CN101276435A - 计算机辅助处理在传感器网络中检测到的测量值的方法 - Google Patents

Abstract

本发明涉及一种用于计算机辅助处理在传感器网络中检测到的测量值的方法，其中传感器网络包括多个传感器节点，这些传感器节点分别具有一个或者多个用于检测测量值的传感器，其中在传感器节点中已知多个相邻传感器节点的测量值。通过根据本发明的方法，多区域神经网络被映射到相对应的传感器网络上，由此提供了以下可能性，即借助相邻传感器的信息即使在有误差地或故障地测量传感器节点时也保证了传感器节点位置上的全局状况识别。利用这种方法运行的传感器网络在此相对几个传感器故障是更稳健的。传感器节点的各个传感器因此可以在传感器网络相同的稳健性的情况下更简单地被构造，因为传感器故障对传感器网络的高效能性影响较小。

Description

计算机辅助处理在传感器网络中检测到的测量值的方法

技术领域

本发明涉及一种用于计算机辅助处理在传感器网络中检测到的测量值的方法以及一种相对应的传感器网络和一种相对应的计算机程序产品。

背景技术

本发明通常涉及传感器网络，这些传感器网络包括多个传感器节点，其中每个传感器节点在所有情况下具有一个或者多个用于检测任意测量值的传感器。在这种情况下，各个传感器通过相应的通信连接、例如通过无线电或者有线连接至少部分地相互联网。尤其是，相应的传感器节点与一定数量的相邻传感器节点进行通信，使得在传感器节点之间能够交换相应的被确定的测量值。所检测到的测量值可以是任意测量量，例如是放置传感器的位置处的温度值、或者诸如空气湿度、入射光、冒烟等等的其它物理量。

在传感器网络中，传感器节点会发生故障，这些故障严重损害网络的高效能性。在传感器节点故障时，为了网络的正确运行方式因此必要的是修复相对应的传感器节点或用新的高效能的传感器节点来替换。可是，这通常需要更长的时间，以致传感器网络在该段时间中只能受限地运行。因此希望的是，在传感器网络中，即使在传感器节点故障时也保证网络的基本上完整的功能作用。

此外，公知的传感器网络始终只测量局部测量值，而在这种情况下，虽然相邻传感器节点的信息可供传感器节点使用，也无需在分析测量值时考虑这些信息。因此，不能通过全局分析局部测量值来检测测量中的不规则性。

文献US 2005/0251291 A1描述了一种自组织的移动机器人主体(Roboter-Agent)的***，其中该***使用了各种人工智能技术，这些技术包括人工神经网络。

文献Albrecht Schmidt的“A Modular Neural NetworkArchitecture with Additional Generalization Abilities for HighDimensional Input Vectors”(第I-x和1-113页，曼彻斯特城市大学(Manchester Metropolitan University)，1996年9月，eHB)说明了各种神经网络架构并且尤其是讨论了模块化人工神经网络。

演示文稿“Neuronal Netze in der Robotik”(第1-20页，克劳斯塔尔工业大学(TU-Clausthal)，2002年1月19日，http://www2.in.tu-clausthal.de/～reuter/ausarbeitung/Elke_von_Lienen_-_Neuronale_Netze_in_der_Robotik.pdf；eHB)通常说明了神经网络在机器人技术中的应用。

发明内容

因此，本发明的任务是提供一种用于计算机辅助处理在传感器网络中检测到的测量值的方法，利用该方法由局部的和部分不完整的测量可以检测传感器网络中的全局状况。

该任务通过独立权利要求来解决。本发明的改进方案被限定在从属权利要求中。

在根据本发明的方法中，给每个传感器节点分配神经元区域(Neuronenareal)，该神经元区域包括多个通过动作(Aktivitaet)表征的、具有一个或者多个神经元的神经元组，其中给每个神经元组分配在传感器节点中可测量的测量值的测量值和/或测量值域。相邻传感器节点的各个神经元组在这种情况下相互联网，其中相应的传感器节点的测量值与相邻传感器节点之间的相关性通过权重来表示，该权重利用学习方法来学习并且在所有情况下都位于相应传感器节点的神经元组与相邻传感器节点的神经元组之间。在这种情况下，作为学习方法尤其是使用以下学习方法，该学习方法在神经元组之间存在相关性时、也就是在多个神经元组同时动作时放大神经元组之间的相对应的权重。在优选的实施形式中，在这种情况下使用赫宾(Hebbian)学习方法。

