[发明专利]一种基于空间结构的无线传感器网络缺失值估计方法

说明书

本发明公开了一种基于空间结构的无线传感器网络缺失值估计方法，属于无线传感器网络领域。本发明在进行数据恢复的同时，不仅考虑到了WSNs时间上的关联，结合传感器节点数据具有时空相关性的特点，通过增加正则化项的方式来约束矩阵补全的解空间对数据进行缺失值估计，本发明基于WSNs的空间结构约束，无论连续缺失值如何变化，本发明总能具备较好的准确率和稳定性，能够显著提高数据恢复的准确度。

技术领域

本发明属于无线传感器网络领域，更具体地说，涉及一种基于空间结构的无线传感器网络缺失值估计方法。

背景技术

无线传感器网络(Wireless Sensor Networks,WSNs)是一种全新的信息获取和处理技术，其在军事、环境监测、灾难救援、工业控制、智能家居等诸多领域得到广泛应用，是信息领域的研究重点。无线传感器节点通常直接暴露在外部环境中，天气状况、传感器器件自身稳定性、人为因素等等原因都会导致通信链路的频繁断接，从而导致采集到的感知数据在传输中存在数据丢失或者数据异常的现象。

通常，传统针对缺失数据的处理方法包括三类：一是直接删除缺失数据；二是不对数据进行任何处理，直接使用目前的算法；三是对缺失数据进行填充。第一类方法虽然简单，易用，但是随着“大数据时代”的到来，数据的稀疏特性越来越严重，缺失数据量也逐渐增多，丢弃缺失数据项不但影响数据的整体特征，甚至会严重影响数据挖掘的结果，使操作人员做出错误的判断，造成重大人为损失。而第二类方法，则必须面临传统的数据挖掘算法都是针对完全数据进行处理这一现状，需要对经典算法进行相应修改后方能使之适用于缺失数据，更为重要的是这种修改任务繁重，有些甚至是无法实现的。此外，虽然目前出现了一些针对不完全数据的分析算法，但通常存在算法复杂度高、处理效果不佳等问题。因此对缺失数据进行填充是不完全数据处理的最理想方法。所谓不完全数据填充指的是通过其他已知辅助信息，运用特定方法或模型，求出最接近缺失数据的一个或者多个预测值，之后用预测值对缺失数据进行填充，获得完整数据集，并使得数据集应尽量趋近于原始数据集。

近年来，研究人员针对WSNs的数据恢复问题提出了一系列的模型和算法，并取得了可见成效。如Nan提出了基于相关规则挖掘的传感数据恢复方法；Li等人提出了基于物理和统计模型的传感数据恢复方法；2010年，潘立强等人提出了基于时空相关的传感数据估计算法。值得一提的是，WSNs数据的相邻时间点间具有较强的相关性，例如温度传感器和光照强度传感器的前后时间点之间就存在一定程度的关联性，而这种在时间轴上的平滑演化效应可以在数学模型上即是典型的低秩结构。通常，这种低秩结构在WSN数据中，可以通过矩阵分解的方法得到使用，如仵博等人便利用非负矩阵分解的方法对WSNs收集到的数据进行压缩，并取得了良好的效果。然而，需要注意的是，WSNs中除了存在时间上的关联外，传感器节点与节点之间还存在空间上的关联，例如温度传感器中位置邻近的传感器相比间隔较远的传感器，其温度变化规律将更为相似，因此当这个温度传感器出现数据缺失时，邻近的传感器的数值显然更具参考作用。

矩阵补全方法是估计缺失值的有效方法，但目前尚未考虑到数据间的连续性而导致估计误差较大。因此，为保证无线传感器网络中数据的完整性，针对感知数据在传输中存在数据丢失的问题，如何结合空间上的结构约束，对缺失值进行估计是目前亟需解决的一大问题。

发明内容

1.发明要解决的技术问题

本发明针对感知数据在传输中存在数据丢失的问题，提供了一种基于空间结构的无线传感器网络缺失值估计方法，本发明在进行数据恢复的同时，不仅考虑到了WSNs时间上的关联，结合传感器节点数据具有时空相关性的特点，通过增加正则化项的方式来约束矩阵补全的解空间对数据进行缺失值估计。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

一种基于空间结构的无线传感器网络缺失值估计方法，步骤如下：

步骤1、利用矩阵奇异值的稀疏性，根据已知矩阵部分元素恢复出原始矩阵；