CN103052130A - 一种基于粗糙集的无线多媒体传感器网络数据融合方法 - Google Patents

Abstract

无线多媒体传感器网络可以很灵活的部署于用户感兴趣的区域中感知更丰富的音频、视频等多媒体信息。但是由于无线多媒体传感器网络的节点都是采用电池供电，并且采集传输多媒体信息的硬件功耗远高于传统节点，所以如何节省节点能量使得网络生存周期最大化是设计和实现无线多媒体传感器网络的主要难点和挑战之一。针对该问题，本发明提出了一种基于粗糙集的无线多媒体传感器网络数据融合方案，该方案首先构建优化的网络拓扑结构，通过一定的规则挑选出簇头节点，且在簇头节点间构建数据融合树，使得采集的信息可以沿着优化的融合路径转发，节省节点因传输数据而消耗的能量。其次，通过运用粗糙集理论的不可分辨关系消除冗余以获得约简的信息，约简后的信息不仅更加准确而且比原始数据量大大减少，从而进一步节省了节点的能量，延长了整个网络的生命周期。

Description

一种基于粗糙集的无线多媒体传感器网络数据融合方法

技术领域

本发明提出了一种基于粗糙集的无线多媒体传感器网络数据融合方法，该方案主要用来解决无线多媒体传感器网络中节点电池能量、计算能力、存储容量以及通信带宽有限的问题，对于有效减少能源消耗，延长整个无线多媒体传感器网络的生命周期起着十分重要的作用。该发明属于无线多媒体传感器网络技术领域。 

背景技术

在无线多媒体传感器网络中，一方面由于图像、音频、视频等信息数据量巨大，因此完整的存储、传输这些数据将给节点和网络带来较多的通信负担和能量消耗；另一方面，从用户的角度看，用户关心的不是某一个具体节点的数据，而是整个场景或某个目标的全面监测。因此必须从这些大量冗余的数据中提取用户真正感兴趣的内容，丢弃不必要的数据。数据融合就是这样一种技术，它可以对来自多个传感器的数据进行综合处理，剔除冗余，组合出更有效、更符合用户需求的数据。从而达到节省整个网络的能量、增强所收集数据的精准性以及提高收集数据的效率的目的。 

目前，针对传统无线传感器网络的数据融合技术的研究已有不少，并且从不同的角度，可以将数据融合技术分为不同的类型。例如根据数据融合前后的信息含量，可以分为无损融合和有损融合；根据数据融合是否基于应用数据的语义，可以分为依赖于应用的数据融合，独立于应用的数据融合以及结合以上两种技术的数据融合；根据对传感器数据的操作级别，可以将数据融合分为数据级融合、特征级融合和决策级融合。此外，数据融合技术还可以在网络的各协议层实现。应用层中的数据融合利用分布式数据库技术，应用层接口也采用类似SQL（Structured Query Language）的风格，通过执行MIN、MAX、COUNT等融合查询操作达到数据融合的效果；网络层中的数据融合是通过在路由协议中加入数据融合机制，以减少数据传输量，减轻数据汇聚过程中的网络拥塞，协助路由协议延长网络的生存时间。典型的路由驱动型的数据融合算法有定向扩散路由协议和分层聚簇路由协议。定向扩散路由协议是一个以数据为中心的路由融合协议，数据融合包括路径建立阶段的兴趣融合和数据传输阶段的数据融合，但是这种方法不利于邻近节点的数据融合；低能耗自适应分层聚簇（Low-Energy Adaptive Clustering Hierarchy,LEACH）协议使用分簇的方法使得数据融合的地位凸显出来。它将整个网络划分为若干个簇，每个簇选取一个簇头，每个簇头在收到本簇成员的数据后进行融合处理，并将结果直接发送给汇聚节点。但是LEACH算法仅强调了数据融合的重要性，并未给出具体的融合方法。而Lindsey等人提出的PEGASIS（Power Efficient Gathering in Sensor InformationSystem）算法对LEACH的数据融合进行了改进，采用链式结构，具有更好的融合 性能。然而，PEGASIS中链的长度与节点数量有关，而无线传感器网络的节点数量规模很大，因此在数据融合时为产生很大的延迟；除了与应用层和网络层技术相结合的数据融合技术，又出现了独立于应用层的数据融合机制（Application），其基本思想就是不关心数据的内容，而根据下一跳地址进行多个数据单元的合并，通过减少数据封装头部的开销以及MAC层的发送冲突来达到节省能量的效果。 

