【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)學模型，預測將來的數(shù)據(jù)值。當實際采集的數(shù)據(jù)值與預測值之差超過給定的閾值時，對新采集的數(shù)據(jù)進行無線傳輸。通過預測，減少不必要的數(shù)據(jù)傳輸，從而降低網(wǎng)絡能耗，延長網(wǎng)絡的生命周期?；跁r域預測的數(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)。而基于時域預測的數(shù)據(jù)融合算法是根據(jù)歷史數(shù)據(jù)進行數(shù)據(jù)的預測，若預測數(shù)據(jù)與當前采集數(shù)據(jù)之差小于閾值，則不發(fā)送當前數(shù)據(jù)。服務器使用其預測數(shù)據(jù)從而達到減少通信量的目的。 現(xiàn)有文獻采用的預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。文獻無線傳感器網(wǎng)絡中基于預測的時域數(shù)據(jù)融合技術(shù)[13]中介紹了對自回歸預測算法、移動平均預測算法、以及指數(shù)平滑預測算法進行了以溫度為測量數(shù)據(jù)進行仿真得出一階自回歸預測算法與其它預測算法相比。具有更好的適用性，℃℃時，預測成功率為21％83％；℃時．節(jié)能收益達到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)點負責合并簇內(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(funnelingeffect)。AIDA是一種與應用無關(guān)的數(shù)據(jù)融合算法，實質(zhì)上是在MAC層與網(wǎng)絡層之間加入了一個數(shù)據(jù)融合層進行數(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與應用相互獨立，無法利用高層次的語義信息對數(shù)據(jù)作進一步的壓縮，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WSN以數(shù)據(jù)為中心的應用而產(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行適當?shù)膭澐?，從而形成決策區(qū)域?；咀龇ㄊ窃跇颖居柧毤A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)絡的橋梁結(jié)構(gòu)損傷識別進行一個總結(jié)，對近年來基于振動分析和結(jié)構(gòu)動力學參數(shù)的結(jié)構(gòu)損傷識別理論進行了比較系統(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模態(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[16] 基于靜載試驗進行橋梁結(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)整當前計算模型的參數(shù)，使結(jié)構(gòu)響應與相應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。利用振動響應時程或其變換，其中包括基于波形的識別指標、用小波分析技術(shù)處理振動響應信號的損傷識別方法以及利用結(jié)構(gòu)振動響應的時域變換方法等。 文獻[17]小波變換在橋梁結(jié)構(gòu)損傷識別中的應用，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，進而對橋梁進行損傷識別。并進行單裂縫懸臂梁的靜力試驗，達到精確定位裂縫位置的目的。 人工神經(jīng)網(wǎng)絡法神經(jīng)網(wǎng)絡損傷識別法實際上就是用一些已知損傷的響應或理論上構(gòu)建的樣本集來訓練神經(jīng)網(wǎng)絡，使網(wǎng)絡達到一種相對平衡的狀態(tài)，利用網(wǎng)絡訓練后的映射關(guān)系和網(wǎng)絡的泛化能力，根據(jù)輸入的結(jié)構(gòu)實測響應，得到損傷的位置及損傷程度。目前采用的網(wǎng)絡主要是BP網(wǎng)絡、徑向基函數(shù)(RBF)網(wǎng)絡和hopfield網(wǎng)絡。對于神經(jīng)網(wǎng)絡方法，除神經(jīng)網(wǎng)絡的構(gòu)建外，最關(guān)鍵的就是損傷識別指標的選取，一般的都取振型和頻率的組合或在二者的基礎上加工出新的更能反映損傷前后變化特征。 文獻[17]基于CS和神經(jīng)網(wǎng)絡的傳感器網(wǎng)絡模式識別研究將壓縮感知技術(shù)與BP神經(jīng)網(wǎng)絡相結(jié)合應用于傳感器網(wǎng)絡，對傳感器網(wǎng)絡中傳輸?shù)臄?shù)據(jù)進行壓縮，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)絡的輸入進行識別。提高網(wǎng)絡數(shù)據(jù)存儲能力和帶寬利用率。文獻[16]基于RBF神經(jīng)網(wǎng)絡設計的橋梁結(jié)構(gòu)損傷識別方法研究，從徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡結(jié)構(gòu)、網(wǎng)絡設計和網(wǎng)絡訓練算法等方面論述了神經(jīng)網(wǎng)絡理論。并以一座裝配式預應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)絡進行測試，說明了基于頻率參數(shù)和RBF網(wǎng)絡方法的結(jié)構(gòu)損傷識別的可行性和準確性。3 流數(shù)據(jù)及海量數(shù)據(jù)存儲 對于科學發(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，且速度快、規(guī)模大。其研究核心是設計高效的單遍數(shù)據(jù)集掃描算法，在一個遠小于數(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) 目前大部分數(shù)據(jù)流流挖