CN105407496B - 一种识别无线传感器网络中错误测量值的方法 - Google Patents
一种识别无线传感器网络中错误测量值的方法 Download PDFInfo
- Publication number
- CN105407496B CN105407496B CN201510716880.7A CN201510716880A CN105407496B CN 105407496 B CN105407496 B CN 105407496B CN 201510716880 A CN201510716880 A CN 201510716880A CN 105407496 B CN105407496 B CN 105407496B
- Authority
- CN
- China
- Prior art keywords
- state
- sensor node
- node
- sensor
- measured value
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种识别无线传感器网络中错误测量值的方法,该方法首先通过训练历史测量数据获得传感器节点之间的线性模型;对于相邻传感器节点新采集的测量值,检验它们是否符合该线性模型,即确定相邻节点之间连接边的状态;然后,利用连接边的状态确定传感器节点的初始状态;最后,结合连接边的状态和传感器节点的最新状态对传感器节点的状态概率进行迭代计算,从而确定传感器节点的当前测量值是否存在错误。该方法充分利用了同一传感器节点测量值间的时间相关性和相邻传感器节点测量值之间的空间相关性,相比于现有技术的单一检测更加稳定可靠,可以快速准确的识别出无线传感器网络中的错误测量值,且不需要依赖工作人员的专业背景知识。
Description
技术领域
本发明属于无线传感器网络技术应用领域,涉及一种识别无线传感器网络中错误测量值的方法。
背景技术
无线传感器网络是由大量低成本微型传感器节点组成,其目的是感知、采集和处理外界环境中的各种数据信息,在环境监测和灾难预警等领域发挥着重要作用。无线传感器对测量数据的准确性和可靠性的要求非常高,但是实际部署的无线传感器网络节点通常会产生错误的测量值,原因主要有:
(1)由于传感器节点资源有限,特别是电池供电的情况下,在经历较长时间运行后,电池不足可能导致传感器节点采集的测量值精度有较大程度的下降,甚至出现偏离实际情况的错误测量值;
(2)外界环境干扰也可能影响到传感器的测量准确性。传感器节点通常需要直接暴露在外界环境中,因此容易受到环境因素的干扰,从而导致传感器节点产生偏离实际情况的错误测量值。
这些错误的测量值增加了无线传感器网络的通信开销,浪费了有限的能量。更严重的是这些错误测量值可能导致错误的判断,严重影响了无线传感器网络的***工作性能。例如监测火灾的传感器网络发生误报的后果是非常严重的。
为了识别无线传感器网络错误测量值,之前的方法通常利用时间序列或空间序列来判别异常数据,但是忽略了测量数据之间同时存在空间关联性和时间关联性。
发明内容
本发明要解决的技术问题在于,如何自动识别出传感器网络中的错误测量值,提高传感器网络采集数据的准确性。
一种识别无线传感器网络中错误测量值的方法,包括以下几个步骤:
S1:利用无线传感器网络中相邻传感器节点的历史测量数据训练获得传感器节点之间的测量值线性模型;
S2:确定传感器节点之间的连接边的状态;
将无线传感器网络中各传感器节点的当前测量值代入S1获得的对应传感器节点测量值线性模型中,依据线性模型的输出结果,判断各传感器节点是否符合对应相邻传感器节点的线性模型,从而确定各相邻传感器节点之间的连接边的状态,若符合,则对应相邻传感器节点之间的连接边初始状态为0,否则,为1;
S3:依据连接边的状态,采用投票机制对各传感器节点的初始状态进行确定;
所述传感器节点的初始状态为0或1,其中,0表示传感器节点测量正确,1表示传感器节点测量错误;
S4:利用各相邻传感器节点之间连接边的状态以及各传感器节点的初始状态,对传感器节点的两种状态概率均进行迭代计算,每次迭代过程中以状态概率较大值对应的状态作为传感器节点的最新状态,如果迭代过程中有传感器节点状态发生了改变,则重复此迭代过程,直到所有传感器节点状态不再变化后,依据节点的最新状态识别传感器节点的当前测量值是否存在错误。
所述S4中的每个传感器节点状态概率迭代计算公式为:
probMat(S(k),i)2×2为传感器节点与第k个相邻节点之间的转移矩阵,S(k)和i在转移矩阵中分别表示转移矩阵的行号和列号,S(k)取值为当前传感器节点对应的第k个邻居节点的初当前状态值;
其中,β为转移因子,取值为小于50%的正数。
所述S1中获得的传感器节点之间的测量值线性模型为自回归各态经历ARX模型:A(q)X(t)=B(q)Xneighbor(t)+e(t);
其中,A(q)、B(q)是利用历史数据训练得到的系数,e(t)为白噪声;X表示某传感器节点自身历史测量值数据,Xneighbor表示传感器节点某个相邻节点历史测量值数据。
所述ARX模型采用最小二乘法训练获得。
所述依据线性模型的输出结果,判断各传感器节点是否符合对应相邻传感器节点的线性模型时,采用支持向量机模型进行判断;
所述支持向量机模型利用S1获得的线性模型和传感器节点的相邻节点测量值计算对应传感器节点的估计值将估计值与自身测量值X(t)作差得到残差eneighbor(t),以所有的eneighbor(t)作为正样本训练得到的分类模型。
所述S3中采用投票机制对各传感器节点的初始状态进行确定是指若传感器节点的相邻节点线性模型输出结果一半或一半以上的被判断为该传感器节点符合对应的线性模型,则判断该传感器节点的初始状态为0,否则为1。
