摘要:
1.本文的创新点提出一种面向不确定感知数据的脏事件清洗方法,在传感器感知到异常数据时对其进行判断清洗,保证事件检测结果的可靠性。本文的创新主要体现在:1) 根据不确定感知数据的概率特点,提出一种基于二元映射机制的清洗模型。2) 讨论了传感器节点感知到异常数据时所处的不同状态,并给出两种脏事件的定义。3) 针对暂时性脏事件设计了基于模糊理论的清洗方法,采用基于3元子序列提取规则的模糊函数对暂时性脏事件进行提取及清洗。4) 针对永久性脏事件设计了合作清洗机制,根据方向性事件特征,采用环形聚簇法对永久性脏事件进行提取及清洗。2.实现方法根据感知数据的概率特征,计算感知数据的异常概率,并采用一种二元映射机制将属于实数集的数据映射为二元数据,以减少节点计算和传输代价。根据传感器节点感知到异常数据时所处的不同状态,将脏事件定义成两种类型:暂时性脏事件和永久性脏事件。在映射后的二元序列上,做3元子序列提取,将中间数据为1的子序列提取出来,即(0,1,0),(1,1,0),(0,1,1)及(1,1,1)。根据暂时性脏事件定义,对二元序列进行模糊建模并计算两种模糊函数值,根据用户阈值对暂时性脏事件进行清洗。为有效清洗方向性事件上的永久性脏事件,提出环状聚簇结构,将传感器的笛卡尔坐标转换为极坐标,根据节点数据的相关系数对永久性脏事件进行清洗。实验结果表明,对于方向性事件,该清洗方法的清洗效率较高,并可扩展到节点失效率较高的情况。3.结论及未来待解决的问题本文考虑了不确定感知数据上的脏事件清洗问题,提出了一种代价较小的映射机制,在保证映射准确性的同时加快对感知数据的处理效率。采用基于模糊理论的序列处理方法对暂时性脏事件进行清洗,并根据方向性事件特征,采用基于环状聚簇的合作清洗机制对永久性脏事件进行清洗。与之前的研究不同,本文所提方法考虑了感知数据的内在不确定性,将异常数据的概率因素作为一项重要指标加入到清洗模型中。而对于将来的研究,我们主要关注其他类型的检测事件(例如,无方向性事件)的脏事件清洗方法,对于其他的检测事件,原有的聚簇结构将不再适用,并须重新定义节点的相关系数。4.实用价值或应用前景无线传感器网络中的事件检测在多个领域获得了越来越多的关注和应用。通常,传感器节点根据感知的异常数据对目标事件进行检测。然而,处于恶劣条件下的传感器节点易受外界干扰而产生错误的异常数据,且传感器能量耗尽时也易产生异常数据,这些异常数据易导致错误的检测结果。因此,对这些错误异常数据进行清洗有显要的实用意义。目前多数研究都是在确定感知数据的基础上进行容错事件检测,而这些方法没有考虑到感知数据的不确定性,这种不确定性来源于节点设备以及传输延迟。本文提出的方法可以在不确定异常数据的基础上对脏事件进行清洗,因此大大提高了清洗效率以及事件检测的准确性。