CN113992718B - 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 - Google Patents

一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 Download PDF

Info

Publication number
CN113992718B
CN113992718B CN202111264946.5A CN202111264946A CN113992718B CN 113992718 B CN113992718 B CN 113992718B CN 202111264946 A CN202111264946 A CN 202111264946A CN 113992718 B CN113992718 B CN 113992718B
Authority
CN
China
Prior art keywords
data
sensor
sensor network
time
matrix
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
Application number
CN202111264946.5A
Other languages
English (en)
Other versions
CN113992718A (zh
Inventor
饶元
彭旭
张武
金�秀
江朝晖
李绍稳
朱军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202111264946.5A priority Critical patent/CN113992718B/zh
Publication of CN113992718A publication Critical patent/CN113992718A/zh
Application granted granted Critical
Publication of CN113992718B publication Critical patent/CN113992718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/05—Agriculture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Agronomy & Crop Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统，属于计算机技术领域。该方法通过实时采集待检测的传感器网络的数据，基于传感器网络拓扑结构构建传感器网络的邻接矩阵，基于采样参数确定滑动窗口尺寸；再将历史和实时传感器网络的数据进行归一化、极坐标编码处理后再重构为二维矩阵并设定滑动窗口；接着将二维矩阵深度叠加为三维矩阵，将三维矩阵喂入传感器异常数据检测模型，判断待检测的实时传感器网络的数据是否存在异常。其中，异常数据检测模型可根据目标传感器网络节点数量和拓扑结构的变化动态更新。本发明对传感器网络规模和拓扑结构具有良好的适应性、且异常数据实时检测准确率高。

Description

一种基于动态宽度图神经网络的群体传感器异常数据检测方 法和系统
技术领域
本发明属于计算机应用技术领域，具体地，涉及一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统。
背景技术
作为一种信息感知和数据获取的重要手段，农业物联网(Internet of Things inAgriculture)技术在信息化和精准化农业生产中扮演着重要角色。部署于农业生产环境中的传感器网络按时间序列连续地采集温度、湿度、光照强度、pH值、风速、CO2和NH3等大量的环境以及作物生长信息。分析和评估采集的信息可为农业生产精准决策提供保障。因此，农业物联网数据的有效挖掘和利用已成为农业信息化领域的研究热点。然而，由于传感器分布区域的不确定性以及传感器节点资源有限，易受到外界因素的干扰和破坏或者外部环境突发事件的影响，传感器网络采集到的数据可能与实际特征产生明显偏差，这类数据被称为异常数据。产生异常数据的原因主要包括：传感器节点分布的区域内发生了特定的事件；传感器由于自身的软硬件故障或者能量耗尽导致节点无法正常工作；由于外界因素的影响使节点采集到的数据较正常数据发生了偏差。存在测量误差的数据由于无法代表实际环境特征，往往会对系统准确掌握外部环境的变化规律产生影响。因此，为使得物联网系统做出准确判断，需要对传感器网络采集的数据进行异常检测以便及时发现其中异常数据并对其来源进行分析和辨别。
目前，在传统的机器学习任务中，需要多种信号处理算法来检测数据流中的异常，导致效率较低。因此，来自农业物联网传感器的大量农情数据的特征提取面临严峻挑战，且大多异常数据检测算法时间消耗大或泛化能力弱。例如，Zhao X,Li P,Xiao K,etal.Sensor Drift Compensation Based on the Improved LSTM and SVM Multi-ClassEnsemble Learning Models[J].Sensors,2019,19(18):3844，采用SVM和LSTM的结合模型校准传感器漂移，提高了异常数据检测精度，但所采用的监督学习模型需要大量的时间来标记训练数据中的传感器漂移。Wang Y,Yang A,Li Z,et al.Blind drift calibrationof sensor networks using signal space projection and Kalman filter[C]//2015IEEE tenth international conference on intelligent sensors,sensornetworks and information processing(ISSNIP).IEEE,2015:1-6，提出信号空间投影和卡尔曼滤波器方法，利用传感器之间的相关性解决传感器漂移问题，但传感器难以密集部署，适用于某一时刻仅有一个传感器发生漂移，模型应用场景较为简单、泛化能力较弱。
发明内容
1、要解决的问题
针对现有技术中仅注重于离线检测单个传感器节点，无法解决多个传感器节点同时出现异常的问题。本发明将传感器网络中所有节点的监测数据整体处理，根据传感器网络拓扑结构构建邻接矩阵；通过深度学习模型提取数据特征，实现群体传感器节点异常数据检测，可有效检测出传感器网络中存在异常的一个或多个传感器节点；扩展了传感器异常数据检测的应用场景；另外，当传感器网络节点数量和拓扑结构变化时，更新和重新训练模型使其适应新的传感器网络，能够显著提高传感器异常检测的准确性。
