本發(fā)明屬于無(wú)線傳感器網(wǎng)絡(luò)技術(shù)領(lǐng)域，涉及一種基于雙層模型體系的無(wú)線傳感器網(wǎng)絡(luò)的二次分簇算法。

背景技術(shù)：

最近幾年，隨著大量基于時(shí)空相關(guān)性的分層路由協(xié)議的提出，層次性數(shù)據(jù)采集方法得到了快速地發(fā)展，但是仍然存在許多不足。簇內(nèi)成員節(jié)點(diǎn)之間采用輪值的方式進(jìn)行數(shù)據(jù)采集，有效的均衡了簇內(nèi)成員節(jié)點(diǎn)的能量消耗，但對(duì)簇所覆蓋區(qū)域的信息提取不夠充分；建立預(yù)測(cè)模型，并基于局部時(shí)間段的數(shù)據(jù)相關(guān)性，進(jìn)行二次分簇，對(duì)簇所覆蓋區(qū)域的信息提取相對(duì)充分，但簇內(nèi)節(jié)點(diǎn)能量消耗不夠均衡。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供一種基于雙層模型體系的無(wú)線傳感器網(wǎng)絡(luò)的二次分簇算法。該方法能夠全面、高效的收集簇內(nèi)信息，此外，還延長(zhǎng)了整個(gè)網(wǎng)網(wǎng)絡(luò)的生命周期。

本發(fā)明的技術(shù)方案為：

基于雙層模型體系的無(wú)線傳感器網(wǎng)絡(luò)的二次分簇算法，包括以下步驟：

第一步，利用采集到的樣本構(gòu)建雙預(yù)測(cè)模型；

第二步，基于雙預(yù)測(cè)模型的相關(guān)性，對(duì)簇內(nèi)節(jié)點(diǎn)進(jìn)行二次分簇。

本發(fā)明的有益效果為：相比較基于輪值的數(shù)據(jù)采集方案，基于雙模型數(shù)據(jù)相關(guān)性的二次分簇算法，能夠更全面且精確的反應(yīng)簇內(nèi)節(jié)點(diǎn)所覆蓋區(qū)域的信息；與已有的基于輪值的數(shù)據(jù)采集方法相比，本發(fā)明對(duì)簇所覆蓋區(qū)域的信息提取更充分；與已有的基于局部數(shù)據(jù)相關(guān)性的二次分簇方法相比，基于雙模型的數(shù)據(jù)相關(guān)性的二次分簇算法，在不降低采集精度的前提下，能夠有效延長(zhǎng)整個(gè)網(wǎng)絡(luò)的生命周期。

附圖說(shuō)明

圖1為一次趨勢(shì)模型的構(gòu)建流程圖；

圖2為一次調(diào)整模型的構(gòu)建流程圖；

圖3為二次分簇的算法流程圖；

圖4為節(jié)點(diǎn)實(shí)際觀測(cè)值與模型預(yù)測(cè)值的對(duì)比圖，圖4(a)為18號(hào)節(jié)點(diǎn)采用Cor算法預(yù)測(cè)的效果圖；圖4(b)為18號(hào)節(jié)點(diǎn)采用DMC算法預(yù)測(cè)的效果圖；4(c)為20號(hào)節(jié)點(diǎn)采用Cor算法預(yù)測(cè)的效果圖；圖4(d)為20號(hào)節(jié)點(diǎn)采用DMC算法預(yù)測(cè)的效果圖；

圖5為半數(shù)節(jié)點(diǎn)死亡時(shí)系統(tǒng)運(yùn)行周期數(shù)的統(tǒng)計(jì)圖。

具體實(shí)施方式

以下對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

基于雙層模型體系的無(wú)線傳感器網(wǎng)絡(luò)的二次分簇算法，具體步驟如下：

第一步，利用采集到的樣本構(gòu)建雙預(yù)測(cè)模型

雙預(yù)測(cè)模型的構(gòu)造思想是：首先通過(guò)確定性因素分解方法提取序列的確定性信息，即利用線性函數(shù)表示采集數(shù)據(jù)的變化趨勢(shì)，此過(guò)程稱為趨勢(shì)模型y_t的構(gòu)建，；然后再檢測(cè)殘差序列的自相關(guān)性并建模，即利用自回歸模型來(lái)預(yù)測(cè)殘差序列的擾動(dòng)，此過(guò)程稱為調(diào)整模型v_t的構(gòu)建。雙預(yù)測(cè)模型具體如下：

