[发明专利]一种基于贝叶斯网络的移动传感器网络降噪和校准方法

说明书

本发明提供一种基于贝叶斯网络的移动传感器网络降噪和校准方法，先将数据集分成训练集和验证集，接着对数据预处理(去噪、平滑等)，同时训练贝叶斯网络，将产生的估计真实值通过贝叶斯网络处理，然后通过校验算法校验传感器。本发明解决了传感器数据漂移和功能校准的问题，同时通过不同类型传感器的相关性来检测和纠正异常值。实验对比表明，该发明能使网络中的系统误差有很大程度的降低，传感器的数据恢复速率也有很大程度的提高。

技术领域

本发明涉及到移动传感器网络等领域，是一种基于贝叶斯网络的移动传感器网络降噪和校准方法。

背景技术

移动传感器网络是目前IT领域中的研究热点之一，其中实时感知、实时监控各种环境中的对象信息有着广泛的市场需求。传统传感器监控系统存在一些问题，例如传感器的数据漂移等。传感器的漂移会使传感器的许多功能受到影响，导致误差呈指数级的增长；传感器的功能校准和数据校准，如若对漂移后的传感器不做及时处理，会对整个传感器网络的监测造成噪声和干扰；传感器网络中的异常值检测和纠正，对异常值的正确处理能保障整个传感器网络的数据精度更准确。

目前对传感器存在的不足有一些常用的解决方案。例如对于传感器漂移，常用的解决方案是硬件上和软件上的改进来减弱漂移误差；对于传感器去噪，小波变换、BP神经网络等算法能有效的估算漂移并进行补偿，较好的解决去噪问题；对于异常值检测，基于聚类的异常值检测、基于时空关联性的异常值检测、时间序列算法能综合考虑数据间的时空关联性和网络分布特征，从而良好的检测和剔除异常值。这些算法有各自优点，但这些解决方式没有很好考虑到传感器网络内的不同类型传感器之间的关联性。因此针对这个不足，本发明提出了一种有效的改进方法来解决问题。

发明内容

本发明提供一种基于贝叶斯网络的移动传感器网络降噪和校准方法，解决了传感器数据漂移和功能校准的问题，同时通过不同类型传感器的相关性来检测和纠正异常值。实验对比表明，该发明能使网络中的系统误差有很大程度的降低，传感器的数据恢复速率也有很大程度的提高。

本发明主要通过对传感器中的随机以及系统噪声的综合考量，在没有准确参照值的前提下，解决传感器噪声问题。

其中随机噪声是指监测数据在采集，传输的过程中，由于受到环境，仪器，网络，以及人为等因素干扰，会导致随机性的数据失真及异常。这些噪声一般遵守高斯分布，并且在时间跟空间分布上有自相关性。

而系统噪声则是指受到传感器表面物化反应，电气老化，参数漂移等因素作用，随着使用时间推移，传感器敏感度逐渐退化，使数据产生暂时或永久性的偏置的现象。其所造成的失真及异常即定义为系统噪声。与随机噪声相比，系统噪声对数据的影响有全局性，方向性等特点。因此，基于时空局部相关的随机噪声解决方案无法适用于系统噪声。现有解决方案存在参照系稀缺，多元数据融合等诸多问题。

值得注意的是传感器故障可以视为系统噪声的一个特例，因此针对系统噪声的解决方案一般也可应用于传感器网络的故障诊断及处理。而本发明主要解决的是，在没有参照系的前提下，对被观测物理量的最优估计以及对传感器方程的校准。

本发明主要采用一种基于贝叶斯网络的移动传感器网络降噪和校准方法，具体包括以下步骤：

步骤1：将数据集分成训练集与验证集，其中训练集用A表示，验证集用B表示。其中训练集A是根据定义的特征(包括温度，湿度，不同污染物浓度等)，通过随机挑选整个数据集中80％的数据所组成的集合。通过最大似然法，其主要用于估计贝叶斯网络条件概率表中参数的值。而验证集B由剩余的20％数据组成，主要用于评估通过训练获得的贝叶斯网络的有效性跟可靠性；