CN103974388B

CN103974388B - 一种无线传感器网络数据融合方法及装置

Info

Publication number: CN103974388B
Application number: CN201310033866.8A
Authority: CN
Inventors: 徐启建; 张�杰; 党月芳
Original assignee: No61 Inst Headquarters Of General Staff Pla
Current assignee: No61 Inst Headquarters Of General Staff Pla
Priority date: 2013-01-29
Filing date: 2013-01-29
Publication date: 2017-11-07
Anticipated expiration: 2033-01-29
Also published as: CN103974388A

Abstract

本发明公开了一种无线传感器网络数据融合方法及装置，方法包括：A)利用多个无线传感器节点，在各信噪比下采集多组特征信号，形成神经网络数据集；B)从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群；C)利用所述神经网络数据集,得到权值种群中每个权值个体的适应度值，并确定具有最大适应度值的权值个体；D)将所述最大适应度值与适应度阈值进行比较；E)若所述最大适应度值大于所述适应度阈值，则按照所述权值个体，提取对应于各信噪比下的相应组特征信号；F)若所述最大适应度值小于等于所述适应度阈值，则通过对所述权值种群进行遗传处理，得到新的权值种群，并重复步骤C)和D)。

Description

一种无线传感器网络数据融合方法及装置

技术领域

本发明涉及无线传感器网络，特别涉及一种无线传感器网络数据融合方法及相关装置。

背景技术

目前主要的分类器包括决策树分类器、神经网络分类器和支持向量机分类器，但都立足于单节点采集的特征信号进行识别。对于大量的数据不具备数据融合能力，对大量数据进行处理时计算复杂，耗时久，不适用于基于无线传感器网络进行的调制识别，容易导致传感器网络能量消耗过快。

发明内容

本发明的目的在于提供一种无线传感器网络数据融合方法及装置，主要解决利用神经网络进行单节点分类识别时，系统复杂度高，数据存在冗余的问题。

根据本发明的一个方面，提供了一种无线传感器网络数据融合方法，包括：

A)利用无线传感器网络的多个无线传感器节点，在各信噪比下采集多组特征信号，形成神经网络数据集；

B)从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群，其中，每个权值个体对应于各信噪比下提取的特征信号组数；

C)利用所述神经网络数据集,得到权值种群中每个权值个体的适应度值，并确定具有最大适应度值的权值个体；

D)将所述最大适应度值与适应度阈值进行比较；

E)若所述最大适应度值大于所述适应度阈值，则输出所述具有最大适应度值的权值个体，并按照所述权值个体，提取对应于各信噪比的相应组特征信号；

F)若所述最大适应度值小于等于所述适应度阈值，则通过对所述权值种群进行遗传处理，得到新的权值种群，并重复执行步骤C)和步骤D)。

优选地，所述步骤F)中，所述遗传处理步骤包括选择处理子步骤，包括：

F1)将权值种群中每个权值个体的适应度值相加，得到权值种群适应度值；

F2)将权值种群中每个个体的适应度值分别与所述权值种群适应度值相除，得到每个权值个体的选择概率；

F3)生成选择随机数，并通过比较所述选择概率与所述选择随机述，复制权值种群中的一个或多个权值个体，得到用于形成新的权值种群的N个新的权值个体。

优选地，所述步骤F)中，所述遗传处理步骤还包括交叉处理子步骤，包括：

F4)生成交叉随机数，并将所述交叉随机数与预设交叉概率进行比较；

F5)若所述交叉随机数大于等于所述交叉概率，则将所述步骤F3)中得到的N个权值个体进行复制，得到用于形成新的权值种群的N个新的权值个体；

F6)若所述交叉随机数小于所述交叉概率，则利用所述交叉随机数，计算任意两个权值个体中用于交叉的起始位，并将自所述起始位开始的字符值进行按位交叉，得到用于形成新的权值种群的N个新的权值个体。

优选地，所述步骤F)中，所述遗传处理的步骤还包括变异处理子步骤，包括：

F7)利用预设变异概率，计算权值种群中每个权值个体中待变异的字符位数；

F8)在所述步骤F5)或F6)中得到的N个权值个体中，按照所述待变异的字符位数，随机选取相应字符位，并改变其字符值，从而得到N个新的权值个体；

F9)利用所述N个新的权值个体，形成一个新的权值种群。

优选地，还包括：

若对所述权值种群进行遗传处理的次数大于预设最大处理次数，则将最后一次遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

