[發(fā)明專利]無線傳感器網(wǎng)絡分布式融合識別方法

有效

• 申請?zhí)枺?/td>: 200810060058.X
• 申請日: 2008-03-05
• 公開（公告）號: CN101282243A
• 公開（公告）日: 2008-10-08
• 發(fā)明（設計）人: 曹紅兵;劉海濤;魏建明;潘強;梁志強
• 申請（專利權）人: 中科院嘉興中心微系統(tǒng)所分中心
• 主分類號: H04L12/26
• 分類號: H04L12/26;H04L29/08;H04L12/28;H04B17/00
• 代理公司: 杭州求是專利事務所有限公司
• 代理人: 沈志良

技術領域：

本發(fā)明涉及一種無線傳感器網(wǎng)絡的信息處理方法，特別涉及一種無線傳感器網(wǎng)絡分布式融合識別方法。

背景技術：

無線傳感器網(wǎng)絡因其在軍事國防、工農(nóng)業(yè)、城市管理、生物醫(yī)療、環(huán)境監(jiān)測、搶險救災、防恐反恐等方面展現(xiàn)的廣闊應用前景引起了世界學術界和工業(yè)界的高度重視并引發(fā)了無線傳感器網(wǎng)絡研究的熱潮。無線傳感器網(wǎng)絡是由大規(guī)模隨機布設的無線傳感器節(jié)點或簇點等組成的以感知現(xiàn)實物理空間為目的的網(wǎng)絡。然而，由于物理空間信號及其狀態(tài)的不確定性和動態(tài)多變特點，如何協(xié)同多個傳感器節(jié)點并從它們采集到的不確定的、不完整的、局部殘缺甚至錯誤的信號中獲得正確的有關物理世界信息是智能信息處理的重要課題。而同時，無線傳感器網(wǎng)絡本身也面臨重大挑戰(zhàn)，由于無線傳感器網(wǎng)絡中的網(wǎng)絡節(jié)點的能量、節(jié)點的通信距離、節(jié)點的計算能力和節(jié)點的存儲容量都受到高度限制，這使得基于分布式處理的信息融合技術成為當前無線傳感器網(wǎng)絡研究的重要內(nèi)容。通過分布式計算，將計算任務分散到各個節(jié)點，再通過決策融合，減少節(jié)點之間的通信量。

無線傳感器網(wǎng)絡中的目標識別具有如下特點：

1.無線傳感器網(wǎng)絡的應用環(huán)境往往是復雜多變的，使得傳感器感知到的信息具有不確定性，因而需要有環(huán)境分析模塊，對環(huán)境傳感器感知到信息進行推理分析，為傳感器可靠性分析提供信息。

2.無線傳感器網(wǎng)絡中的監(jiān)測目標往往是動態(tài)的，其產(chǎn)生的信息在時空域也是動態(tài)變化的，為了獲得關于目標的足夠信息，需要多個不同空間分布的多個節(jié)點協(xié)作完成，由于無線傳感器網(wǎng)絡的特點，基于分布式處理的融合方法是較好的解決方案。同時，由于目標的有效信息在時空域動態(tài)變化，選擇那些感知信息最豐富、資源消耗最少的節(jié)點參加融合處理可以有效降低資源消耗，增強融合性能。

3.無線傳感器網(wǎng)絡中的節(jié)點往往是異構的，它們在處理能力、通信帶寬、通信距離、通信損耗、傳感器的感知模態(tài)、感知范圍、感知信息的準確性、可靠性、實時性、節(jié)點的移動性等方面都不同，這使得不同節(jié)點得到的估計結果的可信度存在差異，因此需要估計各個節(jié)點信息的可信度，為后續(xù)的融合處理提供權重系數(shù)。

4.由于網(wǎng)絡應用環(huán)境的復雜多變、目標特性動態(tài)變化、網(wǎng)絡拓撲動態(tài)變化以及節(jié)點選擇策略的在線自適應特性，使得參加融合的節(jié)點數(shù)目動態(tài)變化，這需要融合算法對參加融合的信源數(shù)目具有兼容特性。

當前無線傳感器網(wǎng)絡中的目標識別豐富多是繼承基于集成化計算的融合算法而來，已經(jīng)提出Bayes方法、聚類分析、最近鄰方法、DS證據(jù)推理、模糊推理、粗集理論、神經(jīng)網(wǎng)絡等多種方法，但很少全面考慮無線傳感器網(wǎng)絡中目標識別的以上特點。如何針對這些特點，發(fā)明合適的目標識別方法是無線傳感器網(wǎng)絡研究的一個重要課題。

發(fā)明內(nèi)容：

本發(fā)明的目的在于提供一種無線傳感器網(wǎng)絡分布式融合識別方法，在穩(wěn)定可靠地實現(xiàn)目標識別的同時，盡量降低網(wǎng)絡的資源消耗。

為了達到上述目的，本發(fā)明提供的無線傳感器網(wǎng)絡分布式融合識別方法，包括以下步驟：1)各個被目標激活的無線傳感器網(wǎng)絡節(jié)點根據(jù)歷史正確識別概率、信噪比估計結果、目標距離估計結果、環(huán)境分析結果等進行傳感器可靠性分析，計算可靠性系數(shù)并關閉那些存在傳感器故障的節(jié)點；2)正常工作的節(jié)點通過信號預處理、特征提取與分析，基于層次化結構，采用模糊推理的方法進行多類目標的基本概率分配函數(shù)的估計，通過聚類以及最速下降方法在訓練過程中確定模型參數(shù)；3)正常工作節(jié)點通過對當前時刻的結果和歷史結果進行融合實現(xiàn)結果更新，同時消除因傳感器的采樣率、結果產(chǎn)生速率的不同引起的結果不同步；4)對于裝備多種類型傳感器的節(jié)點還要進行模態(tài)融合，綜合利用不同屬性的信息，增強估計效果，同時將不同模態(tài)產(chǎn)生的結果統(tǒng)一到相同的框架內(nèi)；5)對估計結果進行不確定性分析，利用模糊熵來估計結果的不確定性，評估結果對后續(xù)融合處理的支持程度，同時綜合考慮最大通信距離、剩余能量、節(jié)點到融合中心的連接狀態(tài)、傳輸需要的跳數(shù)等，進行節(jié)點選擇；6)選中的節(jié)點發(fā)送各自的基本概率分配函數(shù)和可靠性系數(shù)到融合中心，融合中心進行結果不確定性分析和一致性分析，綜合可靠性參數(shù)，估計各上傳結果的置信度，利用改進的證據(jù)理論進行融合判決。

較佳的，所建立的傳感器可靠性估計模型為：