第9章--物聯(lián)網(wǎng)數(shù)據(jù)融合技術(shù)-------課件

1、第9章 物聯(lián)網(wǎng)數(shù)據(jù)融合技術(shù) 9.1 數(shù)據(jù)融合概述9.2 數(shù)據(jù)融合的原理9.3 數(shù)據(jù)融合技術(shù)與算法9.4 物聯(lián)網(wǎng)數(shù)據(jù)管理技術(shù) 9.1 數(shù)據(jù)融合概述9.1.1 數(shù)據(jù)融合簡介數(shù)據(jù)融合(Data Fusion)一詞最早出現(xiàn)在20世紀(jì)70年代，并于20世紀(jì)80年代發(fā)展成一項專門技術(shù)。數(shù)據(jù)融合技術(shù)最早被應(yīng)用于軍事領(lǐng)域，1973年美國研究機(jī)構(gòu)就在國防部的資助下，開展了聲吶信號解釋系統(tǒng)的研究?，F(xiàn)在數(shù)據(jù)融合的主要應(yīng)用領(lǐng)域有多源影像復(fù)合、機(jī)器人和智能儀器系統(tǒng)、戰(zhàn)場和無人駕駛飛機(jī)、圖像分析與理解、目標(biāo)檢測與跟蹤、自動目標(biāo)識別、工業(yè)控制、海洋監(jiān)視和管理等。在遙感中，數(shù)據(jù)融合屬于一種屬性融合，它是將同一地區(qū)的多源遙感影

2、像數(shù)據(jù)加以智能化合成，產(chǎn)生比單一信息源更精確、更完全、更可靠的估計和判斷等。 相對于單源遙感影像數(shù)據(jù)，多源遙感影像數(shù)據(jù)所提供的信息具有以下特點(diǎn)：(1) 冗余性：指多源遙感影像數(shù)據(jù)對環(huán)境或目標(biāo)的表示、描述或解譯結(jié)果相同。(2) 互補(bǔ)性：指信息來自不同的自由度且相互獨(dú)立。(3) 合作性：不同傳感器在觀測和處理信息時對其他信息有依賴關(guān)系。(4) 信息分層的結(jié)構(gòu)特性：數(shù)據(jù)融合所處理的多源遙感信息可以在不同的信息層次上出現(xiàn)，這些信息抽象層次包括像素層、特征層和決策層，分層結(jié)構(gòu)和并行處理機(jī)制還可保證系統(tǒng)的實時性。多源遙感影像的實質(zhì)是在統(tǒng)一地理坐標(biāo)系中將對同一目標(biāo)檢測的多幅遙感圖像數(shù)據(jù)采用一定的算法，生成一

3、幅新的、更能有效表示該目標(biāo)的圖像信息。多源遙感影像的目的是將單一傳感器的多波段信息或不同類別傳感器所提供的信息加以綜合，消除多傳感器信息之間可能存在的冗余和矛盾，加以互補(bǔ)，改善遙感信息提取的及時性和可靠性，提高數(shù)據(jù)的使用效率。 9.1.2 物聯(lián)網(wǎng)中的數(shù)據(jù)融合數(shù)據(jù)融合是針對多傳感器系統(tǒng)而提出的。在多傳感器系統(tǒng)中，由于信息表現(xiàn)形式的多樣性、數(shù)據(jù)量的巨大性、數(shù)據(jù)關(guān)系的復(fù)雜性以及要求數(shù)據(jù)處理的實時性、準(zhǔn)確性和可靠性，都已大大超出了人腦的信息綜合處理能力，在這種情況下，多傳感器數(shù)據(jù)融合技術(shù)應(yīng)運(yùn)而生。多傳感器數(shù)據(jù)融合(Multi-Sensor Data Fusion，MSDF)，簡稱數(shù)據(jù)融合，也被稱為多傳

4、感器信息融合(Multi-Sensor Information Fusion，MSIF)。它由美國國防部在20世紀(jì)70年代最先提出，之后英、法、日、俄等國也做了大量的研究。近40年來數(shù)據(jù)融合技術(shù)得到了巨大的發(fā)展，同時伴隨著電子技術(shù)、信號檢測與處理技術(shù)、計算機(jī)技術(shù)、網(wǎng)絡(luò)通信技術(shù)以及控制技術(shù)的飛速發(fā)展，數(shù)據(jù)融合已被應(yīng)用在多個領(lǐng)域，在現(xiàn)代科學(xué)技術(shù)中的地位也日漸突出。1數(shù)據(jù)融合的定義數(shù)據(jù)融合的定義簡潔地表述為：數(shù)據(jù)融合是利用計算機(jī)技術(shù)對時序獲得的若干感知數(shù)據(jù)，在一定準(zhǔn)則下加以分析、綜合，以完成所需決策和評估任務(wù)而進(jìn)行的數(shù)據(jù)處理過程。數(shù)據(jù)融合有三層含義：(1) 數(shù)據(jù)的全空間，即數(shù)據(jù)包括確定的和模糊的、全

5、空間的和子空間的、同步的和異步的、數(shù)字的和非數(shù)字的，它是復(fù)雜的、多維多源的，覆蓋全頻段。(2) 數(shù)據(jù)的融合不同于組合，組合指的是外部特性，融合指的是內(nèi)部特性，它是系統(tǒng)動態(tài)過程中的一種數(shù)據(jù)綜合加工處理。(3) 數(shù)據(jù)的互補(bǔ)過程，數(shù)據(jù)表達(dá)方式的互補(bǔ)、結(jié)構(gòu)上的互補(bǔ)、功能上的互補(bǔ)、不同層次的互補(bǔ)，是數(shù)據(jù)融合的核心，只有互補(bǔ)數(shù)據(jù)的融合才可以使系統(tǒng)發(fā)生質(zhì)的飛躍。數(shù)據(jù)融合示意圖如圖9.1所示。 圖9.1 數(shù)據(jù)融合示意圖數(shù)據(jù)融合的實質(zhì)是針對多維數(shù)據(jù)進(jìn)行關(guān)聯(lián)或綜合分析，進(jìn)而選取適當(dāng)?shù)娜诤夏Ｊ胶吞幚硭惴?，用以提高?shù)據(jù)的質(zhì)量，為知識提取奠定基礎(chǔ)。2數(shù)據(jù)融合研究的主要內(nèi)容數(shù)據(jù)融合是針對一個網(wǎng)絡(luò)感知系統(tǒng)中使用多個和多類感

6、知節(jié)點(diǎn)(如多傳感器)展開的一種數(shù)據(jù)處理方法，研究的內(nèi)容主要包含以下幾個方面。(1) 數(shù)據(jù)對準(zhǔn)。(2) 數(shù)據(jù)相關(guān)。(3) 數(shù)據(jù)識別，即估計目標(biāo)的類別和類型。(4) 感知數(shù)據(jù)的不確定性。(5) 不完整、不一致和虛假數(shù)據(jù)。(6) 數(shù)據(jù)庫。(7) 性能評估。3物聯(lián)網(wǎng)數(shù)據(jù)融合的意義和作用物聯(lián)網(wǎng)是利用射頻識別(RFID)裝置、各種傳感器、全球定位系統(tǒng)(GPS)、激光掃描器等各種不同裝置、嵌入式軟硬件系統(tǒng)，以及現(xiàn)代網(wǎng)絡(luò)及無線通信、分布式數(shù)據(jù)處理等諸多技術(shù)，能夠協(xié)作地實時監(jiān)測、感知、采集網(wǎng)絡(luò)分布區(qū)域內(nèi)的各種環(huán)境或監(jiān)測對象的信息，實現(xiàn)包括物與物、人與物之間的互相連接，并且與互聯(lián)網(wǎng)結(jié)合起來而形成的一個巨大的信息網(wǎng)

7、絡(luò)系統(tǒng)。這個巨大的信息網(wǎng)絡(luò)系統(tǒng)是一個物聯(lián)網(wǎng)系統(tǒng)，在這個物聯(lián)網(wǎng)系統(tǒng)中，有大量感知數(shù)據(jù)需要選取適當(dāng)?shù)娜诤夏Ｊ?、處理算法進(jìn)行綜合分析，才能提高數(shù)據(jù)的質(zhì)量，獲得最佳決策和完成評估任務(wù)。這就是物聯(lián)網(wǎng)數(shù)據(jù)融合的意義和作用。4物聯(lián)網(wǎng)數(shù)據(jù)融合所要解決的關(guān)鍵問題和要求1) 物聯(lián)網(wǎng)數(shù)據(jù)融合所要解決的關(guān)鍵問題物聯(lián)網(wǎng)數(shù)據(jù)融合所要解決的關(guān)鍵問題有以下幾個：(1) 數(shù)據(jù)融合節(jié)點(diǎn)的選擇。融合節(jié)點(diǎn)的選擇與網(wǎng)絡(luò)層的路由協(xié)議有密切關(guān)系，需要依靠路由協(xié)議建立路由回路數(shù)據(jù)，并且使用路由結(jié)構(gòu)中的某些節(jié)點(diǎn)作為數(shù)據(jù)融合的節(jié)點(diǎn)。(2) 數(shù)據(jù)融合時機(jī)。(3) 數(shù)據(jù)融合算法。2) 物聯(lián)網(wǎng)數(shù)據(jù)融合技術(shù)要求與以往的多傳感器數(shù)據(jù)融合有所不同，物聯(lián)網(wǎng)具