在此，赫宾学习方法由现有技术充分公开(参见例如文献[1])。

在根据本发明的方法中，在所有情况下都将输入信号施加到相应传感器节点的神经元组上，其中输入信号包括第一信号，该第一信号与相应神经元组和相邻传感器节点的神经元组之间的权重有关，以及与相邻传感器节点的神经元组的动作有关。此外，在测量时刻可测量到相应传感器节点中的测量值的情况下，此外还给被分配有所测量到的测量值或者相对应的测量值域的神经元组输送第二信号。该第二信号因此表明，传感器节点已执行测量。通过将信号输送给相对应的、对应于测量到的值或被分配有测量值域的神经元组，放大神经元组的动作，测量到的值位于该测量值域中。在此，动作在状态方面被分类为活动的和不活动的，其中第二信号大得使得其将施加有第二信号的神经元组置于活动状态下。

根据本发明，在神经元区域中因此不仅考虑局部测量值，而且相邻传感器节点的测量值通过这些传感器节点的神经元组的动作以及通过相应学习到的权重流动。接着，通过相应传感器节点和/或相邻传感器节点的神经元组的动作确定偏离相应传感器节点的正常运行和/或偏离相应传感器节点的环境的正常状态和/或相应传感器节点的测量值的估计。

通过根据本发明的方法，多区域神经网络被映射到传感器网络上，由此提供了以下可能性，即借助相邻传感器节点的信息即使在有误差地或故障地测量传感器节点时也保证了传感器节点位置上的全局状况识别。利用这种方法运行的传感器网络在此相对传感器故障更稳健，因为相对应的测量值可以以适当的方式被估计，以致不可得到的测量通过所估计的测量值来代替。传感器节点的各个传感器因此可以在传感器网络相同的稳健性的情况下更简单地被构造，因为传感器的故障对传感器网络的高效能性影响较小。

在根据本发明的方法的实施形式中，传感器节点的神经元组之间的权重连续地在执行该方法期间被学习。可替换地，也可能事前学习权重，并且在执行该方法期间使权重保持恒定。

利用根据本发明的方法，通过将传感器网络映射到神经网络上例如检测到传感器节点的故障。这通过以下方式来实现，即如果相对应的传感器节点的神经元组都不是活动的，则确定故障，与此等同的是，没有确定相应传感器节点的测量值。由此能推断出，传感器节点没有正常运行或故障了。

在根据本发明的方法的特别优选的实施形式中，给相应的传感器节点的神经元区域输送可调节的全局背景信号。通过改变这种背景信号可以适当地影响神经元区域的特性。具有可改变的背景信号的神经网络例如被描述在文献[2]中以及被描述在专利申请DE 10 2005 045120.9中。

在根据本发明的方法的实施形式中，全局背景信号在传感器网络运行期间、尤其是在检测到传感器节点故障之后被调整来使得正好一个神经元组处于活动状态下。接着，在调整之后，被分配给活动的神经元组的测量值或测量值域分别表示测量值的估计。以这种方式，通过相对应调节背景信号，即使在传感器节点故障时也能确定相对应的被估计的测量值，其中所估计的测量值通过输入相邻的传感器节点(也就是通过第一信号)来影响。因此，在该实施形式中，相邻传感器节点的被加权的相关性如下被利用，由此可以适当地估计测量值。

根据本发明的方法除了传感器节点故障之外也可以在正常工作时被用于估计测量值。在此，在相应的传感器节点中，仅仅将第一信号作为输入信号在任何情况下都施加到相应传感器节点的神经元组上，其中由于施加第一信号而是活动的那个神经元组的测量值和/或测量值域表示测量值的估计。本发明的变形方案要求调整全局背景信号，使得相应传感器节点的正好一个神经元组是活动的。

