CN103118439A

CN103118439A - 基于传感网节点通用中间件的数据融合方法

Info

Publication number: CN103118439A
Application number: CN2013100262353A
Authority: CN
Inventors: 尚琳; 赵康; 才正国
Original assignee: Shanghai Institute of Microsystem and Information Technology of CAS
Current assignee: Shanghai Institute of Microsystem and Information Technology of CAS
Priority date: 2013-01-18
Filing date: 2013-01-18
Publication date: 2013-05-22
Anticipated expiration: 2033-01-18
Also published as: CN103118439B

Abstract

本发明涉及一种基于传感网节点通用中间件的数据融合方法，其特征在于在无线传感网络中，所有的传感器节点采集到的数据均要通过多跳方式传递至汇聚节点，整个网络形成以汇聚节点为根节点的树状拓扑结构；每一个传感器节点都采用通用中间件，无线传感网节点通用中间件位于硬件和软件支撑之上，位于应用层之下，通过服务原语方式与上层和下层通信；其中通用中间件中提供对同步、定位、数据处理、代码管理、网络管理或安全管理功能；数据融合是数据处理的方法，作为中间件的一个模块，采用服务原语的方式，向上层传输数据使用Response原语，向下层传输数据使用Request原语。总之，本发明所涉及的方法基于需求思想，分为3个阶段：需求扩散阶段、数据融合阶段及数据发送阶段。

Description

基于传感网节点通用中间件的数据融合方法

技术领域

本发明涉及一种基于传感网节点通用中间件的数据融合方法，属于无线传感网络领域。

背景技术

对于无线传感网（WSN，Wireless Sensor Network）来说，布置在同一区域的传感器节点所采集到的数据在时间和空间上都是有相关性的，这些数据的相关性就造成了最后传输到汇聚节点的数据冗余。在一些关键的连接节点上，在它将所采集以及接收到的数据向前传给汇聚节点之前，如果能够清除掉这些数据里的冗余信息，那么就能减少整个网络的传输数据量，从而提高有效网络容量，这个技术叫作数据融合。在无线传感网中，采用数据融合技术对提高整个网络的容量意义重大。

为了使数据融合更加有效，要求融合节点必须延迟一段时间以收集到足够多的数据进行融合。通常延迟时间越长，在所述的时间段内获得的数据就越多，数据处理能更显著的降低数据量，若超过最大延迟时间，则此数据不满足实时性要求，对用户来说是失效的；但延迟时间过短，获得的数据过少，融合的信息准确度就很差。因此必须考虑在数据延迟受约束的条件下尽量实现高效的数据融合。

为了使数据融合具有良好的通用性，可以与多种路由协议和MAC协议协同工作，在设计数据融合模型时，数据融合算法的实现应当独立于网络层和数据链路层。由于数据融合关注的是应用数据包，因此数据融合的实现应当位于应用层与网络层之间。为使数据融合与应用层数据形成紧密的联系，又可保持数据融合的相对独立性，本发明将数据融合作为中间件的一个模块。

传感网中间件用于屏蔽底层硬件、网络平台复杂性及异构性，可以减小用户高层应用需求与网络复杂性差异，优化***的资源管理，增加程序执行的可预见性。由于标准接口对于可移植性和标准协议于互操作性的重要性，中间件已成为许多标准化工作的主要部分。中间件提供的程序接口定义了一个相对稳定的高层应用环境，不管底传感网络硬件和操作***存在多少差异，只要将中间件升级更新，并保持对外接口定义不变，便可以给用户提供一个统一的运行平台和友好开发环境，有利于加快传感网大规模产业化发展步伐。

