中文摘要：

针对无线传感网数据采集源端存在的"过采样"和"欠采样"难题，重点围绕多尺度时空相关性、数据可靠重构、频率实时估计、数据感知分簇、多跳在线纠错等问题，研究基于Unscented卡尔曼滤波的采样频率自适应优化采样、基于聚集域空间相关性的自适应优化采样、基于数据模型智能预测的在线纠错机制，构建无线传感网的多尺度时空相关性自适应采样理论体系。信宿端采用改进卡尔曼滤波完成采样精度与动态性的智能估计，实现基于反馈机制的采样频率实时追踪；由空间相关性构建采样节点集优化选取模型，利用微粒群优化算法进行全网寻优和局部调优；信宿端构建历史数据特征模型，基于预测模型智能匹配对数据进行在线纠错，为自适应优化采样提供数据可靠保障。综合数据时空相关性和用户QoS需求，建立时空多尺度的自适应优化采样理论框架，提供不同尺度条件的优化采样策略。最后，采用实际传感数据校正理论模型，构建仿真环境和试验平台验证完善算法的性能。

结论摘要：

本课题深入分析了无线传感网内数据在时间域和空间域的相关特性，提出了基于传感数据空间相关性的网络分层与传输控制方法、基于时空联合性的无线传感网覆盖采样技术、时间域采样频率动态调节的自适应采样机制、空间域采样节点集优化选取的自适应采样机制、基于聚类模型预测的无线传感网自适应采样技术等关键技术方案，解决了无线传感网中数据采样率的设置与调整缺乏理论依据的难题。本课题的研究成果可以在保证数据重构精度的前提下降低网络能耗，从而为无线传感网的节能技术研究提供一种新型思路。在网络分层与传输控制方法研究中，本课题提出了一种环境数据感知的聚集域划分机制，结合空间域的数据变化梯度和网络拓扑结构实现无线传感网在空间维度上的层次划分，进而研究了一种基于网络多尺度模型的层次型数据聚集传输机制。在时空联合性覆盖采样研究中，本课题提出了一种新型的以应用为导向的基于时空联合性的覆盖率系数—ROI内各子区域的面积与该子区域覆盖时间的乘积之和，并扩展了平面图K着色的贪婪算法实现了分布式次优求解。在自适应时间域采样技术研究中，本课题提出了一种“加增半减”的方法来自适应调整采样频率用采样误差表征预测数据偏离实际数据的程度，当采样误差小于预设阈值时，减半聚类中各个传感器的采样频率，否则增加采样频率，从而避免了过采样和欠采样。在自适应空间域采样技术研究中，基于数据变化梯度实现环境感知网络分层后，本课题将聚集域内节点根据空间相关性划再分成多个独立子集，周期性地选取各子集中的剩余能量最大节点充当采样节点，从而在保证网络覆盖的同时提高能量效率。在基于聚类模型预测的自适应采样技术研究中，每个聚类内的簇头节点根据聚类内成员节点的历史数据建立一个二阶AR预测模型，用预测模型估计的预测值来代替某些采样数据，并用较低频率的采样数据来更新预测模型，从而实现数据模型的在线纠错。此外，课题组还将优化采样技术研究应用到海洋监测传感网和无线视频传感网中，研制成功了多种无线传感器节点和视频传感器节点，搭建了一种存在多种异构节点的无线传感网试验平台。通过本课题的研究，对无线传感网自适应采样进行了系统的总结，提出了数据聚类采样与自适应采样等多种算法，建立了基于多尺度时空相关性的自适应采样技术的主要理论框架，为部署和应用无线传感网提供了新的理论依据与技术支撑。