优选地，还包括：

若当前遗传处理得到的新权值种群的最大适应度值和权值种群适应度值不再上升，则将当前遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

根据本发明的另一方面，提供了一种无线传感器网络数据融合装置，包括：

数据集生成模块，用于利用无线传感器网络的多个无线传感器节点，在各信噪比下采集多组特征信号，形成神经网络数据集；

权值种群生成模块，用于从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群，其中，每个权值个体对应于各信噪比下提取的特征信号组数；

适应度确定模块，用于利用所述神经网络数据集,得到权值种群中每个权值个体的适应度值，并确定具有最大适应度值的权值个体；

比较模块，用于将所述最大适应度值与适应度阈值进行比较；

信号输出模块，用于当所述最大适应度值大于所述适应度阈值时，输出所述具有最大适应度值的权值个体，并按照所述权值个体，提取对应于各信噪比的相应组特征信号；

遗传处理模块，用于当所述最大适应度值小于等于所述适应度阈值时，通过对所述权值种群进行遗传处理，得到新的权值种群，并重复执行所述适应度确定模块和所述比较模块的处理。

优选地，所述遗传处理模块包括：

选择处理子模块，用于将权值种群中每个权值个体的适应度值相加，得到权值种群适应度值，将权值种群中每个个体的适应度值分别与所述权值种群适应度值相除，得到每个权值个体的选择概率，生成选择随机数，并通过比较所述选择概率与所述选择随机述，复制权值种群中的一个或多个权值个体，得到N个新的权值个体；

交叉处理子模块，用于生成交叉随机数，并将所述交叉随机数与预设交叉概率进行比较，若所述交叉随机数大于等于所述交叉概率，则将所述选择处理子模块处理得到的N个权值个体进行复制，得到N个权值个体，若所述交叉随机数小于所述交叉概率，则利用所述交叉随机数，计算任意两个权值个体中用于交叉的起始位，并将自所述起始位开始的字符值进行按位交叉，得到N个新的权值个体；

变异处理子模块，用于利用预设变异概率，计算权值种群中每个权值个体中待变异的字符位数，在所述交叉处理子模块处理得到的N个权值个体中，按照所述待变异的字符位数，随机选取相应字符位，并改变其字符值，从而得到N个新的权值个体，利用所述N个新的权值个体，形成一个新的权值种群。

优选地，所述信号输出模块还用于在对所述权值种群进行遗传处理的次数大于预设最大处理次数时，将最后一次遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

优选地，所述信号输出模块还用于在当前遗传处理得到的新权值种群的最大适应度值和权值种群适应度值不再上升时，将当前遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

与现有技术相比较，本发明的有益效果在于：

本发明通过遗传处理步骤进行优化后，能将无线传感器节点采集到的特征信号进行融合，使分类识别所需要的特征信号数量大幅减少，正确识别率有所提高，既可以降低系统计算复杂度，又可以减少无线传感器网络能量消耗。

附图说明

图1是本发明实施例提供的无线传感器网络数据融合方法原理框图；

图2是本发明实施例提供的无线传感器网络数据融合方法流程图；

图3是本发明实施例提供的无线传感器网络数据融合装置框图。

具体实施方式

以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1是本发明实施例提供的无线传感器网络数据融合方法原理框图，如图1所示，包括：

步骤101、利用无线传感器网络的多个无线传感器节点，在各信噪比下采集多组特征信号，形成神经网络数据集。

步骤102、从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群，其中，每个权值个体对应于各信噪比下提取的特征信号组数。

步骤103、利用所述神经网络数据集,得到权值种群中每个权值个体的适应度值，并确定具有最大适应度值的权值个体。

步骤104、将所述最大适应度值与适应度阈值进行比较。

步骤105、若所述最大适应度值大于所述适应度阈值，则输出所述具有最大适应度值的权值个体，并按照所述权值个体，提取对应于各信噪比的相应组特征信号；

步骤106、若所述最大适应度值小于等于所述适应度阈值，则通过对所述权值种群进行遗传处理，得到新的权值种群，并重复执行步骤C)和步骤D)。

所述步骤106中，所述遗传处理步骤包括选择处理子步骤，包括：将权值种群中每个权值个体的适应度值相加，得到权值种群适应度值；将权值种群中每个权值个体的适应度值分别与所述权值种群适应度值相除，得到每个权值个体的选择概率；生成选择随机数，并通过比较所述选择概率与所述选择随机述，复制权值种群中的一个或多个权值个体，得到用于形成新的权值种群的N个新的权值个体。