沿信息传输路径，转发节点的融合时间分配是影响融合效果的主要因素，是融合技术的核心问题。例如，Jae Young Choi等人于2006年提出一种协商式的分布式分配方法ATC（融合时间控制算法）（参考：Jae Young Choi，JongEook,Kamrok Lee,Sunghyun Choi,Wook Hyun Kwon,and Hong Seong Park.Aggregation Time Control Algorithm for Time Constrained Data Deliveryin Wireless Sensor Networks.In:Vehicular Technology Conference,VTC2006-Spring,IEEE 63^rd.Melbourne,Australia,May 7-10,2006.563-567）。在网络应用过程中，各传感器节点按照一定规则，自主的增加传输延迟的时间。汇聚节点则检查接收的每个分组是否超时，一旦发现分组超时，汇聚节点启动超时信息广播。传感器节点一旦收到sink超时分组消息，将减少延迟时间。此过程不断重复，直到达到稳定状态。所报道的技术数据处理复杂度高，而且何时能够达到稳定状态也很难控制，这在传感网中并不实用。

又如，Siyuan Chen,XiangYang Li等人在2009年发表“Order-Optimal DataCollection in Wireless Sensor Networks：Delay and Capacity（无线传感器网络中阶次最优的数据收集：时延和容量）”(参考：Siyuan Chen,Yu Wang,Xiang-Yang Li,Xinghua Shi.Proc.of The 6^th Annual IEEE CommunicationsSociety Conference on Sensor,Mesh and Ad Hoc Communications andNetworks(SECON’09).1-9)，作者将整个网络划分为很多小的方形网格，每个网格中有一个簇头节点，簇头节点对各自网格里所有的数据进行融合，再将融合好的数据向上一级传输，直至汇聚节点。所报道的方法只利用了传感网传感器节点分布和采集数据的空间冗余性，每个传感器节点定期采集数据，并将数据发送给汇聚节点，并不能有效的节省能量；而且延迟时间的计算，只考虑了传输延迟，没有考虑数据融合的处理时间。这与一些实际情况不相符。

为此，本发明人试图基于传感网络节点的通用中间件，提出数据融合方法，以克服现有技术存在的缺点。

发明内容

本发明的目的在于基于传感网节点通用中间件的数据融合方法，本发明涉及一种基于需求的动态自适应数据融合方法(wait-time adaptivedataaggregation scheme，WADA)，所述的方法采用基于需求的方式减少数据量，汇聚节点需要收集数据时，将兴趣消息广播，传感器节点将采集的数据进行数据融合后按照一定路由（网络层路由协议中研究，这里重点分析数据融合方法，故不做详细说明），通过无线射频方式发送至汇聚节点，汇聚节点根据所收到应答包的数量动态调整各传感器节点的等待融合的时间，从而在数据准确性和实效性之间取得平衡。

本发明中涉及的低功耗传感网节点中通用设备中间件位于WSN设备应用软件和底层支撑之间，属于应用层软件范畴。所述的通用设备中间件在底层支撑软件的支持下实现一系列基本的节点功能，包括传感探测、数据处理、时间同步、定位服务和安全管理等管理和服务模块。其中，数据融合模块是数据处理模块的重要部分，可减少网络中传感节点间的传输量，降低带宽限制，降低整个网络中的能量消耗和数据冲突，从而优化WSN的整体性能。

本发明提供的完整技术方案是：

在WSN中，所有的传感器节点采集到的数据均要通过多跳方式传递至汇聚节点，整个网络形成以汇聚节点为根节点的树状拓扑结构。每一个传感器节点都采用中间件构思，传感网节点中间件位于硬件和软件支撑之上，位于应用层之下，通过服务原语方式与上层和下层通信。其中通用中间件中提供对同步、定位、数据处理、代码管理、网络管理和安全管理等功能。数据融合是数据处理的方法，作为中间件的一个模块，是有效减少传感网能量、延长生命周期的主要手段之一。数据融合模块在中间件***中的作用可参考图1。

该中间件***按其功能可分为通用中间件(Common Middleware)和域中间件(Domain Middleware)。低功耗传感网节点设备中间件位于WSN设备应用软件和底层支撑软件之间，属于应用层软件范畴。

