论文导读:：无线传感器网络（WirelessSensorNetworks。提出了无线传感器网络在森林防火中数据融合的应用。数据融合技术就是从解决这个问题出发的。
关键词：无线传感器网络，森林防火，贝叶斯方法，数据融合
1 引言
无线传感器网络（Wireless SensorNetworks， WSN）就是由部署在监测区域内大量的具有特定功能的传感器节点（sensor node）通过自组织的无线通信方式，形成一个多跳的网络系统，从而相互传递信息，协同合作来完成特定任务。无线传感器网络具有十分广阔的应用前景，在军事国防、工农业、城市管理、生物医疗、环境监测、抢险救灾、反恐、危险区域远程控制等许多重要领域都有重要的实用价值，已经引起了许多国家学术界和工业界的高度重视，被认为是对21世纪产生巨大影响力的技术之一[1]。
传感器节点体积微小，通常携带能量十分有限的电池。由于传感器节点个数多、成本要求低廉、分布区域广，而且部署区域环境复杂，有些区域甚至人员不能到达，所以传感器节点通过更换电池的方式来补充能源是不现实的。如何高效使用能量来最大化网络生命周期是传感器网络面临的首要挑战。
鉴于单个传感器节点的监测范围和可靠性是有限的，在部署网络时，需要使传感器节点达到一定的密度以增强整个网络的鲁棒性和监测信息的准确性森林防火，有时甚至需要使多个节点的监测范围互相交叠。这种监测区域的相互重叠导致邻近节点报告的信息存在一定程度的冗余。
2 随着集成电路工艺的进步，处理器和传感器模块的功耗变得很低，绝大部分能量消耗在无线通信模块上。传感器节点传输信息时要比执行计算时更消耗电能，1比特信息传输100m距离需要的能量大约相当于执行3000条指令消耗的能量[2]，数据融合技术就是从解决这个问题出发的。无线传感器网络的生命期作为检验全网性能的主要指标，本文主要介绍了利用数据融合技术来减少网络通信量，对节点进行高效管理，提高能量有效性，从而达到延长网络生命期的目的。无线传感器网络的数据融合
在无线传感器网络中，数据融合起着非常重要的作用，主要表现在节省整个网络的能量、增强所收集数据的准确性以及提高数据收集的效率等三个方面会计毕业论文范文。由于节点采用电池供电，所以节省能量、延长网络的生命期是一个非常重要的问题。考虑到无线传感器网络采用以数据为中心的方法进行回传，节点的通信代价比较高，单个传感器节点探测到的数据对sink节点（汇聚节点）用处不大，最终用户也不关心数据是由哪个具体的传感器节点采集的，而且一般情况下被测区域内部或者附近部署了大量的节点采集，它们对同一事件采集到的数据是相近或者是相同的，因此需要进行数据融合（data aggregation）。图1给出了无线传感器网络体系结构[3]。
图1 无线传感器网络体系结构
无线传感器网络中的数据融合是指，利用传感器节点的处理能力，先对采集到的或者接收到的其它传感器节点发送的多个数据信息进行处理，消除冗余信息，然后再传输处理后的信息，消除冗余信息，然后再传输处理后的数据，如图2所示[4]。
图2 传感器节点数据融合示意图
2.1 与传统多传感器数据融合的比较
无线传感器网络中的数据融合与传统多传感器信息处理技术中的数据融合概念是有所区别的。
传统的多传感器数据融合是一个多级、多层面的数据处理过程，主要完成来自多个信息源的数据进行自动检测、关联、相关、估计及组合等处理[5]。
而无线传感器网络中的数据融合是指中间节点对采集或者接收到的多个数据进行合并，具体处理有：几个数据任选一个，计算数据的平均值、最大值或最小值，这样就将多个数据合并为一个数据森林防火，目的主要是有效减少网络中传输的数据量。具体来说包括：
