张 浩，张静静

（中南民族大学，计算机科学学院，武汉 430074）

无线传感器网络数据融合算法综述

张 浩，张静静

（中南民族大学，计算机科学学院，武汉 430074）

数据融合技术是无线传感器网络的关键技术之一，它通过合并相似数据、预测未来数据等方式减少节点间数据的传输量，对冗余数据进行精简，从而明显提高网络生命周期以及数据准确性。本文对近年来数据融合算法的研究现状进行了全面深入分析，同时从融合过程中采用的融合算法与融合规则出发，将现有的无线传感器网络数据融合技术分为了基于统计学、基于人工智能、基于信息论与基于拓扑学的四大类，对这四类技术从原理上进行了综述，对其中涉及到的不同融合算法从性能、时延、复杂度以及能耗方面进行了详细分析与比较。最后介绍了自动融合、融合评估等未来数据融合的研究重点。

无线传感器网络；数据融合；节能

0 引言

无线传感器网络（Wireless Sensor Networks,WSNs）是由大量无线传感器节点（Sensor Nodes, SNs）组成，通过无线通信方式形成的多跳自组织网络（Ad Hoc）[1]。由于WSNs 具有自组织、部署迅捷、高容错性和强隐蔽性等技术优势，因此非常适用于军事侦察，设施监测和环境监测等众多领域[2]。无线传感器网络的网络模型如图1所示。

由于WSNs通常部署在无人看守的环境中，当传感器节点能量耗尽时对其电池进行替换几乎是不可能的[3,4]。因此，在能量有限的传感器节点如何实现复杂的数据监测和信息报告是WSNs中需要解决的首要问题[5,6]。在WSNs中，能量主要消耗在3个方面：数据传输、信号处理和硬件操作。已经证明得出，传感器节点间的传输能量消耗是远高于节点内的计算能量消耗的[7]。因此，提出一个降低传感器节点间数据传输量从而降低网络能耗的方法是非常有必要的。传感器网络数据融合技术则能很好的解决上述问题。

图1 无线传感器网络系统模型Fig.1 System model of wireless sensor networks

联合实验室（Joint Directors of Laboratories, JDL）定义数据融合是一个“多层次、多方面处理自动检测、联系、相关、估计以及多来源的信息和数据的组合过程”[8,9]。一般情况下，在数据收集和传输的过程中，存在在许多数据冗余与毁坏，这影响了WSN的数据收集效率与准确性，同时也降低了生命周期[10,11]。所以需要运用数据融合算法，对来自不同数据源的数据进行网内处理，去除冗余信息，形成高质量的融合数据传输到汇聚节点，从而减小传输数据量，达到节省能量、延长网络生命周期、提高数据收集效率和准确度的目的[12,13]。

通过融合过程中采用的不同算法，本文将无线传感器网络数据融合技术分为四类：基于统计学的数据融合、基于人工智能的数据融合、基于信息论的数据融合和基于拓扑学的数据融合。分类的示意图如图2所示。

图2 WSNs数据融合算法分类Fig.2 Classification of data fusion algorithms in WSNs

1 基于统计学的数据融合算法

在无线传感器网络数据融合中，基于统计学的算法主要运用传统概率统计方法，利用概率分布或者密度函数来描述数据的不确定性。数据融合的目的是从大量冗余、精准性不高的数据中提取所需的数据及特征，这无疑与统计学研究的方法与目的具有相似性，故统计学知识被大量应用于无线传感器数据融合之中。

1.1 基于参数估计数据融合算法

参数估计是根据从总体中抽取的样本估计总体分布中包含的未知参数的方法。即根据样本数据如何选择统计量去推断总体的分布或数字特征等[14]。

Bayes估计是参数估计的重要应用之一，可以通过先验概率递归地更新状态系统的概率分布或者密度函数[15]。文献[16]采用了改进的 Bayes方法（Modified Bayesian Fusion Algorithm, MB），引入了新的机制来考虑测量的不一致性，使个体分布的方差与因子f成正比，并与卡尔曼滤波器进行结合，提高了估计值的精确度。改进的Bayes方法能有效的增加数据的真实性，使后验概率的不确定性降低。