必要时也可以以其它方式在不改变背景信号的情况下来估计测量值。在该变形方案中，得到最大的第一信号的那个神经元组的测量值或测量值域被用作所估计的测量值。同样，第一信号在相应传感器节点的神经元组上的分布重点可以被确定，其中重点所在的神经元组的测量值或测量值域表示测量值的估计。

测量值的估计的另一变形方案在于，第一信号在相应传感器节点的神经元组上的分布被标准化到概率分布上，并且通过以该概率分布进行样本取样来确定测量值的估计。该变形方案也考虑到通过所生成的概率分布出现的不准确的相邻传感器节点测量或测量误差。

在本发明的变形方案中，其中第一信号在相应传感器节点的神经元组上的分布被标准化到概率分布上，概率的大小在相应传感器节点的实际测量值的位置上(也就是在被分配有实际测量值的神经元组的位置上)被用作偏离传感器节点环境的正常状态的准则。优选地，在实际测量值的位置上，该准则在此是概率大小的倒数。

利用上述变形方案，以简单的方式可以确定偏离相应传感器节点的正常工作状态或偏离测量到的环境量的正常状态。尤其是，如果测量值的估计偏离相应传感器节点的实际确定的测量值大于预定阈值，则确定这种偏离。

作为传感器可以在传感器网络中采用任意传感器，例如采用温度传感器和/或亮度传感器和/或空气湿度传感器等等。

根据本发明的方法可以被使用在任意技术领域的任意传感器网络中，例如被使用在建筑中用于火灾监控或者用于监控高压线或用于监控运输***或者物流***的传感器网络中。另一应用领域例如是食品或者药物的仓储监控，其中食品或者药物的温度或湿度被测量。另一应用情况是将该方法用于生产设备，其中利用传感器网络来监控作业线的运行。

除了上述方法之外，本发明还涉及一种传感器网络，该传感器网络被构造来使得在该传感器网络中可以执行根据本发明的方法。此外，本发明还包括具有被存储在机器可读载体上的程序代码的计算机程序产品，用于当程序运行在计算机上、尤其是运行在传感器节点中时执行根据本发明的方法。

附图说明

以下参照附图详细说明本发明的实施例。

其中：

图1示出了具有彼此进行通信的传感器节点的传感器网络的一部分的示意图；

图2示出了说明根据本发明的方法的变形方案的传感器节点之间的权重的学习的示意图；

图3示出了在传感器网络的传感器节点中所采用的神经元区域的实施形式的示意图。

具体实施方式

图1示出了来自传感器网络的截面的示意图，在该传感器网络中采用根据本发明的方法。所示的截面包括三个传感器节点S1、S2和S3，这些传感器节点可以相互彼此进行通信，如通过双箭头P1、P2和P3所示的那样。在这种情况下，传感器网络包含其它传感器节点，这些传感器节点没有在图1中被再现。在此所述的实施形式中，每个传感器节点都包括温度传感器，这些温度传感器可以测量温度T1、T2、…至TN。

根据本发明的方法，在传感器节点S1、S2和S3中的每个中都构造神经元区域，该神经元区域是用稀疏拓扑代码(die spaerlichentopographischen Kode)表示传感器节点的瞬时测量到的温度的抽象的大脑区域(Hirnareal)。换言之，这意味着，给每个传感器节点分配具有多个神经元池或神经元组1、2、…、N的神经元区域，其中每个神经元组表示相对应的温度T1、T2，…、TN。在这种情况下，温度不必是固定的温度值，而是温度也可表示一定范围的温度值。

神经元池1至N中的每个接收相对应的输入信号I_S，1至I_S，N(参见图3)，利用这些输入信号可以激活这些池。在图1的例子中，被激活的神经元池通过阴影线表示。尤其是，在传感器节点S2和S3中，池2是活动的，而在传感器节点S1中，池1是活动的。在此所述的实施形式中，各个池的动作以二进制方式来编码，也就是说池在超过一定的动作时处于活动的状态，否则处于不活动的状态中。在这种情况下，在起作用的传感器节点中，在测量相对应的温度值时将相对应的信号输送给表示测量到的温度值的那个神经元池。该信号以下被称为传感器信号，并且在权利要求的意义上对应于第二信号。

