WSN中事件驅(qū)動(dòng)與信任分配加權(quán)的層次數(shù)據(jù)融合*

余修武,張 楓,周利興,劉 永,3,劉 琴,雷 林,汪 弘

(1.南華大學(xué)環(huán)境保護(hù)與安全工程學(xué)院,湖南 衡陽(yáng) 421001;2.金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 馬鞍山 243000;3.湖南省鈾尾礦庫(kù)退役治理技術(shù)工程技術(shù)研究中心,湖南 衡陽(yáng) 421001)

WSN中事件驅(qū)動(dòng)與信任分配加權(quán)的層次數(shù)據(jù)融合*

余修武1,2,3*,張 楓1,2,周利興1,2,劉 永1,2,3,劉 琴1,2,雷 林1,汪 弘1

(1.南華大學(xué)環(huán)境保護(hù)與安全工程學(xué)院,湖南 衡陽(yáng) 421001;2.金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 馬鞍山 243000;
3.湖南省鈾尾礦庫(kù)退役治理技術(shù)工程技術(shù)研究中心,湖南 衡陽(yáng) 421001)

針對(duì)WSN監(jiān)測(cè)突發(fā)事件及節(jié)點(diǎn)能量受限問(wèn)題,提出了一種基于事件驅(qū)動(dòng)與信任度分配加權(quán)的層次數(shù)據(jù)融合算法(EDBA)。通過(guò)設(shè)置監(jiān)測(cè)閾值,僅在事件發(fā)生時(shí),相關(guān)部分節(jié)點(diǎn)才進(jìn)入高頻次數(shù)據(jù)采集和傳輸?shù)呐d奮狀態(tài),其他情況節(jié)點(diǎn)處于低頻次采集(或傳輸)的抑制(或活動(dòng))狀態(tài),采用證據(jù)理論及信任分配函數(shù)對(duì)網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)進(jìn)行多層次融合,以減少監(jiān)測(cè)數(shù)據(jù)傳輸量。仿真表明,在通常情況下,EDBA算法能耗分別是EBPDF、LEACH的50%和21%,有效地降低了網(wǎng)絡(luò)能耗。

無(wú)線傳感器網(wǎng)絡(luò);層次融合;事件驅(qū)動(dòng);信任分配

無(wú)線傳感器網(wǎng)絡(luò)(WSN)[1]在環(huán)境監(jiān)測(cè)、軍事、實(shí)時(shí)目標(biāo)追蹤中廣泛應(yīng)用,其能量主要用于數(shù)據(jù)采集感知、信號(hào)處理與數(shù)據(jù)傳輸,數(shù)據(jù)傳輸能耗比其他兩者更多。傳感器節(jié)點(diǎn)一定程度上監(jiān)測(cè)的數(shù)據(jù)近似甚至重復(fù),通過(guò)融合數(shù)據(jù)來(lái)減少數(shù)據(jù)傳輸量,可有效降低能耗[2-3]。