(一)通用中间件：在底层运行支撑软件的支持下实现一系列基本的节点功能，主要包括以下两个方面：（i）为域中间件提供基本的业务支撑服务，如传感探测服务、定位服务、时间同步服务等；（ii）实现基本的管理功能，如安全管理、统计服务、代码管理、网络管理、设备管理等，为传感网运营提供支持。

(二)域中间件：位于通用中间件之上。域中间件在单个或多个通用中间件提供的基本功能服务基础上，实现较为复杂的业务功能，向上为应用提供配置、控制、数据访问接口。WSN设备中加载的域中间件类型与特定区域的传感网功能密切相关。上层传感网应用只与域中间件有直接接口，其对通用中间件的访问必须通过域中间件来完成。

(三)中间件容器（Middleware Container）：域中间件、通用中间件均运行在

(四)底层支撑软件：除了中间件容器之外，底层支撑软件也是之外，底层支撑软件也是WSN设备中间件正常运行所必需的软组成部分，这部分软件包括操作***(OS)、软件运行环境(Runtime Support)、硬件设备抽象模块(HAL)和网络协议栈和网络协议栈(Network Stack)。

本发明提出的数据融合方法基于需求的思想，如图2，分为三个阶段：

（1）需求扩散阶段：当汇聚节点需要收集信息时，它会向网内广播查询请求（request）中的兴趣消息，兴趣消息是对用户需求的数据信息类型的一种描述，是汇聚节点发送给传感器节点（包括簇头节点）的信息之一。当父传感器节点在收到该消息后，它也会向网络中的子节点传达此消息，这样沿着树状网络结构向下传递，该需求消息被通知到所有节点。

（2）数据融合阶段：传感器子节点和父节点需对其采集数据或接收数据进行不同的融合操作。子节点在延迟时间内，采集到数据后，由于传感器本身的不稳定因素与环境的干扰，该数据是含有噪声的，将该数据通过卡尔曼滤波器滤波，再将采集数据与预测数据综合考虑计算，得到一个平滑变化的数值。父节点在延迟时间内等待子节点传输的数据，并将接收到的数据与自身采集数据进行相关数据融合操作（如取最值、求平均值、加权求和、求相关等）。如火灾报警***中，对于温度传感器采集到数据，关心最高温度，若温度超过阈值，则可能会引起火灾，这里父节点可在接收到子节点传输的数据后，加入自身采集的温度值，求取温度最大值作为数据融合结果。（仅作举例，不限于温度传感器，也不限于该应用。）

（3）数据发送阶段：子节点采用卡尔曼滤波的算法，通过过去N个数据作递归计算，得到当前采样数据的预测值，将直接采样值与预测值做差，并将差值的绝对值作为预测误差，当预测误差大于预先设定的与误差阈值时，该传感器节点向父节点发送实际采样数据，若不大于误差阈值，则不传输数据。父节点接收到子节点的数据后经过数据融合操作，将数据发送父节点或汇聚节点。汇聚节点收到数据后经过最后的融合判决通过有线的方式传给应用层用户。

如前所述，数据融合的关键在于确定最大延迟时间，并将延迟时间合理的分配到各个节点上，流程如图3初步确定各节点的延迟时间，图4为动态调整节点延迟时间的流程图（请详见实施例介绍）。

显然，本发明提供的方法的数据处理复杂度较低，而融合效果也有明显改善，能有效减少的数据收集过程中的传输次数，减少数据量，提高无线传感器网络的容量，降低其能耗。

综上所述，本发明的有益效果是将数据融合方法有效的置于传感网中间件中的数据处理模块，采用服务原语的方式，向上层传输数据使用Response（响应）原语，向下层传输数据使用Request（请求）原语，使其有良好的通用性。

