数据融合与信息融合课件

1、数据融合与信息融合传感器数据融合的概念传感器数据融合又称数据融合，是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。传感器数据融合技术从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。它为智能信息处理技术的研究提供了新的观念。定义：将经过集成处理的多传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式。多传感器数据融合技术是通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。单一传感器只能获得环

2、境或被测对象的部分信息段，而多传感器信息经过融合后能够完善地、准确地反映环境的特征。定义三个要点：（1）数据融合是多信源、多层次的处理过程，每个层次代表信息的不同抽象程度；（2）数据融合过程包括数据的检测、关联、估计与合并；（3）数据融合的输出包括低层次上的状态身份估计和高层次上的总战术态势的评估。 多传感器数据融合包括：多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测。基本目的：通过融合得到比单独的各个输入数据更多的信息。这一点是协同作用的结果，即由于多传感器的共同作用，使系统的有效性得以增强。 多传感器数据融合系统可更大程度获取被探测目标和环境的信息量。单传感器信号处理或低层次的数

3、据处理方式只是对人脑信息处理的一种低水平模仿。实质：一种多源信息的综合技术，通过对来自不同传感器的数据进行分析和综合，可以获得被测对象及其性质的最佳一致估计。多传感器数据融合：将经过集成处理的多种传感器信息进行合成，形成对外部环境某一特征的一种表达方式。数据融合的优点增加了系统的生存能力扩展了空间覆盖范围扩展了时间覆盖范围提高了可信度降低了信息的模糊度改善了探测性能提高了空间分辨率增加了测量空间的维数信息融合组合：由多个传感器组合成平行或互补方式来获得多组数据输出的一种处理方法，是一种最基本的方式，涉及的问题有输出方式的协调、综合以及传感器的选择。在硬件这一级上应用。综合：信息优化处理中的一种

4、获得明确信息的有效方法。例：在虚拟现实技术中，使用两个分开设置的摄像机同时拍摄到一个物体的不同侧面的两幅图像，综合这两幅图像可以复原出一个准确的有立体感的物体的图像。融合：当将传感器数据组之间进行相关或将传感器数据与系统内部的知识模型进行相关，而产生信息的一个新的表达式。相关：通过处理传感器信息获得某些结果，不仅需要单项信息处理，而且需要通过相关来进行处理，获悉传感器数据组之间的关系，从而得到正确信息，剔除无用和错误的信息。相关处理的目的：对识别、预测、学习和记忆等过程的信息进行综合和优化。信息融合在信息电子学的应用 信息融合技术的实现和发展以信息电子学的原理、方法、技术为基础。信息融合系统要

5、采用多种传感器收集各种信息，包括声、光、电、运动、视觉、触觉、力觉以及语言文字等。信息融合技术中的分布式信息处理结构通过无线网络、有线网络，智能网络，宽带智能综合数字网络等汇集信息，传给融合中心进行融合。除了自然(物理)信息外，信息融合技术还融合社会类信息，以语言文字为代表，涉及到大规模汉语资料库、语言知识的获取理论与方法、机器翻译、自然语言解释与处理技术等，信息融合采用分形、混沌、模糊推理、人工神经网络等数学和物理的理论及方法。它的发展方向是对非线性、复杂环境因素的不同性质的信息进行综合、相关，从各个不同的角度去观察、探测世界。信息融合在计算机科学的应用 在计算机科学中，目前正开展着并行数据

6、库、主动数据库、多数据库的研究。信息融合要求系统能适应变化的外部世界，因此，空间、时间数据库的概念应运而生，为数据融合提供了保障。空间意味着不同种类的数据来自于不同的空间地点，时间意味着数据库能随时间的变化适应客观环境的相应变化。信息融合处理过程要求有相应的数据库原理和结构，以便融合随时间、空间变化了的数据。在信息融合的思想下，提出的空间、时间数据库，是计算机科学的一个重要的研究方向。信息融合在自动化的应用以各种控制理论为基础，信息融合技术采用模糊控制、智能控制、进化计算等系统理论，结合生物、经济、社会、军事等领域的知识，进行定性、定量分析。按照人脑的功能和原理进行视觉、听觉、触觉、力觉、知觉

