亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法與流程

文檔序號(hào):11778405閱讀:474來源:國知局
一種無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法與流程
本發(fā)明屬于無線傳感器
技術(shù)領(lǐng)域
,尤其涉及一種無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法。
背景技術(shù)
:隨著現(xiàn)代科技的蓬勃發(fā)展,無線傳感器網(wǎng)絡(luò)(wsns)已經(jīng)被廣泛應(yīng)用于各個(gè)領(lǐng)域。wsns是一個(gè)以無線通信為主的網(wǎng)絡(luò)系統(tǒng),其在監(jiān)測(cè)區(qū)域部署了大量的傳感器節(jié)點(diǎn)。各個(gè)傳感器節(jié)點(diǎn)零散地分布于目標(biāo)區(qū)域,對(duì)目標(biāo)區(qū)域執(zhí)行感測(cè)、采集和處理相關(guān)信息的任務(wù);節(jié)點(diǎn)與節(jié)點(diǎn)間可通過無線方式相互通信,當(dāng)節(jié)點(diǎn)發(fā)送信息到匯聚節(jié)點(diǎn)時(shí),其以多跳的方式經(jīng)過節(jié)點(diǎn)間的轉(zhuǎn)發(fā),最終把信息傳輸?shù)絽R聚節(jié)點(diǎn)。匯聚節(jié)點(diǎn)可以把收集到的所有信息通過衛(wèi)星、互聯(lián)網(wǎng)等通信設(shè)備,最終到達(dá)終端用戶。相比于無線自組網(wǎng)絡(luò),無線傳感器網(wǎng)絡(luò)具有以下三個(gè)特征:1)分布式、自組織,wsns節(jié)點(diǎn)在網(wǎng)絡(luò)中其地位都是平等的,并且都具有相同的性能。節(jié)點(diǎn)與節(jié)點(diǎn)之間可以通過分布式算法來進(jìn)行相互檢測(cè)。節(jié)點(diǎn)具有自組織能力,當(dāng)節(jié)點(diǎn)出現(xiàn)故障或者能量耗盡而不能工作,網(wǎng)絡(luò)會(huì)自動(dòng)進(jìn)行配置和管理,從而不會(huì)影響網(wǎng)絡(luò)的運(yùn)行。2)規(guī)模大、密度高,由于wsns節(jié)點(diǎn)成本低,因此在wsns網(wǎng)絡(luò)中,部署的節(jié)點(diǎn)數(shù)目大、密度高。雖然在各個(gè)感測(cè)區(qū)域內(nèi),能被多個(gè)wsns節(jié)點(diǎn)感測(cè),造成信息冗余,但是這些冗余的節(jié)點(diǎn)協(xié)同工作,會(huì)提高網(wǎng)絡(luò)的工作質(zhì)量。3)節(jié)點(diǎn)能力有限,微型廉價(jià)的wsns節(jié)點(diǎn)在工作期間,其能力是有限的。wsns節(jié)點(diǎn)的攜帶電池能量微少,且主要消耗于感測(cè)、處理和通信過程中,尤其是在通信模塊上。通過研究表明,節(jié)點(diǎn)電池在用于一次通信的能量遠(yuǎn)超過進(jìn)行一次處理模塊的能量。其通信所需能耗,是根據(jù)通信距離隨冪數(shù)增加的,因此網(wǎng)絡(luò)中采取多跳方式來傳輸數(shù)據(jù),可以大量節(jié)省網(wǎng)絡(luò)信息傳輸?shù)哪芰俊sns節(jié)點(diǎn)的處理器能力較弱、存儲(chǔ)容量小,因此不能執(zhí)行大多數(shù)復(fù)雜的協(xié)議和算法。綜上所述,實(shí)時(shí)的、分布式的同時(shí)可以保持較低通信能耗與通信負(fù)載,并可以實(shí)現(xiàn)較高檢測(cè)率與較低誤報(bào)率的事件區(qū)域檢測(cè)方法才是適合無線傳感器網(wǎng)絡(luò)的事件區(qū)域檢測(cè)檢測(cè)算法。