基于高斯滤波与均值聚类的异质多源传感器数据加权融合

异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。

能耗均衡约束下的多源异质传感器数据动态汇聚算法

多源异质传感器数据在无线传感网络中汇聚时,易受到无线传感网络冗余数据的干扰,导致其通信开销大、精度低。为此,提出能耗均衡约束下多源异质传感器数据动态汇聚算法。构建能耗均衡约束模型,保证多源异质数据节点在汇聚过程中所消耗的能量趋于平均值,采用监督判别投影算法对数据进行降维处理,消除数据中的冗余度,通过模糊分簇阈值筛选机制获取汇聚区域的簇头阈值,将簇区域内数据汇聚到传感器中,完成多源异质传感器数据的动态汇聚。仿真结果表明,所提算法的隐私泄露率在25%左右,通信开销在9 MB~46 MB之间,汇聚数据正确率高于90%,证明所提算法可有效降低通信开销,提高数据汇聚精度。

一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法

针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从而实现及时识别林火的目的。仿真实验结果表明:本文提出的方法可以实现各阶段火情早期特征的检测,有效识别早期森林火灾;与相关文献提出的方法相比,本文方法能够得出更为理想的林火概率,辨识准确性更高,可以有效降低误报风险。