[发明专利]基于双层模型体系的无线传感网的数据采集方法

说明书

一种基于双层模型体系的无线传感网的新颖数据采集方法，属于无线传感网技术领域。本发明实现包括趋势模型和调整模型两部分。构建趋势模型部分包括第一步将单变量模型表示为状态空间形式，第二步应用卡尔曼滤波进行模型参数的计算，第三步基于残差三阶累积量的模型检测。调整模型为针对残差数据，采用三阶自回归模型，根据精度要求，进行阈值进行判断。最后节点向外传输的数据为趋势模型参数和调整模型参数以及相应的时间点。与已有的基于单模型的数据采集方法相比，该方法具有更高的精度；与已有的复杂模型的数据采集方法相比，该方法在具有更高的精度的同时，而且消耗更少的存储资源，能够满足复杂环境的需求。

技术领域

本发明涉及双层模型体系的无线传感网的新颖数据采集方法，属于无线传感网数据采集领域。

背景技术

最近几年，随着大量基于模型的数据采集方法的提出，数据采集方法得到了快速地发展，但是仍然存在许多不足。基于复杂建模的数据采集方法可以提供更高的准确度，可是却消耗大量的计算能力和存储资源。基于简单建模的数据采集方法具有简便的特点，可是却很难提供一个合适的模型，在解决采集的数据序列的长期趋势和短期的自然扰动的同时，还可以在能源效率和模型精确度之间提供一个更好的权衡。

发明内容

本发明针对上面的问题，而研制基于双层模型体系的无线传感网的新颖数据采集方法。该方法可以很好的描述传感器采集数据的长期趋势，同时充分考虑到数据的自然扰动，达到快速准确地的构建数据模型，对采集的数据进行压缩的目的。

本发明包括三步：

第一步：对采集的数据进行趋势模型的构建

第二步：对采集的数据和趋势模型还原的数据的残差进行调整模型构建

第三步：在趋势模型和调整模型构建完毕后，分别将趋势模型及相应的时间点和调整模型及相应时间点作为数据向其他节点传输。

本发明将单变量模型写成状态空间的形式，采用强有效的卡尔曼滤波算法估计参数值。卡尔曼滤波是在时刻t基于所有可得到信息计算状态向量的最理想的递推过程。并且我们可以利用自回归模型具有足够的适应性和轻便性，对采集数据和趋势模型还原的数据的残差进行建模。我们结合这个现象，提出了描述传感器采集数据整体趋势的趋势模型和描述自然扰动的调整模型相结合的基于双层模型体系的无线传感网的新颖数据采集方法。与已有的基于单模型的数据采集方法相比，该方法具有更高的精度；与已有的复杂模型的数据采集方法相比，该方法在具有更高的精度的同时，而且消耗更少的存储资源，能够满足复杂环境的需求。

附图说明

图1为一次趋势模型的构建过程。

具体实施方式

本发明包括四步：对采集的数据进行趋势模型的构建，对采集的数据和趋势模型还原的数据的残差，进行调整模型构建，分别将趋势模型及相应的时间点和调整模型及相应时间点作为数据向sink节点传输。

第一步：对采集的数据进行趋势模型的构建

趋势模型，用于以少量模型描述样本采集数据的整体趋势。以单变量模型作为趋势模型，将单变量模型表示为状态空间形式，然后应用卡尔曼滤波进行模型参数的迭代计算，实时采用基于残差三阶累积量的模型检测，如果经过判断模型失效，则本次趋势模型构建结束，进行新的趋势模型的构建。为了更加准确地计算出模型有效期间内的参数，通过利用卡尔曼滤波连续修正状态向量的估计，得到状态向量的最优估计。计算残差三阶累积量，根据设定的阈值，判断模型是否失效，如果失效，则本次趋势模型构建结束，否则继续进行卡尔曼参数估计。流程图见说明图1。

采用单变量模型作为趋势模型，即

y_t＝x′_tα+u_t,t＝1,2,…,T