无线传感中数据融合的研究

汉口学院学士学位毕业论文论文题目：无线传感网中数据融合的研究学生姓名：鲁方鹏学号： 2008925048专业名称：电子信息工程指导教师姓名：钱箐指导教师职称：二0一二年月日汉口学院学位论文原创性声明本人郑重声明：所呈交的学位论文是本人在导师指导下独立进行研究工作所取得的研究成果。

除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。

本人完全意识到本声明的法律后果由本人承担。

学位论文作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。

本人授权省级优秀学士学位论文评选机构将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

本学位论文属于1、保密□，在_____年解密后适用本授权书。

2、不保密□。

（请在以上相应方框内打“√”）学位论文作者签名：日期：年月日导师职称：导师签名：日期：年月日目录内容摘要：数据融合技术是无线传感器网络的一个关键技术, 能减少传感器节点间的传输量,从而明显提高网络感知效能,延长网络生命周期, 减小时间延迟。

无线传感网数据融合，是对源数据或信息的获取、表示及其内在联系进行综合处理和优化的技术。

传感器只能获得环境或被测对象的部分信息段，而传感网信息经过融合后能够完善地、准确地反映环境的特征。

传感网目标的融合识别是试图将各传感器关于目标的不精确，不完全的信息进行融合，产生较单一传感器更精确，更完全的属性估计和判决。

数据融合技术已经广泛应用于信息电子学、计算机科学、自动化等领域。

关键词：无线传感网；数据融合；卡尔曼滤波Abstract：Data fusion is a very important technique usedto reduce the communication overhead andenergy ex-penditure of sensor nodesduring theprocess of data collectionina wireless sensor networks (WSN) .Sensor data fusion, and is the source of more than data or information acquisition, and the inner link says comprehensive treatment and optimization of the technology. A single sensor can only get the environment or be part of the tested object information section, and the multi-sensor information fusion can improve after, accurately reflect the characteristics of the environment. Many of the sensor goal is to try to fusion recognition of each sensor on the imprecision of the target, incomplete information fusion, generates a single sensor is more precise and more complete attribute estimation and judgment. Data fusion technology has been used widely in the information and electronics, computer science, automation, etc.Key words：wireless sensor networks；Data Fusion；Kalman filter摘要 (4)关键词 (4)1 无线传感网数据融合基本原理 (5)2 无线传感网数据融合的几种方法 (5)2.1基于卡尔曼滤波(KF)的数据融合 (5)2.2基于预测的时域数据融合 (7)2.3 消除时空相关性的数据融合 (7)2.4 基于生成树的数据融合 (8)2.5 基于分布式压缩的数据融合 (9)3 无线传感网数据融合技术的应用 (12)4 无线传感网数据融合技术的不足 (13)5 无线传感网数据融合技术的展望 (13)6 结束语 (14)参考文献 (14)致谢 (16)无线传感网的数据融合的研究摘要：数据融合技术是无线传感器网络的一个关键技术, 能减少传感器节点间的传输量,从而明显提高网络感知效能,延长网络生命周期, 减小时间延迟。

无线传感网数据融合，是对源数据或信息的获取、表示及其内在联系进行综合处理和优化的技术。

传感器只能获得环境或被测对象的部分信息段，而传感网信息经过融合后能够完善地、准确地反映环境的特征。

传感网目标的融合识别是试图将各传感器关于目标的不精确，不完全的数据进行融合，产生较单一传感器更精确，更完全的属性估计和判决。

数据融合技术已经广泛应用于信息电子学、计算机科学、自动化等领域。

由于大多数无线传感器网络应用都是由大量传感器节点构成的，共同完成数据收集、目标监视和环境感知的任务。

因此，在信息采集的过程中，采用各个节点单独传输数据到汇聚节点的方法显然是不合适的。

因为网络存在大量冗余信息，这样会浪费大量的通信带宽和宝贵的能量资源。

此外，还会降低信息的收集效率，影响信息采集的及时性。

为避免上述问题，人们采用了一种称为数据融合的技术。

所谓数据融合是指将多份数据或信息进行处理，组合出更高效、更符合用户需求的数据的过程。

在大多多数无线传感器网络应用当中，许多时候只关心监测结果，并不需要收到大量原始数据，数据融合是处理该类问题的有效手段。

关键词：传感器；数据融合；卡尔曼滤波1 无线传感网信息融合基本原理数据融合中心对来自多个传感器的数据进行融合，也可以将来自多个传感器的信息和人机界面的观测事实进行数据融合(这种融合通常是决策级融合)．提取征兆信息，在推理机作用下．将征兆与知识库中的知识匹配，做出故障诊断决策，提供给用户。

多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。

信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。

它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。

2 无线传感网数据融合的几种方法2.1 基于卡尔曼滤波(KF)的数据融合该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。

如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，则 KF 为融合数据提供惟一的统计意义下的最优估计，它的递推特性使系统数据处理不需大量的存储和计算。

KF 分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波(EKF)。

DKF 可实现多传感器数据融合完全分散化，其优点是，单个传感器节点失效不会导致整个系统失效。

而 EKF 的优点是，可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。

卡尔曼滤波器算法：在这一部分，我们就来描述源于Dr Kalman 的卡尔曼滤波器。

下面的描述，会涉及一些基本的概念知识，包括概率（Probability），随机变量（Random Variable），高斯或正态分配（Gaussian Distribution）还有State-space Model 等等。

但对于卡尔曼滤波器的详细证明，这里不能一一描述。

首先，我们先要引入一个离散控制过程的系统。

该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：X(k)=A X(k-1)+B U(k)+W(k)再加上系统的测量值：Z(k)=H X(k)+V(k)上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。

A 和B是系统参数，对于多模型系统，他们为矩阵。

Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。

W(k)和V(k)分别表示过程和测量的噪声。

他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。

对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。

下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。

首先我们要利用系统的过程模型，来预测下一状态的系统。

假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：X(k|k-1)=A X(k-1|k-1)+B U(k) (1)式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。

到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。

我们用P表示covariance：P(k|k-1)=A P(k-1|k-1) A’+Q (2)式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。

式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。

现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。

结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3)其中Kg为卡尔曼增益(Kalman Gain)：Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。

但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：P(k|k)=（I-Kg(k) H）P(k|k-1) (5)其中I 为1的矩阵，对于单模型单测量，I=1。