CN104035396B - 基于无线传感器网络的分布式行为识别方法 - Google Patents

Abstract

本发明公开了一种基于无线传感器网络的分布式行为识别方法，包括如下步骤：步骤1，收集传感器的采样数据，将传感器的采样数据通过活动预测和能耗均衡的路由算法运算之后，传递到集中控制系统；步骤2，所述集中控制系统对运算后的采样数据进行训练挖掘，挖掘频繁行为轨迹模式，从而分别生成频繁行为轨迹集和频繁行为状态集；步骤3，对生成的频繁行为轨迹集进行进一步挖掘，获得能够分布式存储在每个传感器上的相关频繁行为识别知识集；步骤4，所述频繁行为识别知识集存储到每个传感器，在用户进行行为动作时，通过将多播报文中的已完成识别信息与该传感器存储的知识集完成行为动作计算过程，进行频繁行为的识别，识别用户的行为。

Description

基于无线传感器网络的分布式行为识别方法

技术领域

本发明涉及智能控制领域，尤其涉及一种基于无线传感器网络的分布式行为识别方法。

背景技术

传统智能环境的行为识别研究工作以及实现方案存在多种不足，主要包括以下两点：

1、采用视频监测数据和携带标签的RFID数据来进行住户或行人的活动识别。

基于视频监控的技术通过视频设备来采集数据，利用图像处理技术对数据进行分析，从而识别用户活动。因为要实现较为细致的活动识别，需要布置大量且密集的信息搜集设备，而由于视频监控的设备成本昂贵，覆盖区域较小的缺陷难以达到这个要求，并且现实场景中房屋结构和屋内光线等问题都会影响到识别结果的有效性，再加上使用视觉监控设备的研究方法属于侵入式的方法，直接对用户的生活摄像导致对用户的隐私保护不够，在家庭环境中，人们并不接受视频长期监控，因此用户对这类方法的接受度并不高。另外实际参与者并不愿意携带能够触发传感器的专用手套或别的携带标签的特殊设备，所以基于携带标签的RFID传感器方法也不利于大规模推广。另外，智能环境在生活辅助方面的应用需要有较为精确的活动识别才可以实现，而基于标签和视频监控等的传统智能环境对活动的识别较为粗糙，不能达到所需的要求，这些方法难以大规模应用到真实环境中。

2、目前的基于无线传感器网络的活动检测算法多以集中式算法为主，采用集中式的数据处理方法，需要各个传感器将检测到的数据传回到中心节点(通常为一台电脑)，由中心节点进行分析推理，但这种集中式的算法的实时性不强，不能解决由于网络延迟而可能带来的检测错误并且没有能利用到传感器节点自身的计算能力和存储能力。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于无线传感器网络的分布式行为识别方法。

为了实现本发明的上述目的，本发明提供了一种基于无线传感器网络的分布式行为识别方法，其关键在于，包括如下步骤：

步骤1，收集传感器的采样数据，将传感器的采样数据通过活动预测和能耗均衡的路由算法运算之后，传递到集中控制系统；

步骤2，所述集中控制系统对运算后的采样数据进行训练挖掘，挖掘频繁行为轨迹模式，根据频繁行为轨迹模式标记出频繁行为状态，从而分别生成频繁行为轨迹集和频繁行为状态集；

步骤3，对生成的频繁行为轨迹集进行进一步挖掘，计算每一个传感器在被触发时预测的频繁行为轨迹，相应的概率，和相关的上下文信息，获得能够分布式存储在每个传感器上的相关频繁行为识别知识集；

步骤4，所述频繁行为识别知识集存储到每个传感器，在用户进行行为动作时，当前触发的传感器结合接收的其它传感器的多播报文和传感器自身所存储的频繁行为识别知识集，通过将多播报文中的已完成识别信息与该传感器存储的知识集完成行为动作计算过程，进行频繁行为的识别，识别用户的行为。

