一种优化的贝叶斯估计多传感器数据融合方法

由于来自多个传感器的测量数据总是有一定程度的不确定性和不一致性,采用多传感器数据融合算法将多个节点的测量数据进行数据融合,利用数据的冗余度来减小这种不确定性,得到高可靠性的数据信息。提出了一种优化的贝叶斯估计多传感器数据融合方法,将贝叶斯估计和卡尔曼滤波器结合起来,应用于无线传感网络数据融合中。根据滤波器应用到传感数据、融合数据或者两者的方式,提出3种不同的技术,即:前向滤波法、后向滤波法和前后向滤波法。通过一个实例研究估计移动机器人的位置,验证算法的有效性。实验表明,在集中式和分布式两个方面数据融合体系结构,结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。

基于自适应速率限制的拥塞控制算法研究

由于无线传感器网络(WSN)中传感节点的局限性,网络数据流在节点处聚集易引起网络拥塞,造成大量数据包的丢失,从而降低网络的服务质量。如何限制网络数据流的传输速率,对拥塞进行控制一直是无线传感器网络的研究热点之一。为解决无线传感器网络中的拥塞问题,本文结合松弛技术的速率限制方式和最大–最小公平性的资源共享分配方式,提出一种基于自适应速率限制的拥塞控制算法(ARLCC)。仿真实验表明,ARLCC方案不仅能有效缓解拥塞,还保证了数据包传输的可靠性和公平性。