匡 亮，施 珮，季云峰，平震宇，陈北京

（1. 江苏信息职业技术学院物联网工程学院，无锡 214153；2. 南京信息工程大学计算机与软件学院，南京 210044；3. 中国水产科学研究院淡水渔业研究中心，农业部淡水渔业和种质资源利用重点实验室，无锡 214081；4. 江南大学物联网工程学院，无锡 214122）

0 引 言

无线传感器网络（Wireless Sensor Networks，WSN）以其灵活的部署、低成本，小体积等优势被广泛应用于军事侦察、工业监测、农业监测和医疗监控等各个领域[1-7]。在水质监测中，通过部署传感器节点来收集水质数据，实现监测区域内水质参数的实时监控。然而，当监测区域较大时，由于监测区域中水质参数值分布不均匀的问题，使得单一位置的监测数据不能很好的体现整个监测区域的真实情况[8]。同时，传感器网络中数据的丢失、异常情况时有发生[9]，而水下环境的复杂性增加了异常情况处理的难度。为了实现水质的准确监测，保障数据的准确性和可靠性，正确评估水体实际情况，需要利用数据融合技术对不同位置的传感器数据进行融合，从而提高水质监测系统的鲁棒性。

数据融合可以有效地减少数据冗余、提高数据质量[10-12]。基于不同理论的数据融合方法在使用过程中会呈现各自的局限性[13-14]。目前较为常用的数据融合方法包括统计型算法、人工智能型算法和信息论型算法等。以贝叶斯理论为代表的统计类算法需要在融合多传感器数据之前获取先验知识和概率分布来计算传感器的可靠性[15]。以人工神经网络（Artificial Neural Networks，ANN）为代表的人工智能型算法可以处理不清楚、不确定的非线性系统的问题，但复杂的结构和随机参数会导致融合结果不稳定[16]。……