论文部分内容阅读
传感器网络数据融合是一个新兴的研究领域,是近几年来发展起来的一门实践性较强的多学科交叉的新应用技术,并从传统领域(如军事国防和环境监测等)向民用领域(如医疗健康,智能家居等)快速扩展,其应用系统的智能性也越来越高;当一些移动设备(如智能手机)或子网络系统(如面向人体的无线健康状态监测系统)也作为传感器网络节点参与到各类应用中(如智能交通、人体健康检测和社会健康网络等),由此形成大规模复杂传感器网络系统。这种新形势下,传感器网络所产生的数据具有海量性、多态性与异构性、时效性强,复杂性高及关系性强等特点。作为传感器网络重要的关键技术之一,数据融合能够节省能量,延长网络系统生命期、获取更准确完整的信息、提高数据收集效率,并有效提高决策/识别准确性和智能性。
相比于传统的传感器网络而言,大规模复杂传感器网络具有节点类型更多、智能性要求更高、系统复杂性更强等特点。新形势下传感网络的数据融合存在许多挑战亟需进一步深入研究,主要表现在:
1)建立新的数据融合机制。多传感器多源参数随监测应用目标不同而表现出对融合性能影响的动态变化性,同时,对智能性的更高要求导致数据融合系统应该能够更好地体现“融合过程中个体或群体意愿的主观描述及其所希望的实际情况(称为“偏好”)”,而“偏好”本身是不完全、不精确和不确定的信息。这为建立新的数据融合机制提出一个基础问题:如何通过偏好信息有效地模型化多源参数对融合性能动态性影响?
2)大规模传感器网络数据融合。在大规模传感器网络环境下进行有效融合是新形势下数据融合需要解决的核心问题,也是WSNs进一步发展的必要保证。
3)人工智能技术在数据融合中的应用。
从根本上说需要解决的关键问题是:如何建立一套比较完整的高层次的数据融合模型或方法。
针对以上数据融合挑战,本文展开如下的研究工作:
1)多偏好驱动的传感器网络数据融合机制/模型的研究;
2)网络节点上面向数据级融合的轻量级自适应抗噪算法的研究;
3)分布式多偏好特征级融合算法研究;
4)基于人工智能的特征决策算法研究;
5)面向决策级融合的大规模传感器网络建模及分析方法;
6)多传感器多源数据融合应用验证系统及性能评价标准。
本文的创新性工作主要包括如下几个方面:
1)提出新的多偏好驱动的传感器网络数据融合机制/模型。针对常用的数据融合方法虽能够在监控任务的性质、精度和细节程度上能够表现良好,但却无法反映个体或群体意愿的主观描述及其所希望的实际情况,本文首次提出多偏好驱动的分布式多传感器数据融合模型。该模型采用概率模型作为数据融合模型框架,输入多种类型的感知参数,该模型从全局角度通过四个方面的概率计算得出各参数的影响权重,最终通过加权平均值法对多源参数进行个性化数据融合,以解决关于偏好程度信息的不完全、不精确和不确定的问题。
2)提出节点上面向数据级融合的轻量级自适应时间序列特征抽取机制。针对低成本廉价微传感器资源受限和大规模传感器网络中日益严重的干扰,以及由此产生的低信噪比信号问题,本文首次提出面向传感器网络中时间序列(Time Series)感知数据的统一的轻量级自适应特征抽取机制。该机制将特征抽取划分为三个标准阶段:
(1)全局特征点发现阶段;
(2)候选特征点产生阶段;
(3)正式特征点选择阶段。
3)提出面向决策级融合的大规模传感器网络统一建模及分析方法。传统的传感器网络仅考虑体积小,成本低廉的微型传感器作为节点,而当移动智能设备(如智能手机或无线健康监测系统)作为传感器网络节点而构成大规模复杂传感器网络时,数据融合面临前所未有的新挑战。考虑到节点间相互关系、历史状态和节点属性决策因素对目标状态检测效果的影响,本文首次提出一种新的基于概率因子图模型的大规模传感器网络统一建模分析方法。