基于事件驅(qū)動(dòng)網(wǎng)絡(luò)監(jiān)測(cè)與其他周期性監(jiān)測(cè)不同,只當(dāng)事件發(fā)生時(shí),才會(huì)以較高的速率采集和傳輸數(shù)據(jù)[4-5]。文獻(xiàn)[6]提出了一種基于事件驅(qū)動(dòng)的動(dòng)態(tài)分簇BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法(EBPDF),采用事件驅(qū)動(dòng)來(lái)分簇,利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)監(jiān)測(cè)到的大量數(shù)據(jù)進(jìn)行融合處理,提取出特征數(shù)據(jù)傳送給Sink節(jié)點(diǎn)。文獻(xiàn)[7]提出了一種事件驅(qū)動(dòng)的時(shí)間分簇方法,選擇在事件位置與Sink節(jié)點(diǎn)間符合條件的節(jié)點(diǎn)成簇,事件結(jié)束即解散,降低由不必要地成簇和維護(hù)開(kāi)銷(xiāo)所帶來(lái)的能耗。D-S證據(jù)理論[8]利用證據(jù)和組合將主觀的、不確定的、沖突的信息轉(zhuǎn)換為客觀的決策結(jié)果,可提高WSN融合的可靠性(精度),許多學(xué)者以此為基礎(chǔ)提出了改進(jìn)研究[9-10]。文獻(xiàn)[11]提出一種基于D-S證據(jù)理論和極限學(xué)習(xí)機(jī)的集成模型,建立合理的基本信任分配函數(shù),并將其證據(jù)合成得到總信任分配,以改進(jìn)的極端學(xué)習(xí)機(jī)來(lái)做最后決策,獲得可靠的決策級(jí)數(shù)據(jù)融合結(jié)果。文獻(xiàn)[12]根據(jù)監(jiān)測(cè)值與真值的偏差把監(jiān)測(cè)值分組視為辨識(shí)框架,將各監(jiān)測(cè)值轉(zhuǎn)換成證據(jù),分配基本信任函數(shù)進(jìn)行組合,合成證據(jù)的信任函數(shù)即為各監(jiān)測(cè)值的權(quán)值分配函數(shù),將各分組融合結(jié)果加權(quán)求和得到總?cè)诤辖Y(jié)果。

以上基于事件驅(qū)動(dòng)和基于D-S證據(jù)理論的兩類(lèi)數(shù)據(jù)融合研究文獻(xiàn)的不足,在于只考慮了減少網(wǎng)絡(luò)能耗或提高融合數(shù)據(jù)精度,未同時(shí)兼顧控制網(wǎng)絡(luò)能耗和提高融合數(shù)據(jù)精度問(wèn)題。本文綜上兩種融合方法提出一種基于事件驅(qū)動(dòng)與信任度分配加權(quán)的層次數(shù)據(jù)融合算法EDBA(Event-Driven and Belief Assignment),來(lái)改進(jìn)融合效率(降低能耗)和加強(qiáng)可靠性(提高融合數(shù)據(jù)精度)。

1 D-S證據(jù)理論基礎(chǔ)

D-S證據(jù)理論基本思路為首先建立辨識(shí)框架,對(duì)命題A建立初始信任分配,再利用證據(jù)合成公式計(jì)算對(duì)所有命題的信任度。在證據(jù)理論中,對(duì)于一個(gè)判決問(wèn)題而言,其所有兩兩互斥的可能結(jié)果組成的集合Θ={θ1,θ2,…,θn}稱(chēng)為辨識(shí)框架。由辨識(shí)框架Θ的所有子集組成一個(gè)有限集合即Θ的冪集合,記作2Θ,它的基數(shù)為2|Θ|,其中的集合表示命題。

1.1 基本概念

若函數(shù)m是2Θ→[0,1]的映射,?A?Θ,0≤m(A)≤1滿足式(1):

(1)

則稱(chēng)之為基本信任分配函數(shù)(BBAF)。由于基本信任反映了證據(jù)對(duì)各子集的支持程度,通常將BBAF與?A?Θ,m(A)稱(chēng)為A的基本概率質(zhì)量,表示證據(jù)對(duì)命題A的支持度。

1.2 證據(jù)組合規(guī)則

設(shè)m1,m2,…,mn是辨識(shí)框架Θ上n個(gè)相互獨(dú)立的基本可信度,對(duì)?A?Θ,組合后可得BBAF,如式(2):

m1,…,n(A) =m1(A1)⊕…⊕mn(An)

(2)