wsns中的異常值是指節(jié)點(diǎn)感測(cè)到的讀數(shù),遠(yuǎn)遠(yuǎn)偏離于其他正常數(shù)據(jù),從而引起人們的懷疑。當(dāng)節(jié)點(diǎn)在進(jìn)行監(jiān)控時(shí),若某一區(qū)域出現(xiàn)了事件,則該部分區(qū)域的節(jié)點(diǎn)會(huì)感測(cè)到該事件所帶來的信息變化。如某個(gè)wsns在監(jiān)控森林環(huán)境時(shí)候,若某個(gè)區(qū)域突然發(fā)生火災(zāi),則該區(qū)域的wsns節(jié)點(diǎn)收集到的溫度、濕度數(shù)據(jù)會(huì)有較大的變化,遠(yuǎn)遠(yuǎn)偏離于其他正常區(qū)域,出現(xiàn)異常值,也稱為事件讀數(shù)。文獻(xiàn)dataclustering-basedfaultdetectioninwsns中,作者提出了一種k-cfd算法。網(wǎng)絡(luò)中的任一節(jié)點(diǎn)收集其鄰居讀數(shù),然后利用k-mean算法把這些讀數(shù)聚為兩類lg和lf,其中成員數(shù)目多的一類為正常值,少的一類為異常值。通過上述聚類結(jié)果,文章利用蟻群原理,調(diào)整分類結(jié)果。該算法不需要先驗(yàn)知識(shí),但當(dāng)異常值所占比例較大時(shí),在聚類過程中其可能被判為多數(shù)類,從而認(rèn)為是正常值,會(huì)降低算法的檢測(cè)性能。文獻(xiàn)distributedonlineoutlierdetectioninwirelesssensornetworksusingellipsoidalsupportvectormachine中,作者提出了一種基于橢球支持向量機(jī)在線異常值檢測(cè)算法(eode)。支持向量機(jī)是把訓(xùn)練數(shù)據(jù)通過某種變換映射到高維空間上,然后尋找一個(gè)可以把該組訓(xùn)練數(shù)據(jù)分為兩類的超平面,使到這兩類數(shù)據(jù)與該超平面的距離之和最大。算法中,各個(gè)節(jié)點(diǎn)根據(jù)自身的歷史數(shù)據(jù),利用橢球支持向量機(jī)單獨(dú)進(jìn)行局部異常值檢測(cè)。然后把支持向量機(jī)的參數(shù)發(fā)送到鄰居,合并為一個(gè)新的支持向量機(jī),并進(jìn)行全局異常值檢測(cè)。文章還提出了基于橢球支持向量機(jī)自適應(yīng)異常值檢測(cè)算法(eaod),通過一個(gè)滑動(dòng)的時(shí)間窗口,加入新讀數(shù)和舍棄舊觀測(cè)值來對(duì)支持向量機(jī)的更新,提高檢測(cè)精度,但由于在構(gòu)建支持向量機(jī)時(shí),算法需要一定的時(shí)間來執(zhí)行,在網(wǎng)絡(luò)中的每一輪的支持向量機(jī)更新中,都有一定的時(shí)延性。然而該算法要事先給出一組包含異常值的訓(xùn)練集,在現(xiàn)實(shí)情況中,在初始階段節(jié)點(diǎn)的讀數(shù)一般是正常的,難以獲得異常值的準(zhǔn)確數(shù)據(jù)。文獻(xiàn)outlierdetectionapproachusingbayesclassifiersinwirelesssensornetworks中,作者利用樸素貝葉斯分類算法來進(jìn)行異常值檢測(cè)。文章中把讀數(shù)的范圍分為多塊,把任一節(jié)點(diǎn)的當(dāng)前讀數(shù)、上一輪讀數(shù)和其最近鄰居的當(dāng)前讀數(shù)以及其上一輪的讀數(shù)構(gòu)造成一個(gè)貝葉斯網(wǎng)絡(luò)。通過貝葉斯定理,計(jì)算節(jié)點(diǎn)當(dāng)前讀數(shù)落入各個(gè)區(qū)間的概率,找出最大概率的區(qū)間。若該讀數(shù)屬于這個(gè)區(qū)間,則為正常值,否則為異常值。