2、技术方案
为实现本发明目的，本发明第一方面提供一种基于动态宽度图神经网络的群体传感器异常数据检测方法，所述方法包括如下步骤：
A：根据传感器网络中各节点部署的空间位置以及拓扑结构，构建传感器网络的邻接矩阵，采集t时刻待检测的传感器网络中所有传感器节点的数据，获取t时刻整个传感器网络的数据；
B：将t时刻的传感器网络的数据进行预处理以及矩阵叠加处理，生成与t时刻待检测的传感器网络中对应的待测数据；
C：判断t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和/或拓扑结构与前一时刻(t-1)是否一致；
若一致，将待测数据喂入训练好的传感器异常数据检测模型,获得检测结果；
若不一致，则根据t时刻传感器网络中节点数量和拓扑结构，更新传感器网络的邻接矩阵和异常数据检测模型参数，并重新训练传感器异常数据检测模型；再将待测数据喂入重新训练传感器异常数据检测模型，获得检测结果，所述检测结果包括异常和非异常。
作为优选方案，所述步骤B中预处理步骤包括：
归一化t时刻的传感器网络的数据；
将归一化后的t时刻的传感器网络的数据重编码用极坐标表示；
重构t时刻的重编码后的传感器网络的数据为二维矩阵；
根据传感器节点的采样参数确定滑动窗口尺寸l，滑动窗口用于选定参与深度叠加的二维矩阵，l表示t时刻之前长度为l的时间段(即t-l+1至t时刻)内的二维矩阵的数量。
作为优选方案，所述步骤B中矩阵叠加处理步骤包括：
将二维矩阵按时间顺序深度叠加为三维矩阵；具体包括：将l个二维矩阵构成滑动窗口，按时间顺序将二维矩阵按深度叠加，不同的二维矩阵占用不同通道，构建n×n×l的三维矩阵；三维矩阵的一维和二维均为n，用来表示传感器网络中节点数量；三维矩阵的三维为l，表示滑动窗口大小，用于设定深度叠加的二维矩阵个数；
其中，当传感器网络节点数量和拓扑结构改变时，采集t至t+l-1时刻传感器网络的数据时，对于每个时刻的传感器网络的数据Xt,Xt+1,…,Xt+l-1，取其中中位数替换其中数据的最大值和最小值。
作为优选方案，所述步骤B中预处理步骤包括：
滑动窗口尺寸l选择步骤包括，根据所有传感器节点的数据的特征周期和采样间隔等参数计算滑动窗口尺寸：
Figure BDA0003326671960000031
其中β为支持度衰减因子(β∈{0.5,1,2})，△t为传感器采样间隔，T为所有传感器节点的数据的特征周期的平均值，S为所有传感器节点的数据一个特征周期的标准差的平均值；
滑动窗口用于选定参与深度叠加的二维矩阵，滑动窗口尺寸l表示t时刻之前长度为l的时间段(即t-l+1至t时刻)内的二维矩阵的数量，将滑动窗口调整为t-l+1至t时刻的二维矩阵，表示为{Gt-l+1,Gt-l+2,…,Gt}。
作为优选方案，所述传感器异常数据检测模型包括图神经网络和动态宽度学习系统；
其中，图神经网络的第一层为图卷积层，采用Relu激活函数；第二层为池化层，采用最大池化方式；第三层为正则化卷积层，采用Relu激活函数；
将图神经网络的图卷积结果输入动态宽度学习系统；
动态宽度学习系统包括三个模块，分别为特征提取模块，特征增强模块，加权重构模块，其中，特征提取模块对输入数据进行特征提取，特征增强模块对特征提取模块的输出进行随机映射，加权重构模块将特征提取模块和特征增强模块的输出重新组合，并计算加权输出。
作为优选方案，所述传感器异常数据检测模型还包括：
在特征增强模块中添加新的特征增强节点，利用传感器网络结构未改变时传感器异常数据检测模型的输出和新增加的数据，更新新的特征增节点的权值矩阵，更新后的权值矩阵为：
Figure BDA0003326671960000032
其中，Wt表示t时刻传感器网络的权值矩阵，At表示t时刻增强节点矩阵，Yt表示t时刻异常数据检测模型的输出矩阵，b表示t时刻偏置矩阵，a表示t+1时刻新增的增强节点矩阵，At+1＝[At|a]表示增强节点的增广矩阵，计算新的权值矩阵时求解[At|a]-1，可将其转化为分块矩阵的广义逆问题。
作为优选方案，步骤A中数据构建步骤包括：
将所有节点的采样间隔设置为定值，将物理空间上距离10m及以内的传感器节点相互连接实现数据互通，称之为邻接传感器节点；根据传感器网络中每个传感器节点的邻接关系，构建传感器网络的邻接矩阵，邻接矩阵中数据均采用0和1表示，第i行第j列数据若为1，则表示第i个和第j个传感器互为邻接传感器节点，若为0则表示不是互为邻接传感器节点。
传感器节点数据互通步骤包括，每个传感器节点的数据采用自身和邻接传感器节点的实际读数的平均值表示：
Figure BDA0003326671960000041
其中，
Figure BDA0003326671960000042
表示传感器网络中传感器节点n在第t时刻的数据，
Figure BDA0003326671960000043
表示传感器网络中传感器节点n在第t时刻的实际读数，
Figure BDA0003326671960000044
表示与传感器节点n邻接的第i个传感器节点的实际读数，m表示与传感器节点n邻接的传感器节点的数量。
t时刻传感器网络的数据由所有传感器节点的数据构成的集合表示，记为一维向量
Figure BDA0003326671960000045
传感器网络历史数据集由部署后的开始采集的初始时刻至t-1时刻的传感器网络的数据构成，记为Xhistory＝{X1,X2,…,Xt-1}，用于异常数据检测模型训练。
作为优化方案，步骤A中传感器网络历史数据集的处理方法包括：
其中，在传感器网络历史数据集中，对于每个时刻的传感器网络的数据X1,X2,…,Xt-1，取其中位数记为
Figure BDA0003326671960000046
分别采用
Figure BDA0003326671960000047
替换X1,X2,…,Xt-1中数据的最大值和最小值。
作为优化方案，传感器异常检测模型的训练和重新训练方法包括：为扩充训练样本，增广传感器网络历史数据；传感器网络历史数据增广方法包括，在传感器网络历史数据中，取
Figure BDA0003326671960000048
时刻的传感器网络的数据赋予权值w1，取
Figure BDA0003326671960000049
至
Figure BDA00033266719600000410
时刻和
Figure BDA00033266719600000411
至
Figure BDA00033266719600000412
时刻的传感器网络的数据赋予权值w2，其余时刻的传感器网络的数据赋予权值w3，对被赋予不同权值的传感器网络的数据进行加权处理并按采样时刻顺序重新组合，构成增广后的传感器网络历史数据集XAhistory＝{XA1,XA2,…,XAt-1}。
