结合WsN以数据为中心的特点,根据对传感器数据的操作级别,可以将数据融合分为三类, S07K320E2即数据级融合、特征级融合和决策级融合。WSN数据融合算法设计以这三类为基础。

    数据级融合是最底层的融合,很少使用智能算法,直接对数据进行较低层次的融合,是面向数据的融合。此层次融合直接对原始数据和其他信息进行融合处理,最大限度地保持原始信息,能为其他层次融合提供所不具有的细微信息。这种融合仅仅依赖数据的类型,与用户需求无关。由于所采集的信息量大,信息冗余度高,故存在处理代价高、数据融合度低和实时性差等缺陷。

   特征级融合是将数据表征为特征向量进行综合分析和处理的中间层次过程。特征级融合过程所提取的特征向量反映了被监测物体的属性,是数据信息的统计量或充分表示量。例如,在大气污染环境监测的应用领域,特征级融合可以对传感器所采集的数据进行综合分析,鉴别出空气中主要污染源。特征级融合分为目标状态信息融合和目标特性融合,目标状态信息融合主要应用于目标跟踪领域,目标特性融合主要应用于特征层的联合识别。特征级融合实现了传感器信息的压缩,减少了传输的数据量,具有实时性的特点。融合算法所提取的特征向量直接反映了被测环境的状态,能够为决策分析提供重要依据。

   决策级融合是最高级别融合。不同类型的传感器观测同一日标时,传感器各自完成预处理、特征提取、识别和判断,然后通过相关处理、决策判决,综合分析后获得推断结果。决策级融合具有实时性好的优点,另外,如果出现某个或某些传感器失效,并不影响融合处理后的决策,具有良好的容错性。

   数据级融合、特征级融合和决策级融合各自具有自己的优缺点,如表2,1所示。