然而該算法一般只適應(yīng)于一維數(shù)據(jù),當(dāng)讀數(shù)為多維數(shù)據(jù),讀數(shù)范圍的分塊數(shù)目會(huì)變得非常多,在進(jìn)行分類過程中,需要計(jì)算讀數(shù)落入這多個(gè)分塊區(qū)間中,消耗的時(shí)間較多,容易出現(xiàn)時(shí)延性。綜上所述,現(xiàn)有技術(shù)存在的問題是:目前的無線傳感器網(wǎng)絡(luò)中事件檢測(cè)方法中利用聚類算法時(shí)由于其分類所屬類別不明確,容易把正常情況的讀數(shù)判定為事件讀數(shù),此時(shí)算法檢測(cè)性能較低;對(duì)單個(gè)節(jié)點(diǎn)的時(shí)間窗口內(nèi)的讀數(shù)進(jìn)行聚類時(shí),需一定的時(shí)間段才能判斷出是否有事件發(fā)生,此時(shí)把檢測(cè)結(jié)果發(fā)送到終端時(shí),事件已經(jīng)發(fā)生一段時(shí)間了,不能及時(shí)去處理該事件;而利用分類算法時(shí),由于缺乏一定的事件特性,難以獲得異常值的準(zhǔn)確數(shù)據(jù),由于分類算法的復(fù)雜度與維度關(guān),當(dāng)讀數(shù)為多維數(shù)據(jù)時(shí),其存在一定的時(shí)延性。技術(shù)實(shí)現(xiàn)要素:針對(duì)現(xiàn)有技術(shù)存在的問題,本發(fā)明提供了一種無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法。本發(fā)明是這樣實(shí)現(xiàn)的,一種無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法,所述無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法利用節(jié)點(diǎn)讀數(shù)的時(shí)間相關(guān)性,通過改進(jìn)的低秩子空間聚類算法對(duì)節(jié)點(diǎn)時(shí)間窗口內(nèi)的數(shù)據(jù)流聚類,對(duì)事件進(jìn)行檢測(cè),并保存事件的數(shù)據(jù)特征。而后通過改進(jìn)的隨機(jī)森林分類算法,實(shí)時(shí)地對(duì)異常值分類,判斷出該異常值是否為事件讀數(shù)。進(jìn)一步,所述無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法包括以下步驟:步驟一,對(duì)網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)其保存長為24小時(shí)的時(shí)間窗口內(nèi)的二維數(shù)據(jù)流進(jìn)行低秩子空間聚類算法;步驟二,對(duì)于聚類結(jié)果,觀測(cè)兩類間的均值的馬氏距離是否小于閾值θ1,若小于,則說明不存在異常值,時(shí)間窗口向右移動(dòng)一格,返回步驟一進(jìn)行下一時(shí)間點(diǎn)檢測(cè);否則節(jié)點(diǎn)存在異常值,其所在區(qū)域有事件發(fā)生,并把情況信息發(fā)送到終端,返回步驟一進(jìn)行下一時(shí)間點(diǎn)檢測(cè),直到事件結(jié)束;步驟三,節(jié)點(diǎn)把事件發(fā)生時(shí)的數(shù)據(jù)保存下來,并發(fā)送到所有網(wǎng)絡(luò)節(jié)點(diǎn)中,保存起來作為訓(xùn)練集中的事件讀數(shù);步驟四,在后面的事件檢測(cè)中,各個(gè)節(jié)點(diǎn)時(shí)間窗口內(nèi)的正常讀數(shù)和前面保存的事件讀數(shù)作為訓(xùn)練集,執(zhí)行改進(jìn)的隨機(jī)森林分類算法;步驟五,若新數(shù)據(jù)被判定為事件讀數(shù),把事件情況信息發(fā)送給終端,返回步驟四對(duì)下一時(shí)刻繼續(xù)進(jìn)行事件檢測(cè);否則,執(zhí)行步驟六;步驟六,獲取其最近鄰居的讀數(shù),進(jìn)行比較,若兩個(gè)讀數(shù)差超過閾值θ2,則說明至少一個(gè)節(jié)點(diǎn)存在異常值,返回執(zhí)行步驟一;否則都為正常值,返回步驟四對(duì)下一時(shí)刻繼續(xù)進(jìn)行事件檢測(cè)。