2 EDBA數(shù)據(jù)融合算法

2.1 網(wǎng)絡(luò)模型

WSN監(jiān)測(cè)區(qū)域中包含N個(gè)非均勻分布的傳感節(jié)點(diǎn)與1個(gè)Sink節(jié)點(diǎn),且具備以下條件:①節(jié)點(diǎn)布置后不可移動(dòng),已知自身位置信息。②所有傳感節(jié)點(diǎn)能量有限且相同,但Sink節(jié)點(diǎn)為有線供電,能量不限。③傳感節(jié)點(diǎn)鏈接呈動(dòng)態(tài)變化,各節(jié)點(diǎn)儲(chǔ)有其局部鏈接的拓?fù)浣Y(jié)構(gòu)信息。④節(jié)點(diǎn)成簇受事件驅(qū)動(dòng),成為簇頭的節(jié)點(diǎn)可根據(jù)通信距離需要來(lái)調(diào)整發(fā)射功率。EDBA網(wǎng)絡(luò)模型如圖1所示,節(jié)點(diǎn)有抑制(低頻次采集偵聽(tīng),不傳輸數(shù)據(jù))、活動(dòng)(低頻次采集偵聽(tīng),并建立路由拓?fù)鋫鬏敂?shù)據(jù))和興奮(高頻次采集,并建立路由拓?fù)鋫鬏敂?shù)據(jù))3種狀態(tài),監(jiān)測(cè)值Ti與閾值比較,節(jié)點(diǎn)可以切換不同狀態(tài)。

圖1 事件驅(qū)動(dòng)網(wǎng)絡(luò)拓?fù)淠Ｐ?/p>

2.2 閾值定義

監(jiān)測(cè)區(qū)域WSN節(jié)點(diǎn)通常為抑制或活動(dòng)狀態(tài),進(jìn)行低頻次周期性采集或傳輸數(shù)據(jù),事件突發(fā)時(shí),節(jié)點(diǎn)監(jiān)測(cè)值Ti與設(shè)置閾值比較,可判斷監(jiān)測(cè)數(shù)據(jù)異常,切換節(jié)點(diǎn)進(jìn)入興奮狀態(tài),進(jìn)行高頻次(間隔時(shí)間短)數(shù)據(jù)采集及傳輸處理。

定義1差值閾值BT(Biased Threshold),用于判斷會(huì)導(dǎo)致節(jié)點(diǎn)由抑制狀態(tài)轉(zhuǎn)為活動(dòng)狀態(tài)的最小變化量。若節(jié)點(diǎn)ti時(shí)刻監(jiān)測(cè)到的數(shù)據(jù)Ti與初始時(shí)t0監(jiān)測(cè)到的數(shù)據(jù)T0之差大于BT,則節(jié)點(diǎn)轉(zhuǎn)到活動(dòng)狀態(tài)。

定義2刺激閾值ST(Stimulation Threshold),用于判斷突發(fā)事件發(fā)生的初始值,若節(jié)點(diǎn)ti時(shí)刻監(jiān)測(cè)到的數(shù)據(jù)Ti>ST,節(jié)點(diǎn)切換至興奮狀態(tài)。

定義3事件刺激程度ESL(Event Stimulation Level),ESL=Ti-ST,用于評(píng)定事件發(fā)生的嚴(yán)重程度,ESL越大表示事件越嚴(yán)重。

定義4簇頭競(jìng)選值P,節(jié)點(diǎn)成為簇頭的可能性與P值成正比,如式(3)所示:

(3)

式中:Es表示節(jié)點(diǎn)的剩余能量,El表示成為簇頭所需的最低能量,dtoS表示節(jié)點(diǎn)到Sink節(jié)點(diǎn)的距離,λ1與λ2分別表示兩者的權(quán)重值,且λ1+λ2=1。

2.3 事件驅(qū)動(dòng)成簇

Step 1 網(wǎng)絡(luò)配置完成,所有節(jié)點(diǎn)獲取自身的位置信息與Sink節(jié)點(diǎn)的距離,以及鄰居節(jié)點(diǎn)的相關(guān)信息,而后定期監(jiān)測(cè)數(shù)據(jù)。

