【文章內(nèi)容簡介】 據(jù)在時間上排序并分析數(shù)據(jù)幅值變化情況，建立能夠反映數(shù)據(jù)在時間上動態(tài)變化的數(shù)學(xué)模型，預(yù)測將來的數(shù)據(jù)值。當(dāng)實際采集的數(shù)據(jù)值與預(yù)測值之差超過給定的閾值時，對新采集的數(shù)據(jù)進(jìn)行無線傳輸。通過預(yù)測，減少不必要的數(shù)據(jù)傳輸，從而降低網(wǎng)絡(luò)能耗，延長網(wǎng)絡(luò)的生命周期?；跁r域預(yù)測的數(shù)據(jù)融合算法與TiNA有相似之處。二者都屬于時域數(shù)據(jù)融合。它們的主要區(qū)別在于TiNA是一種被動的數(shù)據(jù)融合算法，節(jié)點比較的是當(dāng)前采樣數(shù)據(jù)與前一個周期的采樣數(shù)據(jù)。而基于時域預(yù)測的數(shù)據(jù)融合算法是根據(jù)歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)測，若預(yù)測數(shù)據(jù)與當(dāng)前采集數(shù)據(jù)之差小于閾值，則不發(fā)送當(dāng)前數(shù)據(jù)。服務(wù)器使用其預(yù)測數(shù)據(jù)從而達(dá)到減少通信量的目的。 現(xiàn)有文獻(xiàn)采用的預(yù)測融合方法主要包括：自回歸(AR)模型、移動平均(MA)模型以及自回歸移動平均(ARMA)模型等。文獻(xiàn)無線傳感器網(wǎng)絡(luò)中基于預(yù)測的時域數(shù)據(jù)融合技術(shù)[13]中介紹了對自回歸預(yù)測算法、移動平均預(yù)測算法、以及指數(shù)平滑預(yù)測算法進(jìn)行了以溫度為測量數(shù)據(jù)進(jìn)行仿真得出一階自回歸預(yù)測算法與其它預(yù)測算法相比。具有更好的適用性，℃℃時，預(yù)測成功率為21％83％；℃時．節(jié)能收益達(dá)到68％。（5）、基于數(shù)據(jù)包合并的數(shù)據(jù)融合數(shù)據(jù)包合并是WSN中一種有效的數(shù)據(jù)融合算法。數(shù)據(jù)包合并的主要思想是當(dāng)某個節(jié)點收到多個子節(jié)點發(fā)來的數(shù)據(jù)包時，將它們合并成一個大的數(shù)據(jù)包，然后將合并后的數(shù)據(jù)包發(fā)送到父節(jié)點。在WSN中，數(shù)據(jù)字段相對較短，而控制字段相對較長。數(shù)據(jù)包合并能夠有效地降低包頭的開銷。典型的數(shù)據(jù)包合并算法包括數(shù)據(jù)漏斗(data funneling)以及AIDA(applicationindependent data aggrega—tion)[15]等。數(shù)據(jù)漏斗實質(zhì)上是一種基于簇的數(shù)據(jù)融合，簇頭節(jié)點負(fù)責(zé)合并簇內(nèi)節(jié)點的數(shù)據(jù)包。然而，數(shù)據(jù)漏斗要求節(jié)點具有自身的位置信息，并且有可能產(chǎn)生漏斗效應(yīng)(funnelingeffect)。AIDA是一種與應(yīng)用無關(guān)的數(shù)據(jù)融合算法，實質(zhì)上是在MAC層與網(wǎng)絡(luò)層之間加入了一個數(shù)據(jù)融合層進(jìn)行數(shù)。據(jù)包合并的操作。通過數(shù)據(jù)包合并，AIDA能夠有效地減少網(wǎng)絡(luò)中的數(shù)據(jù)傳輸量，降低無線信道中發(fā)生沖突的可能性。然而，AIDA與應(yīng)用相互獨立，無法利用高層次的語義信息對數(shù)據(jù)作進(jìn)一步的壓縮，因此其融合度相對比較低。 綜上數(shù)據(jù)融合技術(shù)是為適應(yīng)WSN以數(shù)據(jù)為中心的應(yīng)用而產(chǎn)生的，主要關(guān)注如何對采集到的或接收到的其它傳感器節(jié)點發(fā)送的多個數(shù)據(jù)進(jìn)行融合理，消除冗余信息，然后再傳輸處理后續(xù)數(shù)據(jù)，其重點在于減少需要傳輸?shù)臄?shù)據(jù)。