進(jìn)一步,所述步驟一具體包括:(a)對(duì)二維數(shù)據(jù)建立低秩表示模型:這里為x為節(jié)點(diǎn)在該時(shí)間窗口內(nèi)感測(cè)的讀數(shù),x的任一時(shí)刻xi讀數(shù)表示為所有其它數(shù)據(jù)的線性組合,因此有x=xz。由于實(shí)際中讀數(shù)存在噪聲的影響,因此有x=xz+e。為核范數(shù),其中,σi(z)為z的第i個(gè)奇異值,n為奇異值的個(gè)數(shù)。用來度量噪聲和奇異樣本帶來的誤差,λ>0。用增廣朗格朗日乘子法求解得到系數(shù)矩陣z;(b)構(gòu)造無向賦權(quán)圖g,圖中頂點(diǎn)表示各個(gè)時(shí)刻的讀數(shù),各個(gè)頂點(diǎn)間的邊的權(quán)重為該兩個(gè)時(shí)間節(jié)點(diǎn)讀數(shù)的相似度,利用系數(shù)矩陣z計(jì)算出圖的相似度矩陣w=(|z|+|zt|)/2;(c)利用歸一化分割算法對(duì)無向賦權(quán)圖g上的頂點(diǎn)聚成兩類。其兩類集合為a、b。分類準(zhǔn)則為:ncut(a,b)的值越小,說明對(duì)這個(gè)帶權(quán)無向圖的分割越好,也就是聚類越精確。進(jìn)一步,所述步驟四具體包括:(1)用自助法重復(fù)有放回地在總訓(xùn)練集的正常讀數(shù)中抽取三分之二個(gè)樣本,把事件讀數(shù)的所有數(shù)據(jù)也放進(jìn)樣本中,利用樣本中的數(shù)據(jù)來進(jìn)行訓(xùn)練決策樹;(2)利用樣本中讀數(shù)所有維度屬性來構(gòu)造決策樹,在決策樹根部開始,利用讀數(shù)的任一屬性,根據(jù)樣本中的所有數(shù)據(jù)及其所屬分類來確定分類邊界,使決策樹進(jìn)行展枝,通過不斷展枝直到各個(gè)樹的葉子不能劃分時(shí)結(jié)束決策樹的構(gòu)造;(3)重復(fù)(1)-(2),建立m棵決策樹,形成一個(gè)隨機(jī)森林;(4)對(duì)節(jié)點(diǎn)新感測(cè)的數(shù)據(jù)進(jìn)行分類,把數(shù)據(jù)代入各個(gè)決策樹中,觀測(cè)其落入決策樹的葉子類別來分類,根據(jù)其被判定為事件讀數(shù)的決策樹棵數(shù)與總決策樹數(shù)之比,定義為數(shù)據(jù)為事件讀數(shù)的概率,若概率大于0.5,則判定其為事件讀數(shù);(5)對(duì)訓(xùn)練樣本中的數(shù)據(jù)進(jìn)行更新,若新讀數(shù)為正常值,則新讀數(shù)替換時(shí)間最遠(yuǎn)的正常值讀數(shù),若新讀數(shù)為事件讀數(shù),則新讀數(shù)替換掉事件讀數(shù)中的中值,用于下一次新數(shù)據(jù)的分類。本發(fā)明的另一目的在于提供一種應(yīng)用所述無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法的無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法。本發(fā)明的優(yōu)點(diǎn)及積極效果為:通過聚類算法和分類算法相結(jié)合,可以在缺乏訓(xùn)練集的情況下,能夠快速準(zhǔn)確地進(jìn)行事件區(qū)域檢測(cè);而且檢測(cè)算法需要的能耗低,較以往的算法節(jié)省了節(jié)點(diǎn)間信息交換的能量消耗,其只需在自身節(jié)點(diǎn)內(nèi)執(zhí)行聚類或分類算法,只有與最近鄰居數(shù)據(jù)進(jìn)行比較時(shí)才發(fā)送一次讀數(shù)信息,以往的算法一般需要節(jié)點(diǎn)收集其所有鄰居的信息或把信息發(fā)送到簇頭,信息發(fā)送較多,消耗能量大;由于數(shù)據(jù)的維度越高,檢測(cè)精度越高,而算法執(zhí)行的時(shí)間較快,維度變高時(shí),算法仍能快速執(zhí)行,因此算法特別適用于多維數(shù)據(jù)。