CN109543746B - 一种基于节点可靠性的传感器网络事件融合与决策方法 - Google Patents

Abstract

本发明公开一种基于节点可靠性的传感器网络事件融合与决策方法，利用传感器网络对结构工程运行工况进行评判和决策包括事件分类和事件决策融合两个阶段。在事件分类阶段：传感器网络检测结构工程中异常事件并分类，反映其局部区域物理状态变化。考虑节点可靠性差异协同对事件分类，降低分类误差。在事件决策融合阶段：异常事件级别变化可以反映结构体运行状态，融合不同事件分类结果对结构工程工况进行评判和决策。利用基于深度学习的事件融合模型，采用数据增强方法解决训练样本少的问题，动态更新模型参数，辅助结构工程运行工况评判。

Description

一种基于节点可靠性的传感器网络事件融合与决策方法

技术领域

本发明涉及一种基于节点可靠性的传感器网络事件融合与决策方法，具体是一种利用传感器网络对大型土木工程进行评判和决策，属于传感器网络监测领域。

背景技术

随着嵌入式传感技术的发展，大型土木结构工程(桥梁，信号塔，大坝，隧道等)在建设期埋设大量传感器并互联形成传感器网络，监测其变形、应力、应变、位移等物理量。传感器网络感知结构工程物理量变化，检测异常事件发生并确定事件类别，再基于专业模型融合事件分类结果，评判结构工程运行状态。

传感器网络对结构工程运行工况评判包括事件分类和事件决策融合两个阶段。一是事件分类阶段：结构工程中各区域发生不同异常事件，以大坝为例，如沉降量异常、应力突变、开合度异常，这些事件反映大坝局部区域工况。通过对传感器节点历史监测数据训练，得到分类模型，根据实测数据计算事件分类结果。二是事件决策融合阶段：当结构体运行状态发生变化时，传感器网络观测到物理量异常程度亦会随之变化，相应的异常事件反映结构体的运行状态。通过设置事件权重，对不同事件分类结果融合并决策，为工程安全评判提供可靠依据。

现有事件分类方法主要利用多节点协同处理，得到一致的事件分类结果。如分层聚合分类(Hierarchical Aggregate Classification,HAC)、增强朴素贝叶斯分类器(EnhancedBayes Classifier,ENBC)、多数投票方案(Majority Voting Scheme,MVS)等。HAC和MVS对多节点分类结果进行聚合以减少数据传输，ENBC则利用无监督学习学习增强朴素贝叶斯所需的概率密度估计以增强分类准确率。这些方法认为不同节点对事件分类的权重相同。由于传感器节点本身精度外界影响(如网络传输错误、监测仪器故障等)，监测数据会出现缺失甚至错误，影响分类准确率。另一方面，由于传感器网络资源(能源、带宽)和服务器计算资源均有限，监测数据量快速增长直接导致传输负载、分类器训练成本和分类结果误差的增加，使决策响应实时性下降。

现有结构工程事件决策融合方法包括多源传感器感知分类与融合、基于贝叶斯规则的决策融合、分层传感器网络决策等。这些方法针对不同应用领域，需要动态率定方法参数，且参数对数据集敏感，导致调参过程复杂。在数据样本过少时容易出现过拟合，数据快速增长时又会出现欠拟合，影响决策准确性。

发明内容

发明目的：为了提高结构工程运行工况决策准确性和实时性，本发明提供了一种基于节点可靠性的传感器网络事件融合与决策方法，在事件分类阶段利用节点可靠性差异提高事件分类准确性，在事件决策融合阶段利用数据增强采用数据增强方法解决训练样本少的问题，利用基于深度学习的事件融合模型动态更新模型参数，辅助结构工程运行工况评判。

技术方案：一种基于节点可靠性的传感器网络事件融合与决策方法，在事件分类阶段：采用一种基于节点可靠性的区域事件分类方法，将传感器网络划分为若干区域，区域内采取启发式思想算法计算和更新节点对事件分类的可靠性。考虑节点可靠性差异协同对事件分类，有效降低分类误差，减少事件分类计算成本。在事件决策融合阶段：利用一种基于深度学习的区域事件融合模型，预处理区域事件分类结果，并采取数据增强方法解决训练样本较少的问题，应用注意力机制离线提取结构体特征，然后构建数据驱动的深度神经网络模型进行决策融合，动态更新模型参数，辅助结构体运行工况评判。

事件分类主要分为四个流程，分别是区域划分、节点可靠性建模、事件分类问题构造和事件分类求解。首先依据结构工程空间结构和受力情况将传感网路划分为若干区域，接着量化节点可靠性，然后构造全域事件分类问题，最后将全域问题归约至单域事件分类问题。

