第 1 章 绪论
1.1 研究的背景和意义
无线传感器网络（Wireless Sensor Network, WSN） 是一种通过无线通信方式形成的自组织网络系统，它由部署在监测区域内的大量静止或移动的微型传感器节点组成。这些传感器节点协作地感知、采集、处理和传输节点感知到的数据信息，并把数据信息反馈给观察者。现代无线传感器网络中的节点不但有感知能力、计算能力和通信能力，而且尺寸小、成本低。因此，无线传感器网络在实际中的应用前景十分广泛，如在环境监测方面，可在海岛、深林等地进行无人干扰监测，观察濒危动物的生活环境；在军事方面，可由在军事区域构建的无线传感网络，实现战场警戒功能。此外，无线传感器网络在生物医药、工农业控制、城市管理、抢险救灾和远程操作等诸多领域也得到了广泛应用[1][2]。如今无线传感器网络已成为国内外的研究热点。
1.1 研究的背景和意义
无线传感器网络（Wireless Sensor Network, WSN） 是一种通过无线通信方式形成的自组织网络系统，它由部署在监测区域内的大量静止或移动的微型传感器节点组成。这些传感器节点协作地感知、采集、处理和传输节点感知到的数据信息，并把数据信息反馈给观察者。现代无线传感器网络中的节点不但有感知能力、计算能力和通信能力，而且尺寸小、成本低。因此，无线传感器网络在实际中的应用前景十分广泛，如在环境监测方面，可在海岛、深林等地进行无人干扰监测，观察濒危动物的生活环境；在军事方面，可由在军事区域构建的无线传感网络，实现战场警戒功能。此外，无线传感器网络在生物医药、工农业控制、城市管理、抢险救灾和远程操作等诸多领域也得到了广泛应用[1][2]。如今无线传感器网络已成为国内外的研究热点。
虽然传感器节点已经得到了很大的发展，但是也面临着很多的限制：
（1）因为通常传感器节点尺寸都比较小，所以传感器节点所储备的能源非常有限；
（2）通信范围受限，因为无线传感器网络中节点都是采用无线通信方式进行数据交互的，而节点的通信覆盖范围通常很近，而且通信能力也常常受到环境的影响，如地形和天气等，这就导致通信可能常常出现中断的现象；
（3）传感器节点通常硬件设备简单，而且采用微型嵌入式系统，节点本身配置较低，因此节点计算能力和数据存储能力都有限。
（1）因为通常传感器节点尺寸都比较小，所以传感器节点所储备的能源非常有限；
（2）通信范围受限，因为无线传感器网络中节点都是采用无线通信方式进行数据交互的，而节点的通信覆盖范围通常很近，而且通信能力也常常受到环境的影响，如地形和天气等，这就导致通信可能常常出现中断的现象；
（3）传感器节点通常硬件设备简单，而且采用微型嵌入式系统，节点本身配置较低，因此节点计算能力和数据存储能力都有限。
..........................
