第２８卷第１期 ２０１０年０１月 佳木斯大学学报（自然科学版） Ｊｏｕｍ￣ｏｆ Ｊｉａｍｕｓｉ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） ｖｏ１．２８ Ｎｌ０．１ Ｊａｎ．２０ｌＯ 文章编号：１００８—１￣２（２ｏｌｏ）ｏｌ—ＯＯ５４—０ｌ４ 改进时空ＤＳ证据理论在车辆识别中的应用 张宗志，李一兵，林云 （哈尔滨工程大学信息与通信工程学院。黑龙江哈尔滨１５０００１） 摘要：将证据理论作为数据融合方法，将多传感器多测量周期的数据进行融合，讨论了集中 式，分布式无反馈，分布式有反馈三种融合方法，将其应用于车辆类型识别方面，并通过实验对这 三种方法进行了比较，得出在传感器提供数据较准确时，分布式有反馈融合方法的分辨效果最明 显，而在传感器提供数据不是非常准确（甚至错误）时，分布式无反馈方法得到正确结果的准确率 最高． 关键词：ＤＳ证据理论；时空信息融合；车辆识别 中图分类号：ＴＮ９１４．４ 文献标识码：Ａ ０引 言 在多传感器系统中，当各传感器对它们各自判 决并不能百分之百确信时，可以采用一种基于统计 的信息融合分类算法——ＤＳ证据理论，来解决信 息融合问题．它适用于传感器贡献的信息和它们的 输出决策的确定性概率并不完全相关的情况，采用 ｍ ） ）ｍ Ａ ｌＩ 其中： ＩＩ ｏＫ＝∑Ⅱ啊（ ），Ａ ｃ ｎ ＝ ‘＝‘ ∑ （２） Ｄｅｍｐｓｔｅｒ规则结合多传感器关于事件（也称命题） 的知识，得到命题的交集以及相关概率…． 传感器信息融合一般采用单传感器多测量周 期融合和多传感器单测量周期融合，这两种方法都 比单一传感器的融合效果好，但随着计算机和传感 器技术的飞速发展，人们对融合结果的要求更高． 因此，本文引入了多传感多测量周期的融合（时空 信息融合），并且讨论了针对时空信息融合的三种 融合方法，并对融合结果的明显性和准确性进行了 比较． Ⅱ ２ 时空信息融合 当来自不同传感器的不同周期的测量数据送 、 一一 入信息融合中心的时候，可进行普通的时域融合或 空域融合 ，这里我们采用三种方法进行效果更好 的时空信息融合，即集中式融合，分布式无反馈融 合，分布式有反馈融合 引． ２．１集中式融合 Ｉ ＤＳ证据理论基础知识 设０为输入变量 的所有可能值的穷举集合， 且 中各元素是相互排斥的，则称 为变量 的识 别框架． 的幂集２ 构成了命题的集合 】．在２ 上 定义基本概率分配函数ｍ∈［０，１］．其中不可能事 件ｍ（ ）＝Ｏ，２ 中全部元素的基本概率之和为１． 证据理论的合成法则是反映证据联合作用的 个法则．它提供的对多个证据源进行融合的公式 为： 一集中式融合将所有传感器每个测量周期的测 量数据都送到信息融合中心，然后由信息融合中心 将前一时刻的累积信息与各传感器当前的测量值 进行融合，如此迭代计算，最后得融合结果． 设 （ ）为后个测量周期后所有传感器对命 题Ａ累积的可信度分配，ｍ：为第ｓ个传感器在ｋ时 刻的测量值，则集中式融合的结果可通过下面的式 子进行计算： ∑ 。（ ）１－ｆ ｍ：（Ａ ） （Ａ）： — （３） ①收稿日期：２ＯＯ９—１２—０２ 基金唾目：作者简介墨蘑江省青年学术骨干支持计划（１１５１Ｇ昕５）；哈尔滨市科技创新人才研究专项基金项目（２００８ＲＦＱＸＧ０２５）． ：张宗志（１９８８一），男，黑龙江哈尔滨人，哈尔滨工程大学信息与通信工程学院，硕士研究生． 