CN106021487B - 一种基于模糊理论的物联网语义事件检测方法 - Google Patents
一种基于模糊理论的物联网语义事件检测方法 Download PDFInfo
- Publication number
- CN106021487B CN106021487B CN201610334208.6A CN201610334208A CN106021487B CN 106021487 B CN106021487 B CN 106021487B CN 201610334208 A CN201610334208 A CN 201610334208A CN 106021487 B CN106021487 B CN 106021487B
- Authority
- CN
- China
- Prior art keywords
- event
- node
- confidence level
- context
- context event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于模糊理论的物联网语义事件检测方法,包括如下步骤:步骤1:每个感知节点的最近n个采样周期的数据被利用于事件分析,以节能的方式快速地过滤失效节点和噪音数据;步骤2:每个节点根据有效的实时感知数据,基于模糊理论计算出局部的事件可信度,可信度低于预设阈值α的感知节点被过滤,可信度高于α的感知节点成为值得关注事件节点NEN,NEN采用基于可信度子范围的非均匀离散化和编码方法,得到局部事件语义信息;步骤3:语义事件信息融合:采用基于网格逻辑划分的空间相关性分析方法,基于模糊理论定义语义事件信息融合操作符,进行网内事件信息融合,返回k个最严重语义的事件信息。本发明能耗较低、实时性良好。
Description
技术领域
本发明涉及物联网事件监测领域,具体涉及一种基于模糊理论的物联网语义事件检测方法。
背景技术
实时事件监测是物联网/传感器网络应用中一类非常重要的任务,及早地发现潜在事件并及时处理,可有效地减少灾害损失。已有的事件信息检测方法大都基于原始的感知数据,处理大规模的原始感知数据的通信和时间开销很大,然而这些原始数据由于本身的不精确性和不确定性,难以保证得到精确的处理结果。大多数情况下,用户并不关心这些原始感知数据或者网内过滤/融合时的数据形态,而是想得到类似自然语言的“严重性”、“可信度”等语义事件信息。
此外,现有的事件检测方法主要是利用相邻协作来提高检测的准确性,而邻居协作需要大规模的网内数据交换,非常耗时耗能。
发明内容
为了克服已有事件检测方法中能耗高、实时性差的不足,本发明提供一种能耗较低、实时性良好、可靠性良好的基于模糊理论的物联网语义事件检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于模糊理论的物联网语义事件检测方法,所述检测方法包括如下步骤:
步骤1:感知数据预处理
每个感知节点的最近n个采样周期的数据被利用于事件分析,n取决于感知节点采样周期的间隔时间,以节能的方式快速地过滤失效节点和噪音数据,以保证实时事件检测具有容错性;
步骤2:语义事件信息表示
每个节点根据有效的实时感知数据,基于模糊理论计算出局部的事件可信度,可信度低于预设阈值α的感知节点被过滤,可信度高于α的感知节点成为值得关注事件节点(Noteworthy Event Node,NEN),NEN采用基于可信度子范围的非均匀离散化和编码方法,得到局部事件语义信息;
步骤3:语义事件信息融合
采用基于网格逻辑划分的空间相关性分析方法,该方法以节能和实时的方式考察网络中NEN主要的空间相关性,基于模糊理论定义语义事件信息融合操作符,进行网内事件信息融合,返回k个最严重语义的事件信息。
进一步,所述步骤2中,语义事件信息表示的步骤如下:
2.1、事件节点可信度测量和过滤,过程如下:
基于模糊理论中隶属度和α截集思想,每个节点根据最近n个周期内的感知数据计算其事件节点可信度nc,所有nc小于预设至于α的节点被过滤,所有nc大于α的节点被识别为NEN,nc测量方法如公式(1),其中,xi(i=1,...,m)是节点的感知数据,m为感知数据的维数,avg(xi)是每维感知数据的平均值,用最近几个采样周期内的感知数据的平均值来定义事件点的可信度,ωi(i=1,...,m)是可调因子,用于调节各属性对于事件概率的影响程度,ω1+ω2+...ωm=1,fun和fi可在领域专家指导下设定;
