在线免费观看成年人视频-在线免费观看国产-在线免费观看国产精品-在线免费观看黄网站-在线免费观看精品

　　引 言

　　如今無線傳感器網絡已經成為一種極具潛力的測量工具。它是一個由微型、廉價、能量受限的傳感器節點所組成，通過無線方式進行通信的多跳網絡，其目的是對所覆蓋區域內的信息進行采集、處理和傳遞。然而，傳感器節點體積小，依靠電池供電，且更換電池不便，如何高效使用能量，提高節點生命周期，是傳感器網絡面臨的首要問題。這里討論傳感器網絡的數據傳輸，并列舉了幾種通過網絡內部的數據壓縮機制(數據在網絡內部通過鏈路傳輸時，進行匯聚和壓縮)來減少數據傳輸量的節能算法。

　　1 傳統的無線傳感器網絡數據傳輸

　　1．1 直接傳輸模型

　　直接傳輸模型是指傳感器節點將采集到的數據通過較大的功率直接一跳傳輸到Sink節點上，進行集中式處理，如圖1所示。這種方法的缺點在于：距離Sink節點較遠的傳感器節點需要很大的發送功率才可以達到與sink節點通信的目的，而傳感器節點的通信距離有限，因此距離Sink較遠的節點往往無法與Sink節點進行可靠的通信，這是不能被接受的。且在較大通信距離上的節點需耗費很大的能量才能完成與Sink節點的通信，容易造成有關節點的能量很快耗盡，這樣的傳感器網絡在實際中難以得到應用。

　　1．2 多跳傳輸模型

　　這種方式類似于AD-Hoc網絡模型，如圖2所示。每個節點自身不對數據進行任何處理，而是調整發送功率，以較小功率經過多跳將測量數據傳輸到Sink節點中再進行集中處理。多跳傳輸模型很好地改善了直接傳輸的缺陷，使得能量得到了較有效的利用，這是傳感器網絡得到廣泛利用的前提。

　　該方法的缺點在于：當網絡規模較大時，會出現熱點問題，即位于兩條或多條路徑交叉處的節點，以及距離Sink節點一跳的節點(將它稱之為瓶頸節點)，如圖2中N1，N2，N3，N4，它們除了自身的傳輸之外，還要在多跳傳遞中充當中介。在這種情況下，這些節點的能量將會很快耗盡。對于以節能為前提的傳感器網絡而言，這顯然不是一種很有效的方式。

　　2 無線傳感器網絡數據融合技術

　　在大規模的無線傳感器網絡中，由于每個傳感器的監測范圍以及可靠性都是有限的，在放置傳感器節點時，有時要使傳感器節點的監測范圍互相交疊，以增強整個網絡所采集的信息的魯棒性和準確性。那么，在無線傳感器網絡中的感測數據就會具有一定的空間相關性，即距離相近的節點所傳輸的數據具有一定的冗余度。在傳統的數據傳輸模式下，每個節點都將傳輸全部的感測信息，這其中就包含了大量的冗余信息，即有相當一部分的能量用于不必要的數據傳輸。而傳感器網絡中傳輸數據的能耗遠大于處理數據的能耗。因此，在大規模無線傳感器網絡中，使各個節點多跳傳輸感測數據到Sink節點前，先對數據進行融合處理是非常有必要的，數據融合技術應運而生。

　　2．1 集中式數據融合算法

　　2．1．1 分簇模型的LEACH算法

　　為了改善熱點問題，Wendi Rabiner Heinzelman等提出了在無線傳感器網絡中使用分簇概念，其將網絡分為不同層次的LEACH算法：通過某種方式周期性隨機選舉簇頭，簇頭在無線信道中廣播信息，其余節點檢測信號并選擇信號最強的簇頭加入，從而形成不同的簇。簇頭之間的連接構成上層骨干網，所有簇間通信都通過骨干網進行轉發。簇內成員將數據傳輸給簇頭節點，簇頭節點再向上一級簇頭傳輸，直至Sink節點。圖3所示為兩層分簇結構。這種方式降低了節點發送功率，減少了不必要的鏈路，減少節點間干擾，達到保持網絡內部能量消耗的均衡，延長網絡壽命的目的。該算法的缺點在于：分簇的實現以及簇頭的選擇都需要相當一部分的開銷，且簇內成員過多地依賴簇頭進行數據傳輸與處理，使得簇頭的能量消耗很快。為避免簇頭能量耗盡，需頻繁選擇簇頭。同時，簇頭與簇內成員為點對多點的一跳通信，可擴展性差，不適用于大規模網絡。

　　2．1．2 PEGASIS算法

　　Stephanie Lindsey等人在LEACH的基礎上，提出了PEGASIS算法。此算法假定網絡中的每個節點都是同構的且靜止不動，節點通過通信來獲得與其他節點之間的位置關系。每個節點通過貪婪算法找到與其最近的鄰居并連接，從而整個網絡形成一個鏈，同時設定一個距離Sink最近的節點為鏈頭節點，它與Sink進行一跳通信。數據總是在某個節點與其鄰居之間傳輸，節點通過多跳方式輪流傳輸數據到Sink處。如圖4所示。

