戴志鋒，李元香

（1．湖北經(jīng)濟(jì)學(xué)院信息管理學(xué)院，武漢430205；2．武漢大學(xué)計(jì)算機(jī)學(xué)院，武漢430072）

多層Agent數(shù)據(jù)融合的無(wú)線傳感器決策網(wǎng)絡(luò)及其多樣性研究

戴志鋒1，2，李元香2

（1．湖北經(jīng)濟(jì)學(xué)院信息管理學(xué)院，武漢430205；2．武漢大學(xué)計(jì)算機(jī)學(xué)院，武漢430072）

為實(shí)現(xiàn)無(wú)線傳感器網(wǎng)絡(luò)（WSN）原始感知數(shù)據(jù)融合中不確定分析的量化決策和智能處理，在WSN層次化的數(shù)據(jù)融合機(jī)制下，引入粗糙集理論的決策表和決策網(wǎng)絡(luò)智能技術(shù)，設(shè)計(jì)智能型和規(guī)則型2類Agent，由此構(gòu)建多層Agent數(shù)據(jù)融合的無(wú)線傳感器決策網(wǎng)絡(luò)（WSDN）模型，并研究層間智能Agent型和屬性間規(guī)則Agent型WSDN的多樣性。應(yīng)用結(jié)果表明，該模型能較好地適用于典型的WSN場(chǎng)合，實(shí)現(xiàn)Agent間的融合優(yōu)化與智能決策。

無(wú)線傳感器決策網(wǎng)絡(luò)；智能Agent；規(guī)則Agent；多樣性；數(shù)據(jù)融合；決策表

1 概述

物聯(lián)網(wǎng)被公認(rèn)為是繼計(jì)算機(jī)、互聯(lián)網(wǎng)與移動(dòng)通信網(wǎng)之后引領(lǐng)世界信息產(chǎn)業(yè)革命的第3次浪潮，無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensor Network，WSN）被視為物聯(lián)網(wǎng)感知事物、傳輸數(shù)據(jù)的重要手段［1］，基于傳感器網(wǎng)絡(luò)技術(shù)的物聯(lián)網(wǎng)應(yīng)用的核心是全新信息獲取下智能感知交互，更重要的是基于這些交互信息利用各種智能計(jì)算技術(shù)進(jìn)行智能分析與處理［2］，通過(guò)諸多傳感器協(xié)同之后融合成智能的“知識(shí)”和判斷，進(jìn)而提供智能決策和智能服務(wù)。傳感器的電源能量極其有限，傳感器傳輸信息要比執(zhí)行計(jì)算更消耗電能，物聯(lián)網(wǎng)數(shù)據(jù)的時(shí)空相關(guān)性又導(dǎo)致感知信息的高度冗余性，而因其能有效減少數(shù)據(jù)傳輸量，降低數(shù)據(jù)傳輸沖突，提高通信效率，最大化網(wǎng)絡(luò)生命周期，數(shù)據(jù)融合已成為物聯(lián)網(wǎng)信息感知的關(guān)鍵技術(shù)和研究熱點(diǎn)［3］。

感知對(duì)象一般通過(guò)表示物理現(xiàn)象的數(shù)字量來(lái)表征，大部分傳感器采樣數(shù)據(jù)是數(shù)值型的，WSN以數(shù)

據(jù)為中心的特點(diǎn)使得可把傳感器視為感知數(shù)據(jù)源，傳感器網(wǎng)絡(luò)視為一個(gè)基于關(guān)系模型的感知數(shù)據(jù)“鍵屬性值”數(shù)據(jù)庫(kù)［4］，從而利用粗糙集理論（Rough Set Theory，RST）的信息表知識(shí)表達(dá)系統(tǒng)，每個(gè)傳感對(duì)象對(duì)應(yīng)于一個(gè)元組，構(gòu)成節(jié)點(diǎn)集關(guān)于屬性集的決策信息表，決策信息表首先去除冗余重復(fù)傳感數(shù)據(jù)記錄，進(jìn)一步地，在粗糙集理論中，知識(shí)約簡(jiǎn)屬重要的研究?jī)?nèi)容，也是知識(shí)獲取的關(guān)鍵步驟［5］，因而可能直接而廣泛地應(yīng)用于整個(gè)WSN數(shù)據(jù)融合之中。