在增广后的传感器网络历史数据集和传感器网络历史数据集中，采用上述预处理方法将每个时刻的传感器网络的数据重构二维矩阵；采用Ghistoryt-1表示t-1时刻传感器网络的数据重构成的二维矩阵，GAhistoryt-1表示t-1时刻增广后的传感器网络历史数据重构而成的二维矩阵。传感器网络历史数据集和增广后的传感器网络历史数据集重构成的二维矩阵共同组成训练集数据。
异常检测模型训练方法包括，将训练集数据划分为2(t-l)个子集{Ghistory1,Ghistory2,…,Ghistoryl}、{Ghistory2,Ghistory3,…,Ghistoryl+1}、…、{Ghistoryt-l,Ghistoryt-l+1,…,Ghistoryt-1}，{GAhistory1,GAhistory2,…,GAhistoryl}、{GAhistory2,GAhistory3,…,GAhistoryl+1}、…、{GAhistoryt-l,GAhistoryt-l+1,…,GAhistoryt-1}。采用上述深度叠加步骤，将每个子集中的二维矩阵按时间顺序深度叠加为三维矩阵，并将三维矩阵喂入异常检测模型进行训练，直至模型准确率和损失值分别趋近于1和0且不存在显著波动。异常检测模型训练的超参数包括最大训练迭代次数(max_train)、初始学习率(initial_learning_rate)和每批处理的数据数量(batch_size)。
本发明第二方面提供一种群体传感器数据异常处理方法，根据上述的基于动态宽度图神经网络的群体传感器异常数据检测方法；
当检测结果不存在异常时，采集下一时刻传感器网络的数据进行异常检测；
当检测结果存在异常，标记存在异常的传感器节点编号和对应时刻，将检测到的所有异常数据替换，接着采集下一时刻传感器网络的数据，进行异常检测。
本发明第三方面提供一种基于动态宽度图神经网络的群体传感器异常数据检测系统，其特征在于，所述步骤包括：
数据采集模块，其用于根据传感器网络中各节点部署的空间位置以及拓扑结构，构建传感器网络的邻接矩阵，采集t时刻待检测的传感器网络中所有传感器节点的数据，获取t时刻传感器网络的数据；
预处理模块，其用于将t时刻的传感器网络的数据进行预处理以及矩阵叠加处理，生成与t时刻待检测的传感器网络中对应的待测数据；
判断模块，其用于判断t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和拓扑结构与前一时刻(t-1)是否一致；
若一致，将待测数据喂入训练好的传感器异常数据检测模型；获得检测结果；
若不一致，则根据t时刻传感器网络中节点数量和拓扑结构，更新传感器网络的邻接矩阵和异常数据检测模型参数，并重新训练传感器异常数据检测模型；再将待测数据喂入重新训练传感器异常数据检测模型，获得检测结果，所述检测结果包括异常和非异常。
本发明第四方面提供一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述的方法。
本发明第五方面提供一种可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述的方法。
3、有益效果
相比于现有技术，本发明的有益效果如下：
(1)本发明将传感器网络中所有节点的监测数据整体处理，根据传感器网络拓扑结构构建邻接矩阵；通过深度学习模型提取数据特征，实现群体传感器节点异常数据检测，可有效检测出传感器网络中存在异常的一个或多个传感器节点；扩展了传感器异常数据检测的应用场景。
(2)本发明采用随机权值和重构的方法实现训练数据增广，丰富了训练数据，利用少量采样数据获取大量训练数据，增加数据多样性，克服了群体传感器异常数据检测神经网络模型因训练样本难获取、数量少所引起的模型欠拟合和过拟合的问题。
(3)本发明构建了动态宽度图神经网络模型，模型采用残差结构，可有效地提取数据的时间特征和空间特征，且模型无需大量训练，即使是初始的随机参数，仍具有良好的精确度；此外，该模型可动态适应传感器网络节点数量和拓扑结构的变化，当增加或减少传感器节点、网络拓扑结构变化时，无需重新训练整个模型，仅需在少量扩展动态宽度学习系统，无需大量计算，即可更新模型权重，有效减少重新构建模型和长时间训练所带来的时间消耗，克服了传统检测方法动态性和扩展性差的不足。
(4)本发明对原始数据进行归一化处理，降低数据不同数值和量纲对异常检测模型的影响。此外，通过反余弦函数将每一时刻的数据编码为极坐标表示，通过极角保持数值依赖性，通过极径保持时间依赖性，保证编码过程中不会丢失信息。
(5)本发明在矩阵重构方法中，采用类Gram矩阵，将极坐标数据重构为矩阵，重构后的矩阵随着位置的变化，原始传感器网络节点位置会变化，可有效保存空间位置和拓扑结构的依赖性；此外，这类矩阵也包含了空间相关性，其中的Gi,j元素叠加了原始数据中第i和第j个传感器节点数据相关性，主对角线包含了原始数据信息，可采用神经网络提取高维数据特征。
(6)本发明设计了基于数据特征的滑动窗口选取方法，针对不同采样间隔和特征周期的传感器网络的数据，采用不同尺寸的滑动窗口对传感器网络的数据进行处理；增强了异常检测方法对不同特征数据的适应能力，克服了传统方法模型泛化性较弱的不足。
(7)本发明将不同采样时刻的传感器网络的数据进行深度叠加，每个时刻数据采用不同通道，构建三维矩阵，充分融合数据时间特征；保证异常数据检测模型充分提取连续变化时间内的数据特征，克服了传统方法中数据时间依赖性不足、特征提取不充分的问题。
(8)本发明通过滑动窗口更新方法，采用实时数据更新滑动窗口，与历史数据构建三维矩阵，可实时检测传感器网络中是否存在异常节点及异常节点的数量；克服了传统方法中数据异常检测实时性较弱的不足。另外本发明设计了异常数据替换方法，采用发生异常时刻的传感器网络的数据的中位数替换异常数据；保证在异常数据出现时，下一时刻数据的异常检测不受干扰。
附图说明
图1为本发明实施例提供的传感器异常数据检测及处理方法流程图；
图2为本发明实施例提供的数据预处理步骤示意图；
图3为本发明实时检测中传感器异常数据检测模型框图；
图4图示了根据本申请实施例的电子设备的框图；
图5为本发明实施例提供的三维矩阵更新方法示意图；
图6为本发明实施例中部署的传感器网络拓扑结构图；
图7为本发明实施例提供一种基于动态宽度图神经网络的群体传感器异常数据检测系统框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
示例性方法
如图1所示，本示例提供一种基于动态宽度图神经网络的群体传感器异常数据检测方法，所述方法包括如下步骤：
步骤A：根据传感器网络中各节点部署的空间位置以及拓扑结构，构建传感器网络的邻接矩阵，采集t时刻待检测的传感器网络中所有传感器节点的数据，获取t时刻整体传感器网络的数据。