所述步骤106中，所述遗传处理步骤还包括交叉处理子步骤，包括：生成交叉随机数，并将所述交叉随机数与预设交叉概率进行比较；若所述交叉随机数大于等于所述交叉概率，则将所述步骤选择处理子步骤中得到的N个权值个体进行复制，得到用于形成新的权值种群的N个新的权值个体；若所述交叉随机数小于所述交叉概率，则利用所述交叉随机数，计算任意两个权值个体中用于交叉的起始位，并将自所述起始位开始的字符值进行按位交叉，得到用于形成新的权值种群的N个新的权值个体。

所述步骤106中，所述遗传处理的步骤还包括变异处理子步骤，包括：利用预设变异概率，计算权值种群中每个权值个体中待变异的字符位数；在所述步骤交叉处理子步骤中得到的N个权值个体中，按照所述待变异的字符位数，随机选取相应字符位，并改变其字符值，从而得到N个新的权值个体；利用所述N个新的权值个体，形成一个新的权值种群。

进一步地，若对所述权值种群进行遗传处理的次数大于预设最大处理次数，则将最后一次遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

进一步地，若当前遗传处理得到的新权值种群的最大适应度值和权值种群适应度值不再上升，则将当前遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

图2是本发明实施例提供的无线传感器网络数据融合方法流程图，如图2所示，其基于遗传算法对采集到的特征信号进行融合的步骤如下：

第一步：对于无线传感器节点N₁,N₂,...,N_k提供的特征信号，相应地赋予0到1之间的权值w₁,w₂,...,w_k，以表示其在融合过程中的可信程度，即确定性因子。其中k为无线传感器节点个数。将所述权值进行编码，转换为二进制形式。确定搜索空间U，所述U为包含无线传感器节点权值的所有可能取值，即U为无线传感器节点权值的空间，用来限制权值的取值范围。定义适应度函数f(x)为测试特征信号的正确识别率，通过计算得到。确定种群规模N，交叉概率P_c，变异概率P_m，预设最大处理次数T。其中，种群为个体的集合，每个个体对应于一个解，该解的含义在本发明背景下为一组权值，即需要选取的特征信号组数。

第二步：权值种群初始化。

在搜索空间U中随机选取N组权值S₁,S₂,...,S_N作为N个权值个体，形成初始的权值种群S={S₁,S₂,...,S_N}，其中N为权值种群规模，置代数计数器t=1。也就是说，每个权值个体对应一组权值，N个权值个体对应N组权值，而每一组权值对应无线传感器节点的可信度，即要提取的特征信号组数。

第三步：计算S中每个权值个体的适应度值f(x)。

所述适应度对应正确识别率，对特征信号调制识别的正确识别率通过神经网络计算得到。在神经网络训练过程中，对比神经网络的输入和输出即可得到正确识别率。

第四步：评价权值种群。

根据每个权值个体的适应度值，确定最大适应度值和具有所述最大适应度值的权值个体。

第五步：判断是否满足终止条件。

当满足终止条件时，取S中具有最大适应度值的权值个体，作为所求结果，并将所述结果从二进制形式转化为实数形式，得到使得适应度值达到最大的一组权值，否则执行第六步。

为便于数据处理，在计算过程中将权值个体编码为二进制形式，最后再将其转化为实数形式。例如，权值个体为一组50位的二进制数，分为5段，每10个二进制数转化为一个十进制数，则共有5个十进制数，每一个十进制数为一个权值，这一个权值个体中便包含5个权值。

所述终止条件可以是达到预设最大处理次数（即t=T时），或大于给定的适应度阈值，或最优权值个体和权值种群适应度值不再上升的情况。

第六步：进行遗传操作。

1、选择处理

按每个权值个体的选择概率P(x_i)每次从S中随机选择一个权值个体，并将其染色体复制，共做N次，将所得的N个染色体组成权值种群S′。

其中，所述选择概率P(x_i)为的计算公式为：

也就是说，将权值种群中每个权值个体的适应度值相加，得到权值种群适应度值；将权值种群中每个个体的适应度值分别与所述权值种群适应度值相除，得到每个权值个体的选择概率。