附图说明

图1、节点通用中间件体系架构图；

图2、无线传感网数据融合流程；

图3、各节点分配延迟时间的流程；

图4、动态调整最大延迟时间策略的流程。

具体实施方式

下面通过实施例，以进一步阐明本发明的显著进步和实质性特点。

实施例1 各节点延迟时间

在本发明所述的数据融合方法，最大延迟时间由汇聚节点确定，汇聚节点将最大延迟时间信息置于数据请求（Data Request）中，并首先发送DataRequest，传感器节点收到Data Request后，获得包中携带的最大延迟时间信息，由于数据的传输和处理都需要时间，为了使父节点能够有时间对信息进行处理，传感器节点需要在此基础上减去一定时间作为本节点的延迟时间。理想情况下，减去的时间应该为传输时延两倍，但由于无线信道特性，减去的时间应比两倍的传输时延要长。确定本节点延迟时间后，再向子节点发送携带有本节点延迟时间信息的Data Request，这样随着Data Request沿着树状网络结构向下传输，延迟时间被分配到各个节点上。

各节点获得自己的延迟时间后，叶子节点（数据响应）在自己延迟时间内对采集数据进行卡尔曼滤波，然后通过预测误差与误差阈值的比较结果决定是否发送数据；若预测误差大于误差阈值，则将采集数据置于Data Response中，发送至父节点。父节点开始等待Dara Response的到来，并将接收到的DataResponse放入缓存中，直到延迟时间结束，将所有接收到的子节点DataResponse与自身采集到的数据进行融合处理，并将处理后的数据置于新的Data Response中，向其父节点转发。最终所有经过融合处理的数据均以DataResponse服务原语的形式传至汇聚节点。

汇聚节点根据本轮融合接收到的Data Response的数目来动态调整下一轮融合的最大延迟时间。

T_n+1＝T_n+i(R_opt-R_rec)

式中，T_n为本轮的最大延迟时间；T_n+1为下一轮的最大延迟时间；R_rec本轮接收到的Data Response数目；T_opt为Data Response最佳接收数目，与应用层需求相关；i为调整因子，i＞0，对动态自适应数据融合方法的的时间收敛性产生直接影响。

如果R_opt＞R_rec，接收到的Data Response数目小于最佳值，表明本轮设定的最大延迟时间过短，将会增加下一轮的延迟时间，使各节点有充足的时间进行数据融合，增加融合数据的准确性；如果R_opt＜R_rec，接收到的DataResponse数目超过最佳值，表明本轮设定的最大延迟时间过长，可以减少下一轮的最大延迟时间，以增加数据的实效性。

实施例2对节点数据融合的方法，子节点和父节点采取不同的融合策略。

对于子节点，首先进行卡尔曼滤波，然后再对数据进行比较处理。其特征在于：该方法在采样节点采集数据之后到传输数据之前增加一个数据过滤过程，节点采集到数据后，该数据是含有噪声的，将该数据通过卡尔曼滤波器去除噪声，去除噪声后的数据再通过数据融合模型进行处理，可以更加准确的预测数据。

卡尔曼滤波器是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。具体步骤如下：

步骤1、定义***状态变量为X∈Rⁿ，k时刻***控制输入为U(k)，***过程激励噪声为W(k)。引入离散控制过程的***，可用一个***的线性随机微分方程描述：

X(k)＝ＡＸ（k-1)+BU(k)+W(k)

定义观测变量Z∈R^m,观测噪声为V,可得***测量值：

Z(k)＝HX(k)+V(k)

其中，X(k)是k时刻的***状态，U（k）是k时刻对***的控制量，X(k-1)为(k-1)时刻的***状态，A和B是***参数，对于多模型***，它们为矩阵。Z（k）是k时刻的测量值，H是测量***的参数，对于多测量***，H为矩阵。假设W(k)和V(k)为相互独立的高斯白噪声(White Gaussian Noise)，它们的协方差分别是Q，R（这里假设它们不随***状态变化而变化），即：

W～N(0,Q)

V～Ｎ(0,R)