8、有它自己獨(dú)特的融合技術(shù)要求：(1) 穩(wěn)定性。(2) 數(shù)據(jù)關(guān)聯(lián)。(3) 能量約束。(4) 協(xié)議的可擴(kuò)展性。 9.2 數(shù)據(jù)融合的原理9.2.1 數(shù)據(jù)融合的基本原理1數(shù)據(jù)融合的原理數(shù)據(jù)融合中心對來自多個傳感器的信息進(jìn)行融合，也可以將來自多個傳感器的信息和人機(jī)界面的觀測事實進(jìn)行信息融合(這種融合通常是決策級融合)，提取征兆信息，在推理機(jī)作用下，將征兆與知識庫中的知識匹配，做出故障診斷決策，提供給用戶。在基于信息融合的故障診斷系統(tǒng)中可以加入自學(xué)習(xí)模塊，故障決策經(jīng)自學(xué)習(xí)模塊反饋給知識庫，并對相應(yīng)的置信度因子進(jìn)行修改，更新知識庫。同時，自學(xué)習(xí)模塊能根據(jù)知識庫中的知識和用戶對系統(tǒng)提問的動態(tài)應(yīng)答進(jìn)行推理，以獲得

9、新知識、總結(jié)新經(jīng)驗，不斷擴(kuò)充知識庫，實現(xiàn)專家系統(tǒng)的自學(xué)習(xí)功能。一般來說，遙感影像的數(shù)據(jù)融合分為預(yù)處理和數(shù)據(jù)融合兩步。1) 預(yù)處理預(yù)處理主要包括遙感影像的幾何糾正、大氣訂正、輻射校正及空間配準(zhǔn)。(1) 幾何糾正、大氣訂正及輻射校正的目的在于去除透視收縮、疊掩、陰影等地形因素以及衛(wèi)星擾動、天氣變化、大氣散射等隨機(jī)因素對成像結(jié)果一致性的影響。(2) 影像空間配準(zhǔn)的目的在于消除由不同傳感器得到的影像在拍攝角度、時相及分辨率等方面的差異。 影像空間配準(zhǔn)時遙感影像數(shù)據(jù)融合的前提空間配準(zhǔn)一般可分為以下步驟： 特征選擇：在欲配準(zhǔn)的兩幅影像上，選擇如邊界、線狀物交叉點(diǎn)、區(qū)域輪廓線等明顯的特征。 特征匹配：采用一

10、定配準(zhǔn)算法，找出兩幅影像上對應(yīng)的明顯地物點(diǎn)，作為控制點(diǎn)。 空間變化：根據(jù)控制點(diǎn)，建立影像間的映射關(guān)系。 插值：根據(jù)映射關(guān)系，對非參考影像進(jìn)行重采樣，獲得同參考影像配準(zhǔn)的影像。空間配準(zhǔn)的精度一般要求在1至2個像元內(nèi)。空間配準(zhǔn)中最關(guān)鍵、最困難的一步就是通過特征匹配尋找對應(yīng)的明顯地物點(diǎn)作為控制點(diǎn)。 2) 數(shù)據(jù)融合根據(jù)融合目的和融合層次智能地選擇合適的融合算法，將空間配準(zhǔn)的遙感影像數(shù)據(jù)(或提取的圖像特征或模式識別的屬性說明)進(jìn)行有機(jī)合成(如“匹配處理”和“類型變換”等)，以便得到目標(biāo)的更準(zhǔn)確表示或估計。 2數(shù)據(jù)融合的分類及方法1) 數(shù)據(jù)融合的分類遙感影像的數(shù)據(jù)融合有三類：像元(pixel)級融合、特征

11、(feature)級融合、決策(decision)級融合，融合的水平依次從低到高。(1) 像元級融合：是一種低水平的融合。像元級融合的流程：經(jīng)過預(yù)處理的遙感影像數(shù)據(jù)數(shù)據(jù)融合特征提取融合屬性說明。 像元級融合模型如圖9.2所示。 圖9.2 像元級融合模型像元級融合的優(yōu)點(diǎn)：保留了盡可能多的信息，具有最高精度。像元級融合的局限性： 效率低下。由于處理的傳感器數(shù)據(jù)量大，所以處理時間較長，實時性差。 分析數(shù)據(jù)受限。為了便于像元比較，對傳感器信息的配準(zhǔn)精度要求很高，而且要求影像來源于一組同質(zhì)傳感器或同單位的。 分析能力差。不能實現(xiàn)對影像的有效理解和分析。 糾錯要求。由于底層傳感器信息存在不確定性、不完全性

12、或不穩(wěn)定性，所以對融合過程中的糾錯能力有較高要求。 抗干擾性差。像元級融合所包含的具體融合方法有代數(shù)法、IHS變換、小波變換、主成分變換(PCT)、K-T變換等。 (2) 特征級融合：是一種中等水平的融合。在這一級別中，先是將各遙感影像數(shù)據(jù)進(jìn)行特征提取，提取的特征信息應(yīng)是原始信息的充分表示量或充分統(tǒng)計量，然后按特征信息對多源數(shù)據(jù)進(jìn)行分類、聚集和綜合，產(chǎn)生特征矢量，而后采用一些基于特征級的融合方法融合這些特征矢量，作出基于融合特征矢量的屬性說明。 特征級融合的流程：經(jīng)過預(yù)處理的遙感影像數(shù)據(jù)特征提取特征級融合融合屬性說明。 特征級融合模型如圖9.3所示。 圖9.3 特征級融合模型(3) 決策級融合

13、：是最高水平的融合。融合的結(jié)果為指揮、控制、決策提供了依據(jù)。在這一級別中，首先對每一數(shù)據(jù)進(jìn)行屬性說明，然后對其結(jié)果加以融合，得到目標(biāo)或環(huán)境的融合屬性說明。決策級融合的流程：經(jīng)過預(yù)處理的遙感影像數(shù)據(jù)特征提取屬性說明屬性融合融合屬性說明。決策級融合模型如圖9.4所示。圖9.4 決策級融合模型決策級融合的優(yōu)點(diǎn)：容錯性強(qiáng)、開放性好、處理時間短、數(shù)據(jù)要求低、分析能力強(qiáng)。而由于對預(yù)處理及特征提取有較高要求，所以決策級融合的代價較高。 2) 數(shù)據(jù)融合的方法數(shù)據(jù)融合的方法主要有以下幾種：(1) 代數(shù)法：包括加權(quán)融合法、單變量圖像差值法、圖像比值法等。(2) 圖像回歸法(Image Regression)：首先

14、假定影像的像元值是另一影像的一個線性函數(shù)，通過最小二乘法來進(jìn)行回歸，然后再用回歸方程計算出的預(yù)測值減去影像的原始像元值，從而獲得二影像的回歸殘差圖像。經(jīng)過回歸處理后的遙感數(shù)據(jù)在一定程度上類似于進(jìn)行了相對輻射校正，因而能減弱多時相影像中由于大氣條件和太陽高度角的不同所帶來的影響。 (3) 主成分變換(PCT)：也稱為W-L變換，數(shù)學(xué)上稱為主成分分析(PCA)。PCT是應(yīng)用于遙感諸多領(lǐng)域的一種方法，包括高光譜數(shù)據(jù)壓縮、信息提取與融合及變化監(jiān)測等。PCT的本質(zhì)是通過去除冗余，將其余信息轉(zhuǎn)入少數(shù)幾幅影像(即主成分)的方法，對大量影像進(jìn)行概括和消除相關(guān)性。PCT使用相關(guān)系數(shù)陣或協(xié)方差陣來消除原始影像數(shù)據(jù)

15、的相關(guān)性，以達(dá)到去除冗余的目的。對于融合后的新圖像來說各波段的信息所作出的貢獻(xiàn)能最大限度地表現(xiàn)出來。PCT的優(yōu)點(diǎn)是能夠分離信息，減少相關(guān)，從而突出不同的地物目標(biāo)。另外，它對輻射差異具有自動校正的功能，因此無須再做相對輻射校正處理。 (4) K-T變換：即Kauth-Thomas變換，又形象地稱為“纓帽變換”。它是線性變換的一種，它能使坐標(biāo)空間發(fā)生旋轉(zhuǎn)，但旋轉(zhuǎn)后的坐標(biāo)軸不是指向主成分的方向，而是指向另外的方向，這些方向與地面景物有密切的關(guān)系，特別是與植物生長過程和土壤有關(guān)。因此，這種變換著眼于農(nóng)作物生長過程而區(qū)別于其他植被覆蓋，力爭抓住地面景物在多光譜空間的特征。通過K-T變換，既可以實現(xiàn)信息壓

16、縮，又可以幫助解譯分析農(nóng)業(yè)特征，因此，有很大的實際應(yīng)用意義。目前K-T變換在多源遙感數(shù)據(jù)融合方面的研究應(yīng)用主要集中在MSS與TM兩種遙感數(shù)據(jù)的應(yīng)用分析上。 (5) 小波變換：是一種新興的數(shù)學(xué)分析方法，已經(jīng)受到了廣泛的重視。小波變換是一種全局變換，在時間域和頻率域同時具有良好的定位能力，對高頻分量采用逐漸精細(xì)的時域和空域步長，可以聚焦到被處理圖像的任何細(xì)節(jié)，從而被譽(yù)為“數(shù)學(xué)顯微鏡”。小波變換常用于雷達(dá)影像(SAR)與TM影像的融合。它具有在提高影像空間分辨率的同時又保持色調(diào)和飽和度不變的優(yōu)越性。 (6) IHS變換：三個波段合成的RGB顏色空間是一個對物體顏色屬性描述的系統(tǒng)，而IHS色度空間提取

