[发明专利]一种基于贝叶斯网络模型的WSN缺失数据重建方法

权利要求书

1.一种基于贝叶斯网络模型的WSN缺失数据重建方法，其特征在于，该方法首先将每个时间周期划分成不同时隙，每一个时隙都包括数据收集、节点评估以及缺失数据重建三个时间段；数据收集阶段：含有缺失数据的传感器节点向邻近节点发送请求数据的信息；节点评估阶段：传感器节点根据最佳信任节点的判定标准挑选出最优的数据候选节点；缺失数据重建阶段：含有缺失数据的传感器节点首先建立贝叶斯网络模型，然后将最佳候选节点的数据作为辅助变量引入贝叶斯网络模型中，计算并选择最大条件概率所对应的数据替代传感器的缺失数值，以此实现数据重建；

所述缺失数据重建方法具体包括以下步骤：

S1：将时间周期划分为单个时隙，每个时隙用时间周期T表示；

每个T包含三个时间段，分别是数据收集时间T_g、节点评估时间T_e和数据重建时间T_r；

T＝T_g+T_e+T_r

S2：在T_g时间段，每个传感器节点感知并收集数据，包括收集的数据信息x_ij，感知节点的地理位置信息l_ij，两相邻节点之间的角度θ_ij以及平均速度v_ij；

S3：当一个传感器节点检测到自己收集的数据不完整时，该节点会在每个时隙内向其邻近节点广播消息，该消息主要包括该节点的身份认证信息以及当前位置信息；

S4：含有缺失数据的节点在T_e时间内评估每一个邻近节点的数据，确定最佳候选节点；

S5：缺失数据重建阶段，含有缺失数据的节点m首先利用与其他节点之间的空间关系以及该节点前一刻和后一刻的数据建立贝叶斯网络模型；

S6：含有缺失数据的节点根据最佳候选节点的数据确定缺失数据的每一种属性的最大值X_max和最小值X_min，并将V＝[X_min,X_max]作为辅助变量引入贝叶斯网络模型中，然后计算节点m的缺失数值X_m∈V＝[X_min,X_max]每一个取值的条件概率；具体包括：

S61：取V中的每个值与观察值构成新的序列η＝y₁…y_n+2,y_i∈Y_i，用表示重建序列，并且满足：当y_i≠-1时当y_i＝-1时用U表示所有重建序列μ的集合；则缺失数值Y_m的真实值的条件概率为：

其中，X₁,X₂,...,X_n表示从最佳候选节点处获得的n个传感器的值；Y₁,Y₂,...,Y_n表示含有缺失数据节点当前的数值；X_n+1,X_n+2以及Y_n+1,Y_n+2分别表示传感器节点上一时刻和下一时刻的估计值与观测值；表示Z＝x_m,Y₁＝y₁,...,Y_n+2＝y_n+2时的概率；表示Y₁＝y₁,...,Y_n+2＝y_n+2时的概率；表示在Y₁＝y₁,...,Y_n+2＝y_n+2时，X_m的真实值Z＝x_m的条件概率；

S62：利用贝叶斯理论和变量消元法化简并选择具有最大条件概率时对应的数据作为缺失传感器读取的重建数据。

2.根据权利要求1所述的一种基于贝叶斯网络模型的WSN缺失数据重建方法，其特征在于，所述步骤S3具体包括：每个邻近节点估计在该节点离开传输范围之前是否有足够的时间将它们的数据发送至请求节点，确定了传输的可行性后，该邻近节点将自己的信息以及在时间T_g内从任何其他节点接收到的信息一起传输给数据缺失的节点。

3.根据权利要求1所述的一种基于贝叶斯网络模型的WSN缺失数据重建方法，其特征在于，所述步骤S4中：每个候选节点的评估准则为：

τ＝w₁E_C+w₂E_ST+w₃E_S+w₄E_θ

其中，E_C表示节点可信度评估；参数E_ST表示两点之间的时空关系评系数；E_S和E_θ分别表示速度归一化和角度归一化，w_i代表权重系数，i＝1,2,3,4。