此外，所有池接收其相邻传感器节点的信号，其中信号是其它池的动作的加权和。下面，在相应的传感器节点中所接收的相邻传感器节点的信号也被称为横向输入。在图1的例子中，因此例如传感器节点S2从传感器节点S3的活动池2接收具有相对应权重的输入信号，以及附加地从传感器节点S1的活动池1接收具有相对应权重的输入信号。此外，传感器节点S2的神经元池2作为该传感器节点的唯一池接收传感器信号，因为在节点S2中测量温度T2。前面所述的权重在这种情况下被学习，使得各个传感器的所测量到的温度之间的相关性适当地被考虑，如以下参照图2所描述的那样。

图2说明了在此所述的实施形式中所使用的赫宾学***均值基本上沿着图表D的坐标系中的对角线。借助这种数据记录现在学习权重，其中在图2中示例性地观察测量点，在该测量点处，传感器节点S1的神经元池3是活动的，并且传感器节点S2的神经元池2是活动的。由于这两个神经元池同时动作，所以接着通过赫宾学习来放大S1的神经元池3与S2的神经元池2之间的相对应权重。这通过粗体箭头在图2的下部示出。该权重在这种情况下被表示为赫宾矩阵中的相对应矩阵录入项W₃₂，其中赫宾矩阵包含传感器节点S1和S2的神经元池之间的所有可能的权重。此外，神经元池之间的其它相关性通过S1和S2之间的附加线而在图2的下部示出。

因此，通过赫宾学习利用各个神经元池之间的相对应的权重W_ij(i，j＝1，…，N)建立赫宾矩阵。在这种情况下，在传感器节点的神经元池中通过权重确定相对应的横向输入。

在数学上，针对传感器节点的任意神经元池i的输入信号可以被写为如下：

$I_{S,i}=I+\underset{j}{\mathrm{\Σ}}{W}_{\mathrm{ij}}{\mathrm{\ν}}_j---\left(1\right)$

在这种情况下，I是传感器信号，只有当实际上存在相对应的、通过神经元池表示的测量值时，该传感器信号才被输入相对应的池i中。在这种情况下，在相邻传感器节点的所有神经元池上求等式(1)的和，这些传感器节点也就是与相邻的传感器节点进行通信的传感器节点。ν_j在这种情况下是相邻传感器节点的相对应神经元池j的动作，其中应考虑到，动作以二进制方式被编码，即，如果池j是活动的，则ν_j＝1，否则为0。

在高效能的传感器节点中，传感器信号I在这种情况下被选择来使得传感器信号单独导致激活相对应的池，而等式(1)中的和的值明显更小并且单独不足以激活池。以这样的方式，无论什么时候检测到相对应传感器节点的神经元区域中的神经元池不具有动作时，都可以确定传感器节点故障。在这种情况下，也就是通过传感器节点没有测量到温度，这能推断出该传感器节点故障。

在上述赫宾学习的优选变形方案中，如果动作ν_m或ν_n超过一定的阈值，则不同的相邻传感器节点的两个神经元池m和n之间的相对应的权重W_mn被放大，否则不改变动作。该动作在这种情况下如下被提高值ΔW_mn：

在这种情况下，项q₊是步长，该步长被用在赫宾学习中。q₊通常比1小很多，例如为0.01。此外，通过值W₊确定权重的最大值，而通过值W_-确定对权重的最小值，其中最小值W_-是W₊的负值，即W_-＝-W₊。

由此基于当前时刻t的权重W_mn(t)得到以下值作为下一时刻(t+1)的权重值W_mn(t+1)：

$W_{\mathrm{mn}}(t+1)=W_{\mathrm{mn}}\left(t\right)+{\mathrm{\ΔW}}_{\mathrm{mn}}-\frac{1}{N}\underset{l=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\Δ}{W}_{\mathrm{ml}}---\left(3\right)$

在等式(3)的一端上的被加数中，对所有与神经元池m联系在一起的权重的变化求和，并且由此实现标准化，使得平均得到每个池的背景信号形式的恒定输入。

上述学习方法仅仅是赫宾学习方法的例子并且也可以使用任何不同于赫宾学习方法的变形方案。决定性仅仅在于，学习方法被构造来使得不同传感器节点的神经元池之间的权重被放大，这些不同传感器节点是同时活动的。这在必要时也可以通过不同于赫宾学习方法的学习方法来实现。

