基于集群的模糊的事件检测融合算法在异构无线传感器网络

文摘

有限的能源是一种严峻的挑战在无线传感器网络(WSN),节能成为重要的提高网络的生命周期。数据融合可以结合信息从多个来源从而提供一个统一的情况下,可以大大节省能源和提高传感器传感数据的准确性。在本文中,我们提出一个基于集群的数据融合算法对事件检测。我们使用——算法形成的节点到集群,可以显著降低能源消耗的星团内的沟通。集群头之间的距离和事件和能源集群fuzzified,从而利用模糊逻辑选择将参与的集群数据上传和融合。模糊逻辑方法也为集群头为当地的决定,然后当地的决策结果发送到基站。决策级融合的最终决定事件是由基站根据上传本地决策和融合集群计算模糊逻辑方法的支持程度。通过仿真结果,验证了这种算法的有效性。

1。介绍

最新进展的低成本无线传感器网络带来了许多应用,如军事、环境监测、智能交通系统。事件检测已被广泛研究作为一个典型的应用程序的基础。

异构无线传感器网络(HWSN)不同种类的传感器组成的网络,这是不同的在某些方面如能量、计算能力和存储空间。等HWSN基于集群的网络、集群头更强大的集群成员在权力等的所有资源,存储、通信、和处理数据;这种异质性缓解集群成员的事实,所有的开销昂贵的计算可以由簇头1]。因此,网络的负载平衡和生命周期可以显著改善。

数据融合技术相结合,使信息从多个来源,以形成一个统一的画面,并广泛应用于各领域,如传感器网络机器人和视频和图像处理2]。作为协同决策的有效方法的多个传感器,在传感器网络数据融合具有许多优势。使用多个传感器来检测相同的事件可以在很大程度上消除数据歧义这只可能是由于一个传感器,从而有效地提高数据的可靠性和容错能力。此外,传感器网络能量有限网络,传感器通常是电池供电的,一旦部署很难充电;因此节能成为扩大传感器网络的生命周期的一个重要因素。有关的事实,能源消耗引起的交流远比数据处理,执行数据融合时,传感器数据融合,只有结果转发;这样的消息数量减少,这可以大大避免碰撞和节省通信能量。

聚类是数据融合的常用的物理架构;这组传感器节点分成几个集群以实现网络可伸缩性目标(3]。每个集群都有一个簇头(CH)执行数据融合作为继电器;因此CH消耗更多的能量比普通传感器节点;因此,一个更强大的传感器更有可能被选为一个集群。

模糊推理是数据融合的理论推理方案;介绍了小说的概念隶属度使适当处理不完善的数据(4]。一般来说,单一传感器的传感数据可能是模糊的和部分;因此很难得到最终的融合决策这些不完美的数据通过精确定量的计算结果。模糊逻辑使用隶属度fuzzify部分数据,然后结合模糊规则从而产生模糊输出,这是一个有效的解决方案来处理数据的不确定性。

以前的研究主要集中在设计或改善融合或聚类算法独立;很少有作品结合了两种技术在一起执行监视任务。的作者(5)提出了一种基于集群的多传感器数据融合算法在传感器网络使用模糊逻辑事件检测;方法采用模糊逻辑方法处理环境中的不确定性和模糊性数据在当地决定簇头的时期。然而,该模糊逻辑融合方法只考虑数据级融合的星团内,没有设计具体的聚类算法和决策级融合方法。

在本文中,我们提出了一个基于集群事件检测的融合方法。我们考虑一个异构无线传感器网络部署环境,两种传感器节点存在;一个是普通的传感器,我们认为与节点相同(5),每个传感器节点配备不同的传感器(温度,湿度,和一氧化碳);因此可以获得不同属性的数据。另一种传感器移动节点,流动性和高能源的属性。移动节点作为CHs,从随机部署初始位置移动到相应的目的地计算则算法。被提议的——基于聚类算法可以实现最低能耗的星团内的沟通。CH的功能是执行的星团内融合和当地的决定,同时也作为延迟发送本地基站决定结果。为了提高事件检测的准确性,我们提出一个融合的支持程度每个集群,集群的概率为最终决定参与决策级融合的紧急事件。融合的价值的集群支持度小于一个预定义的阈值将被拒绝从数据融合,而当地的值作为权重决策在执行决策级融合。融合的支持程度是由CH和事件之间的距离中心和剩余能量的CH和集群成员。最后,基站将根据当地的决策和执行决策级融合融合的支持度上传的CHs的集群将加入数据融合做出最终决定,使相应的警报。

