CN110730435A - 分布式无线传感器网络数据漂移盲校准方法 - Google Patents

Abstract

本发明公开一种分布式无线传感器网络数据漂移盲校准方法，解决了无线传感器网络数据漂移盲校准过程对环境要求高、限制多和易失效的技术问题。实现包括：确定一个分布式无线传感器网络；收集校准网络模型参数训练数据；建立分布式数据漂移盲校准模型并训练模型参数；实时采集数据；各节点不断实时采集测量数据进行数据盲校准，直至节点能量耗尽，完成了分布式网络的盲校准过程。本发明采用分布式实现，在各分布式节点独立执行，无需节点间交互校准，降低了网络负载，避免了网络中部分节点失效时，导致网络的校准方法失效的问题。通过对实际信号的恢复，校准精度更高、训练更快；易于工程化实现。用于无线传感器网络的数据漂移盲校准。

Description

分布式无线传感器网络数据漂移盲校准方法

技术领域

本发明属于通信技术领域，涉及无线传感器网络数据漂移盲校准，具体是一种分布式无线传感器网络数据漂移盲校准方法，用于无线传感器网络下分布式数据漂移的盲校准。

背景技术

无线传感器网络(wireless sensor networks,WSN)由一组具有无线通讯能力的传感器节点组成，结合了无线通信技术、嵌入式计算技术、传感器技术、分布式信息处理技术等多种技术手段，能够实现数据的采集、处理、传输三种功能，其根据数据处理方式可分为集中式和分布式。研究表明，WSN集中式信息处理方式能量消耗较大，网络扩展性较差。而分布式方式可以将信息处理任务分布到传感器节点端完成，减少了网络中数据传输的能量消耗，缓解了集中式处理的系统压力，同时，采用分布式机制处理的无线传感器网络，使网络具备了网络抗毁、易拓展、伸缩性强等特点，不会因为单个节点的增加或失效影响网络中其他节点的运行状态，能够更好的应对各种场景。随着WSN规模的增大，采集数据的准确性要求也愈发增高，然而传感器采集数据时会因自身硬件原因，导致实际信号与测量信号存在偏差，该现象称为数据漂移。由于漂移可能导致直接测量的数据无效，所以实际环境中数据漂移的校准必不可少。通常，网络中传感器数量较多，并且有些部署在难以到达的位置，实现人工校准难度很大。因此，需要一种在实际信号未知的情况下校准传感器节点的方法，该方法称为盲校准。

目前，无线传感器网络数据漂移盲校准方法通常以节点密集部署或者监测相同目标为前提，相邻传感器共享相同实际信号值，通过和邻居节点的信息交换消除收集数据的漂移；还有一些基于集中式处理机制的盲校准方法，利用深度学习思想，将数据收集到目的端，再将数据统一校准处理。这些方的法虽然能够在数据漂移盲校准任务中达到不错的效果，但都有一定的局限性。可以说存在有以下几方面的问题：

1)实际应用中需要考虑成本的限制，通常盲校准方法中所要求的密集部署或监测相同目标的前提条件，在很多场景中难以满足，难以实现，且仅依靠密集部署等条件的盲校准方法效果较为一般；

2)通常在对数据校准的时，需要网络中的多个节点发送数据到同一节点集中的对数据进行校准，利用这种方式可以使用邻居节点的信息帮助自身节点对数据校准，然而集中式数据处理方式会增加节点能量的消耗，增加无线传感器网络中节点通信的负载，且当网络中某些节点能量耗尽失效或者新节点加入到无线传感器网络中时，可能会导致整个网络原有的校准功能失效；

3)在盲校准进行过程中，许多盲校准方法需要先挑选出个别节点进行人工校准，作为标准数据，其他节点通过与人工校准节点的信息交互对自身节点数据校准，但是实际应用中需要考虑环境等限制因素，人工校准在很多时候无法进行，进而影响了整个盲校准过程和结果。

综上，现有算法在校准过程中会产生网络通信阻塞、网络负载大、节点能耗高以及校准前提条件难以满足等缺点，进而会影响数据漂移盲校准方法在实际环境中的应用，造成数据漂移盲校准准确率较低、稳定性较差甚至无法使用等缺点。

以上这些缺陷限制了无线传感器网络的性能，导致应用环境限制较多，网络负载大，算法性能不稳定，容易因网络节点增加或死亡等情况变化而失效，从而影响了无线传感器网络的应用性能。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种网络扩展性更强，校准精度更高的分布式无线传感器网络数据漂移盲校准方法。