17、出物體的亮度I、色度H、飽和度S分別對應(yīng)三個波段的平均輻射強(qiáng)度、三個波段的數(shù)據(jù)向量和的方向及三個波段等量數(shù)據(jù)的大小。RGB顏色空間和IHS色度空間有著精確的轉(zhuǎn)換關(guān)系。以TM和SAR為例，變換思路是把TM圖像的三個波段合成的RGB假彩色圖像變換到IHS色度空間，然后用SAR圖像代替其中的I值，再變換到RGB顏色空間，形成新的影像。 數(shù)據(jù)融合的方法還包括多貝葉斯估計法、D-S(Dempster-Shafer)證據(jù)推理法和人工神經(jīng)網(wǎng)絡(luò)法等，具體內(nèi)容將在后面章節(jié)中進(jìn)行介紹。 遙感影像數(shù)據(jù)融合還是一門很不成熟的技術(shù)，有待于進(jìn)一步解決的關(guān)鍵問題包括空間配準(zhǔn)模型、建立統(tǒng)一的數(shù)學(xué)融合模型、提高數(shù)據(jù)預(yù)處理過程的

18、精度、提高精確度與可信度等。隨著計算機(jī)技術(shù)、通信技術(shù)的發(fā)展，新的理論和方法的不斷出現(xiàn)，遙感影像數(shù)據(jù)融合技術(shù)將日趨成熟，從理論研究轉(zhuǎn)入到實際更廣泛的應(yīng)用，最終必將向智能化、實時化方向發(fā)展，并同GIS結(jié)合，實現(xiàn)實時動態(tài)融合，用于更新和監(jiān)測。 9.2.2 物聯(lián)網(wǎng)中數(shù)據(jù)融合的層次結(jié)構(gòu)通過對多感知節(jié)點(diǎn)信息的協(xié)調(diào)優(yōu)化，數(shù)據(jù)融合技術(shù)可以有效地減少整個網(wǎng)絡(luò)中不必要的通信開銷，提高數(shù)據(jù)的準(zhǔn)確度和收集效率。因此，傳送已融合的數(shù)據(jù)要比未經(jīng)處理的數(shù)據(jù)節(jié)省能量，延長網(wǎng)絡(luò)的生存周期。但對物聯(lián)網(wǎng)而言，數(shù)據(jù)融合技術(shù)將面臨更多挑戰(zhàn)，例如，感知節(jié)點(diǎn)能源有限、多數(shù)據(jù)流的同步、數(shù)據(jù)的時間敏感特性、網(wǎng)絡(luò)帶寬的限制、無線通信的不可靠性和

19、網(wǎng)絡(luò)的動態(tài)特性等。因此，物聯(lián)網(wǎng)中的數(shù)據(jù)融合需要有其獨(dú)特的層次性結(jié)構(gòu)體系。 1傳感網(wǎng)感知節(jié)點(diǎn)的部署在傳感網(wǎng)數(shù)據(jù)融合結(jié)構(gòu)中，比較重要的問題是如何部署感知節(jié)點(diǎn)。目前，傳感網(wǎng)感知節(jié)點(diǎn)的部署方式一般有三種類型：并行拓?fù)?、串行拓?fù)浜突旌贤負(fù)?。最常用的拓?fù)浣Y(jié)構(gòu)是并行拓?fù)?，在這種部署方式中，各種類型的感知節(jié)點(diǎn)同時工作；串行拓?fù)?，其感知?jié)點(diǎn)檢測數(shù)據(jù)信息具有暫時性，實際上SAR(Synthetic Aperture Radar)圖像就屬于此結(jié)構(gòu)；混合拓?fù)洌礃錉钔負(fù)洹?2數(shù)據(jù)融合的層次劃分?jǐn)?shù)據(jù)融合大部分是根據(jù)具體問題及其特定對象來建立自己的融合層次。例如，有些應(yīng)用將數(shù)據(jù)融合劃分為檢測層、位置層、屬性層、態(tài)勢評估和

20、威脅評估；有的根據(jù)輸入/輸出數(shù)據(jù)的特征提出了基于輸入/輸出特征的融合層次化描述。數(shù)據(jù)融合層次的劃分目前還沒有統(tǒng)一標(biāo)準(zhǔn)。 根據(jù)多傳感器數(shù)據(jù)融合模型定義和傳感網(wǎng)的自身特點(diǎn)，通常按照節(jié)點(diǎn)處理層次、融合前后的數(shù)據(jù)量變化、信息抽象的層次，來劃分傳感網(wǎng)數(shù)據(jù)融合的層次結(jié)構(gòu)。數(shù)據(jù)融合的一般模型如圖9.5所示。圖9.5 數(shù)據(jù)融合的一般模型9.3 數(shù)據(jù)融合技術(shù)與算法9.3.1 傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸及融合技術(shù)如今無線傳感器網(wǎng)絡(luò)已經(jīng)成為一種極具潛力的測量工具。它是一個由微型、廉價、能量受限的傳感器節(jié)點(diǎn)所組成，通過無線方式進(jìn)行通信的多跳網(wǎng)絡(luò)，其目的是對所覆蓋區(qū)域內(nèi)的信息進(jìn)行采集、處理和傳遞。然而，傳感器節(jié)點(diǎn)體積小，依靠電

21、池供電，且更換電池不便，如何高效使用能量，提高節(jié)點(diǎn)生命周期，是傳感器網(wǎng)絡(luò)面臨的首要問題。1傳統(tǒng)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸1) 直接傳輸模型直接傳輸模型是指傳感器節(jié)點(diǎn)將采集到的數(shù)據(jù)通過較大的功率直接一跳傳輸?shù)絊ink節(jié)點(diǎn)上，進(jìn)行集中式處理，如圖9.6所示。這種方法的缺點(diǎn)在于：距離Sink節(jié)點(diǎn)較遠(yuǎn)的傳感器節(jié)點(diǎn)需要很大的發(fā)送功率才可以達(dá)到與Sink節(jié)點(diǎn)通信的目的，而傳感器節(jié)點(diǎn)的通信距離有限，因此距離Sink較遠(yuǎn)的節(jié)點(diǎn)往往無法與Sink節(jié)點(diǎn)進(jìn)行可靠的通信，這是不能被接受的；且在較大通信距離上的節(jié)點(diǎn)需耗費(fèi)很大的能量才能完成與Sink節(jié)點(diǎn)的通信，容易造成有關(guān)節(jié)點(diǎn)的能量很快耗盡，這樣的傳感器網(wǎng)絡(luò)在實際中難以得

22、到應(yīng)用。 2) 多跳傳輸模型多跳傳輸模型類似于Ad-Hoc網(wǎng)絡(luò)模型，如圖9.7所示。每個節(jié)點(diǎn)自身不對數(shù)據(jù)進(jìn)行任何處理，而是調(diào)整發(fā)送功率，以較小功率經(jīng)過多跳將測量數(shù)據(jù)傳輸?shù)絊ink節(jié)點(diǎn)中再進(jìn)行集中處理。多跳傳輸模型很好地改善了直接傳輸模型的缺陷，使得能量得到了有效的利用，這是傳感器網(wǎng)絡(luò)得到廣泛利用的前提。 圖9.6 直接傳輸模型 圖9.7 多跳傳輸模型 該方法的缺點(diǎn)在于：當(dāng)網(wǎng)絡(luò)規(guī)模較大時，會出現(xiàn)熱點(diǎn)問題，即位于兩條或多條路徑交叉處的節(jié)點(diǎn)，以及距離Sink節(jié)點(diǎn)一跳的節(jié)點(diǎn)(將它稱之為瓶頸節(jié)點(diǎn))，如圖9.7中的N1、N2、N3、N4，它們除了自身的傳輸之外，還要在多跳傳遞中充當(dāng)中介。在這種情況下，這些

23、節(jié)點(diǎn)的能量將會很快耗盡。對于以節(jié)能為前提的傳感器網(wǎng)絡(luò)而言，這顯然不是一種很有效的方式。2無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)在大規(guī)模的無線傳感器網(wǎng)絡(luò)中，由于每個傳感器的監(jiān)測范圍以及可靠性都是有限的，在放置傳感器節(jié)點(diǎn)時，有時要使傳感器節(jié)點(diǎn)的監(jiān)測范圍互相交疊，以增強(qiáng)整個網(wǎng)絡(luò)所采集的信息的魯棒性和準(zhǔn)確性。那么，在無線傳感器網(wǎng)絡(luò)中的感測數(shù)據(jù)就會具有一定的空間相關(guān)性，即距離相近的節(jié)點(diǎn)所傳輸?shù)臄?shù)據(jù)具有一定的冗余度。在傳統(tǒng)的數(shù)據(jù)傳輸模式下，每個節(jié)點(diǎn)都將傳輸全部的感測信息，這其中就包含了大量的冗余信息，即有相當(dāng)一部分的能量用于不必要的數(shù)據(jù)傳輸。而傳感器網(wǎng)絡(luò)中傳輸數(shù)據(jù)的能耗遠(yuǎn)大于處理數(shù)據(jù)的能耗。因此，在大規(guī)模無線傳感器