其中,步骤S1和S2在传感器节点上分布式实施,步骤S3和S4在基站集中式实施。
有益效果
本发明提供了一种识别无线传感器网络中错误测量值的方法,该方法首先通过训练传感器节点之间的线性模型,且利用线性模型判断各传感器节点之间的初始状态;利用连接边初始状态判断传感器节点的初始状态;结合连接边初始状态和传感器节点的初始状态对传感器节点的状态概率进行迭代计算,从而确定传感器节点的当前测量值是否存在错误;该方法充分利用了同一传感器节点测量值间的时间相关性和相邻传感器节点测量值之间的空间相关性,相比于现有技术的单一检测更加稳定可靠,易于实现,可以快速准确的识别出无线传感器网络中的错误测量值,且不需要依赖工作人员的专业背景知识。
附图说明
图1为本发明的一种无线传感器网络错误测量值识别方法流程图;
图2为依照本发明中传感器节点训练模型的流程图;
图3为依照本发明中基站迭代计算节点最终状态的流程图;
图4为本发明的一个实例及测试效果图,其中,(a)为初始状态图,(b)为第一次迭代后的传感器节点状态图,(c)为迭代稳定后的传感器节点状态图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
一种无线传感器网络的错误测量值自动识别方法,参见图1所示,包括以下步骤:
S1、利用相邻传感器节点的历史测量值数据训练得到节点之间的线性模型。图2是训练模型的具体过程,训练阶段是依据节点之间是否存在线性关系生成拓扑图以及训练各节点与其邻居之间的线性关系模型,包括:
S101、收集节点自身历史测量值数据X及其邻居节点的历史测量值数据Xn={Xneighbor|neighbor∈Z},Z表示该节点地理位置邻近节点集合,Xneighbor表示某个邻近节点历史测量值数据。
S102、对于每一对<X,Xneighbor>,训练线性模型:自回归各态经历模型(AutoRegressive eXogenous,ARX)。
训练ARX模型可采用最小二乘法训练,训练后的ARX(m,n,k)模型为:
X(t)+a1X(t-1)+...+anX(t-n)=b0N(t-k)+b1N(t-k-1)+...+bmN(t-k-m),其中X(t)是当前传感器节点读数,N(t)是外部输入序列即邻居节点的读数Xneighbor,k、m分别是外部输入的时延和数目,n决定了节点读数的自相关程度,k、m、n由训练ARX模型得到,目标是根据<X,Xneighbor>训练出的线性模型ARX(m,n,k)的均方误差最小。ARX模型中的系数定义为θ,θ=[a1,...,an,b0,b1,...,bm]T,由训练数据集<X,Xneighbor>及相应的m、n、k训练得到。
S103、对于每一对<X,Xneighbor>,通过线性模型和邻居节点测量值计算得到一个估计值并与自身测量值X(t)进行比较得到它们之间的残差:然后将所有eneighbor(t)作为正样本训练一类支持向量机模型。
S2、在传感器节点采集到待识别的测量值后,各节点分布式检验这些测量值是否符合之前训练得到的线性关系模型。
首先,通过线性模型估计传感器节点的测量值,并计算实际测量值与此估计值之间的残差,最后将残差输入一类支持向量机模型得到检验结果,即待识别的传感器节点测量值对是否符合两个传感器节点之间的模型关系,即确定传感器节点间连接边的状态,测量值符合线性模型时,连接边的状态为“0”,不符合时连接边的状态为“1”,并将该结果上报给基站。
S3、基站获得传感器节点上报的检测结果后,通过投票机制初始化每个节点状态,即若节点有一半或一半以上边的状态为“0”,则该节点初始状态为正确(状态为“0”),否则为错误(状态为“1”)。
S4、基站根据节点状态和检测结果进行迭代计算,从而确定每一个节点的测量值是否错误,如图3所示,包括:
S401、每个传感器节点引入变量临时状态概率localEvidence,localEvidence表示传感器节点对自身状态的信任度值。
传感器节点localEvidence初始值计算如下:
S402、迭代更新各节点状态。节点状态概率的迭代公式如下:
其中,i是传感器节点的状态值,取值为0或1;N为邻居节点数目,S(k)表示转移矩阵的行号,取值为第k个邻居的状态值(“0”表示正确,“1”表示错误),i在转移矩阵中为转移矩阵的列号。
每次迭代时取概率较大的状态i作为节点的新状态,如果有节点状态发生了改变,则重复此迭代过程,直至所有节点状态不再变化。
图4给出了一个本发明迭代过程的一个实例,图中传感器节点为灰色时,表示当前状态被判定为1;传感器节点为白色时,表示当前状态被判定为0。
在本实例中,待识别的传感器节点测量值中,假设传感器节点4、7、9的为错误测量值。在存在线性关系的相邻传感器节点之间连接一条边,传感器节点之间的线性关系网络如图4(a)所示。每条边所对应的状态(“0”表示符合即正确,“1”表示不符合即错误)表示测量值是否符合它们之间的线性关系模型。为了简化分析,在本实例中假设边是无向的,即测量值是否符合两个传感器节点之间的线性关系模型是对称的。其中,虽然传感器节点9出错但其依然符合与传感器节点6、10的线性关系模型,即传感器节点9与传感器节点6、10之间边的状态保持为“0”。根据多数投票原则,如果有一半及以上的连接边状态为“1”,则初始化该节点状态为错误“1”。图4(a)中,节点4、5、7、8、9初始状态被判断为错误。
图4(b)是第一次迭代的结果。相比于图4(a)中的初始状态,一些传感器节点的状态发生了改变。以传感器节点9为例,它的两条连接边状态为“0”,三条连接边状态为“1”,则localEvidence=[0.4 0.6]。