具体的，本实施例中传感器网络可以是部署于农业生产环境中的传感器网络，也可以是部署在工厂产线的传感器网络。例如，本示例是在某畜禽养殖场中部署的湿度传感器网络，以采集养殖场空气湿度数据。
将场景中所有传感器节点的采样间隔设置为定值，将物理空间上距离在预定范围(本示例预定范围取10m)以内的传感器节点相互连接实现数据互通，称之为邻接传感器节点。根据传感器网络中每个传感器节点的邻接关系，构建传感器网络的邻接矩阵，邻接矩阵中数据均采用0和1表示，第i行第j列数据若为1，则表示第i个和第j个传感器互为邻接传感器节点，若为0则表示不是互为邻接传感器节点。
为了数据的准确，本示例中传感器节点数据互通方法，用每个传感器节点的数据采用自身和邻接传感器节点的实际读数的平均值表示：
Figure BDA0003326671960000081
其中，
Figure BDA0003326671960000082
表示传感器网络中传感器节点n在第t时刻的数据，
Figure BDA0003326671960000083
表示传感器网络中传感器节点n在第t时刻的实际读数，
Figure BDA0003326671960000084
表示与传感器节点n邻接的第i个传感器节点的实际读数，m表示与传感器节点n邻接的传感器节点的数量。
在一种实施方式中，t时刻传感器网络的数据由所有传感器节点的数据构成的集合表示，记为一维向量
Figure BDA0003326671960000085
传感器网络历史数据集由部署后开始采集的初始时刻至t-1时刻的传感器网络的数据构成，记为Xhistory＝{X1,X2,…,Xt-1}，用于异常数据检测模型训练。此处的t-1时刻理解为t时刻的前一时刻。
在一种实施方式中，取传感器网络历史数据集的中位数替换其中数据的最大值和最小值。具体的，在传感器网络历史数据集中，对于每个时刻的传感器网络的数据X1,X2,…,Xt-1，取其中位数记为
Figure BDA0003326671960000086
分别采用
Figure BDA0003326671960000087
替换X1,X2,…,Xt-1中数据的最大值和最小值。
如图6展示了部署的传感器网络拓扑结构，在一种实施方式中，步骤A中n取8，即同一地块或区域部署8个传感器，传感器网络拓扑结构的邻接矩阵为：
Figure BDA0003326671960000088
本步骤中，当前时刻为第100个采样时刻即t为100，传感器网络的数据为
Figure BDA0003326671960000089
传感器网络历史数据集为Xhistory＝{X1,X2,…,X99}。
步骤B：将t时刻的传感器网络的数据进行预处理以及矩阵叠加，生成与t时刻待检测的传感器网络中对应的待测数据。
具体的，本步骤主要是对于传感器网络的数据进行处理，将处理后的数据用作传感器异常数据检测模型的训练，或者用来输入传感器异常数据检测模型获取对应的检测结果。
如图2所示，在一种实施方式中，所述步骤B中预处理步骤包括：
将t时刻的传感器网络的数据进行归一化处理，归一化公式为：
Figure BDA0003326671960000091
其中，
Figure BDA0003326671960000092
和
Figure BDA0003326671960000093
分别表示未归一化和归一化后的t时刻第i个传感器节点的数据，Xtmax和Xtmin分别表示t时刻传感器网络的数据中的最大值和最小值。归一化后的t时刻传感器网络的数据记为
Figure BDA0003326671960000094
将t时刻的归一化后的传感器网络的数据重编码为极坐标表示，重编码步骤包括：
Figure BDA0003326671960000095
其中，θt和rt分别表示编码后的极径和极角，arccos()表示反余弦函数，k表示传感器网络中节点的数量。
将t时刻的重编码后的传感器网络的数据重构为二维矩阵，重构二维矩阵步骤包括：
Figure BDA0003326671960000096
其中，
Figure BDA0003326671960000097
表示重编码后的第n个传感器在第t时刻的数据，cos()表示余弦函数，n表示传感器网络中节点数量；二维矩阵Gt表示预处理后的t时刻的传感器网络的数据，其中包含了t时刻传感器网络中全部节点的采样读数信息。
对于用作模型训练的传感器网络历史数据的归一化、重编码和重构二维矩阵处理方法与上述t时刻传感器网络的数据处理方法相同。
为了便于进行矩阵叠加处理，本示例根据传感器节点的采样参数确定滑动窗口尺寸l，滑动窗口用于选定参与深度叠加的二维矩阵，l表示t时刻之前长度为l的时间段(即t-l+1至t时刻)内的二维矩阵的数量。
作为一种实施方式，滑动窗口尺寸l选择步骤包括，根据所有传感器节点的数据的特征周期和采样间隔等参数计算滑动窗口尺寸，其公式如下：
Figure BDA0003326671960000098
其中β为支持度衰减因子(β∈{0.5,1,2})，△t传感器采样间隔，T为所有传感器节点的数据的特征周期的平均值，S为所有传感器节点的数据一个特征周期的标准差的平均值。滑动窗口用于选定参与深度叠加的二维矩阵，滑动窗口尺寸l表示t时刻之前长度为l的时间段(即t-l+1至t时刻)内的二维矩阵数量。滑动窗口调整为t-l+1至t时刻的二维矩阵，表示为{Gt-l+1,Gt-l+2,…,Gt}。
具体的，又如图2所示，本步骤中，滑动窗口选择的支持度衰减因子β取0.5，传感器采样间隔Δt取3s，数据特征周期T取24h，窗口尺寸l取9。传感器网络节点数量n取8；滑动窗口表示为{G92,G93,…,G100}。针对不同采样间隔和特征周期的传感器网络的数据，采用不同尺寸的滑动窗口对传感器网络的数据进行处理；增强了异常检测方法对不同特征数据的适应能力，克服了传统方法模型泛化性较弱的不足。
如图5所示，在一种实施方式中，所述步骤B中矩阵叠加处理步骤包括：
将二维矩阵按时间顺序深度叠加为三维矩阵；具体包括：将l个二维矩阵构成滑动窗口，按时间顺序将二维矩阵按深度进行叠加，不同的二维矩阵占用不同通道，构建n×n×l的三维矩阵；三维矩阵的一维和二维均为n，用来表示传感器网络中节点数量；三维矩阵的三维为l，表示滑动窗口大小，用于设定深度叠加的二维矩阵个数；
其中，当传感器网络节点数量和拓扑结构改变时，采集t至t+l-1时刻传感器网络的数据，对于每个时刻的传感器网络的数据Xt,Xt+1,…,Xt+l-1，取其中中位数替换其中数据的最大值和最小值。