以上几种融合方案均不适用于传输音频、视频等多媒体信息的无线多媒体传感器网络。而本方案将网络拓扑结构的研究与数据融合算法相结合，提出一种基于粗糙集的数据融合方案，使得节点采集的信息既可以沿优化的融合路径转发，同时又可以通过使用粗糙集理论的不可分辨关系识别出冗余的信息以获得约简的信息，从而减少传输的数据量，节省节点的能量，延长整个网络的生命周期。 

发明内容

技术问题：本发明的目的主要是针对无线多媒体传感器网络能量有限的问题，提出一种基于粗糙集的无线多媒体传感器网络数据融合方法（RSDF:Rough Setbased Data Fusion in Wireless Multimedia SensorNetworks），以减少传感器节点消耗的能量，从而延长整个网络的生命周期。 

技术方案：首先给出几个定义： 

粗糙集：建立在分类机制的基础上，将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分。主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来近似刻画。 

不可分辨关系：若两个对象具有相同的信息，即它们是等价的，则认为它们是一种不可分辨关系。假设集合P为一族等价关系，且x∈P，如果ind(P)=ind(P-{x})，其中ind(P)为P的所有等价关系的交，则称x为P中不必要的；否则称x为P中必要的。如果每个x∈P都为P中必要的，则称P为独立的；否则称P为依赖的。 

约简：假设集合如果Q是独立的，且ind(Q)=ind(P)，则称集合Q是集合P的一个约简。P的最小约简记作red(P)。且有

则ind(red(P)-{x})≠ind(P)。 

核：P中所有必要关系组成的集合成为关系P的核，记作CORE(P)。 

可辨识矩阵：令决策表系统S=<U，A，V，f>，其中U={x₁,x₂,…,x_n}是论域，A=C∪D是属性集合，子集C={a_i|i=1,…,m}和D={d}分别称为条件属性和决策属性集，

V_a是属性a的值域，f:U×A→V是一个信息函数，它为每个节点采集的信息的每个属性赋予一个信息值。a_i(x_j)是节点x_j采集的信息在属性a_i上的取值。C_D(i，j)表示可辨识矩阵中第i行和第j列的元素，则可辨识矩阵C_D定义为： 

$C_D(i,j)=\left\{\begin{array}{c}\left\{a_k\right|a_k\&Element;C^a_k\left(x_i\right)\&NotEqual;a_k\left(x_j\right)\},d\left(x_i\right)\&NotEqual;d\left(x_j\right);\\ 0,d\left(x_i\right)=d\left(x_j\right).\end{array}\right.$

本发明设计的无线多媒体传感器网络应具有以下几个特征： 

1）该无线多媒体传感器网络为高密度静态网络，即多媒体节点部署后就不再移动； 

2）汇聚节点Sink部署在多媒体传感器网络的区域外部的一个固定位置，且Sink的能量与处理能力无限； 

2）每个多媒体传感器节点的初始能量相同，且不能补充； 

3）每个节点都具备感知探测外界信息和信息交互的无线通信功能，且具备数据融合能力； 

4）节点的无线发射功率可控，即节点可以根据到信号接收方距离的远近调节发射功率以节省节点能量； 

5）系统能通过GPS、有向天线或定位算法等定位技术得到各节点的具体位置信息。 

本发明将优化的网络拓扑结构和基于粗糙集理论的数据融合算法相结合，有效节省网络资源，延长了网络的生存周期，该方案的具体过程如下： 

第一步，网络的初始化 

步骤1）将N个多媒体传感器节点随机均匀地分布在区域A内部，每个节点有唯一的编号1,2,…,N；在节点的具体地理位置已知的情况下，根据节点的具体位置信息，将区域A划分成m个相同大小的正方形区域A_ij，各区域A_ij成为一个簇； 

步骤2）每个多媒体节点首先以通信半径r广播普通节点消息CM(C_i,ID_i,E_i,L_i(x，y))(i=1,2,...,N)，该消息包含节点所在簇的编号C_i，节点标识ID_i、节点剩余能量E_i和节点的位置坐标L_i(x，y)； 

