專利名稱：無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合方法，特別是涉及一種無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法。
背景技術(shù)：
無線傳感器網(wǎng)絡(luò)(WSNs)是一種新型的測控網(wǎng)絡(luò)，它綜合了傳感器技術(shù)、計算機(jī)網(wǎng)絡(luò)和無線通信等技術(shù)，具有廣闊的應(yīng)用前景，被認(rèn)為是21世紀(jì)最重要的技術(shù)之一。由于傳感器節(jié)點存在電池能量、通信帶寬、存儲和處理能力上的局限，如果在采集信息的過程中采用各個節(jié)點采集的數(shù)據(jù)單獨傳送到匯聚節(jié)點的方法是不合適的。有研究發(fā)現(xiàn)節(jié)點進(jìn)行數(shù)據(jù)存儲和計算所消耗的能量與數(shù)據(jù)傳送相比要小的多，所以傳感器網(wǎng)絡(luò)在采集數(shù)據(jù)的過程中使用數(shù)據(jù)融合技術(shù)，將數(shù)據(jù)進(jìn)行中間處理，組合出更有效、更符合用戶需求的數(shù)據(jù)，可以有效節(jié)省通信帶寬和能量，提高信息收集的效率，對無線傳感器網(wǎng)絡(luò)的發(fā)展具有推進(jìn)性意義。無線傳感器網(wǎng)絡(luò)由部署在監(jiān)測區(qū)域內(nèi)的大量傳感器節(jié)點組成，傳感器節(jié)點之間通過無線通信的方式形成一個多跳的自組織網(wǎng)絡(luò)系統(tǒng)。節(jié)點通過各類集成化的微型傳感器實時地感知并采集被檢測對象的相關(guān)信息，最終這些信息通過多跳路由以無線傳輸?shù)姆绞椒祷赜脩艚K端。數(shù)據(jù)融合的基本思想就是去除傳感器節(jié)點的冗余信息，減少網(wǎng)絡(luò)中的數(shù)據(jù)傳輸量，從而達(dá)到節(jié)省能量，延長網(wǎng)絡(luò)壽命的目的。無線傳感網(wǎng)絡(luò)中，用戶對采樣數(shù)據(jù)的精確性要求不高時，時域數(shù)據(jù)融合方法是一種比較有效的數(shù)據(jù)融合技術(shù)。時域數(shù)據(jù)融合方法對應(yīng)每一個采樣節(jié)點都存在兩個完全相同的預(yù)測器，一個安置在傳感器網(wǎng)絡(luò)中的采樣節(jié)點上，另一個安置在基站，預(yù)測器通過分析歷史數(shù)據(jù)序列預(yù)測當(dāng)前的數(shù)據(jù)。當(dāng)節(jié)點的預(yù)測數(shù)據(jù)與節(jié)點感知的數(shù)據(jù)差值不超過預(yù)先設(shè)定的閾值時，采樣節(jié)點就不會將感知的數(shù)據(jù)傳送到基站，因為基站有一個完全相同的預(yù)測器，基站的預(yù)測值和采樣節(jié)點的預(yù)測值是一樣的，這樣基站就可以采用預(yù)測值作為感知數(shù)據(jù)顯示給用戶。反之，如果節(jié)點的預(yù)測數(shù)據(jù)與節(jié)點感知的數(shù)據(jù)差值超過閾值，采樣節(jié)點就將感知的數(shù)據(jù)傳給基站。時域數(shù)據(jù)融合模型通過成功的預(yù)測減少了數(shù)據(jù)的傳輸，通常用戶的容忍限度越大，時域數(shù)據(jù)融合模型的省能效果越好。時域數(shù)據(jù)融合模型中，在傳感器節(jié)點處，包括如下步驟
1)、在一個時間周期內(nèi)，傳感器節(jié)點首先根據(jù)時間序列模型以及本節(jié)點所緩存的前N 個周期的歷史數(shù)據(jù)，計算出本周期的預(yù)測數(shù)據(jù)；N的數(shù)值由所采用時間序列模型決定；
