DWT_RE算法的实现分为两步，第一步，奇数节点接收到来自它们偶数邻居节点的感测数据，并经过计算得出细节小波系数；第二步，奇数节点把这些系数送至它们的偶数邻居节点以及Sink节点中，偶数邻居节点利用这些信息计算出近似小波系数，也将这些系数送至Sink节点中。
    小波变换在规则分布网络中的应用是数据融合算法的重要突破，但是实际应用中节点分布是不规则的，因此需要找到一种算法解决不规则网络的数据融合问题。
2．2．2 不规则网络情况
    莱斯大学的R Wagner在其博士论文中首次提出了一种不规则网络环境下的分布式小波变换方案即Distributed Wavelet Transform_IRR(DWT_IRR)，并将其扩展到三维情况。莱斯大学的COMPASS项目组已经对此算法进行了检验，下面对其进行介绍。DWT_IRR算法是建立在lifting算法的基础上，它的具体思想如图6～图8所示，分成三步：分裂，预测和更新。

    首先根据节点之间的不同距离(数据相关性不同)按一定算法将节点分为偶数集合Ej和奇数集合Oj。以Oj中的数据进行预测，根据Oj节点与其相邻的Ej节点进行通信后，用Ej节点信息预测出Oj节点信息，将该信息与原来Oj中的信息相减，从而得到细节分量dj。然后，Oi发送dj至参与预测的Ej中，Ej节点将原来信息与dj相加，从而得到近似分量sj，该分量将参与下一轮的迭代。以此类推，直到j=0为止。
    该算法依靠节点与一定范围内的邻居进行通信。经过多次迭代后，节点之间的距离进一步扩大，小波也由精细尺度变换到了粗糙尺度，近似信息被集中在了少数节点中，细节信息被集中在了多数节点中，从而实现了网络数据的稀疏变换。通过对小波系数进行筛选，将所需信息进行lifting逆变换，可以应用于有损压缩处理。它的优点是：充分利用感测数据的相关性，进行有效的压缩变换；分布式计算，无中心节点，避免热点问题；将原来网络中瓶颈节点以及簇头节点的能量平均到整个网络中，充分起到了节能作用，延长了整个网络的寿命。
    然而，该算法也有其自身的一些设计缺陷：首先，节点必须知道全网位置信息；其次，虽然最终与Sink节点的通信数据量是减少了，但是有很多额外开销用于了邻居节点之间的局部信号处理上，即很多能量消耗在了局部通信上。对于越密集、相关性越强的网络，该算法的效果越好。
    在此基础上，南加州大学的Godwin Shen考虑到DWT_IRR算法中没有讨论的关于计算反向链路所需的开销，从而对该算法进行了优化。由于反向链路加重了不必要的通信开销，Godwin Shen提出预先为整个网络建立一棵最优路由树，使节点记录通信路由，从而消除反向链路开销。

3 总 结
    基于应用领域的不同，以上算法各有其优缺点，如表1所示。

4 结 语
    这里介绍了几类常用的无线传感器网络数据融合算法，并比较了其优缺点。数据融合是实现无线传感器节点节能目的的重要手段之一，目前的各种研究技术都还未成熟，新技术正不断涌现。例如当传感器节点具有移动能力时，网络拓扑如何保持实时更新；当环境恶劣时，如何保障通信的安全；如何进一步降低能耗；以及如何更好地借助数据稀疏性理论（如Compressd Sening）在图像处理中的应用，而将其引入到传感器网络数据压缩中改善融合效果，以上都是待解决的问题。未来还会有更多、更好、更合面的算法被不断提出。