由於大多數無線感測器網路應用都是由大量感測器節點構成的，共同完成資訊收集、目標監視和感知環境的任務。因此，在資訊採集的過程中，採用各個節點單獨傳輸資料到匯聚節點的方法顯然是不合適的。因為網路存在大量冗餘資訊，這樣會浪費大量的通訊頻寬和寶貴的能量資源。此外，還會降低資訊的收集效率，影響資訊採集的及時性。
為避免上述問題，人們採用了一種稱為資料融合（或稱為資料匯聚）的技術。所謂資料融合是指將多份資料或資訊進行處理，組合出更高效、更符合使用者需求的資料的過程。在大多數無線感測器網路應用當中，許多時候只關心監測結果，並不需要收到大量原始資料，資料融合是處理該類問題的有效手段。
1．資料融合技術的產生背景來自於資料融合的幾個重要作用
（1）節省能量
由於部署無線感測器網路時，考慮了整個網路的可靠性和監測資訊的準確性（即保證一定的精度），需要進行節點的冗餘配置。在這種冗餘配置的情況下，監測區域周圍的節點採集和報告的資料會非常接近或相似，即資料的冗餘程度較高。如果把這些資料都發給匯聚節點，在已經滿足資料精度的前提下，除了使網路消耗更多的能量外，匯聚節點並不能獲得更多的資訊。而採用資料融合技術，就能夠保證在向匯聚節點傳送資料之前，處理掉大量冗餘的資料資訊，從而節省了網內節點的能量資源。
（2）獲取更準確的資訊
由於環境的影響，來自感測器節點的資料存在著較高的不可靠性。通過對監測同一區域的感測器節點採集的資料進行綜合，有效地提高獲取資訊的精度和可信度。
（3）提高資料收集效率
網內進行資料融合，減少網路資料傳輸量，降低傳輸擁塞，降低資料傳輸延遲，減少傳輸資料衝突碰撞現象，可在一定程度上提高網路收集資料的效率。資料融合技術可以從不同角度進行分類，主要的依據是三種：融合前後資料資訊含量、資料融合與應用層資料語義的關係以及融合操作的級別。
2，根據融合前後資料資訊含量劃分為無損融合和有損融合
前者在資料融合過程中，所有細節資訊均被保留，只去除冗餘的部分資訊。後者通常會省略一些細節資訊或降低資料的質量。
3．根據資料融合與應用層資料語義的關係劃分為依賴於應用的資料融合、獨立於應用的資料融合以及兩種結合的融合技術
依賴於應用的資料融合可以獲得較大的資料壓縮，但跨層語義理解給協議棧的實現帶來了較大的難度。獨立於應用的資料融合可以保持協議棧的獨立性，但資料融合效率較低。以上兩種技術的融合可以得到更加符合實際應用需求的融合效果。
4．根據融合操作的級別劃分為資料級融合、特徵級融合以及決策級融合
資料級融合是指通過感測器採集的資料融合，是最底層的融合，通常僅依賴於感測器的型別。特徵級融合是指通過一些特徵提取手段，將資料表示為一系列的特徵向量，從而反映事物的屬性，是面向監測物件的融合。決策級融合是根據應用需求進行較高階的決策，是最高端的融合。
5. 無線感測器網路的資料融合技術可以結合網路的各個協議層來進行
在應用層，可通過分布式資料庫技術，對採集的資料進行初步篩選，達到融合效果；在網路層，可以結合路由協議，減少資料的傳輸量；在資料鏈路層，可以結合mac，減少mac層的傳送衝突和頭部開銷，達到節省能量目的的同時，還不失去資訊的完整性。無線感測器網路的資料融合技術只有面向應用需求的設計，才會真正得到廣泛的應用。
（1）應用層和網路層的資料融合
無線感測器網路通常具有以資料為中心的特點，因此應用層的資料融合需要考慮以下因素：無線感測器網路能夠實現多工請求，應用層應當提供方便和靈活的查詢提交手段；應用層應當為使用者提供乙個遮蔽底層操作的使用者介面，使用者使用時無須改變原來的操作習慣，也不必關心資料是如何採集上來的；由於節點通訊代價高於節點本地計算的代價，應用層的資料形式應當有利於網內的計算處理，減少通訊的資料量和減小能耗。
從網路層來看，資料融合通常和路由的方式有關，例如以位址為中心的路由方式（最短路徑**路由），路由並不需要考慮資料的融合。然而，以資料為中心的路由方式，源節點並不是各自尋找最短路徑路由資料，而是需要在中間節點進行資料融合，然後再繼續**資料。如圖1所示，這裡給出了兩種不同的路由方式的對比。網路層的資料融合的關鍵就是資料融合樹（aggregatton tree）的構造。在無線感測器網路中，基站或匯聚節點收集資料時是通過反向組播樹的形式從分散的感測器節點將資料逐步匯聚起來的。當各個感測器節點監測到突發事件時，傳輸
圖1 以位址為中心的路由與以資料為中心的路由的區別