關(guān)于數(shù)據(jù)融合的研究雖然已經(jīng)取得了很大進(jìn)展，但是研究工作尚處于起步階段，大量問題還沒有涉及到。因此，對于WSN數(shù)據(jù)融合算法的設(shè)計與分析既具有很高的研究價值和創(chuàng)新性，又存在一定的挑戰(zhàn)性。2 分類識別 在無線傳感器網(wǎng)絡(luò)模式識別與分類中，分類器的作用是對特征向量驚醒某種變換和映射，將特征向量從特征空間映射到目標(biāo)類別空間，從而得到識別結(jié)果，其實質(zhì)是分類器對特征空間進(jìn)行適當(dāng)?shù)膭澐郑瑥亩纬蓻Q策區(qū)域。基本做法是在樣本訓(xùn)練集基礎(chǔ)上確定某個判決規(guī)則，使按這種判決規(guī)則對被識別對象進(jìn)行分類所造成的錯誤識別率最小或引起的損失最小。 橋梁結(jié)構(gòu)是陸地交通運輸網(wǎng)絡(luò)中的關(guān)鍵部位，為確保橋梁結(jié)構(gòu)在整個服役期間的安全性和服務(wù)功能，對重要橋梁結(jié)構(gòu)實施健康監(jiān)測和安全性評估是十分必要的。作為健康監(jiān)測和安全性評估系統(tǒng)的核心技術(shù)的橋梁結(jié)構(gòu)損傷識別更是成為國際上研究的熱點本章就基于無線傳感器網(wǎng)絡(luò)的橋梁結(jié)構(gòu)損傷識別進(jìn)行一個總結(jié)，對近年來基于振動分析和結(jié)構(gòu)動力學(xué)參數(shù)的結(jié)構(gòu)損傷識別理論進(jìn)行了比較系統(tǒng)地總結(jié)和評述。 近年來基于振動測試的橋梁結(jié)構(gòu)損傷識別的研 究主要可分為三個方面，(1)基于模型修正理論的損傷識別，(2)結(jié)構(gòu)損傷指數(shù)法，(3)人工神經(jīng)網(wǎng)絡(luò)法。 基于模型修正理論的結(jié)構(gòu)損傷識別的方法就是利用試驗?zāi)B(tài)分析結(jié)果修改理論有限元模型的剛度矩陣、質(zhì)量矩陣等模型參數(shù)，在保證模態(tài)參數(shù)自身精度的前提下，使修正后有限元模型的振動參數(shù)與試驗值相同。集中經(jīng)典的方法有：矩陣優(yōu)化修正方法，矩陣優(yōu)化修正法試圖通過尋求某種優(yōu)化目標(biāo)并滿足一定約束條件的矩陣或矩陣參數(shù)修正來修正模型。子矩陣修正法，子矩陣修正法對待修正的子矩陣或單元定義修正系數(shù)，通過對子矩陣修正系數(shù)的調(diào)整來修改結(jié)構(gòu)剛度矩陣。以及敏感性分析法和特征結(jié)構(gòu)分配法。 文獻(xiàn)[16] 基于靜載試驗進(jìn)行橋梁結(jié)構(gòu)損傷識別，以橋梁結(jié)構(gòu)有限元為工具，把當(dāng)前結(jié)構(gòu)模型中各單元的等效面積、慣性矩以及板殼單元的厚度作為識別參數(shù)｛p｝，建立識別參數(shù)對于各種量測的靈敏度矩陣［ S｛p｝］。通過優(yōu)化方法不斷調(diào)整當(dāng)前計算模型的參數(shù)，使結(jié)構(gòu)響應(yīng)與相應(yīng)的試驗值最大程度地吻合，從而得到結(jié)構(gòu)參數(shù)變化的信息。并通過換桿的形式模擬結(jié)構(gòu)局部構(gòu)件的退化，得到不錯的效果。 損傷指數(shù)法是利用結(jié)構(gòu)振動測試直接得到的振動響應(yīng)的時程(位移、速度、加速度時程)或經(jīng)過變換分析得到的結(jié)構(gòu)的動力學(xué)參數(shù)作為損傷指示信息來識別結(jié)構(gòu)損傷位置和程度?；痉椒ㄓ校豪媚B(tài)參數(shù)(頻率、振型)的損傷識別，主要通過對兩個不同階頻率變化比或結(jié)構(gòu)損傷前后振型來實現(xiàn)損傷定位。利用振動響應(yīng)時程或其變換，其中包括基于波形的識別指標(biāo)、用小波分析技術(shù)處理振動響應(yīng)信號的損傷識別方法以及利用結(jié)構(gòu)振動響應(yīng)的時域變換方法等。 文獻(xiàn)[17]小波變換在橋梁結(jié)構(gòu)損傷識別中的應(yīng)用，通過小波變換極大值點同信號突變點及其李氏指數(shù)之間的關(guān)系，采用小波變換極大值在多尺度上的變化規(guī)律來表征信號突變點的性質(zhì)，從而確定信號有無奇異點并確定其位置，進(jìn)而對橋梁進(jìn)行損傷識別。