剩下的纸是组织如下:我们目前的相关工作2。部分3是一些预赛之前我们介绍基于集群的模糊决策融合算法(CFDF)。部分4给出了CFDF概述和详细的描述。节5,我们评估算法的性能。我们在部分总结本文6。

2。相关工作

众多领域的研究已经完成数据融合和集群。在本节中,我们给出一些评审的相关工作。

Khaleghi et al。2]给出的评论数据融合最先进的方法;一个新的数据中心分类介绍了数据融合方法的和具有挑战性的方面和现有算法在每个类别进行了讨论。日期相关的数据融合算法可以分为处理数据不足,相关数据,数据不一致,数据disparateness。一般来说,研究和算法对数据融合主要集中在三个水平(6]。融合是数据级融合的最低水平,处理合并的观察到的原始数据。原始传感器数据可以直接结合是否相称的传感器数据。原始数据融合技术通常涉及经典均值法等检测和评估方法。然而,如果数据是不相关的,融合应该执行在一个特性或决策水平。级融合后可以执行数据级融合或直接由一个传感器。在特性融合、特征提取多个传感器观测和组合成一个特征向量进行决策级融合。决策级融合是融合的最高水平,其中的主要思想是每个传感器的融合当地的决策;当地的决定是初步确定一个实体的位置、属性、身份,等等。最常用的包括投票技术决策级融合方法,贝叶斯推理,Dempster-Shafer的方法(6]。

完全懂得等人在7)提出了一个基于模糊逻辑的决策级融合算法用于目标分类。本研究采用神经网络局部决策,这可能花费大量的时间,因为它需要相当多数量的训练样本训练分类器。在每个节点,一个融合计算机会根据收到的距离和能量信息使用模糊方法。提出的决策级融合方法实现高效值此传感器的数量非常小。然而,当大量的传感器节点需要在给定的传感领域,使用每个传感器进行局部决策和上传决策结果将导致巨大的额外信息处理和通信能耗。分组传感器分成几簇可能是一个好方法解决上述问题,在大多数的数据处理和传输在CHs是可以做到的。

聚类算法在文献中不同的目标;通常的目标是与应用程序需求(3]。例如,如果应用程序是延迟敏感数据,连接和数据路由路径的长度通常被认为是关键的问题。其他一些受欢迎的问题,如负载平衡、容错、集群计算,最小和最大网络寿命也有关。领域的分布式聚类算法中,每个传感器独立执行算法和它们的状态是基于集群成员决定他们自己的国家。低能量的自适应聚类层次结构(LEACH) [8)是最受欢迎的分布式聚类算法;提出了一种动态自适应概率CH选择机制。与LEACH的CHs的选择是随机的,混合动力节能分布式集群(注意)9)提出了CH选择方法考虑混合动力能源和沟通成本。DWEHC (10丁等人提出的可以实现更激进的目标比,CH的重量是基于其残余能量和距离其邻国,重量和最大的节点邻居可能成为CH。仿真结果表明DWEHC可以在负载平衡,并做得更好时间复杂度。

Manjunatha等人在5提出一个基于集群的数据融合方法对环境监测。在该方法中,每个传感器配备不同的传感器,和这些不同的传感器信号的处理和融合是由CHs使用提出了基于模糊规则的系统。环境检测的可靠性和准确性得到了由多个数据融合。然而,本文没有给出一个完整的数据融合处理它只考虑星团内的融合和多个传感变量,但决策级融合intercluster没有提到。

