目前矿井安全事故频发,如何建立有效的监控网络成为煤矿企业面临的难题。无线传感器网络能够适应复杂多变的矿井环境,提高了监控网络的可靠性。为确保有效覆盖和节点之间的连通性,同一区域往往同时处于多个节点的感应范围内,势必造成大量数据冗余,需进行数据融合。数据融合能够降低网络总能耗,因此其成为WSN领域研究的热点问题。本课题分析现有融合算法存在的优缺点,从矿井监控的角度提出了一种WSN数据融合技术。主要从网络能耗、传输时延和数据精确性三个方面进行WSN数据融合模型的研究,相关工作如下:(1)为了降低网络的总能耗,提出一种基于分簇的WSN数据融合算法。分簇过程中采用了一种平均能耗最优的均匀分簇算法,在簇头选择时,考虑了节点剩余能量、传输距离和当选次数对节点当选簇头的概率的影响;数据传输过程中提出一种估计机制的融合算法,将相邻两个采集周期数据的变化量的绝对值与设定阈值进行比较,去除阈值内的冗余数据,大大降低了网络总能耗;最后分析了阈值大小与网络总能耗的关系,并且当网络总能耗最小时得到最佳阈值。(2)鉴于估计机制的数据融合算法降低网络能耗的同时会增加传输时延,降低数据精确性,本文提出一种均衡时延和数据精确性的自适应融合算法。通过引入博弈理论和自适应融合因子,当矿井环境中丢包率动态变化时,簇头自适应选择最佳融合因子使网络总效益函数值最大,最佳融合因子总体上随着丢包率的增大而增大,这样就有效均衡了传输时延和数据的精确性。(3)均匀分簇算法导致不同监测区域的簇的能耗速率不均匀,本文提出一种均衡能耗速率的非均匀分簇融合算法。在非均匀分簇阶段,提出了节点“簇半径”的概念,使其随着监测区域与sink距离的增加而增加;在数据融合阶段,当丢包率随着簇半径动态变化时,在各个区域的簇内自适应调整融合因子的大小,并且融合因子的大小随着簇半径的增加而减小,减少了远离sink节点区域的数据量,均衡了网络能耗速率,同时降低了网络传输时延。