的無線傳感器網絡數據聚合線性過濾算法.源節點用余弦距離計算采集數據和緩沖區已有數據的關聯度并剔除關聯度高的數據，簇頭節點剔除重復的數據來過濾冗余數據.ALSAFASFEH等^［17］提出一種基于反向傳播神經網絡模型的數據融合算法.該算法采用改進的能量有效的閾值感知網絡協議（threshold-sensitive energy efficient sensor network protocol，TEEN）進行節點聚類，將簇看作反向傳播神經網絡對感知數據進行融合，并在簇頭提取感知數據的特征值傳輸到匯聚節點.XIA等^［18］設計了基于數據融合的智能溫室無線溫度監測系統.源節點通過改進的無跡卡爾曼濾波器收集和預處理溫室的溫度數據.簇頭用并行逆協方差相交融合算法進行局部融合.匯聚節點采用改進的極值學習算法進行全局融合.DASH等^［19］提出一種利用傳感器時空相關性的數據融合算法，將采集周期分為多個時隙，在源節點采用Jaccard相似函數消除冗余，在簇頭節點用加權皮爾遜相關系數判斷數據間的相關程度，并保留節點間相似度較高的數據.

1 所提的方案

1.1 簇的構建

無線傳感器網絡由匯聚節點、簇頭節點和源節點三類節點構成.所有節點靜止，且通信半徑相同.匯聚節點在監測區域外獨立設置且能量供應充足.其他節點初始能量相同，且能量有限無法補充.匯聚節點負責收集網絡中所有采集的數據.簇頭節點負責接收、融合簇內源節點發送的數據，并傳輸到匯聚節點.源節點負責采集數據并將采集的數據傳輸到簇頭節點.

當節點完成部署后，根據簇頭節點選擇算法^［17］，選擇適合的節點當選簇頭.擔任簇頭的節點向鄰節點廣播簇頭信標.鄰節點在接收到的簇頭消息中選擇向距離最近的簇頭發送請求消息申請入簇，簇頭接收到請求消息后回復確認幀進行確認.當所有節點完成簇的加入，簇頭節點為簇內源節點分配標識ID.網絡拓撲如圖1所示.

1.2 源節點數據處理

在數據驅動的無線傳感器網絡中，數據融合技術已成為消除冗余數據，減少數據傳輸量的重要技術之一.在已提出的基于緩沖區的線性濾波算法中，由于節點數據緩沖區較小，數據采集過程中會頻繁觸發數據的發送.為保證數據完整性和在時間上的前后關聯性，本文使用環形緩沖區進行存儲，基于環形緩沖區采用相似函數對冗余數據進行過濾，然后使用滑動四分位法進行異常檢測，對因電流或電壓不穩造成的無效異常進行檢測剔除，以及對因天氣驟變或突發災害等有效異常進行上報.

1.2.1 源節點冗余數據過濾

源節點分配一段連續的內存空間，從而構建數組形式的環形緩沖區存儲采集數據.環形緩沖區的存儲空間在邏輯上首尾相連，在物理存儲上為一段一維連續空間.源節點分配好內存空間后設置兩個指針：讀指針和寫指針.初始構建緩沖區時，緩沖區為空，讀寫指針指向同一位置.當有采集數據存入時，寫指針偏移.發送數據時，源節點取出數據，寫指針偏移相應數據的長度.以該種方式進行采集數據的存儲和取出，既不用頻繁分配線性緩沖區，還保證了時間關聯性.

每個源節點維護一個環形緩沖區用來存儲每個時隙采集的數據.一段時間內，環境信息變化緩慢，節點易存儲大量冗余的數據，若將冗余數據全部發送，會產生許多不必要的節點能耗.為將冗余載荷轉換為有效載荷進行傳輸，本文采用簡單二值化相似函數進行數據處理.