24、網(wǎng)絡(luò)中，使各個節(jié)點(diǎn)多跳傳輸感測數(shù)據(jù)到Sink節(jié)點(diǎn)前，先對數(shù)據(jù)進(jìn)行融合處理是非常有必要的，數(shù)據(jù)融合技術(shù)應(yīng)運(yùn)而生。 1) 集中式數(shù)據(jù)融合算法(1) 分簇模型的LEACH算法。為了改善熱點(diǎn)問題，Wendi Rabiner Heinzelman等提出了在無線傳感器網(wǎng)絡(luò)中使用分簇概念，其將網(wǎng)絡(luò)分為不同層次的LEACH算法：通過某種方式周期性隨機(jī)選舉簇頭，簇頭在無線信道中廣播信息，其余節(jié)點(diǎn)檢測信號并選擇信號最強(qiáng)的簇頭加入，從而形成不同的簇。簇頭之間的連接構(gòu)成上層骨干網(wǎng)，所有簇間通信都通過骨干網(wǎng)進(jìn)行轉(zhuǎn)發(fā)。簇內(nèi)成員將數(shù)據(jù)傳輸給簇頭節(jié)點(diǎn)，簇頭節(jié)點(diǎn)再向上一級簇頭傳輸，直至Sink節(jié)點(diǎn)。圖9.8所示為兩層分簇結(jié)構(gòu)。

25、這種方式可降低節(jié)點(diǎn)發(fā)送功率，減少不必要的鏈路和節(jié)點(diǎn)間干擾，達(dá)到保持網(wǎng)絡(luò)內(nèi)部能量消耗的均衡，延長網(wǎng)絡(luò)壽命的目的。該算法的缺點(diǎn)在于：分簇的實現(xiàn)以及簇頭的選擇都需要相當(dāng)一部分的開銷，且簇內(nèi)成員過多地依賴簇頭進(jìn)行數(shù)據(jù)傳輸與處理，使得簇頭的能量消耗很快。為避免簇頭能量耗盡，需頻繁選擇簇頭。同時，簇頭與簇內(nèi)成員為點(diǎn)對多點(diǎn)的一跳通信，可擴(kuò)展性差，不適用于大規(guī)模網(wǎng)絡(luò)。圖9.8 LEACH算法 圖9.9 PEGASIS算法 (2) PEGASIS算法。Stephanie Lindsey等人在LEACH的基礎(chǔ)上提出了PEGASIS算法。此算法假定網(wǎng)絡(luò)中的每個節(jié)點(diǎn)都是同構(gòu)的且靜止不動，節(jié)點(diǎn)通過通信來獲得與其他節(jié)點(diǎn)之

26、間的位置關(guān)系。每個節(jié)點(diǎn)通過貪婪算法找到與其最近的相鄰節(jié)點(diǎn)，并作為自己的下一節(jié)點(diǎn)，依次遍歷網(wǎng)絡(luò)中的所有節(jié)點(diǎn)，最終形成一條鏈(Chain)，同時設(shè)定一個距離Sink最近的節(jié)點(diǎn)為鏈頭節(jié)點(diǎn)，它與Sink進(jìn)行一跳通信。數(shù)據(jù)總是在某個節(jié)點(diǎn)與其鄰居之間傳輸，節(jié)點(diǎn)通過多跳方式輪流傳輸數(shù)據(jù)到Sink處，如圖9.9所示。PEGASIS算法的缺點(diǎn)也很明顯：首先每個節(jié)點(diǎn)必須知道網(wǎng)絡(luò)中其他各節(jié)點(diǎn)的位置信息；其次，鏈頭節(jié)點(diǎn)為瓶頸節(jié)點(diǎn)，它的存在至關(guān)重要，若它的能量耗盡，則有關(guān)路由將會失效；再次，較長的鏈會造成較大的傳輸時延。2) 分布式數(shù)據(jù)融合算法可以將一個規(guī)則的傳感器網(wǎng)絡(luò)拓?fù)鋱D等效為一幅圖像，獲得一種將小波變換應(yīng)用到無線

27、傳感器網(wǎng)絡(luò)中的分布式數(shù)據(jù)融合技術(shù)。這方面的研究已取得了一些階段性成果，下面就對其進(jìn)行介紹。 (1) 規(guī)則網(wǎng)絡(luò)情況。Servetto首先研究了小波變換的分布式實現(xiàn)，并將其用于解決無線傳感器網(wǎng)絡(luò)中的廣播問題。南加州大學(xué)的A.Ciancio進(jìn)一步研究了無線傳感器網(wǎng)絡(luò)中的分布式數(shù)據(jù)融合算法，引入lifting變換，提出了一種基于lifting的規(guī)則網(wǎng)絡(luò)中分布式小波變換數(shù)據(jù)融合算法(DWT_RE)，并將其應(yīng)用于規(guī)則網(wǎng)絡(luò)中。如圖9.10所示，網(wǎng)絡(luò)中節(jié)點(diǎn)規(guī)則分布，每個節(jié)點(diǎn)只與其相鄰的左右兩個鄰居進(jìn)行通信，對數(shù)據(jù)進(jìn)行去相關(guān)計算。圖9.10 DWT_RE算法DWT_RE算法的實現(xiàn)分為兩步：第一步，奇數(shù)節(jié)點(diǎn)接收到

28、來自它們偶數(shù)鄰居節(jié)點(diǎn)的感測數(shù)據(jù)，并經(jīng)過計算得出細(xì)節(jié)小波系數(shù)；第二步，奇數(shù)節(jié)點(diǎn)把這些系數(shù)送至它們的偶數(shù)鄰居節(jié)點(diǎn)以及Sink節(jié)點(diǎn)中，偶數(shù)鄰居節(jié)點(diǎn)利用這些信息計算出近似小波系數(shù)，也將這些系數(shù)送至Sink節(jié)點(diǎn)中。小波變換在規(guī)則分布網(wǎng)絡(luò)中的應(yīng)用是數(shù)據(jù)融合算法的重要突破，但是實際應(yīng)用中節(jié)點(diǎn)分布是不規(guī)則的，因此需要找到一種算法解決不規(guī)則網(wǎng)絡(luò)的數(shù)據(jù)融合問題。 (2) 不規(guī)則網(wǎng)絡(luò)情況。萊斯大學(xué)的R Wagner在其博士論文中首次提出了一種不規(guī)則網(wǎng)絡(luò)環(huán)境下的分布式小波變換方案，即Distributed Wavelet Transform_IRR(DWT_IRR)，并將其擴(kuò)展到三維情況。萊斯大學(xué)的COMPASS項目

29、組已經(jīng)對此算法進(jìn)行了檢驗，下面對其進(jìn)行介紹。DWT_IRR算法建立在lifting算法的基礎(chǔ)上，它的具體思想如圖9.11圖9.13所示，分成三步：分裂、預(yù)測和更新。首先根據(jù)節(jié)點(diǎn)之間的不同距離(數(shù)據(jù)相關(guān)性不同)按一定算法將節(jié)點(diǎn)分為偶數(shù)集合Ej和奇數(shù)集合Oj。以O(shè)j中的數(shù)據(jù)進(jìn)行預(yù)測，根據(jù)Oj節(jié)點(diǎn)與其相鄰的Ej節(jié)點(diǎn)進(jìn)行通信后，用Ej節(jié)點(diǎn)信息預(yù)測出Oj節(jié)點(diǎn)信息，將該信息與原來Oj中的信息相減，從而得到細(xì)節(jié)分量dj。然后，Oj發(fā)送dj至參與預(yù)測的Ej中，Ej節(jié)點(diǎn)將原來信息與dj相加，從而得到近似分量Sj，該分量將參與下一輪的迭代。以此類推，直到j(luò)=0為止。圖9.11 總體思想圖該算法依靠節(jié)點(diǎn)與一定范圍內(nèi)

30、的鄰居節(jié)點(diǎn)進(jìn)行通信。經(jīng)過多次迭代后，節(jié)點(diǎn)之間的距離進(jìn)一步擴(kuò)大，小波也由精細(xì)尺度變換到了粗糙尺度，近似信息被集中在了少數(shù)節(jié)點(diǎn)中，細(xì)節(jié)信息被集中在了多數(shù)節(jié)點(diǎn)中，從而實現(xiàn)了網(wǎng)絡(luò)數(shù)據(jù)的稀疏變換。通過對小波系數(shù)進(jìn)行篩選，將所需信息進(jìn)行l(wèi)ifting逆變換，可以應(yīng)用于有損壓縮處理。它的優(yōu)點(diǎn)是：充分利用感測數(shù)據(jù)的相關(guān)性，進(jìn)行有效的壓縮變換；分布式計算，無中心節(jié)點(diǎn)，避免熱點(diǎn)問題；將原來網(wǎng)絡(luò)中的瓶頸節(jié)點(diǎn)以及簇頭節(jié)點(diǎn)的能量平均到整個網(wǎng)絡(luò)中，充分起到了節(jié)能作用，延長了整個網(wǎng)絡(luò)的壽命。然而，該算法也有其自身的一些設(shè)計缺陷：首先，節(jié)點(diǎn)必須知道全網(wǎng)位置信息；其次，雖然最終與Sink節(jié)點(diǎn)的通信數(shù)據(jù)量是減少了，但是有很多額外