3所示。预赛

在本节中,我们将简要介绍一些数学模型用于我们提出基于集群融合模型和监控环境下也给一些假设。

3.1。简要介绍则算法

——聚类(11)是一种最简单的无监督学习算法,解决聚类问题。的具体目标则是对一个给定的数据集进行分类成一定数量的集群(假设集群)。主要的思想是定义质心随机或事先狡猾的方式,然后将每个数据点分配给最近的重心是当前集群的成员;第一轮完成后的所有数据点分配。到现在为止集群构造和明年第二轮将由重新计算新的质心作为集群产生的重心从上一轮,然后一个新的绑定相同的数据集之间完成分和最近的新的重心。然后,这个循环,直到重心做不动了。

最后,这个算法旨在最小化目标函数,在这种情况下一个平方误差函数。目标函数 在哪里是选择数据点之间的距离测量和集群中心的距离的,是一个指标数据点从各自的集群中心。的具体步骤——描述如下(12]:(1)的地方点为空间所代表的对象,正在聚集。这些点代表初始质心。(2)将每个对象分配给该集团最近的重心。(3)当所有对象被分配时,重新计算的位置重心。(4)重复步骤(2)和(3),直到重心不再移动。这产生了一个分离的对象组的指标可以计算最小化。

3.2。模糊理论的介绍

模糊集的概念于1965年提出的德(4),引入模糊理论解决问题涉及知识表达的模糊或语言方面特别是集包含在宇宙的边界模糊,模糊,或模糊5]。一般的集合,一个元素之间的关系和一个给定的元素是属于一组或不是。然而,在一个模糊集,元素是不绝对属于一组;相反,一些可能存在模棱两可或含糊不清;因此元素属于一个模糊集在某种程度上代表一个数字区间。数量被称为隶属度;隶属度的值越大,越大程度的元素属于集。当所有元素的值是0或1,模糊集将沦为一套脆。

考虑一组元素是由谁的的隶属函数是一个函数,将与每个在的隶属度。一个模糊集在是一组命令对给出吗,,在那里代表了模糊集合的元素。

模糊逻辑推理是一个过程使用模糊输入和模糊规则来获取模糊输出的物质将输入空间映射到一个给定的输出空间的模糊的角色。模糊的角色通常使用IF / THEN语句,如果的格式是然后是,在那里,输入语言变量和输出语言变量,然后呢,之前的语言值模糊集推理和推理后,分别。Mamdani提出的模糊推理系统Ebrabim Mamdani 1975年是一个广泛使用的模糊推理方法,可以有效地实现推理计算从输入到输出通过一个严重的预定义的模糊的角色。

3.3。假设

在本文中,我们考虑一个基于集群事件检测数据融合算法;我们的研究是基于以下假设:(1)为了简化问题的复杂性,我们假设传感领域是一个平面的二维区域;不存在任何障碍;因此,移动节点可以顺利传感区域内移动。还提起的传感节点统一部署在部署后,不能充电。(2)在考虑负载平衡问题,我们采用两种传感器组成的异构传感器网络节点,一般静态节点和移动节点;移动节点将作为CHs和预设的能量高于普通节点,因为CHs将消耗更多的能量在数据传输和处理。(3)每个传感器节点由一个GPS模块可以实现其位置或其他技术,如的方法13]。的位置将被转发到BS只有一次和存储BS为后续计算集群和融合。(4)像LCA (14),单跳的星团内拓扑建立了我们的提议——基于聚类算法,使用TDMA星团内的沟通。Intercluster使用多次反射路由到达汇聚节点。

4所示。基于集群的模糊融合算法(CBFFA)

在本节中,我们将介绍我们提出了基于集群的模糊融合算法(CBFFA)。考虑到集群的时间复杂度可能下降事件检测的效率,我们提出了一个集中式none-event驱动的聚类方法;即聚类之前执行一些事件发生。算法1说明CBFFA的伪代码。