本发明是一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，包括有如下步骤：

步骤1确定一个分布式无线传感器网络：建立一个具有N个传感器的分布式无线传感器网络，单个传感器就是无线传感器网络中的一个节点，网络中任一传感器i在t时刻的测量信号表示为y_i,t，实际信号表示为x_i,t；测量信号y_i,t中普遍存在漂移量d_i,t和加性噪声v_i,t，假设漂移量d_i,t和加性噪声v_i,t符合高斯模型；分布式无线传感器网络测量信号模型表示为：

y_i,t＝x_i,t+d_i,t+v_i,t；

步骤2收集校准网络模型参数训练数据：假设在分布式无线传感器网络刚确定后并开始测量的T个时刻内，所采集的数据中不含有漂移和噪声值，则T个时刻内采集的数据就是实际信号x_i,t；在实际信号x_i,t的基础上，结合符合高斯模型的漂移量d_i,t和加性噪声v_i,t，根据测量信号模型得到测量信号y_i,t，收集这些实际信号和测量信号作为训练分布式数据漂移盲校准网络模型参数的训练数据；

步骤3建立分布式数据漂移盲校准模型并训练模型参数：分布式数据漂移盲校准模型的结构主要包括依次串行的投影层和恢复层，恢复层的输出为分布式数据漂移盲校准模型的输出；投影层和恢复层的基本结构都采用基于卷积神经网络中卷积层的结构，均独立存在于分布式无线传感器网络的各个节点中；使用训练数据对分布式数据漂移盲校准模型的参数进行训练时，首先训练投影层参数：投影层将实际信号和测量信号同时输入到投影层中进行训练，各节点训练过程相互独立；接着同时训练投影层和恢复层的参数：实际信号和测量信号同时输入到投影层中，投影层输出调整数据维度以满足恢复层的数据输入维度，作为恢复层的输入，各节点训练过程相互独立；当满足训练条件后，完成对数据漂移盲校准模型参数的训练；

步骤4实时采集数据：分布式无线传感器网络各节点独立对T时刻之后的数据实时采集，作为测量数据，即未校准数据；

步骤5各节点进行数据校准：分布式无线传感器网络中各节点获取T_p个实时采集的测量数据作为分布式数据漂移盲校准模型的输入数据，输入到训练好的数据漂移盲校准模型中，对未校准数据校准，分布式数据漂移盲校准模型的输出数据即为各节点采集的T_p个测量数据的校准数据，完成当前采集的T_p个测量数据的数据漂移盲校准；

步骤6循环校准过程：各节点反复循环执行步骤4和步骤5，不断将未校准数据通过校准模型，得到校准后的数据，直至节点能量耗尽，完成分布式无线传感器网络节点数据漂移盲校准方法。

本发明提供了一种分布式无线传感器网络数据漂移盲校准方法的整体技术方案，采用相对稳定且可靠的被采集实际信号作为投影训练参考信号，避免了原有方法采用漂移投影会由于数据不稳定、数值小所带来训练特征不佳、精度低等问题。新算法结构更加简化，计算任务由各个独立节点分担，不会因节点失效或新节点加入而影响网络其它节点漂移校准正常执行。

与现有技术相比，本发明具有如下优点：

网络扩展性更强：本发明全分布式算法结构实现漂移数据盲校准，模型在节点中独立执行，无需通过节点之间相互分享信息就可以对节点进行校准，有效降低了网络负载，提升了模型参数训练的速度，同时当网络中出现部分节点能量耗尽失效或损坏时，不会影响其他节点的校准过程，使无线传感器网络具备了抗毁、易拓展等特点，同时使盲校准校准方法具有更好的稳定性。

校准精度更高：本发明采用相对稳定且可靠的被采集实际信号作为投影训练参考信号。与漂移信号相比，实际信号有更稳定且规律的信号特性，能够使校准模型更好的捕获信号特征，从而在测量信号中获取实际信号。避免了有些无线传感器网络盲校准方法采用漂移投影会产生由于数据不稳定、数值小所带来训练特征不佳、校准精度低等问题。

工程化实施容易：本发明采用分布式结构，相比于集中式无线传感器网络数据漂移盲校准方法，不用担心在网络中添加新的节点会导致之前的校准参数失效，能够更方便的在实际环境中部署。解除了部分现有方法在使用中的限制，能够在实际环境中能够更好的应用。

附图说明:

图1是本发明的流程示意图；

图2是本发明中ResUnit网络结构图；

图3是本发明基于卷积神经网络的校准模型框架图；

图4是本发明使用前后网络中存在漂移量的MAE值对比图；

图5是本发明与现有技术在校准精度的RMSE值对比图。

具体实施方式：

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明做详细说明。

实施例1：随着WSN规模的增大，采集数据的准确性要求也愈发增高，然而传感器采集数据时会因自身硬件原因，导致实际信号与测量信号存在偏差，发生数据漂移现象。由于漂移可能导致直接测量的数据无效，所以数据漂移的校准非常必要。通常，网络中传感器数量较多，并且部署在难以到达的位置，人工校准难度很大，集中式盲校准方法，容易由于节点失效而失效，同时网络数据需要汇集到服务器中，实时性差、网络负载重，往往很多实际环境不能满足其应用。

