CN105653728B - 基于双层模型体系的无线传感网的数据采集方法 - Google Patents

Abstract

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。

Description

基于双层模型体系的无线传感网的数据采集方法

技术领域

本发明涉及双层模型体系的无线传感网的新颖数据采集方法，属于无线传感网数据采集领域。

背景技术

最近几年，随着大量基于模型的数据采集方法的提出，数据采集方法得到了快速地发展，但是仍然存在许多不足。基于复杂建模的数据采集方法可以提供更高的准确度，可是却消耗大量的计算能力和存储资源。基于简单建模的数据采集方法具有简便的特点，可是却很难提供一个合适的模型，在解决采集的数据序列的长期趋势和短期的自然扰动的同时，还可以在能源效率和模型精确度之间提供一个更好的权衡。

发明内容

本发明针对上面的问题，而研制基于双层模型体系的无线传感网的新颖数据采集方法。该方法可以很好的描述传感器采集数据的长期趋势，同时充分考虑到数据的自然扰动，达到快速准确地的构建数据模型，对采集的数据进行压缩的目的。

本发明包括三步：

第一步：对采集的数据进行趋势模型的构建

第二步：对采集的数据和趋势模型还原的数据的残差进行调整模型构建

第三步：在趋势模型和调整模型构建完毕后，分别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其他节点传输。

本发明将单变量模型写成状态空间的形式，采用强有效的卡尔曼滤波算法估计参数值。卡尔曼滤波是在时刻t基于所有可得到信息计算状态向量的最理想的递推过程。并且我们可以利用自回归模型具有足够的适应性和轻便性，对采集数据和趋势模型还原的数据的残差进行建模。我们结合这个现象，提出了描述传感器采集数据整体趋势的趋势模型和描述自然扰动的调整模型相结合的基于双层模型体系的无线传感网的新颖数据采集方法。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。

附图说明

图1为一次趋势模型的构建过程。

具体实施方式

本发明包括四步：对采集的数据进行趋势模型的构建，对采集的数据和趋势模型还原的数据的残差，进行调整模型构建，分别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。

第一步：对采集的数据进行趋势模型的构建

趋势模型，用于以少量模型描述样本采集数据的整体趋势。以单变量模型作为趋势模型，将单变量模型表示为状态空间形式，然后应用卡尔曼滤波进行模型参数的迭代计算，实时采用基于残差三阶累积量的模型检测，如果经过判断模型失效，则本次趋势模型构建结束，进行新的趋势模型的构建。为了更加准确地计算出模型有效期间内的参数，通过利用卡尔曼滤波连续修正状态向量的估计，得到状态向量的最优估计。计算残差三阶累积量，根据设定的阈值，判断模型是否失效，如果失效，则本次趋势模型构建结束，否则继续进行卡尔曼参数估计。流程图见说明图1。

采用单变量模型作为趋势模型，即

y_t＝x′_tα+u_t,t＝1,2,…,T

y_t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，u_t是扰动项。

将单变量模型写成状态空间的形式，即

量测方程：y_t＝x′_tα_t+z_tγ+u_t

状态方程：

x_t是具有随机系数α_t的解释变量的集合，z_t是有固定系数γ的解释变量集合，随机系数向量α_t是状态向量，变参数α_t是不可观测变量，必须利用可观测变量y_t和x_t来估计。

采用卡尔曼滤波迭代的进行模型参数的求解，即设a_t-1为状态向量α_t-1的均值，也是基于信息集合Y_t-1的α_t的估计量，P_t-1表示估计误差的m×m协方差矩阵，即

P_t-1＝E[(α_t-1-a_t-1)(α_t-1-a_t-1)′] (1)

当给定α_t-1和P_t-1时，α_t的条件分布的均值由下式给定，即

a_t|t-1＝T_ta_t-1+c_t (2)

在扰动项和初始状态向量服从正态分布的假设下，α_t的条件分布的均值a_t|t-1是α_t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

P_t|t-1＝T_tP_t-1T′_t+R_tQ_tR′_t (3)

式(2)和式(3)称为预测方程

一旦得到新的预测值y_t，就能修正α_t的估计a_t|t-1

F_t＝Z_tP_t|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Z_t,H_t,T_t,R_t,Q_t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u_t和ε_t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a_1|0和P_1|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。对于t＝1,2,…,T,每当得到一个观测值时，卡尔曼滤波提供了状态向量的最优估计，当所有的T个观测值都已处理，卡尔曼滤波基于信息集合Y_T，产生当前状态向量和下一时刻状态向量的最优估计。这个估计包含了产生未来状态向量和未来观测值的最优预测所需的所有信息。

