CN110087207B - 无线传感器网络缺失数据重建方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络缺失数据重建方法。本发明一种无线传感器网络缺失数据重建方法，包括：S1对传感器节点的测量数据进行预处理；S2使用模糊神经网络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缺失数据的预测值；S3在预测值中引入自适应机制，进行模糊神经网络模型的自动更新。本发明的有益效果：通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据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重建值。最后在目标节点的重建值中引入自适应机制。

Description

无线传感器网络缺失数据重建方法

技术领域

本发明涉及无线传感器网络领域，具体涉及一种无线传感器网络缺失数据重建方法。

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，一方面，受到低成本传感器节点的所携带能源的限制，例如电池功率、计算存储能力以及通信带宽，这使得节点产生错误数据的概率很大。另一方面，大规模节点通常随机部署在环境恶劣的外界环境，伴随着极端气候的影响，如狂风，暴雨，冰雹等，一些传感器节点发生故障也是不可避免的。因此，在长期使用这些节点的过程中，必然会产生缺失数据，若不对这些缺失数据进行数据重建，可能会影响整个网络数据的可靠性以及感知数据的完整性。例如，当所监测的环境中发生事件时，例如火灾，地震等，不可靠且不完整的数据可能无法检测出这些变化。因此，对节点数据进行缺失数据精确重建至关重要。

传统技术存在以下技术问题：

关于WSN数据重建方法，国内外学术界已有诸多成果。目前通用的方法是基于传感器节点的时间相关性与空间相关性进行数据重建。基于时间相关性算法考虑到数据的时间相关性，即连续时刻的节点数据是近似的。如果当前时刻数据缺失，那么利用前一时刻和后一时刻的数据估计当前时刻的数据值。基于空间相关性算法主要是利用节点部署的空间相关性，即相邻节点的感知数据具有相关的读数，因此，可以使用邻居节点的感知数据对目标节点的缺失数据进行数据重建。随着机器学习研究与广泛应用，各式各样的方法被用于更好的解决数据缺失问题，如判定树、贝叶斯法、期望值最大化、回归法等。这种方法是利用已有的正常数据作为训练样本，从而建立预测模型，以估计缺失数据。然而，一旦预测值不精确，会导致最终重建值的精度受累积误差的限制。

发明内容

本发明要解决的技术问题是提供一种无线传感器网络缺失数据重建方法，解决目前WSN中缺失数据重建方法中存在的精确度低的问题，所述方法采用模糊神经网络模型进行缺失数据的重建，并引入自适应机制用来及时更新训练模型。

为了解决上述技术问题，本发明提供了一种无线传感器网络缺失数据重建方法，包括：

S1对传感器节点的测量数据进行预处理；

S2使用模糊神经网络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缺失数据的预测值；

S3在预测值中引入自适应机制，进行模糊神经网络模型的自动更新。

在其中一个实施例中，所述S1中的预处理包括：进行数据二次采样和归一化处理。

在其中一个实施例中，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针对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；其中训练集中的待重建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；测试集中的存在缺失数据的目标节点数据作为测试数据输出，目标节点的邻居节点的测量数据为测试数据输入。

在其中一个实施例中，所述S2包括：

S21根据数据集的划分情况确定网络结构，初始化网络参数，并初始化隶属函数和模糊规则。

S22使用训练集进行网络的训练得到网络模型，并对隶属函数和模糊规则进行进一步的更正。

S23在训练模型中输入测试集并输出预测结果，完成进行缺失数据的重建。

在其中一个实施例中，所述S22包括：

S221计算误差。

其中，y_d与y_c分别表示网络的期望输出与预测输出，e为期望输出与预测输出的误差。

S222计算变量x_j的隶属度和连乘积。

其中，

与

分别表示隶属度函数的中心与宽度，k表示输入参数，n表示模糊子集数，j＝1,2,…,k；i＝1,2,…,n。

S223修正系数。

其中，

表示网络系数，a表示网络学习率。

S224修正参数。

S225计算输出值y_i。

在其中一个实施例中，选用公式(9)所示的均方误差MSE与公式(10)所示的决定系数R²作为方法性能的判断依据：

其中，均方误差MSE表示无线传感器网络的预测精度；决定系数R²用来表示无线传感器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。

