无线传感器网络自适应预测加权数据融合算法

为提高无线传感器网络监测系统的可靠性及寿命,提出了一种基于分簇的自适应的预测加权数据融合(AFWDF)算法.AFWDF算法依据数据在时间上的相关性,建立预测模型.源节点与簇头利用前期监测数据的变化态势自适应调整预测模型参数对后期数据进行预测,源节点通过预测值与测量值比较提取特征值和剔除异常值,簇头根据特征值和预测值还原监测值,并计算监测值可信度和权重进行加权数据融合.通过性能分析及仿真,得出AFWDF可靠性较高,且在模拟环境下网络寿命周期比SAEMDA和BPNDA算法提高了15％左右.     

基于异常数据预处理和自适应估计的WSN数据融合算法

针对无线传感器网络（wireless sensor network,WSN）存在节点能量受限、测量精度低、生存期短等问题,提出一种基于异常数据预处理和自适应估计加权融合算法（abnormal data-preprocessing adaptive estimation weighting fusion,ADAEWF）。为了提高算法可靠性,提出了基于异常数据检测、简单多数原则和节点综合支持度函数的数据预处理机制;为了减小测量误差对融合精度的影响,基于分批估计和自适应理论对节点测量值进行自适应估计加权数据融合;然后,建立了WSN仿真模型,并分别获得了ADAEWF、自适应预测加权数据融合算法（adaptive forecast weighting data fusion,AFWDF）和算术平均值法下融合结果的均方误差和网络有效生存期。仿真结果显示：ADAEWF算法融合精度和网络有效生存期均优于AFWDF和算术平均值法,表明ADAEWF算法在提高融合数据有效性、网络有效生存期和融合精度方面具有优越性。     

基于自适应加权与LZW的WSNs层次式数据融合算法

为了兼顾提高数据采集精度与效率的同时有效降低传感器节点能耗,提出了一种基于自适应加权与LZW的层次式数据融合算法.传感器簇头节点对传感器节点发送的数据进行自适应加权处理,估计出均方误差最小时的值,簇头节点将处理后的数据采用LZW算法以一定的信息量压缩后再进行数据的传输.仿真表明,该层次式融合算法提高了数据采集的精度并有...     

面向分簇的WSN数据融合在瓦斯监控中的应用

为了更好地对矿井瓦斯进行监控, 在迅速提取异常瓦斯数据的同时消除非异常数据带来的冗余, 本文提出了一种基于分簇的WSN(无线传感器网络)数据融合方法. 它利用总能耗最小的方法将所有节点最佳分簇, 每个簇的节点通过竞选簇头概率的大小来确定簇头,非簇头节点通过两次阈值判断采集的数据是否异常并将异常数据发送到监控基站供工作人员决策. 实验仿真表明: 该方法延长了整个传感器网络的生存周期, 对矿井瓦斯起到有效监控.     

基于自适应动态均匀分簇的WSN数据融合算法

针对LEACH算法无法进行数据融合以及簇首分布不均匀引起的局部网络能耗过多、失效过快等问题,提出一种基于自适应动态均匀分簇的数据融合算法ADUC.ADUC算法在簇结构生成阶段引入逻辑区域划分机制和簇首能量优选机制,保证了簇首分布的均匀性和网络的能量均衡性;在数据融合阶段使用自适应加权融合机制来减小冗余和误差,并减少报文数据的数量.仿真结果证明,ADUC算法可以在提高监测数据精度的同时减少网络中43.1％的总体能耗.     

基于DS证据理论和压缩感知的WSN数据融合策略设计

为了降低WSN数据量和延长网络生命周期,设计了一种基于DS证据理论和压缩感知的WSN混合数据融合策略;首先,在分簇协议的基础上引入了基于DS证据理论和压缩感知的混合模型,然后,采用改进的DS对所有簇成员节点的基本信度分配函数进行加权处理,在簇头处采用加权和归一化的信度分配函数计算证据对各命题的支持程度,将支持程度较大的若干命题作为DS融合结果,在此基础上采用压缩感知方法通过构造测量矩阵对融合结果进行稀疏化表示,并在基站处对稀疏信号进行重构;仿真实验表明,文中方法能有效地实现数据融合,且和其他方法相比,具有重构误差较小和网络生命周期较长的优点,具有较大的优越性。     