2)、然后計算該傳感器節(jié)點本周期的實測數(shù)據(jù)與預(yù)測數(shù)據(jù)的差值，將該差值作為預(yù)測誤差；
3)、當(dāng)預(yù)測誤差不大于所述閾值時，所述傳感器節(jié)點不向服務(wù)器傳輸數(shù)據(jù)，當(dāng)預(yù)測誤差大于所述閾值時，所述傳感器節(jié)點向服務(wù)器發(fā)送本周期的實測數(shù)據(jù)。在基站處，包括如下步驟
4)、在與所述步驟1相應(yīng)的一個時間周期內(nèi)，服務(wù)器判斷是否收到傳感器節(jié)點發(fā)送的實測數(shù)據(jù)；如果判斷為是，則將該實測數(shù)據(jù)發(fā)送給用戶端，如果判斷為否，則進(jìn)入步驟5。
5)、服務(wù)器根據(jù)步驟1中的所述時間序列模型以及本地所緩存的相應(yīng)傳感器的前 N個周期的歷史數(shù)據(jù)計算出該傳感器本周期的預(yù)測數(shù)據(jù)，并將所述預(yù)測數(shù)據(jù)發(fā)送給用戶端。 所述的閾值由用戶設(shè)定，并根據(jù)用戶需求可調(diào)。在無線傳感網(wǎng)絡(luò)中，數(shù)據(jù)融合效果的好壞直接影響到傳感器節(jié)點中電池的更換周期，進(jìn)而影響了整個傳感器網(wǎng)絡(luò)的使用壽命。采取一種有效的數(shù)據(jù)融合方法是一個非常有意義的問題，現(xiàn)有的技術(shù)主要通過如下方法
1)神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理能力、自學(xué)習(xí)能力和自適應(yīng)能力，但是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度很慢，需要大量的數(shù)據(jù)進(jìn)行知識獲取的訓(xùn)練，并且有可能經(jīng)過長時間的訓(xùn)練還是無法得到一個穩(wěn)定收斂的狀態(tài)。如果訓(xùn)練集沒選好不能覆蓋整個數(shù)據(jù)集最后得到的神經(jīng)網(wǎng)絡(luò)模型還可能產(chǎn)生錯誤的結(jié)果。2)時域模型。時域模型可以大大減少網(wǎng)絡(luò)中的數(shù)據(jù)傳輸量，但是時域模型沒有考慮外在的不穩(wěn)定因素帶來的誤差和數(shù)據(jù)抖動。如果采用較小的誤差閾值，數(shù)據(jù)抖動就會造成采樣數(shù)據(jù)的連續(xù)傳輸，從而降低了數(shù)據(jù)融合的有效性。

發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法，該方法既能保證數(shù)據(jù)精度，又能有效降低網(wǎng)絡(luò)中的能量消耗，并且方便易行，從而切實保證無線傳感器網(wǎng)絡(luò)的生存期和用戶對精確數(shù)據(jù)的需求。為實現(xiàn)上述目的，本發(fā)明提供一種無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法，具體為在采樣節(jié)點采集數(shù)據(jù)之后到傳輸數(shù)據(jù)之前加入一個數(shù)據(jù)過濾過程，節(jié)點采集到數(shù)據(jù)后，由于傳感器本身的不穩(wěn)定因素和環(huán)境的干擾，該數(shù)據(jù)是含有噪聲的，將該數(shù)據(jù)通過卡爾曼濾波器可以有效去除噪聲，去除噪聲后的數(shù)據(jù)再通過數(shù)據(jù)融合模型進(jìn)行處理，這樣新的數(shù)據(jù)融合模型可以更加準(zhǔn)確的預(yù)測數(shù)據(jù)。在無線傳感器網(wǎng)絡(luò)中，由于環(huán)境干擾或者傳感器節(jié)點本身的問題，可能會產(chǎn)生異常的數(shù)據(jù)。