在其中一个实施例中，所述S3包括：

S31引入滑动窗口；

S32使用K-均值算法作为更新准则。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据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重建值。最后在目标节点的重建值中引入自适应机制，采用上述方法得到的重建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重建精度且提高了WSN数据的可靠性。

附图说明

图1是本发明中的分簇式无线传感器网络结构示意图。

图2是本发明中的模糊神经网络的建模流程图。

图3是本发明中的针对17号节点的四种算法的MSE对比结果

图4是本发明中的针对18号节点的重建结果图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

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使用模糊神经网络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在目标节点的预测值中引入自适应机制，以及时更新训练模型

可选的，所述S1中的预处理包括：进行数据二次采样和归一化处理。

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；

S14对测量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。

S13将归一化处理后的数据划分为训练集和测试集；其中训练集中的待重建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。测试集中的待重建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网络结构，初始化网络参数，并初始化隶属函数和模糊规则。

S22使用训练集进行网络的训练得到网络模型，并对隶属函数和模糊规则进行进一步的更正。

S23在训练模型中输入测试集并输出预测结果，完成进行缺失数据的重建。

可选的，所述S3包括：

S31引入滑动窗口

S32使用K-均值算法作为更新准则

可选的，所述S22包括：

S221计算误差。

其中，y_d与y_c分别表示网络的期望输出与预测输出，e为期望输出与预测输出的误差。

S222计算变量x_j的隶属度和连乘积。

其中，

与

分别表示隶属度函数的中心与宽度，k表示输入参数，n表示模糊子集数，j＝1,2,…,k；i＝1,2,…,n。

S223修正系数。

其中，

表示网络系数，a表示网络学习率。

S224修正参数。

S225计算输出值y_i。

可选的，选用公式(9)所示的均方误差MSE与公式(10)所示的决定系数R²作为重建方法性能的判断依据：

其中，均方误差MSE表示网络模型的预测精度；决定系数R²用来表示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器网络数据重建方法在无线传感器网络中的应用。

本发明有益效果是：

通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据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重建值。最后在目标节点的重建值中引入自适应机制，采用上述方法得到的重建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重建精度且提高了WSN数据的可靠性。

首先介绍基于分簇式WSN。一般情况下，一个典型的WSN中包含大量节点，这些节点中所携带的能量有限，而且有些节点不能直接跟基站进行通信。在分簇式无线传感器网络的模型结构中，将邻近区域内的传感器节点分为一个簇，每个簇包含簇头节点和一定数量的成员节点。通常，簇内成员节点只负责采集感知数据，并将数据传送至簇头节点，由具有一定的计算能力与存储能力的簇头节点负责分析与处理这些数据。随后，簇头节点将处理后的数据转发至下一跳或直接发送至基站。分簇式结构有利于WSN的大规模部署并且极大地减少了通信开销。WSN的分簇式结构如图1所示。

实施例一：

本实施例提供一种无线传感器网络缺失数据重建方法，用于重建传感器节点的缺失数据，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；

对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测量数据划分为训练集和测试集。其中目标节点为待重建节点。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，使用模糊神经网络方法进行建模：

首先，根据数据集的划分情况确定网络结构，初始化网络参数，并初始化隶属函数和模糊规则。其次，使用训练集进行网络的训练得到网络模型，并对隶属函数和模糊规则进行进一步的更正。最后，在训练模型中输入测试集并输出预测结果，完成进行缺失数据的重建。