最大似然估计是在给定模型和样本集的情况下，用来估计模型参数的方法。其基本思想是找到最佳的模型参数，使得模型实现对样本的最大程度拟合。文献[17]提出了合作信息聚集(Cooperative Information Aggregation, CIA)方法来解决WSN中分布式估计问题。CIA通过减少数据传输量达到节能效果，并运用最大似然估计对数据进行融合，提高了数据的准确性。但是，算法中对最优源分配向量R的寻找是非常困难的，这无疑提高了算法的复杂度，也使得算法结果不够稳定。

1.2 基于卡尔曼滤波器的数据融合

卡尔曼滤波器是一种最优化自回归的数据处理算法，其本质是根据前一次的滤波结果和当前时刻的测量值，不断对预测协方差进行递归，从而估算出当前时刻的滤波结果。

文献[18]针对大规模传感器网络，提出L-KF算法，算法通过定义一个验证门(validation gate)挑选与状态估计相近的数据，收集相似数据的节点只用挑选其中一个在下个时段继续观察，其他的则可以转换为睡眠模式，以此减少网络能耗。

文献[19]运用量化新息与分散卡尔曼滤波相结合的方法，考虑了网络带宽与能耗，提出了量化新息分散卡尔曼滤波算法(Quantized Innovation-decentralized Kalman Filter, QI-DKF)，有效解决了线性目标跟踪系统量化融合估计问题，同时节约了融合中心的能量消耗。但本算法仅对标量数据有明显效果，对矢量数据则不利于处理。

1.3 基于回归分析的数据融合

回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。按照涉及的变量的多少，分为一元回归和多元回归分析，其中多元线性回归算法流程图如图3所示。

Carlos等人[20]考虑多元时空关系，提出了基于多元回归方程的数据融合算法，提高了数据融合的准确性。运用多元线性回归预测参数的方程如下：

其中pijX 表示多个数据样本的历史值，β表示多元线性回归函数的系数向量，α为预测值的常量参数。回归算法优点在于实现简单，算法复杂度低，但其预测精度不高，且需频繁更新预测模型，造成一定能耗。

1.4 算法比较

总的来说，基于概率统计的无线传感器数据融合技术，主要解决数据的不确定性融合，有完善和可理解的一套数学处理方法，但其对异常数据的处理能力较差，即鲁棒性较低。表1对上文提到的几种算法进行了比较。

图3 多元线性回归流程图Fig.3 Flow chart of multivariate linear regression

表1 基于概率统计的数据融合算法比较Table 1 Comparison of data fusion algorithms based on probability and statistics

2 基于人工智能的数据融合算法

人工智能是属于自然科学和社会科学交叉的一门边缘学科，其本质是对人的思维的信息过程的模拟，其分支计算智能技术是运用最广泛的技术之一[21,22]。

2.1 基于遗传算法的数据融合

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，它并不保证你能获得问题的最优解，而只需简单的“否定”一些表现不好的个体即可。由于遗传算法的这些特点，使其适用于搜索空间较大且对结果准确性要求不高的应用中[23]。

文献[23]考虑到传感器节点的负载均衡和能耗问题，提出了利用遗传算法建立平衡、节能数据聚集生成树。算法使用修复函数来避免无效的染色体。同时，该算法把节点负载和能量剩余作为参考因素，优化了传感器网络的负载均衡问题，大大提高了网络的生命周期。但在节点选择时会额外消耗能量，且树形结构往往会有延迟问题。

文献[24]基于遗传算法中的分类器系统，提出遗传机器学习算法（Genetic Machine Learning Algorithm, GMLA）。该算法通过动态的调整传感器节点把数据发送到基站的概率，来提高数据融合的质量，并减少了数据传输量，节约网络能耗。但该方案适用于高密度的传感器网络，对发送率低的网络则效果不够明显，且存在一定数据延迟。

2.2 基于神经网络的数据融合

神经网络（Neural Networks, NNs），是由大量简单的处理单元（神经元）组成的非线性自适应自组织系统，具有极强的非线性逼近、大规模并行处理、自训练学习、自组织和容错能力等优点[25][26]。

