数据时空融合算法在无线多传感器网络中的应用

无线传感器网络是一种新兴的、全新的技术,它常常应用于工业领域以及恶劣的环境中.在标准ZigBee协议中没有设计相关的数据融合规范,使其只能用在低数据冗余的应用场合.大规模网络中的数据冗余度大,并且网络中的数据冗余会引起节点频繁地争抢信道,网络时延增加甚至出现网络瘫痪;因此针对同类多传感器测量数据中含有的噪声和传输中包含大量冗余信息,通过多次实验对几种算法进行仿真比较,文中提出了一种基于递推估计的数据融合和自适应加权时空融合算法.该算法利用空间位置中多传感器的方差变化,通过调整参与融合的各传感器的加权系数,使融合系统均方误差始终最小.     

基于神经网络的多传感加权融合算法的研究

数据融合技术是无线传感器网络的一个关键的技术,能减少传感器的传输量,从而明显提高网络的感知性能,延长网络生命周期,减少时间延迟.多传感器的数据融合可以获得比单一传感器更多,更准确的信息.针对从含有噪声的测量数据中估计出监测变量,对自适应加权融合算法进行改进,基于信任度方法对测量数据进行数据预处理,然后基于神经网络误差修正的方法实现各传感器权重的自适应匹配,从而得到较为准确的估计值.通过对比仿真实验,本文算法的融合结果在精度、容错性方面均优于均值估计算法和自适应加权融合算法;能够更好地适应当今大数据环境下对数据精确度的要求.     

一种基于分簇与分层相结合的无线传感器路由协议

本文在LEACH算法的基础上,提出了一种基于分簇与分层相结合的无线传感器路由协议。该协议结合了层次路由协议中的分簇路由和基于定向扩散路由思想的分层路由:分簇路由结合数据融合技术可以大幅度的降低网络中数据冗余,分层路由使得数据转发有一定的方向性;二者都相结合降低了网络能耗和延长网络生存周期。另外睡眠机制和多跳传输方式的应用,有效均衡网络节点的能量消耗。     

基于路由协议的低能耗数据融合方法

将无线传感器网络中的数据融合技术与路由协议相结合,详细分析了基于LEACH、图论、模糊神经网络和合作博弈的路由协议数据融合算法,给出了不同算法中影响能量消耗和时间延迟的因素,提出减少能量消耗和时间延迟的方法.最后,通过仿真实验对改进后的几种路由协议在融合能耗和平均时延方面进行比较.结果表明,改进后的数据融合算法能量消耗更低、时间延迟更少.     

基于大数据技术的高校网络舆情监测与分析

高校网络舆情具有主体特殊性、内容多元性和传播快速性等特点,当负面舆情出现时,传统"救火"式思维模式已不能有效地解决网络舆情危机的爆发、蔓延和扩散。高校应综合利用大数据的分布式信息抓取与处理、非结构化数据存储等技术,通过舆情热词云分析、舆情演化分析和业务部门关注度分析等方式,快速完成网络舆情数据的多源采集、清理融合、分析挖掘等一系列任务,实现网络舆情的有效监管。"厦理工e起来"的舆情案例应用结果表明,基于大数据技术的高校网络舆情监测与分析,可实现对高校学生思想动态的实时追踪、预测和研判,防范和及时解决高校网络舆情危机的蔓延和扩散,促进高校文明和谐发展。     

基于组播树的改进一致性数据融合算法

提出了一种结合路由的基于组播树的数据融合算法.该算法由3个阶段构成:组播树的构造阶段、兴趣散布阶段和数据融合阶段.算法构造了一棵以汇节点为根的组播树,在汇节点进行兴趣散布阶段,通过一种基于被动分簇的优化定向扩散路由协议进行路由扩散;数据融合阶段,借鉴多传感器中的一致性融合算法,通过重新定义其置信距离避免人为定义阈值而产...     

基于多传感器数据融合与挖掘的分布式入侵检测模型

为有效解决分布式攻击,提出了基于多传感器数据融合与挖掘的分布式入侵检测模型.将多传感器数据融合与数据挖掘技术应用到分布式入侵检测中,可连续和全面地提供网络攻防战场环境态势的综合评估.     

软交换技术在企业网应用的探讨

软交换是下一代网络 ( NGN)的核心技术 ,软交换技术不仅可以融合数据、语音、传真和视频等多种综合业务 ,还可以将各种异构网络融合在一起 .最重要的是它提供了开放的业务应用接口 API,直接体现了网络融合 ,业务融合的思想 .本文在分析软交换技术特点的基础上对其在企业网的应用进行了探讨     

基于Bayes估计的受限空间探测数据融合算法

针对单个传感器采集信息不准确的问题,提出一种基于Bayes估计的受限空间探测数据融合算法.首先,通过分析探测信号的组成结构,利用滤波、限幅、阶跃信号去除等方法,解决了信号干扰问题,提高了特征参量的显著性;其次,结合数据融合架构的动态性特征,给出合理假设,组合先验网络与转移网络,共同建立动态Bayes网络模型,得到融合目标函数;最后,通过引入正态分布研究探测值的不确定性,将探测节点视为似然函数,推导融合后的最大后验概率,以融合加权平均误差比为指标,通过“两两相遇”的方式实现多类型探测数据融合.仿真实验结果表明,该算法解决了信号冗余问题,数据融合效果较好,火灾整体漏报次数较少,数据融合时间最高值仅为2.4 s.     

一种基于深度学习模型的数据融合处理算法

针对无线传感器网络传统数据融合算法效率较低、处理高维数据困难问题,提出一种基于深度学习模型的卷积神经网络结构实现数据融合的算法CNNMDA.算法首先在汇聚节点对构建的特征提取模型CNNM进行训练,然后各终端节点通过CNNM提取原始数据特征,最后向汇聚节点发送融合后的数据,从而减少数据传输量,延长网络寿命.仿真实验表明,CNNMDA与同类融合算法相比,在同样数据量的情况下能够大幅降低网络能耗,并有效提升了数据融合效率与准确度.