 （2）
其中， 是第 个传感器的第 个测量湿度值的误差项。那么式（2）中的 就是我们这里要考虑的传感器所采集到的湿度数据。
这里我们假设森林某处的湿度小于60%这一事件为 ，当发生的情况下，森林火灾 发生的概率：
 （3）
这里假定为正的概率值， 表示当湿度小于60%时发生森林火灾的概率。当发生的概率为零时，我们不定义此时的条件概率，式（3）可改写为：
 （4）
我们假设无线传感器网络区域中传感器节点所采集的湿度数据所对应的湿度指数分别为 作为整个森林监控区域内湿度指数的样本空间，那么森林火灾事件可以表示为：
 （5）
由于传感器节点在森林中所处的环境各不相同，一处湿度指数低并不能代表整个监控区域内的湿度指数都低，因此我们可以假设 是互斥的森林防火，将各个对应的时间概率求和，得到：
 （6）
在式（4）中用 代替，并对所有的求和，再代入式（6）中就有：
 （7）
这样我们就会得到受监控的森林监控区域中火灾发生的概率，监控中心会根据获得的结果做出相应的决策。文章接下来将会给出贝叶斯法的数据融合过程。
3.2 贝叶斯法的数据融合框图
 图3 贝叶斯数据融合框图
节点1到节点n采集的湿度数据为 ，各节点发生火灾的概率分别为 ，通过sink节点中的贝叶斯融合公式我们就可以比较直观地获得所监测的区域内森林火灾发生的指标，从而给出相应的决策。
4结束语
数据融合是无线传感器网络的一个关键技术，对于其中数据融合情况由于针对不同的特性和不同的分类方法存在着很大的差异，因此无线传感器网络中的数据融合的处理方式也不尽相同，没有一个统一的处理模式。本文提出了一种基于森林防火和贝叶斯方法相结合在无线传感器网络数据融合中的一种应用。仿真实验表明，这种数据融合的框架可以按照无线传感器网络中多传感器采集的数据进行动态灵活的调整，显示了很强的适用性，可以作为一种处理模式。
但是在无线传感器网络中进行数据融合，将面临如下的一些挑战：
（1）传感器节点的不可靠性；
（2）传感器节点收到能量和通信带宽的限
制；
（3）单个节点收到能量和存储空间的限
制，很难维护全局的网络信息；
（4）连续数据流的处理，是比会引起相邻
轮次的数据采集具有一定的相关性，需要利用历史信息减少不必要的数据回传；
（5）大量传感器节点进行数据传输，需要
考虑协议的可扩展性。
参考文献:
[1]孙利民，李建中，陈渝等．《无线传感器网络》[M]．北京：清华大学出版社，2005.5
[2]ROBERT S, ANDRAS F. Energy implication ofnetwork sensor designs [EB/OL]. [2008-04-01]. http://www.cs.berkeley.edu/~zewczyk/cs252/paper.pdf
[3]赵凌，王东，刘全利．《无线传感器网络路由协议的研究》[J]．大众科技，2008，（1）：31～33
[4]何友，王国宏，陆大金，等．《多传感器信息融合及应用》[M]．北京：电子工业出版社，2000
[5]Lawrence A. Klein 著，戴亚平，刘征，郁光辉译．《多传感器数据融合理论及应用（第二版） 》[M]．北京：北京理工大学出版社，2004.2
[6]张军国，李文彬，韩宁，阚江明．基于ZigBee无线传感器网络的森林火灾监测系统的研究[J]．北京林业大学学报，2007，29（4）：41～45
[7]陆志平，秦会斌，王春芳．无线传感器网络在森林火灾监测中的应用[J]．杭州电子科技大学学报.2006，26（5）：48～51
[8]Lesser V，Ortiz CL，Tambe M．Distributed SensorNetworks：A Multiagent Perspective [M]．Kluwer Academic Publishers，2003
[9]Kokar M M，BedworthM D and Frankel K B．A Reference Model for Data Fusion System[J]．In Sensor Fusion：Architectures，Algorithms and Applications IV，2000：191～202
2/2 首页 上一页 1 2 |