在此所述的本发明的实施形式中，对于传感器网络的每个传感器节点构造具有可调节的背景电流或背景信号的神经元区域。这种神经元区域例如在文献[2]中被说明。通过可调节的背景信号，在这种情况下可以改变各个神经元区域的特性，这可以被用于此，以便对相邻传感器节点的彼此相关的测量值进行相对应的分析。在根据本发明的方法的变形方案中，例如在传感器节点故障的情况下长时间地提高背景信号，直到构造具有单个活动的神经元池的神经元区域。在调整背景信号之后是活动的那个神经元池的测量值或测量值域接着被用作被估计的测量值。传感器网络的运行因此可以继续进行，其中现在通过所估计的测量值来替换实际测量值。本发明人通过***明了，这样被估计的测量值很好地与在传感器节点按规定运行时测量到的实际测量值相一致。

此外，刚才所说明的测量值估计也可以在起作用的传感器节点中被用于检测异常。这种异常在温度传感器的情况下例如由此来产生，即在设置温度传感器的位置上着火，这首先导致仅局部限制在该传感器节点上的温度提高，而其它相邻的传感器节点还显示出瞬时存在的正常温度。该异常可以通过以下方式来确定，即连续根据上面所说明的估计来确定所估计的测量值，并且与实际测量到的测量值相比较。如果该偏差超过了一定的量度，则输出相对应的警报。

上面所描述的估计的前提是，在神经元区域中不存在传感器信号的情况下长时间地提高背景电流，直到正好一个神经元池是活动的。这通过相对应地求解基于神经元区域的差分等式来实现。可是，也存在以下可能性，即在不求解差分等式的情况下来确定异常。尤其是，测量值的估计也可以在不改变背景信号的情况下通过以下方式来实现，即在传感器节点中确定得到最大的横向输入的那个神经元池。被分配给该神经元池的测量值或测量值域接着被用作所估计的测量值。同样，横向输入在这些神经元池上的分布的重点可以被确定，其中重点所在的那个神经元池的测量值被用作所估计的测量值。此外，可能的是，横向输入在神经元池上的分布被理解为概率分布，其中通过样本取样基于概率分布来确定所估计的测量值。以这样的方式可以在估计测量值时考虑到相邻传感器节点的测量中的不精确性或误差。

如前面所说明的那样，在此所描述的根据本发明的方法的实施形式中，每个传感器节点通过神经元区域来模拟，该神经元区域接收可全局调节的背景电流。这种神经元区域在图3中被再现。

图3示出了具有由激励神经元(erregendes Neuron)构成的神经元池1、2、…、N的、由人工神经元构成的神经元区域，其中每个池通过以在池中的所有神经元上求平均的峰值形成率(Spiking-Rate)ν₁、ν₂、…、ν_N为形式的相对应动作来表征。峰值形成率是在现有技术中充分公知的量。每个池的特色在于，该池接收相似的输入并且相应池的所有人工神经元相似地表现。针对池1至N中的每个池的特定输入对应于相应池1、2、…、N的输入电流或输入信号I_S，1、I_S，2、…、I_S，N。输入电流在此包含相邻传感器节点的横向输入并且必要时包含传感器信号(如果神经元池的相对应测量值被测量)并且通过上述等式(1)来限定。

人工神经元在池中的局部连接通过强的局部突触权重w₊来表征。与此相对，各个池之间的神经元具有值为w_-的较弱的横向突触权重。除了由激励神经元构成的池之外还存在所谓的由抑制神经元INH构成的、峰值形成率为ν_I的池。抑制池INH具有值为-w_II的局部激励，并且通过全局抑制电流I_I被供给。此外，该池被耦合到激励神经元的池，以便将全局抑制施加到这些激励神经元上。通过从抑制池到激励池值为-w_EI的相对应权重和从激励池朝向抑制池值为w_IE的相对应权重来实现这种耦合。在神经网络中，输入信息仅仅经激励池通过相对应的输入电流I_S，1、I_S，2、…、I_S，N来输送。此外，全局的、可变化的输入电流I₀被输送给网络的激励池。

