论文部分内容阅读
无线传感器网络(wireless sensor network,WSN)由大量带有通信模块和计算单元的微型传感器节点组成。节点间以无线通信方式相连接,通过自组织的方式构成网络,协同地感知、处理网络覆盖区域内的监测对象信息,并以多跳的方式将数据传输至汇聚节点,最终通过广域网发送给远端用户,是一种资源高度受限的分布式系统。无线传感器网络内节点数量多、分布密集,在数据收集的过程中,若由各个节点独立地传送数据至汇聚节点,则会浪费有限的通信带宽及能量资源。为了节省网络能量资源,提高网络资源利用率和数据处理效率,无线传感器网络通常使用数据融合技术对待传输的或传输过程中的感知数据进行融合处理。
本文首先对无线传感器网络进行概述,包括其概念、特点、应用以及关键技术。在此基础上,着重介绍无线传感器网络中的数据融合策略,进而对各种主要数据融合策略的基本原理进行阐述。其次,传统时间序列预测融合算法对于具有非线性、随机性和突发性的感知数据融合效果较差。针对上述问题,本文提出了一种基于灰色最小二乘支持向量机预测的时序数据融合方法。利用少量监测数据对模型进行训练,以灰色回归预测数据作为最小二乘支持向量机的输入数据,并对下一步未知信息进行预测,以达到融合数据、减少通信开销的目的。仿真结果表明,提出的方法所需样本数量较少,预测准确率较高,能有效降低数据传输开销。再次,为了保护无线传感器网络中数据的隐私性,提出一种层次网络结构下低能耗的数据融合隐私保护策略。节点利用压缩感知观测和异或运算的自反性对原始数据进行分片处理后发送,融合节点对其进行重构,进而通过完整性检测为数据传输过程中的安全性提供保证。仿真及分析结果表明,所提出的策略能有效地降低节点的计算开销以及控制开销,具有更强的扩展性。最后对本文进行总结,并给出进一步的研究方向。