接下来，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i_th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x_t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。

调整模型，用于描述样本采集数据在趋势模型基础上的自然扰动。以样本数据和基于趋势模型参数恢复的数据的残差作为时间序列，采用三阶自回归模型，训练一个时间段的残差数据构建调整模型，根据精度要求确定阈值，实时对调整模型的有效性进行检测，如果模型失效，则重新进行新的调整模型构建，否则，继续对调整模型的有效性进行检测。

第三步：在趋势模型和调整模型构建完毕后，分别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其他节点传输。

本发明原理及有益效果：将单变量模型写成状态空间的形式，采用强有效的卡尔曼滤波算法估计参数值。卡尔曼滤波是在时刻t基于所有可得到信息计算状态向量的最理想的递推过程。并且我们可以利用自回归模型具有足够的适应性和轻便性，对采集数据和趋势模型还原的数据的残差进行建模。我们结合这个现象，提出了描述传感器采集数据整体趋势的趋势模型和描述自然扰动的调整模型相结合的基于双层模型体系的无线传感网的新颖数据采集方法。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。

我们从两个方面对实验结果进行分析，首先是算法的参数分析，其次是精确度和传输率分析。我们使用均方误差度量方法来评价算法的精确性。所谓均方误差，就是各测量值误差的平方和的平均值的平方根。该方法能够有效地评价整个算法的准确性。传输率，就是应用数据模型后的传输数据量占原始数据量的比重，即该方法能够有效地评价整个算法的存储性能和传输性能。

就参数分析方面，我们对传感器节点18进行实验，结果如表1和表2所示。可见当检测算法的滑动窗口N＝30，阈值M＝10时，有最佳性能。

表1趋势模型中的参数N的评估

N	20	30	40	50	60
						传输率	0.0144	0.0144	0.0144	0.0144	0.0148
均方误差	4.0028	3.9318	3.9464	3.9607	4.0183

表2趋势模型中的参数M的评估

M	0.8	1.0	1.2	1.4	1.6
						传输率	0.0148	0.0144	0.014	0.014	0.014
均方误差	4.0297	3.9002	3.9905	4.1801	4.167

就方法对比方面，我们对传感器节点20进行试验，首先我们对选取基于简单模型的PAQ和复杂模型COGKDA进行准确度比较，比较标准是均方误差，结果如表3所示。其次我们和同样是基于复杂模型的COGKDA方法进行传输率比较，比较标准是数据传输率。正如表3和表4所显示的，我们的方法能够在准确度和传输率上有一个更好的权衡表现。

表3 Mean Squared Error VS.Prediction threshold

Prediction threshold	0.2	0.4	0.6	0.8	1.0
						TRAD	0.0756	0.1423	0.2109	0.2746	0.3455
COGKDA	0.0802	0.1576	0.2239	0.3273	0.4007
						PAQ	0.2611	0.3051	0.3585	0.4161	0.4966

表4 Data transmission rate VS.Prediction threshold

Claims (1)

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

y_t＝x′_tα+u_t,t＝1,2,…,T

y_t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，u_t是扰动项；

将单变量模型写成状态空间的形式，即

量测方程：y_t＝x′_tα_t+z_tγ+u_t

状态方程：

x_t是具有随机系数α_t的解释变量的集合，z_t是有固定系数γ的解释变量集合，随机系数向量α_t是状态向量，变参数α_t是不可观测变量，利用可观测变量y_t和x_t来估计；

采用卡尔曼滤波迭代的进行模型参数的求解，即设a_t-1为状态向量α_t-1的均值，也是基于信息集合Y_t-1的α_t的估计量，P_t-1表示估计误差的m×m协方差矩阵，即

P_t-1＝E[(α_t-1-a_t-1)(α_t-1-a_t-1)′] (1)

当给定α_t-1和P_t-1时，α_t的条件分布的均值由下式给定，即

a_t|t-1＝T_ta_t-1+c_t (2)

在扰动项和初始状态向量服从正态分布的假设下，α_t的条件分布的均值a_t|t-1是α_t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

P_t|t-1＝T_tP_t-1T′_t+R_tQ_tR′_t (3)

式(2)和式(3)称为预测方程；

一旦得到新的预测值y_t，就能修正α_t的估计a_t|t-1；

F_t＝Z_tP_t|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Z_t,H_t,T_t,R_t,Q_t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u_t和ε_t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a_1|0和P_1|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i_th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x_t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。