则传感器节点9状态为“0”的可能性p(state=0)=0.4*0.8*0.8*0.8*0.8*0.2=0.0328,处于状态为“1”的可能性p(state=1)=0.6*0.2*0.2*0.2*0.2*0.8=0.000768,可见p(state=0)>p(state=1),所以在这一次迭代中,传感器节点9的状态改变为“0”。同样,节点5和节点8状态也发生改变。
图4(c)为迭代稳定后的节点状态图。这一次迭代中,传感器节点9的状态又变为“1”了。这是因为根据图4(b)中的状态计算下一次迭代中传感器节点9的状态为“0”的可能性为p(state=0)=0.4*0.2*0.8*0.2*0.8*0.2=0.002,状态为“1”的可能性p(state=1)=0.6*0.8*0.2*0.8*0.2*0.8=0.0123,p(state=1)>p(state=0),所以将传感器节点9状态更新为“1”。图4(c)为稳定状态,即往后迭代再没有传感器节点的状态发生改变。
可见,本发明方法有效的识别出节点4、7、9的测量值为错误测量值。
Claims (4)
1.一种识别无线传感器网络中错误测量值的方法,其特征在于,包括以下几个步骤:
S1:利用无线传感器网络中相邻传感器节点的历史测量数据训练获得传感器节点之间的测量值线性模型;
S2:确定传感器节点之间的连接边的状态;
将无线传感器网络中各传感器节点的当前测量值代入S1获得的对应传感器节点测量值线性模型中,依据线性模型的输出结果,即传感器节点测量值是否符合对应传感器节点之间的线性模型,从而确定各相邻传感器节点之间的连接边的状态,若符合,则对应相邻传感器节点之间的连接边初始状态为0,否则,为1;
所述依据线性模型的输出结果,判断各传感器节点是否符合对应相邻传感器节点的线性模型时,采用支持向量机模型进行判断;
所述支持向量机模型利用S1获得的线性模型和传感器节点的相邻节点测量值计算对应传感器节点的估计值将估计值与自身测量值X(t)作差得到残差eneighbor(t),以所有的eneighbor(t)作为正样本训练得到的分类模型;
S3:依据连接边的状态,采用投票机制对各传感器节点的初始状态进行确定;
所述传感器节点的初始状态为0或1,其中,0表示传感器节点测量值正确,1表示传感器节点测量值错误;
所述S3中采用投票机制对各传感器节点的初始状态进行确定是指若传感器节点的相邻节点线性模型输出结果一半或一半以上的被判断为该传感器节点符合对应的线性模型,则判断该传感器节点的初始状态为0,否则为1;
S4:利用各相邻传感器节点之间连接边的状态以及各传感器节点的初始状态,对传感器节点的两种状态概率均进行迭代计算,每次迭代过程中以状态概率较大值对应的状态作为传感器节点的最新状态,如果迭代过程中有传感器节点状态发生了改变,则重复此迭代过程,直到所有传感器节点状态不再变化后,依据节点的最终状态识别传感器节点的当前测量值是否存在错误。
2.根据权利要求1所述的方法,其特征在于,所述S4中的每个传感器节点状态概率迭代计算公式为:
其中,p(state=i)表示在迭代过程中传感器节点状态state为i时的概率,i表示传感器节点状态,取值为0或1;localEvidence(i)表示传感器节点对自身状态的信任度值,
N表示传感器节点的邻居数目即连接边的数目,N′表示其中状态为0的连接边的数目;
probMat(S(k),i)2×2为传感器节点与第k个相邻节点之间的转移矩阵,S(k)表示当前传感器节点对应的第k个邻居节点的当前状态值;
当传感器节点与相邻节点之间的连接边状态为1时,转移矩阵
当传感器节点与相邻节点之间的连接边状态为0时,转移矩阵
其中,β为转移因子,取值为小于50%的正数。
3.根据权利要求1所述的方法,其特征在于,所述S1中获得的传感器节点之间的测量值线性模型为自回归各态经历ARX模型:A(q)X(t)=B(q)Xneighbor(t)+e(t);
其中,A(q)、B(q)是利用历史数据训练得到的系数,e(t)为白噪声;X表示某传感器节点的历史测量值数据,Xneighbor表示传感器节点某个相邻节点历史测量值数据。
4.根据权利要求3所述的方法,其特征在于,所述ARX模型采用最小二乘法训练获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510716880.7A CN105407496B (zh) | 2015-10-28 | 2015-10-28 | 一种识别无线传感器网络中错误测量值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510716880.7A CN105407496B (zh) | 2015-10-28 | 2015-10-28 | 一种识别无线传感器网络中错误测量值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105407496A CN105407496A (zh) | 2016-03-16 |
CN105407496B true CN105407496B (zh) | 2018-08-31 |
Family
ID=55472687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510716880.7A Active CN105407496B (zh) | 2015-10-28 | 2015-10-28 | 一种识别无线传感器网络中错误测量值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105407496B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809943B2 (en) * | 2020-07-09 | 2023-11-07 | MonoLets, Inc. | Wireless node network to assess and model a physical characteristic associated with an object or space |
