CN109993088A - 一种无线传感网络数据漂移盲校准方法 - Google Patents

Abstract

本发明公开了一种无线传感网络数据漂移盲校准方法，属于无线传感网络技术领域。所述方法采用了基于约束的极限学习机与卡尔曼滤波器相结合的方法来校准传感器节点的数据漂移。本发明通过首先对节点测量值进行预处理。然后使用约束极限学习机(CELM)对待校准的节点和邻居节点间的时空相关性进行数学建模，从而得到目标节点的预测值。最后将目标节点的预测值和测量值反馈入卡尔曼滤波器中以跟踪并校准其数据漂移，采用上述方法得到的校准值与真实值之间的平均均值误差极小，表明本方法具有极高的模型拟合精度且所用的训练时间更少；算法复杂度降低且提高了WSN数据的可靠性。

Description

一种无线传感网络数据漂移盲校准方法

技术领域

本发明涉及一种无线传感网络数据漂移盲校准方法，属于无线传感网络技术领域。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是由一定数量拥有感知、计算、和通信能力的传感器节点所组成的网络。通过将客观物理世界与信息世界紧密的相联，WSN被广泛应用于生产生活的众多领域，极大地提高了人们对现实世界的认识能力。

在环境监测领域，WSN通常被部署于无人监管、气候复杂的野外环境。受传感器节点的成本、能源以及变幻莫测的监测环境限制，在长期使用这些传感器节点的过程中，传感器节点的测量值容易产生数据漂移的问题。所谓数据漂移是指传感器节点测量值随着时间的推移产生的一种缓慢、单向、长期的变化，通常是一个缓慢的线性或指数的变化过程。这导致了严重的数据失真问题，大大降低了WSN的数据可靠性。因此，对传感器节点数据进行数据漂移校准至关重要。现有的WSN的数据漂移校准方法可以分为两类：盲校准和非盲校准。

(1)非盲校准方法

非盲校准方法是基于传感器节点测量值和已知的参考信息作为输入来相应调整参数。比如将已知的激励作用于传感器网络中并测量其网络响应，将网络响应与参考信息(网络预期值)进行比较，然后相应地手动调整参数。其中，参考信息一般为出厂标准值或用户手动校准的结果。非盲校准方法适用于特定空间(例如室内)小规模网络的场景下，然而在大规模WSN的应用中，使用上述方法需要在每个阶段进行大量的工作，成本较高。

(2)盲校准方法

一般情况下传感器节点处于人迹罕至的区域，无法手动调整；鉴于非盲校准方法在大规模WSN的应用中存在的局限性，盲校准方法得到了广泛的关注。当网络中未产生数据漂移时，传感器节点间具有相关的测量值，因此基于相邻节点间具有相关测量值的假设，Takruri等人首先提出了基于预测方法的校准框架，使用邻居节点测量值的平均值作为漂移节点的预测值；为了更好地拟合传感器节点间的时空相关性，Takruri等人又提出了一种基于支持向量回归(Support Vector Regression，SVR)来预测真实值的方法SVR-KF。针对SVR可能存在的训练精度较低的情况，一种方法是采用克里金插值作为预测方法，以得到更精确的传感器预测模型。然而上述盲校准方法都是基于节点间的时空相关性，并使用了卡尔曼滤波器以跟踪漂移，其存在的问题在于当预测值本身不精确的情况下仍然继续用来校准漂移值，因而最终校准值的精度受累积误差的限制，使得WSN的数据的可靠性大大降低。同时，上述盲校准方法的时间复杂度较大，无法应用于真实系统中。

发明内容

为了解决目前盲校准方法中存在的数据的可靠性低且时间复杂度大的问题，本发明提供了一种无线传感网络数据漂移盲校准方法，所述方法采用基于约束的极限学习机与卡尔曼滤波器相结合的方法来校准传感器节点的数据漂移，其中，约束的极限学习机为通过约束权重向量参数将极限学习机ELM模型扩展到约束极限学习机CELM。

可选的，所述方法包括：

S1对传感器节点的测量数据进行预处理，并划分为训练集和测试集；

S2使用基于约束极限学习机CELM对目标节点和其邻居节点间的时空相关性进行建模，根据S2建立的模型以及S1预处理后的测量数据得到目标节点的预测值；

S3将目标节点的预测值和实际测量值反馈入卡尔曼滤波器中，用于跟踪和校准目标节点的数据漂移。

可选的，所述S1中的预处理包括：进行数据二次采样、去噪和归一化处理。

可选的，所述去噪处理为利用小波阈值去噪法进行去噪。

可选的，所述S1包括：

S11从传感器节点的测量数据中选取数据子集，所述数据子集包括目标节点以及其邻居节点的测量数据，其中，所有节点的测量数据具有时空相关性，即相同时间范围内，节点测量数据的改变趋势一致；

