[發明專利]無線傳感器網絡缺失數據重建方法

有效

• 申請號: 201910368471.0
• 申請日: 2019-05-05
• 公開（公告）號: CN110087207B
• 公開（公告）日: 2020-04-10
• 發明（設計）人: 李光輝;武加文
• 申請（專利權）人: 江南大學
• 主分類號: H04W4/38
• 分類號: H04W4/38;G06N3/04;G06N3/08
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 徐洋洋

本發明公開了一種無線傳感器網絡缺失數據重建方法。本發明一種無線傳感器網絡缺失數據重建方法，包括：S1對傳感器節點的測量數據進行預處理；S2使用模糊神經網絡對目標節點和其鄰居節點間的時空相關性進行建模，根據S2建立的模型以及S1預處理后的測量數據得到缺失數據的預測值；S3在預測值中引入自適應機制，進行模糊神經網絡模型的自動更新。本發明的有益效果：通過首先對節點測量值進行預處理。然后使用模糊神經網絡對存在缺失數據的節點和鄰居節點間的時空相關性進行數學建模，從而得到目標節點的重建值。最后在目標節點的重建值中引入自適應機制。

技術領域

本發明涉及無線傳感器網絡領域，具體涉及一種無線傳感器網絡缺失數據重建方法。

背景技術

無線傳感器網絡(Wireless Sensor Network,WSN)是由一定數量擁有感知、計算、和通信能力的傳感器節點所組成的網絡。通過將客觀物理世界與信息世界緊密的相聯，WSN被廣泛應用于生產生活的眾多領域，極大地提高了人們對現實世界的認識能力。

在環境監測領域，WSN通常被部署于無人監管、氣候復雜的野外環境，一方面，受到低成本傳感器節點的所攜帶能源的限制，例如電池功率、計算存儲能力以及通信帶寬，這使得節點產生錯誤數據的概率很大。另一方面，大規模節點通常隨機部署在環境惡劣的外界環境，伴隨著極端氣候的影響，如狂風，暴雨，冰雹等，一些傳感器節點發生故障也是不可避免的。因此，在長期使用這些節點的過程中，必然會產生缺失數據，若不對這些缺失數據進行數據重建，可能會影響整個網絡數據的可靠性以及感知數據的完整性。例如，當所監測的環境中發生事件時，例如火災，地震等，不可靠且不完整的數據可能無法檢測出這些變化。因此，對節點數據進行缺失數據精確重建至關重要。

傳統技術存在以下技術問題：

關于WSN數據重建方法，國內外學術界已有諸多成果。目前通用的方法是基于傳感器節點的時間相關性與空間相關性進行數據重建。基于時間相關性算法考慮到數據的時間相關性，即連續時刻的節點數據是近似的。如果當前時刻數據缺失，那么利用前一時刻和后一時刻的數據估計當前時刻的數據值。基于空間相關性算法主要是利用節點部署的空間相關性，即相鄰節點的感知數據具有相關的讀數，因此，可以使用鄰居節點的感知數據對目標節點的缺失數據進行數據重建。隨著機器學習研究與廣泛應用，各式各樣的方法被用于更好的解決數據缺失問題，如判定樹、貝葉斯法、期望值最大化、回歸法等。這種方法是利用已有的正常數據作為訓練樣本，從而建立預測模型，以估計缺失數據。然而，一旦預測值不精確，會導致最終重建值的精度受累積誤差的限制。

發明內容

本發明要解決的技術問題是提供一種無線傳感器網絡缺失數據重建方法，解決目前WSN中缺失數據重建方法中存在的精確度低的問題，所述方法采用模糊神經網絡模型進行缺失數據的重建，并引入自適應機制用來及時更新訓練模型。

為了解決上述技術問題，本發明提供了一種無線傳感器網絡缺失數據重建方法，包括：

S1對傳感器節點的測量數據進行預處理；

S2使用模糊神經網絡對目標節點和其鄰居節點間的時空相關性進行建模，根據S2建立的模型以及S1預處理后的測量數據得到缺失數據的預測值；

S3在預測值中引入自適應機制，進行模糊神經網絡模型的自動更新。

在其中一個實施例中，所述S1中的預處理包括：進行數據二次采樣和歸一化處理。

在其中一個實施例中，所述S1包括：

S11從傳感器節點的測量數據中選取數據子集，所述數據子集包括目標節點以及其鄰居節點的測量數據，其中，所有節點的測量數據具有時空相關性，即相同時間范圍內，節點測量數據的改變趨勢一致；

S12對數據子集中的測量數據分別以不同的時間間隔進行二次采樣，縮減數據量；