本發(fā)明在聚類過程中,能夠利用節(jié)點(diǎn)讀數(shù)的空間相關(guān)性,辨別哪一類為異常值;在能夠利用聚類算法檢測(cè)到的事件讀數(shù)作為訓(xùn)練數(shù)據(jù),在后面的事件檢測(cè)中執(zhí)行分類算法,有效地解決了以往分類算法缺乏訓(xùn)練集的問題;改進(jìn)的隨機(jī)森林分類算法,比傳統(tǒng)的隨機(jī)森林算法提高了檢測(cè)精度,下表為仿真時(shí),與傳統(tǒng)的隨機(jī)森林比較,改進(jìn)后的隨機(jī)森林算法能百分百確定其為事件節(jié)點(diǎn),而傳統(tǒng)的隨機(jī)森林算法不一定為百分百確定其為事件節(jié)點(diǎn);改進(jìn)的隨機(jī)森林分類算法,算法運(yùn)行時(shí)間快,分類方法簡單可行,而且檢測(cè)精度不亞于其他分類算法,由于事件特性和正常特性間有一定的差距,在構(gòu)造隨機(jī)森林的決策樹時(shí),各個(gè)屬性的邊界易于確定,對(duì)新數(shù)據(jù)進(jìn)行分類時(shí),不容易出現(xiàn)誤判情況;通過聚類和分類算法的結(jié)合,能夠?qū)Χ喾N類的事件進(jìn)行檢測(cè),當(dāng)新類型的事件發(fā)生時(shí),執(zhí)行改進(jìn)的隨機(jī)森林分類算法后,不能判斷該事件區(qū)域內(nèi)的節(jié)點(diǎn)讀數(shù)為事件讀數(shù)。但事件區(qū)域內(nèi)的節(jié)點(diǎn)與其最近鄰居節(jié)點(diǎn)的讀數(shù)存在一定的偏差,此時(shí)應(yīng)該重新利用改進(jìn)的低秩子空間聚類算法,判斷是否有新類型事件產(chǎn)生。若檢測(cè)到有新類型事件產(chǎn)生,則同樣把該新事件數(shù)據(jù)存儲(chǔ)下來,并發(fā)送到整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)中。此時(shí)網(wǎng)絡(luò)中節(jié)點(diǎn)內(nèi)存儲(chǔ)的數(shù)據(jù)為:近期的正常值、事件讀數(shù)1、事件讀數(shù)2。而后其作為數(shù)據(jù)訓(xùn)練集,進(jìn)行改進(jìn)的隨機(jī)森林分類算法,判斷新數(shù)據(jù)為三類中的哪一類。節(jié)點(diǎn)1117182333354860改進(jìn)前0.610.90.910.90.60.9改進(jìn)后11111111節(jié)點(diǎn)697396100106107108116改進(jìn)前0.910.610.6110.6改進(jìn)后11111111節(jié)點(diǎn)146180184187192198改進(jìn)前1110.911改進(jìn)后111111本發(fā)明的方法計(jì)算簡單易于實(shí)現(xiàn),運(yùn)行速度快,檢測(cè)過程中用于網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)通信的能量消耗低,其只需在自身節(jié)點(diǎn)內(nèi)執(zhí)行聚類或分類算法,只有與最近鄰居數(shù)據(jù)進(jìn)行比較時(shí)才發(fā)送一次讀數(shù)信息,適用于大規(guī)模、多維度感測(cè)數(shù)、多事件種類的無線傳感器網(wǎng)絡(luò)。附圖說明圖1是本發(fā)明實(shí)施例提供的無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法流程圖。圖2是本發(fā)明實(shí)施例提供的無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法實(shí)現(xiàn)流程圖。