本示例中，由于采用t时刻的待检测数据所来源的传感器网络中节点数量和拓扑结构与t-1时刻是一致的情况；三维矩阵的维度n×n×l为8×8×9，采用{G92,G93,…,G100}的二维矩阵进行深度叠加。本示例在矩阵重构方法中，采用类Gram矩阵，将极坐标数据重构为矩阵，重构后的矩阵随着位置的变化，原始传感器网络节点位置会变化，可有效保存空间位置和拓扑结构依赖性。此外，该类矩阵也包含了空间相关性，其中的Gi,j元素叠加了原始数据中第i和第j个传感器节点数据相关性，主对角线包含了原始数据信息，可采用神经网络提取高维数据特征
步骤C：判断t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和/或拓扑结构与前一时刻(t-1)是否一致；
若一致，将待测数据喂入训练好的传感器异常数据检测模型,获得检测结果；
若不一致，则根据t时刻传感器网络中节点数量和拓扑结构，更新传感器网络的邻接矩阵和异常数据检测模型参数，并重新训练传感器异常数据检测模型；再将待测数据喂入重新训练传感器异常数据检测模型，获得检测结果，所述检测结果包括异常和非异常。
作为一种实施方式，当t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和/或拓扑结构与前一时刻(t-1)是不一致；
采集t至t+l-1时刻的传感器网络的数据后，通过上述步骤B中归一化、重编码和重构二维矩阵方法，将t至t+l-1时刻的传感器网络的数据独立地重构为二维矩阵。采用重构为二维矩阵后的传感器网络的数据，将滑动窗口更新为{Gt,Gt+1,…,Gt+l-1}，接着滑动窗口内二维矩阵按时间顺序深度叠加为三维矩阵，最后将三维矩阵喂入重新训练完成的异常数据检测模型。
优选的，当传感器网络节点数量和拓扑结构改变时，采集t至t+l-1时刻传感器网络的数据，对于每个时刻的传感器网络的数据Xt,Xt+1,…,Xt+l-1，取其中位数记为
Figure BDA0003326671960000111
分别采用
Figure BDA0003326671960000112
替换Xt,Xt+1,…,Xt+l-1中数据的最大值和最小值。
本示例中，采用t时刻的待检测数据所来源的传感器网络中节点数量和拓扑结构与t-1时刻是一致的情况。其中，三维矩阵的维度n×n×l为8×8×9，采用{G92,G93,…,G100}的二维矩阵进行深度叠加。
作为一个变化例，本示例采用的传感器异常数据检测模型包括图神经网络和动态宽度学习系统组成，其中，图神经网络的第一层为图卷积层，采用Relu激活函数；第二层为池化层，采用最大池化方式；第三层为正则化卷积层，采用Relu激活函数。将图神经网络的图卷积结果输入动态宽度学习系统。
动态宽度学习系统包括三个模块，分别为特征提取模块，特征增强模块以及加权重构模块，其中，特征提取模块对输入数据进行特征提取，特征增强模块对特征提取模块的输出进行随机映射，加权重构模块将特征提取模块和特征增强模块的输出重新组合，并计算加权输出。
图神经网络部分中，超参数包括卷积核尺寸(filter_size)、卷积核数量(filter_num)、卷积步长(filter_stride)、池化尺寸(pooling_size)、池化步长(pooling_stride)。动态宽度学习系统部分中，超参数包括特征节点数量(feature_nodes_num)、增强节点数量(enhanced_node_num)。
作为一种实施方式，异常检测模型的训练和重新训练方法包括：扩充训练样本，增广传感器网络历史数据。
具体的，传感器网络历史数据增广步骤包括，在传感器网络历史数据中，取
Figure BDA0003326671960000113
时刻的传感器网络的数据赋予权值w1，取
Figure BDA0003326671960000121
至
Figure BDA0003326671960000122
时刻和
Figure BDA0003326671960000123
至
Figure BDA0003326671960000124
时刻的传感器网络的数据赋予权值w2，其余时刻的传感器网络的数据赋予权值w3，对被赋予不同权值的传感器网络的数据进行加权处理并按采样时刻顺序重新组合，构成增广后的传感器网络历史数据集XAhistory＝{XA1,XA2,…,XAt-1}。其中，w1,w2,w3∈[0.5,1.5]。
在增广后的传感器网络历史数据集和传感器网络历史数据集中，采用上述数据预处理方法将每个时刻的传感器网络的数据重构二维矩阵。采用Ghistoryt-1表示t-1时刻传感器网络的数据重构成的二维矩阵，GAhistoryt-1表示t-1时刻增广后的传感器网络历史数据重构而成的二维矩阵。传感器网络历史数据集和增广后的传感器网络历史数据集重构成的二维矩阵共同组成训练集数据。
异常检测模型训练方法包括，将训练集数据划分为2(t-l)个子集{Ghistory1,Ghistory2,…,Ghistoryl}、{Ghistory2,Ghistory3,…,Ghistoryl+1}、…、{Ghistoryt-l,Ghistoryt-l+1,…,Ghistoryt-1}，{GAhistory1,GAhistory2,…,GAhistoryl}、{GAhistory2,GAhistory3,…,GAhistoryl+1}、…、{GAhistoryt-l,GAhistoryt-l+1,…,GAhistoryt-1}。采用上述步骤中深度叠加三维矩阵方法，将每个子集中的二维矩阵按时间顺序深度叠加为三维矩阵，并将三维矩阵喂入异常检测模型进行训练，直至模型准确率和损失值分别趋近于1和0且不存在显著波动。异常检测模型训练的超参数包括最大训练迭代次数(max_train)、初始学习率(initial_learning_rate)和每批处理的数据数量(batch_size)。
优选的，异常检测模型重新训练步骤包括，在异常数据检测模型的特征增强模块中添加新的特征增强节点，利用传感器网络结构未改变时模型的输出和新增加的数据，更新新增节点的权值矩阵，更新后的权值矩阵为：
Figure BDA0003326671960000125
其中，Wt表示t时刻传感器网络的权值矩阵，At表示t时刻增强节点矩阵，Yt表示t时刻异常数据检测模型的输出矩阵，b表示t时刻偏置矩阵，a表示t+1时刻新增的增强节点矩阵，At+1＝[At|a]表示增强节点的增广矩阵，计算新的权值矩阵时求解[At|a]-1，可将其转化为分块矩阵的广义逆问题。
作为一种实施方式，如图3所示数据增广步骤的参数，权值w1,w2,w3分别取0.7、0.8和0.9。图神经网络的超参数，图卷积层的卷积核尺寸为7×7、数量为32、步长为1，池化尺寸为2，池化步长为2；空间图卷积层的卷积核尺寸为7×7、数量为16、步长为1。动态宽度学习系统的超参数，特征节点数量为1000，增强节点数量为1000。异常检测模型训练的参数，最大训练迭代次数为1000，初始学习率为0.0001。本步骤中，采用t时刻的待检测数据所来源的传感器网络中节点数量和拓扑结构与t-1时刻一致的情况。