步骤3）节点所属簇的其它所有节点都是该节点的邻居，每个节点只接收同一簇的邻居节点发送的普通节点消息并根据该消息更新其邻居信息表

邻居信息表记录着该节点的所有邻居节点的标识ID_i、剩余能量E_i和位置坐标L_i(x，y)； 

步骤4）只有当节点的剩余能量大于预先设定的能量阈值E_thres时才有机会参与簇内簇头节点的竞争，成为候选簇头节点；候选簇头节点根据各自更新后的邻居信息表，得到自己到所有邻居节点距离的平方和，即

根据公式 

计算出竞争权值CW_i，然后以通信半径r广播竞争簇头消息CCL(C_i,ID_i,CW_i)，该消息包含节点所在簇的编号C_i，节点标识ID_i和竞争权值CW_i；其中E₀表示节点的初始能量，E_i表示节点的剩余能量，α、β的取值根据簇 内节点位置的分布及能量均衡的程度，具体的值将通过多次实验最优选择； 

步骤5）当节点接收到簇内其他节点发送的竞争簇头消息时，将竞争簇头消息中的节点标识ID_i放入到候选簇头表

中，若节点本身也发送了竞争簇头消息则将自己ID_i放入候选簇头表中；(j=1,2，...N，j≠i) 

步骤6）等待时间T，T的时间应该足够长以便能收到簇内其他候选簇头节点发送的竞争簇头消息，T的计算如式

所示，其中，k表示一个消息数据包的比特数，B表示信道带宽，m_max表示一个簇内最多的节点数； 

步骤7）T时间后，若候选簇头表

中只包含自身ID_i，表明该节点所在簇内没有其他节点竞争簇头，则该节点以通信半径r广播竞争成功消息CL(C_i,ID_i)，该消息中包含节点所在簇的编号C_i以及节点标识ID_i，并向Sink发送簇头消息CS(C_i,ID_i,L_i(x，y))，该消息包含节点所在簇的编号C_i、节点标识ID_i和节点的位置坐标L_i(x，y)，然后转步骤9），否则，转步骤8）； 

步骤8）在候选簇头表

中选出竞争权值CW_i最高的候选簇头节点成为簇头，竞争权值相同时，比较节点的剩余能量，剩余能量较多的节点优先成为簇头，以通信半径r广播竞争成功消息CL(C_i,ID_i)，同时发送簇头消息CS(C_i,ID_i,L_i(x，y))给Sink； 

步骤9）其他候选簇头节点收到当选簇头发出的竞争成功消息后，放弃竞争，并向簇头节点发送加入簇消息JC(C_i,ID_i)，该消息包含节点所在簇的编号C_i和节点标识ID_i，从而成为该簇的成员节点； 

步骤10）Sink在收到m个簇头节点发送的簇头消息后，向它们发送构建簇间融合树的消息； 

步骤11）根据已知的节点位置信息，Sink选择距离它最近的簇头节点成为它的子节点，并发送父节点消息Father(0)给子节点，其中0是Sink的编号，这样就构建了簇间融合树的第一条主干；若有超过一个簇头节点到Sink的距离一样，则选择节点剩余能量多的节点； 

步骤12）再从剩余的簇头节点中选择距离该融合树最近的簇头节点连接到融合树上，并向其发送父节点消息Father(C_i,ID_i)，建立下一条枝干；若距离相同则选择剩余能量多的节点； 

步骤13）重复步骤12）直到所有的簇头节点都连接到簇间融合树上，则数据融合树建立完成； 

第二步，数据融合的过程 

步骤14）Sink向网内所有节点广播信息采集的消息； 

步骤15）网内成员节点收到信息采集消息后，开始采集音频、视频等多媒体信息并一跳传输给所在簇的簇头节点； 

步骤16）簇头节点将成员节点发送来的音频、视频等多媒体信息依据的不同属性分别进行记录，根据该记录可以定义出一张属性表，其中属性A₁，A₂，．．．，A_n表示属性名称，a_i1，a_i2，．．．，a_in表示属性值，把在相同属性下具有相同属性值的节点称为具有不可分辨关系的节点； 

