本篇主要介绍数据融合的分类……

      

传感器网络中的数据融合技术可以从不同的角度进行分类，这里介绍三种分类方法：依据融合前后数据的信息含量分类；依据数据融合与应用层数据语义的关系分类；依据融合操作的级别进行分类。

 

一、根据融合前后数据的信息含量划分
 

    跟据数据进行融合操作前后的信息含量，可以将数据融合分为无损失融合(lossless aggregation) 和有损失融合 (lossy aggregation)两类。
1.   无损失融合
    无损失融合中，所有的细节信息均被保留。此类融合的常见做法是去除信息中的冗余部分。根据信息理论，在无损失融合中，信息整体缩减的大小受到其熵值的限制。
    将多个数据分组打包成一个数据分组，而不改变各个分组所携带的数据内容的方法属于无损失融合。这种方法只是缩减了分组头部的数据和为传输多个分组而需要的传输控制开销，而保留了全部数据信息。
    时间戳融合是无损失融合的另一个例子。在远程监控应用中，传感器节点汇报的内容可能在时间属性上有一定的联系，可以使用一种更有效的表示手段融合多次汇报。比如一个节点以一个短时间间隔进行多次汇报，每次汇报中除时间戳不同外，其他内容均相同；收到这些汇报的中间节点可以只传送时间戳最新的一次汇报，以表示在此时刻之前，被监测的事物都具有相同的属性。
2.   有损失融合
    有损失融合通常会省略一些细节信息或降低数据的质量，从而减少需要存储或传输的数据量，以达到节省存储资源或能量资源的目的。有损失融合中，信息损失的上限是要保留应用所需要的全部信息量。
    很多有损失融合都是针对数据收集的需求而进行网内处理的必然结果。比如温度监测应用中，需要查询某一区域范围内的平均温度或最低、最高温度时，网内处理将对各个传感器节点所报告的数据进行计算，并只将结果数据报告给查询者。从信息含量角度看，这份结果数据相对于传感器节点所报告的原始数据来说，损失了绝大部分的信息，仅能满足数据收集者的要求。

 

二、根据数据融合与应用层数据语义之间的关系划分

 

    数据融合技术可以在传感器网络协议栈的多个层次中实现，既可以在MAC协议中实现，也可以在路由协议或应用层协议中实现。根据数据融合是否基于应用数据的语义，将数据融合技术分为三类：依赖于应用的数据融合(application dependent data aggregation, ADDA), 独立于应用的数据融合(application independent data aggregation, AIDA), 以及结合以上两种技术的数据融合。
1.   依赖于应用的数据融合
    通常数据融合都是对应用层数据进行的，即数据融合需要了解应用数据的语义。从实现角度看，数据融合如果在应用层实现，则与应用数据之间没有语义间隔，可以直接对应用数据进行融合；如果在网络层实现，则需要跨协议层理解应用层数据的含义，如图1(b)所示：
 

            

      (a) DoD 参考模型              (b) ADDA                   (c) AIDA                  (d) 综合
图 1 数据融合根据与网络层的关系的分类

 

      ADDA技术可以根据应用需求获得最大限度的数据压缩，但可能导致结果数据中损失的信息过多。另外，融合带来的跨层理解语义问题给协议栈的实现带来困难。
2.   独立于应用的数据融合
    鉴于ADDA的语义相关性问题，有人提出独立于应用的数据融合。这种融合技术不需要了解应用层数据的语义，直接对数据链路层的数据包进行融合。例如，将多个数据包拼接成一个数据包进行转发。这种技术把数据融合作为独立的层次实现，简化了各层之间的关系。如图1(c)中所示，AIDA作为一个独立的层次处于网络层与MAC层之间。
      AIDA保持了网络协议层的独立性，不对应用层数据进行处理，从而不会导致信息丢失，但是数据融合效率没有ADDA高。
3.    结合以上两种技术的数据融合
    这种方式结合了上面两种技术的优点，同时保留AIDA层次和其他协议层内的数据融合技术，因此可以综合使用多种机制得到更符合应用需求的融合效果。其协议层次如图1(d)所示。

 

三、根据融合操作的级别划分

 

根据对传感器数据的操作级别，可将数据融合技术分为一下三类：
1.   数据级融合。数据级融合是最底层的融合，操作对象是传感器通过采集得到的数据，因此是面向数据的融合。这类融合大多数情况下仅依赖于传感器类型，不依赖于用户需求。在目标识别的应用中，数据级融合即为像素级融合，进行的操作包括对像素数据进行分类或组合，去除图像中的冗余信息等。
2.    特征级融合。特征级融合通过一些特征提取手段将数据表示为一系列的特征向量，以反映事物的属性，是面向监测对象特征的融合。比如在温度监测应用中，特征级融合可以对温度传感器数据进行综合，表示成(地区范围，最高温度，最低温度)的形式；在目标监测应用中，特征级融合可以将图像的颜色特征表示成RGB值。
3.    决策级融合。决策级融合根据应用需求进行较高级的决策，是最高级的融合。决策级融合的操作可以依据特征级融合提取的数据特征，对监测对象进行判别、分类，并通过简单的逻辑运算，执行满足应用需求的决策。因此，决策级融合是面向应用的融合。比如在灾难监测应用中，决策级融合可能需要综合多种类型的传感器信息，包括温度、湿度或震动等，进而对是否发生了灾难事故进行判断；在目标监测应用中，决策级融合需要综合监测目标的颜色特征和轮廓特征，对目标进行识别，最终只传输识别结果。
 
    在传感器网络的实现中，这三个层次的融合技术可以根据应用的特点综合运用。比如有的应用场合传感器数据的形式比较简单，不需要进行较低层的数据级融合，而需要提供灵活的特征级融合手段；而有的应用要处理大量的原始数据，需要有强大的数据级融合功能。

 

    下一篇会具体介绍各层中的数据融合方法……