①区域划分：依据结构工程空间和受力特征，将传感网络(全域)划分为t个观测区域(单域)，区域集合R＝{R_j∣j＝1,2,,t}。区域R_j中包含n个节点，节点集合为 表示观测区域R_j中第i个节点。区域之间的节点集合可存在交集，即存在

②节点可靠性建模：单域内节点与事件之间存在多对多观测关系，设节点对事件分类可靠性为满足当与存在观测关系时非负，否则为+∞。观测单个事件的所有节点满足可靠性约束

③事件分类问题构造：设对分类误差为分类向量与最终分类结果的距离，节点对事件分类向量为向量中每个分量为d_ik，事件分类结果为分类结果中每个分量为d_k。全域事件分类目标是最小化所有事件分类误差，即划分区域时已使单域间相关性尽可能小，因此当单域分类误差最小化时，全域分类误差也最小化。将P转化为R_j上的分类优化问题

节点对事件初始分类向量是常量，分类结果和节点可靠性为所求。优化目标是最小化区域中节点对事件分类的总体误差。为可靠性约束，为分类结果约束，保证各类别概率非负且和为1。

④事件分类求解：对全域中每个单域，基于节点可靠性求解事件分类结果，即得到全域事件分类结果。步骤如下：

1)遍历全域中每个单域R_j，单域分类问题求解过程见步骤2)至5)

2)遍历单域R_j上事件集合中每个事件开始迭代过程

3)随机初始化分类结果和迭代轮数τ

4)定义迭代误差定义为即两轮迭代计算出分类结果的距离。节点对事件分类可靠性更新公式为节点分类向量更新公式为 表示在第τ迭代中的节点对事件的可靠性，迭代更新直至误差收敛至设定误差阈值，表示在第τ迭代中的节点对事件的可靠性。

5)保存单域事件分类结果D_j。

6)聚合单域数据，得到全域事件分类结果D＝[D₁,D₂,,D_t]。

事件决策融合主要分为四个流程：数据预处理、数据增强、离线特征提取和深度神经网络构造。代理服务器将区域分类结果传输至基站，中心服务器进行预处理和数据增强，采用注意力机制离线提取特征，构造深度神经网络进行训练和调参，得到事件决策融合结果。

①数据预处理：单域中事件类别λ和事件数量m不同，导致D_j中各向量长度不一致。设事件最大类别数量为λ_max，全域含有最大事件数量为m_max，将D_j形状对齐至不足位置用0填充。矩阵补齐操作类似于对不规则图片增加白底使其为矩形图片，能有效保留原有矩阵特征。

②数据增强

在收集数据训练区域事件融合模型时，数据量过小容易造成模型过拟合，因此需要对输入数据进行数据增强处理。针对前文提到的区域分类结果数据，采用以下数据增强方法：

1)打乱事件分类结果顺序

在预处理区域分类结果矩阵时，以事件分类结果堆叠以构成D_j。堆叠的顺序不同，所构成的区域决策矩阵也不同。单域特征由各区域内事件共同表示，打乱堆叠顺序不影响。

2)随机抑制部分事件

区域特征由大部分事件所表达，随机剔除部分事件(将其分类结果置0。)有助于防止过拟合。

③离线特征提取

结构工程通常具有对称和局部相似特点(如桥梁结构对称、大坝结构对称)，区域之间也具有相关性和相似性。划分区域时，应尽可能使各区域观测事件数量接近，使得区域事件分类结果均匀。利用注意力机制学习出权重分布，得到深度神经网络模型的输入。特征提取能离线进行，不影响事件融合实时性。经过注意力机制提取特征，模型输入更加合理，从而提高决策准确率。

④深度神经网络构造

神经网络模型网络结构借鉴GoogLeNet，包括模型输入(Input)、卷积层(Convolution,Conv)、最大池化(Maximum Pooling,MaxPool)、局部响应归一化(LocalResponse Normalization,LRN)、Inception结构(见图4)、平均池化(Average Pooling,AvgPool)、全连接层(Fully Connected Layer,FC)、Softmax层和融合决策结果输出层(Output)。

利用GoogLeNet提出的Inception结构，包括模型输入(Input)、卷积层(Convolution,Conv)、最大池化(Maximum Pooling,MaxPool)、局部响应归一化(LocalResponse Normalization,LRN)、Inception结构、平均池化(Average Pooling,AvgPool)、全连接层(Fully Connected Layer,FC)、Softmax层和融合决策结果输出层(Output)。