2、交叉处理

按交叉概率P_c确定S′中参加交叉的权值个体，配对进行交叉操作，然后用得到的新权值个体替代原来的权值个体，得到权值种群S〞。

3、变异处理

按变异概率P_m所确定的变异次数m，对S〞中每个权值个体分别进行变异操作，用得到的新权值个体替代原权值个体，得到权值群体S1。

第七步：产生新一代权值种群。

将权值种群S1作为新一代权值种群，替代S，t=t+1，重复执行第三步。

为便于说明，下面以一具体实例进行详细说明：

在特征信号的提取部分，利用无线传感器节点在信噪比分别为5dB、10dB、15dB、20dB、25dB条件下各采集20组特征信号，共100组试验特征信号，构成神经网络数据集。

在特征信号仿真部分，设定载波频率为f_c=2kHz，采样速率f_s=12kHz，采样点个数N_s=256，符号速率f_d=125，码元个数M=64。遗传算法数据融合部分，设置种群大小为4，五种信噪比为五个变量，每个变量编码字符串长度为10，5个变量的字符串总长度为50，交叉概率Pc=0.6，变异概率Pm=0.01，遗传算法的预设最大处理次数为20。其中，交叉概率和变异概率依据经验选取，交叉率取值范围一般为0.4-0.99。变异率取值范围一般为0.0001-0.1。

以二进制幅度键控信号2ASK为例，经过遗传算法20次迭代后，选出的最好个体为[5,10,10,10,10]，对应的适应度值为0.92958，即在信噪比为5dB，10dB，20dB，25dB条件下分别取5、10、10、10、10组数据，使得正确识别率达到92.958%。

1、利用无线传感器节点在5dB、10dB、15dB、20dB、25dB条件下分别提取6个特征信号，所述特征信号可以是高阶累积量、瞬时特征值、小波数等等。每个特征信号提取20个数据，则每个信噪比条件下的数据为20组特征信号。

2、权值种群初始化

随机产生4×50的二进制数矩阵。行数为种群规模，列数为50，则每10位二进制数表示一个数值，共5个数值。这5个数值对应神经网络在提取测试数据的时候在各信噪比条件下需要提取的数据量。例如[5,10,12,4,16]，则下一步需要在5dB条件下提取5组特征信号，10dB条件下提取10组，15dB条件下提取12组，20dB条件下4组，25dB条件下16组。本发明通过遗传算法确定这5个数值，使得适应度值最大。

3、将这5+10+12+4+16=47组特征信号送入神经网络，得到正确识别率，即适应度值，可以利用神经网络进行分类识别请相关参考文献。

4、选择

对于4×50的二进制矩阵，计算每个权值个体的适应度值，求和得到权值种群适应度值，则每个权值个体被选中的选择概率为两者之比。具体地说，选择处理按轮盘算法进行，例如，权值种群中四个权值个体被选择的选择概率fitvalue依次为0.8169、0.98592、0.88732、0.53086。产生选择随机数ms为0.14717、0.40125、0.88266、0.9171。fitin=1，newin=1，种群规模px=4。步骤如下：

第一步：比较ms(1)与fitvalue(1)，0.14717＜0.8169,则第一个权值个体被选择，将其染色体复制，构成新权值种群的第一个权值个体，即新权值种群二进制矩阵的第一行，同时newin=2。

第二步：比较ms(2)与fitvalue(1)，0.40125＜0.8169，此时fitin=1，仍然复制初始权值种群的第一行，构成新权值种群的第二行，同时newin=3。