无线传感器网络簇内分级数据融合算法

根据无线传感器网络(WSN)资源受限的特点,在主成分分析融合方法的基础上提出一种WSN簇内分级数据融合算法。采用自学习加权方法估计各个传感器的测量方差,通过线性无偏最小方差估计法对簇内传感器节点的测量数据进行修正,用主成分分析方法得出各传感器的综合支持度和数据融合的公式。通过应用实例和仿真结果验证该方法的有效性和可靠性。     

基于数据关联性的无线传感器网络簇内数据管理算法

无线传感器网络(Wireless sensor networks, WSNs)节点能量有限, 能量高效的数据管理和延长网络寿命是该领域的技术难题. 在以簇构建的传感器网络中, 利用节点的计算和分析功能, 提出了基于数据关联性的簇内数据管理算法. 簇头利用误差函数和模糊函数分析成员感知数据的关联性, 获取节点感知数据综合支持度, 由此将成员节点划分为冲突节点、补充节点和可靠节点, 对不同类别节点采用不同的调度规则以便降低簇内能耗和尽可能实现簇间节点能耗均衡, 并给出了簇头数据融合的处理方法. 仿真结果表明算法能够实现簇内数据分类管理, 并能有效降低簇内数据收发量和延长网络寿命.     

WS N中利用双重接收器结合自适应加权数据融合的簇首优化聚类算法

针对无线传感器网络(WSN)中很多传统聚类算法在选择簇首时较少考虑簇首间平均距离而导致能耗较大、网络寿命较短的问题,提出一种利用双重接收器结合自适应加权数据融合的WSN簇首优化聚类算法.使用双重接收器(静态接收器和移动接收器),通过移动接收器弥补静态接收器附近聚类快速消亡的问题;利用自适应加权数据融合技术对节点收集的数据进行有效信息提取;根据能量的计时器、冗余能量、节点ID和信任值来选择临时簇首,并结合竞争范围、节点度和簇首数量选择最终的簇首.仿真结果表明,相比较新的EEUC和MRRCE技术,该方法显著降低了连续监测无线传感器网络的能耗,从而提高了网络寿命.     

基于估计机制的分簇传感器网络数据融合算法

提出了一种基于估计机制的分簇传感器网络数据融合算法.在满足数据精确度要求的前提下,只有当数据的当前值与上一次采集值之差超过某一变化阈值时,才将当前采集数据发送到簇头节点,否则不发送.采用节点剩余能量自适应的簇头选择算法来平衡传感器节点的能耗,使得剩余能量越大的节点当选为簇头的概率越大.推导了使网络能耗最小的最优分簇规模...     

基于信任和权重的无线传感器网络数据融合模型

在无线传感器网络中,数据融合的可靠性是一个非常重要的问题并且受到了广泛的关注。为此,提出一种基于信任和权重的无线传感器网络数据融合模型(TWDFM)。在该模型中,传感器节点通过构建信任表选举可靠簇头,簇头根据权重检测异常节点并融合可信数据。仿真实验表明,该模型可以有效提高数据融合的安全性和准确性。     

一种线型结构无线传感器网络的时间同步算法

针对煤矿井下液压支架模糊控制监测系统网络拓扑,提出了一种适用于线型结构无线传感器网络的时间同步算法。该算法同步过程分为簇间同步和簇内同步,簇间同步采用双向同步机制修正时间偏移的方法减少同步误差,簇内同步通过最小平方线性拟合方法构造逻辑时钟函数,从而得到簇内任一节点与簇首节点的频偏和相偏估计值,以提高同步精度。仿真结果表明,该算法能有效减少时间同步误差和能量消耗。     

Data aggregation in wireless sensor network using SVM-based failure detection and loss recovery

Abstract

In wireless sensor network, data aggregation can cause increased transmission overhead, failures, data loss and security-related issues. Earlier works did not concentrate on both fault management and loss recovery issues. In order to overcome these drawbacks, in this paper, a reliable data aggregation scheme is proposed that uses support vector machine (SVM) for performing failure detection and loss recovery. Initially, a group head, selected based on node connectivity, splits the nodes into clusters based on their location information. In each cluster, the cluster member with maximum node connectivity is chosen as the cluster head. When the aggregator receives data from the source, it identifies node failures in the received data by classifying the faulty data using SVM. Furthermore, a reserve node-based fault recovery mechanism is developed to prevent data loss. Through simulations, we show that the proposed technique minimises the transmission overhead and increases reliability.     