將采集周期劃分為N個相同時隙，源節點在一個周期內采集的數據序列為｛d₁，d₂，…，d_t，…，d_N｝，t時刻采集的數據為d_t，對d_t與前一時刻采集數據d_t-1進行冗余對比，如式（1）所示：

若小于給定的閾值，則數據相同或極度相似，可判斷為冗余數據，不存入緩沖區.為保證數據時間前后關聯性，這里僅對相鄰時間的數據進行冗余判斷.假設節點在當前第m時刻保存的數據權重w_dm初始化值為1，m∈［1，k］，k≤N.若第m+1時刻數據判斷為冗余，則丟棄，調整第m時刻數據權重為w_dm+1.丟棄的冗余數據越多，表明該數據在該組數據向量中所占的比重越大，該數據權重越大.

經冗余數據過濾后，每個源節點采集的數據會形成一個具有權值的數據集合，即節點i的數據集合為d_i=｛（d_i1，w_i1），（d_i2，w_i2），…，（d_ik，w_ik）｝.權值w_i1，w_i2，…，d_ik表示當前數據的最終占比.

其中，w_d1，w_d2，…，w_dm，…，w_dk表示存入緩沖區的數據權重.

1.2.2 基于環形緩沖區的滑動四分位檢測

考慮到節點因外界噪聲或電壓電流不穩會產生尖端瞬時性異常，或因節點故障、監測區域產生重大環境變化等突發異常，本文基于環形緩沖區采用滑動窗口的四分位法進行異常值的檢測.如圖2所示.

在基于緩沖區的線性濾波算法^［19］中，節點采用固定幀長的緩沖區存儲采集數據，該算法中緩沖區容量較小.本文選用環形緩沖區存儲采集數據.環形緩沖區不用頻繁分配內存，其低內存利用率非常適合內存有限的節點存儲數據^［20］，相比固定幀長的緩沖區更適合傳感器節點存儲采集到的數據.

滑動窗口策略常使用于時間相關性強的數據.隨著時間進行，歷史數據的參考意義小于最近時間數據的參考意義^［21］，因此，當使用滑動窗口進行檢測時，如果采集數據充滿滑動窗，便進行一次檢測.

基于滑動窗口的異常檢測采用滑動四分位異常檢測機制實現.選擇四分位檢測法進行異常值判別能夠減小節點計算復雜度.滑動四分位法異常檢測過程如下：

1）假設進入滑動窗內的數據序列為d₁，d₂，…，d_p，…，d_q，對序列進行從小到大的排序后，選取當前數據序列的1/4處序列值（Q₁），3/4處序列值（Q₃）.則四分位IQR=Q₃-Q₁.

2）計算當前序列對應的上下限.考慮到不同時間段窗口內的數據變化會產生不同程度的波動，所以需構建窗口的動態閾值.設定寬容度常數為α₁和α₂（α₂=1/α₁），其大小可以動態調整.則上下限計算式為：

3）異常值判定：若d_p在區間［ε_a，ε_b］內，則為非異常值.若超出該區間，則為異常值.

4）源節點設置異常計數標志記錄檢測出的異常數據個數.當異常值個數累計大于緩沖區長度l的二分之一，源節點喚醒簇頭節點，并保留該部分連續異常值，將當前緩沖區數據全部發送給簇頭節點.

若異常值個數并未超過緩沖區長度的二分之一，則滑動窗口后移，等待下一個時間段所采集的數據填滿緩沖區再進行異常檢測.環形緩沖區滑動窗口上的數據檢測完成后，源節點采用二值化判斷是否進行該部分數據的發送.判斷公式如下：

其中，S為強制發送標志，f_abn表示異常計數標志，l為節點緩沖區長度.正常情況下，節點不會強制發送.一個周期即將結束時，喚醒簇頭節點等待接收源節點異常檢測和冗余數據處理后的數據.周期時間到達時，源節點剔除檢測出的瞬時性異常數據，并發送給簇頭節點，其過程如圖3所示.

1.3 基于支持度函數的簇頭節點融合

1.3.1 支持度函數

支持度函數^［22］的提出是在數據融合的過程中將數值間的關聯信息加入，進一步優化數據融合方案.Sup（a，b）表示b對a的支持程度，即數值a和b的接近程度.支持度函數需滿足以下3個性質：（1）Sup（a，b）∈［0，1］;（2）Sup（a，b）=Sup（b，a）;（3）Sup（a，b）≥Sup（x，y），若 |a-b|＜|x-y|.