我们的提议CBFFA包括三个阶段,初始聚类阶段,事件检测阶段,最后事件预警阶段。在初始阶段,传感器节点(包括静态节点和移动节点)是随机部署在二维遥感提起的,并且每个传感器发送的位置坐标b通过多次反射路由。于是的——基于聚类算法(BCA)将进行。我们假设移动节点的数量将比集群,和其余的移动节点不选中的CH将作为备用节点。的详细描述——基于聚类算法(BCA)介绍了部分4.1。分割后的传感节点提交集群、事件检测将被执行。当突发事件发生时,立即将传感器检测到的周围。在本文中,我们假设事件中心的位置是传感器的位置坐标首次检测到的事件。

很明显,相当数量的传感器在每个集群可以实现事件检测的传感数据。在本文中,我们的目标是选择集群的传感精度相对较高的数据融合,从而改善事件检测的准确性。与此同时,对于延长整个传感器网络的生命周期,集群有相对较低的能量不推荐加入的数据融合。相反,他们将进入睡眠模式。

监测数据的准确性可能不同与传感器之间的距离和事件中心;当增加的距离精度会下降。除此之外,其余的能量传感器也有事件检测的准确性的影响,考虑发送和接收信息会消耗能量的传感器,当传感器小能量和传输期间不能充电,传感数据发送可能会失败;因此,传输可靠性密切相关的剩余能量传感器。我们提出了一种基于模糊理论的方法来确定集群的机会(融合支持程度)参与数据融合;融合的支持度计算根据上传的BS CH和事件之间的距离值中心和集群的平均剩余能量值。的具体计算过程融合部分中描述的支持程度4.2。当融合支持度小于一个预定义的阈值,这意味着集群从事件中心很远或低能量,如上所述这些集群的传感数据的准确性将会非常低。因此,这些集群将被拒绝从数据融合和进入睡眠模式。融合的集群支持度大于阈值将进行数据传输和融合。这里,融合支持度的值解释集群的本地决策的可信度;值越高,越贡献当地将决定最终的决策级融合的结果。最后,最终的决策级融合的废话,然后会进行相应的预警信息。

4.1。——基于聚类

在本节中,我们将介绍——基于聚类算法(BCA)。的聚类算法则可以看作是一个分区的贪婪算法样品到集群,以最小化距离平方的总和集群中心。和传感器节点传输能耗密切依赖于传输距离,这是成正比的平方欧氏距离或四次方的欧几里得距离(15]。因此,BCA将为减少星团内能源消耗具有良好的性能。然而,重心和的值初始化不是指定的算法。通常,最初的重心是由随机方式决定的是一个人造的价值。在本文中,我们采用一种狡猾的方式确定的价值和质心的初始位置;也就是说,我们选择的可能值保证网络连通性和初始质心的位置建议是均匀分布,相互远离。算法2插图的伪代码BCA。

首先,我们应该确定集群的数量根据集群的大小。我们采用静态节点的平均数字的圆圈内集中了每个人移动节点集群的大小。考虑到连接intercluster,圆的半径是建议。为了提高收敛速度则,最初的重心应该远离彼此;因此我们将传感领域划分为左右许多广场和让他们中心初始质心。在运行则算法,实现收敛重心,和下一个移动节点服务器CHs应该搬到这些重心从而确保星团内的沟通减少能源消耗。各种各样的方法可以用来选择CHs和匹配他们的质心位置;最常见的一个是贪婪的方法;为每个重心,最近的移动节点将被选择作为一个CH和移动到当前质心的位置。实现全局最优,匈牙利法可以用来获得最优匹配可以减少移动传感器的整体移动的距离。图1显示的聚类结果BCA。

4.2。融合的支持程度

融合支持度的值措施集群的测量数据的可靠性。正如之前所讨论的,事件检测的准确性与传感器之间的距离和事件密切相关,其余的能量传感器;因此本文使用距离和剩余能量来决定融合程度的支持。一般来说,我们使用远或附近描述一个距离和使用高或低描述能量。然而,诸如此类的语言变量远或高可能包含某种程度的不确定性和模糊性。因此,最后的决定事件的结果可能不准确,如果脆的距离和能量是用来处理数据融合。模糊逻辑可以处理知识的边界是不清楚通过隶属函数,因此我们采用模糊逻辑计算方法融合程度的支持。我们采用类似的方法,提出了(7),使用距离和剩余能量两个模糊输入变量,并融合支持度模糊输出。图2说明了模糊逻辑方法的结构,距离和能量的输入变量和融合的支持程度去模糊化后的输出。