第１期 其中： ＝张宗志，等：改进时空Ｄｓ证据理论在车辆识别中的应用 ５５ ｎＡｉ＝ ∑ １≤５≤．ⅡＭ＇ｋ（Ａｉ） Ｉｖ （４） 同是每一个传感器需要将当前的测量值与整个系 统先前的累积信息进行融合，即引入了反馈． 这里Ａ ｃ ０，Ｂ ｃ ，都为识别框架的不同命题． ２．２ 分布式无反馈融合 ３ 获得基本概率赋值的方法 本文采用模糊数学理论的方法来获得基本概 率赋值‘５Ｊ．假设特征库中含有Ｊ７ｖ个目标特征序列， 记为 首先，每个传感器在各自的场地上进行时域信 息的融合． ∑ Ⅱ （Ａ ） ｎＡ＝Ａ １≤，≤ｋ－１ （Ａ）： 。１一Ｋ （５） 其中： Ｋ＝∑ Ⅱ耐（ 。） （６） ｆ１Ａ １≤，≤ 一１ 这里 一 （Ａ）表示第ｓ个传感器在第ｋ一１时刻后 的累积信息． 然后，每个传感器在各自的场地上将当前的测 量值与Ｍ＇ｋ一，进行融合，得到每个传感器在ｋ时刻 的累积信息： ∑ 一 （ ）ｍ＇ｋ（Ａ ） ＝ 广 （７） 其中： Ｋ＝Ｂｉ ∑ Ａｉ＝ 一 （Ｂ ）ｍ （Ａ ） （８） 最后对各传感器获得的ｋ时刻的积累信息进 行空间信息的融合（即传感器之间的融合），得到最 后的融合结果． ∑１．５ －Ｍ＇ｋ（Ａ ） （Ａ）＝ ｝（９） 其中： Ｋ＝∑ｎＡｉ＝ １≤ｓ≤Ｎ ⅡＭ＇ｋ（Ａ ） （１０） ２．３ 分布式有反馈融合 这里首先将Ⅳ个传感器在ｋ一１时刻的累积信 息与所有传感器ｋ时刻的测量值分别进行融合： ∑ （Ｂ ）ｍ （Ａ ） （Ａ）＝ Ｔ＝ｒ （１１） 其中： Ｋ＝∑ （１２） ｎ＾ ： （ ）ｍ＇ｋ（Ａ ） 然后对Ⅳ个传感器获得的ｋ时刻的累积信息 进行空域的信息融合，得到最后的融合结果．将以 上各式进行递归计算，就可以实现』ｖ个传感器在Ⅳ 个测量周期的融合． 分布式有反馈融合与分布式无反馈融合的不 恐＝｛以（ ）Ｉ ｉ＝１，…，Ｍ；ｓ＝１，…，Ｊｖ； ｋ＝１，…，Ｐ｝ （１３） 其中ｉ表示第ｉ型传感器，ｓ表示特征库中的第ｓ个 已知目标，ｋ表示第ｓ个目标对应特征序列中的第ｋ 个特征参量．另设待识别目标特征序列为 ：｛ （ ）Ｉ ｉ＝１，…，Ｍ；ｋ＝１，…，Ｐ｝（１４） 其中ｉ和ｋ的含义同 中ｉ和ｋ的含义． 本为选用正态隶属度函数作为模型，表达式为 （ ）：ｅｘｐ（一ｒ （ ）（ ．（ ） ） （１５） （ｋ）表示待测目标第ｋ个特征隶属于第ｓ个目标 的程度，亦称之为评判矩阵，其中 （ ）为调整度， （ ）为展度． 在识别过程中，各个特征对目标识别的贡献程 度和有效程度不同，为了定量反映这一差别，赋予 每个特征一个确定的重要度指标，称为权重，记为 ＝（Ｗ ，…，Ｗ ），Ｗ ∈（０，１），∑１．０ ＝１ （１６） 如果贡献大，近似程度又高，权重应大一些，反之， 权重相对小一些． 有评判矩阵和权重可以得到待测目标与目标 库中Ⅳ个目标特征序列的贴近度，表示为 ／４，（ｓ）＝ ＊Ｗ （１７） 对贴近度进行归一化，即可得到基本概率赋值 Ｍ（ ）： 一 （１８） ∑ （ｓ） ｓ＝１ ４实验仿真 假设试验中有四个车辆类型要进行识别，它们 分别是出租车，公交车，面包车，小轿车． 四种车型的主要参数如表１： 本文构建一个多传感器信息融合系统，应用三 种传感器测量车辆的车重，车长和速度．