文献[27]将 BP神经网络和传感器网络分簇路由协议进行结合,提出 BPNDA（Back-Propagation Networks Data Aggregation）算法。数据融合模型以分簇路由协议 LEACH为基础，通过在簇首节点利用 BP神经网络对簇成员节点采集的原始数据进行特征提取，从而提高数据收集效率，延长网络生存时间。但文献中没有提出缺乏训练集合情况下的实现方案。

类似的，文献[28]也采用BP神经网络与传感器网络分簇路由协议结合的方法，提出了 CNNSMPSO（Clustering Hamming Network-SMPSO）算法。算法采用分期变异粒子群优化算法来优化神经网络，加强了数据融合的准确性，同时分簇协议也延长了传感器网络生命周期。但对样本先验信息的提取问题文章没有涉及，特别是在大规模网络样本的情况下，样本的选择直接影响训练的结果准确性。

2.3 基于模糊逻辑的数据融合

模糊逻辑运用模糊集合的方法来研究模糊性思维、语言形式及其规律，故其适合处理不准确性以及不确定性的数据[29]。

文献[30]在每个传感器节点中嵌入二型模糊逻辑系统（Type-II Fuzzy Logic System, T2FLS），基于当前数据状态与历史状态，通过模糊逻辑控制器对待发送的数据分配一个权重，簇头再对簇成员的数据进行统一收集与融合后将融合的数据发送到基站，达到了对源数据进行区分，仅传输正确数据的目的。

文献[31]对行星探测无线传感器网络数据融合算法（Space Wireless Sensor Networks for Planetary Exploration, SWIPE）进行了介绍。传感器数据通过数据类型和时间标示对数据进行重分类，然后提取特征和建立模糊集，最后分析特征和输出决定值。该算法通过运用模糊逻辑系统与统计规则相结合的融合方式，提高了数据预测的准确性，并且减少了数据传输量，节约了能耗。

2.4 基于人工智能的数据融合算法比较

人工智能算法因为能通过一定的先验知识与规律，通过自组织、自适应的学习方式有效的对数据进行训练及预测，被广泛的应用到无线传感器网络中。为了更好的进行对比分析，表2对本章涉及到的算法进行了整体的比较。

3 基于信息论的数据融合算法

基于信息论的传感器管理方法是通过信息熵来定量的描述与目标环境作用的不确定性，通过度量信息熵的变化求解信息增量，然后根据人为的设定或优化条件，对网络的数据进行合理与科学的融合。

表2 基于人工智能数据融合算法总结Table 2 Comparison of data fusion algorithms based on artificial intelligence

3.1 基于聚类分析的数据融合

聚类分析算法因为简单直观，不需要先验知识等特点而广泛应用于数据融合之中，但由于其分类结果完全依赖与事先选择的聚类变量，同时有时依据距离参数并不能得到理想的数据关联性，这也影响了聚类分析法的具体应用。

文献[32]提出的KC（K-means Clustering）算法运用K-均值算法对传感器节点进行分簇，然后用数据融合算法对簇内数据进行数据型融合和决策型融合。该算法通过相似性来分组未标记的节点，以达到对数据的分类管理，因此大大提高了簇内成员数据的相关性，但k值的选取需要人为的给出，在不知道具体分类数量的情况下难以进行，并且该方法不适用于大规模传感器网络。

文献[33]提出基于分簇的最优融合集（Optimal Fusion Set based Clustering, OFSC）算法来优化对连续目标的监测问题。最优融合集φ的定义如下：

其中sji(t)表示t时刻第 j个簇中号节点i的数据，cj(t)表示t时刻的簇中心，即簇数据的平均值，TH表示融合误差。该算法增加了分簇效率，同时兼顾负载均衡，提高了融合准确度和网络生命周期。

3.2 基于熵值法的数据融合

信息熵是信息论中非常重要的一个概念，它表示信源输出的所有数据的自信息的统计平均值，也称为平均自信息量。

文献[34]提出基于熵的数据融合树（Energy Efficient Data Aggregation Trees, EDAT）算法。算法首先运用Prim算法构建最小生成树，通过不断广播信息与附近节点构建连接，再选择权重最小的边加入生成树中。本算法通过使冗余度大的节点进入休眠来减少了数据的传输量与总的能耗，但对错误数据很难进行排除，且距离基站越近的节点能耗越高，越易死亡。