步骤17）将属性中对观察结果起决策作用的属性记作决策属性，其余属性记作条件属性，假设有m个节点，n个属性，根据可辨识矩阵的定义建立出一个m×n的可辨识矩阵 $C_D(i,j)=\left[\begin{array}{ccccc}0& a_{\mathrm{1,2}}& a_{\mathrm{1,3}}& ...& a_{1,n}\\ & 0& a_{\mathrm{2,3}}& ...& a_{2,n}\\ & & 0& ...& ...\\ & & & ...& a_{m-1,n}\\ & & & ...& 0\end{array}\right];$

步骤18）化简可辨识矩阵，将可辨识矩阵中包含单属性元素的集合取出放入核属性集合中，并将这些元素的值修改为0；当C_D(i，j)≠0，且C_D(i，j)≠φ时，建立相应的析取逻辑表达式T_ij，将所有析取逻辑表达式进行合取运算，得到一个合取范式T，

对T进行转换，最终得到析取范式T′， 

再将核属性加到各合取项中，则析取范式中每个合取项对应一个属性约简的结果； 

步骤19）各个簇头节点将约简后的信息传输给上一层簇头父节点； 

步骤20）上一层簇头父节点重复步骤16）-20）的方法对信息进行约简，直至最终将数据传输给Sink； 

步骤21）Sink将收到的信息存储起来以供观察者对观察的事件作出相应的判断。 

有益效果：本发明方法提出了基于粗糙集的无线多媒体传感器网络数据融合方案，旨在综合利用现有融合算法的优点，解决其不足。该方案相比于现有的方案具有如下优势： 

1、有效节省网络能量：整个无线多媒体传感器网络被划分为若干个大小相同的簇并建立簇间融合树，使数据沿着优化的融合路径转发，同时利用粗糙集达到消除冗余数据，最小化传输数据量，减少传输开销的目的，从而有效地节省整个网络的能量。 

2、获得更准确的信息：由于数据感知错误或传输过程中出错等其他原因，有一些数据在一定程度上未知，但却对观察结果有影响。粗糙集适用于从未知数据的可能值中推导得出最恰当的丢失值，能够消除数据的不确定性并提高数据信息系统的准确性。 

3、数据收集的效率高：通过优化的簇树式网络拓扑结构以及基于粗糙集的数据融合算法，使得数据在传输过程中得到一定的处理，仅发送有用信息，可以减轻网络的传输拥塞，降低数据的传输延迟，从而提高数据收集的效率。 

附图说明

图1网络节点初始分布的情况， 

图2分簇后并选出簇头节点的情况， 

图3构建簇树式网络拓扑结构的情况， 

图4能耗模型， 

图5数据融合流程图， 

具体实施方式

图1所示为100个编号为N_i(i∈(1,100))的多媒体节点随机均匀地分布在100m×100m的平面区域内，Sink节点记为N₀，位于平面区域外的一个固定位置。图2所示是所有节点根据一定的规则选出簇头后的情况，具体簇头选举方法见下文。图3所示是构建簇树式的网络拓扑结构后的情况。 

本发明方法采用的能耗模型如图4所示。能耗模型中发送端能耗由发送电子元件耗能和发射放大器耗能两部分组成，接收端能耗接收电子元件产生。在无线电传输中信号能量的衰减与发送端和接收端的距离d有关。当d≤d₀时，能量的消耗与d²成正比，反之d≥d₀时，与d⁴成正比。上述的两种能量衰减模型分别称为自由空间模型(Free Space)和多径衰减模型(Multi-path Fading)，d₀代表二者的分界点。 

根据能耗模型，随着距离的变化传输1bit的信息，发送节点的能耗可表示为： 

$E_{\mathrm{Tx}}\left(d\right)=E_{\mathrm{Tx}-\mathrm{elec}}+E_{\mathrm{Tx}-\mathrm{amp}}\left(d\right)=\left\{\begin{array}{c}{E}_{\mathrm{elec}}+{\mathrm{\&epsiv;}}_{\mathrm{fs}}{d}^2,d<d_0\\ E_{\mathrm{elec}}+{\mathrm{\&epsiv;}}_{\mathrm{mp}}{d}^4,d\&GreaterEqual;d_0\end{array}\right.$

其中E_elec为节点电路的能量消耗系数，ε_fs和ε_mp分别代表近、远距离功率衰减系数，

不失一般性，ε_fs=10pJ·bit^-1·m^-2、ε_mp=0.0013pJ·bit^-1·m^-2。所以，根据上式可得d₀=87.71。为保证簇内节点连通，减小节点之间通信能耗，本发明将成员节点的通信半径r设置为