针对上述现状，本发明通过研究与创新提出一种分布式无线传感器网络数据漂移盲校准方法，参见图1，包括有如下步骤：

步骤1确定一个分布式无线传感器网络：建立一个具有N个传感器的分布式无线传感器网络，单个传感器就是无线传感器网络中的一个节点，网络中任一传感器i在t时刻的测量信号表示为y_i,t，实际信号表示为x_i,t；测量信号y_i,t中普遍存在漂移量d_i,t和加性噪声v_i,t，假设漂移量d_i,t和加性噪声v_i,t符合高斯模型；分布式无线传感器网络测量信号模型表示为：

y_i,t＝x_i,t+d_i,t+v_i,t。

同理，d_i,t表示传感器i在t时刻的漂移量，v_i,t是传感器i在t时刻的加性噪声。

步骤2收集校准网络模型参数训练数据：假设在分布式无线传感器网络刚确定后并开始测量的T个时刻内，所采集的数据中不含有漂移和噪声值，则T个时刻内采集的数据就是实际信号x_i,t；在实际信号x_i,t的基础上，结合符合高斯模型的漂移量d_i,t和加性噪声v_i,t，根据测量信号模型得到测量信号y_i,t，收集这些实际信号和测量信号作为训练分布式数据漂移盲校准网络模型参数的训练数据。

步骤3建立分布式数据漂移盲校准模型并训练模型参数：即建立分布式数据漂移盲校准模型的并使用收集的训练数据对模型参数进行训练，本发明分布式数据漂移盲校准模型的结构主要包括依次串行的投影层和恢复层，投影层和恢复层也可以称为分布式节点投影层结构和分布式节点恢复层结构。本发明恢复层的输出为分布式数据漂移盲校准模型的输出。投影层和恢复层的基本结构都采用基于卷积神经网络中卷积层的结构，均独立存在于分布式无线传感器网络的各个节点中，完成对分布式数据漂移盲校准模型的建立。使用步骤2中得到的训练数据对分布式数据漂移盲校准模型的参数进行训练，首先训练投影层参数：投影层将实际信号和测量信号同时输入到投影层中进行训练，各节点训练过程相互独立。接着同时训练投影层和恢复层的参数，即本发明中，投影层进行了两次训练，恢复层进行了一次训练。实际信号和测量信号同时输入到投影层中，投影层输出调整数据维度以满足恢复层的数据输入维度，作为恢复层的输入，各节点训练过程相互独立；当满足训练条件后，完成对数据漂移盲校准模型参数的训练。

步骤4实时采集数据：分布式无线传感器网络各节点独立对T时刻之后的数据实时采集，作为实时测量数据，即未校准数据。

步骤5各节点进行数据校准：分布式无线传感器网络中各节点获取T_p个实时采集的测量数据作为分布式数据漂移盲校准模型的输入数据，输入到训练好的数据漂移盲校准模型中，通过模型对未校准数据校准，分布式数据漂移盲校准模型的输出数据即为各节点采集的T_p个实时测量数据的校准数据，完成当前采集的T_p个实时测量数据的数据漂移盲校准。

步骤6循环校准过程：各节点反复循环执行步骤4和步骤5，不断将未校准数据通过校准模型，得到校准后的数据，直至节点能量耗尽，完成分布式无线传感器网络节点数据漂移盲校准方法。

本发明提供了一种分布式无线传感器网络数据漂移盲校准方法的整体技术方案。

本发明的技术思路是：网络中各节点采集传感器刚部署后一段时间内的数据作为实际信号数据，通过建立测量信号模型得到测量信号，收集这些实际信号和测量信号作为基于卷积神经网络的分布式无线传感器网络校准模型的训练数据，训练完成后得到分布式无线传感器网络校准模型的校准参数，此时无线传感器网络中各传感器节点实时采集的数据通过分布式无线传感器网络校准模型，得到各节点的实时校准数据，完成对测量数据的校准。

原有集中式无线传感器网络数据漂移盲校准方法中，当网络中出现部分节点失效或有新节点加入，盲校准方法容易失效或准确率降低，网络通信负载增大。而本发明的无线传感器网络数据漂移盲校准模型采用分布式结构，盲校准过程在节点内部实现，能够有效降低网络通信负载，并且提高了网络的稳定性。当网络出现节点失效或有新节点加入，本发明的盲校准模型不会受到影响，具有更好的抗毁性，在实际应用中，本发明方法相较于原有方法部署更加灵活，具有更好的实用价值。