步骤2、为便于描述，做如下说明：1）X(k|k-1)为k时刻之前的状态已知的情况下k时刻的先验状态估计值；2）X(k|k)为测量值Z(k)已知的情况下k时刻的后验状态估计值。由此定义先验估计误差和后验估计误差：

E(k|k-1)＝X(k)-X(k|k-1)

E(k|k)＝X(k)-X(k|k)

先验估计误差和后验估计误差的协方差矩阵分别为：

P(k|k-1)＝E(E(k|k-1)E(k|k-1)^T)

P(k|k)＝E(E(k|k)E(k|k)^T)

设定过程噪声和测量噪声的协方差，分别用Q和R表示。用设定的Q和R构造出卡尔曼滤波器模型的递归公式。

利用上一状态预测出当前的状态：

X(k|k-1)＝AX（k-1|k-1)+BU(k) （1）

协方差：P(k|k-1)＝AP(k-1|k-1)A'+Q （2）

式（1）表示，上一状态的最优估计值乘以状态变换矩阵A，加上输入控制参数与控制输入的乘积，得到当前状态的预测值。式（2）中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是***过程的协方差。

步骤3、现在我们有了当前状态的预测结果，然后我们再收集当前状态的测量值。结合预测值和测量值，我们可以得到当前状态k的最优化估计值X(k|k)：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1)) （3）

式（3）中，Z(k)-HX(k|k-1)反应了预测值和实际值之间的不一致程度，成为测量过程的残余。Kg为残余的增益，也叫卡尔曼增益(Kalman Gain)，作用是是后验估计误差协方差最小，可由下式求出：

Kg(k)＝P(k|k-1)H'/(HP(k|k-1)H'+R)

到现在为止，我们已经得到了k状态下的最优估算值X(k|k)。但为了要令卡尔曼滤波器不断的运行下去，知道***过程结束，我们还要更新k状态下的X(k|k)的协方差P(k|k)：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中I为单位矩阵，对于单模型单测量，I=1。当***进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。

步骤4、在子节点的延迟时间内，将传感器采集的实测数据通过卡尔曼滤波器得到剔除噪声的实际数据，并且根据时间序列模型以及本节点缓存的前N个历史数据，计算本轮的预测数据，N的大小由采用时间序列模型决定。

步骤5、计算该节点本轮实测数据与预测数据的差值，作为预测误差和预定的误差阈值比较。若预测误差大于误差阈值，则将实测数据置于DataResponse中，向父节点发送；若小于，则不发送，以减少网络中的传输数据。

对于父节点，利用空间位置的相关性，对接收到的子节点的数据包求取相关。父节点在获得自己的延迟时间后，开始等待Data Response的到来，并将第一个接收到的数据Data Response放入缓存R1中，对于第二个到来的数据，将其与缓存中的数据求相关，若相关值大于设定阈值，随机选取一个放入缓存中，且Data Response数目加1；若相关值小于设定阈值，将该数据另存缓存R2中。对于随后接收到的数据包都进行类似处理，延迟时间结束后，最后将缓存中的数据（R1-Rk）分为k个Data Response数据包来发送。当然父节点也可以进行简单一些的融合操作（比如取最值，求均值等）。

对于数据融合层，网络中存在两种类型的数据包：数据请求包DataRequest和数据应答包Data Response。Data Request和Data Response数据包格式分别如表1所示。

表1

对于Data Request，ID号不仅标示了包类型，也指明了此Data Request属于第几轮数据融合；融合类型表明节点执行的融合操作；延迟时间包含有父节点的延迟时间信息，节点在向子节点转发Data Request时，需对此域值进行修改。

对于Data Response，ID号与其相关联的Data Request的ID相同，即节点收到Data Request数据包后，将Data Request中的ID提取出来，放到自己的ID数据域，作为Data Response发送出去；Data Response数目表示融合后的数据包中Data Response的数目；数据域负责携带融合后的数据，主要指传感器采集数据的融合结果，该域可根据具体的应用需求自行定义。

