时空相关性下无线传感器网络数据融合算法优化

本篇论文主要探讨了在无线传感器网络（Wireless Sensor Networks, WSN）中，如何利用时空相关性进行数据融合以优化网络性能的问题。作者王天荆，来自南京邮电大学，专业为信号与信息处理，师从杨震教授，撰写的是博士学位论文，完成时间为2009年6月10日。 论文的核心贡献集中在以下几个方面： 1. **基于时空相关性的数据压缩算法**：针对WSN中单个节点感知到的时间相关可压缩信号，作者提出了基于压缩感知（Compressed Sensing, CS）的数据压缩方法。通过最大化熵函数（Maximum Entropy Function）解决lp范数优化问题，构建了一条通往全局最优稀疏解的同伦曲线，确保了重构信号的高质量。 2. **自适应信号压缩ASC算法**：针对CS中的观测选取，提出了一种自适应信号压缩策略。该算法依据一致不确定原理（Uniform Uncertainty Principle），通过分析信号和观测能量分布的关系，动态选择具有最大能量的子集作为观测，降低了重构信号所需的最小观测数量，从而节省了网络资源。 3. **基于时空相关性的自适应数据融合ADF算法**：针对多节点感知的时空相关多维信号集合，设计了一种自适应数据融合方案。通过移动代理MA在各节点间进行数据融合，根据联合稀疏模型，MA能智能地确定每个节点所需的最小观测数，有效减轻了网络通信负担和能耗。 4. **基于空间相关性的分簇算法**：针对多节点感知数据的空间相关性，论文构建了马尔可夫相关性模型，并提出了空间相关事件驱动WSN分簇算法（Spatial Correlation-Based Event-Driven Clustering, SCBEDC）。这种分簇策略有助于提高网络的扩展性、可靠性和实时性，同时延长了网络寿命。 通过这些创新工作，论文旨在解决WSN在资源受限环境下，如何通过利用时空相关性提升数据处理效率和网络性能的问题，为无线传感器网络的设计和优化提供了新的理论和技术支持。