实验分成 三个传感器组，每个传感器组由这三种传感器构 成，每个传感器组形成一个传感器报告，即得到对 各个目标的可信度分配．同时，我们对每个传感器 ５６ 佳木斯大学学报（自然科学版） 组组组组组组组组 ｌ ２ ３ ｌ ２ ３ ｌ ２ ２０１０年 组进行三个周期的测量． 表１各种车型的主要参数 Ｏ ０ 嚣 Ｏ Ｏ 据不是十分准确的，我们假设三个传感器组提供的 Ｏ ０ Ｏ Ｏ 数据的误差分别为实验１噪声标准差 的３倍，２ 勰 勰 加 Ｏ ０ Ｏ 砣 弛 Ｏ Ｏ Ｏ ￡｝ ￡ｊ 毗 ∞ ∞ Ｏ Ｏ Ｏ ０ Ｏ 倍，３倍，取传感器组１第一周期所测数据０．５６２３ ｔ，７．６０３６ ｍ，２３７．６２００ ｋｍ／ｈ，可以看出传感器所测 数据非常不准确，经过一次仿真，融合结果见表４． Ｏ Ｏ Ｏ Ｏ Ｏ 表４在给定误差下三种融合方法的融合效果 ∞ ∞ ０ Ｏ Ｏ 表２各传感器在不同周期对各目标的可信度分配 出租 面包 公交 轿车 未知 Ｏ Ｏ 培 ＂ 组３ ０．３０ ０．２８ ０．０２ ０．１９ ０．２１ 表３三种时空信息融合的结果 实验１：这里我们假设特征库中三种特征的展 度 分别为０．５，１．８，１０，调整度ｒ为０．１，这里我们 通过面包车特征附加一定的噪声来代表一个未知 车辆的参数，这里未知车辆的各个特征的噪声的标 准差 分别为０．５，１．４，１０，这里取未知车辆的特 征为１．９９０６ ｔ，４．７９６５ ｎｌ，１９１．７８２９ ｋｍ／ｈ，Ｉ司时三个 特征对基本概率赋值的贡献也是不一样的，设为 ０．３，０．３，０．４，可得基本概率赋值见表２，最后的融 合结果见表３． 通过实验数据，可以看出，运用集中式融合和 分布式无反馈融合的融合结果差别不是很大，而分 布式有反馈融合可以较高地提高融合结果的明显 性．从实验数据中可以看出，分布式有反馈融合结 果中，面包车的可信度已经达到７８．１％，而公交车 和不确定的可信度已经降到ｌｅ一６以下，比起另外 两种融合方法，融合结果非常明显． 实验２：在实验１中我们假设传感器提供给我 们的数据没有误差，但这在实际应用中是行不通 的．因此，本次实验我们假设三组传感器提供的数 ∞ Ｏ Ｏ Ｏ Ｏ ０ 墙 墙 由仿真结果可知，集中式融合和分布式无反馈 融合的融合结果在出租车和面包车两种车型的分 辨上已经不是很明显了，但是分布式有反馈的融合 结果对这两种车型的识别仍然有比较明显的分辨 效果． 实验３：针对实验２，做了１０００次随机试验，看 看三种方法能得到正确结果的百分比，经过反复实 验得到如下结果： 当三个传感器组所测量数据的误差都为２０． 或３ａ．或４ａ．时，三种方法得到正确结果的百分比． 见表５． 表５ 三种方法得到的正确结果的百分比 通过实验３，可以看出，当多传感器测量的数 据都不是非常准确（甚至是错误）的时候，分布式无 反馈融合方法得到正确结果的准确率要高于另两 种融合方法．经过分析，得出原因：当一个传感器组 得到错误的判别结果时，分布式无反馈方法在融合 初期并没有采纳错误证据，而分布式有反馈方法采 纳了错误证据，从而使错误证据在融合后期所占权 重增加，进而提高了得到错误判决结果的概率． ５结论 运用ＤＳ证据理论，对多传感器多测量周期的 数据进行时空信息融合，通过仿真实验，可以看出。 