7、、注意、记忆、学习和更高级的认识过程，将空间、时间的信息进行融合，对数据和信息进行自动解释，对环境和态势给予判定。目前的控制技术，已从程序控制进入了建立在信息融合基础上的智能控制。智能控制系统不仅用于军事，还应用于工厂企业的生产过程控制和产供销管理、城市建设规划、道路交通管理、商业管理、金融管理与预测、地质矿产资源管理、环境监测与保护、粮食作物生长监测、灾害性天气预报及防治等涉及宏观、微观和社会的各行各业。 信息融合层次的划分主要有两种方法。第一种方法是按照融合对象的层次不同，将信息融合划分为低层（数据级或像素级）、中层（特征级）和高层（决策级）。另一种方法将是将传感器集成和数据融合划分为信号

8、级、证据级和动态级。 信息融合的分类数据级融合(或像素级融合)对传感器的原始数据及预处理各阶段上产生的信息分别进行融合处理。尽可能多地保持了原始信息，能够提供其它两个层次融合所不具有的细微信息。局限性：(1)由于所要处理的传感器信息量大，故处理代价高；(2)融合是在信息最低层进行的，由于传感器的原始数据的不确定性、不完全性和不稳定性，要求在融合时有较高的纠错能力；(3)由于要求各传感器信息之间具有精确到一个像素的配准精度，故要求传感器信息来自同质传感器；(4)通信量大。监测对象传感器1特征提取传感器2传感器N数据融合识别决策数据级融合(或像素级融合)特征级融合 利用从各个传感器原始数据中提取的

9、特征信息，进行综合分析和处理的中间层次过程。 通常所提取的特征信息应是数据信息的充分表示量或统计量，据此对多传感器信息进行分类、汇集和综合。 特征级融合分类：目标状态信息融合目标特性融合。监测对象特征融合传感器1传感器2传感器N识别决策特征提取特征提取特征提取特征级融合分类 目标状态信息融合主要应用于多传感器目标跟踪领域。融合系统首先对传感器数据进行预处理以完成数据配准。数据配准后，融合处理主要实现参数相关和状态矢量估计。目标特性融合特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是在融合前必须先对特征进行相关处理，对特征矢量进行分类组合。在模式识别、图像处理和计算机视觉等领域，已经对

10、特征提取和基于特征的分类问题进行了深入的研究，有许多方法可以借用。决策级融合 在信息表示的最高层次上进行的融合处理。不同类型的传感器观测同一个目标，每个传感器在本地完成预处理、特征抽取、识别或判断，以建立对所观察目标的初步结论，然后通过相关处理、决策级融合判决，最终获得联合推断结果，从而直接为决策提供依据。 因此，决策级融合是直接针对具体决策目标，充分利用特征级融合所得出的目标各类特征信息，并给出简明而直观的结果。决策级融合优点：实时性最好在一个或几个传感器失效时仍能给出最终决策，因此具有良好的容错性。监测对象决策融合传感器1传感器2传感器N决策特征提取特征提取特征提取识别识别识别决策级融合信

11、息融合过程 首先将被测对象它们转换为电信号，然后经过AD变换将它们转换为数字量。数字化后电信号需经过预处理，以滤除数据采集过程中的干扰和噪声。对经处理后的有用信号作特征抽取，再进行数据融合；或者直接对信号进行数据融合。最后，输出融合的结果。信息融合结构形式三种结构形式：串联、并联和混合融合形式。1. 加权平均 2. 嵌入约束法：卡尔曼滤波、贝叶斯估计 3. 多贝叶斯方法 4. 统计决策理论 5. 证据组合法：概率统计方法、 Dempster-Shafer证据推理法 6. 模糊逻辑法 7. 产生式规则法 8. 神经网络方法 信息融合的一般方法1. 加权平均 加权平均是最简单、最直观的数据融合方法