目前，常用的支持度函數為高斯支持度函數^［23］，其函數形式為：

其中，K表示幅度，K∈［0，1］;β表示函數衰減因子.β越大，數值a和b的支持度越小.當數值a和b相同時，支持度為1.

指數形式的高斯支持度函數計算較為復雜.為降低計算復雜度，劉思峰等^［24］基于灰色接近關聯度來描述兩數值接近程度，提出一種無需指數運算的新型支持度函數.其函數表達式為：

考慮到序列的時間前后關聯，匡亮等^［25］提出了基于優化動態彎曲距離的支持度函數IDTW-SF.其表達式為：

1.3.2 基于加權皮爾遜距離的改進支持度函數

基于優化動態彎曲距離的支持度函數雖然考慮了采集信息的時間關聯性，但通過尋找兩序列在時間軸上的對齊方式來計算最短距離，需要花費較高的計算成本.

加權皮爾遜距離在強調時間序列變化趨勢相似程度的同時，通過調整不同維度的權重來控制每個維度的貢獻.加權皮爾遜距離具有平移不變性.這種平移不變的特性對時間序列到達同一簇頭的前后延遲具有包容性.本文采用加權皮爾遜距離^［26］計算支持度函數中兩數據序列的距離，并在簇頭采用加權皮爾遜距離的改進支持度函數（weighted Pearson distance improvement support function，wPd-SF）進行加權融合.

由于成員節點發送數據之前會過濾冗余數據并剔除異常數據，所以，到達簇頭的數據時間序列長度可能會不同.在計算兩序列間加權皮爾遜距離時，需要將兩序列拓展到相同的長度.簇頭節點用源節點i生成的帶權值的數據集合d_i=｛（d_i1，w_i1），（d_i2，w_i2），…，（d_ik，w_ik）｝，計算加權平均數x_i.并用x_i來補齊序列.x_i計算如下：x_i=（d_i1w_i1+d_i2w_i2+…+d_ikw_ik）/k.

假設同一簇內的兩個不同節點在相同周期時間發送至簇頭節點的數據序列為X_i=（x_i1，x_i2，…，x_in）和X_j=（x_j1，x_j2，…，x_jn）.則他們的加權皮爾遜相關系數ρ（X_i，X_j）和加權皮爾遜距離D_w（X_i，X_j）分別為：

其中，W表示權重矩陣.通過權重來體現各維度上采集數值對所在時間序列的重要程度.維度上的權重越高，表示采集數據時與該維度上的數值相同或相似的值越多，可以將其看作當前時間序列上的重要采集點.若兩時間序列的重要采集點出現在同一時間維度，則這兩個時間序列變化趨勢相似.在消除冗余數值的同時，通過時間序列上的重要采集點以增強對兩時間序列變化趨勢的描述.利用加權皮爾遜距離來計算兩時間序列距離，更準確把握時間序列間相關程度.

基于加權皮爾遜距離的改進支持度函數定義為

即簇內節點i和j間的支持度為S_ij=Sup（X_i，X_j）.節點相互支持度矩陣可定義如下：

其中，n為簇內傳感器節點數.簇內傳感器節點對傳感器節點的支持度之和為：

傳感器節點的融合權值w_i為：

在簇內節點均無故障的情況下，簇頭節點將簇內成員節點發送的采集信息經加權融合成一組最優融合值，其表達式如下：X（t）=∑ⁿ_i=1（w_i×X_i（t））/∑ⁿ_i=1w_i，

其中，t指周期內第t時刻，X_i（t）指t時刻采集的數據.

若簇內存在故障節點，簇頭節點丟棄故障節點數據并用融合的估計值代替故障節點采集的數據值.故障節點的融合估計值計算如下：

其中，T為周期長度.