文献[35]提出熵值敏感、基于分簇的目标追踪算法（Entropy-aware Cluster-based Object Tracking,ECOT）。算法引入变量奖励来判断节点是否值得被激活。当时，该节点激活，反之，则抑制，以此提高数据准确性的目的。但对于大规模无线传感器网络来说，计算相邻节点间的奖励无疑增加了计算量，降低节能效果。

3.3 信息论数据融合算法比较

基于信息论的数据融合算法是通过识别观测空间中参数的相似性来进行融合操作，一般不能直接对数据的某些方面建立明确的识别函数。表3对本节提到的4种算法进行了比较。

表3 基于信息论数据融合算法比较Table 3 Comparison of data fusion algorithms based on information theory

4 基于拓扑学的数据融合算法

基于拓扑学的无线传感器网络数据融合主要从网络节点的拓扑结构出发，设计符合该网络需求的拓扑结构，具体可分为以下两类，即：基于平面网络结构的数据融合协议与基于层次网络结构的数据融合协议。

4.1 基于平面网络结构的数据融合协议

在平面网络结构中，每一个传感器节点扮演着相同的角色，不存在等级与层次的差异，且有着相同的硬件结构和电池能量[36,37]。平面型路由协议的优点是简单、易于扩展，对数据融合的损失最小；其缺点是缺乏对通信资源的优化管理，对网络动态变化的反应速度慢，同时，平面型网络可能会导致汇聚节点过度的通信和计算负担，导致更快的耗尽其电池功率。平面型网络结构图示如图4所示。

图4 平面型路由协议示意图Fig.4 Diagram of planar routing protocol

文献[38]提出基于模糊逻辑的平面路由算法FRFL（Flat Routing Using Fuzzy Logic）。在每个传感器节点运用模糊推理系统，以物理位置与转发数据包的数量为参考来决定该节点的下一跳节点。该算法利用模糊系统能有效处理异构与不准确性数据的优点，增加了路由的速度与准确性。同时，以转发数据包的数量而不是节点剩余能量为参数，降低了节点间交换信息的能量损耗，提高了网络生命周期。

文献[39]提出一种新的能量感知路由协议(Efficient Energy Aware Routing Protocol, EEARP)用来找到源节点与sink间通信的最小消耗，同时找出实时数据传输的最短路由。该算法以能耗与时延作为参数构建成本函数，为每条路由分配一个成本。成本函数的公式如下：

其中ijD 代表节点i与 j的距离，jE 代表节点 j的剩余能量，pETX 代表在该链路上发送一个数据包需要的数据传输量的预测。

4.2 基于层次网络结构的数据融合协议

层次型路由将传感器网络中的节点按照地理位置或者数据类型分为不同层次，处于不同层的节点在网络中进行着不同的任务。

4.2.1 基于树的数据融合算法

在一个基于树的网络中，传感器节点被组织成一棵树，即形成以sink为根，源节点为叶的数据融合树。基于树的数据融合网络如图5所示。

图5 基于树拓扑的数据融合Fig.5 Data fusion based on tree topology

文献[40]提出一种网内融合数据路由（Reliable Routing Approach for In-Network Aggregation,DRINA）算法，旨在建立一条拥有连接所有源节点和sink的最短路径的路由树。该算法将簇的思想融入生成树中，保证了拥有相似数据的节点能尽快对数据进行融合，同时最短路径也减少了能量消耗。但主节点对数据进行融合会额外消耗更多能量，容易过早死亡。

文献[41]针对节点负载不均的问题，提出了本地树重建（Local-Tree-Reconstruction Algorithm, LTRA）算法。该算法通过动态的调整生成树的结构，将能量低、数据多的节点设定为叶子或较低层节点，以此来均衡网络能耗。但越准确的调整意味着节点需要知道的其他节点信息越多，从而数据交换量越大，故本算法需要对能耗与准确度进行折中选择。

4.2.2 基于簇的数据融合

基于簇的数据融合协议将整个网络分成若干个簇区域，每个簇通过一定的规则选取它们的簇头，簇头负责簇内节点的协调与簇间数据的通信。基于簇的网络结构因其高效性、较低的复杂度和灵活性而广泛运用于不同环境中[42,43]。基于簇的网络结构示意图如图6所示。