傳感器網(wǎng)絡(luò)中的傳感器都具有嵌入式處理器和存儲(chǔ)器，都具有計(jì)算能力，可以完成一定信息處理工作，同時(shí)，傳感器通信部件負(fù)責(zé)與其他傳感器的通信［4］，如何使用大量具有有限節(jié)點(diǎn)資源的傳感器對(duì)物聯(lián)網(wǎng)信息進(jìn)行協(xié)作分布式交互和分析處理，尤其是隨著不確定性數(shù)據(jù)廣泛出現(xiàn)在大規(guī)模傳感器網(wǎng)絡(luò)系統(tǒng)等諸多現(xiàn)實(shí)應(yīng)用領(lǐng)域之中［6］，又如何對(duì)不確定性感知信息和數(shù)據(jù)進(jìn)行更加有效而智能化的分析和挖掘，從而發(fā)現(xiàn)不確定性信息中蘊(yùn)涵的確定性知識(shí)和規(guī)律［7］，這些都是人們所面臨的帶挑戰(zhàn)性研究課題。粗糙集理論作為一種新的研究不精確、不確定性知識(shí)的有效數(shù)學(xué)工具與數(shù)據(jù)分析理論，廣泛應(yīng)用于對(duì)不確定、不精確、不一致、不完整信息與知識(shí)的定量分析處理以及對(duì)大規(guī)模海量數(shù)據(jù)的挖掘和對(duì)復(fù)雜問(wèn)題的求解等領(lǐng)域［5，7］，已成為一種重要的智能信息處理技術(shù)，并且其中決策網(wǎng)絡(luò)及其簡(jiǎn)化形式能直觀圖示和量化分析決策規(guī)則以及決策規(guī)則之間關(guān)系［8］。

針對(duì)WSN在醫(yī)療保健領(lǐng)域應(yīng)用中不確定傳感數(shù)據(jù)的智能信息處理問(wèn)題，文獻(xiàn)［9］運(yùn)用WSN硬件智能和RST及其決策網(wǎng)絡(luò)軟件智能，定義了若干類智能Agent，相應(yīng)地搭建了多智能體系統(tǒng)框架，構(gòu)筑了一種醫(yī)療保健傳感器決策網(wǎng)絡(luò)（Healthcare Sensor Decision Network，HSDN），并在一定程度上探討了HSDN的多樣性，但仍需在決策結(jié)構(gòu)上做進(jìn)一步改進(jìn)。因此，本文在上述研究的基礎(chǔ)上，力求拓展WSN智能信息處理方向的研究，嘗試建立一種統(tǒng)一的一般化無(wú)線傳感器決策網(wǎng)絡(luò)（W ireless Sensor Decision Network，WSDN）模型，進(jìn)而探析其網(wǎng)絡(luò)多樣性以及不同多樣性之間可能的關(guān)聯(lián)性與層次性。

2 W SN數(shù)據(jù)融合

傳感器數(shù)據(jù)管理分為2個(gè)階段：（1）即分布式實(shí)時(shí)性采集與分析階段，實(shí)現(xiàn)WSN數(shù)據(jù)收集、聚集和一定分析處理的主要功能；（2）集中式復(fù)雜查詢、異構(gòu)集成與潛在知識(shí)挖掘階段，滿足高層次的分析挖掘應(yīng)用需求［10］。鑒于WSN節(jié)點(diǎn)普遍具有一定智能化信息處理能力而又能量等資源較為局限的特性，同時(shí)為不失一般性，又做一定合理而理想化假設(shè)，并進(jìn)行必要的數(shù)據(jù)預(yù)處理，諸如假定Sink節(jié)點(diǎn)具備一定相應(yīng)的分析挖掘能力，通過(guò)采樣頻率、狀態(tài)變化閾值等手段調(diào)控周期性傳感數(shù)據(jù)收集，將非數(shù)值型原始采樣數(shù)據(jù)轉(zhuǎn)換歸并為數(shù)值型采樣數(shù)據(jù)等，本文主要結(jié)合分布式基本數(shù)據(jù)管理并兼顧集中式知識(shí)挖掘兩階段方式開展后續(xù)相關(guān)研究工作。

為探索能耗約束和能量均衡的有效的數(shù)據(jù)收集、聚集和融合方法與機(jī)制，傳感器采樣數(shù)據(jù)分布式存儲(chǔ)方法將采樣數(shù)據(jù)直接存儲(chǔ)在各傳感器節(jié)點(diǎn)，或者存放在Sink節(jié)點(diǎn)［10］。并且，基于空間相關(guān)性將傳感器節(jié)點(diǎn)劃分為若干層次式分簇［3］，簇狀結(jié)構(gòu)具有適合大規(guī)模的網(wǎng)絡(luò)環(huán)境、可擴(kuò)展性好、數(shù)據(jù)融合簡(jiǎn)單及能量效率高等諸多優(yōu)點(diǎn)［11］。本文也以這種典型的WSN樹型邏輯分層簇結(jié)構(gòu)為基礎(chǔ)，簇內(nèi)信息收集、融合后通過(guò)簇間路由轉(zhuǎn)發(fā)將各個(gè)簇連接起來(lái)與Sink節(jié)點(diǎn)進(jìn)行通信，Sink再通過(guò)Internet或通信衛(wèi)星與任務(wù)管理節(jié)點(diǎn)通信，實(shí)現(xiàn)大規(guī)模感知數(shù)據(jù)集上層次式處理，而傳感器節(jié)點(diǎn)、簇頭節(jié)點(diǎn)和Sink節(jié)點(diǎn)數(shù)據(jù)處理的3個(gè)環(huán)節(jié)均可能存在不確定性，通過(guò)在不同層次上逐級(jí)處理不確定性，提高WSN數(shù)據(jù)融合的整體清晰度。