上述的時域模型無法去除異常數(shù)據(jù)的干擾，本發(fā)明使用卡爾曼濾波器就可以獲得更加精準(zhǔn)的數(shù)據(jù)?？柭鼮V波器是一種隨機(jī)的遞歸的數(shù)據(jù)過濾算法，通過對過去數(shù)據(jù)的遞歸計算，對當(dāng)前采樣數(shù)據(jù)得到一個預(yù)測值，將預(yù)測值與采樣數(shù)據(jù)綜合考慮計算，得到一個平滑變化的數(shù)值。這個過程的關(guān)鍵點是所采樣的數(shù)據(jù)是平滑變化的，這樣使用卡爾曼濾波器就去除了不穩(wěn)定因素帶來的數(shù)據(jù)抖動。本發(fā)明使用上述數(shù)據(jù)融合方法，用戶可以得到比較精準(zhǔn)的采樣數(shù)據(jù)，并且能有效降低網(wǎng)絡(luò)中的能量消耗，從而延長無線傳感器網(wǎng)絡(luò)的生存期。本發(fā)明上述方法具體步驟為
首先，在傳感器節(jié)點端和基站端選擇相同的時間序列預(yù)測模型和誤差閾值，以便基站可以預(yù)測傳感器端采集的數(shù)據(jù)從而減少數(shù)據(jù)傳輸。然后，在傳感器節(jié)點端和基站端的工作分別為 所述傳感器節(jié)點端工作包括如下步驟
步驟1、為了使用卡爾曼濾波器對傳感器采集數(shù)據(jù)進(jìn)行處理，需要設(shè)定過程噪聲和測量噪聲的協(xié)方差，分別用Q和R表示。步驟2、用設(shè)定的Q和R構(gòu)造出卡爾曼濾波器模型的遞歸公式。
步驟3、在一個時間周期內(nèi)，將傳感器采集的實測數(shù)據(jù)通過卡爾曼濾波器得到剔除噪聲的實際數(shù)據(jù)。并且根據(jù)時間序列模型以及本節(jié)點所緩存的前N個周期的歷史數(shù)據(jù)，計算出本周期的預(yù)測數(shù)據(jù)；N的數(shù)值由所采用時間序列模型決定。步驟4、計算該傳感器節(jié)點本周期的實際數(shù)據(jù)與預(yù)測數(shù)據(jù)的差值，將該差值作為預(yù)測誤差。步驟5、當(dāng)預(yù)測誤差不大于預(yù)先設(shè)定的誤差閾值時，所述傳感器節(jié)點不向服務(wù)器傳輸數(shù)據(jù)，當(dāng)預(yù)測誤差大于誤差閾值時，所述傳感器節(jié)點向服務(wù)器發(fā)送本周期的實際數(shù)據(jù)。所述基站端工作包括如下步驟
步驟6、在與所述步驟3相應(yīng)的一個時間周期內(nèi)，服務(wù)器判斷是否收到傳感器節(jié)點發(fā)送的實際數(shù)據(jù)；如果判斷為是，則將該實際數(shù)據(jù)發(fā)送給用戶端，如果判斷為否，則進(jìn)入下一步。步驟7、服務(wù)器根據(jù)時間序列模型以及本地所緩存的相應(yīng)傳感器的前N個周期的歷史數(shù)據(jù)計算出該傳感器本周期的預(yù)測數(shù)據(jù)，并將所述預(yù)測數(shù)據(jù)發(fā)送給用戶端。本發(fā)明的有益效果用戶可以得到比較精準(zhǔn)的采樣數(shù)據(jù)，并且能有效降低網(wǎng)絡(luò)中的能量消耗，從而延長無線傳感器網(wǎng)絡(luò)的生存期；不受傳感器本身質(zhì)量和環(huán)境影響，不論傳感器的精度如何都能在低耗能的情況下準(zhǔn)確的獲得采樣數(shù)據(jù)。