12、。该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值。 由多种传感器所获得的客观环境(即被测对象)的多组数据，就是客观环境按照某种映射关系形成的像，信息融合就是通过像求解原像，即对客观环境加以了解。 用数学语言描述就是，所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境(即上述映射为一一映射)，就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。嵌入约束法最基本的方法：Bayes估计和卡尔曼滤波2. 嵌入约束法Bayes估计是融合静态环境中多传感器低层数据的一种常用方法。其信息描述为概率分布，适用于具有可加高斯噪声的

13、不确定性信息。假定完成任务所需的有关环境的特征物用向量f表示，通过传感器获得的数据信息用向量d来表示，d和f都可看作是随机向量。信息融合的任务就是由数据d推导和估计环境f。假设p(f，d)为随机向量f和d的联合概率分布密度函数，则上式为概率论中的Bayes公式，是嵌入约束法的核心。 信息融合通过数据信息d做出对环境f的推断，即求解p(f|d)。由Bayes公式知，只须知道p(d|f)和p(f)即可。因为p(d)可看作是使p(f|d)p(f)成为概率密度函数的归一化常数，p(d|f)是在已知客观环境变量f的情况下，传感器得到的d关于f的条件密度。当环境情况和传感器性能已知时，p(f|d)由决定环

14、境和传感器原理的物理规律完全确定。而p(f)可通过先验知识的获取和积累，逐步渐近准确地得到，因此，一般总能对p(f)有较好的近似描述。 在嵌入约束法中，反映客观环境和传感器性能与原理的各种约束条件主要体现在p(f|d) 中，而反映主观经验知识的各种约束条件主要体现在p(f)中。 在传感器信息融合的实际应用过程中，通常的情况是在某一时刻从多种传感器得到一组数据信息d，由这一组数据给出当前环境的一个估计f。因此,实际中应用较多的方法是寻找最大后验估计g，即即最大后验估计是在已知数据为d的条件下，使后验概率密度p(f)取得最大值得点g，根据概率论，最大后验估计g满足当p(f)为均匀分布时，最大后验估

15、计g满足 此时，最大后验概率也称为极大似然估计。当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。在大多数情况下，多传感器从不同的坐标框架对环境中同一物体进行描述，这时传感器测量数据要以间接的方式采用Bayes估计进行数据融合。间接法要解决的问题是求出与多个传感器读数相一致的旋转矩阵R和平移矢量H。在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器测量信息的一致：式中x1和x2为两个传感器测量信号，C为与两个传感器相关联的方差阵，当距离T小于某个阈值时，两个传感器测量值具有一致性。这种方法的实质是剔除处于误差状态

16、的传感器信息而保留“一致传感器”数据计算融合值。 卡尔曼滤波(KF) 用于实时融合动态的低层次冗余传感器数据，该方法用测量模型的统计特性，递推决定统计意义下最优融合数据合计。如果系统具有线性动力学模型，且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示，KF为融合数据提供惟一的统计意义下的最优估计，KF的递推特性使系统数据处理不需大量的数据存储和计算。 KF分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波(EKF)。 DKF可实现多传感器数据融合完全分散化，其优点：每个传感器节点失效不会导致整个系统失效。而EKF的优点：可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。 应

17、用卡尔曼滤波器对n个传感器的测量数据进行融合后，既可以获得系统的当前状态估计，又可以预报系统的未来状态。 应用领域：目标识别、机器人导航、多目标跟踪、惯性导航和遥感等。 嵌入约束法传感器信息融合的最基本方法之一。其缺点：需要对多源数据的整体物理规律有较好的了解，才能准确地获得p(d|f)，但需要预知先验分布p(f)。3. 多贝叶斯方法 DurrantWhyte将任务环境表示为不确定几何物体集合的多传感器模型，提出了传感器信息融合的多贝叶斯估计方法。多贝叶斯估计把每个传感器作为一个贝叶斯估计，将各单独物体的关联概率分布组合成一个联合后验概率分布函数，通过使联合分布函数的似然函数最小，可以得到多传