图6 基于簇拓扑的数据融合Fig.6 Data fusion based on cluster topology

最早的分簇协议是LEACH（Low Energy Adaptive Clustering Hierarchy）[44]。该算法将整个网络的能量消耗均匀分配到网络中的每个传感器节点，从而达到均衡网络负载，提高网络生存周期的目的。但簇的重建需要消耗额外能量，同时算法也没有考虑簇头节点的物理位置，故存在许多待完善的地方。

文献[45]针对簇结构网络存在数据转发时延问题，提出了时延敏感网络结构(Delay-Aware Network Structure, DANS)，将节点分为不同尺寸的簇，使其能够以交错的时间分别与融合中心通信。但簇成员较多的簇头实现数据融合与传输时必然会消耗更多的能力，这会使其过早死亡。

文献[46]为了获得安全与准确数据，提出了双簇头模型（Double Cluster Heads Model, DCHM）。双簇头机制能有效分担簇头因数据融合而消耗的大量能量，提高了网络生命周期。但本算法的部分参数需要用户运用先验知识预先设定，则增加了算法的不确定性。

4.2.3 基于链的数据融合

基于链的的网络结构是对基于簇的网络结构的一种变换。基于链的数据融合的主要思想是每个节点只将数据传输给邻近节点，节点间通过链的方式多跳传输数据，以此来节约网络能耗。

PEGASIS（Power-Efficient GAthering in Sensor Information Systems）[47]协议正是基于链的思想设计出的路由协议。在PEGASIS中，算法通过贪心方式或者sink以集中式方法将网络中的所有节点连接成一条单链，然后选择一个节点作为主节点，最终由主节点将融合好的数据传输给 sink。图 7展示了PEGASIS的网络结构示意图。

图7 PEGASIS的网络结构Fig.7 The network structure of PEGASIS

文献[48]将网络链结构与簇结构相结合，提出了基于链的簇合作协议（ChainBased Cluster Cooperative Protocol, CBCCP）。该算法通过设置协调节点降低了不同簇间的通信距离，减少了网络延迟，也提高了簇内数据融合的能量有效性。但是在成簇阶段，协调节点的选择需要与子簇进行通信，这无疑增加了能量消耗。

文献[49]提出基于 MECA（Mobile-sink based energy-efficient clustering algorithm）与PEGASIS的能量有效分簇算法。算法设置移动sink以固定、可预知的方式围绕传感区域移动。以此均衡了网络节点的能量消耗、提高了网络生命周期，但是移动sink的使用必定会增加节点与sink间的通信能耗，且不易扩展。对于节点分布不均匀的网络，密集簇内的簇头能耗负担会变大。

4.3 基于拓扑学的数据融合算法比较

就一般来说，相比于分层网络拓扑结构，平面型网络拓扑结构因其节点间同构，故具备算法简单、冗余度高、数据融合精确和鲁棒性高等特点。但同时，它也存在许多不足，如通信效率较低、能量消耗相对大等。层次型网络通过构建更为复杂的协议，使其具备了许多较于平面型网络所不具备的优点。表4对本章提到的几种算法进行了比较，分析了他们的特点。

表4 基于拓扑学的数据融合算法比较Table 4 Comparison of data fusion algorithms based on topology

5 总结

无线传感器网络数据融合技术旨在对传感器采集的数据通过多层次、多方面的特征提取以及估计的方式，将信源在时间与空间上的互补与冗余信息依照某种优化准则重新组合起来。一般来说，数据融合的优点包括提升数据可信度以及有效性、节省通信带宽及提高网络生命周期[50]。在未来，也有许多需要研究的热点，包括：

自动融合。这方面研究的主要目的是开发出一个统一的融合体系，它将以一个标准规范各种融合方式。这将使得每个新研究提出的数据融合方法能够快速以及自动化的实现。同时开发人员可以以一致的开发语言完成他们的设计，提高了参照性。

融合可靠性[51]。目前许多研究都对基本模型的可靠性采取乐观假设或者不予考虑。故在将来对于数据源的可靠性、异质数据的可靠性等方面存在很大的可研究性。包括研究基于环形拓扑结构等多径传输的安全数据融合方案等。

安全性[52,53]。在军事等领域，数据融合的安全性是极为重要的。安全隐患包括数据被窃听、数据被篡改、数据重放攻击等。融合节点往往是网络中被攻击的焦点，因此，如何保护融合节点以及检测异常入侵是安全性问题的关键。