基于W SN網(wǎng)絡(luò)結(jié)構(gòu)對(duì)應(yīng)自身硬件智能，進(jìn)一步挖掘運(yùn)用RST決策表數(shù)學(xué)建模及決策網(wǎng)絡(luò)決策分析所蘊(yùn)含軟件智能，共同定義不同層次不同類型Agent，給予Agent自治性以及協(xié)作過(guò)程以宏觀上引導(dǎo)之組織性，讓Agent之間、Agent與環(huán)境之間進(jìn)行互動(dòng)、溝通和協(xié)作［12］。最終，從信息智能化處理視角，因智能Agent之間的交互、協(xié)作等局部行為而產(chǎn)生系統(tǒng)全局行為［13］，從而從總體上構(gòu)建一個(gè)數(shù)據(jù)融合自組織網(wǎng)絡(luò)和協(xié)同決策模型，提升WSN數(shù)據(jù)融合的研究高深度。

3 無(wú)線傳感器決策網(wǎng)絡(luò)

3.1 多層Agent分類

WSN數(shù)據(jù)融合體分布于WSN數(shù)據(jù)傳感、匯聚、分析和信息決策的全過(guò)程之中，主要表現(xiàn)為2種類型、不同層次的Agent：

（1）智能型Agent。WSN融合體在結(jié)構(gòu)上依托于Sensor、Cluster和Sink 3層節(jié)點(diǎn)的物理硬件，功能上實(shí)現(xiàn)Sensor分布式數(shù)據(jù)采集、Cluster分布式數(shù)據(jù)匯聚和Sink集中式信息決策分析，同時(shí)，呈現(xiàn)出一定的智能性、層間層內(nèi)協(xié)同性，進(jìn)而演變?yōu)?種層次性智能Agent即傳感采集Agent（Sensor Collecting Agent，SCA）、簇匯聚Agent（Cluster Assembling Agent，CAA）和錨決策Agent（Sink Decision-making Agent，SDA）。

（2）規(guī)則型Agent。決策表為W SN數(shù)據(jù)融合的主要形式化載體，決策表中每一行記錄本身代表一條決策規(guī)則，同時(shí)，對(duì)應(yīng)于一個(gè)Agent，這種規(guī)則型Agent又劃分為廣義性層面的和知識(shí)性層面的，廣義性的為原始傳感數(shù)據(jù)所構(gòu)成的決策表中規(guī)則，知識(shí)

性的則為約簡(jiǎn)決策表或簡(jiǎn)化決策網(wǎng)絡(luò)相應(yīng)的簡(jiǎn)化決策表中規(guī)則。

智能型Agent與規(guī)則型Agent相互獨(dú)立地進(jìn)行區(qū)分，智能型Agent跨越Sensor，Cluster和Sink 3個(gè)層次，屬于WSN數(shù)據(jù)融合出發(fā)點(diǎn)和初始階段融合體，側(cè)重于傳感數(shù)據(jù)智能感知、匯聚和預(yù)處理；規(guī)則型Agent主要對(duì)應(yīng)于Sink甚至后端更高層次，屬于WSN數(shù)據(jù)融合歸結(jié)點(diǎn)和高級(jí)階段融合體，側(cè)重于傳感規(guī)則智能分析、挖掘和決策。同時(shí)，兩者在Sink層次實(shí)現(xiàn)前后關(guān)聯(lián)銜接、相輔相成，共同構(gòu)成WSN數(shù)據(jù)融合決策過(guò)程中的有機(jī)組成部分，廣義性規(guī)則型Agent經(jīng)SCA采集、CAA匯聚，最終在SDA及以上層次經(jīng)約簡(jiǎn)或簡(jiǎn)化轉(zhuǎn)化為知識(shí)性規(guī)則型Agent。

3.2 無(wú)線傳感器決策網(wǎng)絡(luò)模型設(shè)計(jì)