总之，本发明基于需求的思想，当上层应用层需要收集信息时，汇聚节点向下广播，传感器节点采集数据并进行数据融合，逐层传给汇聚节点，且传感器节点根据各自的特点采取不同的数据方式，有效节省能量，并降低了传感网带宽的限制。

本发明采用动态自适应的数据融合方法，所述的方法根据汇聚节点所收到应答包的数量动态调整各传感器节点的等待融合的时间，从而在数据准确性和实时性之间取得平衡。

本发明在传感节点端采用卡尔曼滤波的方法，对数据进行过滤，可以有效减少传感器本身的不稳定因素和环境的干扰。且通过比较预测误差与误差阈值，误差小于阈值的节点数据不再发送，有效了减少了传感网中的数据流量；转发节点利用空间冗余，进行数据融合避免相同或差别很小的数据重复发送，节省能量的同时，降低了传感器网络中带宽的限制。

Claims

1.一种基于传感网节点通用中间件的数据融合方法，其特征在于在无线传感网络中，所有的传感器节点采集到的数据均要通过多跳方式传递至汇聚节点，整个网络形成以汇聚节点为根节点的树状拓扑结构；每一个传感器节点都采用通用中间件，无线传感网节点通用中间件位于硬件和软件支撑之上，位于应用层之下，通过服务原语方式与上层和下层通信；其中通用中间件中提供对同步、定位、数据处理、代码管理、网络管理或安全管理功能；数据融合是数据处理的方法，作为中间件的一个模块，采用服务原语的方式，向上层传输数据使用Response原语，向下层传输数据使用Request原语。

2.按权利要求1所述的方法，其特征在于所述数据融合处理方法基于需求的思想，分为三个阶段：

（1）需求扩散阶段：当汇聚节点需要收集信息时，它会向网内广播查询请求的兴趣消息，当父传感器节点在收到该消息后，它会向网络中的子节点传达此消息，沿着树状网络拓扑结构向下传递，该需求消息被通知到所有节点；

（2）数据融合阶段：传感器子节点和父节点需对其采集数据或接收数据进行不同的融合操作；子节点在延迟时间内，采集到数据后，将该数据通过卡尔曼滤波器滤波，再将采集数据与预测数据综合考虑计算，得到一个平滑变化的数值；而父节点在延迟时间内等待子节点传输的数据，并将接收到的数据与自身采集数据进行相关数据融合操作；

（3）数据发送阶段：子节点采用卡尔曼滤波的算法，通过过去N个数据作递归计算，得到当前采样数据的预测值，将直接采样值与预测值做差，并将差值的绝对值作为预测误差，当预测误差大于预先设定的与误差阈值时，该传感器节点向父节点发送实际采样数据，若不大于误差阈值，则不传输数据；父节点接收到子节点的数据后经过数据融合操作，将数据发送父节点或汇聚节点；汇聚节点收到数据后经过最后的融合判决通过有线的方式传给应用层用户。

3.按权利要求2所述的方法，其特征在于所述的兴趣消息是对用户需求的一种数据信息。

4.按权利要求2所述的方法，其特征在于第2阶段所述的最大延迟时间由汇聚节点确定，汇聚节点将最大延迟时间信息置于数据请求Data Request中，并首先发送Data Request，传感器节点收到Data Request后，获得包中携带的最大延迟时间信息。

5.按权利要求4所述的方法，其特征在于在确定本节点延迟时间后，再向子节点发送携带有本节点延迟时间信息的Data Request，随着Data Request沿着树状网络拓扑结构向下传输，延迟时间被分配到各个节点上。

6.按权利要求4所述的方法，其特征在于各节点获得自己的延迟时间后，数据响应的叶子节点在自己延迟时间内对采集数据进行卡尔曼滤波，然后通过预测误差与误差阈值的比较结果决定是否发送数据；若预测误差大于误差阈值，则将采集数据置于Data Response中，发送至父节点；父节点开始等待Data Response的到来，并将接收到的Data Response放入缓存中，直到延迟时间结束，将所有接收到的子节点Data Response与自身采集到的数据进行融合处理，并将处理后的数据置于新的Data Response中，向其父节点转发；最终所有经过融合处理的数据均以Data Response服务原语的形式传至汇聚节点。

