基于时延敏感分簇的无线传感器网络数据融合算法研究

发布时间：2020-04-01 10:48

【摘要】：无线传感器网络(Wireless Sensor Networks,WSNs)是通过一定数量汇聚节点与无线传感器节点(Sensor Nodes,SNs)连接的分布式多跳自组织网络(Ad Hoc),具有自组织、快速便捷部署、以数据为中心、强隐蔽性和高容错性等优势。由于SNs通常部署在无人看守的环境中,对其再充能或更换电池具有非常大的难度,因此能耗因素成为制约WSNs发展的重要阻碍之一。数据融合(Data Fusion)技术对来自不同数据源的数据进行不同层次的网内处理,以筛选冗余数据而形成高质量的融合数据,从而降低网络额外能耗,延长网络生命周期,提高工作效率。因此,数据融合技术被认为是解决无线传感器网络能耗危机的有效手段之一。数据融合操作虽然能大幅度降低SNs的能耗,但往往会增加网络的时延,使得网络时延与能耗成为两个相互矛盾的指标。在实际应用中,许多传感器的数据需要实时汇报才能体现价值,如地震监控、目标追踪和火灾报警等,这就需要采用一个既能一定程度上节约网络能耗、延长生命周期,又能保证网络时延的WSNs算法。因此如何构建时延敏感与能量有效的基于数据融合的无线传感器网络模型是非常有前景的研究方向。论文首先综合介绍了目前WSNs中现有数据融合模型的特点。然后根据融合过程中采用的不同算法,将WSNs数据融合技术分为四类:基于统计学的数据融合、基于人工智能的数据融合、基于信息论的数据融合和基于拓扑学的数据融合,同时选取各类算法中近年来国内外代表性文献进行介绍与分析。接着,总结分析了WSNs中数据融合技术现存的难题与挑战,提出WSNs未来研究热点与方向。针对WSNs数据融合算法中网络能耗与时延的折中问题,同时考虑节点能耗优化与负载均衡,提出混合时延敏感分簇的无线传感器网络数据融合算法(Hybrid Delay-aware Clustering,HDC)。首先给出了基于单层簇结构与多层簇结构的HDC网络模型,根据网络节点分布、数据融合率及簇内节点数设计判决函数,使时延与能耗的总体消耗达到最小。其次,为提高网络性能,防止簇头节点过早能耗尽,将网络成簇与重组阶段进行优化,设计能量有效分簇算法与动态簇头重选算法,进一步减少节点间数据传输总能耗,实现节点的能耗负载均衡。最后,使用Matlab7.1对HDC的性能进行验证。仿真充分考虑不同网络规模与不同数据融合率下的网络环境,从网络时延、网络总能耗及网络生命周期三个方面将HDC与另3种WSNs时延敏感模型进行多次比较。仿真结果表明,与传统的WSNs时延敏感模型相比,提出的HDC算法在节约网络能量消耗、降低网络时延、延长节点生命周期方面有明显优势。
【图文】：

模型图,无线传感器网络,模型

第 1 章绪论1.1 研究背景无线传感器网络（WSNs）是由大量无线传感器节点（SNs）连接，以多跳通讯构建的自组织网络（Ad Hoc）[1]。传感器节点定期地收集环境数据并进行处理，然后将数据传输至基站（BS），最终发送给观察者。20 世纪 70 年代，越战时期使用的传感器系统被认为是关于 WSNs 研究的最早期研究雏形。到 80 年代至 90 年代，传感器网络开始大规模进行部署。21 世纪开始至今，，由于 WSNs 所具有的快捷部署、自组织组网、以数据为中心、高可靠性和高隐蔽性等技术优势，使得其非常适用于目前如军事侦察，工业自动化和环境监控等领域[2]。且随着无线技术的发展与需求逐渐增加，WSNs 的应用日益广阔，目前在新兴产业与物联网如医疗护理、智慧交通、智能机器人、智能家居等领域均能看到其重要的应用。图 1.1 给出了无线传感器网络基本体系结构。

数据融合,分布方式,类模型,级别

图 2.1 数据融合级别融合操作的节点的在集中式融合中，数留绝大部分初始的合节点能耗过大。处理后的数据再被网络能耗，但相比收处理后的数据，现较差。的抽象层次进行分的主要特点是保留尽策级融合的特点是理代价高。特征级的相关性进行分类[型数据指按照不同节
【学位授予单位】：中南民族大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP212.9;TN929.5

【参考文献】