圖3是本發(fā)明實(shí)施例提供的某節(jié)點(diǎn)在46時(shí)執(zhí)行改進(jìn)的低秩子空間聚類算法結(jié)果圖。時(shí)間窗口內(nèi)23~45時(shí)的讀數(shù)被分為正常類,46時(shí)的讀數(shù)被分為事件類,此時(shí)事件出現(xiàn)。圖4是本發(fā)明實(shí)施例提供的某節(jié)點(diǎn)在53時(shí)執(zhí)行改進(jìn)的低秩子空間聚類算法結(jié)果圖。時(shí)間窗口內(nèi)33~45時(shí)以及51~53時(shí)的讀數(shù)被分為正常類,46~50時(shí)的讀數(shù)被分為事件類,表示該事件在46時(shí)發(fā)生51時(shí)結(jié)束。圖5是本發(fā)明實(shí)施例提供的在某一時(shí)刻存在事件時(shí)的網(wǎng)絡(luò)節(jié)點(diǎn)部署圖。圖6是本發(fā)明實(shí)施例提供的各個(gè)節(jié)點(diǎn)執(zhí)行改進(jìn)的隨機(jī)森林分類算法時(shí)事件區(qū)域與正常區(qū)域的感測(cè)溫度值。圖7是本發(fā)明中各個(gè)節(jié)點(diǎn)執(zhí)行改進(jìn)的隨機(jī)森林分類算法時(shí)事件區(qū)域與正常區(qū)域的感測(cè)濕度值。圖8是本發(fā)明實(shí)施例提供的各個(gè)節(jié)點(diǎn)執(zhí)行改進(jìn)的隨機(jī)森林分類算法進(jìn)行事件檢測(cè)結(jié)果圖。此時(shí)大圓圈內(nèi),即事件區(qū)域內(nèi)的所有節(jié)點(diǎn)讀數(shù),經(jīng)過分類算法后,都被判定為事件讀數(shù),而事件區(qū)域外的節(jié)點(diǎn),都被判斷為正常讀數(shù),沒出現(xiàn)漏判和誤判情況。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白,以下結(jié)合實(shí)施例,對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解,此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明,并不用于限定本發(fā)明。下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。如圖1所示,本發(fā)明實(shí)施例提供的無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法包括以下步驟:s101:利用節(jié)點(diǎn)讀數(shù)的時(shí)間相關(guān)性,通過改進(jìn)的低秩子空間聚類算法對(duì)節(jié)點(diǎn)時(shí)間窗口內(nèi)的數(shù)據(jù)流聚類,對(duì)事件進(jìn)行檢測(cè),并保存事件的數(shù)據(jù)特征;s102:通過改進(jìn)的隨機(jī)森林分類算法,實(shí)時(shí)地對(duì)節(jié)點(diǎn)感測(cè)的讀數(shù)分類,判斷出該異常值是否為事件讀數(shù);若網(wǎng)絡(luò)中出現(xiàn)新一類型的事件,則返回利用改進(jìn)的低秩子空間聚類算法,進(jìn)行新事件的檢測(cè),并保存新事件的數(shù)據(jù)特征,繼續(xù)利用改進(jìn)的隨機(jī)森林分類算法實(shí)時(shí)地進(jìn)行事件檢測(cè)。下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作進(jìn)一步的描述。