Step 2 某區(qū)域WSN節(jié)點(diǎn)ti時(shí)監(jiān)測(cè)到的數(shù)據(jù)Ti,若|Ti-T0|≥BT,則節(jié)點(diǎn)轉(zhuǎn)到活動(dòng)狀態(tài);若Ti≥ST,節(jié)點(diǎn)轉(zhuǎn)為興奮狀態(tài);若Ti≥ST和|Ti-T0|≥BT同時(shí)滿足,直接越變?yōu)榕d奮狀態(tài)。興奮節(jié)點(diǎn)計(jì)算P值,與周?chē)d奮節(jié)點(diǎn)交換信息,信息包括位置、ID、到Sink節(jié)點(diǎn)的距離,若自身P值最大則成為簇頭,向全網(wǎng)廣播。

Step 3 當(dāng)節(jié)點(diǎn)收到簇頭的成簇消息后,判斷自身所處狀態(tài),做出不同的響應(yīng)或成為簇成員節(jié)點(diǎn)。節(jié)點(diǎn)為興奮或活動(dòng)狀態(tài),將消息轉(zhuǎn)發(fā)給一跳鄰居節(jié)點(diǎn),距離Sink節(jié)點(diǎn)更近的一跳鄰居節(jié)點(diǎn)成為事件區(qū)域簇的數(shù)據(jù)傳輸鏈路節(jié)點(diǎn),事件區(qū)域簇外的傳輸鏈路節(jié)點(diǎn)變?yōu)榛顒?dòng)狀態(tài)。

Step 4 當(dāng)事件解除時(shí),新簇結(jié)構(gòu)解散,恢復(fù)原狀,以均衡簇節(jié)點(diǎn)能耗。待有新的突發(fā)事件發(fā)生,在事件區(qū)域?qū)⒅匦逻M(jìn)行簇頭選舉。

2.4 融合處理

數(shù)據(jù)融合共分為3個(gè)層次,首先是監(jiān)測(cè)節(jié)點(diǎn)融合,其次為簇頭融合,最后為Sink節(jié)點(diǎn)融合。融合處理模型,如圖2所示。

圖2 EDBA融合模型

①監(jiān)測(cè)節(jié)點(diǎn)融合

監(jiān)測(cè)節(jié)點(diǎn)融合是通過(guò)設(shè)置數(shù)據(jù)上傳差值閾值BT來(lái)處理。在非事件突發(fā)時(shí),WSN低頻次采集,若|Ti-T0|

②簇頭節(jié)點(diǎn)融合

簇標(biāo)識(shí)號(hào)相同的j個(gè)節(jié)點(diǎn)t時(shí)刻監(jiān)測(cè)數(shù)據(jù)由小至大排序{T1,T2,…,Tj}作為一個(gè)分組,建立為辨識(shí)框架,并把每個(gè)簇當(dāng)做辨識(shí)框架的各個(gè)證據(jù)。由簇頭先對(duì)簇內(nèi)節(jié)點(diǎn)生成的信任分配值進(jìn)行組合,得到的證據(jù)組合中的各個(gè)監(jiān)測(cè)值的基本信任分配值作為融合的加權(quán)系數(shù),經(jīng)過(guò)加權(quán)融合得到本組數(shù)據(jù)結(jié)果。

由統(tǒng)計(jì)學(xué)理論,有效的監(jiān)測(cè)值落在真值的某一特定鄰域內(nèi),而在鄰域外的值受到了環(huán)境噪聲、人為干擾或系統(tǒng)誤差等的影響。對(duì)于測(cè)量值Ti獲得的基本可信度分配值如式(4)所示:

(4)

對(duì)于第k組數(shù)據(jù)獲得的信任分配值,如式(5)所示:

mk=mk(T1)⊕…⊕mk(Ti)

(5)

第k組數(shù)據(jù)融合結(jié)果,如式(6)所示:

(6)

③Sink節(jié)點(diǎn)融合

對(duì)于每組(各簇)獲得的結(jié)果重新進(jìn)行分配,得到最后的融合結(jié)果。

針對(duì)事件發(fā)生機(jī)制的WSN監(jiān)測(cè),需要考慮節(jié)點(diǎn)距離事件中心的距離,離事件中心越近的節(jié)點(diǎn),其監(jiān)測(cè)結(jié)果越具有參考價(jià)值,但事件中心并不能準(zhǔn)確判斷,此以監(jiān)測(cè)結(jié)果記錄時(shí)間t最早的位置為模糊的事件中心。