网络输入为所有单域的特征，输出为评判决策结果。以历史数据训练网络，存储各层参数，对于新到达的单域特征数据，直接根据现有网络参数计算得到评判结果，保证决策响应实时性。同时将新的单域特征数据加入当前训练集，在空闲时训练并更新模型参数。

附图说明

图1为本发明实例的框架图；

图2为本发明实例的传感器网络和区域图；

图3为本发明实例的事件分类节点与传感器观测关系图；

图4为Inception具体结构图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

图1为本发明提供的基于节点可靠性的传感器网络事件融合与决策方法实例的框架图，由传感器网络、区域代理服务器、基站中心服务器组成。代理服务器部署在观测区域中收集区域节点监测数据，进行事件分类将结果传输至基站。中心服务器融合事件分类结果，为结构工程评判提供辅助。

①传感器网络区域划分。依据结构工程空间和受力特征，将传感网络(全域)划分为t个观测区域(单域)，区域集合R＝{R_j∣j＝1,2,,t}。区域R_j中包含n个节点，节点集合为 表示观测区域R_j中第i个节点。区域之间的节点集合可存在交集，即存在

单域内节点与事件之间存在多对多观测关系，设节点对事件分类可靠性为满足当与存在观测关系时非负，否则为+∞。观测单个事件的所有节点满足可靠性约束

设对分类误差为分类向量与最终分类结果的距离，全域事件分类目标是最小化所有事件分类误差，即划分区域时已使单域间相关性尽可能小，因此当单域分类误差最小化时，全域分类误差也最小化。将P转化为R_j上的分类优化问题

节点对事件初始分类向量是常量，分类结果和节点可靠性为所求。优化目标是最小化区域中节点对事件分类的总体误差。为可靠性约束，为分类结果约束，保证各类别概率非负且和为1。

图2是基于节点可靠性的传感器网络事件融合与决策方法实例的传感网络和区域图，某拱坝正面示意图，由虚线划分出坝段。不规则图形为观测区域，黑色实心圆点表示节点。

②区域事件分类：对全域中每个单域，基于节点可靠性求解事件分类结果，即得到全域事件分类结果。步骤如下：

1)遍历全域中每个单域R_j，单域分类问题求解过程见步骤2)至5)

2)遍历单域R_j上事件集合中每个事件开始迭代过程

3)随机初始化分类结果和迭代轮数τ

4)定义迭代误差定义为即两轮迭代计算出分类结果的距离。节点对事件分类可靠性更新公式为节点分类向量更新公式为迭代更新直至误差收敛至设定误差阈值。

5)保存单域事件分类结果D_j。

6)聚合单域数据，得到全域事件分类结果D＝[D₁,D₂,,D_t]。

③数据预处理：单域中事件类别λ和事件数量m不同，导致D_j中各向量长度不一致。设事件最大类别数量为λ_max，全域含有最大事件数量为m_max，将D_j形状对齐至不足位置用0填充。矩阵补齐操作类似于对不规则图片增加白底使其为矩形图片，能有效保留原有矩阵特征。如区域R₁的事件分类结果设λ_max＝4和m_max＝4，则经过矩阵补齐操作变为

④数据增强

在收集数据训练区域事件融合模型时，数据量过小容易造成模型过拟合，因此需要对输入数据进行数据增强处理。针对前文提到的区域分类结果数据，采用以下数据增强方法：

1)打乱事件分类结果顺序

在预处理区域分类结果矩阵时，以事件分类结果堆叠以构成D_j。堆叠的顺序不同，所构成的区域决策矩阵也不同。如交换与分类结果顺序得到交换和分类结果顺序为单域特征由各区域内事件共同表示，打乱堆叠顺序不影响。

2)随机抑制部分事件

区域特征由大部分事件所表达，随机剔除部分事件(将其分类结果置0。)有助于防止过拟合。剔除分类结果得到

⑤离线特征提取。结构工程通常具有对称和局部相似特点(如桥梁结构对称、大坝结构对称)，区域之间也具有相关性和相似性。划分区域时，应尽可能使各区域观测事件数量接近，使得区域事件分类结果均匀。利用注意力机制学习出权重分布，得到深度神经网络模型的输入——所有单域特征数据。特征提取能离线进行，不影响事件融合实时性。经过注意力机制提取特征，模型输入更加合理，从而提高决策准确率。

⑥构造深度神经网络。神经网络模型网络结构借鉴GoogLeNet，具体结构如图3所示。包括模型输入(Input)、卷积层(Convolution,Conv)、最大池化(Maximum Pooling,MaxPool)、局部响应归一化(Local Response Normalization,LRN)、Inception结构(见图4)、平均池化(Average Pooling,AvgPool)、全连接层(Fully Connected Layer,FC)、Softmax层和融合决策结果输出层(Output)。