本实施例基于数据特征确定滑动窗口尺寸，采用二维矩阵创建滑动窗口；接着判断传感器网络中节点数量和拓扑结构是否发生改变，若未改变，将滑动窗口内二维矩阵深度叠加为三维矩阵，并喂入训练完成的数据异常检测模型；若改变，更新异常数据检测模型和滑动窗口，并重新训练异常数据检测模型，将滑动窗口内二维矩阵深度叠加为三维矩阵，再喂入重新训练完成的数据异常检测模型。最后，模型判断当前时刻数据是否存在异常，并对存在的异常数据进行处理。
本实施例还提供一种群体传感器数据异常处理方法，根据上述的基于动态宽度图神经网络的群体传感器异常数据检测方法；
当检测结果不存在异常时，采集下一时刻传感器网络的数据进行异常检测；
当检测结果存在异常，标记存在异常的传感器节点编号和对应时刻，将检测到的所有异常数据替换，接着采集下一时刻传感器网络的数据，进行异常检测。当检测到有传感器节点产生异常数据时，采用发生异常时刻的传感器网络的数据的中位数替换异常数据。保证在异常数据出现时，下一时刻数据的异常检测不受干扰。
本实施例的群体传感器异常数据检测方法，对采集到的畜禽养殖空气温湿度、土壤温湿度数据具有98.54％的平均准确率，可检测传感器网络中50％及以下数量的传感器节点存在的异常(4个及以下的节点)，克服了传统方法准确率低、实时性较弱、泛化性较差、耗时长、扩展性与动态性较弱等缺点。
示例性系统
如图7所示，本示例提供一种基于动态宽度图神经网络的群体传感器异常数据检测系统，所述步骤包括：
数据采集模块20，其用于根据传感器网络中各节点部署的空间位置以及拓扑结构，构建传感器网络的邻接矩阵，采集t时刻待检测的传感器网络中所有传感器节点的数据，获取t时刻传感器网络的数据；
预处理模块30，其用于将t时刻的传感器网络的数据进行预处理以及矩阵叠加处理，生成与t时刻待检测的传感器网络中对应的待测数据；
判断模块40，其用于判断t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和拓扑结构与前一时刻(t-1)是否一致；
若一致，将待测数据喂入训练好的传感器异常数据检测模型；获得检测结果；
若不一致，则根据t时刻传感器网络中节点数量和拓扑结构，更新传感器网络的邻接矩阵和异常数据检测模型参数，并重新训练传感器异常数据检测模型；再将待测数据喂入重新训练传感器异常数据检测模型，获得检测结果，所述检测结果包括异常和非异常。
示例性电子设备
下面，参考图4来描述根据本申请实施例的电子设备。该电子设备可以是可移动设备本身，或与其独立的单机设备，该单机设备可以与可移动设备进行通信，以从它们接收所采集到的输入信号，并向其发送所选择的目标决策行为。
图4图示了根据本申请实施例的电子设备的框图。
如图4所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的决策行为决策方法以及/或者其他期望的功能。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。例如，该输入设备13可以包括例如车载诊断系统(OBD)、统一诊断服务(UDS)、惯性测量单元(IMU)、摄像头、激光雷达、毫米波雷达、超声波雷达、车载通信(V2X)等各种设备。该输入设备13还可以包括例如键盘、鼠标等等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种基于动态宽度图神经网络的群体传感器异常数据检测方法，其特征在于，所述方法包括如下步骤：
A：根据传感器网络中各节点部署的空间位置以及拓扑结构，构建传感器网络的邻接矩阵，采集t时刻待检测的传感器网络中所有传感器节点的数据，获取t时刻整个传感器网络的数据；
B：将t时刻的传感器网络的数据进行预处理以及矩阵叠加，生成与t时刻待检测的传感器网络中对应的待测数据；
C：判断t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和/或拓扑结构与t-1时刻是否一致；
若一致，将待测数据喂入训练好的传感器异常数据检测模型，获得检测结果；
若不一致，则根据t时刻传感器网络中节点数量和拓扑结构，更新传感器网络的邻接矩阵和异常数据检测模型参数，并重新训练传感器异常数据检测模型；再将待测数据喂入重新训练传感器异常数据检测模型，获得检测结果，所述检测结果包括异常和非异常；
所述步骤B中矩阵叠加处理步骤包括：
将二维矩阵按时间顺序深度叠加为三维矩阵；具体包括：将l个二维矩阵构成滑动窗口，按时间顺序将所述二维矩阵按深度叠加，不同的二维矩阵占用不同通道，构建n×n×l的三维矩阵；三维矩阵的一维和二维均为n，用来表示传感器网络中节点数量；三维矩阵的三维为l，表示滑动窗口大小，用于设定深度叠加的二维矩阵个数；
其中，当传感器网络节点数量和拓扑结构改变时，采集t至t+l-1时刻传感器网络的数据，对于每个时刻的传感器网络的数据Xt,Xt+1,…,Xt+l-1，取其中中位数替换其中数据的最大值和最小值。
2.根据权利要求1所述的一种基于动态宽度图神经网络的群体传感器异常数据检测方法，其特征在于，所述步骤B中预处理步骤包括：
归一化t时刻的传感器网络的数据；
将归一化后的t时刻的传感器网络的数据重编码用极坐标表示；
重构t时刻的重编码后的传感器网络的数据为二维矩阵；
根据传感器节点的采样参数确定滑动窗口尺寸l，滑动窗口用于选定参与深度叠加的二维矩阵，l表示t时刻之前长度为l的时间段内的二维矩阵的数量。
3.根据权利要求2所述的一种基于动态宽度图神经网络的群体传感器异常数据检测方法，其特征在于，所述步骤B中预处理步骤包括：
根据所有传感器节点的数据的特征周期和采样间隔参数计算滑动窗口尺寸：
Figure FDA0003725207160000021
其中β为支持度衰减因子(β∈{0.5,1,2})，△t为传感器采样间隔，T为所有传感器节点的数据的特征周期的平均值，S为所有传感器节点的数据一个特征周期的标准差的平均值；
滑动窗口用于选定参与深度叠加的二维矩阵，将滑动窗口调整为t-l+1至t时刻的二维矩阵，表示为{Gt-l+1,Gt-l+2,…,Gt}。
4.根据权利要求1所述的一种基于动态宽度图神经网络的群体传感器异常数据检测方法，其特征在于，所述传感器异常数据检测模型包括图神经网络和动态宽度学习系统；
其中，图神经网络的第一层为图卷积层，采用Relu激活函数；第二层为池化层，采用最大池化方式；第三层为正则化卷积层，采用Relu激活函数；将图神经网络的图卷积结果输入动态宽度学习系统；
动态宽度学习系统包括三个模块，分别为特征提取模块，特征增强模块和加权重构模块，其中，所述特征提取模块对输入数据进行特征提取，所述特征增强模块对特征提取模块的输出进行随机映射，所述加权重构模块将特征提取模块和特征增强模块的输出重新组合，并计算加权输出。