基于智能型Agent和規(guī)則型Agent，并將其運(yùn)用融入于WSN一體化數(shù)據(jù)融合之中，實(shí)現(xiàn)多層Agent與決策表、決策網(wǎng)絡(luò)深度關(guān)聯(lián)、結(jié)合，以此進(jìn)一步地構(gòu)建一種無(wú)線傳感器決策網(wǎng)絡(luò)模型，如圖1所示。由圖1可知，首先，在SCA底層，每個(gè)Sensor節(jié)點(diǎn)對(duì)應(yīng)于一個(gè)SCA，用于傳感采集原始數(shù)據(jù)；其次，在CAA中間層，各Cluster簇頭節(jié)點(diǎn)即為一個(gè)CAA，負(fù)責(zé)匯聚收集簇內(nèi)數(shù)據(jù)；最后，在SDA最高層，Sink節(jié)點(diǎn)所對(duì)應(yīng)的SDA，則歸并整個(gè)WSN傳感數(shù)據(jù)并進(jìn)行分析挖掘數(shù)據(jù)預(yù)處理。在WSN數(shù)據(jù)融合過(guò)程中，信息系統(tǒng)及決策表建模、決策網(wǎng)絡(luò)決策分析等主體處理集中在Sink節(jié)點(diǎn)進(jìn)行，但數(shù)據(jù)依次分布來(lái)源于Cluster簇頭節(jié)點(diǎn)和Sensor節(jié)點(diǎn)，且大規(guī)模傳感數(shù)據(jù)在Sink節(jié)點(diǎn)被劃分成不同決策表及相應(yīng)決策網(wǎng)絡(luò)進(jìn)行并行融合處理。同時(shí)，在層間關(guān)聯(lián)方面，SCA層SCA實(shí)體集與CAA層CAA實(shí)體集為多對(duì)一聯(lián)系，CAA層CAA實(shí)體集則分別與SDA層決策表實(shí)體集、決策網(wǎng)絡(luò)實(shí)體集及相應(yīng)傳感規(guī)則實(shí)體集均為多對(duì)多聯(lián)系。

圖1 W SDN決策層次結(jié)構(gòu)

在WSDN決策層次結(jié)構(gòu)中，整體上形成硬件智能與軟件智能融合機(jī)制。SCA層傳感采集Agent與CAA層簇匯聚Agent屬于智能型Agent，智能性主要體現(xiàn)在相應(yīng)WSN節(jié)點(diǎn)本身傳感匯聚數(shù)據(jù)的硬件智能方面；SDA層智能型錨決策Agent則在呈現(xiàn)Sink節(jié)點(diǎn)硬件智能的同時(shí)，智能性更多地表現(xiàn)為向軟件智能的過(guò)渡延伸，并上升至規(guī)則型Agent運(yùn)用層次。規(guī)則型Agent智能性蘊(yùn)含于決策表及決策網(wǎng)絡(luò)等RST高級(jí)形式軟件智能信息處理特性運(yùn)用于WSN信息決策分析之上，體現(xiàn)于有效的不確定性數(shù)據(jù)處理、深化的知識(shí)約簡(jiǎn)進(jìn)而內(nèi)在知識(shí)性規(guī)則挖掘的智能決策之中。

4 無(wú)線傳感器決策網(wǎng)絡(luò)的多樣性

4.1 層間智能Agen t型W SDN

從智能型Agent角度深入研究無(wú)線傳感器決策網(wǎng)絡(luò)多樣性，便派生出層間智能Agent型WSDN，如圖2所示。

圖2 層間智能Agent型W SDN框架

由圖2可知，SCA層SCA實(shí)體集｛SCA1，SCA2，…，SCAi｝、CAA層CAA實(shí)體集｛CAA1，CAA2，…，CAAj｝，以及SDA層傳感規(guī)則集｛R1SDA，R2SDA，…，RkSDA｝，構(gòu)成SCA-CAA-SDA決策表及SCA-CAA-SDA決策網(wǎng)絡(luò)，進(jìn)而從WSDN決策層次結(jié)構(gòu)角度構(gòu)建層間智能Agent型WSDN，并基于外部來(lái)源進(jìn)行整體上的廣義性決策規(guī)則統(tǒng)計(jì)分析。

具體地，由SCA-CAA-SDA決策表構(gòu)建SCACAA-SDA決策網(wǎng)絡(luò)，并進(jìn)行決策網(wǎng)絡(luò)圖簡(jiǎn)化，依次得到簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)及決策表，以及對(duì)應(yīng)的不確定性決策規(guī)則和確定性決策規(guī)則的集合，進(jìn)一步地再依次獲取僅保留部分主要決策規(guī)則的近似CAA-SDA決策網(wǎng)絡(luò)及決策表，以及近似確定性決策規(guī)則集。從圖中關(guān)聯(lián)多重性標(biāo)記可知，SCA-CAASDA決策網(wǎng)絡(luò)與簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)，以及簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)與近似CAA-SDA決策網(wǎng)絡(luò)，分別均為一對(duì)一關(guān)聯(lián)。

4.2 屬性間規(guī)則Agent型W SDN

屬性間規(guī)則Agent型W SDN則從規(guī)則型Agent角度構(gòu)成無(wú)線傳感器決策網(wǎng)絡(luò)多樣性的另一個(gè)方面，屬性間規(guī)則Agent型W SDN框架如圖3所示。

