Wireless Sensor Networks (WSNs) can be used to monitor hazardous and inaccessible areas. In these situations, the power supply (e.g. battery) of each node cannot be easily replaced. One solution to deal with the limited capacity of current power supplies is to deploy a large number of sensor nodes, since the lifetime and dependability of the network will increase through cooperation among nodes. Applications on WSN may also have other concerns, such as meeting temporal deadlines on message transmissions and maximizing the quality of information. Data fusion is a well-known technique that can be useful for the enhancement of data quality and for the maximization of WSN lifetime. In this paper, we propose an approach that allows the implementation of parallel data fusion techniques in IEEE 802.15.4 networks. One of the main advantages of the proposed approach is that it enables a trade-off between different user-defined metrics through the use of a genetic machine learning algorithm. Simulations and field experiments performed in different communication scenarios highlight significant improvements when compared with, for instance, the Gur Game approach or the implementation of conventional periodic communication techniques over IEEE 802.15.4 networks

شبکه های حسگربی سیم(WSNs) می توانند  برای نظارت بر مناطق خطرناک و غیر قابل دسترس مورد استفاده قرار گیرند. در این مناطق منبع تغذیه (مانند باتری) هر کدام از گره ها نمیتواند به آسانی  جایگذاری گردد.  یک راه حل برای مقابله با محدویت ظرفیت منابع تغذیه جاری ، استقرار تعداد زیادی از گره های حسگر  می باشد که این کار طول عمر و قابلیت اعتماد شبکه را از طریق همکاری میان گره ها افزایش خواهد داد. همچنین اپلیکیشن ها بر روی شبکه بیسیم حسگر می توانند نگرانی های دیگری مانند محدودیت زمانی موقت در نقل و  انتقالات پیام و به حداکثر رساندن کیفیت اطلاعات داشته باشند. ترکیب داده ، یک تکنیک شناخته شده می باشد که می تواند برای توسعه کیفیت داده ها و همچنین در به حداکثر رساندن طول عمر شبکه های حسگر  بیسیم مفید واقع گردد. در این مقاله ما روشی را پیشنهاد می کنیم که پیاده سازی تکنیک های ترکیب داده موازی را در شبکه های استاندارد IEEE 802.15.4   ممکن می سازد. یک از مزایای روش ارائه شده این است که با استفاده از یک الگوریتم یادگیری ماشین ژنتیکی ، تعادل نسبی بین الگوهای تعریف شده توسط کاربر ، برقرار می سازد. شبیه سازی ها و راستی آزمایی هایی که در سناریوهای ارتباطی متفاوت انجام شده است پیشرفتهای قابل توجهی را در مقایسه با روش GUR GAME یا پیاده سازی تکنیک های ارتباطی تناوبی معمولی بر روی شبکه های استاندارد IEEE 802.15.4   نشان می دهد.