在各传感器提供数据较准确的情况下，分布式有反 馈的融合效果最明显，但其计算量也是最大的．在 多传感器提供数据不是非常准确（甚至错误）的情 况下，分布式无反馈融合得到正确结果的准确率最 高．因此，当传感器提供数据准确时，采用分布式有 Ｏ 第１期 张宗志，等：改进时空ＤＳ证据理论在车辆识别中的应用 出版社，２００Ｏ． ５７ 反馈融合效果较好；当传感器提供数据不是非常准 确时，采用分布式无反馈融合效果较好． 参考文献： ［１］高隽．智能信息处理方法导论［Ｍ］．北京：机械工业出版社， ２ｏｏ４． ［３］蓝金辉，蓝天。马宝华．改进的Ｄ—ｓ数据融合方法在车辆目 标识别中的应用研究［Ｊ］．仪器仪表学报，２ＯＯｌ，２２（３）：３２１— ３２４． ［４］李茹，李弼程，李斗．Ｄ一证据理论在时一空信息融合中的应 用［Ｊ］．计算机工程与应用，２００５（１３）：１７４—１７６． ［５］粱发麦，张静，王国宏．雷达目标识别中获取基本概率赋值的 ［２］何友，王国宏．多传感器信息融合及应用［ＭＪ．北京：电子工业 方法［Ｊ］．火力与指挥控制，２００８，３３（８）：８—１１． Ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｉｍｐｒｏｖｉｎｇ Ｓｐａｃｅ—－ｔｉｍｅ ＤＳ Ｅｖｉｄｅｎｃｅ Ｔｈｅｏｒｙ ｉｎ Ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ Ｖｅｈｉｃｌｅ ＺＨＡＮＧ 一 ， 一６ ，ＬＩＮ Ｙｕｎ （Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄＣ￣＊ｎｎｍｎｉｃａｆｉｏｎＤｌｇｉ眦ｅ而嚷Ｏｄｌｅｇｅ。ＨａｒｂｉｎＤｌｇｉ眦ｅＩｉＩ电Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ １５０００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｔａｋｅｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ ａｓ ｄａｔａ ｆｕｓｉｏｎ ｍｅｔｈｏｄ ｔｏ ｆｕｓｅ ｈｅ ｄａｔｔａ ｗｉｔｈ ｍｕｌｉ—ｓｔｅｎｓｏｒｓ ａｎｄ ｄｉｆ－ ｆｅｒｅｎｔ ｍｅａｓｕｒｉｎｇ ｐｅｒｉｏｄｓ．Ｉｔ ｄｉＳＣＵＳＳｅＳ山ｌｅｅ ｋｉｎｄｓ ｏｆ ｍｅｔｈｏｄｓ：ｃｏｎｃｅｎｔｒａｔｅｄ ｆｕｓｉｏｎ，ｄｉｓｔｉｂｕｔｅｄ ｆｒｕｓｉｏｎ ｗｉｔｈｏｕｔ ｆｅｅｄｂａｃｋ ａｎｄ ｄｉｓｔｒｉｂｕｔｅｄ ｆｕｓｉｏｎ ｗｉｈ ｆｔｅｅｄｂａｃｋ．Ｉｎ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｖｅｈｉｃｌｅ ｔｙｐｅ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ，ｔｈｒｏｕｇｈ ｃｏｍｐａｒｉｇ ｏｆ ｎｔｈｅ ｔｈｉｎｅ ｍｅｔｈｏｄｓ ｂｙ ｅｘｐｅｒｉｍｅｎｔｓ，ｔｈｅ ｐａｐｅｒ ｇｏｔ ｔｈｅ ｃｏｎｃｌｕｓｉｏｎ ｔｈａｔ ｈｅ ｔｄｉｓｔｒｉｂｕｔｅｄ ｆｕｓｉｏｎ ｗｉｔｈ ｆｅｅｄｂａｃｋ ｐｅｒｆｏｒｍｓ ｂｅｓｔ ｉｎ ｈｅ ｔｏｂ－ ｖｉｏｕ￥／ｌｓＳ ｏｆ ｅｆｕｓｉｏｎ ｒｅｓｕｌｔ．