圖1為本發(fā)明實施例中采用的無線傳感器網(wǎng)絡(luò)系統(tǒng)的體系結(jié)構(gòu)圖。圖2為本發(fā)明實施例中采用的系統(tǒng)原理簡化圖。圖3為本發(fā)明實施例使用融合算法后節(jié)點的發(fā)包數(shù)量比較圖。圖4為本發(fā)明實施例應(yīng)用于樸素時域融合算法的有效性比較圖。圖5為本發(fā)明實施例應(yīng)用于樸素時域融合算法中噪聲處理后的數(shù)據(jù)比較圖。圖6為本發(fā)明實施例應(yīng)用于自回歸預(yù)測時域融合算法的有效性比較圖。圖7為本發(fā)明實施例應(yīng)用于自回歸預(yù)測時域融合算法中噪聲處理后的數(shù)據(jù)比較圖。圖8為本發(fā)明實施例應(yīng)用于移動平均時域融合算法的有效性比較圖。圖9為本發(fā)明實施例應(yīng)用于移動平均時域融合算法中噪聲處理后的數(shù)據(jù)比較圖。
具體實施例方式
為了使本發(fā)明的技術(shù)手段、創(chuàng)作特征與達(dá)成目的易于明白理解，以下結(jié)合具體實施例進(jìn)一步闡述本發(fā)明。以TinyOS系統(tǒng)作為平臺，Telosb節(jié)點作為采樣節(jié)點所進(jìn)行一系列的實驗表明，該數(shù)據(jù)融合模型的確可以有效的對傳感器網(wǎng)絡(luò)的采樣數(shù)據(jù)進(jìn)行融合，提高了網(wǎng)絡(luò)的生存期。圖1為本發(fā)明采用的無線傳感器網(wǎng)絡(luò)系統(tǒng)的體系結(jié)構(gòu)。無線傳感器網(wǎng)絡(luò)系統(tǒng)由三個層次組成無線傳感器網(wǎng)絡(luò)、服務(wù)器以及客戶端。無線傳感器網(wǎng)絡(luò)負(fù)責(zé)信息獲取，網(wǎng)絡(luò)中的節(jié)點周期性地采集數(shù)據(jù)，通過網(wǎng)關(guān)將數(shù)據(jù)傳輸?shù)椒?wù)器。服務(wù)器存儲無線傳感器網(wǎng)絡(luò)獲取的相關(guān)信息，向本地用戶以及遠(yuǎn)程用戶提供相應(yīng)的服務(wù)。本地用戶可以通過hternet訪問服務(wù)器。本實施例采用的是當(dāng)前最流行TinyOS系統(tǒng)。TinyOS是一個開源的嵌入式操作系統(tǒng)，它是由加州大學(xué)的伯利克分校開發(fā)出來的，主要應(yīng)用于無線傳感器網(wǎng)絡(luò)方面。它是基于一種組件(Component — Based)的架構(gòu)方式，使得能夠快速實現(xiàn)各種應(yīng)用。TinyOS的程序采用的是模塊化設(shè)計，所以它的程序核心往往都很小(一般來說核心代碼和數(shù)據(jù)大概在400 Bytes左右)，能夠突破傳感器存儲資源少的限制，這能夠讓TinyOS很有效的運行在無線傳感器網(wǎng)絡(luò)上并去執(zhí)行相應(yīng)的管理工作等。TinyOS本身提供了一系列的組件，可以很簡單方便的編制程序，用來獲取和處理傳感器的數(shù)據(jù)并通過無線電來傳輸信息。本實施例采用了六個Telosb節(jié)點，其中一個作為基站接收端與電腦相連，另外五個節(jié)點作為采樣節(jié)點均勻分布于房間。整個傳感器網(wǎng)絡(luò)采用樹形結(jié)構(gòu)，五個采樣節(jié)點將采集到的數(shù)據(jù)經(jīng)過數(shù)據(jù)融合后傳到基站節(jié)點，用戶通過基站對整個房間的溫度和濕度進(jìn)行監(jiān)控。圖2為本實施例中采用的系統(tǒng)原理簡化圖，最初采樣節(jié)點采集的數(shù)據(jù)是帶噪聲的數(shù)據(jù)，每個節(jié)點將收集到的數(shù)據(jù)經(jīng)過一個卡爾曼濾波器F處理，得到平滑的無噪數(shù)據(jù)，每個節(jié)點通過預(yù)測模型得到預(yù)測數(shù)據(jù)，如果采樣數(shù)據(jù)與預(yù)測數(shù)據(jù)的差小于閾值，則該節(jié)點不傳輸數(shù)據(jù)，基站直接把預(yù)測數(shù)據(jù)顯示給用戶，反之則將經(jīng)過卡爾曼濾波器處理的平滑數(shù)據(jù)傳
