[发明专利]无线传感器网络缺失数据重建方法

说明书

本发明公开了一种无线传感器网络缺失数据重建方法。本发明一种无线传感器网络缺失数据重建方法，包括：S1对传感器节点的测量数据进行预处理；S2使用模糊神经网络对目标节点和其邻居节点间的时空相关性进行建模，根据S2建立的模型以及S1预处理后的测量数据得到缺失数据的预测值；S3在预测值中引入自适应机制，进行模糊神经网络模型的自动更新。本发明的有益效果：通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据的节点和邻居节点间的时空相关性进行数学建模，从而得到目标节点的重建值。最后在目标节点的重建值中引入自适应机制。

技术领域

本发明涉及无线传感器网络领域，具体涉及一种无线传感器网络缺失数据重建方法。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是由一定数量拥有感知、计算、和通信能力的传感器节点所组成的网络。通过将客观物理世界与信息世界紧密的相联，WSN被广泛应用于生产生活的众多领域，极大地提高了人们对现实世界的认识能力。

在环境监测领域，WSN通常被部署于无人监管、气候复杂的野外环境，一方面，受到低成本传感器节点的所携带能源的限制，例如电池功率、计算存储能力以及通信带宽，这使得节点产生错误数据的概率很大。另一方面，大规模节点通常随机部署在环境恶劣的外界环境，伴随着极端气候的影响，如狂风，暴雨，冰雹等，一些传感器节点发生故障也是不可避免的。因此，在长期使用这些节点的过程中，必然会产生缺失数据，若不对这些缺失数据进行数据重建，可能会影响整个网络数据的可靠性以及感知数据的完整性。例如，当所监测的环境中发生事件时，例如火灾，地震等，不可靠且不完整的数据可能无法检测出这些变化。因此，对节点数据进行缺失数据精确重建至关重要。

传统技术存在以下技术问题：

关于WSN数据重建方法，国内外学术界已有诸多成果。目前通用的方法是基于传感器节点的时间相关性与空间相关性进行数据重建。基于时间相关性算法考虑到数据的时间相关性，即连续时刻的节点数据是近似的。如果当前时刻数据缺失，那么利用前一时刻和后一时刻的数据估计当前时刻的数据值。基于空间相关性算法主要是利用节点部署的空间相关性，即相邻节点的感知数据具有相关的读数，因此，可以使用邻居节点的感知数据对目标节点的缺失数据进行数据重建。随着机器学习研究与广泛应用，各式各样的方法被用于更好的解决数据缺失问题，如判定树、贝叶斯法、期望值最大化、回归法等。这种方法是利用已有的正常数据作为训练样本，从而建立预测模型，以估计缺失数据。然而，一旦预测值不精确，会导致最终重建值的精度受累积误差的限制。

发明内容

本发明要解决的技术问题是提供一种无线传感器网络缺失数据重建方法，解决目前WSN中缺失数据重建方法中存在的精确度低的问题，所述方法采用模糊神经网络模型进行缺失数据的重建，并引入自适应机制用来及时更新训练模型。

为了解决上述技术问题，本发明提供了一种无线传感器网络缺失数据重建方法，包括：

S1对传感器节点的测量数据进行预处理；

S2使用模糊神经网络对目标节点和其邻居节点间的时空相关性进行建模，根据S2建立的模型以及S1预处理后的测量数据得到缺失数据的预测值；

S3在预测值中引入自适应机制，进行模糊神经网络模型的自动更新。

在其中一个实施例中，所述S1中的预处理包括：进行数据二次采样和归一化处理。

在其中一个实施例中，所述S1包括：

S11从传感器节点的测量数据中选取数据子集，所述数据子集包括目标节点以及其邻居节点的测量数据，其中，所有节点的测量数据具有时空相关性，即相同时间范围内，节点测量数据的改变趋势一致；

S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样，缩减数据量；