在此所述的被用在传感器节点中的神经元区域的实施形式中，通过现有技术中充分公开的平均场近似来描述区域的动力学。池的动力学在此通过如下等式来近似：

$\mathrm{\τ}\frac{d}{\mathrm{dt}}\mathrm{\ν}\left(t\right)=-\mathrm{\ν}\left(t\right)+g\left(I\left(t\right)\right)---\left(4\right)$

在这种情况下，ν(t)是在相应池上被平均的峰值形成率，g(I)表示平均输入电流I(t)的所谓传递函数，并且τ表示区域的时间常数。

在此所描述的实施形式中所使用的神经网络的动力学对应于在文献[3]中所描述的动力学。该动力学通过以下等式来说明：

$\mathrm{\τ}\frac{d}{\mathrm{dt}}{\mathrm{\ν}}_k=-{\mathrm{\ν}}_k+g(I_0+I_{s,k}+w_{+}{\mathrm{\ν}}_k+\underset{l\≠k}{\mathrm{\Σ}}w\_{\mathrm{\ν}}_l-w_{\mathrm{EI}}{\mathrm{\ν}}_I),k=1,...,N---\left(5\right)$

${\mathrm{\ν}}_I=g_I\·(I_I+\underset{k}{\mathrm{\Σ}}{w}_{\mathrm{IE}}{\mathrm{\ν}}_k-w_{\mathrm{II}}{\mathrm{\ν}}_I)---\left(6\right)$

在这种情况下，I₀是激励神经元的池的全局输入电流，I_I是抑制池的全局输入电流，I_S，k(k＝1、…、N)是相应的池k的特定输入电流，而g_I是抑制传递函数的斜率。

全局输入电流I₀在这种情况下对于神经元区域的特性是重要的。因此，在此所描述的本发明实施形式的特色在于，该全局输入电流可以被调节用于改变神经元区域的特性。尤其是，由此在传感器节点故障时，网络的处理特性可以以简单的方式来改变，使得区域的特性通过相邻传感器节点的横向输入来确定。

等式(6)可以如下被变换：

${\mathrm{\ν}}_I=g_I{I}_I+g_I{w}_{\mathrm{IE}}\underset{l}{\mathrm{\Σ}}{\mathrm{\ν}}_l-g_I{w}_{\mathrm{II}}{\mathrm{\ν}}_I;$ ${\mathrm{\ν}}_I=\frac{g_I{w}_{\mathrm{IE}}}{1+g_I{w}_{\mathrm{II}}}\underset{l}{\mathrm{\Σ}}{\mathrm{\ν}}_l+\frac{g_I}{1+g_I{w}_{\mathrm{II}}}{I}_I---\left(7\right)$

利用这样的变形可以根据等式(5)如下地描述动力学：

$\mathrm{\τ}\frac{d}{\mathrm{dt}}{\mathrm{\ν}}_k=-{\mathrm{\ν}}_k+g(I_0+I_{s,k}+w_{+}{\mathrm{\ν}}_k+\underset{l\≠k}{\mathrm{\Σ}}{w}_{-}{\mathrm{\ν}}_l-\frac{g_I{w}_{\mathrm{EI}}{w}_{\mathrm{IE}}}{1+g_I{w}_{\mathrm{II}}}\underset{l}{\mathrm{\Σ}}{\mathrm{\ν}}_l-\frac{g_I{w}_{\mathrm{EI}}}{1+g_I{w}_{\mathrm{II}}}{I}_I),k=1,...,N---\left(8\right)$

$=-{\mathrm{\ν}}_k+g((I_0-\frac{W_I}{w_{\mathrm{IE}}}{I}_I)+I_{s,k}+(w_{+}-w_{-}){\mathrm{\ν}}_k+(w_{-}-W_I)\underset{l}{\mathrm{\Σ}}{\mathrm{\ν}}_I),$ $W_I:\frac{g_I{w}_{\mathrm{EI}}{w}_{\mathrm{IE}}}{1+g_I{w}_{\mathrm{II}}}$