2.2、语义事件信息表示,过程如下:
2.2.1、定义语义事件变量sev用于形式化描述一类严重程度的语言事件信息,语义事件信息用类似人类自然语言描述潜在事件发生的可能性;
2.2.2、把ec(NEN)取值范围[α,1)划分成若干区间大小不等的子范围
2.2.3、根据非均匀的事件可信度离散化方法,得到区间大小不等的子范围,每个子范围对应着一个语义事件信息变量及其语义解释。
再进一步,所述步骤3中,基于模糊理论的语义事件信息融合,步骤如下:
3.1、格内语义事件信息处理,步骤为:
3.1.1、网络逻辑划分:网络随机部署在监控区域内,并引入泊松点过程,将监控区域基于地理位置逻辑划分成若干网格,每个格内选择一个格管理节点GM,用于收集局部事件信息和管理局部网络拓扑结构,被选中的GM可以更高的通信频率形成一个以sink节点为根的TAG树形路由结构GM-Tree,网格的大小根据节点的通信半径和监控区域的大小合而定;
3.1.2、格内语义事件节点信息处理:每个NEN根据步骤2.2中语义事件信息表示方法得到本地语义事件变量sev,并发送其nodeID和sev到本格管理节点GM,GM有一张列表List,存储每个接收到的nodeID及其对应sev;
3.1.3、利用格内空间相关性计算事件区域可信度:语义事件区域可信度serc描述事件区域存在的可信度,这种可信度和NEN数量有直接的关系,基于格内NEN数量的serc计算方法,如公式(2),其中#(NEN)为NEN数量,当格内有2个及以上的NEN时,那么潜在事件区域的可信度非常高,这时跃阶函数serc值在0.9以上;
3.1.4、格内语义事件区域信息处理:每个GM收集完本格NEN语义事件信息后,利用式(2)计算serc值,并存储在GM的List中;
3.2、网内语义事件区域信息融合,步骤包括:
3.2.1、定义网内语义事件信息融合操作符和排序函数:
定义语义事件变量比较操作符Θ,设u和v为两个语言变量,它们的可信度子范围分别为和如果则定义函数运算Θ(u,v)=v,其含义为从两个语义事件变量中获得可信度更高的语义事件变量,Θ(u,v)=v也可写成uΘv=v;
定义格间语义事件区域信息融合排序函数score(sev,serc),score综合考虑的事件代表点可信度ec和事件区域可信度serc,一个score函数例子如式(3),其中ec(sev)函数取sev对应可信度区间的中间值,ω为可调因子,用于调节代表性事件节点可信度和事件区域存在可信度对于语义事件信息融合结果的影响;
score(sev,serc)=ω×ec(sev)+(1-ω)×serc (3)
3.2.2、网内语义事件区域信息融合,过程如下:
在基于GM的路由树结构中,分为叶子GM和非叶子GM语义事件区域信息传输和融合;
其中,叶子GM利用事件变量比较操作符Θ得到sev最大的nodeID,发送该nodeID及其sev,以及该格的serc给其父GM。
非叶子GM收集完语义事件信息后,根据score函数,返回top k(nodeID,sev,serc)给其父GM,直至到达基站。
再进一步,所述步骤1中,感知数据预处理步骤如下:
1.1、采样周期数n的确定:当采样周期间隔较小时,这时n取较大值,意味着过去一定数量的采样周期内的感知数据都具有实时性分析价值,反之n取较小值;
1.2、错误数据过滤:错误数据主要来源于失效节点和正常工作节点的噪音数据,如果某感知节点的大部分数据是否明显偏离正常的取值范围,那么其为失效节点,否则在正常工作的节点中;大部分正确感知数据会符合一个正常模式,而噪音数据会明显偏离正常取值范围或者均值,错误数据被提前过滤。
本发明的技术构思为:模糊理论为人们处理不精确性和不确定性问题提供了一种解决思路,本发明基于模糊理论的可信度测量,语义事件变量代替原始感知数据用于网内信息融合,可以降低网络数据传输量。此外,感知节点部署引入符合现实现象的泊松点过程,可以把网络逻辑划分若干网络,每个网格覆盖一定数量的节点,只在网格管理节点内检测格内的值得关注潜在事件的空间相关性,可以减少已有邻居协作产生的大量数据交换。最后基于模糊理论的比较操作符和融合算法可以保证网内语义事件信息融合时的可靠性。
本发明的有益效果主要表现在:1)用户可以得到可靠的语义事件信息,这种语义事件信息更容易理解。2)网内数据传输量很低,非常节能。3)较少的数据传输量意味着较少的数据传输时间开销,此外网格管理节点的路由树形结构,进一步提升了获取事件信息的响应速度。4)基于网格的网络逻辑划不需要额外的维护算法,使得本发明方案易于实现。