Ｗｈｉｌｅ ｉｎ ｔｈｅ ａｓｐｅｃｔ ｏｆｆｕｓｉｏｎ ｒｅｓｕｌｔ ａｃｃｕｒａｃｙ ｒａｔｅ，ｔｈｅ ｄｉｓｔｒｉｂｕｔｅｄ ｆｕｓｉｏｎ ｗｉｔｈｏｕｔ ｆｅｅｄｂａｃｋ ｉｓ ｏｐｔｉｍｕｍ． Ｋｅｙ ｗｏｒｄｓ：ＤＳ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ；ｓｐａｃｅ—ｔｉｍｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ；ｄｉｓｔｉｎｃｔｉｏｎ ｏｆ ｖｅｈｉｃｌｅ （上接３４页） 参考文献： ［１］孙利民，李建中，陈渝，等．无线传感器网络［Ｍ］．北京：清华 大学出版社，２ｏｏ５． ［２］ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ．ＩＥＥＥ Ｓｔｄ ８Ｏ２．１５．４．Ｔｈｅ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｓ，ＮＹ， ［ｓ］． ［３］任丰原，黄海宁，林闯．无线传感器网络［Ｊ］．软件学报， ２ＯＯ３，１４（７）：１２８２—１２９１． Ｒｅｑｕｉ￣ｌｆ８：Ｉｍｐｌｅｍｅｎｔｉｎｇ ａｎｄ Ｅ】ｑ】１０ｉⅡｎｇ Ｔｅｃｈｎｏｌｏｇｙ Ｓｏｌｕｔｉｏｎｓ，ｈｔ． ｒｄｉａ．ｕｓ／５４／ＳｆＴＷＡ５４７（Ｂ４．ｈｔｍ１． ｔｐ：／／ｗｗｗ．ｓＩ∞ ［８］ＪＡＭＡＩ。Ｎ．Ａ１一Ｋａｒａｋｉ，ＡＨＭＥＤｈｍｅｄ Ｅ．Ｋａｍａ１．Ｒｏｕｔｉｎｇ Ｔｅｃｈ． ｉｎｑｕｅｓ ｉｎ Ｗｗｉｅｒｌｅｓｓ Ｎｎｅｔｗｏｒｋｓ：Ａａ Ｓｍｒｖｅｙ，”［Ｃ］．ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｅａｔｉｏｔｍ，．Ｄｅｃｅｍｂｅｒ ２ＯＯ４，１２：６—２８． ［９］ ＫＵＨＫ Ｊ。唧ＮｄＩ 田ＭＡ 捌ｒｒ目ｎ Ｗ Ｒ， ｔｔ．Ｎｅｇｏｔｉａｔｉｎ Ｂｂａｓｏｄ Ｐｐｌｅ￣ｏｃｏｌｓ ｆｏｒ ＩＭｉｓｓｍｆｉｎｓｔｉｎｇ ｌｉｒｆｏｒｍａｌｉｏｎ ｉｎ ［４］王海涛，郑少仁．Ａｄ ｈｏｅ传感网络的体系结构及其相关问题 ［Ｊ］．解放军理工大学学报，２００３，４（１）：ｌ一６。 ［５】ＴＨＺＡＨＡＲｌＡＤＩＳ．Ｅｖｏｌｕｔｉｏｎ ｏｆｔｈｅＷｉｒｅｌｅｓｓ ＰＡＮ ａｎｄ ＬＡＮ Ｓｔａｎ． Ｗｗｉｒｄｃｓｓ Ｓｓｍｓ￣ ｈ１印＾ ｋｓ【Ｊ】．Ｗ￣ｅｌｓｓｃ Ｎ￣ｓｏ＆ｓ，２０吆，８（２—３）： ｌ回一ｌ８５． ［１０］ＬＩＮＤＳＥＹ Ｓ，ＲＡＧＨａｇｈＡＶＥＮＤＲＡａｖｅｎｄｒａ Ｃ Ｓ．ＰｅｇａｓｉｓＥＧＡＳＩＳ： ｄａｒｄｓ［Ｊ］．Ｃｏｍｐｕｔｅ￣ｒ Ｓｔａｎｄａｒｄｓ＆Ｉｎｔｅｒｆａｃｅｓ，２００４，２６：１７５— １８５． Ｐ‘ 口一ｅｆｉｃｉｅｎｔＧｇａｔｈｅｉｆｎｇｉｎ Ｓ￣ｌｓｏｒｌｉｎｆｏｒｍａｉｆｏｎ Ｓｓｙｓｔｅｍｓ［Ｃ］Ｈ． Ｉｎ：Ｐｒｏｅ．ｏｆｔｈｅＩＥＥＥＡｅｒｏｓｐａｃｅＣｍｆ．