18、感器信息的最终融合值。 4. 统计决策理论 与多贝叶斯估计不同，统计决策理论中的不确定性为可加噪声，从而不确定性的适应范围更广。不同传感器观测到的数据必须经过一个鲁棒综合测试以检验它的一致性，经过一致性检验的数据用鲁棒极值决策规则融合。 5. 证据组合法由Dempster首先提出，由Shafer发展。 一种不精确推理理论，贝叶斯方法的扩展。贝叶斯方法必须给出先验概率， 证据理论则能够处理这种由不知道引起的不确定性。在多传感器数据融合系统中，每个信息源提供了一组证据和命题，并且建立了一个相应的质量分布函数。因此，每一个信息源就相当于一个证据体。在同一个鉴别框架下， 将不同的证据体通过Dempst

19、er合并规则并成一个新的证据体，并计算证据体的似真度，最后用某一决策选择规则，获得最后的结果。 证据组合法认为完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面的情况。因此，分析每一数据作为支持某种决策证据的支持程度，并将不同传感器数据的支持程度进行组合，即证据组合，分析得出现有组合证据支持程度最大的决策作为信息融合的结果。 证据组合法是对完成某一任务的需要而处理多种传感器的数据信息，完成某项智能任务，实际是做出某项行动决策。它先对单个传感器数据信息每种可能决策的支持程度给出度量(即数据信息作为证据对决策的支持程度)，再寻找一种证据组合方

20、法或规则，在已知两个不同传感器数据(即证据)对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策总的支持程度。得到最大证据支持决策，即信息融合的结果。证据组合法较嵌入约束法优点：(1)对多种传感器数据间的物理关系不必准确了解，即无须准确地建立多种传感器数据体的模型；(2)通用性好，可以建立一种独立于各类具体信息融合问题背景形式的证据组合方法，有利于设计通用的信息融合软、硬件产品；(3)人为的先验知识可以视同数据信息一样，赋予对决策的支持程度，参与证据组合运算。常用证据组合方法：概率统计方法、Dempster-Shafer证据推理利用证据组合进行数据融合的关键在于：

21、选择合适的数学方法描述证据、决策和支持程度等概念建立快速、可靠并且便于实现的通用证据组合算法结构概率统计方法假设一组随机向量x1，x2，xn分别表示n个不同传感器得到的数据信息，根据每一个数据xi可对所完成的任务做出一决策di。xi的概率分布为pai(xi)， ai为该分布函数中的未知参数，若参数已知时，则xi的概率分布就完全确定了。用非负函数L(ai ，di)表示当分布参数确定为ai时，第i个信息源采取决策dj时所造成的损失函数。在实际问题中， ai是未知的，因此，当得到xi时，并不能直接从损失函数中定出最优决策。先由xi做出ai的一个估计，记为ai(xi)，再由损失函数L ai(xi),d

22、i决定出损失最小的决策。其中利用xi估计ai的估计量ai(xi) 有很多种方法。概率统计方法适用于分布式传感器目标识别和跟踪信息融合问题Dempster-Shafer证据推理(简称D-S推理)假设F为所有可能证据所构成的有限集，为集合F中的某个元素即某个证据，首先引入信任函数B(f)0，1表示每个证据的信任程度：从上式可知，信任函数是概率概念的推广，因为从概率论的知识出发，上式应取等号。 引入基础概率分配函数m(f)0，1 由基础概率分配函数定义与之相对应的信任函数： 当利用N个传感器检测环境M个特征时，每一个特征为F中的个元素。第i个传感器在第k-1时刻所获得的包括k1时刻前关于第j个特征的

23、所有证据，用基础概率分配函数表示，其中i=1，2，m。第i个传感器在第k时刻所获得的关于第j个特征的新证据用基础概率分配函数表示。由和可获得第i个传感器在第k时刻关于第j个特征的联合证据。类似地，利用证据组合算法，由和可获得在k时刻关于第j个特征的第i个传感器和第i+1个传感器的联合证据。如此递推下去，可获得所有N个传感器在k时刻对j特征的信任函数，信任度最大的即为信息融合过程最终判定的环境特征。 D-S证据推理优点：算法确定后，无论是静态还是时变的动态证据组合，其具体的证据组合算法都有一共同的算法结构。但其缺点：当对象或环境的识别特征数增加时，证据组合的计算量会以指数速度增长。6. 模糊逻辑