Step4：实现自适应机制，使用K-均值算法作为更新准则，基于数据分布的自适应算法KM的伪代码见算法一。其中，x表示待加入滑动窗口的新数据，x之前的数据已经被划分为k类，每类中包含M_h个数据，其中心数据为AM_h，其中h＝1,2,..,k。当新数据加入滑动窗口时，首先判断该数据是否缺失。若不缺失，则快速判断其所属的类别，并更新所属类别的中心数据，然后计算完整数据的MSE，该值为E_b。当该数据缺失时，使用当前的FNN模型进行数据重建，将预测值作为新数据加入滑动窗口中并重复上述操作。

综上所述，所提出的WSN缺失数据重建方法实现步骤为：首先在簇头节点中汇集初始阶段的N个成员节点的感知数据，并将每个节点的数据均按照K-均值算法的思想，划分为k类，并分别计算每类中单个数据与中心数据的MSE值，然后求平均k个MSE的平均值，得到总体MSE值Ea。对于待测试的成员节点i，设其邻居节点的个数为m_i，然后根据节点i和其邻居节点的感知数据建立FNN模型，表示为FNNi。即初始阶段，簇头节点中建立N个网络模型。在下一时间段内，簇头节点收到传感器节点i的测试数据x＝x₁,x₂,...,x_q。首先使用KM算法对x₁进行判断，若x₁数据存在，则将x₁传入滑动窗口；若x₁缺失，使用FNN_i模型对x₁进行数据重建，得到预测值

并传入滑动窗口中，同时判断模型是否满足更新条件。设定阈值δ，当E_b-E_a＞δ时更新模型并采用当前滑动窗口内的数据进行重新聚类使得模型与当前数据的分布情况保持一致。针对下一数据x₂重复上述过程，直到x_q传入滑动窗口，表示算法结束。

为了验证KM-FNN的算法性能，在matlab 2013b的实验环境下针对国际通用的IBRL数据集与LUCE数据集和某大学部署的无线自组网的数据集进行实验不同的真实数据集下分别实现了提出的KM-FNN算法、LIN算法、MR算法和小波神经网络算法，并进行了实验结果的比较。为验证提出的CELM-KF的性能，下述以：

(1)IBRL数据集

IBRL数据集来自于2004年2月28日到2004年4月5日期间部署在Intel Berkeley实验室内的无线传感器网络，共包含54个节点。每个节点以31秒的采样周期采集四种属性数据，包括温度、湿度、光照及电压值。选取了由IBRL部署中的两组节点的数据子集进行实验。第一组数据子集(IBRL_1)包含的节点ID分别是1，2，3，4，6，7，10，33。第二组数据子集(IBRL_2)包含的节点ID分别是17，18，19，20，21，22，23。两组数据集都对应于2004年2月28日至2004年3月7日九天内所收集的数据。

(2)LUCE数据集

LUCE数据集来自于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数据集中的两组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81、82、85、86、87、89。两组数据子集都对应于2007年1月1日至2007年1月30日三十天内收集的数据。

(3)JNSN数据集

JNSN数据集来自于2018年4月以来由智能感知与无损检测团队部署在某大学内的无线自组网系统。该系统由30个普通传感器节点、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10日期间，每个传感器节点以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。然后将感知数据通过汇聚节点汇总至无线自组网系统中，在终端服务器中进行算法的调试以及数据的分析。选取了JNSN数据集中的数据子集(JNSN_1)包含的节点ID分别是1、2、3、5、6、7，对应于2018年6月14日到2018年8月11日所收集的数据。

为了削减数据集，并保证训练集中不存在缺失数据，以模拟节点部署初期的感知数据。针对来自IBRL_1，IBRL_1，LUCE_1，LUCE_2和JNSN_1的数据分别以4.5分钟间隔、5分钟间隔、70秒间隔，35秒间隔和27分钟间隔进行重新采样。采用温度作为评估数据。表1列出了所使用的所有数据集。