附图说明
图1是基于模糊理论物联网语义事件检测方法的结构框图。
图2是语义事件信息表示样例图。
图3是格内语义事件信息处理流程图。
图4是格间语义事件信息处理流程图。
图5是一个真实网络运行图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种基于模糊理论的物联网语义事件检测方法,所述检测方法仅使用传感器节点,包括如下步骤:
步骤1:感知数据预处理:为了满足检测的实时性要求,每个感知节点的最近n个采样周期的数据被利用于事件分析,n取决于感知节点采样周期的间隔时间,间隔越小,n越大,反之n越小,这样可以保证事件分析是基于实时的感知数据,过滤无效数据。此外,以节能的方式快速地过滤失效节点和噪音数据,以保证实时事件检测具有一定的容错性;过程如下:
1.1、采样周期数n的确定:当采样周期间隔较小时,这时n可以取较大值,意味着过去一定数量的采样周期内的感知数据都具有实时性分析价值,反之n取较小值。
1.2、错误数据过滤:错误数据主要来源于失效节点和正常工作节点的噪音数据。如果某感知节点的大部分数据是否明显偏离正常的取值范围,那么其为失效节点,否则在正常工作的节点中;大部分正确感知数据会符合一个正常模式,而噪音数据会明显偏离正常取值范围或者均值,错误数据被提前过滤;
步骤2:语义事件信息表示:每个节点根据有效的实时感知数据,基于模糊理论计算出局部的事件可信度,可信度低于α的感知节点被过滤,可信度高于α的感知节点成为值得关注事件节点(Noteworthy Event Node,NEN),NEN采用基于可信度子范围的非均匀离散化和编码方法,得到局部事件语义信息;步骤如下:
2.1、事件节点可信度测量和过滤:基于模糊理论中隶属度和α截集思想,每个节点根据最近n个周期内的感知数据计算其事件节点可信度(node-level confidence,nc),所有nc小于α(α通常为0.5)的节点被过滤,所有nc大于α的节点被识别为NEN。nc测量方法如公式(1),其中,xi(i=1,...,m)是节点的感知数据,m为感知数据的维数,avg(xi)是每维感知数据的平均值。在步骤1.2中,数据清洗消除了大部分错误数据,用最近几个采样周期内的感知数据的平均值来定义事件点的可信度。ωi(i=1,...,m)是可调因子,用于调节各属性对于事件概率的影响程度,ω1+ω2+...ωm=1。fun和fi可在领域专家指导下设定。
2.2、语义事件信息表示:
具体工作流程如下:
2.2.1、定义语义事件变量(semantic event variable,sev)用于形式化描述一类严重程度的语言事件信息,语义事件信息用类似人类自然语言描述潜在事件发生的可能性。
2.2.2、把ec(NEN)取值范围[α,1)划分成若干区间大小不等的子范围这种非均匀的划分可以基于某种数学模型,也可以在领域专家指导下设定,遵循的原则是ec越大,其所处的子范围区间越小。
2.2.3、根据非均匀的事件可信度离散化方法,可以得到区间大小不等的子范围,每个子范围对应着一个语义事件信息变量及其语义解释;
步骤3:语义事件信息融合:由于事件的发生具有空间相关性,利用空间相关性分析有助于提高事件检测的可靠性。本发明采用基于网格逻辑划分的空间相关性分析方法,该方法以节能和实时的方式考察了网络中NEN主要的空间相关性,经过网内事件信息融合,返回k个最严重语义的事件信息,流程如下:
3.1、格内语义事件信息处理,步骤为:
3.1.1、网络逻辑划分:网络随机部署在监控区域内,并引入泊松点过程。我们将监控区域基于地理位置逻辑划分成若干网格,每个格内选择一个格管理节点(Grid Manager,GM),用于收集局部事件信息和管理局部网络拓扑结构,被选中的GM可以更高的通信频率形成一个以sink节点为根的TAG树形路由结构GM-Tree。网格的大小可以根据节点的通信半径和监控区域的大小合而定,基本原则是每个网格覆盖较多的节点,以保证一定数量的空间相关性节点用于事件区域检测。
3.1.2、格内语义事件节点信息处理:每个NEN根据步骤2.2中语义事件信息表示方法得到本地语义事件变量sev,并发送其nodeID和sev到本格管理节点GM,GM有一张列表List,存储每个接收到的nodeID及其对应sev。