31、開銷用于了鄰居節(jié)點(diǎn)之間的局部信號處理上，即很多能量消耗在了局部通信上。對于越密集、相關(guān)性越強(qiáng)的網(wǎng)絡(luò)，該算法的效果越好。在此基礎(chǔ)上，南加州大學(xué)的Godwin Shen考慮到DWT_IRR算法中沒有討論的關(guān)于計算反向鏈路所需的開銷，從而對該算法進(jìn)行了優(yōu)化。由于反向鏈路加重了不必要的通信開銷，Godwin Shen提出預(yù)先為整個網(wǎng)絡(luò)建立一棵最優(yōu)路由樹，使節(jié)點(diǎn)記錄通信路由，從而消除反向鏈路開銷?；趹?yīng)用領(lǐng)域的不同，以上算法各有其優(yōu)缺點(diǎn)，如表9-1所示。表9-1 各類算法比較9.3.2 多傳感器數(shù)據(jù)融合算法多傳感器數(shù)據(jù)融合技術(shù)是近幾年發(fā)展起來的一門實踐性較強(qiáng)的應(yīng)用技術(shù)，是多學(xué)科交叉的新技術(shù)，涉及信號處理

32、、概率統(tǒng)計、信息論、模式識別、人工智能、模糊數(shù)學(xué)等理論。多傳感器融合技術(shù)已成為軍事、工業(yè)和高技術(shù)開發(fā)等多方面關(guān)心的問題。這一技術(shù)廣泛應(yīng)用于C3I(Command，Control，Communication and Intelligence)系統(tǒng)、復(fù)雜工業(yè)過程控制、機(jī)器人、自動目標(biāo)識別、交通管制、慣性導(dǎo)航、海洋監(jiān)視和管理、農(nóng)業(yè)、遙感、醫(yī)療診斷、圖像處理、模式識別等領(lǐng)域。 1多傳感器數(shù)據(jù)融合原理數(shù)據(jù)融合又稱做信息融合或多傳感器數(shù)據(jù)融合。多傳感器數(shù)據(jù)融合比較確切的定義可概括為：充分利用不同時間與空間的多傳感器數(shù)據(jù)資源，采用計算機(jī)技術(shù)對按時間序列獲得的多傳感器觀測數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配

33、和使用，獲得對被測對象的一致性解釋與描述，進(jìn)而實現(xiàn)相應(yīng)的決策和估計，使系統(tǒng)獲得比它的各組成部分更充分的信息。 多傳感器數(shù)據(jù)融合技術(shù)的基本原理就像人腦綜合處理信息一樣，充分利用多個傳感器資源，通過對多傳感器及其觀測信息的合理支配和使用，把多傳感器在空間或時間上冗余或互補(bǔ)的信息依據(jù)某種準(zhǔn)則來進(jìn)行組合，以獲得對被測對象的一致性解釋與描述。具體地說，多傳感器數(shù)據(jù)融合原理如下：(1) N個不同類型的傳感器(有源或無源的)收集觀測目標(biāo)的數(shù)據(jù)。 (2) 對傳感器的輸出數(shù)據(jù)(離散的或連續(xù)的時間函數(shù)數(shù)據(jù)、輸出矢量、成像數(shù)據(jù)或一個直接的屬性說明)進(jìn)行特征提取變換，提取代表觀測數(shù)據(jù)的特征矢量Yi。(3) 對特征矢量

34、Yi進(jìn)行模式識別處理(如聚類算法、自適應(yīng)神經(jīng)網(wǎng)絡(luò)或其他能將特征矢量Yi變換成目標(biāo)屬性判決的統(tǒng)計模式識別法等)，完成各傳感器關(guān)于目標(biāo)的說明。(4) 將各傳感器關(guān)于目標(biāo)的說明數(shù)據(jù)按同一目標(biāo)進(jìn)行分組，即關(guān)聯(lián)。(5) 利用融合算法將每一目標(biāo)各傳感器數(shù)據(jù)進(jìn)行合成，得到該目標(biāo)的一致性解釋與描述。 2多傳感器數(shù)據(jù)融合方法利用多個傳感器所獲取的關(guān)于對象和環(huán)境全面、完整的信息，主要體現(xiàn)在融合算法上。因此，多傳感器系統(tǒng)的核心問題是選擇合適的融合算法。對于多傳感器系統(tǒng)來說，信息具有多樣性和復(fù)雜性，因此，對信息融合方法的基本要求是具有魯棒性和并行處理能力。此外，還有方法的運(yùn)算速度和精度；與前續(xù)預(yù)處理系統(tǒng)和后續(xù)信息識別

35、系統(tǒng)的接口性能；與不同技術(shù)和方法的協(xié)調(diào)能力；對信息樣本的要求等。一般情況下，基于非線性的數(shù)學(xué)方法，如果它具有容錯性、自適應(yīng)性、聯(lián)想記憶和并行處理能力，則都可以用來作為融合方法。多傳感器數(shù)據(jù)融合雖然未形成完整的理論體系和有效的融合算法，但在不少應(yīng)用領(lǐng)域根據(jù)各自的具體應(yīng)用背景，已經(jīng)提出了許多成熟并且有效的融合方法。多傳感器數(shù)據(jù)融合的常用方法基本上可概括為隨機(jī)和人工智能兩大類。隨機(jī)類方法有加權(quán)平均法、卡爾曼濾波法、多貝葉斯估計法、Dempster-Shafer(D-S)證據(jù)推理、產(chǎn)生式規(guī)則等；而人工智能類方法則有模糊邏輯推理、人工神經(jīng)網(wǎng)絡(luò)法、粗集理論、專家系統(tǒng)等。1) 隨機(jī)類方法(1) 加權(quán)平均法。

36、加權(quán)平均法是最簡單、最直觀的方法。該方法將一組傳感器提供的冗余信息進(jìn)行加權(quán)平均，其結(jié)果作為融合值。該方法是一種直接對數(shù)據(jù)源進(jìn)行操作的方法。(2) 卡爾曼濾波法。卡爾曼濾波法主要用于融合低層次實時動態(tài)多傳感器冗余數(shù)據(jù)。該方法用測量模型的統(tǒng)計特性遞推，決定統(tǒng)計意義下的最優(yōu)融合和數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學(xué)模型，且系統(tǒng)與傳感器的誤差符合高斯白噪聲模型，則卡爾曼濾波法將為融合數(shù)據(jù)提供唯一統(tǒng)計意義下的最優(yōu)估計?？柭鼮V波的遞推特性使系統(tǒng)處理不需要大量的數(shù)據(jù)存儲和計算。 (3) 多貝葉斯估計法。貝葉斯估計為數(shù)據(jù)融合提供了一種手段，是融合靜態(tài)環(huán)境中多傳感器高層信息的常用方法。它使傳感器信息依據(jù)概率原則進(jìn)

37、行組合，測量不確定性以條件概率表示。當(dāng)傳感器組的觀測坐標(biāo)一致時，可以直接對傳感器的數(shù)據(jù)進(jìn)行融合，但大多數(shù)情況下，傳感器測量數(shù)據(jù)要以間接方式采用貝葉斯估計進(jìn)行數(shù)據(jù)融合。多貝葉斯估計將每一個傳感器作為一個貝葉斯估計，將各個單獨(dú)物體的關(guān)聯(lián)概率分布合成一個聯(lián)合的后驗的概率分布函數(shù)，通過使用聯(lián)合分布函數(shù)的似然函數(shù)為最小，提供多傳感器信息的最終融合值，融合信息與環(huán)境的一個先驗?zāi)Ｐ吞峁┱麄€環(huán)境的一個特征描述。(4) D-S證據(jù)推理。D-S證據(jù)推理是貝葉斯推理的擴(kuò)充，其三個基本要點(diǎn)是：基本概率賦值函數(shù)、信任函數(shù)和似然函數(shù)。D-S方法的推理結(jié)構(gòu)是自上而下的，分三級。第一級為目標(biāo)合成，其作用是把來自獨(dú)立傳感器的觀

38、測結(jié)果合成為一個總的輸出結(jié)果(ID)。第二級為推斷，其作用是獲得傳感器的觀測結(jié)果并進(jìn)行推斷，將傳感器觀測結(jié)果擴(kuò)展成目標(biāo)報告。這種推斷的基礎(chǔ)是：一定的傳感器報告以某種可信度在邏輯上會產(chǎn)生可信的某些目標(biāo)報告。第三級為更新，各種傳感器一般都存在隨機(jī)誤差，所以，在時間上充分獨(dú)立地來自同一傳感器的一組連續(xù)報告比任何單一報告可靠。因此，在推理和多傳感器合成之前，要先組合(更新)傳感器的觀測數(shù)據(jù)。(5) 產(chǎn)生式規(guī)則。產(chǎn)生式規(guī)則采用符號表示目標(biāo)特征和相應(yīng)傳感器信息之間的聯(lián)系，與每一個規(guī)則相聯(lián)系的置信因子表示它的不確定性程度。當(dāng)在同一個邏輯推理過程中，兩個或多個規(guī)則形成一個聯(lián)合規(guī)則時，可以產(chǎn)生融合。應(yīng)用產(chǎn)生式規(guī)