1.2 国内外研究现状
无线传感器网络数据处理方式有非协作式和分布式。非协作式处理数据的方式是指无线传感器网络中的所有节点不进行任何数据的相互传送，只对节点本身具有的数据进行处理。非协作方式不进行数据传送，因而耗能较低，但同时也大大降低了计算精度。分布式处理数据的方式[5-9]没有中心节点，但是，每个节点都有相应的邻居节点，每个节点都可以与其邻居节点进行数据交换。这样既充分利用了节点本身的数据，也很大程度上利用了网络中其他节点的数据，提高了计算精度。由于无线传感器网络部署环境条件随着时间和空间是变化的，无线传感器网络的拓扑结构也随之改变，这就要求分布式处理数据的方式是自适应的。因此，一个自适应算法不但需要有能力通过局部节点协作来实现对数据的处理，也需要同时对时间和空间数据的变化做出实时处理。因此，分布式数据处理不但能够充分利用分布式结构的协作性来加强网络的稳健性，也同时提高了信号和事件检测性能[10-11]。因此，自适应分布式算法常常应用于大规模网络中的各种协作模式，提高无线传感器网络的数据处理的精度和网络的性能。
在分布式算法中，依据节点间不同的协作模式，可以形成多种自适应分布式算法。利用递增模式的协作策略而得的增长式（Incremental）算法，运行方式是局部的节点形成一个闭环，每个节点利用前一个邻居节点的信息来更新自身的估计值，然后把所得到的估计值发送到下一个节点。如[12-13]。但是，在网络中每个局部都形成闭环是很困难的，而且一旦闭环中的任何一个节点出现故障就会破坏掉其所在的闭环，其他节点就需要重新寻找其他节点来组成闭环，这也是很困难的。所以增长式算法并不适合大规模的复杂的网络。另一种通过节点间的协作来实施分布式算法的协作方式是一致协作方式，一致协作方式的优点是网络中传感器节点间仅需要单跳通信，而且拥有更强的追踪性能。但是，一致协作方式需要所有的节点都要收敛到相同的值，即所有节点都要达到一致的效果，例如[14-16]。由于一致协作方式要求网络中每个传感器节点所估计的值都要收敛到相同值，这大大限制了一致协作算法在很多实际场景中的应用。
..........................
第 2 章 标准分布式 LMS 算法
2.1 非分布式 LMS 算法
......................
2.2建立目标函数
..........................
1.2 国内外研究现状
无线传感器网络数据处理方式有非协作式和分布式。非协作式处理数据的方式是指无线传感器网络中的所有节点不进行任何数据的相互传送，只对节点本身具有的数据进行处理。非协作方式不进行数据传送，因而耗能较低，但同时也大大降低了计算精度。分布式处理数据的方式[5-9]没有中心节点，但是，每个节点都有相应的邻居节点，每个节点都可以与其邻居节点进行数据交换。这样既充分利用了节点本身的数据，也很大程度上利用了网络中其他节点的数据，提高了计算精度。由于无线传感器网络部署环境条件随着时间和空间是变化的，无线传感器网络的拓扑结构也随之改变，这就要求分布式处理数据的方式是自适应的。因此，一个自适应算法不但需要有能力通过局部节点协作来实现对数据的处理，也需要同时对时间和空间数据的变化做出实时处理。因此，分布式数据处理不但能够充分利用分布式结构的协作性来加强网络的稳健性，也同时提高了信号和事件检测性能[10-11]。因此，自适应分布式算法常常应用于大规模网络中的各种协作模式，提高无线传感器网络的数据处理的精度和网络的性能。
在分布式算法中，依据节点间不同的协作模式，可以形成多种自适应分布式算法。利用递增模式的协作策略而得的增长式（Incremental）算法，运行方式是局部的节点形成一个闭环，每个节点利用前一个邻居节点的信息来更新自身的估计值，然后把所得到的估计值发送到下一个节点。如[12-13]。但是，在网络中每个局部都形成闭环是很困难的，而且一旦闭环中的任何一个节点出现故障就会破坏掉其所在的闭环，其他节点就需要重新寻找其他节点来组成闭环，这也是很困难的。所以增长式算法并不适合大规模的复杂的网络。另一种通过节点间的协作来实施分布式算法的协作方式是一致协作方式，一致协作方式的优点是网络中传感器节点间仅需要单跳通信，而且拥有更强的追踪性能。但是，一致协作方式需要所有的节点都要收敛到相同的值，即所有节点都要达到一致的效果，例如[14-16]。由于一致协作方式要求网络中每个传感器节点所估计的值都要收敛到相同值，这大大限制了一致协作算法在很多实际场景中的应用。
..........................
第 2 章 标准分布式 LMS 算法
2.1 非分布式 LMS 算法
......................
2.2建立目标函数
..........................
