随着通信技术、嵌入式计算技术和传感器技术的飞速发展和同益成 熟,具有感知能力、计算能力和通信能力的微型传感器开始在世界范围 内出现。由这些微型传感器构成的传感器网络引起了人们的极大关注。 现有的传感器网络数据处理系统只能向用户提供简单的查询操作。如何 高效的处理传感器网络的海量数据流,以及如何在其中获取有用的知识, 成为我们新的挑战。 本文主要研究传感器网络中的数据挖掘技术,包括分类技术、关联 规则挖掘技术和聚类技术。本文提出了一种基于传感器网络的分布式决 策树分类算法,在准确性上保证了概率性的界限。该算法使用数值间隔 剪枝策略来处理数值数型,减少了处理数值属性所需的时间。算法采用 雨林算法框架,实验证明算法的通信负载和计算时间都较少,具有计算 高效性。本文研究了在传感器网络中挖掘关联规则的算法,首先在各个 传感器节点上产生局部的频繁项集,然后通过传感器网络逐层上传,合 并,最终在中心节点形成全局的频繁项集,并产生相应的关联规则。实 验证明该算法具有较少的计算时间和内存使用量。本文还提出了一种基 于传感器网络的分布式K-平均聚类算法,首先由中心点下发k个质心的 初始值,各个节点将数据对象赋于质心距离它最近的簇,并将簇的信息 通过传感器网络逐层上传,合并。然后中心点计算k个簇中对象的平均 值,再下发,进行迭代,直到各个簇满足误差准则,得到最后的聚类结 果。实验证明,该算法准确率较高,计算时间较低。最后,本文基于以 上算法,实现了一个传感器网络上的数据挖掘原型系统。