給基站。下面主要介紹一下卡爾曼濾波器
簡單來說，卡爾曼濾波器是一個最優(yōu)化自回歸數(shù)據(jù)處理算法(optimal recursive data processing algorithm)。對于解決很大部分的問題，它是最優(yōu)，效率最高甚至是最有用的。它的廣泛應(yīng)用已經(jīng)超過30年，包括機(jī)器人導(dǎo)航，控制，傳感器數(shù)據(jù)融合甚至在軍事方面的雷達(dá)系統(tǒng)以及導(dǎo)彈追蹤等等。近年來更被應(yīng)用于計算機(jī)圖像處理，例如頭臉識別，圖像分割，圖像邊緣檢測等等。首先，先要引入一個離散控制過程的系統(tǒng)。該系統(tǒng)可用一個線性隨機(jī)微分方程 (Linear Stochastic Difference equation)來描述
X (k) =A X(k-1)+B U(k)+ff(k) 再加上系統(tǒng)的測量值 Z (k) =H X(k)+V(k)
上兩式子中，X(k)是k時刻的系統(tǒng)狀態(tài)，U(k)是k時刻對系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對于多模型系統(tǒng)，它們?yōu)榫仃嚒(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，H為矩陣。W(k)和V(k)分別表示過程和測量的噪聲。它們被假設(shè)成高斯白噪聲(White Gaussian Noise)，它們的協(xié)方差分別是Q，R (這里假設(shè)它們不隨系統(tǒng)狀態(tài)變化而變化)。對于滿足上面的條件(線性隨機(jī)微分系統(tǒng)，過程和測量都是高斯白噪聲)，卡爾曼濾波器是最優(yōu)的信息處理器。下面用它們結(jié)合它們的協(xié)方差來估算系統(tǒng)的最優(yōu)化輸出。首先要利用系統(tǒng)的過程模型，來預(yù)測下一狀態(tài)的系統(tǒng)。假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)是k， 根據(jù)系統(tǒng)的模型，可以基于系統(tǒng)的上一狀態(tài)而預(yù)測出現(xiàn)在狀態(tài)
X (k |k-l) =A X(k-l|k"l)+B U(k) .........·· (1)
式(1)中，x(k|k-l)是利用上一狀態(tài)預(yù)測的結(jié)果，x(k-l lk-1)是上一狀態(tài)最優(yōu)的結(jié)果， U(k)為現(xiàn)在狀態(tài)的控制量，如果沒有控制量，它可以為0。到現(xiàn)在為止，系統(tǒng)結(jié)果已經(jīng)更新了，可是，對應(yīng)于X(k|k-1)的協(xié)方差還沒更新。用 P表示協(xié)方差P (k |k-l) =A P(k-l|k-l) A，+Q ......... (2)
式(2)中，P(k|k-1)是X(k|k-1)對應(yīng)的協(xié)方差，P(k-l|k-l)是X(k-l|k-l)對應(yīng)的協(xié)方差，A’表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過程的協(xié)方差。式子1，2就是卡爾曼濾波器5個公式當(dāng)中的前兩個，也就是對系統(tǒng)的預(yù)測?，F(xiàn)在有了現(xiàn)在狀態(tài)的預(yù)測結(jié)果，然后再收集現(xiàn)在狀態(tài)的測量值。結(jié)合預(yù)測值和測量值，可以得到現(xiàn)在狀態(tài)(k)的最優(yōu)化估算值X (k |k)
X(k|k)= X(klk-1)+Kg(k) (Z(k)-H X(kIk-I)) ......... (3)