引入Jousselme距離[13]dmass(m1,m2),如式(7)所示:

(7)

(8)

式中:m1,m2表示證據(jù)向量,A和B為辨識(shí)框架的子集,dmass(m1,m2)大(小)可估量參與證據(jù)組合的各證據(jù)體的相似性程度低(高)。

對(duì)于第k組數(shù)據(jù)其獲得的合成信任分配值mk給定一個(gè)信任權(quán)重,如式(9)所示:

(9)

式中:m0表示事件發(fā)生標(biāo)記時(shí)刻最早的一組數(shù)據(jù)的信任分配值,ηk越大表明距離事件源越近,其可信度越大。有利于減少證據(jù)間的沖突,從而增加監(jiān)測(cè)數(shù)據(jù)的可靠性。

(10)

對(duì)所得的n個(gè)融合結(jié)果進(jìn)行加權(quán),得最終結(jié)果如式(11)所示:

(11)

3 仿真結(jié)果與分析

采用MATLAB仿真分析來(lái)驗(yàn)證EDBA算法的優(yōu)越性,節(jié)點(diǎn)布置位置隨機(jī),網(wǎng)絡(luò)能耗模型采取與LEACH協(xié)議相同的模型[14],仿真參數(shù)如表1所示。

表1 實(shí)驗(yàn)仿真參數(shù)

為測(cè)試不同事件突發(fā)頻次f(次/h,指每小時(shí)突發(fā)事件的次數(shù))下的網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗,設(shè)置f由0開(kāi)始,以5次/h遞增至60次/h,運(yùn)行1 000輪。圖3顯示了EDBA算法的節(jié)點(diǎn)平均能耗明顯低于LEACH與EBPDF算法,在f=0,EDBA和EBPDF能耗小于0.01 J,而LEACH能耗為0.46 J;當(dāng)f=60,EDBA、EBPDF、LEACH算法能耗分別為0.37 J、0.43 J、0.48 J。這是因LEACH無(wú)論事件突發(fā)與否均處在興奮狀態(tài),而EDBA和EBPDF均是基于事件驅(qū)動(dòng)型算法,其能耗與f密切正相關(guān),又由于EDBA結(jié)合了D-S證據(jù)融合去冗數(shù)據(jù),所以EDBA能耗最低。在通常監(jiān)測(cè)情況下,事件突發(fā)占監(jiān)測(cè)期較小部分時(shí)間,在此以f=20(占60次的30%)近似等效,EDBA、EBPDF、LEACH算法能耗分別為0.10 J、0.20 J、0.47 J,EDBA能耗分別是EBPDF、LEACH的50%、21%。

圖3 f對(duì)能耗的影響(r=1 000)

假設(shè)突發(fā)事件在整個(gè)監(jiān)測(cè)區(qū)域內(nèi)周期性發(fā)生(f=60),圖4顯示了LEACH、EBPDF和EDBA算法在設(shè)定輪數(shù)內(nèi)節(jié)點(diǎn)的平均剩余能量。EDBA算法由于引入了證據(jù)理論,并結(jié)合事件驅(qū)動(dòng)監(jiān)測(cè)的層次融合處理,在非事件發(fā)生時(shí),由于監(jiān)測(cè)節(jié)點(diǎn)均處于低頻次數(shù)據(jù)采集的抑制狀態(tài)或少量數(shù)據(jù)上傳的活動(dòng)狀態(tài)(網(wǎng)絡(luò)節(jié)點(diǎn)僅在事件突發(fā)時(shí),才進(jìn)入高頻次采集和數(shù)據(jù)傳輸?shù)呐d奮狀態(tài)),EDBA算法能夠有效減少節(jié)點(diǎn)的通信數(shù)據(jù)量,節(jié)省了監(jiān)測(cè)網(wǎng)絡(luò)節(jié)點(diǎn)的大部分能量。在運(yùn)行r=1 000時(shí),LEACH、EBPDF和EDBA算法的節(jié)點(diǎn)平均剩余能量分別為0.02 J、0.09 J、0.16 J,EDBA平均剩余能量分別是EBPDF和LEACH的1.8倍和8倍。