所述的基于无线传感器网络的分布式行为识别方法，优选的，所述步骤1中收集传感器采样数据为每隔一段时间传感器采样当前触发的信息I_i，I_i＝(St_i,d_i)所述下标i代表传感器标号，第i号传感器的触发状态，

d_i表示传感器处于触发状态的持续时间。

所述的基于无线传感器网络的分布式行为识别方法，优选的，所述步骤1中活动预测和能耗均衡的路由算法包括：

步骤1-1，所述路由算法定义综合系数W_ij，其中下标i，j代表数据报文从节点i传递到节点j，从传感器节点能量均衡、活动预测、传输能耗和剩余能量四个因素，结合每个因素系数的特点系数，其中i＝1，……，M，j＝1，……，M，且i≠j，M为大于1小于等于环境中传感器总数的整数，假设若干传感器允许数据传送的跳数上限是Hop，且当前数据所经过的h跳后，传到节点i，h＝1，……，Hop，Hop为大于1的整数；

步骤1-2，检查跳数h是否超过Hop，超过跳数就丢弃报文；

步骤1-3，判断节点的下一跳是否就是初始传感器节点，如果下一跳是初始传感器节点执行第1-4步；如果下一跳不是初始传感器节点执行第1-5步；

步骤1-4，直接交付报文，传送到集中控制系统；

步骤1-5，判断节点i的数据可达邻节点集{N(i)}非空；

步骤1-6，取出邻节点集{N(i)}所有数据可达邻节点当中，综合系数W_ij最小的一个节点j；

步骤1-7，判断取出的节点j到初始传感器节点的距离是否比节点i到初始传感器节点的距离近，如果节点j到初始传感器节点的距离比节点i到初始传感器节点的距离近，执行第8步；如果节点j到初始传感器节点的距离比节点i到初始传感器节点的距离更远，执行第9步；

步骤1-8，把选出的节点作为下一跳节点，跳数h加1；

步骤1-9，从节点i的数据可达邻节点集合中除掉节点j，重新执行第6步；

步骤1-10，如果节点i的数据可达邻节点集合为空丢弃报文。

所述的基于无线传感器网络的分布式行为识别方法，优选的，所述步骤2中挖掘频繁行为轨迹包括：

步骤2-1，创建FP树，收集的行为活动的传感器训练数据存储在传感器训练数据库D中，完成一个行为活动触发的传感器序列就是一个事务Trans，每个事务Trans中传感器的触发状态s_i和触发时长d_i构成一个项目item，其中i＝1，……，M，M为大于1小于等于环境中传感器总数的整数；

步骤2-2，创建FP树的根节点记为T,并且标记为NULL，所述NULL表示将节点标记为空；顺序操作传感器训练数据库D中的每个事务Trans：取当前事务Trans中的item_l＝(s_i,d_i)插入生成树，其中l＝1，……，L，且L为大于1小于等于当前Trans中item总数的整数，遵循如果在插入的目标位置已经存在一个节点(s_k,d_k)使得s_k＝s_i，且满足|d_k-d_i|≤η，其中η为传感器持续触发时间差的阈值，则认为这两个节点相等，节点的频繁支持度值加1，其中k＝1，……，N且N为大于1小于等于环境中传感器总数的整数；否则，节点(s_i,d_i)将作为新节点插入，将其频繁支持度加1的规则；

步骤2-3，当传感器训练数据库D中的不含未执行插入生成树的事务Trans时，FP树完成，判断每一条FP树的路径所代表的轨迹活动的频繁支持度是否大于λ，如果大于λ，则将此路径所代表的轨迹活动加入频繁行为轨迹集，其中λ为最小频繁支持度阈值。

所述的基于无线传感器网络的分布式行为识别方法，优选的，所述步骤3中对频繁行为轨迹集进行进一步挖掘包括：

步骤3-1，FP树生成算法，检测多播报文中的偏移控制位，判断是否发生偏移，若控制位为0，表示当前的传感器触发序列没有发生偏置即行为动作按照数据训练挖掘出来的频繁行为模式触发传感器，执行步骤3-2；若控制位为1，表示当前的传感器触发序列发生了偏置即行为动作没有完全按照系统训练期挖掘出来的频繁行为模式触发传感器，执行步骤3-3；