24、法 模糊逻辑实质上是一种多值逻辑，在多传感器数据融合中，将每个命题及推理算子赋予0到1间的实数值，以表示其在登记处融合过程中的可信程度，又被称为确定性因子，然后使用多值逻辑推理法，利用各种算子对各种命题（即各传感源提供的信息）进行合并运算，从而实现信息的融合。7. 产生式规则法 人工智能中常用的控制方法。产生式规则法中的规则一般要通过对具体使用的传感器的特性及环境特性进行分析后归纳出来的，不具有一般性，即系统改换或增减传感器时，其规则要重新产生。特点：系统扩展性较差，但推理较明了，易于系统解释，所以也有广泛的应用范围。 8. 人工神经网络法通过模仿人脑的结构和工作原理，设计和建立相应的机器和模

25、型并完成一定的智能任务。神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。神经网络多传感器信息融合的实现，分三个重要步骤：根据智能系统要求及传感器信息融合的形式，选择其拓扑结构；各传感器的输入信息综合处理为一总体输入函数，并将此函数映射定义为相关单元的映射函数,通过神经网络与环境的交互作用把环境的统计规律反映网络本身结构；对传感器输出信息进行学习、理解，确定权值的分配，完成知识获取信息融合，进而对输入模式做出解释，将输入数据向量转换成高层逻辑(符号)概念。基于神经网络的传感器信息融合

26、特点：具有统一的内部知识表示形式，通过学习算法可将网络获得的传感器信息进行融合，获得相应网络的参数，并且可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识自动获取及并行联想推理；能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号；由于神经网络具有大规模并行处理信息能力，使得系统信息处理速度很快。神经网络的优越性和强大的非线性处理能力，能够很好的满足多传感器数据融合技术的要求。神经网络具有较强的容错性和自组织、自学习、自适应能力，能够实现复杂的映射。基于神经网络的多传感器信息融合 处理过程(l)用选定的N个传感器检测系统状态；(2)采集N个传感器的测量

27、信号并进行预处理；(3)对预处理后的N个传感器信号进行特征选择；(4)对特征信号进行归一化处理，为神经网络的输入提供标准形式；(5)将归一化的特征信息与已知的系统状态信息作为训练样本，送神经网络进行训练，直到满足要求为止。该训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送人该网络，则网络输出就是被测系统的状态。一. 信息融合的民事应用领域工业过程监视及工业机器人遥感与金融系统空中交通管制与病人照顾系统船舶避碰与交通管制系统生物特征的身份识别二. 信息融合技术军事上的应用采用多传感器的自主式武器系统和自备式运载器情报收集系统采用多传感器进行截获、跟踪和指挥制导的火控系统军事力量

28、的指挥和控制站敌情指示和预警系统传感器信息融合的实例一种雷达测量的信息融合结构传感器故障检测系统信息融合系统结构的实例局部处理器局部处理器 外部逻辑中央处理器传感器信号传感器信号先验信息修正信息先验信息修正信息控制和信息融合计算机自主移动装配机器人装配机械手力觉传感器触觉传感器视觉传感器超声波传感器激光测距传感器多传感器信息融合自主移动装配机器人机器人中的传感器信息融合 多传感器在移动机器人中的应用外界环境视觉视觉超声波传感器红外接近觉立体视觉地标识别障碍探测目标物探测景物识别内部传感器融合力觉触觉环境模型定位避障操作规划学习路径规划任务规划：执行机构控制指令感觉功能海军舰船传感器信息融合系统

29、行扫描处理器红外探测器 直流偏压AGC搜索器万向支架惯性导航系统图像摄像机万向支架图像处理共享存储器数据融合处理器环境控制显示记录人机界面图像摄像机传感器舰船上的传感器信息融合 传感器信号处理ADC单片机显示翻译1 Ren C.Luo, Michael G.Kay. Multisensor Integration and Fusion in Intelligent Systems. IEEE Transactions on Systems, Man, and Cybernetics, 1989, 19(5): 901-931.2 P. K. Varshney. Multisensor Data