S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样，缩减数据量；

S13对缩减数据量后的测量数据进行小波分解，然后对小波系数进行阈值处理，得到去噪后的测量数据；

S14针对去噪后数据进行归一化处理，把数据映射到[-1,1]的区间范围内，以排除奇异数据对实验所造成的影响。

S14将归一化处理后的数据划分为训练集和测试集；其中训练集中的待校准的目标节点数据为训练数据输出，目标节点的邻居节点的测量数据为训练数据输入。测试集中的待校准的目标节点数据为测试数据输出，目标节点的邻居节点的测量数据为测试数据输入。

可选的，所述S2包括：

S21根据数据集的划分情况确定极限学习机的网络结构，包括确定隐含层节点数目；

S22根据一定数量的样本之间的分布信息来计算输入层到隐含层之间的权值和阈值；

S23使用获取到的权值阈值建立模型，训练数据使用所建立的模型来预测目标节点的测量值。

可选的，所述S3包括：

S31建立传感器节点的状态-观测模型，计算方法由公式(1)和公式(2)所得：

d_i，t＝d_i，t-1+w_i，t 公式(1)

z_i，t＝d_i，t+v_i，t 公式(2)

公式(1)表示节点数据的状态模型，公式(2)表示节点数据的观测模型；

其中，w_i，t表示输入的高斯白噪声，v_i，t表示观测噪声；d_i，t表示节点在时刻t的状态方程，z_i，t表示对应状态的观测方程；

S32使用卡尔曼滤波器以分散迭代的方式进行跟踪漂移：

在进行第t次迭代时，基于t-1时刻的漂移估计值和均方误差预测t时刻的漂移估计值和均方误差，计算t时刻的卡尔曼滤波增益K，更新t时刻的漂移值和均方误差；

S33基于滤波后漂移估计值校准目标节点的漂移值。

可选的，所述S22包括：

S221在训练样本输出中，随机取出l组数据，设l1和l2分别代表l组数据中两个不同类别的样本的序列号，令l2表示值为-1(即最小值)所在的数据值的序列号，l1代表随机选取的值不为-1的序列号，即X_i，l2表示训练样本输出中的最小值，X_i，l1表示训练样本输出中的除最小值外的任意值，得到输入层与隐含层的权值w：

w＝a(X_j，l1-X_j，l2) 公式(3)

a为归一化因子；X_j，l2表示训练样本输入中序列号为l2的数据；X_j，l1表示训练样本输入中序列号为l1的数据；

S222针对公式(3)进行映射转化：

Xw+b＝aX(X_j，l1-X_j，l2)+b 公式(4)

其中，b是w对应的阈值；

S223将X_i，l2和X_i，l1分别映射为-1和1；

aX_j，l1(X_j，l1-X_j，l2)+b＝1 公式(5)

aX_j，l2(X_j，l1-X_j，l2)+b＝-1 公式(6)

S224计算：计算当前的权值w，阈值b，权值的值：

所述S32中迭代终止条件为：获取到唯一的权值阈值。

可选的，选用公式(10)所示的均方误差MSE与公式(11)所示的决定系数R²作为测试盲校准方法性能的判断依据：

其中，均方误差MSE表示无线传感网络的预测精度；决定系数R²用来表示无线传感网络模型的拟合程度，n为训练样本数目，x_i与分别表示第i个样本的真实值与预测值。

本申请还要求保护上述无线传感网络数据漂移盲校准方法在无线传感网络中的应用。

本发明有益效果是：

通过首先对节点测量值进行预处理。然后使用约束极限学习机(CELM)对待校准的节点和邻居节点间的时空相关性进行数学建模，从而得到目标节点的预测值。最后将目标节点的预测值和测量值反馈入卡尔曼滤波器中以跟踪并校准其数据漂移，采用上述方法得到的校准值与真实值之间的平均均值误差极小，表明本方法具有极高的模型拟合精度且所用的训练时间更少；算法复杂度降低且提高了WSN数据的可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明中的测量数据去噪后结果图。

图2是本发明中的约束极限学习机的建模流程图。

图3是本发明中的ID＝21的节点的漂移校准图示例图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。

首先对漂移数据的基本特征做了如下定义：

定义1：节点的数据漂移是节点测量值受其内部固有偏差或外界环境影响所产生的缓慢、单向、长期的变化，表示如下：

X＝T+d+W 公式(12)