步骤3-2，对传感器中的行为模式预测集和传感器知识集进行匹配识别。首先判断当前行为的预测频繁行为模式集CandActivity1是否为空，如果不为空集，求出CandActivity1和分布式存储于当前触发的传感器节点i中的知识集Ki的并集CandActivity2，其中i代表传感器标号；再判断并集CandActivity2是否为空，若不为空则求出并集CandActivity3：CandActivity2中满足等于多播报文中PrevSensor字段，即当前行为触发的最后一个传感器，且d_i属于的行为轨迹，其中表示s_i所参与的行为轨迹集的第r条轨迹中在s_i节点之前被触发的上一个节点，代表s_i节点的时长划分规则，最后对并集CandActivity3进行判断；

步骤3-3，如果偏移传感器数量小于行为改变的最小阈值执行步骤3-2；如果偏移传感器数量大于行为改变的最小阈值则将当前多播报文中的已触发传感器节点序列置换为偏移触发传感器序列，重新计算当前多播报文中的行为模式预测集，偏移归零，执行步骤3-2。

所述的基于无线传感器网络的分布式行为识别方法，优选的，所述对并集CandActivity3进行判断的步骤为：

步骤3-4，如果并集CandActivity3不为空则对CandActivity3中的每一条轨迹进行预测概率计算，判断是否得到大于阈值的预测行为模式，若有则广播预测的行为模式，否则修改多播报文：将当前触发的节点以及相应的触发时长添加到表示已经触发的传感器节点序列以及相应的触发时长的控制字段SqTrSensor中；将当前触发的节点添加到表示当前行为触发的最后一个传感器的控制字段PrevSensor；将CandActivity置为CandActivity3；活动的预测概率也存入相应的控制字段；

步骤3-5，如果并集CandActivity3为空，将多播报文中的偏移控制字段置1；偏移传感器数加1，将当前的传感器加入偏移控制字段SqDeSensor；多播报文中的预测集CandActivity不变；多播报文中的当前行为偏移之后可能的预测频繁行为模式集根据当前触发的偏移节点来计算出来。

所述的基于无线传感器网络的分布式行为识别方法，优选的，所述步骤4包括：

每隔一段时间采样数据，获得用户的位置信息，形成报文广播，发送到其它传感器，其它每个传感器被用户触发时结合传感器自身所存储的频繁行为知识集和接收的最新广播报文，通过与行为模式预测集比较后，进行行为的识别，更新广播报文再次进行广播。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

智能家居能根据存储的相关知识和当前的环境信息提供智能控制方案，结合信息技术、数据采集、自动控制、无线通信等技术使居民的生活更加安全，节能和舒适。特别是家庭养老的这块领域，智能家居系统能识别出老人正在进行的行为活动，预测下个动作，包括准备吃饭，吃饭，睡觉，上厕所，洗澡或淋浴，更衣，洗衣服，吃药物，甚至不小心摔倒等，这些识别和预测将提升服务和保障安全(如提供及时，准确的援助)，提高老年人的独立居住能力。同时独居老人的健康问题也需要得到关注，医院或者护工24小时的监护，对于一个身体状况基本良好的老年人来说是没有必要的，不仅花费巨大而且严重影响老年人的生活质量。其实老年人的日常行为活动中其实蕴藏了大量的身体健康状态信息，很多细微的变化都是他们身体和精神健康的反馈。通过收集这些信息，进行结合相关医疗知识库的分析，能够尽早的了解老人的健康状况，可以防病于未然。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是基于无线传感器网络的分布式行为识别方法的流程图；

图2是基于无线传感器网络的分布式行为识别方法的单个传感器识别方法的具体实施方式流程图；

图3是基于无线传感器网络的分布式行为识别方法的装置示意图；

图4是基于无线传感器网络的分布式行为识别方法的具体实施方式流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

一种基于无线传感器网络的分布式行为识别方法，其特征与该方法所包含的环境布置：在智能家居环境中的行走通道周围，如走廊，浴室门，厨房门等以及用户可使用对象，如床，沙发，冰箱等布置M个传感器节点(使用的传感器需拥有能检测到人体的出现及移动记录人体处于监控范围内的时长能力，以及一定的存储能力以及计算能力)；为每个传感器节点标号S_i(i＝1,2,3….M)，所述i代表传感器标号，所述M代表正整数。