5.根据权利要求4所述的一种基于动态宽度图神经网络的群体传感器异常数据检测方法，其特征在于，所述传感器异常数据检测模型还包括：
在特征增强模块中添加新的特征增强节点，利用传感器网络结构未改变时传感器异常数据检测模型的输出和新增加的数据，更新新的特征增强节点的权值矩阵，更新后的权值矩阵为：
Figure FDA0003725207160000022
其中，Wt表示t时刻传感器网络的权值矩阵，At表示t时刻增强节点矩阵，Yt表示t时刻异常数据检测模型的输出矩阵，b表示t时刻偏置矩阵，a表示t+1时刻新增的增强节点矩阵，At+1＝[At|a]表示增强节点的增广矩阵，计算新的权值矩阵时求解[At|a]-1，可将其转化为分块矩阵的广义逆问题。
6.一种群体传感器数据异常处理方法，其特征在于，根据权利要求1-5任意一项所述的基于动态宽度图神经网络的群体传感器异常数据检测方法；
当检测结果不存在异常时，采集下一时刻传感器网络的数据进行异常检测；
当检测结果存在异常，标记存在异常的传感器节点编号和对应时刻，将检测到的所有异常数据替换，接着采集下一时刻传感器网络的数据，进行异常检测。
7.一种基于动态宽度图神经网络的群体传感器异常数据检测系统，其特征在于，所述系统包括：
数据采集模块，其用于根据传感器网络中各节点部署的空间位置以及拓扑结构，构建传感器网络的邻接矩阵，采集t时刻待检测的传感器网络中所有传感器节点的数据，获取t时刻传感器网络的数据；
预处理模块，其用于将t时刻的传感器网络的数据进行预处理以及矩阵叠加，生成与t时刻待检测的传感器网络中对应的待测数据；
判断模块，其用于判断t时刻的待检测传感器网络的数据所来源的传感器网络中节点数量和拓扑结构与t-1是否一致；
若一致，将待测数据喂入训练好的传感器异常数据检测模型；获得检测结果；
若不一致，则根据t时刻传感器网络中节点数量和拓扑结构，更新传感器网络的邻接矩阵和异常数据检测模型参数，并重新训练传感器异常数据检测模型；再将待测数据喂入重新训练传感器异常数据检测模型，获得检测结果，所述检测结果包括异常和非异常；
所述矩阵叠加处理步骤包括：
将二维矩阵按时间顺序深度叠加为三维矩阵；具体包括：将l个二维矩阵构成滑动窗口，按时间顺序将所述二维矩阵按深度叠加，不同的二维矩阵占用不同通道，构建n×n×l的三维矩阵；三维矩阵的一维和二维均为n，用来表示传感器网络中节点数量；三维矩阵的三维为l，表示滑动窗口大小，用于设定深度叠加的二维矩阵个数；
其中，当传感器网络节点数量和拓扑结构改变时，采集t至t+l-1时刻传感器网络的数据，对于每个时刻的传感器网络的数据Xt,Xt+1,…,Xt+l-1，取其中中位数替换其中数据的最大值和最小值。
8.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-6任一项所述的方法。
9.一种可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的方法。
CN202111264946.5A 2021-10-28 2021-10-28 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 Active CN113992718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111264946.5A CN113992718B (zh) 2021-10-28 2021-10-28 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111264946.5A CN113992718B (zh) 2021-10-28 2021-10-28 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统

Publications (2)

Publication Number Publication Date
CN113992718A CN113992718A (zh) 2022-01-28
CN113992718B true CN113992718B (zh) 2022-10-04

Family

ID=79743673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111264946.5A Active CN113992718B (zh) 2021-10-28 2021-10-28 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统

Country Status (1)

Country Link
CN (1) CN113992718B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115296984B (zh) * 2022-08-08 2023-12-19 中国电信股份有限公司 异常网络节点的检测方法及装置、设备、存储介质
CN116204846B (zh) * 2023-05-06 2023-08-01 云南星晟电力技术有限公司 一种基于可见图的配电网传感器数据异常快速定位方法
CN116828577B (zh) * 2023-08-31 2023-11-10 北京博瑞翔伦科技发展有限公司 一种电力隧道传感器网络单元数据处理方法和系统
CN117056862B (zh) * 2023-10-10 2023-12-19 贵州省畜牧兽医研究所 基于物联网的家禽养殖环境异常监测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017067615A1 (en) * 2015-10-23 2017-04-27 Nec Europe Ltd. Method and system for supporting detection of irregularities in a network
CN112925989A (zh) * 2021-01-29 2021-06-08 中国计量大学 一种属性网络的群体发现方法及系统
CN113516226A (zh) * 2021-05-18 2021-10-19 长沙理工大学 一种基于图神经网络的混合模型多元时序异常检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108777873B (zh) * 2018-06-04 2021-03-02 江南大学 基于加权混合孤立森林的无线传感网络异常数据检测方法
CN112308202A (zh) * 2019-08-02 2021-02-02 华为技术有限公司 一种确定卷积神经网络的决策因素的方法及电子设备