最后，如圖4所示，簇頭節點對簇內節點數據進行最終融合，將多個傳感器節點數據融合成一組數據并傳到匯聚節點，從而減少數據傳輸量，降低節點的能耗.

2 仿真和結果分析

為評估本文所提方案，對其進行仿真測試.本文實驗能耗參照一階能耗模型公式^［27］.實驗環境基于Windows 10（64 bit），運行內存16 GB，處理器為Intel（R）Core（TM）i5-7300HQ CPU @ 2.50 GHz 2.50 GHz.仿真和測試實驗在MATLAB R2021a中進行.實驗數據集采用英特爾伯克利研究實驗室的公開數據集^［28］，其中包含了不同傳感器信息，包括溫度、濕度、光照和電壓.該真實數據集還包含了節點ID以及時間等信息.在本文中，選取環境監測最常見的溫度屬性進行實驗，其傳感器節點分布圖如圖5所示.

仿真參數如表1所示.

2.1 源節點數據異常檢測

本文所提方案采用滑動四分位法對溫度數據集進行異常檢測，滑動四分位法無需用到早期的歷史數據，適用于存儲資源有限的傳感器節點.傳感器節點采集過程中受到環境和噪聲等干擾會產生兩種類型的異常數據：一種是瞬時性的尖端異常，另外一種是連續多個偏離正常值.這里選用同一傳感器節點連續采集的1 500個溫度數據，其中分別設置60個加入噪聲干擾的瞬時性和連續性異常數據.這里，衡量異常值檢測方法優劣的指標選用F₁分數^［29］.其表達式如下所示：F₁=21AR+1CR=2×AR×CRAR×CR，

式中，準確率AR指檢測出的異常值中，真實異常值個數占所有檢測出的異常值個數的比值.覆蓋率CR指檢測出的異常值中，真實異常值個數占總的真實異常值個數的比值.對溫度數據集，測試不同滑動窗口寬度和寬容度常數組合情況下的異常檢測F₁值.F₁分數值越大表示檢測效果越好.如圖6和圖7所示，實驗表明，在合適的滑動窗寬和寬容度常數下，兩種不同異常值檢測的最優F₁值可以達到91.47%和96.77%.

2.2 簇頭節點數據融合測試

為測試本文提出的加權皮爾遜距離改進支持度函數（wPd-SF）的融合效果，對融合溫度傳感器節點組采用方差來評估融合結果，對故障節點的融合估計值采用平均絕對誤差（mean absolute error，MAE）進行評估.這里，選取位置鄰近的5個傳感器節點在同一天內每5 min采集1次溫度，每小時進行1次溫度數據融合測試.所選取的傳感器組溫度監測值如圖8所示.

在節點無故障的情況下，將本文提出wPd-SF與新型支持度函數D-SF^［30］、改進型支持度函數SN-SF^［31］、動態彎曲距離支持度函數DTW-SF^［22］和優化動態彎曲距離支持度函數IDTW-SF^［25］進行融合結果方差對比.其結果如圖9所示.

由圖9可以看出，本文提出的支持度函數wPd-SF對簇內傳感器節點的融合方差小于其他支持度函數.

在計算故障節點的融合估計值過程中，需要傳感器節點采集時間序列間的相互支持度矩陣來進行估計值計算.對于D-SF以及SN-SF而言，它們在每個時刻都要計算出一次當前時刻的支持度矩陣，無法顧及時間前后的關聯性，在融合階段不便計算故障節點估計值.所以，該部分實驗選擇能夠計算兩序列間距離DTW-SF和IDTW-SF進行MAE值對比，結果如圖10所示.

由圖10可以看出，對于故障節點融合估計值的計算，DTW-SF在環境信息較平穩時MAE值較低，但仍高于IDTW-SF和本文所提出的wPd-SF；在環境信息變化波動較大時，DTW-SF的估計值出現較大誤差，穩定性遠不如IDTW-SF和wPd-SF.使用wPd-SF對故障節點的融合估計值與該故障節點正常工作監測值的MAE值小于其他2個支持度函數.

