[发明专利]基于双层模型体系的无线传感网的数据采集方法

摘要

一种基于双层模型体系的无线传感网的新颖数据采集方法，属于无线传感网技术领域。本发明实现包括趋势模型和调整模型两部分。构建趋势模型部分包括第一步将单变量模型表示为状态空间形式，第二步应用卡尔曼滤波进行模型参数的计算，第三步基于残差三阶累积量的模型检测。调整模型为针对残差数据，采用三阶自回归模型，根据精度要求，进行阈值进行判断。最后节点向外传输的数据为趋势模型参数和调整模型参数以及相应的时间点。与已有的基于单模型的数据采集方法相比，该方法具有更高的精度；与已有的复杂模型的数据采集方法相比，该方法在具有更高的精度的同时，而且消耗更少的存储资源，能够满足复杂环境的需求。

主权项

1.一种基于双层模型体系的无线传感网的数据采集方法，其特征在于以下步骤，第一步，构建趋势模型采用单变量模型作为趋势模型，即yt＝x′tα+ut,t＝1,2,…,Tyt是因变量，x′t是1×m的解释变量向量，α是待估计m×1位置参数向量，ut是扰动项；将单变量模型写成状态空间的形式，即量测方程：yt＝x′tαt+ztγ+ut状态方程：xt是具有随机系数αt的解释变量的集合，zt是有固定系数γ的解释变量集合，随机系数向量αt是状态向量，变参数αt是不可观测变量，利用可观测变量yt和xt来估计；采用卡尔曼滤波迭代的进行模型参数的求解，即设at‑1为状态向量αt‑1的均值，也是基于信息集合Yt‑1的αt的估计量，Pt‑1表示估计误差的m×m协方差矩阵，即Pt‑1＝E[(αt‑1‑at‑1)(αt‑1‑at‑1)′]   (1)当给定αt‑1和Pt‑1时，αt的条件分布的均值由下式给定，即at|t‑1＝Ttat‑1+ct   (2)在扰动项和初始状态向量服从正态分布的假设下，αt的条件分布的均值at|t‑1是αt在最小均方误差意义下的一个最优估计量；估计误差的协方差矩阵是Pt|t‑1＝TtPt‑1T′t+RtQtR′t   (3)式(2)和式(3)称为预测方程；一旦得到新的预测值yt，就能修正αt的估计at|t‑1；Ft＝ZtPt|t‑1Z′t+H t＝1,2,…,T(6)式(2)～式(6)称为更新方程上述式(2)～式(6)一起构成卡尔曼滤波的公式；系统矩阵Zt,Ht,Tt,Rt,Qt是已知的；初始状态向量α0的均值为a0，协方差P0；在所有的时间区间上，扰动项ut和εt相互独立，而且它们和初始状态α0也不相关；卡尔曼滤波的初值可以按a0和P0或a1|0和P1|0指定；通过对每一个时间点进行卡尔曼滤波计算，计算出此时的最优参数；针对得到的每一个模型参数，通过基于残差三阶累积量来进行模型参数的检测，{d(k)}是ith时间点最近的N个残差数据；滑动窗口大小设定为N，使用{d(k)}的三阶累积量；假设{d(k)}满足遍历性，残差的三阶累积量估计计算如下：残差三阶累积量的标准化：进行阈值检测：当残差数据更新到(i+1)th,目前的(i+1)th最近的N个残差继续重复阈值检测，直到本次模型检测结束；第二步，调整模型的构建调整模型采用的是p阶自回归模型，即如果时间序列xt满足其中是模型参数∈_t是独立同分布的随机变量序列，且满足：以及E(∈_t)＝0,则称为时间序列x_t服从p阶的自回归模型样本数据为趋势模型的值和采集数据的值的残差，根据精度要求，设定阈值，不断更新模型；第三步：将趋势模型及相应的时间点和调整模型及相应时间点作为数据向sink节点传输。