3.1.3、利用格内空间相关性计算事件区域可信度:语义事件区域可信度(semantic event region confidence,serc)描述事件区域存在的可信度,这种可信度和NEN数量有直接的关系,本申请提出一种基于格内NEN数量的serc计算方法,如公式(2),其中#(NEN)为NEN数量。通常来说,当格内有2个及以上的NEN时,那么潜在事件区域的可信度非常高,这时跃阶函数serc值在0.9以上是有现实意义的。
3.1.4、格内语义事件区域信息处理:每个GM收集完本格NEN语义事件信息后,利用式(2)计算serc值,并存储在GM的List中。
3.2、网内语义事件区域信息融合,步骤包括:
3.2.1、定义网内语义事件信息融合操作符和排序函数:
定义语义事件变量比较操作符Θ,设u和v为两个语言变量,它们的可信度子范围分别为和如果则定义函数运算Θ(u,v)=v,其含义为从两个语义事件变量中获得可信度更高的语义事件变量,Θ(u,v)=v也可写成uΘv=v。
定义格间语义事件区域信息融合排序函数score(sev,serc),score综合考虑的事件代表点可信度ec和事件区域可信度serc,一个score函数例子如式(3)。其中ec(sev)函数取sev对应可信度区间的中间值,ω为可调因子,用于调节代表性事件节点可信度和事件区域存在可信度对于语义事件信息融合结果的影响。
score(sev,serc)=ω×ec(sev)+(1-ω)×serc (3)
3.2.2、网内语义事件区域信息融合方法:
在基于GM的路由树结构中,分为叶子GM和非叶子GM语义事件区域信息传输和融合。
其中叶子GM利用事件变量比较操作符Θ得到sev最大的nodeID,发送该nodeID及其sev,以及该格的serc给其父GM。
非叶子GM收集完语义事件信息后,根据score函数,返回top k(nodeID,sev,serc)给其父GM,直至到达基站。
图1显示了本发明提出的低功耗高可靠物联网语义事件检测方法总体框架,该框架包含了三个主要步骤:
步骤1:感知数据预处理
每个感知节点的最近n个采样周期的数据被利用于实时事件信息,此外,以节能的方式快速地过滤失效节点和噪音数据,以保证实时事件检测具有一定的容错性;
步骤2:语义事件信息表示
每个节点基于模糊理论计算出局部的事件可信度,并且过滤掉可信度低于α的感知节点,值得关注事件节点基于可信度子范围的非均匀离散化和编码方法,得到局部事件语义信息;
步骤3:语义事件信息融合
采用基于网格逻辑划分的空间相关性分析方法,该方法以节能和实时的方式考察了网络中NEN主要的空间相关性,经过网内事件信息融合,返回k个最严重语义的事件信息。
图2显示了语义事件信息表示的一个样例,语义事件信息表示的步骤如下:
2.1、定义语义事件变量(semantic event variable,sev)用于形式化描述一类严重程度的语言事件信息,语义事件信息用类似人类自然语言描述潜在事件发生的可能性。例如图2中第1列为若干个语义事件变量,分别对应图2第2列中各语义事件信息的语义理解。
2.2、把ec(NEN)取值范围[α,1)划分成若干区间大小不等的子范围这种非均匀的划分可以基于某种数学模型,也可以在领域专家指导下设定,遵循的原则是ec越大,其所处的子范围区间越小。如图2中第3列所示,NEN的α为0.5,越靠近1的其区间大小越小(0.03),越靠近α的子范围区间越大(0.16)。
2.3、根据非均匀的事件可信度离散化方法,可以得到区间大小不等的子范围,每个子范围对应着一个语义事件信息变量及其语义解释,分别如图2第1列和第2列所示。
格内语义事件区域信息处理的流程如图3所示,分为格管理节点事件信息收集和处理两部分。3.1.1)每个值得关注事件节点发送其nodeID和sev值本格管理节点GM,如图3所示,在某个格GMi内,GMi收集所有的NEN,在图3中NEN为S1、S3和GMi本身,这些NEN的语义事件点信息存储在GMi的List中。3.1.2)利用格内空间相关性计算本格事件区域可信度,根据式(2)可计算该格内存在事件区域的可信度为1.0,如图3所示。
格间语义事件区域信息处理的流程如图4所示,分为两个子步骤。3.2.1)在GM-Tree路由树中,其中叶子GM利用事件变量比较操作符Θ得到sev最大的nodeID,发送该nodeID及其sev,以及该格的serc给其父GM。3.2.2)非叶子GM收集完语义事件信息后,根据score函数,返回top k(nodeID,sev,serc)给其父GM,直至到达基站。