表2和表3給出了各支持度函數計算時間的對比.在無故障節點情況下，本文提出的wPd-SF的計算時間明顯少于D-SF、SN-SF和DTW-SF.wPd-SF的計算時間和IDTW-SF的計算時間接近，但仍低于IDTW-SF的計算時間.在計算故障節點的融合估計值時，wPd-SF的計算時間明顯低于DTW-SF和IDTW-SF.

2.3 整體網絡性能評估

為更準確地評估本文所提出的數據融合算法的性能，本文方案從網絡剩余節點、網絡剩余能量、網絡數據包發送量3個方面，與分層傳輸縮減ETDTR算法^［32］、基于數據時空間相關性的數據聚合STCDRR方案^［19］和基于緩沖區的數據聚合線性濾波BFL算法^［16］進行對比.

2.3.1 網絡剩余節點數分析

網絡剩余節點數量多少決定了傳感器網絡的壽命.如圖11所示，在前1 500輪之前，4種算法都沒有節點死亡，在2 000輪時，BFL算法仍未有死亡節點.但隨著輪次的繼續進行，BFL算法死亡節點數增加變快.這是由于BFL算法中節點緩沖區較小，當緩沖區滿的時候易觸發被替換數據的發送，所以節點能耗變快.隨著輪次增加可以看出，本文所提出方案的網絡剩余節點數多于其他3個算法.

2.3.2 網絡剩余能量分析

如圖12所示，該圖為4種算法的網絡剩余能量.隨著輪次進行至8 000輪，本文所提方案和ETDTR算法、BFL算法和STCDRR算法的網絡剩余能量均低于網絡初始總能量的50%.ETDTR算法、BFL算法和STCDRR算法的網絡剩余能量僅剩16.12%、22.95%和7.72%.而本文所提方案的網絡剩余能量占網絡初始總能量的39.33%.仿真實驗表明，本文所提算法在網絡剩余能量方面優于其他3個算法.

2.3.3 網絡發送數據包數分析

隨著無線傳感器網絡生存周期的延長，網絡發送數據包數也會逐漸累加.圖13結果顯示每個算法的網絡發送數據包數情況.相對ETDTR算法、BFL算法及STCDRR算法而言，本文所提方案分別大約減少了26.19%、14.58% 和33.13%的數據包發送量.本文所提方案傳輸的數據包數少于其他3個算法.

3 總 結

本文提出一種基于環形緩沖區的無線傳感器網絡簇內數據融合算法.源節點采用環形緩沖區存儲采集數據.源節點在數據存入緩沖區前采用相似函數判斷數據冗余，并丟棄冗余的數據.且源節點基于緩沖區的滑動窗口采用滑動四分位法進行異常數據的檢測.若異常值個數累計超過預設范圍，則強制喚醒簇頭去接收數據.若沒有超預設范圍，則在周期時間到達后，剔除異常值并發送到簇頭進行融合.簇頭使用基于加權皮爾遜距離的改進支持度函數對簇內采集的數據進行加權數據融合.在沒有故障節點的情況下，簇頭對整組傳感器節點發來的數據進行融合.若存在故障節點，為保證數據融合的準確性，通過融合其他正常節點數據對故障節點進行估計值計算，并用估計值代替故障節點數據.

仿真結果表明，本文所提方案融合誤差小于其他支持度函數融合誤差，計算時間小于其他支持度函數.且對不同類型異常數據異常檢測率均在91%以上.整體性能評估上，本文所提出的算法在網絡剩余節點個數、網絡剩余能量和網絡發送數據包數等3個方面的評估均優于ETDTR算法、BFL算法和STCDRR算法.

參 考 文 獻

［1］WAN R Z，XIONG N X，HU Q H，et al.Similarity-aware data aggregation using fuzzy c-means approach for wireless sensor networks［J］.EURASIP Journal on Wireless Communications and Networking，2019，2019（1）：59.

［2］YANG C Y，LIN C Y，GALSANBADAM S，et al.Multivariable support vector regression with multi-sensor network data fusion［C］//2018 IEEE International Conference on Systems，Man，and Cybernetics（SMC）.［s.l.］：IEEE，2019：4029-4034.