实施例2：

分布式无线传感器网络数据漂移盲校准方法同实施例1，本发明步骤1和步骤2中所述的假设漂移量d_i,t和加性噪声v_i,t符合高斯模型，具体是：

加性噪声v_i,t高斯模型如下：

其中，

表示为均值为0，方差为

的加性噪声高斯分布，N表示高斯分布；

漂移量d_i,t高斯模型如下：

d_i,0＝μ_i+β

d_i,t＝d_i,t-1+δ_i,t

其中，d_i,0表示传感器i漂移量的初始值，由μ_i和β组成，其中μ_i是方差为

均值为0的高斯模型，β是方差为

均值为0的高斯模型，或者说μ_i为与方差

相关的高斯模型，β表示和方差

相关的高斯模型，δ_i,t表示传感器i在t时刻的漂移增量，

表示δ高斯模型的方差。

本发明通过研究漂移和噪声的信号情况，设置了漂移模型和噪声模型，为分布式无线传感器网络数据漂移盲校准模型的实用性奠定了基础，通过分析数据漂移的产生，发现数据漂移的产生是平滑的，通过合理设置

和的值，很好的仿真了漂移数据真实情况。而噪声往往是随机的，因此本发明将噪声模型设置为均值为0，方差为

的高斯模型。经过研究分析和实验验证能够得出，本发明所采用的噪声模型和漂移模型能够客观的反映出漂移与噪声的实际情况，使得本发明的分布式无线传感器网络数据漂移盲校准模型具有工程性和实用性。

实施例3：

分布式无线传感器网络数据漂移盲校准方法同实施例1-2，本发明步骤3中所述的使用训练数据对分布式数据漂移盲校准模型的参数进行训练，具体是：训练数据为1×T的矢量，在模型参数训练时，依照时间顺序，截取T_p个时间长度的数据块作为分布式数据漂移盲校准模型参数训练的一次输入，以同样的方法循环截取数据块对模型参数训练，直至分布式无线传感器网络数据漂移盲校准模型参数满足训练结束条件，通常结束条件为达到训练轮次或满足校准精度要求。

本发明设定长度为T_p的数据块，作为分布式无线传感器网络数据漂移盲校准模型的输入，经过研究和实验发现，T_p取值过大会影响训练速度，取值过小会影响数据漂移盲校准效果，因此设定T_p为20是一个较合适的值。通过设置合适的T_p值，能够使卷积层有很好的效果，使卷积核能够同时计算到多个连续时刻输入数据的值，很好的提取了连续时刻数据之间的相关性，并且不会导致训练速度过慢，与其他只考虑单个时刻测量数据的无线传感器网络数据漂移盲校准方法相比，本发明的方法能够产生更好的校准精度。

实施例4：

分布式无线传感器网络数据漂移盲校准方法同实施例1-3，步骤3中所述的投影层结构具体是：投影层采用基于卷积神经网络中卷积层的结构，训练投影模型，输入数据都为1×T_p的矢量，对输入的数据依次执行卷积操作、批量归一化和使用tanh作为非线性激活函数进行非线性化处理，卷积核大小为1×7，通道数为2。

本发明通过研究测量数据、漂移信号和实际信号之间的关系时发现，使用测量数据和实际信号进行投影训练能够产生更高的盲校准方法的准确率，原因是：实际信号相较于漂移和噪声信号有更好的稳定性和规律性，因此更容易训练拟合出实际信号的特征，获得更好的实际信号恢复效果，从而盲校准方法的准确率会更高；采用分布式结构使得训练数据为1×T的矢量，相较于集中式结构，分布式结构会使模型参数训练速度更快。

实施例5：

分布式无线传感器网络数据漂移盲校准方法同实施例1-4，步骤3中的恢复层结构具体是：恢复层结构分为串行的三部分，第一部分为卷积层，卷积核大小1×3，通道数为16；第二部分由三个串行的残差单元ResUnit构成；第三部分也为卷积层，顺序执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为1。

本发明在研究和实验中发现，对时间序列信号采用大小为1×3的卷积核进行卷积神经网络计算，能够很好的提取信号的特征以及信号时间序列上的相关性，并且训练速度足够快；执行批量归一化能够提升训练速度、提高训练精度和解决深层网络中的梯度消失问题，相较于传统的卷积神经网络结构，采用这样的结构能够对无线传感器网络数据漂移盲校准的校准效果有较大提升。

实施例6：

分布式无线传感器网络数据漂移盲校准方法同实施例1-5，本发明恢复层结构中由三个串行的残差单元ResUnit构成的第二部分，参见图2，图2是本发明中ResUnit网络结构图。恢复层具体结构是：残差单元ResUnit包含主分支和辅助分支：第一个残差单元ResUnit的主分支顺序执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为64，执行后的输出作为此残差单元ResUnit主分支的输出；后两个残差单元ResUnit的主分支直接将自身的输入传递到输出，作为主分支的输出；残差单元ResUnit的辅助分支包含三个卷积层，第一个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为16，第二个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×3的卷积，通道数为16，第三个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为64，三个卷积层串行连接，第三个卷积层的输出作为辅助分支的输出；各残差单元ResUnit将主分支和辅助分支的输出相加作为残差单元ResUnit的输出。

