1.一种无线传感器网络数据聚合方法，其特征在于包含以下步骤：步骤1：进行初始化，网络正常工作若干轮，普通节点收集信息，发送给簇头节点；

步骤2：几轮工作结束后，簇头节点根据簇内普通节点的剩余能量，选择簇内剩余能量较低的节点进行休眠，记录下休眠节点的编号Vi；

步骤3：被选中的节点进行休眠，其他节点正常工作，持续发送数据给各自的簇头节点；

步骤4：利用Delaunay三角剖分算法，找到簇内节点的空间邻接矩阵W，即找到簇内节点之间的空间邻接关系；

步骤5：利用空间自相关模型，估算休眠节点的缺失数据，所述估算休眠节点缺失数据的方法如下；

步骤5-1：构建基于多元线性回归模型的空间自相关模型：y＝ρWy+xβ+ε；

步骤5-2：上述模型在具有n+1个可观测的非空间属性，其中1个因变量，n个自变量时转-1换为y＝(I-ρW) (β0+β1x1+β2x2+...+βnxn+ε)，其中，y为因变量，I为为单位矩阵，x＝{x1,x2,...,xn}为自变量矩阵，β0,β1,...,βn和ρ为未知参数，ε为误差向量，服从标准正态分布，m为对象数量；

步骤5-3：收集簇内所有节点时刻t-m+1～t-1的数据形成矩阵X，作为空间自相关模型中参数ρ和β的历史数据；

步骤5-4：利用极大似然估计和贝叶斯统计方法得到参数的估计；

步骤5-5：利用空间自相关模型y＝(I-ρW)-1(xβ+ε)、三角剖分算法得到的W矩阵、计算出的参数ρ和 以及未休眠节点在t时刻的数据，对休眠节点Vi的第t轮数据进行预测，最后求出的y＝{y1,y2,...,ym}分别对应休眠节点Vi的t时刻预测数据，其中i为数字1,2....,m；

步骤6：簇头节点接收到簇内所有节点的数据后进行聚合处理，并将处理后的数据转发给sink节点；

步骤7：簇头节点唤醒休眠节点，让其继续发送数据，并取消标记，转至步骤2，直至簇内第一个节点死亡，确定该节点失去作用。

2.如权利要求1所述的一种无线传感器网络数据聚合方法，其特征在于步骤4中空间邻接矩阵W的生成包含以下步骤：步骤1：根据节点的位置分布生成对应的Voronoi图；

步骤2：进行Delaunay三角剖分；

步骤3：得到相应的空间邻接矩阵W。

3.如权利要求1所述的一种无线传感器网络数据聚合方法，其特征在于步骤4中，为简单起见，给参数ρ赋1，进而利用极大似然估计法预测出参数β的估计值其中I为单位矩阵，X'为矩阵X的转置，为β的最小无偏估计。