30、 Fusion. Electronics & Communication Engineering Journal, 1997, 12: 245-253.3 M. Kokar, K. Kim. Review of Multisensor Data Fusion Architectures and Techniques. In: Proceedings of the 1993 International Symposium on Intelligent Control. Chicago:1993, 261-266.4 Ren C. Luo. Chih-Chen Yih. Kuo Lan Su. M

31、ultisensor Fusion and Integration: Approaches, Applications, and Future Research Directions. IEEE Sensors Journal. 2002, 2(2):107-119.5 Dale Umbach, Kerry N. Jones. A Few Methods for Fitting Cireles to Data. IEEE Transactions on Instrumentation and Measurement, 2003,52(6):1881-1885. Syllabus传感器网络概述无

32、线传感器网络应用信息融合技术信息获取的意义信息处理流程信息获取信息传递信息处理信息认知信息再生信息执行(全信息角度)信息获取传递计算/处理智能/控制（利用角度）信息的来源直接信息：人获取信息是靠器官完成，获取的信息量受限间接信息：科学技术的发展，获取信息的渠道增多语言信息、文字信息、照像、摄像等，声光电的转换成为信息获取的主体，如网络、电视、广播、杂志等信息获取的方式传感器感知实现信息采集，通过网络通信的方式，将信息传递出去，进而实现信息的认知与利用网络信息检索通过搜索引擎进行操作数据采集系统传感器信号处理ADC计算机/单片机显示信号处理DAC非电量传感器介绍在机电一体化系统中有各种不同的物理

33、量(如位移、压力、速度等)需要测量与控制，如果没有传感器对原始的各种参数进行精确而可靠的检测，那么对机电产品的各种控制是无法实现的。因此能把各种不同的非电量转换成电量的传感器便成为机电一体化系统中不可缺少的组成部分。作为一个独立器件，传感器的发展正进入集成化、智能化研究阶段。把传感器件与信号处理电路集成在一个芯片上，就形成了信息型传感器；若再把微处理器集成到信息型传感器的芯片上，就是所谓的智能型传感器。 传感器的定义传感器传感器是一种以一定的精确度将被测量(如位移、力、加速度等)转换为与之有确定对应关系的、易于精确处理和测量的某种物理量(如电量)的测量部件或装置。传感器的组成传感器由敏感元件、

34、转换元件、电子线路等组成。敏感元件：直接感受被测量、并以确定关系输出物理量。如弹性敏元件将力转换为位移或应变输出。转换元件：将敏感元件输出的非电物理量(如位移、应变、光强)转换成电量参数(如电阻、电感、电容)等。基本转换电路：将电路参数量转换成便于测量的电量，如电压、电流、频率等。直接转换与间接转换敏感元件转换元件电子线路电量被测量传感器的分类传感器的分类方法有多种 按被测物理量的性质分位移传感器、温度传感器、压力传感器等按工作机理分电阻式、电感式、电容式、光电式按输出信号的性质分类可分为开关型(二值型) 、数字型和模拟型按信息的传递方式有线传感器无线传感器，研究热点传感器的分类传感器网络基本

35、概念计算设备：越来越小型化，高效低能巨型机-小型机-工作站-PC-PDA-WSN节点-生物芯片网络设施：连网和数据交换需求越来强计算设备无处不在、联网无处不在;设备之间数据传输量越来越大信息处理：内容主导由数据为中心-内容为中心传感器网络一组传感器节点，自组织方式, 协作地感知、采集和处理感知对象的信息, 并汇聚给观察者. 造价低、能量敏感、通信能力有限、计算能力弱、动态变化Mica2dotMica2配置较低：如Mica2 CPUAtmel 128 (8MHz, 8bit)存储128K Flash, 4K RAM, 4K EEPROM通信能力:范围: 500 feet数据速率: 38.4Kba

