[發明專利]一種基于圖神經網絡的傳感器網絡數據異常判決方法

有效

• 申請號: 202110237989.8
• 申請日: 2021-03-04
• 公開（公告）號: CN112966595B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 蔣俊正;陳俊杰
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

1.一種基于圖神經網絡的傳感器網絡數據異常判決方法，其特征在于，包括如下步驟：

1)對傳感器網絡數據進行圖建模：假設傳感器網絡數據為X＝[x₁，x₂，...，x_m]∈R^n×m，其中x_i∈Rⁿ，i＝1，2，...，m為當前傳感器網絡中的n個傳感器在i時刻所獲取的數據，C＝{(a₁，b₁)，(a₂，b₂)，...，(a_n，b_n)}為傳感器網絡中n個傳感器各自的坐標組成的集合，其中a_i為緯度，b_i為經度， i＝1，2，...，n，據此，構建出圖G＝{V，E，W}，其中V為圖中結點的集合，對應傳感器網絡中的各個傳感器，E為邊的集合，邊用于描述節點之間的相似與鄰接關系，W為權重矩陣，權重矩陣內部元素表示對應兩個節點是否有空間上的聯系，定義如公式(1)所示：

在公式(1)中，R為閾值，閾值根據傳感器網絡所獲取的數據與地理位置之間的聯系調整，d_ij＝d_geo((a_i，b_i)，(a_j，b_j))表示i，j兩個結點所對應的傳感器的地理距離，其中d_geo采用半正矢公式即Haversine公式計算得出，d_geo定義如公式(2)所示：

公式(2)中，r表示地球半徑為6371km；

2)采用圖卷積網絡提取圖模型中的空間特征：多層圖卷積神經網絡GCN依據公式(3)逐層傳播：

公式(3)中，A為圖G的鄰接矩陣，I_N為單位矩陣，為A的度矩陣，定義如式(4)所示：

H¹表示第l層的激活矩陣，對于輸入層H⁰＝X； W¹是一個特定的可訓練的權重矩陣，σ()代表激活函數，采用兩層圖卷積網絡層提取傳感器網絡數據中的空間特征，公式(5)為本圖卷積網絡的前向傳播模型：

公式(5)中，x_t為步驟1)中所述的傳感器網絡中的n個傳感器在t時刻所獲取的數據，為圖卷積神經網絡對當前時刻的數據提取的空間特征，其中n為傳感器數量，將傳感器網絡m個時刻的數據及傳感器網絡的權重矩陣W輸入至該圖卷積神經網絡得到為m×n×2的三維數據，代表了該傳感器網絡在m個時刻的空間特征；

3)采用門控循環單元提取圖模型中的時間特征：門控循環單元GRU具有兩個門，分別為重置門和更新門，更新門用于控制前一時刻的狀態信息被帶入到當前狀態中的程度；重置門則用于控制忽略前一時刻的狀態信息的程度，門控循環單元的內部如公式(6)所示：

公式(6)中，*表示哈達瑪積Hadamard product，定義如公式(7)所示：

C_ij＝A_ij×B_ij (7)，

在公式(7)中，A，B為同階矩陣，x_t是當前節點的輸入，即t時刻n個傳感器所采集的數據；H_t-1是上一個時刻傳遞下來的時間特征，H_t表示當前時刻所提取的時間特征；σ()為sigmoid函數；W_z，W_r，W均為可訓練的權重矩陣，將與X∈R^n×m連接起來構成一個m×n×3的三維數據Z，Z表示該傳感器網絡在m個時刻的空間特征及未經處理過的時間特征，將Z作為輸入數據輸入至門控循環單元內提取傳感器網絡的時間特征得到H＝{H₁，H₂，...，H_m}，其中H_i∈R^n×2，i＝1，2，...，m，故H為m×n×2的三維數據，表示該傳感器網絡中的n個傳感器在m個時刻的時空特征；

4)采用全連接層對提取的時空特征進行異常判決：全連接層的前向傳播如公式(8)所示：

A＝Wx+b (8)，

公式(8)中，W為可訓練的權重矩陣，b為偏置，x表示輸入特征，將Z為傳感器網絡的時空特征輸入至全連接層中得到A＝[A₁，A_z，...，A_m]，A是對n個傳感器在m個時刻的異常判決結果，其中A_i∈R^n×2，i＝1，2，...，m，A_m表示為本神經網絡對m時刻n個傳感器的異常判決結果。