并進(jìn)行單裂縫懸臂梁的靜力試驗，達(dá)到精確定位裂縫位置的目的。 人工神經(jīng)網(wǎng)絡(luò)法神經(jīng)網(wǎng)絡(luò)損傷識別法實際上就是用一些已知損傷的響應(yīng)或理論上構(gòu)建的樣本集來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)達(dá)到一種相對平衡的狀態(tài)，利用網(wǎng)絡(luò)訓(xùn)練后的映射關(guān)系和網(wǎng)絡(luò)的泛化能力，根據(jù)輸入的結(jié)構(gòu)實測響應(yīng)，得到損傷的位置及損傷程度。目前采用的網(wǎng)絡(luò)主要是BP網(wǎng)絡(luò)、徑向基函數(shù)(RBF)網(wǎng)絡(luò)和hopfield網(wǎng)絡(luò)。對于神經(jīng)網(wǎng)絡(luò)方法，除神經(jīng)網(wǎng)絡(luò)的構(gòu)建外，最關(guān)鍵的就是損傷識別指標(biāo)的選取，一般的都取振型和頻率的組合或在二者的基礎(chǔ)上加工出新的更能反映損傷前后變化特征。 文獻(xiàn)[17]基于CS和神經(jīng)網(wǎng)絡(luò)的傳感器網(wǎng)絡(luò)模式識別研究將壓縮感知技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用于傳感器網(wǎng)絡(luò)，對傳感器網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)進(jìn)行壓縮，降低傳輸數(shù)據(jù)量，然后在接收端重構(gòu)數(shù)據(jù)，將該數(shù)據(jù)樣本作為BP網(wǎng)絡(luò)的輸入進(jìn)行識別。提高網(wǎng)絡(luò)數(shù)據(jù)存儲能力和帶寬利用率。文獻(xiàn)[16]基于RBF神經(jīng)網(wǎng)絡(luò)設(shè)計的橋梁結(jié)構(gòu)損傷識別方法研究，從徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)設(shè)計和網(wǎng)絡(luò)訓(xùn)練算法等方面論述了神經(jīng)網(wǎng)絡(luò)理論。并以一座裝配式預(yù)應(yīng)力鋼筋混凝土系桿拱橋為工程實例，通過改變構(gòu)件的彈性模量降低單元剛度來模擬結(jié)構(gòu)損傷程度，并以任意三組向量對網(wǎng)絡(luò)進(jìn)行測試，說明了基于頻率參數(shù)和RBF網(wǎng)絡(luò)方法的結(jié)構(gòu)損傷識別的可行性和準(zhǔn)確性。3 流數(shù)據(jù)及海量數(shù)據(jù)存儲 對于科學(xué)發(fā)展的今天，人們得到的信息量是成倍的增長，數(shù)據(jù)的來源也是越來越多樣化，因此需要處理那些龐大的數(shù)據(jù)集，這些數(shù)據(jù)都是以很快的速度無限不停的產(chǎn)生，并且是隨著時間的變化而變化，這就是一種新式數(shù)型――流數(shù)據(jù)。流數(shù)據(jù)的特點是數(shù)據(jù)持續(xù)到達(dá)，且速度快、規(guī)模大。其研究核心是設(shè)計高效的單遍數(shù)據(jù)集掃描算法，在一個遠(yuǎn)小于數(shù)據(jù)規(guī)模的內(nèi)存空間里不斷更新一個代表數(shù)據(jù)集的結(jié)構(gòu)——概要數(shù)據(jù)結(jié)構(gòu)，使得在任何時候都能夠根據(jù)這個結(jié)構(gòu)迅速獲得查詢結(jié)果。 在無線傳感器網(wǎng)絡(luò)中，系統(tǒng)有成千上萬個傳感器在同時工作，每個傳感器每秒鐘獲取一個測量值，每個傳感器就會產(chǎn)生一個隨時更新變化的時間序列數(shù)據(jù)流，整個系統(tǒng)形成一個多數(shù)據(jù)流并行的數(shù)據(jù)環(huán)境。因此，對數(shù)據(jù)流的分析與信息存儲在無線傳感器網(wǎng)絡(luò)的研究中起著至關(guān)重要的作用。 數(shù)據(jù)流挖掘的基本技術(shù) 目前大部分?jǐn)?shù)據(jù)流流挖