圖4 r對(duì)剩余能量的影響(f=60次/h)

圖5 簇組采樣

本文以正態(tài)分布函數(shù)輸出5組隨機(jī)數(shù),設(shè)置5個(gè)簇頭收集得簇內(nèi)同一時(shí)間段的20個(gè)節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)。假設(shè)第(c)組數(shù)據(jù)時(shí)間戳最早(距事件中心越近監(jiān)測(cè)的記錄時(shí)間越早),作為原始參照數(shù)據(jù),其他組則為事件中心周邊采集的數(shù)據(jù),如圖5所示。

將樣本數(shù)據(jù)分別以均值、EBPDF算法及EDBA算法處理后,并與第(c)組的監(jiān)測(cè)值作對(duì)比計(jì)算誤差,如圖6所示。EDBA算法的誤差絕對(duì)值曲線位于另外兩種算法的下方,且誤差波動(dòng)變化小,說(shuō)明可靠性更穩(wěn)定,從而說(shuō)明EDBA算法在融合數(shù)據(jù)精度(可靠性)上高于另外兩種算法。均值、EBPDF算法、EDBA算法的最大誤差絕對(duì)值分別為2.64、1.06、0.28,均值、EBPDF算法、EDBA算法的平均誤差絕對(duì)值分別為1.07、0.49、0.19。EDBA算法的平均誤差絕對(duì)值分別是均值的18%、EBPDF算法的39%。

圖6 數(shù)據(jù)精度(可靠性)對(duì)比

4 結(jié)語(yǔ)

面對(duì)監(jiān)測(cè)期中突發(fā)事件所占時(shí)間較小及WSN監(jiān)測(cè)數(shù)據(jù)重疊、節(jié)點(diǎn)能量受限的情況,提出了一種基于事件驅(qū)動(dòng)與信任分配加權(quán)的層次數(shù)據(jù)融合(EDBA)。首先,通過(guò)設(shè)置閾值,在正常情況下,節(jié)點(diǎn)處于低頻次數(shù)據(jù)采集的抑制狀態(tài)或低頻次數(shù)據(jù)采集兼?zhèn)鬏數(shù)幕顒?dòng)狀態(tài),能耗極低,僅在事件突發(fā)時(shí)節(jié)點(diǎn)才處于高頻次數(shù)據(jù)采集及傳輸?shù)呐d奮狀態(tài);其次,運(yùn)用證據(jù)理論來(lái)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行多層融合處理,以減少數(shù)據(jù)傳輸量,且保證了監(jiān)測(cè)數(shù)據(jù)有較高的可靠性。經(jīng)仿真分析表明,EDBA算法在降低能耗、融合數(shù)據(jù)精度(可靠性)方面都有明顯的提高。

[1] Martirosyan A,Boukerche A. LIP:An Efficient Lightweight Iterative Positioning Algorithm for Wireless Sensor Networks[J]. Wireless Networks,2016,22(3):825-838.

[2] 余修武,范飛生,周利興,等. 無(wú)線傳感器網(wǎng)絡(luò)自適應(yīng)預(yù)測(cè)加權(quán)數(shù)據(jù)融合算法[J]. 傳感技術(shù)學(xué)報(bào),2017(5):1-5.

[3] Izadi D,Abawajy J H,Ghanavati S,et al. A Data Fusion Method in Wireless Sensor Networks[J]. Sensors,2015,15(2):2964-2979.

[4] Pinto A R,Montez C,Araújo G,et al. An Approach to Implement Data Fusion Techniques in Wireless Sensor Networks Using Genetic Machine Learning Algorithms[J]. Information Fusion,2014,15(1):90-101.