7.按权利要求6所述的方法，其特征在于汇聚节点根据本轮融合接收到的Data Response的数目来动态调整下一轮融合的最大延迟时间：

T_n+1＝T_n+i(R_opt-R_rec)

式中，T_n为本轮的最大延迟时间；T_n+1为下一轮的最大延迟时间；R_rec本轮接收到的Data Response数目；R_opt为Data Response最佳接收数目，与应用层需求相关；i为调整因子，i＞0，对动态自适应数据融合方法的的时间收敛性产生直接影响；

8.按权利要求2或6所述的方法，其特征在于对子节点和父节点采取不同的融合策略；

A.对于子节点，首先进行卡尔曼滤波，然后再对数据进行比较处理；卡尔曼滤波器是一个最优化自回归数据处理算法，具体步骤如下：

步骤1、引入离散控制过程的***，可用一个线性随机微分方程描述：

X(K)＝AX(k-1)+BU(k)+W(k)

***测量值：Z(k)＝HX(k)+V(k)

其中，X(k)是k时刻的***状态，U（k）是k时刻对***的控制量，A和B是***参数；对于多模型***，它们为矩阵；Z（k）是k时刻的测量值，H是测量***的参数，对于多测量***，H为矩阵；W(k)和V(k)分别表示过程和测量的噪声；

步骤2、设定过程噪声和测量噪声的协方差，分别用Q和R表示。用设定的Q和R构造出卡尔曼滤波器模型的递归公式；

步骤3、再收集当前状态的测量值，结合步骤2的当前状态的预测值和测量值而得到当前状态k的最优化估计值X(k|k)；

当前状态k的最优化估计值：X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))

式中，Kg为卡尔曼增益：Kg(k)＝P(k|k-1)H'/(HP(k|k-1)H'+R)

步骤4、在子节点的延迟时间内，将传感器采集的实测数据通过卡尔曼滤波器得到剔除噪声的实际数据，并且根据时间序列模型以及本节点缓存的前N个历史数据，计算本轮的预测数据，N的大小由采用时间序列模型决定；

步骤5、计算该节点本轮实测数据与预测数据的差值，作为预测误差和预定的误差阈值比较，若预测误差大于误差阈值，则将实测数据置于DataResponse中，向父节点发送；若小于，则不发送，以减少网络中的传输数据；

B.对于父节点，利用空间位置的相关性，对接收到的子节点的数据包求取相关；父节点在获得自己的延迟时间后，开始等待Data Response的到来，并将第一个接收到的数据Data Response放入缓存R1中，对于第二个到来的数据，将其与缓存中的数据求相关，若相关值大于设定阈值，随机选取一个放入缓存中，且Data Response数目加1；若相关值小于设定阈值，将该数据另存缓存R2中；对于随后接收到的数据包都进行类似处理，延迟时间结束后，最后将缓存中的数据（R1-Rk）分为k个Data Response数据包来发送。

9.按权利要求8所述的方法，其特征在于所述的数据融合，网络中存在数据请求包和数据应答包另种类型的数据包；

其中，数据请求包中，ID号不仅标示了包类型，也指明了此时数据请求属于第几轮数据融合；融合类型表明节点执行的融合操作；延迟时间包含有父节点的延迟时间信息，节点在向子节点转发数据请求时，需对此域值进行修改；

对于数据应答包中，ID号与其相关联的数据请求时的ID相同，即节点收到Data Request数据包后，将Data Request中的ID提取出来，放到自己的ID数据域，作为Data Response发送出去；Data Response数目表示融合后的数据包中Data Response的数目；数据域负责携带融合后的数据，主要指传感器采集数据的融合结果，该域可根据具体的应用需求自行定义。