融合性能的评估。现阶段大部分研究均是基于模拟或者理想化的假设前提，这使得很难预测算法在实际场合的应用。所以，建立一个通行、标准的评测测试平台是非常有必要的，它能增强系统设计员与用户需求间的可参照性，评估过程的规范化也能使评估更具有灵活性与普遍适用性。

[1] S Chhabra, D Singh. Data Fusion and Data Aggregation/Summarization Techniques in WSNs: A Review, nternational Journal of Computer Applications (0975-8887) 2015, 121(19):21-30.

[2] R Rajagopalan, PK Varshney. Data-aggregation techniques in sensor networks: a survey. IEEE Communications Surveys &Tutorials, 2006, 8(4): 48-63.

[3] BS Jayashri, GR Rao. Reviewing the research paradigm of techniques used in data fusion in WSN .International Conference on Computing & Communications Technologies,2015 : 83-88.

[4] P Zou, Y Liu. An Efficient Data Fusion Approach for Event Detection in Heterogeneous Wireless Sensor Networks. Applied Mathematics & Information Sciences, 2015, 9(1):517-526.

[5] 康健, 左宪章, 唐力伟, 等. 无线传感器网络数据融合技术.计算机科学, 2010, 37(4): 31-35.

[6] EJ Msechu, GB Giannakis. Sensor-Centric Data Reduction for Estimation With WSNs via Censoring and Quantization.IEEE Transactions on Signal Processing, 2012, 60(1):400-414.

[7] P Zou, Y Liu. An Efficient Data Fusion Approach for Event Detection in Heterogeneous Wireless Sensor Networks. Applied Mathematics & Information Sciences, 2015, 9(1):517-526.

[8] B Khaleghi, A Khamis, FO Karray, et al. Multisensor data fusion: A review of the state-of-the-art, Information Fusion,2013, 14(1): 28-44.

[9] MG Yang, JS He, XG Sun. Research on Secure Data Aggregation in Wireless Sensor Networks based on Clustering Method. Internet Technology and Applications (iTAP), 2011 International Conference on, 2011: 1-4.

[10] J Yue, W Zhang, W Xiao, et al. A Novel Cluster-based Data Fusion Algorithm for Wireless Sensor Network. International Conference on Wireless Communications, Networking &Mobile Computing, 2011, 6796(1): 1-5.

[11] E Baccarelli, F Chiti, N Cordeschi, et al. Green multimedia wireless sensor networks: distributed intelligent data fusion,in-network processing, and optimized resource management.Wireless Communications IEEE, 2014, 21(4): 20-26.

[12] MM Fouad, NE Oweis, T Gaber, et al, Data Mining and Fusion Techniques for WSNs as a Source of the Big Data.Procedia Computer Science, 2015, 65: 778-786.

[13] MF Duarte, YH Hu. Vehicle classification in distributed sensor networks. Journal of Parallel & Distributed Computing, 2004, 64(7): 826-838.

[14] H Luo, H Tao, H Ma, et al. Data Fusion with Desired Reliability in Wireless Sensor Networks. IEEE Transactions on Parallel and Distributed Systems, 2010, 22(3): 501-513.

[15] Z Zhang, JX Li, L Liu. Distributed state estimation and data fusion in wireless sensor networks using multi-level quantized innovation. Sciece China Information Sciences, 2016,59(2): 1-15.

[16] WA Abdulhafiz, A Khamis. Bayesian approach to multisensor data fusion with Pre- and Post-Filtering. IEEE International Conference on Networking, 2013: 373-378.

[17] YR Tsai, CJ Chang. Cooperative Information Aggregation for Distributed Estimation in Wireless Sensor Networks.IEEE Transactions on Signal Processing, 2011, 59(8): 3876-3888.

[18] M Soltani, M Hempel, H Sharif. Data fusion utilization for optimizing large-scale Wireless Sensor Networks. IEEE ICC 2014 - Ad-hoc and Sensor Networking Symposium.

[19] J Xu, JX Li, S Xu. Data fusion for target tracking in wireless sensor networks using quantized innovations and Kalman filtering. Science China Information Sciences, 2012, 55(3):530-544.