本发明在研究和实验中发现，使用ResUnit能够很好的提升无线传感器网络数据漂移盲校准的效果。ResUnit能够很好的处理深度学习网络层数增加所导致的精度降低的问题，本发明考虑到了输入信号是时间序列，因此卷积核大小的设置为1×1和1×3两种，与传统卷积神经网络层相比，ResUnit能够使模型网络层数更深，且解决深层网络准确率降低的问题。

下面给出一个更加详实的例子，对本发明进一步说明。

实施例7：

分布式无线传感器网络数据漂移盲校准方法同实施例1-6，本发明是一种分布式无线传感器网络数据漂移盲校准方法，其主要实现步骤包括有：

步骤1确定分布式WSN网络及测量信号模型：在一个半径为10的圆形区域内，随机布置了50个传感器和20个信号源。假设传感器接收到的无漂数据由区域内所有信号源加权产生。表示为：

式中，r表示信号源个数，s_j,t表示信号源j在t时刻的值，a_i,j表示传感器i和信号源j之间的权系数。权系数与距离有关，表示为：

a_i,j＝(Δ_i,j+1)^-1.5

式中，Δ_i,j表示节点i和信号源j之间的距离。

步骤2根据实验环境情况设置建立漂移数据模型，本实例中，假设噪声为高斯白模型，可表示为：

漂移模型表示为：

d_i,0＝μ_i+β

d_i,t＝d_i,t-1+δ_i,t

其中，

表示为均值为0，方差为

的加性噪声高斯分布，N表示高斯分布，d_i,0表示传感器i漂移量的初始值，由μ_i和β组成，

和分别表示μ_i和β高斯模型的方差，δ_i,t表示传感器i在t时刻的漂移增量，

表示δ高斯模型的方差。本例中的假设为不失一般性的假设，在实际操作中还可以根据自身实际情况设定漂移模型和噪声模型以及其具体参数。

步骤3建立模型训练数据模型：假设产生的漂移d_i,t和噪声v_i,t符合高斯模型，因此带有漂移的测量信号可由下式表示：

y_i,t＝x_i,t+d_i,t+v_i,t

其中，y_i,t表示网络中任一传感器i在t时刻的测量信号，x_i,t表示实际信号。

步骤4测量数据增强处理：在分布式无线传感器网络刚确定后并开始测量的T个时刻内，假设采集数据中不含有漂移值，收集网络刚确定后T时刻内的测量数据作为校准网络模型的训练数据，用这些数据作为节点测量信号中的实际信号使用；将数据每隔T_p个时刻进行切割，作为输入校准网络的数据块。

步骤5建立分布式节点投影网络并训练网络参数：分布式节点的投影网络在WSN网络中各个分布式网络节点上实现，投影层采用基于卷积神经网络中卷积层结构实现漂移信号投影功能，同时将实际信号和测量值输入进入网络，各节点训练过程相互独立，输入数据为1×T_p的矢量，非线性激活函数为tanh，卷积核大小为1×7，通道数为2同时也是卷积核和投影维度的个数。投影层输出信号投影和信号观测数据，并计算投影损失。训练过程通过反向传播，逐步使投影层的投影损失最小化，根据实际应用环境要求设定训练轮数。

步骤6建立分布式节点恢复网络并训练网络参数：同时将实际信号和测量值输入到经过步骤3训练好的投影网络，将投影网络的输出再作为恢复层的输入，同时对投影层和恢复层训练后得到训练好的数据漂移盲校准模型；投影层完成训练后，获得信号投影p_ix_i观测值。首先通过卷积核为1×1的卷积层匹配通道数，然后信号观测值传入恢复层对实际信号x_i进行恢复。恢复层使用三层ResUnit单元。每个ResUnit有两个分支，主分支将输入直接传递给输出，辅助分支包含三个卷积层。在进入下一层之前，将两个分支的输出相加。第一个ResUnit的主分支中包含1×1卷积层，以确保其两个分支中的特征映射具有相同的通道数。最终恢复层输出实际信号x_i的无漂估计，通过计算与实际信号的差异，得到恢复层的损失。

步骤7利用训练好的模型对测量数据校准：网络中各个节点独立经过步骤4和步骤5训练得到校准模型及模型参数，将测量数据输入到模型，输出得到校准数据。直至节点能量耗尽，不再测量数据，盲校准过程完成。参见图3，图3是本发明基于卷积神经网络的校准模型框架图，图3体现了上述步骤5和步骤6中投影网络层和恢复网络层的具体结构。图3恢复网络层中ResUnit模块具体结构为图2所示。本发明通过对传感器节点的测量信号和实际信号的研究和分析，建立测量信号模型，同时使用测量信号和实际信号训练分布式数据漂移盲校准模型的投影层和恢复层的参数，训练好的模型能够从测量信号中的获取实际信号，从而完成对无线传感器网络数据漂盲移校准的任务。本发明的创新点在于：方法部署在传感器网络节点中分布式执行，各个节点模型独立训练，以保证各个节点训练得到符合自身采集数据情况的模型参数。当网络中出现节点能量耗尽死亡时或新节点加入时，不会影响网络中其他节点的校准任务。采用相对稳定且可靠的被采集实际信号作为投影训练参考信号，能够使校准模型更好的捕获信号特征，从而获得更好的盲校准效果。