如圖2所示,本發(fā)明實(shí)施例提供的無線傳感器網(wǎng)絡(luò)中的事件檢測(cè)方法可用于環(huán)境監(jiān)測(cè)的無線傳感器網(wǎng)絡(luò)中,例如網(wǎng)絡(luò)部署在森林環(huán)境中,傳感器感測(cè)到環(huán)境中的溫度和濕度值,通過讀數(shù)的反映監(jiān)測(cè)該片森林是否有火災(zāi)或其他事件產(chǎn)生,具體步驟如下:步驟1:對(duì)網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)其保存長為24小時(shí)的時(shí)間窗口內(nèi)的二維數(shù)據(jù)流進(jìn)行低秩子空間聚類算法。(1a)對(duì)二維數(shù)據(jù)建立低秩表示模型:這里為x為節(jié)點(diǎn)在該時(shí)間窗口內(nèi)感測(cè)的讀數(shù),x的任一時(shí)刻xi讀數(shù)表示為所有其它數(shù)據(jù)的線性組合,因此有x=xz。由于實(shí)際中讀數(shù)存在噪聲的影響,因此有x=xz+e。為核范數(shù),其中,σi(z)為z的第i個(gè)奇異值,n為奇異值的個(gè)數(shù)。用來度量噪聲和奇異樣本帶來的誤差,λ>0。用增廣朗格朗日乘子法求解得到系數(shù)矩陣z;(1b)構(gòu)造無向賦權(quán)圖g,圖中頂點(diǎn)表示各個(gè)時(shí)刻的讀數(shù),各個(gè)頂點(diǎn)間的邊的權(quán)重為該兩個(gè)時(shí)間節(jié)點(diǎn)讀數(shù)的相似度,利用系數(shù)矩陣z計(jì)算出圖的相似度矩陣w=(|z|+|zt|)/2;(1c)利用歸一化分割算法對(duì)無向賦權(quán)圖g上的頂點(diǎn)聚成兩類。其兩類集合為a、b。分類準(zhǔn)則為:ncut(a,b)的值越小,說明對(duì)這個(gè)帶權(quán)無向圖的分割越好,也就是聚類越精確。步驟2:對(duì)于聚類結(jié)果,觀測(cè)兩類間的均值的馬氏距離是否小于閾值θ1,若小于,則說明不存在異常值,時(shí)間窗口向右移動(dòng)一格,返回步驟1進(jìn)行下一時(shí)間點(diǎn)檢測(cè);否則節(jié)點(diǎn)存在異常值,其所在區(qū)域有事件發(fā)生,并把情況信息發(fā)送到終端,返回步驟1進(jìn)行下一時(shí)間點(diǎn)檢測(cè),直到該事件結(jié)束。步驟3:節(jié)點(diǎn)把事件發(fā)生時(shí)的數(shù)據(jù)保存下來,并發(fā)送到所有網(wǎng)絡(luò)節(jié)點(diǎn)中,保存起來作為訓(xùn)練集中的事件讀數(shù)。步驟4:在后面的事件檢測(cè)中,各個(gè)節(jié)點(diǎn)時(shí)間窗口內(nèi)的正常讀數(shù)和前面保存的事件讀數(shù)作為訓(xùn)練集,執(zhí)行改進(jìn)的隨機(jī)森林分類算法。(4a)用自助法重復(fù)有放回地在總訓(xùn)練集的正常讀數(shù)中抽取三分之二個(gè)樣本,把事件讀數(shù)的所有數(shù)據(jù)也放進(jìn)樣本中,利用樣本中的數(shù)據(jù)來進(jìn)行訓(xùn)練決策樹;(4b)利用樣本中讀數(shù)的溫度和濕度屬性來構(gòu)造決策樹,在決策樹根部開始,利用讀數(shù)的任一屬性,根據(jù)樣本中的所有數(shù)據(jù)及其所屬分類來確定分類邊界,使決策樹進(jìn)行展枝,通過不斷展枝直到各個(gè)樹的葉子不能劃分時(shí)結(jié)束決策樹的構(gòu)造;(4c)重復(fù)(4a)-(4c),建立m棵決策樹,形成一個(gè)隨機(jī)森林;(4d)對(duì)節(jié)點(diǎn)新感測(cè)的數(shù)據(jù)進(jìn)行分類,把數(shù)據(jù)代入各個(gè)決策樹中,觀測(cè)其落入決策樹的葉子類別來分類,根據(jù)其被判定為事件讀數(shù)的決策樹棵數(shù)與總決策樹數(shù)之比,定義為數(shù)據(jù)為事件讀數(shù)的概率,若概率大于0.5,則判定其為事件讀數(shù);(4e)對(duì)訓(xùn)練樣本中的數(shù)據(jù)進(jìn)行更新,若新讀數(shù)為正常值,則新讀數(shù)替換時(shí)間最遠(yuǎn)的正常值讀數(shù),若新讀數(shù)為事件讀數(shù),則新讀數(shù)替換掉事件讀數(shù)中的中值,用于下一次新數(shù)據(jù)的分類。