其中Kg為卡爾曼增益(Kalman Gain)
Kg (k)= P (k |k-l) H，/ (H P (k |k-l) H，+ R) ......... (4)
到現(xiàn)在為止，已經(jīng)得到了 k狀態(tài)下最優(yōu)的估算值X(k|k)。但是為了要另卡爾曼濾波器不斷的運行下去直到系統(tǒng)過程結(jié)束，還要更新k狀態(tài)下X(k|k)的協(xié)方差 P (k I k) = (I-Kg(k) H) P (k |k-l) ......... (5)
其中I為1的矩陣，對于單模型單測量，1=1。當(dāng)系統(tǒng)進(jìn)入k+Ι狀態(tài)時，P (k Ik)就是式子O)的P(k-I|k-1)。這樣，算法就可以自回歸的運算下去。本發(fā)明通過實驗平臺監(jiān)測M小時的濕度變化，加入卡爾曼濾波的時域模型與純時域模型數(shù)據(jù)融合方法比較結(jié)果如下
如圖3、圖4、圖5所示，圖中的虛線是不使用任何數(shù)據(jù)融合算法M小時累計發(fā)包的數(shù)量，點化線是使用樸素時域融合算法后累計發(fā)包的數(shù)量，實線是將時域模型和卡爾曼濾波器綜合使用后的累計發(fā)包數(shù)量。由圖3可見，使用融合算法后節(jié)點的發(fā)包數(shù)量會大大減少。圖4是兩種數(shù)據(jù)融合算法有效性的比較，24小時中使用時域融合算法總共發(fā)了近 1200個數(shù)據(jù)包，而經(jīng)過卡爾曼濾波算法處理后只發(fā)送了近600個數(shù)據(jù)包，可見經(jīng)過卡爾曼濾波處理可以大規(guī)模降低發(fā)包數(shù)量。圖5是進(jìn)行了噪聲處理后的數(shù)據(jù)，假設(shè)每個包有1 % 的概率發(fā)生[-10，10]的偏差，使用時域融合算法后要發(fā)大約1300個數(shù)據(jù)包，而經(jīng)過卡爾曼濾波處理后只發(fā)送800個數(shù)據(jù)包?？梢娊?jīng)過卡爾曼濾波器處理后的數(shù)據(jù)發(fā)送量得到有效減少，提高了數(shù)據(jù)融合的有效性，確實降低了網(wǎng)絡(luò)中的能量消耗。本發(fā)明還使用了其他數(shù)據(jù)序列預(yù)測方法構(gòu)造時域模型，加入卡爾曼濾波器處理后同樣得到了理想的結(jié)果，下面分別是使用一階自回歸預(yù)測方法和移動平均預(yù)測方法得到的結(jié)果。圖6、圖7是使用自回歸預(yù)測方法的時域融合模型和卡爾曼濾波器綜合使用的效果圖。由圖6可以看出在自回歸預(yù)測的時域融合模型中加入卡爾曼濾波處理可以減少近1 半的發(fā)包數(shù)量；由圖7可以發(fā)現(xiàn)在有噪聲干擾的情況下加入卡爾曼濾波器也可以得到很好的效果，發(fā)包數(shù)量由1500降到了 1000左右。圖8、圖9是使用移動平均預(yù)測方法的時域融合模型和卡爾曼濾波器綜合使用的效果圖。也取得了很好的效果，可見不管選擇怎樣的預(yù)測模型，加入卡爾曼濾波進(jìn)行預(yù)處理后都可以明顯降低數(shù)據(jù)的發(fā)送。本發(fā)明用卡爾曼濾波器處理濕度數(shù)據(jù)只是用來例證，卡爾曼濾波數(shù)據(jù)融合的有效性，但并不拘泥于濕度數(shù)據(jù)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制， 上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等同物界定。
權(quán)利要求