实施例8：

分布式无线传感器网络数据漂移盲校准方法同实施例1-7

以下通过仿真实验说明本发明的实施效果。

仿真条件：

仿真条件如下，在一个半径为10的圆形区域内，随机布置了50个传感器和20个信号源。信号源是通过ARMA(Autoregressive moving average model，自回归滑动平均模型)低通滤波器产生的独立数据，并且每个信号源均增加了一个随机的趋势信号，以增强信号源之间的差异性，模拟真实环境。设置投影层训练轮数2000轮，恢复层训练轮数1500轮。漂移模型参数σ₀、σ_b和σ_d分别设置为1.5、0.5和0.03，噪声参数σ_n设置为0.1，裁剪大小T_p设置为20。模型训练需要大量的训练数据，为了增加仿真环境中的训练数据，这里使用了一种类似于Block-Bootstrap(块状自助法)的方法进行数据增强。Block-Bootstrap方法可以对原始数据按整块长度进行有放回的整块抽取，达到扩大训练样本数量的目的。裁剪过程可表示为：

式中，{x_P}表示裁剪后的T_p时间长度的数据块集合。在[1,T-T_P+1]上随机选取整数τ作为裁剪的开始位置，

表示x_i从τ到τ+T_P-1长度的数据块，其中x_i＝[x_i,1,x_i,2,...,x_i,t,...,x_i,T]。因此，可以获得T-T_P+1个不同的数据块，达到了扩大训练数据集的目的。同时，通过测量信号模型得到测量信号训练过程首先训练投影层参数：投影层将长度为τ到τ+T_P-1的实际信号和测量信号同时输入到投影层中进行训练，实际信号输入得到的输出为信号投影，测量信号输入得到的输出为信号观测，通过计算两个输出得到投影层损失。投影层训练2000轮后，接着同时训练投影层和恢复层的参数；此时，将信号观测经过一层卷积后继续输入到恢复层中，最终输出实际信号的无漂估计，计算实际信号和无漂估计的损失，训练1500轮后完成对节点的数据漂移盲校准模型的参数训练。将训练好参数的模型作为网络中节点的校准模型，对之后实时采集的长度为T_p连续分块测量数据块依次进行校准，并依次完成采集的长度为T_p的连续分块测量数据的数据漂移盲校准。

仿真内容及仿真结果：

仿真1，为了验证本发明提出的无线传感器网络数据漂移盲校准方法的有效性，设置了一组仿真实验说明：网络只有部分传感器测量信号产生漂移时，通过对传感器的漂移估计设置阈值，可以检测出传感器是否发生漂移，并对产生漂移的传感器输出校准值，对未漂移传感器输出测量值。测量信号y_i,t可矢量化表示为y_i＝[y_i,1,y_i,2,...,y_i,t,...,y_i,T]，T是时间长度，将T时间长度的数据每隔T_p时间长度进行切割，作为输入校准网络的数据块。同理，T时间长度的实际信号x_i,t矢量化表示为x_i。校准后得到的实际信号估计为x_i,t'，同理矢量化表示为x_i'。从τ到τ+T_P-1长度的输入数据块的漂移估计d_i'可根据公式计算：

各传感器的漂移估计不同，采用对漂移估计设定阈值的方式，可以检测出产生漂移的传感器并校准。当传感器未产生漂移时，y_i,t等于x_i,t，即漂移估计值接近于0。因此对于漂移估计大于阈值的传感器，判定该节点发生了漂移，反之则判定节点未发生漂移。阈值的大小根据实验环境设定，体现网络对漂移的容忍程度。当无线传感器网络部分传感器发生漂移时，从τ到τ+T_P-1长度数据块的测量信号与实际信号之间的平均绝对误差(meanabsolute error,MAE)记为D_MAE，表示为：