［3］DANANJAYAN S，ZHUANG J J，TANG Y，et al.Wireless sensor deployment scheme for cost-effective smart farming using the ABC-TEEM algorithm［J］.Evolving Systems，2023，14（4）：567-579.

［4］ZHANG J，LIN Z W，TSAI P W，et al.Entropy-driven data aggregation method for energy-efficient wireless sensor networks［J］.Information Fusion，2020，56：103-113.

［5］IZADI D，ABAWAJY J H，GHANAVATI S，et al.A data fusion method in wireless sensor networks［J］.Sensors，2015，15（2）：2964-2979.

［6］ULLAH I，YOUN H Y.A novel data aggregation scheme based on self-organized map for WSN［J］.The Journal of Supercomputing，2019，75（7）：3975-3996.

［7］SOLTANI M，HEMPEL M，SHARIF H.Data fusion utilization for optimizing large-scale Wireless Sensor Networks［C］//2014 IEEE International Conference on Communications（ICC）.［s.l.］：IEEE，2014：367-372.

［8］SONG Y，LIU Z，HE X，et al.Research on data fusion scheme for wireless sensor networks with combined improved LEACH and compressed sensing［J］.Sensors，2019，19（21）：4704-4733.

［9］XIAO X X，HUANG H N，WANG W.Underwater wireless sensor networks：an energy-efficient clustering routing protocol based on data fusion and genetic algorithms［J］.Applied Sciences，2020，11（1）：312.

［10］CAO L，CAI Y，YUE Y G.Data fusion algorithm for heterogeneous wireless sensor networks based on extreme learning machine optimized by particle swarm optimization［J］.Journal of Sensors，2020，2020：1-17.

［11］JARWAN A，SABBAH A，IBNKAHLA M.Data transmission reduction schemes in WSNs for efficient IoT systems［J］.IEEE Journal on Selected Areas in Communications，2019，37（6）：1307-1324.

［12］SUN G L，ZHANG Z Y，ZHENG B W，et al.Multi-sensor data fusion algorithm based on trust degree and improved genetics［J］.Sensors，2019，19（9）：2139.

［13］YUAN F，ZHAN Y J，WANG Y H.Data density correlation degree clustering method for data aggregation in WSN［J］.IEEE Sensors Journal，2014，14（4）：1089-1098.

［14］REYANA A，VIJAYALAKSHMI P.Multisensor data fusion technique for energy conservation in the wireless sensor network application “condition-based environment monitoring”［J］.Journal of Ambient Intelligence and Humanized Computing，2021，13：1-10.

［15］LI A，LIU W，ZENG L J，et al.An efficient data aggregation scheme based on differentiated threshold configuring joint optimal relay selection in WSNs［J］.IEEE Access，2021，9：19254-19269.

［16］AGARWAL A，JAIN K，DEV A.BFL：a buffer based linear filtration method for data aggregation in wireless sensor networks［J］.International Journal of Information Technology，2022，14（3）：1445-1454.

［17］ALSAFASFEH M，ARIDA Z A，SARAEREH O A，et al.An optimized data fusion paradigm for WSN based on neural networks［J］.Computers，Materials & Continua，2021，69（1）：1097-1108.

［18］XIA S B，NAN X Y，CAI X，et al.Data fusion based wireless temperature monitoring system applied to intelligent greenhouse［J］.Computers and Electronics in Agriculture，2022，192：106576.

［19］DASH L，PATTANAYAK B K，MISHRA S K，et al.A data aggregation approach exploiting spatial and temporal correlation among sensor data in wireless sensor networks［J］.Electronics，2022，11（7）：989.

［20］FELDMAN S，DECHEV D.A wait-free multi-producer multi-consumer ring buffer［J］.ACM SIGAPP Applied Computing Review，2015，15（3）：59-71.

［21］YIN C Y，ZHANG S，WANG J，et al.Anomaly detection based on convolutional recurrent autoencoder for IoT time series［J］.IEEE Transactions on Systems，Man，and Cybernetics：Systems，2022，52（1）：112-122.