上述公式中，X表示节点的测量值，T表示所测环境的真实值，d表示漂移值，W表示测量高斯白噪声。其中，漂移d是平滑的，因为漂移通常是一个缓慢的线性或指数的变化过程，没有突变，激增或尖峰现象。同时，由于部署节点的成本有限，节点测量值会出现数据丢失和数据异常的现象。

定义2：传感器节点的邻居节点是指目标节点通信半径内的其它节点。节点之间的时空相关性是指不同节点测量值的变化趋势在同一时间段内是一致的。

由于环境监测的特殊性，WSN的节点被大规模的随机部署，可以近似的认为，在一定范围内，节点的邻居节点间具有时空相关性。而漂移是特定节点测量值的单向的长期变化，漂移的产生是随机的，与其内部构造以及环境因素密切相关。因此，不同节点是否产生漂移以及漂移值的大小不具有相关性。由于节点在部署前都经过预先校准，以确保它们处于工作状态。因此，节点部署后的短时间内，漂移值应为零。

实施例一：

本实施例提供一种无线传感网络数据漂移盲校准方法，用于跟踪和校准传感器节点的数据漂移，所述方法包括：

Step1：获取传感器节点的测量数据；

Step2：数据预处理并将预处理后的数据划分为训练集和测试集；

对Step1获取到的测量数据进行二次采样，针对不同节点数据分别以不同的时间间隔进行重新采样。各节点的数据个数基本相同；

将二次采样得到的数据利用小波阈值去噪法对测量数据进行去噪：首先对含噪的测量数据进行小波分解，然后对小波系数进行阈值处理，最后利用处理后数据重构原信号；由此可以获得消除噪声干扰后的传感器节点数据；

对处理后的数据进行归一化处理，把数据映射到[-1,1]的区间范围内，以排除奇异数据对实验所造成的影响。

将消除噪声后的传感器节点数据划分为训练集和测试集。其中目标节点为待校准节点。训练集中的目标节点数据为训练数据输出，目标节点的邻居节点的数据为训练数据输入。测试集中的目标节点数据为测试数据输出，目标节点的邻居节点的数据为测试数据输入。

Step3：数据建模，使用约束极限学习机方法进行建模：

根据训练集中的数据建立模型，并通过约束权重向量参数将极限学习机(ExtremeLearning Machine，ELM)模型扩展到约束极限学习机CELM；

将测试机中的数据输入建立的约束极限学习机CELM模型中得到目标节点的预测值。

Step4：数据校准，根据卡尔曼滤波器(Kalman filter，KF)进行跟踪校准数据漂移：基于t-1时刻的漂移估计值和均方误差来预测t时刻的漂移估计值和均方误差，然后计算t时刻的卡尔曼滤波增益K，最后更新t时刻的漂移值和均方误差。

数据校准算法如下：

其中，由于节点i共测量了n个数据，因此算法共迭代了n次。在进行第t次迭代时，首先基于t-1时刻的漂移估计值d_t-1和均方误差p_t-1预测t时刻的漂移估计值d_pre和均方误差p_pre，然后计算t时刻的卡尔曼滤波增益K，最后更新t时刻的漂移值d_t和均方误差p_t。算法迭代完成后，基于滤波后漂移估计值来校准节点数据，见公式(13)。

综上所述，CELM-KF算法在大规模分布式WSN的具体实现如下：

为验证提出的CELM-KF的性能，下述以国际通用的数据集LUCE(洛桑城市冠层实验)无线传感网络数据集和某大学部署的无线自组网的数据集进行实验：

(1)LUCE数据集(洛桑城市冠层实验)来自于2006年7月以来部署在洛桑联邦理工学院内的无线传感器网络。该网络共包含97个节点，根据节点之间的时空相关性分为10组传感器节点集。在2006年10月1日到2007年5月9日期间，每个节点以31秒的采样周期采集六种属性数据，包括环境温度、地表温度、相对湿度、太阳辐射、土壤水分及风向。选取了LUCE数据集中的三组传感器节点的数据子集作为实验对象，第一组数据子集(LUCE_1)包含的节点ID分别是10，14，15，17，18，19。第二组数据子集(LUCE_2)包含的节点ID分别是21，23，24，25，26，27，28。两组数据子集都对应于2006年10月10日至2006年10月13日四天内所收集的数据。

