1 傳統(tǒng)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸
1．1 直接傳輸模型
    直接傳輸模型是指?jìng)鞲衅鞴?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1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(shí)際中難以得到應(yīng)用。

1．2 多跳傳輸模型
    這種方式類似于AD-Hoc網(wǎng)絡(luò)模型，如圖2所示。每個(gè)節(jié)點(diǎn)自身不對(duì)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(cè)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?shù)娜毕?，使得能量得到了較有效的利用，這是傳感器網(wǎng)絡(luò)得到廣泛利用的前提。
    該方法的缺點(diǎn)在于：當(dāng)網(wǎng)絡(luò)規(guī)模較大時(shí)，會(huì)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2中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，這些節(jié)點(diǎn)的能量將會(huì)很快耗盡。對(duì)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)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(gè)傳感器的監(jiān)測(cè)范圍以及可靠性都是有限的，在放置傳感器節(jié)點(diǎn)時(shí)，有時(shí)要使傳感器節(jié)點(diǎn)的監(jiān)測(cè)范圍互相交疊，以增強(qiáng)整個(gè)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(cè)數(shù)據(jù)就會(huì)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(gè)節(jié)點(diǎn)都將傳輸全部的感測(cè)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)模無線傳感器網(wǎng)絡(luò)中，使各個(gè)節(jié)點(diǎn)多跳傳輸感測(cè)數(shù)據(jù)到Sink節(jié)點(diǎn)前，先對(duì)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。
2．1 集中式數(shù)據(jù)融合算法
2．1．1 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(cè)信號(hào)并選擇信號(hào)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(jí)簇頭傳輸，直至Sink節(jié)點(diǎn)。圖3所示為兩層分簇結(jié)構(gòu)。這種方式降低了節(jié)點(diǎn)發(fā)送功率，減少了不必要的鏈路，減少節(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(zhǎng)網(wǎng)絡(luò)壽命的目的。該算法的缺點(diǎn)在于：分簇的實(shí)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(shí)，簇頭與簇內(nèi)成員為點(diǎn)對(duì)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)。

2．1．2 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(gè)節(jié)點(diǎn)都是同構(gòu)的且靜止不動(dòng)，節(jié)點(diǎn)通過通信來獲得與其他節(jié)點(diǎn)之間的位置關(guān)系。每個(gè)節(jié)點(diǎn)通過貪婪算法找到與其最近的鄰居并連接，從而整個(gè)網(wǎng)絡(luò)形成一個(gè)鏈，同時(shí)設(shè)定一個(gè)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(gè)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4所示。
    該算法缺點(diǎn)也很明顯，首先每個(gè)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(huì)失效。再次，較長(zhǎng)的鏈會(huì)造成較大的傳輸時(shí)延。
2．2 分布式數(shù)據(jù)融合算法
    可以將一個(gè)規(guī)則傳感器網(wǎng)絡(luò)拓?fù)鋱D等效于一幅圖像，獲得一種將小波變換應(yīng)用到無線傳感器網(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(duì)其進(jìn)行介紹。
2．2．1 規(guī)則網(wǎng)絡(luò)情況
    Servetto首先研究了小波變換的分布式實(shí)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5所示，網(wǎng)絡(luò)中節(jié)點(diǎn)規(guī)則分布，每個(gè)節(jié)點(diǎn)只與其相鄰的左右兩個(gè)鄰居進(jìn)行通信，對(duì)數(shù)據(jù)進(jìn)行去相關(guān)計(jì)算。

    DWT_RE算法的實(shí)現(xiàn)分為兩步，第一步，奇數(shù)節(jié)點(diǎn)接收到來自它們偶數(shù)鄰居節(jié)點(diǎn)的感測(cè)數(shù)據(jù)，并經(jīng)過計(jì)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(jì)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(shí)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。
2．2．2 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(xiàng)目組已經(jīng)對(duì)此算法進(jìn)行了檢驗(yàn)，下面對(duì)其進(jìn)行介紹。DWT_IRR算法是建立在lifting算法的基礎(chǔ)上，它的具體思想如圖6～圖8所示，分成三步：分裂，預(yù)測(cè)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(cè)，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(cè)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，Oi發(fā)送dj至參與預(yù)測(cè)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。
    該算法依靠節(jié)點(diǎn)與一定范圍內(nèi)的鄰居進(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(shí)現(xiàn)了網(wǎng)絡(luò)數(shù)據(jù)的稀疏變換。通過對(duì)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(cè)數(shù)據(jù)的相關(guān)性，進(jìn)行有效的壓縮變換；分布式計(jì)算，無中心節(jié)點(diǎn)，避免熱點(diǎn)問題；將原來網(wǎng)絡(luò)中瓶頸節(jié)點(diǎn)以及簇頭節(jié)點(diǎn)的能量平均到整個(gè)網(wǎng)絡(luò)中，充分起到了節(jié)能作用，延長(zhǎng)了整個(gè)網(wǎng)絡(luò)的壽命。
    然而，該算法也有其自身的一些設(shè)計(jì)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，但是有很多額外開銷用于了鄰居節(jié)點(diǎn)之間的局部信號(hào)處理上，即很多能量消耗在了局部通信上。對(duì)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(jì)算反向鏈路所需的開銷，從而對(duì)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(gè)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。

3 總 結(jié)
    基于應(yīng)用領(lǐng)域的不同，以上算法各有其優(yōu)缺點(diǎn)，如表1所示。

4 結(jié) 語(yǔ)
    這里介紹了幾類常用的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法，并比較了其優(yōu)缺點(diǎn)。數(shù)據(jù)融合是實(shí)現(xiàn)無線傳感器節(jié)點(diǎn)節(jié)能目的的重要手段之一，目前的各種研究技術(shù)都還未成熟，新技術(shù)正不斷涌現(xiàn)。例如當(dāng)傳感器節(jié)點(diǎn)具有移動(dòng)能力時(shí)，網(wǎng)絡(luò)拓?fù)淙绾伪３謱?shí)時(shí)更新；當(dāng)環(huán)境惡劣時(shí)，如何保障通信的安全；如何進(jìn)一步降低能耗；以及如何更好地借助數(shù)據(jù)稀疏性理論（如Compressd Sening）在圖像處理中的應(yīng)用，而將其引入到傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮中改善融合效果，以上都是待解決的問題。未來還會(huì)有更多、更好、更合面的算法被不斷提出。