圖3 屬性間規(guī)則Agent型W SDN框架

由圖3可知，不同傳感條件屬性（Condition A ttribute，CA）如CA1、CA2等和傳感決策屬性（Decision A ttribute，DA）及其傳感規(guī)則（如圖3中從CA1、CA2等條件屬性取值到DA決策屬性取值具體組合），構(gòu)成CA-DA決策表及CA-DA決策網(wǎng)絡(luò)，進(jìn)而從傳感規(guī)則深度分析挖掘角度構(gòu)建屬性間規(guī)則Agent型WSDN，并基于內(nèi)在因果進(jìn)行深層次的知識(shí)性決策規(guī)則簡(jiǎn)化與約簡(jiǎn)。

第1條路徑，根據(jù)CA-DA決策表的具體決策規(guī)則進(jìn)行條件屬性相對(duì)約簡(jiǎn)，依次得到約簡(jiǎn)CA-DA決策表及決策網(wǎng)絡(luò)，進(jìn)而獲取隱藏規(guī)則及其實(shí)例約簡(jiǎn)決策規(guī)則所組成的確定性決策規(guī)則集；第2條路徑，在不確定性決策及其協(xié)同機(jī)制下，由CA-DA決策網(wǎng)絡(luò)進(jìn)行決策網(wǎng)絡(luò)圖簡(jiǎn)化，依次得到簡(jiǎn)化CA-DA決策網(wǎng)絡(luò)及決策表，以及對(duì)應(yīng)的不確定性決策規(guī)則和確定性決策規(guī)則的集合，進(jìn)一步地再依次獲取僅保留部分主要決策規(guī)則的近似CA-DA決策網(wǎng)絡(luò)及決策表，以及近似確定性決策規(guī)則集。上述兩條路徑均體現(xiàn)出從具體到一般再到具體的規(guī)則認(rèn)知過(guò)程，且簡(jiǎn)化CA-DA決策表也可進(jìn)行條件屬性相對(duì)約簡(jiǎn)，從而轉(zhuǎn)化為約簡(jiǎn)CA-DA決策表，實(shí)現(xiàn)第2條路徑到第1條路徑的轉(zhuǎn)換。從圖中關(guān)聯(lián)多重性標(biāo)記可知，CA-DA決策表與約簡(jiǎn)CA-DA決策表，CA-DA決策網(wǎng)絡(luò)與簡(jiǎn)化CA-DA決策網(wǎng)絡(luò)，以及簡(jiǎn)化CA-DA決策表與約簡(jiǎn)CA-DA決策表，分別均為一對(duì)多關(guān)聯(lián)；而簡(jiǎn)化CA-DA決策網(wǎng)絡(luò)與近似CA-DA決策網(wǎng)絡(luò)為一對(duì)一關(guān)聯(lián)。

4.3 多樣性W SDN的關(guān)聯(lián)

在層間智能Agent型WSDN和屬性間規(guī)則Agent型WSDN框架圖中，上階段、下階段構(gòu)成外部銜接處理關(guān)系，決策表、決策網(wǎng)絡(luò)形成階段內(nèi)部前后轉(zhuǎn)化關(guān)系。下階段前部分的決策表或決策網(wǎng)絡(luò)，由

上階段相應(yīng)的決策表或決策網(wǎng)絡(luò)經(jīng)過(guò)銜接處理得來(lái)，并進(jìn)一步完成本階段內(nèi)前部分到后部分決策表與決策網(wǎng)絡(luò)之間的轉(zhuǎn)化。

2種WSDN多樣性統(tǒng)一于決策表和決策網(wǎng)絡(luò)，以及決策規(guī)則和Agent的外在表現(xiàn)形式，而區(qū)別于其不同內(nèi)涵。層間智能Agent型W SDN中決策表由條件屬性“SCA”、“CCA”和決策屬性“傳感規(guī)則”組成，決策規(guī)則及其對(duì)應(yīng)的Agent為決策表意義上特定性的，反映的是SCA、CCA對(duì)傳感規(guī)則的取向關(guān)系；屬性間規(guī)則Agent型WSDN中決策表由不同傳感條件屬性CA 1、CA2等和傳感決策屬性DA組成，決策規(guī)則及其對(duì)應(yīng)的Agent為實(shí)際應(yīng)用中廣義性或知識(shí)性的，反映的是傳感條件屬性和傳感決策屬性之間因果關(guān)系。

2種WSDN多樣性之間呈現(xiàn)一種遞進(jìn)關(guān)系，層間智能Agent型WSDN首先從數(shù)據(jù)傳感總體上統(tǒng)計(jì)分析SDA層傳感規(guī)則的外部來(lái)源分布，進(jìn)而屬性間規(guī)則Agent型WSDN從信息決策深層次挖掘傳感規(guī)則的內(nèi)在知識(shí)性因果關(guān)系，兩者結(jié)合從宏觀和微觀不同層面推進(jìn)無(wú)線傳感器決策網(wǎng)絡(luò)的知識(shí)決策過(guò)程。