为了简化分析问题,梯形和三角形隶属函数来描述模糊输入变量定义距离和能源。隶属度函数和相应的语言的距离和能量图所示3(一个)和3 (b)。

图4显示了隶属函数和相应的语言的模糊输出变量,即融合程度的支持。我们介绍中所使用的相同的隶属度函数7]。融合的支持程度分为九个级别,即会在低(低),LM低(中),LH在低(高),毫升在介质(低),MM(媒介在媒介),MH(介质在高),HL在高(低),嗯(介质在高),和HH高(高),融合所代表的支持程度是依次增大。

表1说明了模糊规则模糊算法。在研究[7),作者考虑一个传感环境障碍;因此,甚至从目标附近的传感器相对;传感精度可能很低由于障碍。因此,他们重视能源比距离在处理模糊变量的模糊输出。在本文中,我们假设不存在障碍,所以相关的准确性在很大程度上是距离;因此在大多数情况下,我们给距离模糊输入变量更多的重量。然而,在这种情况下,集群剩余的能量很低,延长网络的生命周期,集群拥有低能量是不建议加入融合;因此我们给更多的重量能量当剩余的能量很低。

模糊变量和模糊规则的设计后,模糊推理方法应该用于实现模糊输出,从而得到最终的系统输出(FusionSupportDegree (CHi)算法1通过去模糊化)。在本文中,我们使用最常用的模糊推理系统,即Mamdani方法,获得模糊输出。

4.3。当地的决定

我们以火灾探测为例的事件检测。在这种情况下,消防中心可以建模为一个固定的坐标点感应。每个传感器都有一个综合多个传感器模块可以收集环境信息,如温度、湿度、光强度、一氧化碳(CO)的数量(5];因此传感器的传感数据结构可以被描述为一个多维向量,在那里()代表的价值环境信息变量。

融合后的支持度计算了每个集群BS,融合的集群支持度小于阈值将从融合处理,消除这意味着他们将不会进行数据上传和数据融合,而融合的集群支持度大于阈值将执行本地决策和上传决策结果因此加入最后的决策级融合。本地集群的决定包括两个步骤。首先,所有传感器在一个集群发送他们的传感数据CH;然后星团内融合是由CH。其次,根据融合结果,CH将使当地的决定,反映出评价当前集群事件应急水平。

当所有集群内的传感器传感数据发送到CH,星团内数据融合。我们使用感知值的意思是星团内的每个维度融合的结果。考虑到一些传感器可能会部署期间被损坏的可能性,这将减少传感数据的准确性,因此这些奇异传感器数据融合之前应该取消。

注意:集群的多维向量后融合为代表。的意思是变量将被用来进行当地的决定;但是不容易实现定量方程为当地决定结果;因此,我们采用模糊逻辑方法提出了部分一样4.2得到当地决定结果的不分明化每个维度将模糊决策结果定义为模糊输入和输出变量。本文没有设计具体的模糊集和模糊规则的输入和输出,因此,模糊集的设计紧密依赖于事件的类型;当事件发生变化时,模糊输入和模糊规则也会改变。

4.4。决策级融合

当地的章节中讨论决定的结果4.3是一个百分比值计算了单个集群说明事件发生的可能性或紧急的程度。决策级融合方法结合当地决定从几个集群事件的最终评价。融合的支持程度和地方决定之前介绍过的准备决策级融合结果,和(2)显示了最终的决策级融合的计算结果: 在哪里表示融合程度的集群支持和表示本地集群的决策结果。如果大于一个阈值,b将相应的预警信息根据融合结果。