即以每比特E_Tx(35.36)能耗传输数据。 

具体初始化过程如下： 

第一步，网络的初始化。 

步骤1）将100个多媒体节点随机均匀地分布在100m×100m的区域A内部，每个节点有唯一的编号（1,2，…，100）。根据节点的位置信息，将网络划分为16个相同大小的正方形区域A_ij(i=1,2,3,4;j=1,2,3,4)，各个区域A_ij成为一个簇。 

步骤2）每个多媒体节点首先以通信半径r广播普通节点消息CM(C_i,ID_i,E_i,L_i(x，y)(i=1,2,...,N)，该消息包含节点所在簇的编号C_i，节点标识ID_i、节点剩余能量E_i和节点的位置坐标L_i(x，y)； 

步骤3）节点所属簇的其它所有节点都是该节点的邻居，每个节点只接收同一 簇的邻居节点发送的普通节点消息并根据该消息更新其邻居信息表

邻居信息表记录着该节点的所有邻居节点的标识ID_i、剩余能量E_i和位置坐标L_i(x，y)； 

步骤4）只有当节点的剩余能量大于预先设定的能量阈值E_thres时才有机会参与簇内簇头节点的竞争，成为候选簇头节点。候选簇头节点根据各自更新后的邻居信息表，得到自己到所有邻居节点距离的平方和，即

根据公式 

（其中E₀表示节点的初始能量，E_i表示节点的剩余能量，α、β的取值根据簇内节点位置的分布及能量均衡的程度，具体的值将通过多次实验最优选择）计算出竞争权值CW_i，然后以通信半径r广播竞争簇头消息CCL(C_i,ID_i,CW_i)，该消息包含节点所在簇的编号C_i，节点标识ID_i和竞争权值CW_i； 

步骤5）当节点接收到簇内其他节点发送的竞争簇头消息时，将竞争簇头消息中的节点标识ID_j(j=1,2,...N，j≠i)放入到候选簇头表

中，若节点本身也发送了竞争簇头消息则将自己ID_i放入候选簇头表中； 

步骤6）等待时间T，T的时间应该足够长以便能收到簇内其他候选簇头节点发送的竞争簇头消息。T的计算如式

所示，其中，k表示一个消息数据包的比特数，B表示信道带宽，m_max表示一个簇内最多的节点数； 

步骤7）T时间后，若候选簇头表

中只包含自身ID_i，表明该节点所在簇内没有其他节点竞争簇头，则该节点以通信半径r广播竞争成功消息CL(C_i,ID_i)，该消息中包含节点所在簇的编号C_i以及节点标识ID_i，并向Sink发送簇头消息CS(C_i,ID_i,L_i(x，y))，该消息包含节点所在簇的编号C_i、节点标识ID_i和节点的位置坐标L_i(x，y)，然后转步骤9）。否则，转步骤8）； 

步骤8）在候选簇头表中选出竞争权值CW_i最高的候选簇头节点成为簇头（竞争权值相同时，比较节点的剩余能量，剩余能量较多的节点优先成为簇头），以通信半径r广播竞争成功消息CL(C_i,ID_i)，同时发送簇头消息CS(C_i,ID_i,L_i(x，y))给Sink； 

步骤9）其他候选簇头节点收到当选簇头发出的竞争成功消息后，放弃竞争，并向簇头节点发送加入簇消息JC(C_i,ID_i)，该消息包含节点所在簇的编号C_i和节点标识ID_i，从而成为该簇的成员节点； 

步骤10）Sink在收到m个簇头节点发送的簇头消息后，向它们发送构建簇间融合树的消息； 

步骤11）根据已知的节点位置信息，Sink选择距离它最近的簇头节点（若有超过一个簇头节点到Sink的距离一样，则选择节点剩余能量多的节点）成为它的子节 点，并发送父节点消息Father(0)给子节点，其中0是Sink的编号，这样就构建了簇间融合树的第一条主干； 

步骤12）再从剩余的簇头节点中选择距离该融合树最近的簇头节点（若距离相同则选择剩余能量多的节点）连接到融合树上，并向其发送父节点消息Father(C_i，ID_i)，建立下一条枝干； 

