[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

说明书

本发明涉及一种基于贝叶斯网络模型的WSN缺失数据重建方法，属于无线传感器网络数据处理技术领域。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。本发明降低了数据错误率，且能够满足节点处于移动环境下实时处理信息的要求。

技术领域

本发明属于无线传感器网络数据处理技术领域，涉及一种移动场景下的无线传感器节点基于贝叶斯网络模型的缺失数据重建方法。

背景技术

随着无线传感器网络(Wireless Sensor Network,WSN)在环境感知、工业过程控制、生态监控和应急方案等领域的广泛应用，其以数据为中心的特点日益凸显。数据本身是信息的载体，而且真实完备的数据是支撑数据分析和决策的基本前提，WSN对数据完整性、正确性和准时交付都有严格的要求。然而，由于感知节点有限的存储能力、通信能力、计算能力以及外界故障、人为干扰等原因，导致收集的感知数据通常存在不可避免的缺失或异常，因此如何重建这些缺失的感知数据成为能否进行精准科学研究的关键，构建合理的缺失感知数据重构模型，保证重建精度高、误差小，同时符合传感数据的特点是非常有意义的研究热点。

近年来不断有研究者提出一系列方法用于解决WSN的数据重建问题，这些解决方案主要是基于时-空相关性的缺失数据估计、基于插值拟合的缺失数据重建以及基于稀疏理论的缺失数据重构。文献“Tensor Completion for Estimating Missing Values inVisual Data”研究了WSN中感知数据的低秩特性，并基于矩阵补全理论提出了三种非常经典的缺失数据重建算法，为后面的此类研究奠定了基础。

公开号CN105743611A公开了一种估计与稀疏字典的无线传感器缺失数据重构方法，该方法首先根据缺失数据确定需要重构的数据帧的总数，然后构建字典求得相关系数，最后不断迭代更新字典直至重构出满足条件的最佳矩阵。公开号CN106250515A公开了一种基于历史数据的缺失路径恢复方法，该方法首先利用马尔可夫决策过程模型进行建模，并根据历史数据训练参数，然后计算转移概率并用最短路径搜索到概率最高的路径，最后使用该路径恢复缺失数据。上述公开的这些方法，主要解决WSN中感知节点处于静态模式下的缺失数据重建问题，并未对感知节点处于移动模式下感知数据缺失重建这一问题进行探讨。传统的缺失数据重建方法利用了自身感知数据的时空相关性或者属性相关性重建缺失数据，但处理的数据都是较长采样时间内收集的感知数据，在重建感知节点处于高速移动环境下短时间内传递的信息方面依旧有研究探讨的空间。

发明内容

有鉴于此，本发明的目的在于提供一种基于贝叶斯网络模型的WSN缺失数据重建方法，在移动场景下的WSN中，利用感知数据的时空相关性重建缺失数据，降低数据错误率，满足节点处于移动环境下实时处理信息的要求。

为达到上述目的，本发明提供如下技术方案：

一种基于贝叶斯网络模型的WSN缺失数据重建方法，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。

进一步，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；