3.1 建立目标函数................................20
3.2 偏置补偿分布式 DLMS 算法................................ 22
第 4 章 存在脉冲噪声的分布式 LMS 算法....................26
4.1 建立目标函数.........................................26
4.2 阈值设置分布式 LMS 算法....................... 27
第 5 章 关于偏置补偿-阈值设置分布式 DLMS 算法的性能分析........................ 33
5.1 均值收敛条件分析.........................................33
5.2 均方收敛条件分析..................................36
第 7 章 基于无线传感器的森林火灾监测系统
7.1 应用背景介绍
森林，同海洋，大气一样，是人类赖以生存的自然资源中非常重要的一环，作为地球环境中至关重要的一部分，森林可以加固水土，涵养水源，防止山洪的发生以及山体出现滑坡；还能对空气进行净化，维持二氧化碳与氧气的平衡，同时，抑制灰尘与的细菌，降低空气中有害气体的浓度；还可以调节气候减少噪声干扰；并且还能够美化生活环境，为人们提供休闲场所。近年来频发的自然灾害，如美国南部各州的森林火灾、中国乡村时常发生的泥石流等，使人们逐渐意识到保护森林资源对于人类的生产生活具有重要意义，且刻不容缓。
作为一种人们熟知的自然灾害，常常能在报纸新闻上看到火灾的身影。
火灾是三大森林自然灾害（火灾、病害、虫害）之中带来损失最大的一种，它不仅给人类造成了巨大的经济损失，同时，也会严重破坏生态环境，对人类生命财产安全等存有巨大威胁。
因此，如何及时有效预防、扑灭森林火灾，最大化降低火灾对森林资源的损失以及保护群众生命财产安全不受威胁具有极其重要的现实意义。通常采用的基础预防方法是加强森林防火的宣传教育，尽量杜绝森林火种。然而一旦发生火灾，如何采取有效措施及时发出警报并将火灾面积控制在一定范围并及时扑灭火灾，就成了首要考虑研究的内容。
............................
第 8 章 总结与展望
8.1 结论
作为国内外当下研究的热点，随着无线传感器网络在各领域的广泛应用，不断出现各种新的实际问题，对无线传感器网络的研究也在不断深入。本论文便是对存在乘性回归噪声与脉冲回归噪声的无线传感器网络，提出一种新的算法以消除回归噪声带来的干扰。
通过这段时间的研究，完成了以下几项工作：
1．建立具有乘性回归噪声影响下的数学模型，分析利用标准 LMS 进行参数估计时存在的偏差，并根据偏差结果对标准 MSE 函数进行修正，得到进行偏置补偿的新目标函数，并利用梯度下降法对其优化，得到偏置补偿分布式扩散 LMS（Diffusion Least mean square,DLMS）算法；
2．建立脉冲回归噪声影响下的数学模型与目标函数，利用梯度下降法优化目标函数，得到阈值设置分布式 DLMS 算法；
3．结合 1 与 2 的工作，直接提出阈值设置-偏置补偿分布式参数估计算法；
4．分析阈值设置-偏置补偿分布式参数估计算法的均值收敛条件、均方收敛条件以及均方稳态性能；
5．对阈值设置-偏置补偿实现数值仿真，将本文算法与非协作式参数估计算法、非阈值设置分布式 DLMS 算法、非偏置补偿分布式 DLMS 算法分别进行比较，验证本文算法在参数估计问题中的优势。
6．在森林火灾监测系统中应用偏置补偿-阈值设置分布式参数估计算法预测火灾，得到了较好的预测效果。
参考文献（略）
4．分析阈值设置-偏置补偿分布式参数估计算法的均值收敛条件、均方收敛条件以及均方稳态性能；
5．对阈值设置-偏置补偿实现数值仿真，将本文算法与非协作式参数估计算法、非阈值设置分布式 DLMS 算法、非偏置补偿分布式 DLMS 算法分别进行比较，验证本文算法在参数估计问题中的优势。
6．在森林火灾监测系统中应用偏置补偿-阈值设置分布式参数估计算法预测火灾，得到了较好的预测效果。
参考文献（略）