步驟5:若新數(shù)據(jù)被判定為事件讀數(shù),把事件情況信息發(fā)送給終端,返回步驟4對(duì)下一時(shí)刻繼續(xù)進(jìn)行事件檢測(cè);否則,執(zhí)行步驟6。步驟6:獲取其最近鄰居的讀數(shù),進(jìn)行比較,若兩個(gè)讀數(shù)差超過閾值θ2,則說明至少一個(gè)節(jié)點(diǎn)存在異常值,返回執(zhí)行步驟1;否則都為正常值,返回步驟4對(duì)下一時(shí)刻繼續(xù)進(jìn)行事件檢測(cè)。下面結(jié)合仿真對(duì)本發(fā)明的應(yīng)用效果作詳細(xì)的描述。1、仿真條件有200個(gè)無線傳感器節(jié)點(diǎn)均勻地部署在一個(gè)100×100的正方形區(qū)域中,用來監(jiān)控該區(qū)域的環(huán)境溫度和濕度。網(wǎng)絡(luò)每一輪的周期為一小時(shí),在每一輪周期中,節(jié)點(diǎn)感測(cè)其所在位置的溫度和濕度值,并執(zhí)行事件檢測(cè)算法。各個(gè)節(jié)點(diǎn)的信息傳輸距離為20。節(jié)點(diǎn)的時(shí)間滑動(dòng)窗口長度為l=24。假設(shè)傳感器節(jié)點(diǎn)不出現(xiàn)軟件故障,其感測(cè)到的讀數(shù)和算法的執(zhí)行不會(huì)出錯(cuò)。2、仿真內(nèi)容仿真1,在網(wǎng)絡(luò)開始階段,各個(gè)節(jié)點(diǎn)執(zhí)行改進(jìn)的低秩子空間聚類算法,即步驟1到步驟3。在圖3中可以看出,某節(jié)點(diǎn)在網(wǎng)絡(luò)運(yùn)行時(shí)間為46小時(shí)時(shí),通過聚類算法,能把事件窗口內(nèi)的讀數(shù)聚成兩類,而且這兩類均值的距離超過θ1,說明在46時(shí),節(jié)點(diǎn)感測(cè)到異常值,其所在區(qū)域溫度升高,濕度降低,有事件發(fā)生,可能出現(xiàn)火災(zāi)情況。在圖4可以看出,在后面的聚類算法檢測(cè)中,可以對(duì)該事件進(jìn)一步檢測(cè),直到51時(shí),該事件才結(jié)束。檢測(cè)到有事件產(chǎn)生的節(jié)點(diǎn),把46時(shí)到50時(shí)的讀數(shù)發(fā)送到整個(gè)網(wǎng)絡(luò)中,并保存下來,作為訓(xùn)練數(shù)據(jù)。仿真2,在存在訓(xùn)練數(shù)據(jù)時(shí),各個(gè)節(jié)點(diǎn)利用改進(jìn)的隨機(jī)森林分類算法進(jìn)行事件檢測(cè),在以坐標(biāo)為(30,70)半徑為20的區(qū)域,發(fā)生火災(zāi),如圖5所示。通過分類算法,各個(gè)節(jié)點(diǎn)把其感測(cè)到的讀數(shù)分類,判斷其是否屬于事件讀數(shù),結(jié)果如圖6-圖8所示。在圖8中可以看出,發(fā)生事件的區(qū)域內(nèi)的傳感器節(jié)點(diǎn)感測(cè)到的讀數(shù)都被判斷為事件讀數(shù),其節(jié)點(diǎn)可以把事件檢測(cè)結(jié)果發(fā)送到終端,并更新網(wǎng)絡(luò)節(jié)點(diǎn)存儲(chǔ)的訓(xùn)練集。符號(hào)說明:wsns:wirelesssensornetworks無線傳感器網(wǎng)絡(luò)。x:節(jié)點(diǎn)感測(cè)到的讀數(shù)。||.||*:核范數(shù)。||.||2,1:2,1范數(shù)。以上所述僅為本發(fā)明的較佳實(shí)施例而已,并不用以限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12
當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1