　　該算法缺點也很明顯，首先每個節點必須知道網絡中其他各節點的位置信息。其次，鏈頭節點為瓶頸節點，它的存在至關重要，若它的能量耗盡則有關路由將會失效。再次，較長的鏈會造成較大的傳輸時延。

　　2．2 分布式數據融合算法

　　可以將一個規則傳感器網絡拓撲圖等效于一幅圖像，獲得一種將小波變換應用到無線傳感器網絡中的分布式數據融合技術。這方面的研究已取得了一些階段性成果，下面就對其進行介紹。

　　2．2．1 規則網絡情況

　　Servetto首先研究了小波變換的分布式實現，并將其用于解決無線傳感器網絡中的廣播問題。南加州大學的A．Ciancio進一步研究了無線傳感器網絡中的分布式數據融合算法，引入lifting變換，提出一種基于lifting的規則網絡中分布式小波變換數據融合算法(DWT_RE)，并將其應用于規則網絡中。如圖5所示，網絡中節點規則分布，每個節點只與其相鄰的左右兩個鄰居進行通信，對數據進行去相關計算。

　　DWT_RE算法的實現分為兩步，第一步，奇數節點接收到來自它們偶數鄰居節點的感測數據，并經過計算得出細節小波系數；第二步，奇數節點把這些系數送至它們的偶數鄰居節點以及Sink節點中，偶數鄰居節點利用這些信息計算出近似小波系數，也將這些系數送至Sink節點中。

　　小波變換在規則分布網絡中的應用是數據融合算法的重要突破，但是實際應用中節點分布是不規則的，因此需要找到一種算法解決不規則網絡的數據融合問題。

　　2．2．2 不規則網絡情況

　　萊斯大學的R Wagner在其博士論文中首次提出了一種不規則網絡環境下的分布式小波變換方案即Distributed Wavelet Transform_IRR(DWT_IRR)，并將其擴展到三維情況。萊斯大學的COMPASS項目組已經對此算法進行了檢驗，下面對其進行介紹。DWT_IRR算法是建立在lifting算法的基礎上，它的具體思想如圖6～圖8所示，分成三步：分裂，預測和更新。

　　首先根據節點之間的不同距離(數據相關性不同)按一定算法將節點分為偶數集合Ej和奇數集合Oj。以Oj中的數據進行預測，根據Oj節點與其相鄰的Ej節點進行通信后，用Ej節點信息預測出Oj節點信息，將該信息與原來Oj中的信息相減，從而得到細節分量dj。然后，Oi發送dj至參與預測的Ej中，Ej節點將原來信息與dj相加，從而得到近似分量sj，該分量將參與下一輪的迭代。以此類推，直到j=0為止。

　　該算法依靠節點與一定范圍內的鄰居進行通信。經過多次迭代后，節點之間的距離進一步擴大，小波也由精細尺度變換到了粗糙尺度，近似信息被集中在了少數節點中，細節信息被集中在了多數節點中，從而實現了網絡數據的稀疏變換。通過對小波系數進行篩選，將所需信息進行lifting逆變換，可以應用于有損壓縮處理。它的優點是：充分利用感測數據的相關性，進行有效的壓縮變換；分布式計算，無中心節點，避免熱點問題；將原來網絡中瓶頸節點以及簇頭節點的能量平均到整個網絡中，充分起到了節能作用，延長了整個網絡的壽命。

　　然而，該算法也有其自身的一些設計缺陷：首先，節點必須知道全網位置信息；其次，雖然最終與Sink節點的通信數據量是減少了，但是有很多額外開銷用于了鄰居節點之間的局部信號處理上，即很多能量消耗在了局部通信上。對于越密集、相關性越強的網絡，該算法的效果越好。

　　在此基礎上，南加州大學的Godwin Shen考慮到DWT_IRR算法中沒有討論的關于計算反向鏈路所需的開銷，從而對該算法進行了優化。由于反向鏈路加重了不必要的通信開銷，Godwin Shen提出預先為整個網絡建立一棵最優路由樹，使節點記錄通信路由，從而消除反向鏈路開銷。

　　3 總 結

　　基于應用領域的不同，以上算法各有其優缺點，如表1所示。

　　4 結 語

　　這里介紹了幾類常用的無線傳感器網絡數據融合算法，并比較了其優缺點。數據融合是實現無線傳感器節點節能目的的重要手段之一，目前的各種研究技術都還未成熟，新技術正不斷涌現。例如當傳感器節點具有移動能力時，網絡拓撲如何保持實時更新；當環境惡劣時，如何保障通信的安全；如何進一步降低能耗；以及如何更好地借助數據稀疏性理論（如Compressd Sening）在圖像處理中的應用，而將其引入到傳感器網絡數據壓縮中改善融合效果，以上都是待解決的問題。未來還會有更多、更好、更合面的算法被不斷提出。