其中，x_t′為趨勢(shì)模型自變量；y_t為觀測(cè)向量；α為趨勢(shì)模型參數(shù)，通過(guò)卡爾曼濾波迭代計(jì)算出α的最優(yōu)解，通過(guò)殘差三階累積量實(shí)時(shí)檢測(cè)趨勢(shì)模型的有效性；v_t為趨勢(shì)模型和觀測(cè)值的殘差，利用調(diào)整模型擬合，{v_t}為殘差序列；為調(diào)整模型參數(shù)，確定樣本自相關(guān)性后，通過(guò)最小二乘法計(jì)算出的最優(yōu)解，最后利用AIC定階法確定回歸模型階數(shù)p；{ε_t}是白噪聲序列，每個(gè)元素均服從均數(shù)為零、方差為δ²的正態(tài)分布，且相互之間獨(dú)立。

以下詳細(xì)介紹兩個(gè)模型的構(gòu)建過(guò)程。

1.1)構(gòu)建趨勢(shì)模型

趨勢(shì)模型，用于描述采集量的分段線性變化趨勢(shì)，表達(dá)式見(jiàn)公式(1)。趨勢(shì)模型的構(gòu)建流程圖見(jiàn)說(shuō)明圖1，解釋如下：

a)將公式(1)中的趨勢(shì)模型寫成狀態(tài)空間的形式，即

量測(cè)方程：y_t＝x′_tα_t+u_t (2)

狀態(tài)方程：

其中，趨勢(shì)模型的自變量為單變量，表示為x′_t＝[1 t]′；參數(shù)α_t＝[b_t k_t]，b_t、k_t分別對(duì)應(yīng)線性函數(shù)的截距和斜率；擾動(dòng)項(xiàng)u_t和ε_t相互獨(dú)立；T為用于構(gòu)建趨勢(shì)模型的樣本數(shù)量。

b)結(jié)合公式(2)和(3)，進(jìn)行卡爾曼濾波迭代：

其中，系統(tǒng)矩陣Z_t,T_t,R_t,Q_t，H是已知的；卡爾曼濾波的初值可以按a₀和P₀或a_1|0和P_1|0指定。對(duì)于t＝1,2,…,T,每當(dāng)?shù)玫揭粋€(gè)觀測(cè)值時(shí)，卡爾曼濾波提供了狀態(tài)向量參數(shù)的最優(yōu)估計(jì)。

當(dāng)所有的T個(gè)觀測(cè)值都已處理，卡爾曼濾波基于樣本序列{y_t}，產(chǎn)生當(dāng)前趨勢(shì)模型參數(shù)α的最優(yōu)估計(jì)，趨勢(shì)模型構(gòu)建成功。

c)利用殘差三階累積量，檢測(cè)趨勢(shì)模型有效性

{d(k)}是i_th時(shí)間點(diǎn)最近的N個(gè)殘差數(shù)據(jù)。假設(shè){d(k)}滿足遍歷性，殘差三階累積量計(jì)算方法如下：

殘差三階累積量的標(biāo)準(zhǔn)化：

進(jìn)行閾值檢測(cè)：

當(dāng)殘差數(shù)據(jù)更新到i_th,進(jìn)行殘差三階累積量的檢測(cè)。如果檢測(cè)結(jié)論為模型有效，直接進(jìn)入(i+1)_th；否則，進(jìn)行趨勢(shì)模型更新。