(2)某大学部署的无线自组网的数据集

该数据集来自于2018年4月以来由智能感知与检测团队部署在某大学内的无线自组网系统。该系统由普通传感器节点、汇聚节点、数据转发设备、显示软件构成。在2018年4月25日到2019年3月5日期间，每个节点以10分钟的采样周期采集三种属性数据，包括环境温度、相对湿度、太阳辐射。选取了该数据集中的两组传感器节点的数据子集作为实验对象，第一组数据子集(JNSN_1)包含的节点ID分别是1，2，3，5，6，7。第二组数据子集(JNSN_2)包含的节点ID分别是8，9，12，13，14，16，23。两组数据子集都对应于2018年6月14日到2018年7月11日所收集的数据。

采用温度测量值来评估本方法。所使用的数据集见表1。考虑到传感器节点测量数据中中包含大量数据丢失，针对来自LUCE_1，LUCE_2，LUCE_3，JNSN_1和JNSN_2的数据分别以70秒间隔，48秒间隔，35秒间隔，27分钟间隔，16分钟间隔进行重新采样。在LUCE_1，LUCE_2和LUCE_3中，使用前4天的数据作为训练阶段的训练数据集，并且在校准阶段使用接下来4天的数据来测试本方法。在JNSN_1和JNSN_2中，使用前29天的数据作为训练阶段的训练数据集，并且在校准阶段使用接下来28天的数据来进行测试。

表1实验所用数据集

由于受到传感器节点内部固有偏差或其他环境因素，节点在测量过程中会受到噪声的干扰。采用小波去噪方法来降低噪声的影响，首先使用阈值去噪法对含噪数据进行小波分解，再对小波系数进行阈值处理，最后利用处理后结果重构原数据。由于节点测量数据中噪声干扰较小，故选择在数据集IV中1号节点对数据手动添加高斯白噪声，去噪结果参见图1。其中，原始数据与去噪后数据几近重合，这表明本方法对噪声有很好的抑制作用。

在获取了相应的实验数据之后，开始进行后续的建模工作。首先，约束极限学习机方法根据数据集的划分情况确定网络结构，划分数据集。其次，约束极限学习机方法根据两个不同样本映射到不同维度来获取权值阈值。最后，约束极限学习机方法使用获取到的唯一参数来预测目标节点的测量值。基本运算过程如下：

S1标记训练样本的类别：对训练样本进行标记。

S2计算类别总数：标记完成后，计算所标记的类别总数。

S3选取：随机选取两类不同的样本。

S4计算：计算当前的权值阈值。

S5终止条件：直到获得唯一的权值阈值，终止计算。

最后，极限学习机使用唯一参数来训练网络，并进行仿真预测，来预测目标节点的测量值。具体的建模方法如图2所示。

为了比较CELM-KF方法与其他同类方法的模型拟合程度，基于节点测量数据分别随机选择其中一个节点的数据针对CELM方法、SVR方法、SSP方法、ELM方法进行了5次对比实验，并选取平均值作为最终结果，表3给出了四种方法的模型拟合程度对比结果。

从表2可以看出，CELM方法的均方误差比SVR方法、SSP方法、ELM方法平均减少了0.7498、1.349、0.1919；CELM方法的决定系数比SVR方法、SSP方法、ELM方法平均提高了8.21％、11.93％、2.34％。这表明CELM方法具有更好的模型拟合程度，所输出的预测值与真实值的误差更小。

表2四种方法的模型拟合程度对比结果

建立了节点的预测模型之后，使用卡尔曼滤波器以分散迭代的方式进行跟踪漂移。目标节点共测量了n个数据，方法共迭代了n次。在进行第t次迭代时，首先基于t-1时刻的漂移估计值和均方误差预测t时刻的漂移估计值和均方误差，然后计算t时刻的卡尔曼滤波增益K，最后更新t时刻的漂移值和均方误差。迭代完成后，基于滤波后漂移估计值来校准节点数据，即使用目标节点的测量值减去估计的漂移值测量值完成方法的校准。图3表示基于数据集II下23号节点和数据集IV下16号节点的数据分别使用CELM-KF算法进行漂移校准后的漂移校准值。从图中可以看出，节点预测值曲线与滤波后数值曲线基本保持一致。表3和表4表示数据集IV和V下的所有节点数据针对CELM-KF算法进行了校准实验的实验结果，从表4中可以看出，数据集IV和V下的所有节点数据应用本方法后的平均值均小于0.4，R2值均大于96％。这表该算法成功地消除了引入的漂移误差和测量噪声。

表3基于数据集IV的漂移校准性能

表4基于数据集V的漂移校准性能

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无线传感网络数据漂移盲校准方法，其特征在于，所述方法采用基于约束的极限学习机与卡尔曼滤波器相结合的方法来校准传感器节点的数据漂移，其中，约束的极限学习机为通过约束权重向量参数将极限学习机ELM模型扩展到约束极限学习机CELM。