步骤13）重复步骤12）直到所有的簇头节点都连接到簇间融合树上，则数据融合树建立完成。 

第二步，数据融合的过程。 

步骤14）Sink向网内所有节点广播信息采集的消息； 

步骤15）网内成员节点收到信息采集消息后，开始采集音频、视频等多媒体信息并一跳传输给所在簇的簇头节点； 

步骤16）簇头节点将成员节点发送来的音频、视频等多媒体信息依据的不同属性分别进行记录，根据该记录可以定义出一张节点属性表： 

节点ID	属性A1	属性A2	属性A3	...	属性An
						i	ai1	ai2	ai3	...	ain
j	aj1	aj2	aj3	...	ajn
						...	...	...	...	...	...
...	...	...	...	...	...
						...	...	...	...	...	...

其中属性A₁，A₂，．．．，A_n表示属性名称，a_i1，a_i2，．．．，a_in表示属性值。把在相同属性下具有相同属性值的节点称为具有不可分辨关系的节点； 

步骤17）将属性中对观察结果起决策作用的属性记作决策属性（假设A_k），其余属性记作条件属性（假设有m个节点，n个属性）。根据可辨识矩阵的定义建立出一个m×n的可辨识矩阵 $C_D(i,j)=\left[\begin{array}{ccccc}0& a_{\mathrm{1,2}}& a_{\mathrm{1,3}}& ...& a_{1,n}\\ & 0& a_{\mathrm{2,3}}& ...& a_{2,n}\\ & & 0& ...& ...\\ & & & ...& a_{m-1,n}\\ & & & ...& 0\end{array}\right];$

步骤18）化简可辨识矩阵。将可辨识矩阵中包含单属性元素的集合取出放入核属性集合中，并将这些元素的值修改为0。当C_D(i，j)≠0，且C_D(i，j)≠φ时，建立相应的析取逻辑表达式T_ij，

将所有析取逻辑表达式进行合取运算，得到一个合取范式T，

对T进行转换，最终得到析取范式T′， 

再将核属性加到各合取项中，则析取范式中每个合取项对应一个属性约简的结果； 

步骤19）各个簇头节点将约简后的信息传输给上一层簇头父节点； 

步骤20）上一层簇头父节点重复步骤16）-20）的方法对信息进行约简，直至最终将数据传输给Sink； 

步骤21）Sink将收到的信息存储起来以供观察者对观察的事件作出相应的判断。 

Claims (1)

1.一种基于粗糙集的无线多媒体传感器网络数据融合方法，其特征在于将优化的网络拓扑结构和基于粗糙集理论的数据融合算法相结合，有效节省网络资源，延长了网络的生存周期，该方案的具体过程如下：

第一步，网络的初始化

步骤1）将N个多媒体传感器节点随机均匀地分布在区域A内部，每个节点有唯一的编号1,2，...,N；在节点的具体地理位置已知的情况下，根据节点的具体位置信息，将区域A划分成m个相同大小的正方形区域A_ij，各区域A_ij成为一个簇；

步骤2）每个多媒体节点首先以通信半径r广播普通节点消息CM(C_i,ID_i,E_i,L_i(x，y))(i=1,2,...,N)，该消息包含节点所在簇的编号C_i，节点标识ID_i、节点剩余能量E_i和节点的位置坐标L_i(x，y)；

步骤3）节点所属簇的其它所有节点都是该节点的邻居，每个节点只接收同一簇的邻居节点发送的普通节点消息并根据该消息更新其邻居信息表

邻居信息表记录着该节点的所有邻居节点的标识ID_i、剩余能量E_i和位置坐标L_i(x，y)；

步骤4）只有当节点的剩余能量大于预先设定的能量阈值E_thres时才有机会参与簇内簇头节点的竞争，成为候选簇头节点；候选簇头节点根据各自更新后的邻居信息表，得到自己到所有邻居节点距离的平方和，即

根据公式

计算出竞争权值CW_i，然后以通信半径r广播竞争簇头消息CCL(C_i,ID_i,CW_i)，该消息包含节点所在簇的编号C_i，节点标识ID_i和竞争权值CW_i；其中E₀表示节点的初始能量，E_i表示节点的剩余能量，α、β的取值根据簇内节点位置的分布及能量均衡的程度，具体的值将通过多次实验最优选择；

步骤5）当节点接收到簇内其他节点发送的竞争簇头消息时，将竞争簇头消息中的节点标识ID_j放入到候选簇头表

中，若节点本身也发送了竞争簇头消息则将自己ID_i放入候选簇头表中；(j=1,2，...N，j≠i)

