论文部分内容阅读
本文针对事件驱动传感器网络感知数据多样性、网络拓扑动态性等特征,提出一种基于学习向量量化模型的数据融合机制。首先,结合二进制表示对感知数据状态进行分类,减少无用数据反馈而导致路径拥塞,进而减少传输时延。其次,采用学习向量量化模型在融合节点处对多种感知数据进行了融合,以低开销的方式实现感知数据的聚类融合。此外,根据转发节点的转发能力,利用粒子群算法动态地选择最佳的数据收集路径。仿真结果表明本文提出的算法可以有效地减少网络事件区域内数据传输的数量,实现降低时延和减少能量消耗的目的。