CN111654874B (zh) * 2020-06-03 2023-02-24 枣庄学院 一种无线传感网异常检测方法
CN111901773B (zh) * 2020-06-23 2024-03-29 杭州电子科技大学 一种工业园区空气质量检测方法
CN112087443B (zh) * 2020-09-04 2021-06-04 浙江大学 工业传感网络信息物理攻击下的传感数据异常检测方法
CN112866267B (zh) * 2021-01-29 2022-12-30 哈尔滨工业大学（威海） 一种网络业务动态识别与划分的系统、方法、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017067615A1 (en) * 2015-10-23 2017-04-27 Nec Europe Ltd. Method and system for supporting detection of irregularities in a network
CN112925989A (zh) * 2021-01-29 2021-06-08 中国计量大学 一种属性网络的群体发现方法及系统
CN113516226A (zh) * 2021-05-18 2021-10-19 长沙理工大学 一种基于图神经网络的混合模型多元时序异常检测方法

Also Published As

Publication number Publication date
CN113992718A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113992718B (zh) 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统
Araby et al. Smart IoT monitoring system for agriculture with predictive analysis
JP7183471B2 (ja) 将来の動作の予測分類
Wang et al. Systematic development of a new variational autoencoder model based on uncertain data for monitoring nonlinear processes
CN112639834A (zh) 用于数据分析的计算机实现的方法、计算机程序产品以及系统
Banavlikar et al. Crop recommendation system using Neural Networks
Shi et al. Temporal dynamic matrix factorization for missing data prediction in large scale coevolving time series
CN116684878B (zh) 一种5g信息传输数据安全监测系统
CN113361194B (zh) 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质
Al-Hajj et al. A predictive evaluation of global solar radiation using recurrent neural models and weather data
Hnatiuc et al. The methods for vine disease identification
Ma et al. Detecting anomalies in small unmanned aerial systems via graphical normalizing flows
CN116680651A (zh) 一种基于多源数据融合的水产养殖监测方法及系统
Gu et al. Dynamic measurement and data calibration for aerial mobile IoT
CN113804833B (zh) 基于凸集投影和极限学习机的电子鼻漂移通用校准方法
Mulyono et al. Genetic algorithm based new sequence of principal component regression (GA-NSPCR) for feature selection and yield prediction using hyperspectral remote sensing data
Yang et al. The development of an intelligent monitoring system for agricultural inputs basing on DBN-SOFTMAX
CN113361596B (zh) 一种传感器数据增广方法、系统及存储介质
Xie et al. A Robust Data Interpolation Based on a Back Propagation Artificial Neural Network Operator for Incomplete Acquisition in Wireless Sensor Networks
Ge et al. Unsupervised anomaly detection via two-dimensional singular value decomposition and subspace reconstruction for multivariate time series
Pribić Stochastic deep learning for compressive-sensing radar
Gao et al. A novel intrusion detection method based on WOA optimized hybrid kernel RVM
Makhmutov et al. Estimation classification accuracy of algorithms based at artificial intelligence methods for remote sensing data of South Ural area
CN114071353B (zh) 结合聚类算法的压缩感知无源被动式目标定位方法
CN117612277A (zh) 基于物理不变子空间的无监督车联网异常检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant