WSN数据融合的自适应一致滤波算法的研究

【摘 要】为了解决无线传感器网络的能量有限，增强收集信息的准确性以及提高收集信息的效率等问题，提出了基于一致滤波器的估计融合算法。该算法能够利用多个传感器的测量信息，降低信息冗余度，提高整个无线传感器网络参数估计的鲁棒性和精确性。并通过最大加权方法进行仿真，比较各个参数对于算法的影响，从而进一步提高了参数估计的精确性。

【关键词】无线传感器网络；数据融合；一致滤波算法

Consistent Adaptive Filtering Algorithm of WSN Data Fusion Research

YUAN Chun-yan

（Xingzhi College of Xi’an University of Finance and Economics， Xi’an Shanxi 710038， China）

【Abstract】In order to use multiple sensor measurement information， reducing information redundancy， improve the parameter estimation of wireless sensor network， robustness and accuracy of the filter is proposed based on consistent estimation fusion algorithm. Thus solved the wireless sensor network energy limited， enhance the accuracy of the information collected and improve the efficiency of information collection and so on. Through simulation compared the influence of various parameters on algorithm. To further improve the accuracy of the parameter estimation.

【Key words】Wireless sensor network； Data fusion； Consensus filtering algorithm

0 引言

WSN（wireless sensor network）就是无线传感器网络[1]，它集低成本、低功耗、多功能等特点和无线通信、数据采集、信息处理、协同合作等功能于一体。能够实时监测、感知和采集网络分布区域内的各种监测对象或环境的信息，并对这些信息进行处理，最后传递给需要的用户。由于它的各种优点，引起了国内外的军事领域、工业界和学术界的极大关注，发展前景非常乐观。

但是，监测区域内传感器网络节点的电池能量、处理能力、存储容量以及通信带宽等资源都十分有限，而且用户也不需要所有传感器节点的信息，所以，就不需要将所有传感器节点的信息传递给汇聚节点或用户。于是就出现了数据融合技术，他将监测区域内的传感器节点的信息进行综合处理后，再传送给用户。这样既节省能量，又提高了收集信息的准确性和高效性。

本文是基于WSN数据融合的自适应一致滤波算法的研究，通过设计一致滤波器，对监测区域内的参数信息进行融合处理，大大降低了数据的冗余性，提高了网络的鲁棒性和精确性。

1 WSN数据融合技术

1.1 数据融合的作用

由于传感器网络节点在电池能量、处理能力、存储容量以及通信带宽等几个方面的资源十分有限。所以，将各个节点收集的信息单独传送到汇聚节点的方法是不合适的，主要表现在浪费通信带宽和能量及降低信息收集效率两个方面。

为解决上述问题，传感器网络在收集数据的过程中可以采用数据融合（data aggregation 或data fusion）技术[2]。数据融合是将多份数据或信息进行处理，组合出更有效、更符合用户需求的数据的过程。而且经过数据融合处理后，可以提高信息的精度。传统的传感器应用并不需要收到大量原始数据，而是只关心监测结果，因此数据融合也是实现此目的的重要方法。

作为传感器网络的关键技术之一，数据融合在传感器网络中起着十分重要的作用，主要表现在增强所收集数据的准确性、节省整个网络的能量以及提高收集数据的效率三个方面。

1.2 WSN数据融合的特点

将多份数据或信息进行处理，组合出更有效、更符合用户需求的数据的过程就是数据融合。单独依赖一种感官获得的信息不足以对事物做出准确判断，而综合多种感官数据，对事物的描述会更准确。与传统多传感器相比，WSN数据融合技术具有稳定性、数据关联、能量约束等特点。数据融合[3]是一个多级别、多方面、多层次的数据处理过程，经过对多个信息源的数据进行综合处理、估计以达到精确地状态估计和身份估计，并及时完成态势估计和威胁估计。

2 一致滤波算法

一致滤波器：

一致滤波器具有分布式的结构，它的输入是节点的初始状态，该算法定义了邻居节点之间的相互作用以及融合方法，最后输出融和后的节点状态。由于一致滤波器的作用，所以所有的节点最终的状态都趋近于一致。即就是，所有节点的状态收敛于任意小的半径的球域内[6]。假设i节点的初始状态为xi（0），则经过一致滤波器的k次迭代后，输出信息xi（k）可以表示为：

xi（k）=wiixi（k-1）+∑■wij xj（k-1）i∈v（1）

wii+∑■wij =1（2）

其中，wil？叟0（l∈Ji），称为一致加权系数。一致加权系数多数情况下使用最大度加权，其表示如下：

最大度加权：

w■=■ l∈V■1-■ l=i0 l？埸J■

当k∞时，由于（1）式的加权迭代，节点状态xi（k），？坌i∈V，都将渐近的趋于一致，即就是最终趋近的一致状态是所有节点初始状态的平均值。所以又称采用上述加权方式的一致滤波器为一致平均滤波器。

3 一致滤波器的仿真

3.1 仿真步骤

1）在的区域内随机分布N个传感器节点，并且绘出传感器节点的分布图；

2）计算监测区域内所有传感器节点的相邻节点的个数，即就是监测区域内所有传感器节点的度值；

3）初始化矩阵的值，如：观测矩阵、一致加权系数矩阵、迭代次数的矩阵等等；

4）利用利用最大度加权的方法或Metropolis加权的方法计算一致加权系数；

5）利用公式（2）进行迭代，记录并且绘出三个点的迭代值，并且与所有传感器节点的初始值的平均值进行比较。

3.2 利用最大度加权的方法进行仿真

利用上一小节提到的一致滤波算法，并运用最大度加权的方法计算一致加权系数。在仿真的过程中，对仿真结果影响的因素非常多，比如：监测区域中传感器节点的个数、噪声的大小、传感器节点的有效传输距离等等。任何影响因素的变化都有可能增加传感器节点信息传输的能量消耗，并且增加了算法收敛的延时。下面将运用仿真结果对影响一致滤波算法的因素进行比较说明。

假设监测区域有N个节点，传感器有效传输距离为S，监测区域内噪声大小为R。

情况1：监测区域内传感器节点个数对算法收敛性的影响

当其他条件不变时，节点个数N分别为N=50，N=100时，参数估计值的分布图如下：

图1 当N=50时参数估计值的分布图

图2 当N=100时参数估计值的分布图

仿真结果分析：由以上两个图形的对比，我们可以明显的看出，当监测区域的传感器节点个数增加时，参数估计值趋于一致的迭代次数减少，收敛速率加快，能够减小传感器节点传输信息的能量消耗。其主要原因是：当结点个数增加后，导致所有节点的邻居节点个数增加，每个节点的度值增加，一致加权系数发生变化，进而影响了参数估计的收敛速率。

情况2：传感器节点的有效传输距离对算法收敛性的影响

当节点个数N=50情况下，传感器有效传输距离S分别为S=30，S=20时，参数估计值的分布图如下：

图3 当S=30时参数估计值的分布图

图4 当S=20时参数估计值的分布图

仿真结果分析：由以上两个图形的对比，我们可以明显的发现，当监测区域内传感器节点的有效传输距离增加时，参数估计值趋于一致的迭代次数减少，收敛速率加快，能够减小传感器节点传输信息的能量消耗。其主要原因是：当传感器节点有效传输距离增加后，导致监测区域内所有节点的邻居节点个数增加，每个节点的度值增加，从而导致一致加权系数发生变化，进而影响了参数估计的收敛速率。

4 小结

在无线传感器网络中，为了融合网络中所有节点的观测信息，并且获得接近集中式算法的全局一致的参数估计值，基于一致滤波器的估计融合算法需要经过多次的信息交换。经过多次的信息交换得到的全局统一的估计值，在信息传输过程中可以降低信息的冗余度，提高传感器网络的鲁棒性和精确性。但是，多次的信息交换可能会增加传感器节点的信息传输的能量消耗，并且增加了算法收敛的延迟。后者在跟踪动态变化的物理量时对算法性能的影响尤为重要。因此，在实际动态的应用中，为了加快算法的一致收敛速度，可以采用自适应滤波算法来改进基于一致滤波器的估计融合。

【参考文献】

[1]孙利民，李建中，陈渝，朱红松，编著.无线传感器网络[M].清华大学出版社，2005，5：85-106.

[2]罗蔚.无线传感器网络数据融合技术研究与应用[D].重庆邮电大学自动化学院，2007，11.

[3]叶宁，王汝传.无线传感器网络数据融合模型研究[J].计算机科学，2006（06）.58-60.

[4]席峰，刘中.基于状态预测自适应一致滤波器的分布式估计融合算法[J].信息与控制，2010（01）.59-66.

[5]Xiao L， Boyd S. Fast linear iterations for distributed averaging[J]. Systems and Control Letters，2004，53（1）：65-78.

[6]Olfati-Saber R. Distributed Kalman filtering for sensor networks[C]// Proceedings of the 46th IEEE Conference on Decision and Control Piscataway， NJ， USA： IEEE， 2007：54-78.