如图4所示,叶子GM节点GM1、GM2、GM3、GM7把其语义事件区域信息(nodeID,sev,serc)发送给非叶子GM8节点,这些信息存储在GM8的List’中。GM8根据式(3)计算List’中的语义事件区域信息的综合得分,然后根据SERQ中的k值,返回查询结果,k为1、2和3时的查询结果分别为{(5,B,0.94)}、{(5,B,0.94),(11,C,0.98)}和{(5,B,0.94),(11,C,0.98),(37,D,1.0)}。
一个基于网格逻辑划分的真实GM-Tree网络如图5所示,该真实网络来自LUCE,包括88个有效感知节点。我们基于图5对本发明进行了仿真实验,实验结果验证了所提出的方法在节能和可靠性方面的预期效果。
Claims (4)
1.一种基于模糊理论的物联网语义事件检测方法,其特征在于:所述检测方法包括如下步骤:
步骤1:感知数据预处理
每个感知节点的最近n个采样周期的数据被利用于事件分析,n取决于感知节点采样周期的间隔时间,以节能的方式快速地过滤失效节点和噪音数据,以保证实时事件检测具有容错性;
步骤2:语义事件信息表示
每个节点根据有效的实时感知数据,基于模糊理论计算出局部的事件可信度,可信度低于预设阈值α的感知节点被过滤,可信度高于α的感知节点成为值得关注事件节点NEN,NEN采用基于可信度子范围的非均匀离散化和编码方法,得到局部事件语义信息;
步骤3:语义事件信息融合
采用基于网格逻辑划分的空间相关性分析方法,该方法以节能和实时的方式考察网络中NEN主要的空间相关性,基于模糊理论定义语义事件信息融合操作符,进行网内事件信息融合,返回k个最严重语义的事件信息。
2.如权利要求1所述的基于模糊理论的物联网语义事件检测方法,其特征在于:所述步骤2中,语义事件信息表示的步骤如下:
2.1、事件节点可信度测量和过滤,过程如下:
基于模糊理论中隶属度和α截集思想,每个节点根据最近n个周期内的感知数据计算其事件节点可信度nc,所有nc小于预设阈值α的节点被过滤,所有nc大于α的节点被识别为NEN,nc测量方法如公式(1),其中,xi(i=1,...,m)是节点的感知数据,m为感知数据的维数,avg(xi)是每维感知数据的平均值,用最近几个采样周期内的感知数据的平均值来定义事件点的可信度,ωi(i=1,...,m)是可调因子,用于调节各属性对于事件概率的影响程度,ω1+ω2+...ωm=1,fun和fi可在领域专家指导下设定;
2.2、语义事件信息表示,过程如下:
2.2.1、定义语义事件变量sev用于形式化描述一类严重程度的语义事件信息,语义事件信息用类似人类自然语言描述潜在事件发生的可能性;
2.2.2、把ec(NEN)取值范围[α,1)划分成若干区间大小不等的子范围
2.2.3、根据上述非均匀的事件可信度离散化方法,得到区间大小不等的子范围,每个子范围对应着一个语义事件信息变量及其语义解释。
3.如权利要求1所述的基于模糊理论的物联网语义事件检测方法,其特征在于:所述步骤3中,基于模糊理论的语义事件信息融合,步骤如下:
3.1、格内语义事件信息处理,步骤为:
3.1.1、网络逻辑划分:网络随机部署在监控区域内,并引入泊松点过程,将监控区域基于地理位置逻辑划分成若干网格,每个格内选择一个格管理节点GM,用于收集局部事件信息和管理局部网络拓扑结构,被选中的GM可以更高的通信频率形成一个以sink节点为根的TAG树形路由结构GM-Tree,网格的大小根据节点的通信半径和监控区域的大小而定;
3.1.2、格内语义事件节点信息处理:每个NEN根据步骤2.2中语义事件信息表示方法得到本地语义事件变量sev,并发送其nodeID和sev到本格管理节点GM,GM有一张列表List,存储每个接收到的nodeID及其对应sev;
3.1.3、利用格内空间相关性计算事件区域可信度:语义事件区域可信度serc描述事件区域存在的可信度,这种可信度和格内NEN数量有直接的关系,基于格内NEN数量的serc计算方法,如公式(2),其中#(NEN)为NEN数量,当格内有2个及以上的NEN时,那么潜在事件区域的可信度非常高,这时跃阶函数serc值在0.9以上;
3.1.4、格内语义事件区域信息处理:每个GM收集完本格NEN语义事件信息后,利用式(2)计算serc值,并存储在GM的List中;
3.2、网内语义事件区域信息融合,步骤包括:
3.2.1、定义网内语义事件信息融合操作符和排序函数:
定义语义事件变量比较操作符Θ,设u和v为两个语义事件变量,它们的可信度子范围分别为和如果则定义函数运算Θ(u,v)=v,其含义为从两个语义事件变量中获得可信度更高的语义事件变量,Θ(u,v)=v也可写成uΘv=v;