36、ud局限于标量信息压力、湿度、温度、光、震动, 等.节点能力有限 无线传感器网络概述无线网络的分类WSN概述无线传感器网络（wireless sensor network, WSN）系统是当前在国际上备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域。它综合了传感器技术、嵌入式计算技术、现代网络及无线通信技术、分布式信息处理技术等。WSN概述（续）无线传感器网络（wireless sensor network, WSN）就是由部署在检测区域内大量的廉价卫星传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，目的是协作地感知、采集和处理网络覆盖区域中感知的对象信息，并发

37、送给观察者。互联网和卫星任务管理节点用户汇聚节点监测区域传感器节点BACWSN概述（续）影响力美国商业周刊和MIT技术评论在预测未来技术发展报告中将无线传感器网络列为21世纪最有影响的21项技术和改变世界的10大技术之一。传感器网络被列为未来3大高科技产业一。美国的技术评论将无线传感器网络列为第一项未来新兴技术。商业周刊 预测的未来4大新技术中，无线传感器网络也列入其中等。WSN技术的历史及发展现状国外：起源于美国，根源可追溯到1978年由国防部高级研究计划署在卡内基-梅隆大学发起的分布式传感器研讨会具有代表性的项目包括：1993-1999年间由美国国防高级研究计划署资助，加州大学洛杉矶分校(

38、UCLA)承担的WINS项目1999-2001年DAPRA资助UCBerkeley承担的SmartDust项目1998-2002年DARPA资助，加州大学伯克利分校等25个机构联合承担的SensIT计划 1999-2004年间海军研究办公室的SeaWeb计划等历史以及发展现状（续）国内：中国的一些研究机构近年开始研究：中国科学技术大学、清华大学、中科院计算所、上海微系统所、沈阳自动化所以及合肥智能所等研究单位 。之所以国内外都投入巨资研究机构纷纷开展无线传感器网络的研究，很大程度归功于其广阔的应用前景和对社会生活的巨大影响。单层WSN拓扑结构图簇簇首簇成员层次型网络拓扑结构在层次型无线传感器网

39、络中，网络通常被划分为簇(cluster)。 簇的组成：簇首(cluster head)和簇成员(cluster member)。任务管理中心 Internet、卫星或移动通信网络等汇聚节点监测区域传感器节点WSN的体系结构传感器网络结构WSN的体系结构（续）传感器节点结构WSN的体系结构（续）传感器网络协议栈WSN的协议MAC协议在无线传感器网络中，介质访问控制协议决定无线信道的使用方式，在传感器节点之间分配有限的无线通信资源，用来构建传感器网络系统的底层基础结构。设计MAC协议时考虑 节省能量 可扩展性 网络效率WSN的协议（续）MAC协议MAC网络能量浪费主要原因： 数据重传，耗费节点更

40、多能量。 节点接受不必要的数据。 节点不需要发送数据时，过度侦听。 信道分配时，控制消息过多。WSN的协议（续）MAC协议节点无线通信模块的状态包括：发送状态、接受状态、侦听状态、睡眠状态。各状态耗能按上述顺序依次减少，因此通常采用”侦听/睡眠”交替使用的无线信道使用策略。WSN的协议（续）MAC协议针对不同的传感器网络应用，提出不同的MAC协议，主要分3类：时分复用（TDMA）的MAC协议。随机竞争的MAC协议。其他MAC协议。如：频分复用或码分复用等协议。WSN的特征WSN与无线网络的区别传感器网络集成了监测、控制以及无线通信的网络系统，节点数目庞大（上千甚至上万），分布密集，因环境和能量的耗尽，容易出现故障，节点通常固定不动。能量、处理能力、存储能力、通信能力有限。不同于传统无线网络的高服务质量和高效的带宽的利用，节能是其设计的首要考虑因素。节点的限制电池能量有限通信能力有限计算和存储能力有限WSN的特征（续）传感器网络的特点大规模网络自组织网络动态性网络可靠性网络应用性相关的网络以数据为中心的网络Syllabus传感器网络概述无线传感器网络