体现了漂移量对被测实际信号的影响。对漂移估计大于阈值的传感器校准后，从τ到τ+T_P-1长度数据块的实际信号估计与实际信号之间的MAE记为C_MAE，表示为：

体现了校准后剩余漂移量对被测实际信号的影响。通过比较C_MAE和D_MAE的值，验证算法检测漂移传感器进行校准的能力。

参见图4，图4是本发明使用前后网络中存在漂移量的MAE值对比图，图中D_MAE的变化情况由带有三角的线表示，C_MAE的变化情况由带有圆圈的线表示。阈值设置取决于当前测量环境的校准需要，图4显示了当阈值设置为3.5时，网络D_MAE和C_MAE值的变化情况。当网络中多个传感器存在漂移时，D_MAE值分别为0.96、1.93、2.89、3.83、4.79，表示网络中部分节点的实际信号发生了漂移。计算各传感器的漂移估计d_i'，并与设定的阈值比较，能够判断各传感器节点当前的测量数据是否发生了漂移。对检测出漂移的传感器校准后，C_MAE值分别为0.23、0.46、0.68、0.87、1.08，网络中的MAE值平均降低了76.9％。上述结果证明，在本发明中，当网络存在多个漂移传感器节点时，传感器节点通过对自身漂移状态的估计，能够较准确的检测出漂移传感器并进行校准。

本发明中各节点独立的对测量信号的校准，节点通过对校准后的信号进行分析，能够有效的检测出当前节点是否发生了漂移。这是由于分布式无线传感器数据漂移盲校准网络对信号具有良好的校准能力，当对训练好的分布式无线传感器数据漂移盲校准网络输入真实信号时，网络能够几乎不改变的输出真实信号；当对训练好的分布式无线传感器数据漂移盲校准网络输入带有漂移量的测量信号时，网络能够对测量信号进行校准，输出消除了漂移量的真实信号估计值。因此本发明通过设置各传感器的漂移容忍阈值，能够很好的挑选出网络中存在的已经产生漂移的传感器。

实施例9：

分布式无线传感器网络数据漂移盲校准方法同实施例1-8，仿真条件同实施例8。

仿真2，为了验证本发明的效果，通过在相同实验条件下分别应用本发明的解决方案与应用现有无线传感器网络数据漂移盲校准解决方案做一个准确性的对比，将实际信号值和校准值之间的均方根误差(rooted mean square error,RMSE)作为评价指标。校准越准确，RMSE值越小。RMSE定义为：

参见图5，图5是本发明与现有技术在校准精度的RMSE值对比图，图中本发明方法即D-PRNet的变化情况由带有三角的线表示，所对比的现有方法即PRNet的变化情况由带有圆圈的线表示。经过20次蒙特卡洛实验测试，并取平均结果，两种算法RMSE值的对比结果如图5所示。网络中没有传感器发生数据漂移时，通过设置合适的阈值，本发明方法可以令传感器输出测量值，不会产生误差。漂移传感器个数增加为10、20、30、40时，本发明方法和现有方法相比，RMSE值分别降低了0.17、0.24、0.28和0.34，并且随着传感器漂移个数的增加，现有方法RMSE值上升的较快，而本发明方法相对变化较缓，校准能力始终保持在一个较高的水平。实验结果表明，相较于漂移信号，实际信号的恢复产生了更小的RMSE，避免了有些无线传感器网络盲校准方法采用漂移投影会产生由于数据不稳定、数值小所带来训练特征不佳、校准精度低等问题，具有更高的校准精度。

根据仿真2可得出，由于本发明采用分布式的实现方式，各节点对测量信号校准相互独立，不会随着漂移传感器个数增加而导致算法校准难度迅速增大，当无线传感器网络中节点情况发生变化时，网络的校准性能依然能够保持在较高的准确率。相较于集中式的校准实现方式，不用担心由于网络规模过大、无线传感器网络中出现新增节点或无线传感器网络中原有节点失效而导致的算法校准性能变差。因此，证明了本发明提出的无线传感网络数据漂移盲校准方法有相较于现有方法有更高的准确率以及更高的算法稳定性，能够更好的应用于实际生产环境中。

本发明公开一种分布式无线传感器网络数据漂移盲校准方法，通过对测量信号投影并恢复出实际信号的方式对无线传感器网络中产生的数据漂移进行盲校准，解决了无线传感器网络数据漂移盲校准过程对环境要求高、限制多和易失效的技术问题。具体实现包括：确定一个分布式无线传感器网络；收集校准网络模型参数训练数据；建立分布式数据漂移盲校准模型并训练模型参数；实时采集数据；各节点不断的实时采集测量数据进行数据盲校准，直至节点能量耗尽，完成了分布式网络的盲校准过程。本发明的校准模型在各分布式节点独立执行，省去了节点间交互校准的过程，降低了网络负载，避免了当网络中出现部分节点失效时，导致网络的校准方法失效的问题；通过对实际信号的恢复，使校准精度更高、训练更快；采用分布式方式实现，更便于在实际工程中部署。本发明能够有效的对无线传感器网络中产生的漂移进行较高精度的校准，降低了网络负载，使网络具有抗毁性，并且易于部署在实际环境中，有良好的实用性。用于无线传感器网络的数据漂移盲校准。

Claims (6)