如图1所示，本发明提供了一种基于无线传感器网络的分布式行为识别方法，其关键在于，包括如下步骤：

步骤1，收集传感器的采样数据，将传感器的采样数据通过活动预测和能耗均衡的路由算法运算之后，传递到集中控制系统；

步骤2，所述集中控制系统对运算后的采样数据进行训练挖掘，挖掘频繁行为轨迹模式，根据频繁行为轨迹模式标记出频繁行为状态，从而分别生成频繁行为轨迹集和频繁行为状态集；

步骤3，对生成的频繁行为轨迹集进行进一步挖掘，计算每一个传感器在被触发时预测的频繁行为轨迹，相应的概率，和相关的上下文信息，获得能够分布式存储在每个传感器上的相关频繁行为识别知识集；

步骤4，所述频繁行为识别知识集存储到每个传感器，在用户进行行为动作时，当前触发的传感器结合接收的其它传感器的多播报文和传感器自身所存储的频繁行为识别知识集，通过将多播报文中的已完成识别信息与该传感器存储的知识集完成行为动作计算过程，进行频繁行为的识别，识别用户的行为。

图2是基于无线传感器网络的分布式行为识别方法的单个传感器识别方法的具体实施方式流程图；

训练数据收集：传感器节点的主要功能为感知人体移动和物品的使用，每隔一段时间传感器采样当前触发的信息I_i所述下标i代表传感器标号。并使用基于活动预测和能耗均衡的路由算法将触发信息传递到集中控制系统。

I_i＝(St_i,d_i)所述下标i代表传感器标号，第i号传感器的触发状态，

d_i表示传感器处于触发状态的持续时间。

训练数据挖掘模型：对训练周期收集的触发信息数据进行数据挖掘，挖掘出智能家居环境内人的频繁行为轨迹模式(即结合时域的传感器触发序列)T_n，所述下标n＝1,……,N且N为大于1且小于等于频繁行为轨迹模式总数的整数，并且为频繁的行为序列标记相应的行为状态A_j，所述下标j＝1,……,J且J为大于1且小于等于频繁行为轨迹模式总数的整数。得到频繁行为轨迹集T和频繁行为状态集A。所述频繁行为是指用户经过若干传感器后，所经过的传感器所采集到的用户行为轨迹数据，根据行为轨迹所记录的数据，获得用户针对某一项活动所采取的行为。

所述下标n、N、j、J代表传感器序号。

知识集分布式存储：依次对传感器S_i进行频繁行为轨迹集T的挖掘，挖掘出S_i参与到的频繁行为轨迹集所述上标i代表传感器序号，所述下标r为当前频繁行为轨迹在传感器s_i所参与到的频繁行为轨迹集中的顺序标号，r＝1,……,nNi，所述下标n为当前频繁行为轨迹在频繁行为轨迹集的标号，以及下标nNi传感器s_i所参与到的频繁行为轨迹的总数，nNi为大于1的整数；对应的的触发概率S_i在中的上一级触发节点S_i在中一般的触发时长的正态分布将挖掘到的信息集§_i分布式的存储到传感器S_i中。

形成频繁行为知识集K_i：

$K_i=\{<T_{n1}^i,{\mathrm{Pre}}_{n1}^i,{\mathrm{\&tau;}}_{n1}^i,P_{n1}^i>,<T_{n2}^i,{\mathrm{Pre}}_{n2}^i,{\mathrm{\&tau;}}_{n2}^i,P_{n2}^i>...<T_{\mathrm{nr}}^i,{\mathrm{Pre}}_{\mathrm{nr}}^i,{\mathrm{\&tau;}}_{\mathrm{nr}}^i,P_{\mathrm{nr}}^i>...<T_{{\mathrm{nN}}_i}^i,{\mathrm{Pre}}_{{\mathrm{nN}}_i}^i,{\mathrm{\&tau;}}_{\mathrm{ni}}^i,P_{{\mathrm{nN}}_i}^i>,\}$

