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