首先根據(jù)節(jié)點之間的不同距離(數(shù)據(jù)相關(guān)性不同)按一定算法將節(jié)點分為偶數(shù)集合Ej和奇數(shù)集合Oj。以O(shè)j中的數(shù)據(jù)進行預測，根據(jù)Oj節(jié)點與其相鄰的Ej節(jié)點進行通信后，用Ej節(jié)點信息預測出Oj節(jié)點信息，將該信息與原來Oj中的信息相減，從而得到細節(jié)分量dj。然后，Oi發(fā)送dj至參與預測的Ej中，Ej節(jié)點將原來信息與dj相加，從而得到近似分量sj，該分量將參與下一輪的迭代。以此類推，直到j(luò)=0為止。
該算法依靠節(jié)點與一定范圍內(nèi)的鄰居進行通信。經(jīng)過多次迭代后，節(jié)點之間的距離進一步擴大，小波也由精細尺度變換到了粗糙尺度，近似信息被集中在了少數(shù)節(jié)點中，細節(jié)信息被集中在了多數(shù)節(jié)點中，從而實現(xiàn)了網(wǎng)絡(luò)數(shù)據(jù)的稀疏變換。通過對小波系數(shù)進行篩選，將所需信息進行l(wèi)ifting逆變換，可以應(yīng)用于有損壓縮處理。它的優(yōu)點是：充分利用感測數(shù)據(jù)的相關(guān)性，進行有效的壓縮變換；分布式計算，無中心節(jié)點，避免熱點問題；將原來網(wǎng)絡(luò)中瓶頸節(jié)點以及簇頭節(jié)點的能量平均到整個網(wǎng)絡(luò)中，充分起到了節(jié)能作用，延長了整個網(wǎng)絡(luò)的壽命。
然而，該算法也有其自身的一些設(shè)計缺陷：首先，節(jié)點必須知道全網(wǎng)位置信息；其次，雖然最終與Sink節(jié)點的通信數(shù)據(jù)量是減少了，但是有很多額外開銷用于了鄰居節(jié)點之間的局部信號處理上，即很多能量消耗在了局部通信上。對于越密集、相關(guān)性越強的網(wǎng)絡(luò)，該算法的效果越好。
在此基礎(chǔ)上，南加州大學的Godwin Shen考慮到DWT_IRR算法中沒有討論的關(guān)于計算反向鏈路所需的開銷，從而對該算法進行了優(yōu)化。由于反向鏈路加重了不必要的通信開銷，Godwin Shen提出預先為整個網(wǎng)絡(luò)建立一棵最優(yōu)路由樹，使節(jié)點記錄通信路由，從而消除反向鏈路開銷。

3 總 結(jié)
基于應(yīng)用領(lǐng)域的不同，以上算法各有其優(yōu)缺點，如表1所示。

4 結(jié) 語
這里介紹了幾類常用的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法，并比較了其優(yōu)缺點。數(shù)據(jù)融合是實現(xiàn)無線傳感器節(jié)點節(jié)能目的的重要手段之一，目前的各種研究技術(shù)都還未成熟，新技術(shù)正不斷涌現(xiàn)。例如當傳感器節(jié)點具有移動能力時，網(wǎng)絡(luò)拓撲如何保持實時更新；當環(huán)境惡劣時，如何保障通信的安全；如何進一步降低能耗；以及如何更好地借助數(shù)據(jù)稀疏性理論（如Compressd Sening）在圖像處理中的應(yīng)用，而將其引入到傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮中改善融合效果，以上都是待解決的問題。未來還會有更多、更好、更合面的算法被不斷提出。