資料的路徑形成一棵反向組播樹，這個樹就成為資料融合樹。如圖2所示，無線感測器網路就是通過融合樹來報告監測到的事件的。
圖2 利用資料融合樹來報告檢測事件
關於資料融合樹的構造，可以轉化為最小steiner樹來求解，它是個np com－plete完各難題。文中給出了三種不同的非最優的融合演算法。
①以最近源節點為中心（center at nearest source，cns）：以離基站或匯聚節點最近的源節點充當融合中心節點，所有其他的資料來源將資料傳送到該節點，然後由該節點將融合後的資料傳送給基站或匯聚節點。一旦確定了融合中心節點，融合樹就基本確定下來了。
②最短路徑樹（shortest paths tree，spt）：每個源節點都各自沿著到達基站或匯聚節點最短的路徑傳輸資料，這些來自不同源節點的最短路徑可能交叉，匯集在一起就形成了融合樹。交叉處的中間節點都進行資料融合。當所有源節點各自的最短路徑確立時，融合樹就基本形成了。
③貪婪增長樹（greedy incremental tree，git）：這種演算法中的融合樹是依次建立的。先確定樹的主幹，再逐步新增枝葉。最初，貪婪增長樹只有基站或匯聚節點與距離它最近的節點存在一條最短路徑。然後每次都從前面剩下的源節點中選出距離貪婪增長樹最近的節點連線到樹上，直到所有節點都連線到樹上。
上面三種演算法都比較適合基於事件驅動的無線感測器網路的應用，可以在遠端資料傳輸前進行資料融合處理，從而減少冗餘資料的傳輸量。在資料的可融合程度一定的情況下，上面三種演算法的節能效率通常為：git）spt）cns。當基站或匯聚節點與感測器覆蓋監測區域距離的遠近不同時，可能會造成上面演算法節能的一些差異。
（2）獨立的資料融合協議層
無論是與應用層還是網路層相結合的資料融合技術都存在一些不足之處：為了實現跨協議層理解和互動資料，必須對資料進行命名。採用命名機制會導致來自同一源節點不同資料型別的資料之間不能融合；打破傳統各網路協議層的獨立完整性，上下層協議不能完全透明；採用網內融合處理，可能具有較高的資料融合程度，但會導致資訊丟失過多。
圖3 aida的基本構件
在介紹aida的工作流程之前，比較一下資料融合不同方法的幾種結構設計。傳統的adda存在網路層和應用層間的跨層設計，而aida是增加了獨立的界於mac層和網路層之間資料融合協議層。前面提到過分層和跨層資料融合各有自己的利弊。當然，也可以將aida和adda綜合起來應用，如圖4所示。aida的提出就是為了適應網路負載的變化，可以獨立於其他協議層進行資料融合，能夠保證不降低資訊的完整性和不降低網路端到端延遲的前提下，減輕mac層的擁塞衝突，降低能量的消耗。
圖4 資料融合不同方式的幾種結構設計
aida的工作流程主要包括以下兩個方向的操作：傳送和接收。
傳送主要是指從網路層到mac層的操作，網路層發來的資料分組進入匯聚融合池，aida功能單元根據要求的融合程度，將下一跳位址相同的網路單元（資料）合併成乙個aida單元，並送到mac層進行傳輸。何時呼叫融合功能單元以及融合程度的確定都由融合控制單元來決定。
接收操作主要是從mac層到網路層，將mac層送上來的aida單元拆散為原來的網路層分組單元並送交給網路層。這樣可以保證協議的模組性，並允許網路層對每個資料分組可以重新路由。
感測器資料融合
感測器 攝像頭，公釐波雷達 主控ecu 雷達 攝像頭感測器將探測到的目標，車道線，攝像頭狀態資訊，以及攝像頭安裝位置資訊給到雷達 攝像頭 單目，處理車道線資訊，探測與跟蹤目標，並估計目標狀態 融合演算法利用攝像頭與雷達的目標資訊作為輸入 主要是用雷達的dx，攝像頭的 l和 r，dy,vy 雷達感測器...
感測器與感測器融合
在乙個無法預知全部資訊的多變環境中，對於移動機械人而言利用感測器實時識別當前環境是最為重要的一環。對於乙個生物而言，視覺能夠提供豐富的資訊並利用這些資訊來導航 計畫 決策。相同的對於移動機械人而言，視覺也是基本的標配感測器。隨著影象處理技術的發展，這種情況尤其明顯。影象處理技術有助於從靜止或移動的攝...
多感測器資料融合
隨機類 加權平均 卡爾曼濾波 多貝葉斯估計 ds證據理論 產生式規則 人工智慧類 模糊邏輯理論 神經網路 粗集理論 專家系統 隨機類方法 加權平均 卡爾曼濾波 貝葉斯估計 基於貝葉斯估計的資料融合方法及應用 貝葉斯估計為資料融合提供了一種手段，是融合靜環境中多感測器高層資訊的常用方法。它使感測器資訊...