[20] M Yang. Constructing energy efficient data aggregation trees based on information entropy in wireless sensor networks.IEEE Advanced Information Technology, Electronic &Automation Control Conference, 2015: 527-531.

[21] RV Kulkarni, A Förster, GK Venayagamoorthy. Computational Intelligence in Wireless Sensor Networks: A Survey.IEEE Communications Surveys & Tutorials, 2011, 13(1):68-96.

[22] MR Senouci, A Mellouk, N Aitsaadi, et al. Fusion-based surveillance WSN deployment using Dempster-Shafer theory.Journal of Network & Computer Applications, 2016, 64(C):154-166.

[23] O Islam, S Hussain, H Zhang. Genetic algorithm for data aggregation trees in wireless sensor networks. Intelligent Environments, 2007, 43(20): 312-316.

[24] AR Pinto, C Montez, G Araújo, et al. An approach to implement data fusion techniques in wireless sensor networks using genetic machine learning algorithms. Information Fusion,2014, 15(1): 90-101.

[25] DF Larios, J Barbancho, G RodríGuez, et al. Energy efficient wireless sensor network communications based on computational intelligent data fusion for environmental monitoring.Communications Iet, 2012, 6(14): 2189-2197.

[26] X Luo, XH Chang. A Novel Data Fusion Scheme using Grey Model and Extreme Learning Machine in Wireless Sensor Networks. International Journal of Control, Automation, and Systems, 2015, 13(3): 539-546.

[27] 孙凌逸, 黄先祥, 蔡伟, 等.基于神经网络的无线传感器网络数据融合算法.传感技术学报, 2011, 24(1): 122-127.

[28] S Li, M Liu, L Xia. WSN data fusion approach based on improved BP algorithm and clustering protocol. 2015 27th Chinese Control and Decision Conference, 2015: 1450-1454

[29] X Zhai, H Jing, T Vladimirova. Multi-sensor data fusion in Wireless Sensor Networks for Planetary Exploration. Adaptive Hardware & Systems, 2014: 188-195.

[30] D Izadi, JH Abawajy, S Ghanavati, et al. A Data Fusion Method in Wireless Sensor Networks. Sensors 2015, 15,2964-2979.

[31] YN Yu, XF Feng, JX Hu. Multi-sensor Data Fusion Algorithm of Triangle Module Operator in WSN. International Conference on Mobile Ad-hoc & Sensor Networks, 2014:105-111.

[32] AD Ribas, JG Colonna, CMS Figueiredo, et al. Similarity Clustering for Data Fusion in Wireless Sensor Networks using k-means. International Joint Conference on Neural Networks, 2012, 20: 1-7.

[33] H Chen, G Liu, X Wu, et al. Optimal Fusion Set based Clustering in WSN for continuous objects monitoring. International Conference on Communications & Networking in China, 2014: 26-31.

[34] M Yang. Constructing energy efficient data aggregation trees based on information entropy in wireless sensor networks.2015 IEEE Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 19-20 Dec.2015, 527-531.

[35] SBA De, JR Martinez-De Dios, A Ollero. Entropy-aware cluster-based object tracking for camera Wireless Sensor Networks. IEEE/RSJ International Conference on Intelligent Robots & Systems IEEE/RSJ International Conference on Intelligent Robots & Systems, 2012: 3985-3992.

[36] J Kulik, W Heinzelman, H Balakrishnan. Negotiation-Based Protocols for Disseminating Information in Wireless Sensor Networks. Wireless Networks, 1999, 8(2/3): 169-185.

[37] C Intanagonwiwat, R Govindan, D Estrin. Directed diffusion:a scalable and robust communication paradigm for sensor networks. Proceedings of Annual International Conference on Mobile Computing and Networking, 2000: 56-67.

[38] SJ Dastgheib, H Oulia, MRS Ghassami, et al. A new method for flat routing in wireless sensor etworks using fuzzy logic.2011 International Conference on Computer Science and Network Technology, 2012, 3: 2112-2116.

[39] S Arulselvi, B Karthik, TVUK Kumar. Energy Conservation Protocol for Real Time Traffic in Wireless Sensor Networks.Middle East Journal of Scientific Research, 2013, 15(12):1727-1732.