[5] 譚德坤,付雪峰,趙嘉,等. 基于異常數(shù)據(jù)驅(qū)動(dòng)的WSN簇內(nèi)數(shù)據(jù)融合方法[J]. 傳感技術(shù)學(xué)報(bào),2017,30(2):306-312.

[6] 侯鑫,張東文,鐘鳴. 基于事件驅(qū)動(dòng)和神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究[J]. 傳感技術(shù)學(xué)報(bào),2014,27(1):142-148.

[7] Ozger M,Akan O B. Event-Driven Spectrum-Aware Clustering in Cognitive Radio Sensor Networks[J]. Proceedings—IEEE INFOCOM,2013,12(11):1483-1491.

[8] Shafer G. A Mathematical Theory of Evidence,Turns 40[J]. International Journal of Approximate Reasoning,2016,79:7-25.

[9] Lin G,Liang J,Qian Y. An Information Fusion Approach by Combining Multigranulation Rough Sets and Evidence Theory[J]. Information Sciences,2015,314:184-199.

[10] Dubois D,Liu W,Ma J,et al. The Basic Principles of Uncertain Information Fusion:An Organized Review of Merging Rules in Different Representation Frameworks[J]. Information Fusion,2016,32:12-39.

[11] Shen B,Liu Y,Fu J S. An Integrated Model for Robust Multisensor Data Fusion[J]. Sensors,2014,14(10):19669-86.

[12] 王文慶,楊遠(yuǎn)玲,楊春杰. 一種基于證據(jù)理論的數(shù)據(jù)融合算法[J]. 控制與決策,2013,28(9):1427-1430.

[13] Jousselme A L,Maupin P. Distances in Evidence Theory:Comprehensive Survey and Generalizations[J]. International Journal of Approximate Reasoning,2012,53(2):118-145.

[14] Heinzelman W B,Chandrakasan A P,Balakrishnan H. An Application Specific Protocol Architecture for Wireless Microsensor Networks[C]//IEEE Transactions on Wireless Communication,2002:660-670.

HierarchicalDataFusionUsingEvent-DrivenandBeliefAssignmentinWSN*

YUXiuwu1,2,3*,ZHANGFeng1,2,ZHOULixing1,2,LIUYong1,2,3,LIUQin1,2,LEILin1,WANGHong1

(1.University of South China,Environmental protection and safety engineering institute,Hengyang Hu’nan 421001,China;2.State Key Laboratory of Safety and Health for Metal Mines,Maanshan Anhui 243000,China;3.Hunan Engineering Research Center for Uranium Tailings Decommission and Treatment,Hengyang Hu’nan 421001,China)

In view of unexpected events and node energy limitation in WSN,a data fusion algorithm using event-driven and belief assignment(EDBA)is proposed.By setting monitoring threshold,only when the unexpected events occurs,the relevant nodes switching to excited state which can collect and transfer data in high frequency,in other cases,nodes keeping suppressed or active state to collect and transfer data.Monitoring data is fused through evidence theory and belief assignment function to reduce the amount of transmitted data.Simulation and analysis show that under normal circumstances,energy consumption of EDBA algorithm are respectively 50% of EBPDF and 21% of LEACH.EDBA can effectively save network energy.

wireless sensor network(WSN);hierarchical data fusion;event-driven;belief assignment

10.3969/j.issn.1004-1699.2017.12.027

項(xiàng)目來(lái)源:金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目(2016-JSKSSYS-04);湖南省教育廳科研重點(diǎn)項(xiàng)目(15A161);江西省自然科學(xué)基金項(xiàng)目(20122BAB201050)

2017-05-04修改日期2017-07-15

TP393

A

1004-1699(2017)12-1948-06

余修武(1976-),男,博士,副教授,碩導(dǎo),主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò),安全智能監(jiān)測(cè)預(yù)警技術(shù),yxw2008xy@163.com;

張楓(1993-),女,碩士研究生,主要研究方向?yàn)榘踩O(jiān)測(cè)與監(jiān)控,無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)。