[发明专利]一种基于图神经网络的传感器网络数据异常判决方法

说明书

本发明公开了一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：1）对传感器网络数据进行图建模；2）使用图卷积网络提取图模型中的空间特征；3）使用门控循环单元提取图模型中的时间特征；4）使用全连接层对提取的时空特征进行异常判决；这种方法可以通过分析传感器网络的历史数据从而进行异常判决。

技术领域

本发明涉及神经网络、图模型与图信号处理技术领域，具体是一种基于图神经网络的传感器网络数据异常判决方法。

背景技术

传感器已经被广泛的用于监控不同位置的物理或环境状况，如温度、湿度、气压和风速等。多个分布在不同位置的传感器就组成了传感器网络，传感器网络无论在民用领域还是在军事领域都有广泛的应用。因此对传感器网络中的各个传感器进行异常判决就显得尤为重要，异常判决可以了解传感器的运行状况或是传感器周围环境发生的异常变化，这些信息在传感器异常排查或是传感器网络的数据分析都有着极为重要的作用。

图是一种典型的非欧几里得结构(Non-Euclidean Structure)，这类数据随机性大，结构不规则，具体体现在对于数据中的某个点，难以将其邻居节点定义出来，或者是不同节点的邻居节点的数量是不同的。而图又是一种常见的数据结构，广泛的应用于社交网络、交通运输网和传感器网络等，这给这类图信号的处理带来了一定的困难。

神经网络是一种模仿生物神经网络的结构和功能的数学模型，神经网络在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。早期神经网络对图信号的处理是使用卷积神经网络来妥协的，由于卷积神经网络是用于处理欧几里得结构的数据，因此这样的方法有许多缺陷。直到图卷积神经网络的出现才使得这个问题得到了较为妥善的处理。图卷积神经网络能够很好的提取图信号的空间特征，配合用于提取时间特征的循环神经网络就能对时变的图信号进行处理。

发明内容

本发明的目的是针对现有技术得不足，而提供一种基于图神经网络的传感器网络数据异常判决方法。这种方法适用于拥有时空特征的图信号数据异常判决问题，通过对历史数据的时空特征提取从而完成高精度的异常判决。

实现本发明目的的技术方案是：

一种基于图神经网络的传感器网络数据异常判决方法，包括如下步骤：

1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x₁,x₂,…,x_m]∈R^n×m，其中x_i∈Rⁿ,i＝1,2,...,m为当前传感器网络中的n个传感器在i时刻所获取的数据，C＝{(a₁,b₁),(a₂,b₂),…,(a_n,b_n)}为传感器网络中n个传感器各自的坐标组成的集合，其中a_i为纬度，b_i为经度i＝1,2,...,n,据此，可以构建出图G＝{V,E,W}，其中V为图中结点的集合，对应传感器网络中的各个传感器，E为边的集合，边用于描述节点之间的相似与邻接关系，W为权重矩阵，权重矩阵内部元素表示对应两个节点是否有空间上的联系，定义如公式(1)所示：

在公式(1)中，R为阈值，阈值可根据传感器网络所获取的数据与地理位置之间的联系灵活调整，d_ij＝d_geo((a_i,b_i),(a_j,b_j))表示i，j两个结点所对应的传感器的地理距离，其中d_geo采用半正矢公式即Haversine公式计算得出，d_geo定义如公式(2)所示：