表1 分布式存储相关变量定义

图3是基于无线传感器网络的分布式行为识别方法的装置示意图；

图4是基于无线传感器网络的分布式行为识别方法的具体实施方式流程图；

分布式行为识别：

传感器节点的主要功能为感知人体移动和物品的使用，每隔一段时间传感器采样当前触发的信息，形成报文广播，下一个传感器节点被触发时结合自身存储的知识集和接收的最新广播报文，进行行为的识别，更新广播报文再次广播。

表2 多播报文参数

完成行为识别：

当多播报文中CandActivity有行为轨迹的ProCandActivity到达了判定阈值，那么就完成识别，将识别的行为轨迹广播，传入总控，总控根据预测的行为轨迹查找对应的行为活动，再结合智能环境的其他智能设备进行相应的调控。

所述路由算法的设计要综合考虑到节点能量均衡、活动预测、传输能耗和剩余能量四个因素，结合每个因素系数的特点，设计一个综合系数W_ij，作为路由算法的最终系数。假设网络允许数据包传送的跳数上限是Hop，且当前数据k已经过h跳传到节点i(Node_i)，则活动预测和能耗均衡的路由算法描述如下：

活动预测和能耗均衡的路由算法

路由算法设计一个综合系数W_ij，代表数据报文从节点i传递到节点j综合考虑到节点能量均衡、活动预测、传输能耗和剩余能量四个因素，结合每个因素系数的特点系数，其中i＝1，……，M，j＝1，……，M，且i≠j，M为大于1小于等于环境中传感器总数的整数。假设网络允许数据包传送的跳数上限是Hop，且当前数据已经过h跳传到节点i，h＝1，……，Hop，Hop为大于1的整数。

1、检查跳数h是否超过Hop，超过跳数就丢弃报文

2、判断节点的下一跳是否就是基站，如果下一跳是基站执行第3步；如果下一跳不是基站执行第4步

3、直接交付报文

4、判断节点i的数据可达邻节点集{N(i)}非空；

5、取出{N(i)}所有数据可达邻节点当中，综合系数W_ij最小的一个节点j；

6、判断取出的节点j到基站的距离是否比节点i到基站的距离近，如果节点j到基站的距离比节点i到基站的距离近执行第7步；如果节点j到基站的距离比节点i到基站的距离更远，执行第8步；

7、把选出的节点作为下一跳节点，跳数h加1；

8、从节点i的数据可达邻节点集合中除掉节点j，重新执行第5步；

9、如果节点i的数据可达邻节点集合为空丢弃报文；

分布式行为识别架构中，当人体在房间内移动或者使用同样装有运动传感器的物品时，在移动区域内的传感器被触发，传感器固定周期采样当前触发的信息，人离开当前触发的传感器节点的检测范围后，当前传感器节点结束触发，立即进行行为识别。首先传感器节点检测是否收到其他节点被触发后形成的多播报文：(1)如果在当前节点触发之前没有其他传感器被触发过(没有收到由其他传感器传来的行为识别的多播报文)，那么我们定义当前传感器节点为一个新的行为活动的开始传感器节点。生成行为识别的多播报文，将本次的识别结果传给下一个物理可达的传感器节点(即将被触发的传感器节点)。下一个传感器节点被触发时结合自身存储的知识集和接收到的最新广播报文，进行行为的识别，根据识别结果更新多播报文。(2)如果在当前节点触发之前有其他传感器被触发过，那么传感器节点只需结合自身存储的知识集和接收到的最新多播报文，进行行为的识别，根据识别结果更新多播报文。

基于上述技术方案，本发明的有益效果为：

智能家居能根据存储的相关知识和当前的环境信息提供智能控制方案，结合信息技术、数据采集、自动控制、无线通信等技术使居民的生活更加安全，节能和舒适。特别是家庭养老的这块领域，智能家居系统能识别出老人正在进行的行为活动，预测下个动作，包括准备吃饭，吃饭，睡觉，上厕所，洗澡或淋浴，更衣，洗衣服，吃药物，甚至不小心摔倒等，这些识别和预测将提升服务和保障安全(如提供及时，准确的援助)，提高老年人的独立居住能力。同时独居老人的健康问题也需要得到关注，医院或者护工24小时的监护，对于一个身体状况基本良好的老年人来说是没有必要的，不仅花费巨大而且严重影响老年人的生活质量。其实老年人的日常行为活动中其实蕴藏了大量的身体健康状态信息，很多细微的变化都是他们身体和精神健康的反馈。通过收集这些信息，进行结合相关医疗知识库的分析，能够尽早的了解老人的健康状况，可以防病于未然。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于无线传感器网络的分布式行为识别方法，其特征在于，包括如下步骤：