5 算法與實(shí)例

基于文獻(xiàn)［8］所定義的支持度、確定因子、強(qiáng)度因子和覆蓋因子等決策網(wǎng)絡(luò)相關(guān)術(shù)語(yǔ)，具體結(jié)合SCA-CAA-SDA決策網(wǎng)絡(luò)，提出實(shí)現(xiàn)算法，并相應(yīng)給出可穿戴傳感在健康醫(yī)療領(lǐng)域應(yīng)用的決策分析實(shí)例。

5.1 實(shí)現(xiàn)算法描述

相應(yīng)于層間智能Agent型W SDN，無(wú)線傳感器決策網(wǎng)絡(luò)實(shí)現(xiàn)算法描述如下：

輸入 SCA-CAA-SDA決策表及相關(guān)集合｛SCA1，SCA2，…，SCAi｝，｛CAA1，CAA2，…，CAAj｝，｛R1SDA，R2SDA，…，RkSDA｝，｛Supp（SCAf，CAAg，RhSDA）|f∈｛1，2，…，i｝，g∈｛1，2，…，j｝，h∈｛1，2，…，k｝｝，閾值TCer

輸出DN，DNSimp，DNAppr

Step1SCA-CAA層、CAA-SDA層決策規(guī)則預(yù)處理。依據(jù)SCA-CAA-SDA決策表，分層構(gòu)建SCACAA層、CAA-SDA層2個(gè)決策規(guī)則子集。

Step2SCA-CAA-SDA決策網(wǎng)絡(luò)構(gòu)造，生成DN。執(zhí)行決策規(guī)則子集、決策規(guī)則嵌套循環(huán)，據(jù)｛Supp（SCAf，CAAg，RhSDA）|f∈｛1，2，…，i｝，g∈｛1，2，…，j｝，h∈｛1，2，…，k｝｝和決策網(wǎng)絡(luò)相關(guān)術(shù)語(yǔ)計(jì)算公式，逐一計(jì)算SCA-CAA層、CAA-SDA層決策規(guī)則子集中每條決策規(guī)則之Cer，Str，Cov等量化因子值，構(gòu)造SCA-CAA-SDA決策網(wǎng)絡(luò)。

Step3SCA-CAA-SDA決策網(wǎng)絡(luò)簡(jiǎn)化，生成DNSimp。SCA-CAA-SDA決策網(wǎng)絡(luò)簡(jiǎn)化，截取簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)。

Step4簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)近似、優(yōu)化，生成DNAppr。篩選并僅保留簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)中Cer≥TCer之決策規(guī)則，獲得近似CAA-SDA決策網(wǎng)絡(luò)。

在上述算法中，支持度Supp（SCAf，CAAg，RhSDA）表示經(jīng)SCAf采集、CAAg匯聚的傳感決策規(guī)則RhSDA的數(shù)量，DN、DNSimp和DNAppr各自代表決策網(wǎng)絡(luò)、簡(jiǎn)化決策網(wǎng)絡(luò)和近似決策網(wǎng)絡(luò)，Cer，Str和Cov分別表示決策規(guī)則確定因子、強(qiáng)度因子和覆蓋因子。

根據(jù)Supp（SCAf，CAAg，RhSDA），由式（1）和式（2）分別計(jì)算得到SCA-CAA層、CAA-SDA層決策規(guī)則子集中決策規(guī)則的支持度Supp（SCAf，CAAg），Supp（CAAg，RhSDA），并依次具體表示由SCAf采集CAAg匯聚的各種傳感決策規(guī)則重?cái)?shù)的求和數(shù)量、由CAAg匯聚簇內(nèi)全部SCA所采集傳感決策規(guī)則RhSDA的數(shù)量，進(jìn)而以此計(jì)算各自決策規(guī)則相應(yīng)的Cer，Str和Cov等因子值。

從該實(shí)現(xiàn)算法可知，在SCA-CAA-SDA決策網(wǎng)絡(luò)中，CAA層CAA實(shí)體與SDA層傳感規(guī)則之間形成的簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)及決策表在層間智能Agent型WSDN信息決策中更有實(shí)際意義。

5.2 應(yīng)用實(shí)例

文獻(xiàn)［14］描述了基于平面時(shí)裝電路板、智能貼等電子織物的可穿戴健康監(jiān)護(hù)系統(tǒng)，特定慢性病患者用戶自身攜帶的傳感器與嵌入在周圍環(huán)境中的傳感器相結(jié)合，以可穿戴傳感簇部署為基礎(chǔ)分布式構(gòu)建層次化的可穿戴傳感網(wǎng)絡(luò)體系結(jié)構(gòu)，進(jìn)而構(gòu)建“患者-健康服務(wù)中心-醫(yī)療保健機(jī)構(gòu)”可穿戴健康監(jiān)護(hù)社區(qū)原型。通過(guò)可穿戴傳感計(jì)算Agent裝置完成實(shí)時(shí)傳感、處理、刺激和數(shù)據(jù)通信等所有功能，用戶的健康監(jiān)測(cè)數(shù)據(jù)經(jīng)過(guò)本地Agent處理后發(fā)送給外部的服務(wù)站或基站Agent進(jìn)行決策分析，從而形成多層Agent智能信息處理的特征，該原型則呈現(xiàn)為一種典型的SCA-CAA-SDA無(wú)線傳感器決

