基于网络编码及神经网络的传感器数据收集及融合

摘要

无线传感网络的核心任务是对物理现象进行感知并将感知数据传输到信息系统中。信息的获取是无线传感网络的核心功能。传感器节点通常采用电池供电，其可用能量受到限制，因此能耗是设计数据收集方案的首要考虑因素。基于移动sink节点的数据收集与数据融合是两种高能效的信息收集技术，本文针对这两种技术进行深入研究。
　　基于移动sink节点的收集方案与传统基于固定sink节点的收集方式相比，具有低能耗、负载均衡的特点。在此基础上，引入了网络编码技术的收集方案除具有以上优点外，还对节点失效、数据包丢失等问题具有高度的健壮性。目前广泛研究的网络编码方式为LT网络编码及其变种，但这些方案的扩展性较差，编码时传输能耗较高。本文针对此问题对现有方案进行改进，提出移动sink节点下基于DDL-LT网络编码的收集方案。DDL-LT网络编码解决了传统方案扩展性差的问题，并具有更低的编码能耗、更高的传输速率、更短的编码时间。
　　数据融合技术可大幅减小基于固定sink节点的数据收集方式的能耗。在数据传输的过程中，数据融合技术先将多个数据包融合为数据总量更小的一个或多个数据包后，再将融合后的数据进行传输，从而达到降低网络能耗的目的。根据融合目标不同，融合后的数据可能具有更高的精度或者更高的抽象级别。数据融合技术十分适用于不需要获得传感器节点原始数据的应用。目前关于数据融合的研究较多，但多数研究不关心具体的融合函数，而是在假设的抽象融合函数基础上，对融合协议与融合模式进行研究。鉴于此，本文创新地提出用于无线传感网络数据融合的分布式神经网络技术以及相应的数据融合方案。与现有研究所假设的最大值、平均值等简单融合函数不同，经仿真验证，分布式神经网络可完成复杂的分类识别任务，对输入数据的噪声具有较强的健壮性，计算复杂度较低，时延较数据收集方案更小，具有天然的防窃听能力。

目录

封面

声明

中文摘要

英文摘要

目录

缩略词表

主要符号表

第一章 绪论

1.1 研究背景及研究意义

1.2 主要工作与创新

1.3 论文组织

第二章 无线传感网络中基于DDL-LT网络编码的移动sink数据收

2.1 引言

2.2 LT族无率码的编码模型

2.3 二分量度受限LT码（DDL-LT码）

2.4 DDL-LT网络编码

2.5 DDL-LT网络编码的扩展性与传输性能分析

2.6 网络仿真

2.7 结论

第三章 无线传感网络中的分布式神经网络数据融合算法

3.1 引言

3.2 分布式神经网络算法

3.3 基于分布式神经网络的数据融合

3.4 融合方案性能评估

3.5 结论

第四章 总结与展望

4.1 全文总结

4.2 研究展望

个人简历及攻读硕士学位期间取得的成果

致谢

参考文献

学位论文评审后修改说明表

学位论文答辩后勘误修订说明表