2.根据权利要求1所述的方法，其特征在于，所述方法包括：

S1对传感器节点的测量数据进行预处理，并划分为训练集和测试集；

S2使用基于约束极限学习机CELM对目标节点和其邻居节点间的时空相关性进行建模，根据S2建立的模型以及S1预处理后的测量数据得到目标节点的预测值；

S3将目标节点的预测值和实际测量值反馈入卡尔曼滤波器中，用于跟踪和校准目标节点的数据漂移。

3.根据权利要求2所述的方法，其特征在于，所述S1中的预处理包括：进行数据二次采样、去噪和归一化处理。

4.根据权利要求3所述的方法，其特征在于，所述去噪处理为利用小波阈值去噪法进行去噪。

5.根据权利要求4所述的方法，其特征在于，所述S1包括：

S11从传感器节点的测量数据中选取数据子集，所述数据子集包括目标节点以及其邻居节点的测量数据，其中，所有节点的测量数据具有时空相关性，即相同时间范围内，节点测量数据的改变趋势一致；

S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样，缩减数据量；

S13对缩减数据量后的测量数据进行小波分解，然后对小波系数进行阈值处理，得到去噪后的测量数据；

S14针对去噪后数据进行归一化处理，把数据映射到[-1,1]的区间范围内；

S14将归一化处理后的数据划分为训练集和测试集；其中训练集中的待校准的目标节点数据为训练数据输出，目标节点的邻居节点的测量数据为训练数据输入。测试集中的待校准的目标节点数据为测试数据输出，目标节点的邻居节点的测量数据为测试数据输入。

6.根据权利要求5所述的方法，其特征在于，所述S2包括：

S21根据数据集的划分情况确定极限学习机的网络结构；

S22根据样本之间的分布信息来计算输入层到隐含层之间的权值和阈值；

S23使用获取到的权值阈值建立模型，训练数据使用所建立的模型来预测目标节点的测量值。

7.根据权利要求6所述的方法，其特征在于，所述S3包括：

S31建立传感器节点的状态-观测模型，计算方法由公式(1)和公式(2)所得：

d_i,t＝d_i,t-1+w_i,t 公式(1)

z_i,t＝d_i,t+v_i,t 公式(2)

公式(1)表示节点数据的状态模型，公式(2)表示节点数据的观测模型；

其中，w_i,t表示输入的高斯白噪声，v_i,t表示观测噪声；d_i,t表示节点在时刻t的状态方程，z_i,t表示对应状态的观测方程；

S32使用卡尔曼滤波器以分散迭代的方式进行跟踪漂移：

在进行第t次迭代时，基于t-1时刻的漂移估计值和均方误差预测t时刻的漂移估计值和均方误差，计算t时刻的卡尔曼滤波增益K，更新t时刻的漂移值和均方误差；

S33基于滤波后漂移估计值校准目标节点的漂移值。

8.根据权利要求7所述的方法，其特征在于，所述S22包括：

S221在训练样本输出中，随机取出l组数据，设l1和l2分别代表l组数据中两个不同类别的样本的序列号，令l2表示值为-1(即最小值)所在的数据值的序列号，l1代表随机选取的值不为-1的序列号，即X_i,l2表示训练样本输出中的最小值，X_i,l1表示训练样本输出中的除最小值外的任意值，得到输入层与隐含层的权值w：

w＝a(X_j,l1-X_j,l2) 公式(3)

a为归一化因子；X_j,l2表示训练样本输入中序列号为l2的数据；X_j,l1表示训练样本输入中序列号为l1的数据；

S222针对公式(3)进行映射转化：

Xw+b＝aX(X_j,l1-X_j,l2)+b 公式(4)

其中，b是w对应的阈值；

S223将X_i,l2和X_i,l1分别映射为-1和1；

aX_j,l1(X_j,l1-X_j,l2)+b＝1 公式(5)

aX_j,l2(X_j,l1-X_j,l2)+b＝-1 公式(6)

S224计算：计算当前的权值w，阈值b，权值的值：

所述S32中迭代终止条件为：获取到唯一的权值阈值。

9.根据权利要求8所述的方法，其特征在于，选用公式(10)所示的均方误差MSE与公式(11)所示的决定系数R²作为测试盲校准方法性能的判断依据：

其中，均方误差MSE表示无线传感网络的预测精度；决定系数R²用来表示无线传感网络模型的拟合程度，n为训练样本数目，x_i与分别表示第i个样本的真实值与预测值。

10.权利要求1-9任一所述的无线传感网络数据漂移盲校准方法在无线传感网络中的应用。