根据以上实施例可知，针对现有事件分类方法同等对待可靠性差异的节点从而影响分类准确率，以及现有事件融合决策方法针对不同应用领域，需要动态率定方法参数，且参数对数据集敏感，导致调参过程复杂。在数据样本过少时容易出现过拟合，数据快速增长时又会出现欠拟合，影响决策准确性。本发明的方法，考虑节点可靠性差异协同对事件分类，有效降低分类误差。构建数据驱动的深度神经网络模型进行决策融合，动态更新模型参数，提高结构体运行工况评判的准确性和实时性。

Claims (8)

1.一种基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，包括事件分类阶段和事件决策融合阶段；在事件分类阶段：采用基于节点可靠性的区域事件分类方法，将传感器网络划分为若干区域，区域内采取启发式思想算法计算和更新节点对事件分类的可靠性；在事件决策融合阶段：预处理区域事件分类结果，并采取数据增强方法解决训练样本较少的问题，应用注意力机制离线提取结构体特征，然后构建数据驱动的深度神经网络模型进行决策融合，动态更新模型参数，辅助结构体运行工况评判；

事件分类主要分为四个流程，分别是区域划分、节点可靠性建模、事件分类问题构造和事件分类求解；首先依据结构工程空间结构和受力情况将传感网路划分为若干区域，接着量化节点可靠性，然后构造全域事件分类问题，最后将全域问题归约至单域事件分类问题；

事件分类问题构造：设对分类误差为分类向量与最终分类结果的距离，全域事件分类目标是最小化所有事件分类误差，即划分区域时已使单域间相关性尽可能小，因此当单域分类误差最小化时，全域分类误差也最小化；将P转化为R_j上的分类优化问题

节点对事件初始分类向量是常量，分类结果和节点可靠性为所求；优化目标是最小化区域中节点对事件分类的总体误差；为可靠性约束，为分类结果约束，保证各类别概率非负且和为1。

2.如权利要求1所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，区域划分：依据结构工程空间和受力特征，将传感网络划分为t个观测区域，区域集合R＝{R_j∣j＝1,2,…,t}；区域R_j中包含n个节点，节点集合为 表示观测区域R_j中第i个节点；区域之间的节点集合可存在交集，即存在

3.如权利要求1所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，节点可靠性建模：单域内节点与事件之间存在多对多观测关系，设节点对事件分类可靠性为满足当与存在观测关系时非负，否则为+∞；观测单个事件的所有节点满足可靠性约束

4.如权利要求1所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，事件分类求解：对全域中每个单域，基于节点可靠性求解事件分类结果，即得到全域事件分类结果，步骤如下：

1)遍历全域中每个单域R_j，单域分类问题求解过程见步骤2)至5)

2)遍历单域R_j上事件集合中每个事件开始迭代过程

3)随机初始化分类结果和迭代轮数τ

4)定义迭代误差定义为即两轮迭代计算出分类结果的距离，节点对事件分类可靠性更新公式为节点分类向量更新公式为迭代更新直至误差收敛至设定误差阈值

5)保存单域事件分类结果D_j

6)聚合单域数据，得到全域事件分类结果D＝[D₁,D₂,…,D_t]。

5.如权利要求1所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，事件决策融合主要分为四个流程：数据预处理、数据增强、离线特征提取和深度神经网络构造；代理服务器将区域分类结果传输至基站，中心服务器进行预处理和数据增强，采用注意力机制离线提取特征，构造深度神经网络进行训练和调参，得到事件决策融合结果。

6.如权利要求5所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，数据预处理：单域中事件类别λ和事件数量m不同，导致D_j中各向量长度不一致，设事件最大类别数量为λ_max，全域含有最大事件数量为m_max，将D_j形状对齐至不足位置用0填充。

7.如权利要求5所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，在收集数据训练区域事件融合模型时，数据量过小容易造成模型过拟合，因此需要对输入数据进行数据增强处理；针对前文提到的区域分类结果数据，采用以下数据增强方法：

1)打乱事件分类结果顺序

在预处理区域分类结果矩阵时，以事件分类结果堆叠以构成D_j；堆叠的顺序不同，所构成的区域决策矩阵也不同；单域特征由各区域内事件共同表示，打乱堆叠顺序不影响；

2)随机抑制部分事件

区域特征由大部分事件所表达，随机剔除部分事件，将其分类结果置0，有助于防止过拟合。

8.如权利要求5所述的基于节点可靠性的传感器网络事件融合与决策方法，其特征在于，利用注意力机制学习出权重分布，得到深度神经网络模型的输入。