定义格间语义事件区域信息融合排序函数score(sev,serc),score综合考虑的代表性事件节点可信度ec和事件区域可信度serc,一个score函数例子如式(3),其中ec(sev)函数取sev对应可信度区间的中间值,ω为可调因子,用于调节代表性事件节点可信度和事件区域存在可信度对于语义事件信息融合结果的影响;
score(sev,serc)=ω×ec(sev)+(1-ω)×serc (3)
3.2.2、网内语义事件区域信息融合,过程如下:
在基于GM的路由树结构中,分为叶子GM和非叶子GM语义事件区域信息传输和融合;
其中,叶子GM利用事件变量比较操作符Θ得到sev最大的nodeID,发送该nodeID及其sev,以及该格的serc给其父GM;
非叶子GM收集完语义事件信息后,根据score函数,返回top k(nodeID,sev,serc)给其父GM,直至到达基站。
4.如权利要求1~3之一所述的基于模糊理论的物联网语义事件检测方法,其特征在于:所述步骤1中,感知数据预处理步骤如下:
1.1、采样周期数n的确定:当采样周期间隔较小时,这时n取较大值,意味着过去一定数量的采样周期内的感知数据都具有实时性分析价值,反之n取较小值;
1.2、错误数据过滤:错误数据来源于失效节点和正常工作节点的噪音数据,如果某感知节点的大部分数据明显偏离正常的取值范围,那么其为失效节点,否则在正常工作的节点中;大部分正确感知数据会符合一个正常模式,而噪音数据会明显偏离正常取值范围或者均值,错误数据被提前过滤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610334208.6A CN106021487B (zh) | 2016-05-19 | 2016-05-19 | 一种基于模糊理论的物联网语义事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610334208.6A CN106021487B (zh) | 2016-05-19 | 2016-05-19 | 一种基于模糊理论的物联网语义事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021487A CN106021487A (zh) | 2016-10-12 |
CN106021487B true CN106021487B (zh) | 2019-05-28 |
Family
ID=57094969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610334208.6A Active CN106021487B (zh) | 2016-05-19 | 2016-05-19 | 一种基于模糊理论的物联网语义事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021487B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355095B (zh) * | 2016-11-23 | 2018-10-19 | 吉林大学 | 利用模糊理论对欺诈网页识别的方法 |
CN108667926B (zh) * | 2018-05-07 | 2021-01-01 | 浙江工业大学 | 一种实时的隐私安全边缘范围近似查询方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105228185A (zh) * | 2015-09-30 | 2016-01-06 | 中国人民解放军国防科学技术大学 | 一种用于识别通信网络中模糊冗余节点身份的方法 |
-
2016
- 2016-05-19 CN CN201610334208.6A patent/CN106021487B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105228185A (zh) * | 2015-09-30 | 2016-01-06 | 中国人民解放军国防科学技术大学 | 一种用于识别通信网络中模糊冗余节点身份的方法 |
Non-Patent Citations (2)
Title |
---|
