WSN中基于概率聚类成簇的数据融合算法研究

论文摘要

无线传感器网络是一个以数据为中心的网络,在军事、民用领域都有着广泛的应用前景。无线传感器网络的主要任务是对监控区域的信息进行采集,以达到远程监控的目的。由于传感器节点采用电池供电且在恶劣环境中难以更换电源,传感器网络是一种能量受限的网络。鉴于传感器节点传输数据的能耗远大于其计算的能耗,去除冗余和错误的数据就具有重要意义。数据融合就是一种有效手段,本文主要对概率聚类成簇的数据融合算法进行研究。具体包括以下几个方面：（1）传统的成簇算法单纯依靠节点位置或能量来实现,导致系统不确定性和降低融合精度,为解决此问题,提出了基于SPP （State Probability Prediction）状态概率预测模型的算法,利用节点的计算和分析功能,计算任一时刻节点采集的数据的分布概率,将概率作为节点分簇的依据。模型主要包括两个参数<S,P>,S是有限状态集合,P是状态转移概率矩阵,对多模数据进行区间组合,然后与状态映射,生成状态概率矩阵,最终求解平衡概率,实现数据的概率预测。（2）为解决平面网络路由带来的数据融合度不高、路由表复杂、难以集中管理等问题,提出了基于概率聚类的动态成簇机制。通过模糊聚类的算法实现分簇。算法使用微积分计算方法求最优代价函数,通过迭代的方式选取簇头节点,判断簇头节点与普通节点的相似度来实现簇的划分。通过此机制平衡概率相似节点聚合在一起,大大增加簇内节点数据的相关性,有利于提高融合率。（3）利用簇内节点收集数据的高相关性,实现基于差值向量的簇头数据融合算法。算法通过选取基准值,再处理各传感器数据与基准的差值,达到数据融合的目的。利用基准值与采集数据的比对,实现冗余数据的剔除,减少了网络数据传输量,同时也验证了分簇机制的有效性。最后文章使用OMNeT++进行仿真实验,对算法的性能做出了分析和评估。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 卡尔曼滤波法
• 1.2.2 贝叶斯估计法
• 1.2.3 Dempster-Shafer证据推理法
• 1.2.4 神经网络
• 1.3 研究内容
• 1.4 论文结构
• 第2章 传感器网络研究相关综述
• 2.1 前言
• 2.2 传感器网络概述
• 2.2.1 传感器网络的体系结构
• 2.2.2 传感器网络的特点
• 2.2.3 传感器网络的关键技术
• 2.3 传感器网络数据融合概念
• 2.3.1 数据融合简介
• 2.3.2 数据融合分类和模式
• 2.3.3 数据融合关键技术
• 2.4 小结
• 第3章 基于SPP模型数据概率预测算法
• 3.1 前言
• 3.2 SPP模型相关参数
• 3.2.1 状态集S
• 3.2.2 概率矩阵P
• 3.3 SPP模型概率预测
• 3.3.1 条件概率
• 3.3.2 平衡概率
• 3.4 SPP模型概率更新
• 3.5 SPP模型分析
• 3.6 小结
• 第4章 基于概率聚类的动态成簇机制
• 4.1 前言
• 4.2 动态成簇网络结构
• 4.2.1 平面型网络
• 4.2.2 层次型网络
• 4.3 动态成簇基本框架
• 4.3.1 相似度计算
• 4.3.2 聚类成簇
• 4.4 动态成簇实现
• 4.4.1 动态聚类成簇
• 4.4.2 网络拓扑重构
• 4.5 动态成簇分析
• 4.6 小结
• 第5章 基于差值的簇头数据融合算法
• 5.1 前言
• 5.2 数据融合算法思想
• 5.2.1 簇头融合流程
• 5.2.2 簇头数据处理
• 5.3 数据融合算法实现
• 5.4 数据融合算法分析
• 5.5 仿真实验设计
• 5.5.1 仿真实验工具介绍
• 5.5.2 仿真实验功能模块
• 5.5.3 仿真实验结果分析
• 5.6 小结
• 结论
• 参考文献
• 致谢
• 附录A 攻读硕士学位期间所发表的学术论文目录
• 附录B 攻读硕士期间参与的项目列表