5。结果与讨论

在本节中,我们将评估的性能提出了基于集群的模糊决策融合算法(CFDFA)。Matlab的仿真实现。我们假设传感区域的平面二维正方形的大小是50 m×50 m, 200静态传感器节点和移动节点随机部署在感应区域,和通信半径(传感器可以相互通信,当距离小于通信半径)被认为是30 m。我们以火灾探测为例的事件检测和传感器的传感数据结构被定义为一个多维向量(温度、光照强度和密度)。

5.1。分析——基于聚类算法(BCA)

首先,我们给出一个仿真的初始聚类算法BCA。根据算法2,我们订单;然后集群大小估计(3)的值是35.5。值意味着集群的最大大小可以满足网络的连通性。因此,集群的数量应该比的值: 图5显示了聚类的结果当集群的数量变化。很明显,随着集群数量的增加,因而在集群成员的数量减少。因此,集群的平均通信能耗将会减少。

为了分析整个网络的生命周期,人物6给出了总体通信距离的定量分析和方差的集群大小分组数的变化。从5到15集群数量变化时,有一个下降趋势的整体距离,这说明集群数量越大,更节能的网络。一般来说,整个网络的生命周期在集群环境中不仅是相关的整体通信消费,但也与平衡集群大小。平衡集群意味着集群有近似的尺寸,从而保证不同集群之间的能耗平衡。如图6、集群的方差大小变化不规则当集群数量小于10;然而,当集群数量大于10,方差有下降的趋势。上述分析得出结论:集群数量肯定会影响整个网络的生命周期。在某些情况下,集群数越多,更加节能和网络负载平衡。然而,集群数量的增加将导致相应的移动节点的增加;通常移动节点更昂贵的比普通节点;因此集群数量的增加,整个网络的成本将会增加。所以有一个网络的寿命和成本之间的权衡;集群的数量应根据实际情况而设计的。

5.2。模拟事件检测

为了使网络的生命周期和费用之间的妥协,提出集群数量是12。图7显示了假定事件检测场景中,12个集群形成的BCA,随机事件发生的位置(28日18)。接下来,每个集群计算的融合支持度模糊方法中引入部分4.2。我们利用Matlab模糊逻辑工具箱模拟模糊输出。表2说明了融合的支持程度的结果12集群,消防中心之间的距离意味着距离和CH的平均剩余能量和能源意味着一个集群。我们定义的阈值融合支持度为40%。因此,集群,集群,集群10将从数据融合和被拒绝进入睡眠模式;数据融合和事件检测处理由其余9集群。

在地方决策的模拟中,我们使用相同的输入和输出变量的模糊集提出了(5]。3³= 27规则设计;一些示例的规则如下:如果温度低,光强度低和低火概率是vary_low;如果温度高,光强度高和高则vary_high火灾概率;如果温度是中型和轻型强度高和高那么火概率很高。表3是当地的决定簇,这意味着火概率评估当前的集群。

最后,最终的决策级融合计算公式(2);结果是,这意味着有60.5%的概率会发生火灾。最后的结果和相应的预警信息将被发送到用户防灾。

5.3。算法复杂性分析

最后,我们将计算复杂度评估CFDFA求婚。计算的时间复杂度则是,在那里的迭代次数,是数量的集群,数据对象的数量,摘要维度(= 2)。事件检测的时间复杂度,在那里是数量的集群数据融合。因此,总时间复杂度,这意味着该算法在线性时间内完成;因此,高效,使可伸缩性在处理大型数据集。此外,随着集群执行一次传感器部署在事件发生之前,集群可以忽略的时间消耗在分析事件检测的效率;因此该算法足够有效的检测和报告突发事件。

6。结论

为了提高事件检测的准确性,提出了一种基于集群的数据融合算法使用模糊逻辑方法(CFDFA)事件检测在异构无线传感器网络。传感器网络的节能问题,我们提出了一个——基于聚类算法(BCA);星团内的聚类算法可以有效地减少能源消耗,和仿真结果说明,当选择适当的集群数量,以及负载平衡集群大小也可以获得;因此可以延长网络的生命周期。一种脆的事件发生的可能性可以通过基站CFDFA后执行;我们以火灾探测为例模拟事件检测算法和脆值的概率。