第三步：比较ms(3)与fitvalue(1)，0.88266＞0.8169，不进行复制操作，同时fitin=2。

第四步：比较ms(3)与fitvalue(2)，0.88266＜0.98592，复制初始权值种群的第二行，构成新权值种群的第三行，同时newin=4。

第五步：比较ms(4)与fitvalue(2)，0.9171＜0.98592，复制初始权值种群的第二行，构成新权值种群的第四行，同时newin=5。

此时，newin=5＞px=4，结束流程，则新的权值种群的第一行第二行复制了初始权值种群的第一行，新权值种群的第三行第四行复制了初始权值种群的第二行。

实例代码如下：

5、交叉。

交叉处理是在选择处理后产生的新权值种群的基础上进行的，产生交叉随机数与交叉概率比较，若小于交叉概率，则进行交叉操作，否则复制原染色体。交叉实例步骤如下：

第一步：若产生交叉随机数rand=0.34（所述交叉随机数为0-1不包含1的随机数），而pc=0.6，由于0.34＜0.6，因此进行交叉操作。cpoint等于0.34乘以50后取整得到，0.34*50=17.34，因此cpoint=17，即将第18位作为用于交叉的起始位，将选择处理后得到的权值种群的第一行和第二行的18～50位上的字符相互交叉，产生权值种群A1。

第二步：重新产生rand=0.78，由于0.78＞0.6，不进行交叉操作，复制A1得到A2。

第三步：重新产生rand=0.21,由于0.21＜0.6，因此进行交叉操作。cpoint=round(0.23*50)=round(11.5)=12,即将第13位作为用于交叉的起始位，将A2的第二行和第三行的13～50位上的字符交叉互换，得到A3。

第四步：重新产生rand=0.91，由于0.91＞0.6，不进行交叉操作，复制A3得到A4，A4即为交叉处理后得到的新的权值种群。

实例代码如下：

6、变异

本实施例中，每个权值个体含50位的字符，则变异的字符数为0.01*50=0.5，取整得1，因此通过交叉处理后得到的权值种群的每个权值个体的50位字符中有一位发生变异，由0变为1或由1变为0，从而得到新的权值种群。

实例代码如下：

7、求出具有最大适应度值的权值个体和最大适应度值，即评价群体。

8、迭代20次后，将得到的最优个体转化为实数形式，例如[5,16,8,13,5]，则在下一步的特征信号提取过程中，5dB条件需提取5组特征信号，10dB条件下需提取16组特征信号，15dB条件下需提取8组特征信号，20dB条件下需提取13组特征信号，25dB条件下需提取5组特征信号。将这5+16+8+13+5=47组特征信号送入神经网络进行分类识别，得到识别结果。

图3是本发明实施例提供的无线传感器网络数据融合装置框图，如图3所示，包括数据集生成模块、权值种群生成模块、适应度确定模块、比较模块、信号输出模块和遗传处理模块。

首先，所述数据集生成模块利用无线传感器网络的多个无线传感器节点，在各信噪比下采集多组特征信号，形成神经网络数据集。

其次，所述权值种群生成模块从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群，其中，每个权值个体对应于各信噪比下提取的特征信号组数。

然后，所述适应度确定模块利用所述神经网络数据集,得到权值种群中每个权值个体的适应度值，并确定具有最大适应度值的权值个体。

最后，比较模块将所述最大适应度值与适应度阈值进行比较。

当所述最大适应度值小于等于所述适应度阈值时，所述遗传处理模块通过对所述权值种群进行遗传处理，得到新的权值种群，并重复执行所述适应度确定模块和所述比较模块的处理。

当所述最大适应度值大于所述适应度阈值时，所述信号输出模块输出所述具有最大适应度值的权值个体，并按照所述权值个体，提取对应于各信噪比的相应组特征信号。或者，对所述权值种群进行遗传处理的次数大于预设最大处理次数时，所述信号输出模块将最后一次遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。或者，在当前遗传处理得到的新权值种群的最大适应度值和权值种群适应度值下降时，所述信号输出模块将上一次遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。也就是说，具有最大适应度值的权值个体即为最优权值个体，得到最优权值个体后，就不需要再提取那么多的数据，而是根据最佳权值取提取测试所需的数据。