39、則進(jìn)行融合的主要問題是每個規(guī)則的置信因子的定義與系統(tǒng)中其他規(guī)則的置信因子相關(guān)，如果系統(tǒng)中引入新的傳感器，則需要加入相應(yīng)的附加規(guī)則。2) 人工智能類方法(1) 模糊邏輯推理。模糊邏輯是多值邏輯，通過指定一個0到1之間的實數(shù)表示真實度，相當(dāng)于隱含算子的前提，允許將多個傳感器信息融合過程中的不確定性直接表示在推理過程中。如果采用某種系統(tǒng)化的方法對融合過程中的不確定性進(jìn)行推理建模，則可以產(chǎn)生一致性模糊推理。與概率統(tǒng)計方法相比，邏輯推理存在許多優(yōu)點(diǎn)，它在一定程度上克服了概率論所面臨的問題，對信息的表示和處理更加接近人類的思維方式，一般比較適合于在高層次上的應(yīng)用(如決策)，但是，模糊邏輯推理本身還不夠成熟

40、和系統(tǒng)化。此外，由于模糊邏輯推理對信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。 模糊集合理論對于數(shù)據(jù)融合的實際價值在于它外延到模糊邏輯，模糊邏輯是一種多值邏輯，隸屬度可視為一個數(shù)據(jù)真值的不精確表示。在MSF(Microsoft Solution Framwork)過程中，存在的不確定性可以直接用模糊邏輯表示，然后，使用多值邏輯推理，根據(jù)模糊集合理論的各種演算對各種命題進(jìn)行合并，進(jìn)而實現(xiàn)數(shù)據(jù)融合。(2) 人工神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯性以及自學(xué)習(xí)、自組織及自適應(yīng)能力，能夠模擬復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)的這些特性和強(qiáng)大的非線性處理能力，恰好滿足了多傳感器數(shù)據(jù)融合技術(shù)處理

41、的要求。在多傳感器系統(tǒng)中，各信息源所提供的環(huán)境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定性推理過程。神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前系統(tǒng)所接受的樣本相似性確定分類標(biāo)準(zhǔn)，這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)的權(quán)值分布上，同時，可以采用神經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來獲取知識，得到不確定性推理機(jī)制。利用神經(jīng)網(wǎng)絡(luò)的信號處理能力和自動推理功能，即實現(xiàn)了多傳感器數(shù)據(jù)融合。常用的數(shù)據(jù)融合方法及特性如表9-2所示。通常使用的方法依具體的應(yīng)用而定，并且，由于各種方法之間的互補(bǔ)性，實際上，常將兩種或兩種以上的方法組合進(jìn)行多傳感器數(shù)據(jù)融合。表9-2 常用的數(shù)據(jù)融合方法比較融合方法運(yùn)行環(huán)境信息類型信息表示不確定性融合

42、技術(shù)適用范圍加權(quán)平均法動態(tài)冗余原始讀數(shù)值加權(quán)平均低層數(shù)據(jù)融合卡爾曼濾波法動態(tài)冗余概率分布高斯噪聲系統(tǒng)模型濾波低層數(shù)據(jù)融合多貝葉斯估計法靜態(tài)冗余概率分布高斯噪聲貝葉斯估計高層數(shù)據(jù)融合產(chǎn)生式規(guī)則動/靜態(tài)冗余/互補(bǔ)命題置信因子邏輯推理高層數(shù)據(jù)融合D-S證據(jù)推理靜態(tài)冗余/互補(bǔ)命題邏輯推理高層數(shù)據(jù)融合模糊邏輯推理靜態(tài)冗余/互補(bǔ)命題隸屬度邏輯推理高層數(shù)據(jù)融合人工神經(jīng)網(wǎng)絡(luò)法動/靜態(tài)冗余/互補(bǔ)神經(jīng)元輸入學(xué)習(xí)誤差神經(jīng)網(wǎng)絡(luò)低/高層3數(shù)據(jù)融合存在的問題及發(fā)展趨勢數(shù)據(jù)融合技術(shù)方興未艾，幾乎一切信息處理方法都可以應(yīng)用于數(shù)據(jù)融合系統(tǒng)。隨著傳感器技術(shù)、數(shù)據(jù)處理技術(shù)、計算機(jī)技術(shù)、網(wǎng)絡(luò)通信技術(shù)、人工智能技術(shù)、并行計算軟件和硬件

43、技術(shù)等相關(guān)技術(shù)的發(fā)展，尤其是人工智能技術(shù)的進(jìn)步，新的、更有效的數(shù)據(jù)融合方法將不斷推出，多傳感器數(shù)據(jù)融合必將成為未來復(fù)雜工業(yè)系統(tǒng)智能檢測與數(shù)據(jù)處理的重要技術(shù)，其應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大。多傳感器數(shù)據(jù)融合不是一門單一的技術(shù)，而是一門跨學(xué)科的綜合理論和方法，并且，是一個不很成熟的新研究領(lǐng)域，尚處在不斷變化和發(fā)展過程中。 1) 數(shù)據(jù)融合存在的問題(1) 尚未建立統(tǒng)一的融合理論和有效的廣義融合模型及算法。(2) 對數(shù)據(jù)融合的具體方法的研究尚處于初級階段。(3) 還沒有很好解決融合系統(tǒng)中的容錯性或魯棒性問題。(4) 關(guān)聯(lián)的二義性是數(shù)據(jù)融合中的主要障礙。(5) 數(shù)據(jù)融合系統(tǒng)的設(shè)計還存在許多實際問題。2) 數(shù)據(jù)融合

44、的發(fā)展趨勢數(shù)據(jù)融合的發(fā)展趨勢如下：(1) 建立統(tǒng)一的融合理論、數(shù)據(jù)融合的體系結(jié)構(gòu)和廣義融合模型。(2) 解決數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)庫構(gòu)建、數(shù)據(jù)庫管理、人機(jī)接口、通用軟件包開發(fā)問題，利用成熟的輔助技術(shù)，建立面向具體應(yīng)用需求的數(shù)據(jù)融合系統(tǒng)。(3) 將人工智能技術(shù)(如神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊邏輯推理、專家理論等)引入到數(shù)據(jù)融合領(lǐng)域，利用集成的計算智能方法(如模糊邏輯推理+神經(jīng)網(wǎng)絡(luò)，遺傳算法+模糊邏輯推理+神經(jīng)網(wǎng)絡(luò)等)提高多傳感器融合的性能。(4) 解決不確定性因素的表達(dá)和推理演算，例如引入灰數(shù)的概念。(5) 利用有關(guān)的先驗數(shù)據(jù)提高數(shù)據(jù)融合的性能，研究更加先進(jìn)、復(fù)雜的融合算法(未知和動態(tài)環(huán)境中，采

45、用并行計算機(jī)結(jié)構(gòu)多傳感器集成與融合方法的研究等)。(6) 在多平臺/單平臺、異類/同類多傳感器的應(yīng)用背景下，建立計算復(fù)雜程度低，同時，又能滿足任務(wù)要求的數(shù)據(jù)處理模型和算法。(7) 構(gòu)建數(shù)據(jù)融合測試評估平臺和多傳感器管理體系。(8) 將已有的融合方法工程化與商品化，開發(fā)能夠提供多種復(fù)雜融合算法的處理硬件，以便在數(shù)據(jù)獲取的同時就實時地完成融合?？傊?，與單傳感器系統(tǒng)相比，運(yùn)用多傳感器數(shù)據(jù)融合技術(shù)在解決探測、跟蹤和目標(biāo)識別等問題方面，能夠增強(qiáng)系統(tǒng)的生存能力，提高整個系統(tǒng)的可靠性和魯棒性，增強(qiáng)數(shù)據(jù)的可信度，并提高精度，擴(kuò)展整個系統(tǒng)的時間、空間覆蓋率，增加系統(tǒng)的實時性和信息利用率等。 9.3.3 傳感器網(wǎng)

46、絡(luò)的數(shù)據(jù)融合路由算法1無線傳感器網(wǎng)絡(luò)中的路由協(xié)議無線傳感器網(wǎng)絡(luò)因為其與正常通信網(wǎng)絡(luò)和Ad-Hoc網(wǎng)絡(luò)有較大不同，所以對網(wǎng)絡(luò)協(xié)議提出了許多新的挑戰(zhàn)。(1) 由于無線傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)眾多，無法為每一個節(jié)點(diǎn)建立一個能在網(wǎng)絡(luò)中唯一區(qū)別的身份，所以典型的基于IP的協(xié)議無法應(yīng)用于無線傳感器網(wǎng)絡(luò)。(2) 與典型通信網(wǎng)絡(luò)的區(qū)別是：無線傳感器網(wǎng)絡(luò)需要從多個源節(jié)點(diǎn)向一個匯聚節(jié)點(diǎn)傳送數(shù)據(jù)。(3) 在傳輸過程中，很多節(jié)點(diǎn)發(fā)送的數(shù)據(jù)具有相似部分，所以需要過濾掉這些冗余信息，從而保證能量和帶寬的有效利用。(4) 傳感器節(jié)點(diǎn)的傳輸能力、能量、處理能力和內(nèi)存都非常有限，而同時網(wǎng)絡(luò)又具有節(jié)點(diǎn)數(shù)量眾多、動態(tài)性強(qiáng)、感知數(shù)據(jù)量大等特