表1实验所用数据集

在数据集中查找是否出现缺失值，经过统计发现，在测试集中出现了不同程度的数据缺失，其缺失位置用NAN代替。表2表示实验数据集中缺失数据的分布情况。

表2数据集中缺失数据的分布情况

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，根据数据集的划分情况确定网络结构，初始化网络参数，并初始化隶属函数和模糊规则。其次，使用训练集进行网络的训练得到网络模型，并对隶属函数和模糊规则进行进一步的更正。最后，在训练模型中输入测试集并输出预测结果，完成缺失数据的重建。具体的建模方法如图2所示。

分别选择IBRL_1下1号节点，IBRL_2下17号节点，IUCE_1下10号节点，IUCE_2下81号节点，JNSN_1下1号节点，JNSN_2下8号节点进行了3次对比实验，并选取平均值作为最终数据，表3给出了实验结果。

表3四种算法的数据重建对比结果

可以看出，CELM算法的平均均方误差比WNN算法、LIN算法、MR算法分别减少了0.842，0.994，0.381。CELM算法的平均均方误差比WNN算法、LIN算法、MR算法分别提高了6.65％，5.94％，2.82％。可以判断得出，基于所使用的数据集下，KM-FNN算法相对其余算法具有更精准的数据重建性能。

为了验证不同数量的缺失数据对实验的影响，使用四种算法在数据集III下针对17号节点的数据进行实验。其中，在节点数据的测试集随机位置中删去数量为10，20，30，40，50，60的数据。结果见图3。其中，LIN算法在数据的缺失数目为10，20，30，40，50，60时的MSE均为最高，这是由于LIN算法是基于传感器节点的时间相关性，其适应于较短时间间隔内的数据呈平稳变化的场景下，而所用的数据集经过二次采样，更加大了时间间隔。因此，该方法针对17号节点和7号节点的数据重建精度最低。MR算法基于传感器节点的空间相关性，对数据缺失值的估计相对较为精准，具有良好的数据重建精度。相对于WNN算法，KM-FNN具有极强的自适应性能，因此其模型精度最高。

图4表示数据集II下18号节点的数据分别使用KM-FNN算法进行数据重建的结果图。其中，于18号节点删去数量为50的样本，以模拟数据的缺失。从图中可以看出，真实数据曲线与预测数据曲线基本保持一致。综上所诉，提出的方法具有良好的数据重建性能。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种无线传感器网络缺失数据重建方法，其特征在于，包括：

S1对传感器节点的测量数据进行预处理；

S2使用模糊神经网络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缺失数据的预测值；

S3在预测值中引入自适应机制，进行模糊神经网络模型的自动更新；

所述S1中的预处理包括：进行数据二次采样和归一化处理；

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针对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；其中训练集中的待重建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；测试集中的存在缺失数据的目标节点数据作为测试数据输出，目标节点的邻居节点的测量数据为测试数据输入；

所述S2包括：

S21根据数据集的划分情况确定网络结构，初始化网络参数，并初始化隶属函数和模糊规则；

S22使用训练集进行网络的训练得到网络模型，并对隶属函数和模糊规则进行进一步的更正；

S23在训练模型中输入测试集并输出预测结果，完成进行缺失数据的重建；

所述S22包括：

S221计算误差；

其中，y_d与y_c分别表示网络的期望输出与预测输出，e为期望输出与预测输出的误差；

S222计算变量x_j的隶属度和连乘积；

其中，

与

分别表示隶属度函数的中心与宽度，k表示输入参数，n表示模糊子集数，j＝1,2,…,k；i＝1,2,…,n；

S223修正系数；

其中，

表示网络系数，a表示网络学习率；

S224修正参数；

S225计算输出值y_i；

选用公式(9)所示的均方误差MSE与公式(10)所示的决定系数R²作为方法性能的判断依据：

其中，均方误差MSE表示无线传感器网络的预测精度；决定系数R²用来表示无线传感器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；

所述S3包括：

S31引入滑动窗口；

S32使用K-均值算法作为更新准则。

2.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述方法的步骤。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。

4.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1所述的方法。

Images