在未来,我们可以考虑更复杂的场景事件不再是静态的;因此事件驱动的动态聚类算法设计。此外,我们可以更详细的工作高效的星团内数据融合算法适合我们的事件检测算法,在奇异点检测被认为可能是一个关键点。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究由国家自然科学基金支持下拨款61371071,北京自然科学基金资助下4132057,和学术纪律和北京市教育局的研究生教育项目。

引用

1. b . Premamayudu诉Rao, Varma,”一个在异构无线传感器网络密钥管理和建立计划(HWSN)”国际应用工程研究杂志》上,9卷,不。20日,第6821 - 6813页,2014年。视图:谷歌学术搜索
2. b . Khaleghi a·哈米斯f . o . Karray和s . n .哈”多传感器数据融合:审查的最先进的,”信息融合,14卷,不。1,28-44,2013页。视图:出版商的网站|谷歌学术搜索
3. A . A . Abbasi和m·尤尼斯”聚类算法对无线传感器网络的一项调查显示,“计算机通信,30卷,不。14日至15日,第2841 - 2826页,2007年。视图:出版商的网站|谷歌学术搜索
4. 洛杉矶德,“模糊集”,信息和控制,8卷,不。3、338 - 353年,1965页。视图:谷歌学术搜索|MathSciNet
5. p . Manjunatha a . k . Verma和a . Srividya“基于多传感器数据融合在集群无线传感器网络使用模糊逻辑方法,”《IEEE地区10和第三届国际会议上工业和信息系统(ICIIS 08年),页1 - 6、IEEE Kharagpur,印度,2008年12月。视图:出版商的网站|谷歌学术搜索
6. d·l·霍尔和j . Llinas”,介绍了多传感器数据融合。”IEEE学报》,卷85,不。1,6-23,1997页。视图:出版商的网站|谷歌学术搜索
7. 美国完全懂得,a . Yazici a Coşar, r·乔治,“模糊决策融合为单一目标分类在无线传感器网络中,”《IEEE国际会议10模糊系统(模糊的),页1 - 8,巴塞罗那,西班牙,2010年7月。视图:出版商的网站|谷歌学术搜索
8. w·b·Heinzelman a . p .切卓卡山,h··“无线微传感器网络的特定于应用程序的协议架构,”IEEE无线通信,1卷,不。4、660 - 670年,2002页。视图:出版商的网站|谷歌学术搜索
9. o·尤尼斯和s·法米”,注意:混合动力、节能,特设传感器网络分布式聚类方法,”IEEE移动计算,3卷,不。4、366 - 379年,2004页。视图:出版商的网站|谷歌学术搜索
10. p .叮,j·a·霍利迪,a·侯赛因”分布式无线传感器网络节能分层聚类,”传感器系统的分布式计算卷,3560在计算机科学的课堂讲稿施普林格,页322 - 339年,柏林,德国,2005年。视图:出版商的网站|谷歌学术搜索
11. j·b·MacQueen“一些分类方法和多变量分析观察,”第五伯克利学报》研讨会上数理统计和概率,1卷,页281 - 297,加州大学出版社,1967年伯克利,加州,美国。视图:谷歌学术搜索|MathSciNet
12. http://home.deib.polimi.it/matteucc/Clustering/tutorial_html/kmeans.html。
13. d . Niculescu和b . Nath临时使用面向方面的处理方法(AOA)定位系统(APS),”学报的22日联合年会IEEE计算机和通信(INFOCOM ' 03),3卷,第1743 - 1734页,2003年。视图:出版商的网站|谷歌学术搜索
14. A . Ephremides j . e . Wieselthier d·j·贝克,“可靠的移动无线网络的设计理念与跳频信号,”IEEE学报》,卷75,不。1,56 - 73,1987页。视图:出版商的网站|谷歌学术搜索
15. p .叮,j·a·霍利迪,a·侯赛因”分布式无线传感器网络节能分层聚类,”传感器系统的分布式计算课堂讲稿,在计算机科学中,页322 - 339,施普林格,柏林,德国,2005年。视图:谷歌学术搜索

版权

版权©2015自弃郝et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。