[發明專利]一種基于MEA-BP神經網絡WSN異常檢測方法

有效

• 申請號: 201710008709.X
• 申請日: 2017-01-06
• 公開（公告）號: CN106714220B
• 公開（公告）日: 2019-05-17
• 發明（設計）人: 李光輝;顧曉勇
• 申請（專利權）人: 江南大學
• 主分類號: H04W24/04
• 分類號: H04W24/04;H04W84/18
• 代理公司: 南京先科專利代理事務所(普通合伙) 32285
• 代理人: 繆友菊

本發明公開了一種基于MEA?BP神經網絡WSN異常檢測方法，將各分布傳感器節點初始化，各傳感器節點開始采集數據；利用K?means算法對各傳感器節點進行空間分簇得到若干組簇；利用思維進化算法對BP神經網絡進行參數優化，通過趨同異化操作對BP神經網絡的權值和閾值進行優化，得到最優權值和閾值，輸入最優權值和閾值，建立MEA?BP神經網絡模型；采用分布式的算法，對每組分簇中傳感器節點獨立執行異常檢測，異常檢測完畢后傳感器節點將檢測結果傳遞到該組分簇的簇頭節點進一步驗證。提高了BP神經網絡算法性能，加快了BP神經網絡的學習速率，有效提高了異常數據檢測的準確率，降低了誤報率。

技術領域

本發明屬于無線傳感器網絡(WSN)數據可靠性檢測技術領域，具體是涉及一種基于MEA-BP神經網絡WSN異常檢測方法。

背景技術

無線傳感器網絡(WSN)作為一種無線自組織網絡，無線傳感器網絡具有低能耗、節點分別靈活、甚至無需人工維護，可以在惡劣環境中長時間工作等特點。通過將傳感器網絡節點散布在目標監測區域中，進行環境數據的采集以及特定事件的監測是目前最為普遍的應用之一。由于無線傳感器節點資源有限，又容易受到外界因素的干擾和破壞，或者外部環境突發事件的影響，節點采集到的數據很有可能與正常情況下的環境特征產生明顯偏差，這類數據稱為異常數據。因此，設計一種有效的異常檢測方法是近年來無線傳感器網絡異常檢測研究的重點。

傳統BP神經網絡在訓練學習時許多參數的選擇沒有理論依據，使得實際的神經網絡應用具有局限性，存在不足之處主要有學習速度慢、容錯能力差、會收斂于局部極小值等。以用于環境監測無線傳感器網絡節點為例，無線傳感器網絡節點采集到的溫度數據無論是波動的幅度、頻率，或者均值、中值、方差等統計特征都會和同一采樣時間段內的其他數據有明顯的差異，如果不考慮不同類型數據之間的差異性，無疑會影響檢測算法的性能，想要更精確的判斷數據異常，除了數據自身的時間相關性還要考慮空間相關性。另外，針對無線傳感器網絡環境數據的異常檢測問題，BP神經網絡算法存在容易陷入局部最優解、訓練時間長、效率低等問題。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種基于MEA-BP神經網絡WSN異常檢測方法，針對BP神經網絡算法存在容易陷入局部最優解、訓練時間長、效率低等問題，利用思維進化算法對BP神經網絡進行改進，提高了BP神經網絡算法性能，加快了BP神經網絡的學習速率，有效提高了異常數據檢測的準確率，降低了誤報率。

技術方案：為實現上述目的，本發明的基于MEA-BP神經網絡WSN異常檢測方法，所述方法包括以下步驟：

S1將各分布傳感器節點初始化，各傳感器節點開始采集數據；

設傳感器節點個數為n，各傳感器節點為Xt_j(j＝1,2,…,n)，傳感器節點Xt_j的滑動窗口為W_j，各傳感器節點的滑動窗口大小均為m，則傳感器節點Xt_j在其滑動窗口W_j上的測量數據序列為傳感器節點Xt_j在t_p時刻采集的數據為該數據包括h個屬性測量值，則

S2利用K-means算法對各傳感器節點進行空間劃分得到若干組分簇；

設q+1個傳感器節點組成一組分簇，每組分簇中包括1個簇頭節點Xt_c和q個分布節點(Xt₁,Xt₂,…,Xt_q)；

S3利用思維進化算法對BP神經網絡進行參數優化，通過趨同異化操作對BP神經網絡的權值和閾值進行優化，得到最優權值和閾值，輸入最優權值和閾值，建立MEA-BP神經網絡模型；