1.一种无线传感器网络数据融合方法，其特征在于，包括如下步骤：(1)一轮分簇路由通信开始，簇首节点更新，进行新的分簇，簇首记录簇内节点信息并传输至基站节点；(2)基站根据簇集信息确定BP神经网络结构，所述簇集信息包括待更新簇头的簇；(3)基站选取与待更新的当前簇相匹配的样本数据集，结合基于天牛须搜索算法改进的粒子群算法对BP神经网络进行训练优化，以得到对应簇集的BP神经网络连接权值和阈值参数；所述结合基于天牛须搜索算法改进的粒子群算法对BP神经网络进行训练优化，包括如下步骤：(31)无线传感器网络分簇后，计算搜索空间维度：D＝M*N+N*1+N+1其中，M为每个簇内成员节点个数，也是BP神经网络输入层神经元个数；N为隐藏层神经元个数；1表示输出层神经元个数；(32)初始化n个粒子的初始位置向量x 1 ,...,x n ，其中x i ＝(x i1 ,x i2 ,...,x iD )为第i个粒子的D维搜索向量；初始化n个粒子的速度向量v 1 ,...,v n ，其中，v i ＝(v i1 ,v i2 ,...,v iD )为第i个粒子的速度向量；初始化速度变化范围[-V max ，V max ]；初始化最大迭代次数为K；(33)定义适应度函数f(x i )，对样本数据进行融合；所述适应度函数为样本数据的均方根误差：其中，m为BP神经网络样本数据训练条目数量，train i 是第i个样本数据的融合预测结果，y i 为第i个样本数据的实测值；(34)计算粒子的适应度函数值，获取每个粒子个体需要记忆自身搜寻的最佳位置，将第i个粒子自身搜寻过的最佳位置记作pbest id ＝(p i1 ,p i2 ,...,p iD )，群体搜寻到的最佳位置记作gbest d ＝(g 1 ,g 2 ,...,g D )；(35)更新天牛左右须搜索空间位置，并分别计算f(x l )和f(x r )，其中，x l 为左侧触须在搜索区域的位置；x r 为右侧触须在搜索区域的位置；所述天牛左右须搜索空间位置的更新公式为：其中： 和 分别表示第k次迭代时具有天牛搜索行为的粒子i的左右须第d维位置矢量， 表示第k次迭代时粒子i的第d维位置矢量， 表示第k次迭代时粒子i的第d维速度矢量；(36)计算搜索行为增量；(37)更新粒子速度和位置；依照如下公式更新粒子速度：其中，w为惯性权重，用于反映粒子的运动习惯；按照如下公式更新粒子位置：其中，λ为搜索行为增量权重因子，其赋值如下：λ＝(λmax-λmin)(1-iter/maxgen)+λmin其中，λmax和λmin为常数，分别代表增量权重因子λ的上下限值；iter和maxgen分别为当前迭代次数和总迭代次数；(38)判断是否到达迭代次数或者当前位置的适应度函数值是否达到理想值，如果满足迭代停止条件，进入下一步骤，否则返回步骤(34)；分别更新惯性权重w、学习因子c 1 和c 2 以及天牛搜索行为增量的权重因子λ；所述更新惯性权重w、学习因子c 1 和c 2 的公式如下：其中，w max 和w min 分别为惯性权重上下限值，iter和maxgen分别为当前迭代次数和总迭代次数；c1和c2为学习因子，c1表示粒子对自身历史经验的学习，c2表示粒子对共享的群体历史经验的学习；c m 和c n 为常数，满足c m >c n ；(39)将种群的最佳位置gbest d 作为BP神经网络最佳初始权值和阈值，BP神经网络利用gbest d 作为初始参数进行训练学习直至权值和阈值参数确定；(4)基站将相应簇集的BP神经网络连接权值和阈值参数发送至各簇集节点内，并存储参数供下次使用；(5)每个簇集根据接收到的BP神经网络连接权值和阈值参数报文构建对应的BP神经网络，簇首节点对簇内成员节点上传的数据进行特征提取，并将融合后的特征结果传输至基站节点，一轮分簇路由通信完成。
2.根据权利要求1所述的无线传感器网络数据融合方法，其特征在于，所述步骤(36)包括：依照如下公式计算搜索行为增量：其中， 代表第k+1次迭代时的搜索行为增量，δ k 为修正系数。
3.根据权利要求1所述的无线传感器网络数据融合方法，其特征在于，所述惯性权重w以凸函数方式递减。
4.一种无线传感器网络数据融合的装置，其特征在于，所述无线传感器网络数据融合的装置包括：存储器、处理器及在所述存储器上存储并可运行的无线传感器网络数据融合的程序，所述无线传感器网络数据融合的程序被处理器执行时实现如权利要求1至3中任一项所述无线传感器网络数据融合方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有无线传感器网络数据融合的程序，所述无线传感器网络数据融合的程序被处理器执行时实现如权利要求1至3中任一项所述无线传感器网络数据融合方法的步骤。
