無(wú)線(xiàn)傳感器網(wǎng)絡(luò)決策級(jí)融合算法研究.pdf

1、無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)能夠去除感知數(shù)據(jù)中的冗余信息、減少傳輸過(guò)程中的能量消耗、提高獲取信息的準(zhǔn)確性，對(duì)于節(jié)點(diǎn)能量受限的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)具有十分重要的研究意義。決策級(jí)融合作為信息處理最高層次的融合，具有通信量小、不要求傳感器同質(zhì)性、處理速度快、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)，在目標(biāo)監(jiān)測(cè)、追蹤、屬性判斷等研究方向得到廣泛應(yīng)用。
　　本文對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)決策級(jí)融合算法進(jìn)行研究，針對(duì)基于事件驅(qū)動(dòng)的目標(biāo)監(jiān)測(cè)及分類(lèi)這一應(yīng)用場(chǎng)景，對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)本地決策算法

2、及決策融合算法進(jìn)行了重點(diǎn)研究。
　　首先，本文對(duì)貝葉斯推理、證據(jù)理論、模糊集理論等傳統(tǒng)的無(wú)線(xiàn)傳感器數(shù)據(jù)融合方法進(jìn)行了簡(jiǎn)要介紹及優(yōu)缺點(diǎn)分析，針對(duì)傳統(tǒng)模糊集對(duì)原始數(shù)據(jù)的模糊性表示不夠精確這一問(wèn)題，提出使用直覺(jué)模糊集來(lái)表示原始數(shù)據(jù)的思路?，F(xiàn)有的直覺(jué)模糊構(gòu)造方法多為人工賦值或根據(jù)圖像處理等特定的應(yīng)用場(chǎng)景設(shè)計(jì)，不適用于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)環(huán)境。因此，本文提出一種基于數(shù)據(jù)分布的直覺(jué)模糊構(gòu)造方法，根據(jù)節(jié)點(diǎn)采集的原始數(shù)據(jù)集的標(biāo)準(zhǔn)差確定猶豫度，從而根據(jù)模

3、糊集與直覺(jué)模糊集轉(zhuǎn)化關(guān)系將傳感器網(wǎng)絡(luò)采集的原始屬性值集合轉(zhuǎn)化為直覺(jué)模糊集。
　　然后，針對(duì)多屬性融合分類(lèi)問(wèn)題，對(duì)基于直覺(jué)模糊集成的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)本地決策算法展開(kāi)研究。首先，提出了類(lèi)別間相似度概念，根據(jù)不同監(jiān)測(cè)目標(biāo)類(lèi)別間的直覺(jué)模糊相似度確定各屬性權(quán)重;進(jìn)而提出了基于類(lèi)別間相似度的加權(quán)TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)直覺(jué)模糊決策

4、算法，用于節(jié)點(diǎn)本地融合分類(lèi)決策。該算法改進(jìn)了傳統(tǒng)TOPSIS法正負(fù)理想解的確定方式，根據(jù)待測(cè)目標(biāo)各屬性訓(xùn)練樣本集的特征確定正負(fù)理想解，從而獲得更為準(zhǔn)確的多屬性分類(lèi)結(jié)果。仿真結(jié)果表明，本文提出的本地決策算法相比于傳統(tǒng)模糊融合算法及直覺(jué)模糊加權(quán)集成算法，其分類(lèi)準(zhǔn)確率均得到一定程度提高。
　　最后，針對(duì)全網(wǎng)決策級(jí)融合問(wèn)題，提出了一種基于分簇及模糊邏輯的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)決策級(jí)融合算法。首先，為減少簇內(nèi)通信消耗，提出一種基于k-Means聚類(lèi)