（1）稳健性和自适应性。从提高数据采
集率出发，数据融合在监控区域内部进行，由于部分节点会在恶劣环境因素或自身能量耗尽而造成失效，因此数据传输的稳健性和自适应性是无线传感器网络中数据融合实现的前提。
（2）数据的相关性。在无线传感器网络
中，由于大量节点之间的通信可能会引起相互干扰，且传感器所采集的数据存在不精确因素，因此它更注重解决数据的相关性问题。
（3）节点能量的有限性。由于大量传感
器节点的能量依靠有限的电源能量（例如普通的两节5号电池）进行供电，且节点发送和接收数据所消耗的能量要远大于节点内部计算及存储信息所消耗的能量，因此数据融合应该考虑节点的能耗与网络能量的均衡，需要选择合适的节点进行数据融合。
2.2 无线传感器网络中数据融合的原
理与方法
无线传感器网络的数据融合的原理就是根据具体的环境充分利用节点内嵌入的传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把不同节点的传感器在空间或时间上的冗余或互补信息依据某种准则来进行组合，其目的是提高数据收集效率，减少网络通信量，提高能源的有效利用性，最终延长全网的生命期。
目前用到的数据融合的方法很多，主要有：加权平均法，是最简单、最直观的数据融合的方法；卡尔曼滤波法，主要用于融合低层的实时动态多传感器冗余数据；统计决策理论法，不同传感器观测到的数据必须经过一个鲁棒性综合测试，以检验数据的一致性，经过一致性检验的数据用鲁棒极值决策规则融合；Dempster-Shafer证据推理法，用以处理由未知因素而引起的不确定性；模糊逻辑法，将每个命题及推理算子赋予0到1之间的实数值，来数据融合过程中的可信度，通过合并运算实现数据融合；另外，还有产生规则法、神经网络法等等。
本文将依据贝叶斯法，提出了无线传感器网络在森林防火中数据融合的应用。
3 背景及问题分析应用
在森林防火管理中，普遍采用在防火期间派出防火人员到林区巡逻、瞭望塔人工观测以及“3S”技术（地理信息系统(GIS)、遥感(RS)和全球定位系统(GPS)）得到了广泛应用。人工巡检、瞭望塔方式虽然简单易行森林防火，但其弊端是需要投入很多财力、物力、劳力，存在防火人员主观麻痹大意、擅离岗位、无法实时监测、覆盖范围有限等诸多的不利因素[6]。
相比之下，无线传感器网络采集到的数据更为准确、直接地反映监控现场的各种环境因素变化情况，而且时效性更好，能够很好地弥补“3S”防火技术的不足。无线传感器网络在无人值守的环境监测、灾害扑救等特殊领域，具有传统技术无可比拟的优势。无线传感器网络技术在森林火险实时监测领域有着广阔应用前景，这已经引起了国内外许多研究者的高度重视。
在气象条件中，空气湿度是火险天气中的关键因素，当空气湿度小于60%时，就有发生森林火灾的可能[7]。本文接下来，将利用贝叶斯估计法在湿度传感器中的应用模型会计毕业论文范文。
3.1 贝叶斯法在湿度传感器模型中的
应用
我们假设，整个森林的监控区域是一个二维的空间，由于传感器节点的能量有限，这样可以变相的认为传感器节点是运动着的节点，我们用向量 来描述[8]，其中 是目标传感器节点在二维空间中的坐标， 是笛卡尔坐标系中目标节点沿 轴方向和 轴方向的分速度。
设第 个传感器节点返回的测量湿度数据 ，那么有如下的关系是成立：
 （1）
其中 是目标状态 及参数 的函数。模型的建立可以根据物理学定律或者是经验观察[9]。但是函数无法彻底解释测量值，这是因为在在任何方法中都无法考虑到所有影响系统的因素，因此这里我们建立一个更为完善的数学模型：
1/2 1 2 下一页 尾页 |