［22］SHI P，LI G H，YUAN Y M，et al.Data fusion using improved support degree function in aquaculture wireless sensor networks［J］.Sensors，2018，18（11）：3851.

［23］YAGER R R.The power average operator［J］.IEEE Transactions on Systems，Man，and Cybernetics-Part A：Systems and Humans，2001，31（6）：724-731.

［24］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.

LIU S F，XIE N M，JEFFERY F.On new models of grey incidence analysis based on visual angle of similarity and nearness［J］.Systems Engineering-Theory & Practice，2010，30（5）：881-887.

［25］匡亮，施珮，季云峰，等.改進型支持度函數的WSN水質監測數據融合方法［J］.農業工程學報，2020，36（16）：192-200.

KUANG L，SHI P，JI Y F，et al.Data fusion method for water quality monitoring using WSN based on improved support function［J］.Transactions of the Chinese Society of Agricultural Engineering，2020，36（16）：192-200.

［26］LIN R H，WU B D，SU Y.An adaptive weighted Pearson similarity measurement method for load curve clustering［J］.Energies，2018，11（9）：2466.

［27］HEINZELMAN W B，CHANDRAKASAN A P，BALAKRISHNAN H.An application-specific protocol architecture for wireless microsensor networks［J］.IEEE Transactions on Wireless Communications，2002，1（4）：660-670.

［28］MADDEN S.Intel Berkeley Research Lab［EB/OL］.［2022-12-09］.http：//db.csail.mit.edu/labdata/labdata.html.

［29］李藝，華靜，劉保雙，等.大氣污染物監測數據異常值判別方法研究［J］.環境科學學報，2022，42（12）：341-352.

LI Y，HUA J，LIU B S，et al.Study on the outlier identification approaches for atmospheric pollutant monitoring data［J］.Acta Scientiae Circumstantiae，2022，42（12）：341-352.

［30］熊迎軍，沈明霞，陸明洲，等.溫室無線傳感器網絡系統實時數據融合算法［J］.農業工程學報，2012，28（23）：160-166.

XIONG Y J，SHEN M X，LU M Z，et al.Algorithm of real time data fusion for greenhouse WSN system［J］.Transactions of the Chinese Society of Agricultural Engineering，2012，28（23）：160-166.

［31］段青玲，肖曉琰，劉怡然，等.基于改進型支持度函數的畜禽養殖物聯網數據融合方法［J］.農業工程學報，2017，33（S1）：239-245.

DUAN Q L，XIAO X Y，LIU Y R，et al.Data fusion method of livestock and poultry breeding Internet of Things based on improved support function［J］.Transactions of the Chinese Society of Agricultural Engineering，2017，33（S1）：239-245.

［32］IDREES A K，ALHUSSAINI R，ABED SALMAN M.Energy-efficient two-layer data transmission reduction protocol in periodic sensor networks of IoTs［J］.Personal and Ubiquitous Computing，2023，27（2）：139-158.

Research on WSN data fusion technology based on ring buffer

Yang Fenting， Xu Zhen

（School of Electrical and Electronic Engineering， Wuhan Polytechnic University， Wuhan 430048， China）

Abstract： In the wireless sensor network monitoring system， redundant data caused by slow environmental changing and overlapping sensing range of nodes will increase the amount of data sent by sensor nodes， reduce the efficiency of information collection， and lead to premature death of sensor nodes. Therefore， this paper proposes an intracluster data fusion scheme based on ring buffer. All sensor nodes use ring buffers to store data. Based on the ring buffer， the source node adopts the binarized similarity function and sliding quartile detection method to eliminate redundant data and transient abnormal data while ensuring data time correlation. Based on the improved support of weighted Pearson distance， the cluster head node carries out weighted fusion of the data received from the source node. Simulation experiments show that the proposed scheme has obvious advantages in the number of remaining nodes in the network， the remaining energy of the network and the number of packets sent by the network.

Keywords： wireless sensor network; data fusion; support function; ring buffer; sliding window

［責任編校 陳留院 趙曉華］