47、點(diǎn)，所以需要很好地對網(wǎng)絡(luò)資源進(jìn)行管理。根據(jù)這些區(qū)別，產(chǎn)生了很多新的無線傳感器網(wǎng)絡(luò)路由算法，這些算法都是針對網(wǎng)絡(luò)的應(yīng)用與構(gòu)成進(jìn)行研究的。幾乎所有的路由協(xié)議都以數(shù)據(jù)為中心進(jìn)行工作。 傳統(tǒng)的路由協(xié)議通常以地址作為節(jié)點(diǎn)標(biāo)志和路由的依據(jù)，而在無線傳感器網(wǎng)絡(luò)中，大量節(jié)點(diǎn)隨機(jī)部署，我們所關(guān)注的是監(jiān)測區(qū)域的感知數(shù)據(jù)，而不是具體哪個節(jié)點(diǎn)獲取的信息，不依賴于全網(wǎng)唯一的標(biāo)識。當(dāng)有事件發(fā)生時，在特定感知范圍內(nèi)的節(jié)點(diǎn)就會檢測到并開始收集數(shù)據(jù)，這些數(shù)據(jù)將被發(fā)送到匯聚節(jié)點(diǎn)做進(jìn)一步處理，以上描述稱為事件驅(qū)動的應(yīng)用，在這種應(yīng)用當(dāng)中，傳感器用來檢測特定的事件。當(dāng)特定事件發(fā)生時，收集原始數(shù)據(jù)，并在發(fā)送之前對其進(jìn)一步處理。首先把本地

48、的原始數(shù)據(jù)融合在一起，然后把融合后的數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)。在反向組播樹里，每個非葉子節(jié)點(diǎn)都具有數(shù)據(jù)融合的功能。這個過程稱為以數(shù)據(jù)為中心的路由。在以數(shù)據(jù)為中心的路由里，數(shù)據(jù)融合技術(shù)利用抑制冗余、最小、最大和平均計算等操作，將來自不同源節(jié)點(diǎn)的相似數(shù)據(jù)結(jié)合起來，通過數(shù)據(jù)的簡化實現(xiàn)傳輸數(shù)量的減少，從而節(jié)約能源、延長傳感器網(wǎng)絡(luò)的生存時間。在數(shù)據(jù)融合中，節(jié)點(diǎn)不僅能使數(shù)據(jù)簡化，還可以針對特定的應(yīng)用環(huán)境，將多個傳感器節(jié)點(diǎn)所產(chǎn)生的數(shù)據(jù)按照數(shù)據(jù)的特點(diǎn)綜合成有意義的信息，從而提高了感知信息的準(zhǔn)確性，增強(qiáng)了系統(tǒng)的魯棒性。2幾種基于數(shù)據(jù)融合的路由算法下面對近幾年比較新型的、基于數(shù)據(jù)融合的路由算法MLR、GRAN、MFST

49、和GROUP進(jìn)行詳細(xì)分析。1) MLRMLR(Maximum Lifetime Routing)是基于地理位置的路由協(xié)議。每個節(jié)點(diǎn)將自己的鄰居節(jié)點(diǎn)分為上游鄰居節(jié)點(diǎn)(離Sink節(jié)點(diǎn)較遠(yuǎn)的鄰居節(jié)點(diǎn))和下游鄰居節(jié)點(diǎn)(離Sink節(jié)點(diǎn)較近的鄰居節(jié)點(diǎn))。節(jié)點(diǎn)的下跳路由只能是其下游鄰居節(jié)點(diǎn)。 在此模型中，節(jié)點(diǎn)i對上游鄰居節(jié)點(diǎn)j傳送的信息進(jìn)行兩種處理：如果是上游產(chǎn)生的源信息，則用本地信息對其進(jìn)行融合處理；如果是已經(jīng)融合處理過的信息，則選擇直接發(fā)送到下一跳。即每個節(jié)點(diǎn)產(chǎn)生的信息只經(jīng)過其下游鄰居節(jié)點(diǎn)的一次融合處理。MLR中將數(shù)據(jù)融合與最優(yōu)化路由算法結(jié)合到一起，減少了數(shù)據(jù)通信量，一定程度上改善了傳感器網(wǎng)絡(luò)的有效性。

50、其不足之處為：在傳感器網(wǎng)絡(luò)中，每個節(jié)點(diǎn)均具有數(shù)據(jù)融合功能，但數(shù)據(jù)融合僅存在于鄰居節(jié)點(diǎn)的一跳路由中，而且不能對數(shù)據(jù)進(jìn)行重復(fù)融合，當(dāng)傳感器網(wǎng)絡(luò)中的數(shù)據(jù)量增大時，其融合效率不高。 2) GRANGRAN(Geographical Routing with Aggregation Nodes)算法也將數(shù)據(jù)融合應(yīng)用到地理位置路由協(xié)議中，而且假設(shè)每個節(jié)點(diǎn)都具有數(shù)據(jù)融合功能，不同之處在于數(shù)據(jù)融合方法的實現(xiàn)。MLR中的數(shù)據(jù)融合在下一跳中進(jìn)行，而GRAN算法另外運(yùn)行一個選取融合節(jié)點(diǎn)的算法DDAP(Distributed Data Aggregation Protocol)，隨機(jī)選取融合節(jié)點(diǎn)。GRAN算法通過在路

51、由協(xié)議中另外運(yùn)行選取數(shù)據(jù)融合節(jié)點(diǎn)的算法，兼顧了數(shù)據(jù)量的減少和能耗的均勻分布，較好地達(dá)到了延長傳感器網(wǎng)絡(luò)生存時間的目的，但其DDAP算法的運(yùn)行，一定程度上影響了路由算法的收斂速度，不適合實時性要求較高的傳感器網(wǎng)絡(luò)。 3) MFSTMFST(Minimum Fusion Steiner Tree)路由算法將數(shù)據(jù)融合與樹狀路由結(jié)合起來，數(shù)據(jù)融合僅在父節(jié)點(diǎn)處進(jìn)行，并且可以對數(shù)據(jù)重復(fù)融合。由于子節(jié)點(diǎn)可能在不同時間向父節(jié)點(diǎn)發(fā)送數(shù)據(jù)，如父節(jié)點(diǎn)在時刻1收到子節(jié)點(diǎn)A發(fā)送的數(shù)據(jù)，用本地數(shù)據(jù)對其進(jìn)行數(shù)據(jù)融合處理，在時刻2收到子節(jié)點(diǎn)B發(fā)送的數(shù)據(jù)，對其進(jìn)行再次融合。MFST算法有效地減少了數(shù)據(jù)通信量。4) GROUPG

52、ROUP(Gird-clustering ROUting Protocol)是一種網(wǎng)格狀的虛擬分層路由協(xié)議。其實現(xiàn)過程為：由匯聚節(jié)點(diǎn)(假設(shè)居于網(wǎng)絡(luò)中間)發(fā)起，周期性地動態(tài)選舉產(chǎn)生呈網(wǎng)格狀分布的簇，并逐步在網(wǎng)絡(luò)中擴(kuò)散，直到覆蓋到整個網(wǎng)絡(luò)。在此路由協(xié)議基礎(chǔ)上設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法NNBA。該數(shù)據(jù)融合模型是以火災(zāi)實時監(jiān)控網(wǎng)為實例進(jìn)行設(shè)計的。由于是在分簇網(wǎng)絡(luò)中，數(shù)據(jù)融合模型被設(shè)計成三層神經(jīng)網(wǎng)絡(luò)模型，其中輸入層和第一隱層位于簇成員節(jié)點(diǎn)，輸出層和笫二隱層位于簇頭節(jié)點(diǎn)。 根據(jù)這樣一種三層感知器神經(jīng)網(wǎng)絡(luò)模型，NNBA數(shù)據(jù)融合算法首先在每個傳感器節(jié)點(diǎn)對所有采集到的數(shù)據(jù)按照第一隱層神經(jīng)元函數(shù)進(jìn)行初步

53、處理，然后將處理結(jié)果發(fā)送給其所在簇的簇頭節(jié)點(diǎn)；簇頭節(jié)點(diǎn)再根據(jù)第二隱層神經(jīng)元函數(shù)和輸出層神經(jīng)元函數(shù)進(jìn)行進(jìn)一步的處理；最后，由簇頭節(jié)點(diǎn)將處理結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。4種路由協(xié)議的性能比較如表9-3所示。 表9-3 4種路由協(xié)議的性能比較在數(shù)據(jù)融合的模型中，平面型路由協(xié)議中的數(shù)據(jù)融合方法可以概括為兩種：一種是在傳感器節(jié)點(diǎn)對其產(chǎn)生的原數(shù)據(jù)進(jìn)行壓縮；另一種是在路由中通過中間節(jié)點(diǎn)進(jìn)行壓縮，或者二者的結(jié)合。此類路由協(xié)議由于路徑中傳感器節(jié)點(diǎn)距離較遠(yuǎn)，空間相似性不是很明顯，所以數(shù)據(jù)融合的效果一般情況下沒有層次型路由效果好，而且層次型路由可以更好地依據(jù)實際數(shù)據(jù)情況對融合算法模型進(jìn)行調(diào)整。如GROUP中，對應(yīng)用于火災(zāi)監(jiān)