Efficient event prewarning for sensor networks with multi microenvironments;LI Yinglong 等;《Proc of the 19th European Conf on Parallel Processing. Berlin:Springer,2013:382-393》;20131231;全文 * |
Using fuzzy logic for robust event detection in wireless sensor networks;Krasimira Kapitanova 等;《Ad Hoc Networks 10(2012) 709-722》;20121031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106021487A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103176985B (zh) | 一种及时高效的互联网信息爬取方法 | |
Wang et al. | LDPA: A local data processing architecture in ambient assisted living communications | |
CN104469833B (zh) | 一种基于用户感知的异构网络运维管理方法 | |
CN101567814B (zh) | 基于SNMP和随机Petri网的自动化网络管理方法 | |
CN101355504A (zh) | 一种用户行为的确定方法和装置 | |
CN102194015B (zh) | 根据检索信息热度统计实现检索的方法 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 | |
CN103942639B (zh) | 用于政策咨询服务系统的政策管理系统及其方法 | |
CN106685703A (zh) | 一种数据采集和可视化监控智能系统 | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN103258027B (zh) | 基于智能终端的情境感知服务平台 | |
CN106021274A (zh) | 一种基于大数据的人才能力评价模型系统及方法 | |
CN106612289A (zh) | 一种基于sdn的网络协同异常检测方法 | |
CN104270372B (zh) | 一种参数自适应的网络安全态势量化评估方法 | |
CN108417274A (zh) | 流行病预测方法、系统及设备 | |
CN103457909B (zh) | 一种僵尸网络检测方法及装置 | |
CN106021487B (zh) | 一种基于模糊理论的物联网语义事件检测方法 | |
CN109743356A (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
CN107908645A (zh) | 一种基于渗流分析的在线社交平台谣言传播的免疫方法 | |
CN109359686A (zh) | 一种基于校园网流量的用户画像方法及系统 | |
CN107918629A (zh) | 一种告警故障的关联方法和装置 | |
CN102801548B (zh) | 一种智能预警的方法、装置及信息系统 | |
CN102457524B (zh) | 层次式网络的安全态势聚合方法 | |
CN103458021A (zh) | 一种事件驱动的随态自适应的传感器组织方法 | |
CN115423301A (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220616 Address after: 314400 room 657, No. 11, Weisan Road, high tech Industrial Park, Chang'an Town, Haining City, Jiaxing City, Zhejiang Province Patentee after: Haining Yunduo Technology Co.,Ltd. Address before: 310014 No. 18 Chao Wang Road, Xiacheng District, Zhejiang, Hangzhou Patentee before: ZHEJIANG University OF TECHNOLOGY |