[40] L Villas, A Boukerche, HSR Filho, et al. DRINA: A Lightweight and Reliable Routing Approach for In-Network Aggregation in Wireless Sensor Networks. IEEE Transactions on Computers, 2012, 99(4): 676-689.

[41] NT Nguyen, BH Liu, VT Pham. On maximizing the lifetime for data aggregation in wireless sensor networks using virtual data aggregation trees. Computer Networks the International Journal of Computer & Telecommunications Networking,2016, 105(C): 99-110.

[42] T Liu, YQ Wu. Energy Optimized Approach Based on Clustering Routing Arithmetic for Wireless Senor Networks.Chinese Journal of Sensors & Actuators》, 2011, 24(5):764-770.

[43] C Zhang, Y Su, Y Liu. Dynamic Clustering Algorithm with Balanced Load in Wireless Sensor Networks. IEEE International Conference on Computer Science & Information Technology, 2009, 13(6): 177-181.

[44] WR Heinzelman, A Chandrakasan, H Balakrishnan. Energy-efficient communication protocol for wireless microsensor networks. Adhoc & Sensor Wireless Networks,2000, 18: 8020.

[45] CT Cheng, H Leung, P Maupin. A Delay-Aware Network Structure for Wireless Sensor Networks With In-Network Data Fusion. IEEE Sensors Journal, 2013, 13(5): 1622-1631.[46] JS Fu, Y Liu. Double Cluster Heads Model for Secure and Accurate Data Fusion in Wireless Sensor Networks. Sensors 2015, 15(1): 2021-2040.

[47] S Lindsey, C Raghavendra, KM Sivalingam. Data gathering algorithms in sensor Networks using energy metrics. IEEE Transactions on Parallel & Distributed Systems2002, 13(13):924-935.

[48] S Rani, J Malhotra, R Talwar. Energy efficient chain based cooperative routing protocol for WSN, Applied Soft Computing, 2015, 35(C): 386-397.

[49] J Wang, J Cao, Y Cao, et al. An Improved Energy-Efficient Clustering Algorithm Based on MECA and PEGASIS for WSNs. Third International Conference on Advanced Cloud &Big Data, 2015: 262-266.

[50] 赵小敏, 梁学利, 蒋双双, 等. 安全的WSN数据融合隐私保护方案设计. 通信学报, 2014, 35(11): 154-161.

[51] J Joshi, A Bagga, A Bhargava. Secured and energy efficient architecture for sensor networks. IEEE International Conference on Computational Intelligence & Virtual Environments for Measurement Systems & Applications, 2016: 1-6.

[52] L Li, J Li. Research of Compressed Sensing Theory in WSN Data Fusion. International Symposium on Computational Intelligence & Design, 2011, 2: 125-128.

[53] 赵继军, 魏忠诚, 李志华, 等. 无线传感器网络中多类型数据融合研究综述. 计算机应用研究, 2012, 29(8):2811-2816.

A Survey of Data Fusion in Wireless Sensor Networks

ZHANG Hao, ZHANG Jing-jing
(College of Computer Science, South-central University For Nationalities, Wuhan 430074, China)

Data fusion is one of the key technologies in wireless sensor networks, it can fuse similar data and predict the future data to reduce the transmission of data between nodes and simplify the redundant data, so as to improve the network lifetime and data accuracy. In this paper, the research status of data fusion algorithm in recent years is analyzed depth. Based on the fusion algorithm and fusion rule adopted in the fusion process, the existing data fusion technology in wireless sensor networks is divided into four categories which based on statistics, artificial intelligence, information theory and topological. These four kinds of technology are summarized in principle. The different fusion algorithms are analyzed and compared in terms of performance, latency, complexity and energy consumption. Finally we introduces the research emphases of data fusion in future, which including automatic fusion, fusion evaluation and so on.

WSNs; Data fusion; Energy-efficiency

TP2 12.9

A

10.3969/j.issn.1003-6970.2017.12.060

本文著录格式：张浩，张静静. 无线传感器网络数据融合算法综述[J]. 软件，2017，38（12）：296-304

国家自然科学基金面上项目(61772562)；湖北省自然科学基金杰出青年项目(2017CFA043)

张浩(1993-)，男，硕士，无线网络。