54、測的無線傳感器采用了三層神經(jīng)網(wǎng)絡(luò)模型，根據(jù)需要，可對第一隱層和第二隱層采用不同的數(shù)據(jù)融合模型，從而取得良好的效果。9.4 物聯(lián)網(wǎng)數(shù)據(jù)管理技術(shù)9.4.1 傳感器網(wǎng)絡(luò)的數(shù)據(jù)管理系統(tǒng)1物聯(lián)網(wǎng)數(shù)據(jù)管理系統(tǒng)的特點(diǎn)數(shù)據(jù)管理主要包括對感知數(shù)據(jù)的獲取、存儲、查詢、挖掘和操作，目的就是把物聯(lián)網(wǎng)上數(shù)據(jù)的邏輯視圖和網(wǎng)絡(luò)的物理實現(xiàn)分離開來，使用戶和應(yīng)用程序只需關(guān)心查詢的邏輯結(jié)構(gòu)，而無需關(guān)心物聯(lián)網(wǎng)的實現(xiàn)細(xì)節(jié)。 物聯(lián)網(wǎng)數(shù)據(jù)管理系統(tǒng)的特點(diǎn)如下：(1) 與傳感器網(wǎng)絡(luò)支撐環(huán)境直接相關(guān)。(2) 數(shù)據(jù)需在傳感器網(wǎng)絡(luò)內(nèi)處理。(3) 能夠處理感知數(shù)據(jù)的誤差。(4) 查詢策略需適應(yīng)最小化能量消耗與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化。 2傳感器網(wǎng)絡(luò)的數(shù)據(jù)

55、管理系統(tǒng)結(jié)構(gòu)目前，傳感器網(wǎng)絡(luò)的數(shù)據(jù)管理系統(tǒng)結(jié)構(gòu)主要有集中式結(jié)構(gòu)、半分布式結(jié)構(gòu)、分布式結(jié)構(gòu)和層次式結(jié)構(gòu)四種類型。(1) 集中式結(jié)構(gòu)：節(jié)點(diǎn)將感知數(shù)據(jù)按事先指定的方式傳送到中心節(jié)點(diǎn)，統(tǒng)一由中心節(jié)點(diǎn)處理。這種方法簡單，但中心節(jié)點(diǎn)會成為系統(tǒng)性能的瓶頸，而且容錯性較差。(2) 半分布式結(jié)構(gòu)：利用節(jié)點(diǎn)自身具有的計算和存儲能力，對原始數(shù)據(jù)進(jìn)行一定的處理，然后再傳送到中心節(jié)點(diǎn)。(3) 分布式結(jié)構(gòu)：每個節(jié)點(diǎn)獨(dú)立處理數(shù)據(jù)查詢命令。顯然，分布式結(jié)構(gòu)是建立在所有感知節(jié)點(diǎn)都具有較強(qiáng)的通信、存儲與計算能力基礎(chǔ)之上的。 (4) 層次式結(jié)構(gòu)：無線傳感器網(wǎng)絡(luò)的中間件和平臺軟件體系結(jié)構(gòu)主要分為四個層次，即網(wǎng)絡(luò)適配層、基礎(chǔ)軟件層、應(yīng)

56、用開發(fā)層和應(yīng)用業(yè)務(wù)適配層，其中網(wǎng)絡(luò)適配層和基礎(chǔ)軟件層組成無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)嵌入式軟件(部署在無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)中)的體系結(jié)構(gòu)，應(yīng)用開發(fā)層和基礎(chǔ)軟件層組成無線傳感器網(wǎng)絡(luò)應(yīng)用支撐結(jié)構(gòu)(支持應(yīng)用業(yè)務(wù)的開發(fā)與實現(xiàn))。在網(wǎng)絡(luò)適配層中，網(wǎng)絡(luò)適配器是對無線傳感器網(wǎng)絡(luò)底層(無線傳感器網(wǎng)絡(luò)基礎(chǔ)設(shè)施、無線傳感器操作系統(tǒng))的封裝?；A(chǔ)軟件層包含無線傳感器網(wǎng)絡(luò)各種中間件。這些中間件構(gòu)成無線傳感器網(wǎng)絡(luò)平臺軟件的公共基礎(chǔ)，并提供了高度的靈活性、模塊性和可移植性。3典型的傳感器網(wǎng)絡(luò)數(shù)據(jù)管理系統(tǒng)傳感器網(wǎng)絡(luò)數(shù)據(jù)管理系統(tǒng)是一個提取、存儲、管理傳感器網(wǎng)絡(luò)數(shù)據(jù)的系統(tǒng)，核心是傳感器網(wǎng)絡(luò)數(shù)據(jù)查詢的優(yōu)化與處理。目前具有代表性的傳感器網(wǎng)絡(luò)數(shù)

57、據(jù)管理系統(tǒng)主要包括TinyDB、Cougar和Dimension系統(tǒng)。1) TinyDB系統(tǒng)TinyDB系統(tǒng)是由加州伯克利分校開發(fā)的，它為用戶提供了一個類似于SQL的應(yīng)用程序接口。TinyDB系統(tǒng)主要由TinyDB客戶端、TinyDB服務(wù)器和傳感器網(wǎng)絡(luò)三部分組成，如圖9.14所示。TinyDB系統(tǒng)的軟件主要分為兩大部分：第一部分是傳感器網(wǎng)絡(luò)軟件，運(yùn)行在每個傳感器節(jié)點(diǎn)上；第二部分是客戶端軟件，運(yùn)行在TinyDB客戶端和TinyDB服務(wù)器上。圖9.14 TinyDB系統(tǒng)的結(jié)構(gòu)TinyDB系統(tǒng)的客戶端軟件主要包括兩個部分：第一部分實現(xiàn)類似于SQL語言的TinySQL查詢語言；第二部分提供基于Java

58、的應(yīng)用程序組成，能夠支持用戶在TinyDB系統(tǒng)的基礎(chǔ)上開發(fā)應(yīng)用程序。TinyDB系統(tǒng)的傳感器網(wǎng)絡(luò)軟件包括四個組件，分別為網(wǎng)絡(luò)拓?fù)涔芾砥?、存儲管理器、查詢管理器、?jié)點(diǎn)目錄和模式管理器。(1) 網(wǎng)絡(luò)拓?fù)涔芾砥鞴芾硭泄?jié)點(diǎn)之間的拓?fù)浣Y(jié)構(gòu)和路由信息。(2) 存儲管理器使用了一種小型的、基于句柄的動態(tài)內(nèi)存管理方式。它負(fù)責(zé)分配存儲單元和壓縮存儲數(shù)據(jù)。 (3) 查詢管理器負(fù)責(zé)處理查詢請求。它使用節(jié)點(diǎn)目錄中的信息獲得節(jié)點(diǎn)的測量數(shù)據(jù)的屬性，負(fù)責(zé)接收鄰居節(jié)點(diǎn)的測量數(shù)據(jù)，過濾并且聚集數(shù)據(jù)，然后將部分處理結(jié)果傳送給父節(jié)點(diǎn)。(4) 節(jié)點(diǎn)目錄和模式管理器負(fù)責(zé)管理傳感器節(jié)點(diǎn)目錄和數(shù)據(jù)模式。節(jié)點(diǎn)目錄記錄每個節(jié)點(diǎn)的屬性，例如測

59、量數(shù)據(jù)的類型(聲、光、電壓等)和節(jié)點(diǎn)ID等。傳感器網(wǎng)絡(luò)中的異構(gòu)節(jié)點(diǎn)具有不同的節(jié)點(diǎn)目錄。模式管理器負(fù)責(zé)管理TinyDB的數(shù)據(jù)模式，而TinyDB系統(tǒng)采用虛擬的關(guān)系表作為傳感器網(wǎng)絡(luò)的數(shù)據(jù)模式。 2) Cougar系統(tǒng)Cougar系統(tǒng)是由康奈爾大學(xué)開發(fā)的。它將傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)劃分為簇，每個簇包含多個節(jié)點(diǎn)，其中一個作為簇頭。Cougar系統(tǒng)使用定向擴(kuò)散路由算法在傳感器網(wǎng)絡(luò)中傳輸數(shù)據(jù)，信息交換的格式為XML。Cougar系統(tǒng)由三個部分組成：第一部分是用戶計算機(jī)GUI界面，運(yùn)行在用戶計算機(jī)上；第二部分是查詢代理，運(yùn)行在每個傳感器節(jié)點(diǎn)上；第三部分是客戶前端，運(yùn)行在選定的傳感器節(jié)點(diǎn)上。圖9.15顯示了Coug

60、ar系統(tǒng)的結(jié)構(gòu)。 圖9.15 Cougar系統(tǒng)的結(jié)構(gòu)客戶前端負(fù)責(zé)與用戶計算機(jī)和簇頭通信，它是GUI和查詢代理之間的界面，相當(dāng)于傳感器網(wǎng)絡(luò)和用戶計算機(jī)之間的網(wǎng)關(guān)。客戶前端和GUI之間使用TCP/IP協(xié)議通信，將從GUI獲取的查詢請求發(fā)給簇頭上運(yùn)行的查詢代理，并從簇頭接收查詢結(jié)果，還對查詢結(jié)果進(jìn)行相關(guān)處理(如過濾或聚集數(shù)據(jù))，然后將處理結(jié)果發(fā)給GUI。客戶前端也可以把查詢結(jié)果傳輸?shù)竭h(yuǎn)程MySQL數(shù)據(jù)庫中。用戶計算機(jī)GUI界面是基于Java開發(fā)的，它允許用戶通過可視化方式或輸入SQL語言發(fā)出查詢請求，也允許用戶以可視化方式觀察查詢結(jié)果。GUI中的Map組件可以使用戶瀏覽傳感器網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。查詢代理