1.一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，包括有如下步骤：

步骤1 确定一个分布式无线传感器网络：建立一个具有N个传感器的分布式无线传感器网络，单个传感器就是无线传感器网络中的一个节点，网络中任一传感器i在t时刻的测量信号表示为y_i,t，实际信号表示为x_i,t；测量信号y_i,t中普遍存在漂移量d_i,t和加性噪声v_i,t，假设漂移量d_i,t和加性噪声v_i,t符合高斯模型；分布式无线传感器网络测量信号模型表示为：

y_i,t＝x_i,t+d_i,t+v_i,t；

步骤2 收集校准网络模型参数训练数据：假设在分布式无线传感器网络刚确定后并开始测量的T个时刻内，所采集的数据中不含有漂移和噪声值，则T个时刻内采集的数据就是实际信号x_i,t；在实际信号x_i,t的基础上，结合符合高斯模型的漂移量d_i,t和加性噪声v_i,t，根据测量信号模型得到测量信号y_i,t，收集这些实际信号和测量信号作为训练分布式数据漂移盲校准网络模型参数的训练数据；

步骤3 建立分布式数据漂移盲校准模型并训练模型参数：分布式数据漂移盲校准模型的结构主要包括依次串行的投影层和恢复层，恢复层的输出为分布式数据漂移盲校准模型的输出；投影层和恢复层的基本结构都采用基于卷积神经网络中卷积层的结构，均独立存在于分布式无线传感器网络的各个节点中；使用训练数据对分布式数据漂移盲校准模型的参数进行训练时，首先训练投影层参数：投影层将实际信号和测量信号同时输入到投影层中进行训练，各节点训练过程相互独立；接着同时训练投影层和恢复层的参数：实际信号和测量信号同时输入到投影层中，投影层输出调整数据维度以满足恢复层的数据输入维度，作为恢复层的输入，各节点训练过程相互独立；当满足训练条件后，完成对数据漂移盲校准模型参数的训练；

步骤4 实时采集数据：分布式无线传感器网络各节点独立对T时刻之后的数据实时采集，作为测量数据，即未校准数据；

步骤5 各节点进行数据校准：分布式无线传感器网络中各节点获取T_p个实时采集的测量数据作为分布式数据漂移盲校准模型的输入数据，输入到训练好的数据漂移盲校准模型中，对未校准数据校准，分布式数据漂移盲校准模型的输出数据即为各节点采集的T_p个测量数据的校准数据，完成当前采集的T_p个测量数据的数据漂移盲校准；

步骤6 循环校准过程：各节点反复循环执行步骤4和步骤5，不断将未校准数据通过校准模型，得到校准后的数据，直至节点能量耗尽，完成分布式无线传感器网络节点数据漂移盲校准方法。

2.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤1和步骤2中所述的假设漂移量d_i,t和加性噪声v_i,t符合高斯模型，具体是：噪声高斯模型如下：

其中，

表示的是加性噪声v_i,t高斯模型的方差；

漂移高斯模型如下：

d_i,0＝μ_i+β

d_i,t＝d_i,t-1+δ_i,t

其中，d_i,0表示传感器i漂移量的初始值，由μ_i和β组成，

和

分别表示μ_i和β高斯模型的方差，δ_i,t表示传感器i在t时刻的漂移增量，表示δ高斯模型的方差。

3.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤3中所述的使用训练数据对分布式数据漂移盲校准模型的参数进行训练，具体是：训练数据为1×T的矢量，在模型参数训练时，依照时间顺序，截取T_p个时间长度的数据块作为分布式数据漂移盲校准模型参数训练一次的输入，循环截取数据块对模型参数训练。

4.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤3中所述的投影层结构具体是：采用基于卷积神经网络中卷积层的结构，输入数据都为1×T_p的矢量，对输入的数据依次执行卷积操作、批量归一化和使用tanh作为非线性激活函数进行非线性化处理，卷积核大小为1×7，通道数为2。

5.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤3中的恢复层结构具体是：恢复层结构分为串行的三部分，第一部分为卷积层，卷积核大小1×3，通道数为16；第二部分由三个串行的残差单元ResUnit构成；第三部分也为卷积层，顺序执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为1。

6.根据权利要求5所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，所述恢复层结构中由三个串行的残差单元ResUnit构成的第二部分，具体结构是：残差单元ResUnit包含主分支和辅助分支：第一个残差单元ResUnit的主分支顺序执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为64，执行后的输出作为此残差单元ResUnit主分支的输出；后两个残差单元ResUnit的主分支直接将自身的输入传递到输出，作为主分支的输出；残差单元ResUnit的辅助分支包含三个卷积层，第一个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为16，第二个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×3的卷积，通道数为16，第三个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为64，三个卷积层串行连接，第三个卷积层的输出作为辅助分支的输出；各残差单元ResUnit将主分支和辅助分支的输出相加作为残差单元ResUnit的输出。

Images