步骤6）等待时间T，T的时间应该足够长以便能收到簇内其他候选簇头节点发送的竞争簇头消息，T的计算如式所示，其中，k表示一个消息数据包的比特数，B表示信道带宽，m_max表示一个簇内最多的节点数；步骤7）T时间后，若候选簇头表

中只包含自身ID_i，表明该节点所在簇内没有其他节点竞争簇头，则该节点以通信半径r广播竞争成功消息CL(C_i,ID_i)，该消息中包含节点所在簇的编号C_i以及节点标识ID_i，并向Sink发送簇头消息CS(C_i,ID_i,L_i(x，y))，该消息包含节点所在簇的编号C_i、节点标识ID_i和节点的位置坐标L_i(x，y)，然后转步骤9），否则，转步骤8）；

步骤8）在候选簇头表

中选出竞争权值CW_i最高的候选簇头节点成为簇头，竞争权值相同时，比较节点的剩余能量，剩余能量较多的节点优先成为簇头，以通信半径r广播竞争成功消息CL(C_i,ID_i)，同时发送簇头消息CS(C_i,ID_i,L_i(x，y))给Sink；

步骤9）其他候选簇头节点收到当选簇头发出的竞争成功消息后，放弃竞争，并向簇头节点发送加入簇消息JC(C_i,ID_i)，该消息包含节点所在簇的编号C_i和节点标识ID_i，从而成为该簇的成员节点；

步骤10）Sink在收到m个簇头节点发送的簇头消息后，向它们发送构建簇间融合树的消息；

步骤11）根据已知的节点位置信息，Sink选择距离它最近的簇头节点成为它的子节点，并发送父节点消息Father(0)给子节点，其中0是Sink的编号，这样就构建了簇间融合树的第一条主干；若有超过一个簇头节点到Sink的距离一样，则选择节点剩余能量多的节点；

步骤12）再从剩余的簇头节点中选择距离该融合树最近的簇头节点连接到融合树上，并向其发送父节点消息Father(C_i,ID_i)，建立下一条枝干；若距离相同则选择剩余能量多的节点；

步骤13）重复步骤12）直到所有的簇头节点都连接到簇间融合树上，则数据融合树建立完成；

第二步，数据融合的过程

步骤14）Sink向网内所有节点广播信息采集的消息；

步骤15）网内成员节点收到信息采集消息后，开始采集音频、视频等多媒体信息并一跳传输给所在簇的簇头节点；

步骤16）簇头节点将成员节点发送来的音频、视频等多媒体信息依据的不同属性分别进行记录，根据该记录可以定义出一张属性表，其中属性A₁，A₂，．..，A_n表示属性名称，a_i1，a_i2，..．，a_in表示属性值，把在相同属性下具有相同属性值的节点称为具有不可分辨关系的节点；

步骤17）将属性中对观察结果起决策作用的属性记作决策属性，其余属性记作条件属性，假设有m个节点，n个属性，根据可辨识矩阵的定义建立出一个m×n的可辨识矩阵 $C_D(i,j)=\left[\begin{array}{ccccc}0& a_{\mathrm{1,2}}& a_{\mathrm{1,3}}& ...& a_{1,n}\\ & 0& a_{\mathrm{2,3}}& ...& a_{2,n}\\ & & 0& ...& ...\\ & & & ...& a_{m-1,n}\\ & & & ...& 0\end{array}\right];$

步骤18）化简可辨识矩阵，将可辨识矩阵中包含单属性元素的集合取出放入核属性集合中，并将这些元素的值修改为0；当C_D(i，j)≠0，且C_D(i，j)≠φ时，建立相应的析取逻辑表达式T_ij，

将所有析取逻辑表达式进行合取运算，得到一个合取范式T，

对T进行转换，最终得到析取范式T′，

再将核属性加到各合取项中，则析取范式中每个合取项对应一个属性约简的结果；

步骤19）各个簇头节点将约简后的信息传输给上一层簇头父节点；

步骤20）上一层簇头父节点重复步骤16）-20）的方法对信息进行约简，直至最终将数据传输给Sink；

步骤21）Sink将收到的信息存储起来以供观察者对观察的事件作出相应的判断。

Images