由此得到了以下差分方程组，该差分方程组在此所述的实施形式中为了确定神经元区域的神经元池的动作而被求解：

$\mathrm{\τ}\frac{d}{\mathrm{dt}}{\mathrm{\ν}}_k=-{\mathrm{\ν}}_k+g(I_b+I_{s,k}+W_s{\mathrm{\ν}}_k+\frac{W_L}{N}\underset{l}{\mathrm{\Σ}}{\mathrm{\ν}}_l),k=1,...,N---\left(9\right)$

其中，所谓的全局有效背景电流是

$I_b=I_0-\frac{W_I}{w_{\mathrm{IE}}}{I}_I;$

多余的局部激励(大多数大于或等于零)是

W_S＝w₊-w_-；以及

有效横向连接强度(其可以改变其符号)是

W_L＝N(w_--W_I)。

参考文献：

[1]M.Szabo，M.Stetter，G.Deco，S.Fusi，P.Del Giudice，M.Mattia：“Learning to Attend：Modeling the Shaping ofSelectivity in Infero-tempofal Cortex in a CategorizationTask”，Biological Cybernetics 94(5)：351-365(2006)

[2]M.Stetter，“Dynamic functional tuning of nonlinearcortical networks”，Phys.Rev.E 73(3 Pt 1)：031903.

[3]Mongillo，G.，Amit，D.J.and Brunel，N.(2003)：″Retrospective and prospective persistent activity Induced byHebbian learning in a recurrent cortical network″，Eur.J.Neurosci.18：2011-2024.

Claims (19)

1.一种用于计算机辅助处理在传感器网络中检测到的测量值(T1，T2，…，TN)的方法，其中传感器网络包括多个传感器节点(S1，S2，S3)，所述传感器节点分别具有一个或者多个用于检测测量值(T1，T2，…，TN)的传感器，其中在传感器节点(S1，S2，S3)中已知多个相邻传感器节点(S1，S2，S3)的测量值(T1，T2，…，TN)，其中：

-给每个传感器节点(S1，S2，S3)分配神经元区域，该神经元区域包括多个具有一个或者多个神经元的、通过动作(ν₁，ν₂，…，ν_N)来表征的神经元组(1，2，…，N)，其中给每个神经元组(1，2，…，N)分配在传感器节点(S1，S2，S3)中可测量的测量值的测量值(T1，T2，…，TN)和/或测量值域；

-相应传感器节点(S1，S2，S3)的测量值(T1，T2，…，TN)与相邻传感器节点(S1，S2，S3)的测量值(T1，T2，…，TN)之间的相关性通过权重(W_ij)来表示，该权重(W_ij)利用学习方法来学习并且在任何情况下都位于相应传感器节点(S1，S2，S3)的神经元组(1，2，…，N)与相邻传感器节点(S1，S2，S3)的神经元组(1，2，…，N)之间；

-输入信号(I_S，1，…，I_S，N)在任何情况下都被施加到相应传感器节点(S1，S2，S3)的神经元组(1，2，…，N)上，其中输入信号(I_S，1，…，I_S，N)包括第一信号，该第一信号与相应的神经元组(1，2，…，N)和相邻传感器节点(S1，S2，S3)的神经元组(1，2，…，N)之间的权重(W_ij)有关以及与相邻传感器节点(S1，S2，S3)的神经元组(1，2，…，N)的动作(ν₁，ν₂，…，ν_N)有关，其中在测量时刻可测量相应传感器节点(S1，S2，S3)中的测量值(T1，T2，…，TN)的情况下，此外还给被分配有测量到的测量值(T1，T2，…，TN)或者相对应的测量值域的神经元组(1，2，…，N)输送第二信号(I)；

-相应神经元组的动作(ν₁，ν₂，…，ν_N)在状态方面被划分为活动的和不活动的，并且施加到神经元组(1，2，…，N)上的第二信号(I)将神经元组(1，2，…，N)置于活动状态下；

-通过相应传感器节点(S1，S2，S3)和/或相邻传感器节点(S1，S2，S3)的神经元组的动作(ν₁，ν₂，…，ν_N)确定偏离相应传感器节点(S1，S2，S3)的正常工作和/或偏离相应传感器节点(S1，S2，S3)的环境的正常状态和/或相应传感器节点(S1，S2，S3)的测量值(T1，T2，…，TN)的估计。