1.2)構(gòu)建調(diào)整模型

調(diào)整模型，用于描述采集量在趨勢(shì)模型基礎(chǔ)上的自然擾動(dòng)，表達(dá)式見(jiàn)公式(8)。調(diào)整模型的構(gòu)建流程圖見(jiàn)說(shuō)明圖2，解釋如下：

a)采用p階自回歸模型作為調(diào)整模型，表達(dá)式如下：

其中，為模型參數(shù)；∈_t為獨(dú)立同分布的隨機(jī)變量，且滿足：以及E(∈_t)＝0。

b)檢測(cè)殘差時(shí)間序列的自相關(guān)性

其中，{Y(i)}為殘差序列，N,P已知，且根據(jù)樣本量設(shè)定。如果自相關(guān)序列{R(i)/R(0)}最終收斂于零或者截尾，則殘差序列具有很強(qiáng)的自相關(guān)性。

c)利用最小二乘法分別計(jì)算P＝1,2…,5時(shí)，AR模型的參數(shù)：

其中Y＝[x_n+1 x_n+2 … x_N]^T,ε＝[ε_n+1 ε_n+2 … ε_N]^T，則的最小二乘估計(jì)為：

d)利用AIC準(zhǔn)則函數(shù)定階：

AIC(n)＝N lnδ²_ε+2n (12)

其中，n＝1,2…,5，代表調(diào)整模型階數(shù)，δ²_ε為對(duì)應(yīng)殘差序列的方差，N為殘差序列的樣本量。

選擇AIC值最小的階數(shù)P及其對(duì)應(yīng)的參數(shù)組，做為調(diào)整模型參數(shù)的最優(yōu)解，至此，調(diào)整模型構(gòu)建成功。

第二步，基于雙模型的相關(guān)性，對(duì)簇內(nèi)節(jié)點(diǎn)進(jìn)行二次分簇

第一部分已經(jīng)完成了雙模型的構(gòu)建，這一部分將利用得到的雙模型對(duì)簇內(nèi)成員節(jié)點(diǎn)進(jìn)行二次分簇，流程圖見(jiàn)說(shuō)明圖3，步驟如下：

2.1)采用hausdorff距離，計(jì)算當(dāng)前節(jié)點(diǎn)與每個(gè)鄰近節(jié)點(diǎn)趨勢(shì)模型的相關(guān)性，所述的hausdorff距離為：

h(A,B)＝max{min{d(a,b)}} (13)

a∈A b∈B

其中，集合A＝{M₁(y₁,t₁),M₂(y₂,t₂)…,M_n(y_n,t_n)}，元素a＝M_i(y_i,t_i),代表分段線性函數(shù)第i段的起始點(diǎn)，將每個(gè)點(diǎn)連接起來(lái)即為當(dāng)前節(jié)點(diǎn)的趨勢(shì)模型；集合B、元素b的定義同上，代表當(dāng)前節(jié)點(diǎn)的某個(gè)鄰近節(jié)點(diǎn)的趨勢(shì)模型；d(a,b)表示元素a和b的歐幾里得距離。

通過(guò)計(jì)算，最終得到當(dāng)前節(jié)點(diǎn)與其所有鄰近節(jié)點(diǎn)趨勢(shì)模型的相關(guān)系數(shù)集合H_A＝{h(A,B₁),h(A,B₂)…,h(A,B_n)}。

2.2)計(jì)算當(dāng)前節(jié)點(diǎn)與每個(gè)鄰近節(jié)點(diǎn)調(diào)整模型的相關(guān)系數(shù)，這里通過(guò)對(duì)比自回歸模型的隨機(jī)擾動(dòng)量ε～N(0,δ²)實(shí)現(xiàn)，最終得到調(diào)整模型相關(guān)系數(shù)集合G＝{δ2₁/δ²,δ²₂/δ²…,δ²_n/δ²},其中δ²為當(dāng)前節(jié)點(diǎn)調(diào)整模型隨機(jī)擾動(dòng)量的方差，δ²_i為鄰居節(jié)點(diǎn)調(diào)整模型的隨機(jī)擾動(dòng)量。

2.3)按照一定的權(quán)重，如公式(14)所示，綜合雙模型的相關(guān)系數(shù)，得到當(dāng)前節(jié)點(diǎn)與其鄰近節(jié)點(diǎn)數(shù)據(jù)的相關(guān)系數(shù)，即集合C＝{c₁,c₂…,c_n}，公式(14)具體為：

c_i＝αh_i+βg_i (14)

其中，α,β分別為分配給趨勢(shì)模型、調(diào)整模型相關(guān)系數(shù)的權(quán)重；h_i為趨勢(shì)模型相關(guān)系數(shù)；g_i為調(diào)整模型相關(guān)系數(shù)。