策網(wǎng)絡(luò)。

基于上述可穿戴的個(gè)人健康監(jiān)測(cè)智慧醫(yī)療應(yīng)用系統(tǒng)平臺(tái)，在可穿戴醫(yī)療設(shè)備實(shí)測(cè)數(shù)據(jù)基礎(chǔ)之上，再經(jīng)過(guò)加工整理，同時(shí)，為簡(jiǎn)便起見(jiàn)，僅以單個(gè)簡(jiǎn)化CAA-SDA決策表及其少部分健康監(jiān)護(hù)傳感規(guī)則為代表作決策分析示例，帶有支持度的簡(jiǎn)化CAA-SDA決策表如表1所示，其中，支持度即簡(jiǎn)化決策規(guī)則中CAA實(shí)體所匯聚的相應(yīng)傳感規(guī)則的數(shù)量。

表1 帶有支持度的簡(jiǎn)化CAA-SDA決策表

對(duì)應(yīng)于表1簡(jiǎn)化的CAA-SDA決策網(wǎng)絡(luò)如圖4所示，表1的每個(gè)決策規(guī)則對(duì)應(yīng)著圖4中一條帶有由支持度計(jì)算得來(lái)的Cer，Str和Cov因子值的有向線段，使得圖4直觀地呈現(xiàn)出CAA層CAA實(shí)體與SDA層傳感規(guī)則之間的量化對(duì)應(yīng)分布關(guān)系。由于沒(méi)有一個(gè)決策規(guī)則的Cer因子值等于1，圖4簡(jiǎn)化CAA-SDA決策網(wǎng)絡(luò)中所有決策規(guī)則均為不確定的。

圖4 簡(jiǎn)化的CAA-SDA決策網(wǎng)絡(luò)

最后，對(duì)于上述不確定性決策情形，再進(jìn)行一定的近似化處理，實(shí)現(xiàn)算法中TCer∈［0，1］為一個(gè)權(quán)重閾值，依據(jù)決策應(yīng)用領(lǐng)域經(jīng)驗(yàn)值或決策權(quán)重需求確定，一般取值為0．5，表示按半數(shù)權(quán)重篩選，在實(shí)際中較具決策意義。于是，剪枝去掉圖4中Cer＜TCer的決策規(guī)則，得到如圖5所示僅含主要決策規(guī)則的近似CAA-SDA決策網(wǎng)絡(luò)，所保留的決策規(guī)則也從不確定的轉(zhuǎn)變?yōu)榻拼_定的，同時(shí)，還揭示傳感規(guī)則R2SDA較R3SDA及R4SDA，R1SDA又較R2SDA更為各CAA所支持。

圖5 僅含主要決策規(guī)則的近似CAA-SDA決策網(wǎng)絡(luò)

6 結(jié)束語(yǔ)

以無(wú)線傳感器網(wǎng)絡(luò)為核心的物聯(lián)網(wǎng)基本特征是信息的全面感知交互和智能分析處理［3］。本文構(gòu)建一種多層Agent數(shù)據(jù)融合的無(wú)線傳感器決策網(wǎng)絡(luò)模型，使各個(gè)Agent節(jié)點(diǎn)智能自主獲取環(huán)境和其他Agent節(jié)點(diǎn)信息，并從不精確原始感知信息、局部聚集信息中獲取確定性全局融合信息。應(yīng)用實(shí)例結(jié)果表明，可穿戴健康監(jiān)護(hù)社區(qū)原型能較好地分析挖掘近似交互規(guī)則和知識(shí)，并提供智能輔助和支持。今后將結(jié)合W SN數(shù)據(jù)融合和智能信息處理，針對(duì)物聯(lián)網(wǎng)傳感數(shù)據(jù)隨時(shí)間變化而呈現(xiàn)出的序列性開展更加深入的研究。

［1]林 闖．物聯(lián)網(wǎng)關(guān)鍵理論與技術(shù)專題前言［J］．計(jì)算機(jī)學(xué)報(bào)，2011，34（5）：761-762．

［2]Atzori L，Iera A，Morabito G．The Internet of Things：A Survey［J］．Com puter Networks，2010，54（15）：2787-2805．

［3]胡永利，孫艷豐，尹寶才．物聯(lián)網(wǎng)信息感知與交互技術(shù)［J］．計(jì)算機(jī)學(xué)報(bào)，2012，35（6）：1147-1163．

［4]李建中，李金寶，石勝飛．傳感器網(wǎng)絡(luò)及其數(shù)據(jù)管理的概念、問(wèn)題與進(jìn)展［J］．軟件學(xué)報(bào)，2003，14（10）：1717-1727．［5]錢 進(jìn),苗奪謙,張澤華.云計(jì)算環(huán)境下知識(shí)約簡(jiǎn)算法［J］.計(jì)算機(jī)學(xué)報(bào),2011,34(12):2332-2343.

