[发明专利]传感器网络中基于混合因子分析模型的分布式聚类方法

摘要

本发明公开了传感器网络中基于混合因子分析模型的分布式聚类方法，该方法用混合因子分析模型来建模传感器网络中各节点处待聚类的数据，各节点基于自身数据计算局部充分统计量，而后将该量扩散广播给其邻居节点，当节点收到所有来自邻居节点的局部充分统计量之后，其可以获得联合充分统计量，并基于该统计量估计出混合因子分析模型中的各个参数，最终基于估计出的模型完成聚类。本发明建立混合因子分析模型可以在聚类的同时完成数据的降维，采用分布式聚类方式，避免传统的集中式处理方式中由中心节点带来的网络崩溃。在本发明分布式聚类方法中，各节点间传输的是充分统计量而不是数据，既大大节省了通信开销，又可以较好地保护数据中的隐私信息。

主权项

传感器网络中基于混合因子分析模型的分布式聚类方法，其特征在于，所述方法包括如下步骤：步骤1：初始化；传感器网络中有M个传感器节点，第m个节点采集到N_m个数据，表示为其中y_m,n表示节点m处的第n个数据，维度为p；网络拓扑已经事先确定，节点m的邻居节点集合表示为R_m；用混合因子分析模型(MFA)来描述Y_m(m＝1,...,M)的分布，所有节点的数据共用同一个MFA；MFA的参数集合为{π_i,A_i,μ_i,D_i}_i＝₁,...,_I，其中π_i为第i个混合成分的权重，A_i为第i个混合成分的(p×q)的因子载荷矩阵，q为低维因子的维度，取q＝p/6～p/2之间的任意整数；μ_i为第i个混合成分的p维均值矢量，D_i为第i个混合成分的误差的协方差矩阵；首先，设定MFA中的混合成分数I，也是待聚类的类别个数；根据I,p和q来设定MFA中各参数的初始值；其中，各节点处的从该节点采集到的数据中随机选取，和中的每个元素都从标准正态分布N(0,1)中生成；此外，每个节点l将其采集到的数据个数N_l广播给其邻居节点；当某个节点m收到它的所有邻居节点l(l∈R_m)广播来的数据个数之后，该节点根据下式来计算权重c_lm：初始化完成后，迭代计数器iter＝1，开始迭代过程；步骤2：局部计算；在每个节点l处，基于其采集到的数据Y_l，首先计算出中间变量g_i，Ω_i，和<z_l,_n,i>，(n＝1,...,N_l；i＝1,...,I)：其中，为前一次迭代完成之后得到的参数值，首次迭代时为参数的初始值<z_l,n,i>表示节点l处第n个数据y_l,n属于第i个类混合成分的概率；接着，节点计算局部充分统计量包括：；步骤3：广播扩散；传感器网络中的每个节点l将计算好的局部充分统计量LSS_l广播扩散给其邻居节点；步骤4：联合计算；当节点m(m＝1,...,M)收到来自其所有邻居节点l(l∈R_m)的LSS_l后，节点m计算出联合充分统计量步骤5：估计参数；节点m(m＝1,...,M)根据上一步计算出的，估计出，其中，{π_i,μ_i}_i＝1,...,I的估计过程如下：对于{A_i,D_i}_i＝1,...,I的估计，过程如下：步骤6：判决收敛；节点m(m＝1,...,M)计算当前迭代下的对数似然值：如果logp(Y_m|Θ)‑logp(Y_m|Θ^old)＜ε，则收敛，停止迭代；否则执行步骤2，开始下一次迭代(iter＝iter+1)；其中Θ表示当前迭代估计出的参数值，Θ^old表示上一次迭代中估计的参数值，即，相邻两次迭代的对数似然值小于阈值ε，算法收敛；ε取10^‑5～10^‑6中的任意值；由于网络中各节点是并行处理数据，因此所有不可能在一次迭代中同时收敛；当节点l已经收敛而节点m尚未收敛时，则节点l不再发送 LSS_l，也不再接收邻居节点传输的信息；节点m则用最后一次收到的节点l发来的LSS_l更新其CSS_m；未收敛的节点继续迭代，直至网络中所有节点都收敛；步骤7：聚类输出；经过步骤1‑步骤6之后，节点m(m＝1,...,M)得到与其每个数据相对应的<z_m,n,i>(n＝1,...,N_m；i＝1,...,I)，将<z_m,n,i>(i＝1,...,I)中的最大值所对应的序号作为y_m,n所最终分配到的类C_m,n，即：得到所有节点上的所有数据的聚类结果