其中，所述遗传处理模块包括选择处理子模块、交叉处理子模块和变异处理子模块。

所述选择处理子模块将权值种群中每个权值个体的适应度值相加，得到权值种群适应度值，将权值种群中每个个体的适应度值分别与所述权值种群适应度值相除，得到每个权值个体的选择概率，生成选择随机数，并通过比较所述选择概率与所述选择随机述，复制权值种群中的一个或多个权值个体，得到N个新的权值个体。所述选择处理子模块处理结束后，所述交叉处理子模块生成交叉随机数，并将所述交叉随机数与预设交叉概率进行比较，若所述交叉随机数大于等于所述交叉概率，则将所述选择处理子模块处理得到的N个权值个体进行复制，得到N个权值个体，若所述交叉随机数小于所述交叉概率，则利用所述交叉随机数，计算任意两个权值个体中用于交叉的起始位，并将自所述起始位开始的字符值进行按位交叉，得到N个新的权值个体。所述交叉处理子模块处理结束后，所述变异处理子模块利用预设变异概率，计算权值种群中每个权值个体中待变异的字符位数，在所述交叉处理子模块处理得到的N个权值个体中，按照所述待变异的字符位数，随机选取相应字符位，并改变其字符值，从而得到N个新的权值个体，利用所述N个新的权值个体，形成一个新的权值种群。

本发明用于基于无线传感器网络的信号调制识别中分类器设计部分，采用遗传算法对采集到的特征信号进行融合，然后送入神经网络进行分类识别，分类识别所需要的特征信号大幅减少，且正确识别率有所提高，在5-25dB条件下正确识别率达到93%以上。需要采集的特征信号组数减少，对无线传感器网络而言意义重大，因为这不仅能降低无线传感器节点的能量消耗，并且在将特征信号传送到网关节点的过程中，能减少通信开销，节约了宝贵的频谱资源。

综上所述，本发明将分布式采集的特征信号进行融合，具有以下技术效果：

1、能够提高系统容错能力，即当一个甚至几个传感器出现故障时，仍可利用其它传感器获取特征信号，以维持系统正常运行；

2、提高系统精度，即在传感器测量中，不可避免地存在各种噪声，而同时使用描述同一特征的多个不同信息，可以减小这种由测量不精确所引起的不确定性，显著提高系统的精度；

3、提高了空间分辩率，即多种无线传感器节点可以描述环境中的多个不同特征，这些特征存在明显的互补性，经过适当处理后能提高系统正确决策的能力；

4、降低信息获取的成本，即可以用多个较廉价的传感器获得与昂贵的单一高精度传感器同样甚至更好的效果，提高了信息的利用效率，因此可大大降低系统的成本。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims

1.一种无线传感器网络数据融合方法，其特征在于，包括：

B)从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群，其中，每个权值个体对应于各信噪比下要提取的特征信号组数；

C)利用所述神经网络数据集,得到权值种群中每个权值个体的对应于特征信号正确识别率的适应度值，并确定具有最大适应度值的权值个体；

D)将所述最大适应度值与适应度阈值进行比较；

2.根据权利要求1所述的方法，其特征在于，所述步骤F)中，所述遗传处理步骤包括选择处理子步骤，包括：

3.根据权利要求2所述的方法，其特征在于，所述步骤F)中，所述遗传处理步骤还包括交叉处理子步骤，包括：

4.根据权利要求3所述的方法，其特征在于，所述步骤F)中，所述遗传处理的步骤还包括变异处理子步骤，包括：

F9)利用所述N个新的权值个体，形成一个新的权值种群。

5.根据权利要求1-4任意一项所述的方法，其特征在于，还包括：

6.根据权利要求2-4任意一项所述的方法，其特征在于，还包括：

7.一种无线传感器网络数据融合装置，其特征在于，包括：

权值种群生成模块，用于从无线传感器节点的权值空间中，随机选取N组权值作为N个权值个体，形成一个权值种群，其中，每个权值个体对应于各信噪比下要提取的特征信号组数；

适应度确定模块，用于利用所述神经网络数据集,得到权值种群中每个权值个体的对应于特征信号正确识别率的适应度值，并确定具有最大适应度值的权值个体；

8.根据权利要求7所述的装置，其特征在于，所述遗传处理模块包括：

9.根据权利要求7或8所述的装置，其特征在于，所述信号输出模块还用于在对所述权值种群进行遗传处理的次数大于预设最大处理次数时，将最后一次遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。

10.根据权利要求8所述的装置，其特征在于，所述信号输出模块还用于在当前遗传处理得到的新权值种群的最大适应度值和权值种群适应度值不再上升时，将当前遗传处理得到的权值种群中具有最大适应度值的权值个体输出，以便按照所述权值个体提取对应各信噪比的相应组特征信号。