1.一種無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法，其特征在于該方法在采樣節(jié)點采集數(shù)據(jù)之后到傳輸數(shù)據(jù)之前增加一個數(shù)據(jù)過濾過程，節(jié)點采集到數(shù)據(jù)后，該數(shù)據(jù)是含有噪聲的，將該數(shù)據(jù)通過卡爾曼濾波器去除噪聲，去除噪聲后的數(shù)據(jù)再通過數(shù)據(jù)融合模型進(jìn)行處理。
2.根據(jù)權(quán)利要求1所述的無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法，其特征在于包括如下步驟首先，在傳感器節(jié)點端和基站端選擇相同的時間序列預(yù)測模型和誤差閾值，以便基站能預(yù)測傳感器端采集的數(shù)據(jù)；然后，在傳感器節(jié)點端和基站端分別工作；其中 所述傳感器節(jié)點端工作包括如下步驟步驟1、設(shè)定過程噪聲和測量噪聲的協(xié)方差，分別用Q和R表示，用于使用卡爾曼濾波器對傳感器采集數(shù)據(jù)進(jìn)行處理；步驟2、用設(shè)定的Q和R構(gòu)造出卡爾曼濾波器模型的遞歸公式； 步驟3、在一個時間周期內(nèi)，將傳感器采集的實測數(shù)據(jù)通過卡爾曼濾波器得到剔除噪聲的實際數(shù)據(jù)，并且根據(jù)時間序列模型以及本節(jié)點所緩存的前N個周期的歷史數(shù)據(jù)，計算出本周期的預(yù)測數(shù)據(jù)；N的數(shù)值由所采用時間序列模型決定；步驟4、計算該傳感器節(jié)點本周期的實際數(shù)據(jù)與預(yù)測數(shù)據(jù)的差值，將該差值作為預(yù)測誤差；步驟5、當(dāng)預(yù)測誤差小于或等于預(yù)先設(shè)定的誤差閾值時，所述傳感器節(jié)點不向服務(wù)器傳輸數(shù)據(jù)，當(dāng)預(yù)測誤差大于誤差閾值時，所述傳感器節(jié)點向服務(wù)器發(fā)送本周期的實際數(shù)據(jù)； 所述基站端工作包括如下步驟步驟6、在與所述步驟3相應(yīng)的一個時間周期內(nèi)，服務(wù)器判斷是否收到傳感器節(jié)點發(fā)送的實際數(shù)據(jù)；如果判斷為是，則將該實際數(shù)據(jù)發(fā)送給用戶端，如果判斷為否，則進(jìn)入下一步；步驟7、服務(wù)器根據(jù)時間序列模型以及本地所緩存的相應(yīng)傳感器的前N個周期的歷史數(shù)據(jù)計算出該傳感器本周期的預(yù)測數(shù)據(jù)，并將所述預(yù)測數(shù)據(jù)發(fā)送給用戶端。
全文摘要
本發(fā)明公開了一種無線傳感器網(wǎng)絡(luò)中基于卡爾曼濾波的數(shù)據(jù)融合方法，在采樣節(jié)點采集數(shù)據(jù)之后到傳輸數(shù)據(jù)之前加入一個數(shù)據(jù)過濾過程，節(jié)點采集到數(shù)據(jù)后，將該數(shù)據(jù)通過卡爾曼濾波器可以有效去除噪聲，去除噪聲后的數(shù)據(jù)再通過數(shù)據(jù)融合模型進(jìn)行處理，這樣新的數(shù)據(jù)融合模型可以更加準(zhǔn)確的預(yù)測數(shù)據(jù)；該方法的具體步驟是首先，在傳感器節(jié)點端和基站端選擇相同的時間序列預(yù)測模型和誤差閾值；然后，在傳感器和基站端工作，所述工作的方式為在傳感器節(jié)點端工作與在基站處工作。本發(fā)明用戶可以得到比較精準(zhǔn)的采樣數(shù)據(jù)，并且能有效降低網(wǎng)絡(luò)中的能量消耗，從而延長無線傳感器網(wǎng)絡(luò)的生存期。
文檔編號H04W24/02GK102316496SQ201110263608
公開日2012年1月11日 申請日期2011年9月7日 優(yōu)先權(quán)日2011年9月7日
發(fā)明者修志鑫, 孔令和, 薛廣濤 申請人:上海交通大學(xué)