Ｍｏｌａｔａｎａ：ＩＥＥＥＡｅｒｏｓｐａｃｅ ａｎｄＥｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ Ｓｏｃｉｅｔｙ，２００２：．１１２５—１１３０． ［６］ ＣＡＩＳＲ ＩＴＦ Ｉｎｔｅｇｒａｔｅｄ Ａｒｃｈｉｔｅｃｔｕｒｅｓ Ｐａｎｅ１．ＣＡＩＳＲ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｆｒｓｎｍｖｏｒｋ．Ｖｅｒｓｉｎ １．ｏ０［Ｒ］．１ｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ：ＤＥ ｍＩ ｔ ｏｆＤｅ． ｆｅｍｅ，１９９６． ［Ｉ１］Ｖ．＇ＩＳＬｇＩＳＩＳ Ｖ，Ｓ．ＺＩＭＢｉｎ￣ＥＣＫｅｃｋ Ｓ，ａｎｄ Ｍ．ＳＲＩＶＡｒｉｖａＳＦＡＶＡｓｔａｖａ Ｍ．Ａｒｄ￣ｉｔｅｃｔｓａｌｒ Ｓ８ 吐ｅ ∞ｆｏｒ Ｅｅｒ￣ｇｙ Ｆ＿ｅｇｌｃｉｅｎｔ Ｐｏｃｋｅｔ Ｆｆｏｒ￣，ＤＥＦＥＮＳＥ ＡＤＶＡＮＣＥＤ ＲＥＳＥＡＲＣＨ ＰＦ删ｌＤｃＩＳ ＶＡ，Ｔｅｃｈｎｏｌｏｇｙ Ｆｏｒ Ｇ４ＫＩＳＲ．№ Ｉｌｇ ＣＡＫＩＳＲ ［７］ＳｒＥ Ｐ．呐ｉｎ Ｗｗｉｒｄｌｅｓｓ Ｓｓｎｓ￣№ ＾ｅ ｋｓ【ＣＪ．Ｐｍｃ．ＩＳｌＰＥＤ，．２００１：２５—３１． ＡＧＥＮＣＹ＾ｍ 删Ｒｅｓｅａｒｃｈ ａｎｄ Ｒｅａｌｉｚａｔｉｏｎ ｏｆ Ｅｎｅｒｇｙ Ａｗａｒｅ Ｒｏｕｔｉｎｇ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ ＨＵ Ｋｅ—ｍｃｚｎ，（ ＨＵ Ｈａｉ—ｙａｎ ｂ＿Ｄ Ｐｏｌ￣ｘｔｍｉｅ Ｑ，ｌｌｅ窖ｅ，Ｎｉｎｇｂ０ ３１５８００，Ｏａｉｎａ） Ａｂｓｔｒａｃｔ： Ｂａｓｅｄ ｏｎ ｔｈｅ ａｎａｌｙｓｉｓ ｆ ｏｈｅ ｔｔｙｐｉｃａｌ ＷＳＮ ｒｏｕｔｉｎｇ ａｌｇｏｒｉｔｈｍ，ｔｈｅ ｒｏｕｔｉｎｇ ａｌｇｏｒｉｔｈｍ ｉｎ ｉｒｗｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ ｗａｓ ｐｕｔ ｆｏｒｗａｒｄ．Ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｅｎｅｒｇｙ ｃｏｍｕｍｐｔｉｏｎ ａｎｄ ｐｒｏｌｏｎｇ ｔｈｅ ｎｅｔｗｏｒｋ ｓｅｒｖｉｃｅ ｔｉｍｅ，ａｎ ｅｎｅｒｇｙ ａｗａｒｅ ｒｏｕｔｉｇ ａｎｌｇｏｒｉｔｈｍ ｗａｓ ｄｅｓｉｇｎｅｄ，ｗｈ ｃｏｎｓｉｓｔｓ ｏｆ ｆｏｕｒ ｍｏｄｕｌｓ：ＤｙｎａＨｌｅｉｃ ｃｌｕｓｔｅｒ ｈｅａｄ ｅｌｅｃｔｉｏｎ，Ｒｅｌｉａｂｌｅ ｒｏｕｔｉｎｇ ａｍｏｎｇ ｃｌｕｓｔｅｒｓ，Ｅｆｆｅｃｔｉｖｅ ｎｏｄｅ ｈｉｂｅｒｎａｔｉｎｇ ａｎｄ ｉｎｔｅｍｌｕｓｔｅｒ ｍｕｔｉｇ．Ｐｒｏｔｎｏｔｙｐｅ ｉｓ ｉｍｐｌｅｍｅｎｔｅｄ ａｎｄ ｖｅｒｉｉｅｄ ｏｎ ｔｈｅ ｔｅｓｔｆ ｂｅｄ ｉｎ ｏｕｒ ｌａｂｏｒａｔｏｒｙ． Ｋｅｙ ｗｏｒｄｓ：ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ ｓｌｅｅｐ；ｒｏｕｔｉｎｇ ｐｒｏｔｏｃｏｌ；ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