第5章-WSN支撑技术知识讲稿.pptVIP

(3) 处理器能量模式 SA1110包含能量管理逻辑电路，控制3种不同模式的转换：运行、空闲和睡眠。各模式对应于较低的能耗水平。 ①运行模式 这是SA1110的一般工作模式。所有单片能量供应开启，所有时钟开启，而且所有单片资源可用。处理器通常经过上电或重置在运行模式下启动。 ②空闲模式 此模式允许CPU未使用时停止CPU，同时继续监视中断请求。 ③睡眠模式 睡眠模式为处理器节省最多能量，同时提供最少的功能。 4. 动态能量管理实验 表4-4列出了测得的各种工作模式下传感节点的能耗。 下图表示传感节点电池寿命采用能量管理技术而获得提高的因子，这里电池寿命是工作量和工作周期需求的函数。 5.5容错技术 5.5.1概述 容错领域有几个基本概念：失效(failure)、故障(fault)、差错(error)。失效是指某个设备中止了它完成所要求功能的能力。故障是指一个设备、元件或组件的一种物理状态，在此状态下它们不能按照所要求的方式工作。差错是指一个不正确的步骤、过程或结果。故障只有在某些条件下才能在其输出端产生差错，这些差错由于在系统内部，不是很容易就能观测到。只有这种差错积累到一定程度或者在某种系统环境下，才能使系统失效。所以，失效是面向用户的，而故障和差错是面向制造和维修的。 1、根据融合前后数据的信息含量分类 根据数据进行融合操作前后的信息含量，可以将数据融合分为无损失融合和有损失融合两类。 （1）无损失融合 在无损失融合中，所有的细节信息均被保留，只去除冗余的部分信息。此类融合的常见做法是去除信息中的冗余部分。 （2）有损失融合 有损失融合通常会省略一些细节信息或降低数据的质量，从而减少需要存储或传输的数据量，以达到节省存储资源或能量资源的目的。在有损失融合中，信息损失的上限是要保留应用所必需的全部信息量。 2、根据数据融合与应用层数据语义之问的关系分类 数据融合技术可以在传感器网络协议栈的多个层次中实现，既能在MAC协议中实现，也能在路由协议或应用层协议中实现。 根据数据融合是否基于应用数据的语义，将数据融合技术分为三类： (1)依赖于应用的数据融合； (2)独立于应用的数据融合； (3)结合以上两种技术的数据融合。 3、根据融合操作的级别分类 根据对传感器数据的操作级别，可将数据融合技术分为以下三类： （1）数据级融合 数据级融合是最底层的融合，操作对象是传感器采集得到的数据，因而是面向数据的融合。 （2）特征级融合 特征级融合通过一些特征提取手段将数据表示为一系列的特征向量，来反映事物的属性。 （3）决策级融合 决策级融合根据应用需求进行较高级的决策，是最高级的融合。 5.3.3 常用数据融合的算法 (1) 综合平均法 该方法是把来自多个传感器的众多数据进行综合平均。它适用于同类传感器检测同一个检测目标。这是最简单、最直观的数据融合方法。该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值。 如果对一个检测目标进行了k次检测，则综合平均的结果为： 其中，Wi为分配给第i次检测的权重。 (2) 卡尔曼滤波法 卡尔曼滤波法用于融合低层的实时动态多传感器冗余数据。该方法利用测量模型的统计特性，递推地确定融合数据的估计，且该估计在统计意义下是最优的。如果系统可以用一个线性模型描述，且系统与传感器的误差均符合高斯白噪声模型，则卡尔曼滤波将为融合数据提供唯一的统计意义下的最优估计。 例如，应用卡尔曼滤波器对n个传感器的测量数据进行融合后，既可以获得系统的当前状态估计，又可以预报系统的未来状态。所估计的系统状态可能表示移动机器人的当前位置、目标的位置和速度、从传感器数据中抽取的特征或实际测量值本身。 (3) 贝叶斯估计法 贝叶斯估计是：融合静态环境中多传感器低层信息的常用方法。它使传感器信息依据概率原则进行组合，测量不确定性以条件概率表示。 　　当传感器组的观测坐标一致时，可以用直接法对传感器测量数据进行融合。 　　在大多数情况下，传感器是从不同的坐标系对同一环境物体进行描述，这时传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。 多贝叶斯估计把每个传感器作为一个贝叶斯估计，将各单独物体的关联概率分布组合成一个联合后验概率分布函数，通过使联合分布函数的似然函数最小，可以得到多传感器信息的最终融合值。 (4) D-S证据推理法 D-S（Dempster-Shafter）证据推理法是目前数据融合技术中比较常用的一种方法。这种方法是贝叶斯方法的扩展，因为贝叶斯方法必须给出先验概率，证据理论则能够处理这种由不知道引起的不确