一种新颖的传感器网络聚类路由协议

提出了一种能量有效的基于聚类的传感器网络路由协议—EEHCA（an Energy-Efficient Hierarchical Clustering Algorithm for wireless sensor networks）。该协议通过最小化通信能量消耗并在所有节点之间实现能量消耗负载平衡的方式,达到了延长传感器网络生存时间的目的。协议提出了一种新颖的簇首确定机制,该机制可以避免感知区域内的节点进行频繁的簇首选举,从而节约了能量。为提高传感器网络的容错性能,引入了备用簇首的概念。在簇首与基站通信方面,采用多跳传输的方式进行,从而避免了距离基站较远的簇首进行长距离通信时所造成的能量过早耗尽的问题。仿真结果表明提出的协议拥有比LEACH和HEED协议更长的网络生存时间。     

基于分簇的无线传感器网络数据聚合方案研究

数据聚合技术是目前无线传感器网络中的研究热点,同时也是一种重要的节能技术之一。在基于分簇网络拓扑结构的基础上,提出了一种新的数据聚合方案。分别对簇内成员节点和簇头节点进行数据聚合处理,簇内节点引入相对信息熵减少数据量的发送,而簇头节点维持一个反馈比较值,当接收到簇内成员节点发送的数据或得到自身传感器模块的数据时,该值可以用来判断是否转发接收到的数据。通过与LEACH协议的仿真对比实验,结果表明新方案能有效减少网络中的数据包传送数目,降低节点能耗,并显著地延长了网络寿命。     

一种基于支持向量聚类的图像分割方法

利用支持向量聚类分类准确、参数少、无监督学习的特点,提出一种基于支持向量聚类的图像分割方法。该方法首先对数据集分块并对每块进行SVC聚类,再取其簇内均值作为K均值聚类样本点,进行聚类,最后将得到的结果进行合并。实验证明该方法不但改变了传统分割方法中人为选取阈值参数的作法,而且受目标和噪声影响小,提高了图像分割的鲁棒性和效果,能够有效地进行图像分割。     

一种无线传感器网络中自主选择簇头的聚类算法

在无线传感网络中,传感器节点要定期向基站发送收集的数据。为了支持数据汇总,通过高效的网络组织将节点划分成若干簇。在这种类型的系统中,随着簇头的轮转,每个簇中的簇头选择方法是最具有挑战性的问题,有效的簇头选择算法可以提高网络的续航时间,并减少在WSN中的节点之间的通信开销。提出一个簇内民主方式选举算法来选择簇中的节点作为簇头,用MatLab对算法进行仿真,证明该算法的性能可以有效改善网络的性能。     

基于模糊强化学习和果蝇优化的WSN数据聚合算法

在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数据聚合节点,最后利用果蝇优化算法动态定位整个无线传感网络的数据汇聚节点.仿真结果表明,提出的数据聚合方案在能耗和网络鲁棒性方面优于对比方案.     

基于分布式认证的完整性保护数据融合方案

针对无线传感器网络(WSN)数据融合中存在的数据完整性保护问题,在双簇头安全融合（DCSA）方案的基础上,提出一个安全高效的数据融合方案,通过在节点间加入对称密钥,采用分布式验证方法,使节点认证与融合同时进行,在向上融合的过程中立即证实子节点融合数据的完整性。同时,利用红黑簇头的监督特性,能够定位恶意节点,增强抗共谋攻击能力。实验结果表明,所提方案在保证与DCSA相同安全等级的前提下,能够及早检测并丢弃错误数据,提高了完整性检测机制的效率,且具有更低的网络能耗。