2.4)根據(jù)當(dāng)前節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)的相關(guān)性，選出代表節(jié)點(diǎn)

這里設(shè)定兩個(gè)相關(guān)系數(shù)閾值c_max和c_min，分別代表極度不相關(guān)和極度相關(guān)的臨界值；分別計(jì)算集合中c_max≤c和c_min≥c所占的比例，并用p_uc,p_c表示；再次設(shè)定百分比閾值p，按照以下三種情況，將簇內(nèi)節(jié)點(diǎn)進(jìn)行分類：

①當(dāng)p≤p_c時(shí)，代表當(dāng)前節(jié)點(diǎn)采集到的數(shù)據(jù)和其大部分鄰居節(jié)點(diǎn)采集到的數(shù)據(jù)具有很高的相關(guān)性，因而被選為代表節(jié)點(diǎn)(代表自己和其他相鄰節(jié)點(diǎn))，處于工作狀態(tài)，實(shí)時(shí)的將更新后的模型傳送給簇頭節(jié)點(diǎn)；

②當(dāng)p≤p_uc時(shí)，代表當(dāng)前節(jié)點(diǎn)采集到的數(shù)據(jù)和其大部分鄰居節(jié)點(diǎn)采集到的數(shù)據(jù)具有很低的相關(guān)性，因而被選為代表節(jié)點(diǎn)(僅代表自己)，處于工作狀態(tài)，實(shí)時(shí)的將更新后的模型傳送給簇頭節(jié)點(diǎn)；

③當(dāng)p≥p_c且p≥p_uc時(shí)，當(dāng)前節(jié)點(diǎn)可以被其他節(jié)點(diǎn)所代表，成為普通節(jié)點(diǎn)，處于休眠狀態(tài)

以下從兩個(gè)方面對(duì)算法性能進(jìn)行對(duì)比分析。

首先是算法的數(shù)據(jù)預(yù)測(cè)精度。Cor算法采用簇內(nèi)節(jié)點(diǎn)輪值的方式進(jìn)行數(shù)據(jù)采集，本專利算法(DMC)選取代表節(jié)點(diǎn)代表整個(gè)簇進(jìn)行數(shù)據(jù)采集，圖4為隨機(jī)選取的兩個(gè)簇內(nèi)節(jié)點(diǎn)(18號(hào)和20號(hào))，在同一時(shí)間段，分別采用以上兩種算法，對(duì)節(jié)點(diǎn)觀測(cè)值進(jìn)行預(yù)測(cè)的效果圖。分別對(duì)比圖4(a)和圖4(b)、圖4(c)和圖4(d)，觀察可發(fā)現(xiàn)，DMC算法表現(xiàn)出了更高的預(yù)測(cè)效果。針對(duì)500個(gè)數(shù)據(jù)，分別統(tǒng)計(jì)兩種算法的單步預(yù)測(cè)平均絕對(duì)誤差和單步預(yù)測(cè)平均絕對(duì)誤差百分比兩項(xiàng)性能指標(biāo)，如表一所示。表中DMC算法在兩項(xiàng)指標(biāo)上均低于Cor算法，再一次驗(yàn)證了DMC算法具有更高的預(yù)測(cè)精度。

表一 預(yù)測(cè)模型性能分析

其次是在應(yīng)用算法之后，網(wǎng)絡(luò)的生命周期。2TC-cor算法采用基于局部數(shù)據(jù)相關(guān)性的二次分簇算法，本專利算法(DMC)通過(guò)對(duì)比每個(gè)節(jié)點(diǎn)雙模型的相關(guān)性來(lái)進(jìn)行二次分簇，如圖5所示，當(dāng)系統(tǒng)節(jié)點(diǎn)死亡率達(dá)到50％時(shí)，隨著總結(jié)點(diǎn)數(shù)的增加，采用DMC算法的系統(tǒng)，其已運(yùn)行周期數(shù)，明顯高于采用2TC-cor算法的系統(tǒng)。由此可以證明：本專利算法在提升網(wǎng)絡(luò)生命周期方面具有更優(yōu)越的性能。