2.根据权利要求1所述的方法，其中，权重(W_ij)利用赫宾学习方法来学习。

3.根据权利要求1或者2所述的方法，其中，权重在执行该方法期间连续地被学习。

4.根据权利要求1或者2所述的方法，其中，权重在执行该方法期间被保持恒定。

5.根据上述权利要求之一所述的方法，其中，相应的传感器节点(S1，S2，S3)的故障通过以下方式被确定为偏离正常运行，即相应传感器节点(S1，S2，S3)的神经元组(1，2，…，N)都不是活动的。

6.根据上述权利要求之一所述的方法，其中，给相应传感器节点(S1，S2，S3)的神经元区域输送可调节的全局背景信号(I_b)。

7.根据权利要求6所述的方法，其中，全局背景信号(I_b)在传感器网络工作期间被调整，使得正好一个神经元组(1，2，…，N)处于活动状态。

8.根据权利要求7结合权利要求5所述的方法，其中，在检测到传感器节点(S1，S2，S3)故障之后根据权利要求7调整背景信号(I_b)，其中被分配给活动的神经元组(1，2，…，N)的测量值(T1，T2，…，TN)和/或测量值域在调整背景信号(I_b)之后分别表示测量值的估计。

9.根据权利要求7所述的方法，其中，为了估计相应传感器节点(S1，S2，S3)中的测量值(T1，T2，…，TN)，在任何情况下仅仅将第一信号作为输入信号(I_S，1，I_S，2，…，I_S，N)施加到相应传感器节点(S1，S2，S3)的神经元组(1，2，…，N)上，其中由于施加第一信号而是活动的神经元组(1，2，…，N)的测量值(T1，T2，…，TN)和/或测量值域表示测量值(T1，T2，…，TN)的估计。

10.根据上述权利要求之一所述的方法，其中，得到最大的第一信号的神经元组(1，2，…，N)的测量值(T1，T2，…，TN)和/或测量值域表示测量值(T1，T2，…，TN)的估计。

11.根据上述权利要求之一所述的方法，其中，第一信号在相应传感器节点(S1，S2，S3)的神经元组(1，2，…，N)上的分布的重点被确定，其中重点所位于的神经元组(1，2，…，N)的测量值(T1，T2，…，TN)和/或测量值域表示测量值(T1，T2，…，TN)的估计。

12.根据上述权利要求之一所述的方法，其中，第一信号在相应传感器节点(S1，S2，S3)的神经元组(1，2，…，N)上的分布被标准化为概率分布。

13.根据权利要求12所述的方法，其中，通过以所述概率分布进行样本取样来确定测量值(T1，T2，…，TN)的估计。

14.根据权利要求12或者13所述的方法，其中，概率的大小在相应传感器节点(S1，S 2，S3)的实际测量值的位置上用作偏离相应传感器节点(S1，S2，S3)的环境的正常状态的准则。

15.根据权利要求14所述的方法，其中，相应传感器节点(S1，S2，S3)的实际测量值的概率大小的倒数表示偏离相应传感器节点(S1，S2，S3)的环境的正常状态的准则。

16.根据上述权利要求之一所述的方法，其中，如果测量值(T1，T2，…，TN)的估计离相应传感器节点(S1，S2，S3)的实际确定的测量值大于预定阈值，则确定偏离相应传感器节点(S1，S2，S3)的正常工作状态。

17.根据上述权利要求之一所述的方法，其中，传感器网络中的传感器包括温度传感器和/或亮度传感器和/或空气湿度传感器。

18.一种传感器网络，其包括多个传感器节点(S1，S2，S3)，所述传感器节点(S1，S2，S3)分别具有一个或者多个用于检测测量值(T1，T2，…，TN)的传感器，其中在传感器节点(S1，S2，S3)中，已知多个相邻传感器节点(S1，S2，S3)的测量值(T1，T2，…，TN)，其中传感器网络被构造来使得在传感器网络中能执行根据上述权利要求之一所述的方法。

19.一种具有被存储在机器可读载体上的程序代码的计算机程序产品，用于当程序运行在计算机上、尤其是运行在传感器节点中时执行根据权利要求1至17之一所述的方法。

Images