步骤1，收集传感器的采样数据，将传感器的采样数据通过活动预测和能耗均衡的路由算法运算之后，传递到集中控制系统；

步骤2，所述集中控制系统对运算后的采样数据进行训练挖掘，挖掘频繁行为轨迹模式，根据频繁行为轨迹模式标记出频繁行为状态，从而分别生成频繁行为轨迹集和频繁行为状态集；

步骤3，对生成的频繁行为轨迹集进行进一步挖掘，计算每一个传感器在被触发时预测的频繁行为轨迹，相应的概率，和相关的上下文信息，获得能够分布式存储在每个传感器上的相关频繁行为识别知识集；

步骤4，所述频繁行为识别知识集存储到每个传感器，在用户进行行为动作时，当前触发的传感器结合接收的其它传感器的多播报文和传感器自身所存储的频繁行为识别知识集，通过将多播报文中的已完成识别信息与该传感器存储的知识集完成行为动作计算过程，进行频繁行为的识别，识别用户的行为。

2.根据权利要求1所述的基于无线传感器网络的分布式行为识别方法，其特征在于，所述步骤1中收集传感器采样数据为每隔一段时间传感器采样当前触发的信息I_i，I_i＝(St_i,d_i)所述下标i代表传感器标号，第i号传感器的触发状态，

d_i表示传感器处于触发状态的持续时间。

3.根据权利要求1所述的基于无线传感器网络的分布式行为识别方法，其特征在于，所述步骤1中活动预测和能耗均衡的路由算法包括：

步骤1-1，所述路由算法定义综合系数W_ij，其中下标i，j代表数据报文从节点i传递到节点j，从传感器节点能量均衡、活动预测、传输能耗和剩余能量四个因素，结合每个因素系数的特点系数，其中i＝1，……，M，j＝1，……，M，且i≠j，M为大于1小于等于环境中传感器总数的整数，假设若干传感器允许数据传送的跳数上限是Hop，且当前数据所经过的h跳后，传到节点i，h＝1，……，Hop，Hop为大于1的整数；

步骤1-2，检查跳数h是否超过Hop，超过跳数就丢弃报文；

步骤1-3，判断节点的下一跳是否就是初始传感器节点，如果下一跳是初始传感器节点执行第1-4步；如果下一跳不是初始传感器节点执行第1-5步；

步骤1-4，直接交付报文，传送到集中控制系统；

步骤1-5，判断节点i的数据可达邻节点集{N(i)}非空；

步骤1-6，取出邻节点集{N(i)}所有数据可达邻节点当中，综合系数W_ij最小的一个节点j；

步骤1-7，判断取出的节点j到初始传感器节点的距离是否比节点i到初始传感器节点的距离近，如果节点j到初始传感器节点的距离比节点i到初始传感器节点的距离近，执行步骤1-8；如果节点j到初始传感器节点的距离比节点i到初始传感器节点的距离更远，执行步骤1-9；

步骤1-8，把选出的节点作为下一跳节点，跳数h加1；

步骤1-9，从节点i的数据可达邻节点集合中除掉节点j，重新执行第6步；

步骤1-10，如果节点i的数据可达邻节点集合为空丢弃报文。

4.根据权利要求1所述的基于无线传感器网络的分布式行为识别方法，其特征在于，所述步骤2中挖掘频繁行为轨迹包括：

步骤2-1，创建FP树，收集的行为活动的传感器训练数据存储在传感器训练数据库D中，完成一个行为活动触发的传感器序列就是一个事务Trans，每个事务Trans中传感器的触发状态s_i和触发时长d_i构成一个项目item，其中i＝1，……，M，M为大于1小于等于环境中传感器总数的整数；