［6]周傲英,金澈清,王國(guó)仁,等.不確定性數(shù)據(jù)管理技術(shù)研究綜述［J］.計(jì)算機(jī)學(xué)報(bào),2009,32(1):1-16.

［7]王國(guó)胤,張清華.不同知識(shí)粒度下粗糙集的不確定性研究［J］.計(jì)算機(jī)學(xué)報(bào),2008,31(9):1588-1598.

［8]Pawlak Z.Decision Networks［C］//Proceedings of the 4th International Conference on Rough Sets and Current Trends in Computing.Berlin,Germany:Springer-Verlag,2004:1-7.

［9]Dai Zhifeng,Sun Baolin,Zhang Qifei.The Multiplicity of IntelligentAgentBasedHealthcareSensorDecision Network［C］//Proceedingsofthe3rdInternational Conference on Bioinformatics and Biomedical Engineering.Beijing,China:［s.n.］,2009.

［10]丁治明,高 需.面向物聯(lián)網(wǎng)海量傳感器采樣數(shù)據(jù)管理的數(shù)據(jù)庫(kù)集群系統(tǒng)框架［J］.計(jì)算機(jī)學(xué)報(bào),2012, 35(6):1175-1191.

［11]馬守明,王汝傳,葉 寧.基于信譽(yù)度集對(duì)分析的WSN安全數(shù)據(jù)融合［J］.計(jì)算機(jī)研究與發(fā)展,2011,48(9): 1652-1658.

［12]Wooldridge M.An Introduction to Multi-agent Systems［M］.New York,USA:John Wiley and Sons,2009.

［13]金士堯,黃紅兵,范高俊.面向涌現(xiàn)的多Agent系統(tǒng)研究及其進(jìn)展［J］.計(jì)算機(jī)學(xué)報(bào),2008,31(6): 881-895.

［14]李素姬,金惠靜,杰拉德,等.可穿戴健康監(jiān)護(hù)系統(tǒng)在韓國(guó)［J］.中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊,2011,7(8):25-28.

編輯 劉 冰

Research on W ireless Sensor Decision Network of M ulti-layer Agent Data Fusion and Its M ultip licity

DA IZhifeng1，2，LIYuanxiang2
（1．Schoo l of Inform ation M anagem ent，Hubei University o f Econom ics，W uhan 430205，China；
2．School of Com puter，W uhan University，W uhan 430072，China）

Aim ing at the realization of quantitative decision of uncertainty analysis and intelligent processing for raw sensor data fusion in W ireless Sensor Network（WSN），a model of multi-layer Agent data fusion type W ireless Sensor Decision Netw ork（WSDN）is p roposed．On the basis of the hierarchical data fusion mechanism in WSN，such intelligent technique characteristics as decision table and decision network o f rough set theory are introduced to design intelligencebased Agent and rule-based Agent and thus construct the model，and the multiplicity of inter-layer intelligence Agentbased WSDN and inter-attribute rule Agent-based WSDN is studied．Application results show that WSDN can be better applied to the typical situations of WSN，and thus achieves the fusion optim ization and intelligent decision among Agent．

W ireless Sensor Decision Network（WSDN）；intelligence Agent；rule Agent；multiplicity；data fusion；decision tab le

戴志鋒，李元香．多層Agent數(shù)據(jù)融合的無(wú)線傳感器決策網(wǎng)絡(luò)及其多樣性研究［J］．計(jì)算機(jī)工程，2015，41（3）：198-203，217．

英文引用格式：Dai Zhifeng，Li Yuanxiang．Research on W ireless Sensor Decision Network of M ulti-layer Agent Data Fusion and Its Mu ltip licity［J］．Computer Engineering，2015，41（3）：198-203，217．

1000-3428（2015）03-0198-06

A

TP18

10．3969/j．issn．1000-3428．2015．03．038

國(guó)家自然科學(xué)基金資助項(xiàng)目（61070009）；國(guó)家重大科學(xué)儀器設(shè)備開發(fā)專項(xiàng)基金資助項(xiàng)目（2011YQ170065）；湖北省教育廳科學(xué)技術(shù)研究計(jì)劃基金資助重點(diǎn)項(xiàng)目（D 20121904，D20132202）。

戴志鋒（1967-），男，副教授、博士，主研方向：智能信息處理，無(wú)線傳感器網(wǎng)絡(luò)，決策支持系統(tǒng)；李元香，教授、博士、博士生導(dǎo)師。

2014-08-14

：2014-11-03E-m ail：course_ware＠126．com