步骤2-2，创建FP树的根节点记为T,并且标记为NULL，所述NULL表示将节点标记为空；顺序操作传感器训练数据库D中的每个事务Trans：取当前事务Trans中的item_l＝(s_i,d_i)插入生成树，其中l＝1，……，L，且L为大于1小于等于当前Trans中item总数的整数，遵循如果在插入的目标位置已经存在一个节点(s_k,d_k)使得s_k＝s_i，且满足|d_k-d_i|≤η，其中η为传感器持续触发时间差的阈值，则认为这两个节点相等，节点的频繁支持度值加1，其中k＝1，……，N且N为大于1小于等于环境中传感器总数的整数；否则，节点(s_i,d_i)将作为新节点插入，将其频繁支持度加1的规则；

步骤2-3，当传感器训练数据库D中的不含未执行插入生成树的事务Trans时，FP树完成，判断每一条FP树的路径所代表的轨迹活动的频繁支持度是否大于λ，如果大于λ，则将此路径所代表的轨迹活动加入频繁行为轨迹集，其中λ为最小频繁支持度阈值。

5.根据权利要求1所述的基于无线传感器网络的分布式行为识别方法，其特征在于，所述步骤3中对频繁行为轨迹集进行进一步挖掘包括：

步骤3-1，FP树生成算法，检测多播报文中的偏移控制位，判断是否发生偏移，若控制位为0，表示当前的传感器触发序列没有发生偏置即行为动作按照数据训练挖掘出来的频繁行为模式触发传感器，执行步骤3-2；若控制位为1，表示当前的传感器触发序列发生了偏置即行为动作没有完全按照系统训练期挖掘出来的频繁行为模式触发传感器，执行步骤3-3；

步骤3-2，对传感器中的行为模式预测集和传感器知识集进行匹配识别；首先判断当前行为的预测频繁行为模式集CandActivity1是否为空，如果不为空集，求出CandActivity1和分布式存储于当前触发的传感器节点i中的知识集K_i的并集CandActivity2，其中i代表传感器标号；再判断并集CandActivity2是否为空，若不为空则求出并集CandActivity3：CandActivity2中满足等于多播报文中PrevSensor字段，即当前行为触发的最后一个传感器，且d_i属于的行为轨迹，其中表示s_i所参与的行为轨迹集的第r条轨迹中在s_i节点之前被触发的上一个节点，代表s_i节点的时长划分规则，最后对并集CandActivity3进行判断；

步骤3-3，如果偏移传感器数量小于行为改变的最小阈值执行步骤3-2；如果偏移传感器数量大于行为改变的最小阈值则将当前多播报文中的已触发传感器节点序列置换为偏移触发传感器序列，重新计算当前多播报文中的行为模式预测集，偏移归零，执行步骤3-2。

6.根据权利要求5所述的基于无线传感器网络的分布式行为识别方法，其特征在于，所述对并集CandActivity3进行判断的步骤为：

步骤3-4，如果并集CandActivity3不为空则对CandActivity3中的每一条轨迹进行预测概率计算，判断是否得到大于阈值的预测行为模式，若有则广播预测的行为模式，否则修改多播报文：将当前触发的节点以及相应的触发时长添加到表示已经触发的传感器节点序列以及相应的触发时长的控制字段SqTrSensor中；将当前触发的节点添加到表示当前行为触发的最后一个传感器的控制字段PrevSensor；将CandActivity置为CandActivity3；活动的预测概率也存入相应的控制字段；

步骤3-5，如果并集CandActivity3为空，将多播报文中的偏移控制字段置1；偏移传感器数加1，将当前的传感器加入偏移控制字段SqDeSensor；多播报文中的预测集CandActivity不变；多播报文中的当前行为偏移之后可能的预测频繁行为模式集根据当前触发的偏移节点来计算出来。

7.根据权利要求1所述的基于无线传感器网络的分布式行为识别方法，其特征在于，所述步骤4包括：

每隔一段时间采样数据，获得用户的位置信息，形成报文广播，发送到其它传感器，其它每个传感器被用户触发时结合传感器自身所存储的频繁行为知识集和接收的最新广播报文，通过与行为模式预测集比较后，进行行为的识别，更新广播报文再次进行广播。