US11816967B2 (en) | 2020-07-16 | 2023-11-14 | MonoLets, Inc. | Wireless node network for automatic serialization of objects |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151834B (zh) * | 2016-12-02 | 2020-11-20 | 重庆川然节能技术有限公司 | 一种用于工业炉、锅炉的传感器自检方法及*** |
CN111653104B (zh) * | 2020-07-13 | 2022-04-19 | 深圳华强技术有限公司 | 磁场基线自维护方法、装置、计算机设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969655A (zh) * | 2010-09-21 | 2011-02-09 | 浙江农林大学 | 基于单层线性网络预测的无线传感器网络数据验证方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9363626B2 (en) * | 2014-01-27 | 2016-06-07 | City University Of Hong Kong | Determining faulty nodes within a wireless sensor network |
-
2015
- 2015-10-28 CN CN201510716880.7A patent/CN105407496B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969655A (zh) * | 2010-09-21 | 2011-02-09 | 浙江农林大学 | 基于单层线性网络预测的无线传感器网络数据验证方法 |
Non-Patent Citations (1)
Title |
---|
On distributed fault-tolerant detection in wireless sensor networks;Xuanwen Luo等;《IEEE TRANSACTIONS ON COMPUTERS》;20060131;第58-69页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11809943B2 (en) * | 2020-07-09 | 2023-11-07 | MonoLets, Inc. | Wireless node network to assess and model a physical characteristic associated with an object or space |
US11816967B2 (en) | 2020-07-16 | 2023-11-14 | MonoLets, Inc. | Wireless node network for automatic serialization of objects |
Also Published As
Publication number | Publication date |
---|---|
CN105407496A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
US9282429B2 (en) | Scalable real-time location detection based on overlapping neural networks | |
CN106338706B (zh) | 一种电能计量装置整体误差检测的方法、装置和*** | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN105813020A (zh) | 一种自适应环境的rssi校正的无线传感器网络定位算法 | |
CN106662472B (zh) | 偏差估计装置和方法以及故障诊断装置和方法 | |
CN108985373B (zh) | 一种多传感器数据加权融合方法 | |
CN103458504B (zh) | 一种基于序列的传感器节点定位方法及装置 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN104221475A (zh) | 用于照明控制的光传感器的故障检测、定位及性能监控 | |
CN114089262B (zh) | 一种小电量智能电能表智能误差分析模型构建方法 | |
CN111998918A (zh) | 一种误差校正方法、误差校正装置及流量传感*** | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN111524394A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及*** | |
CN104537581B (zh) | 采用模糊相似度匹配的电压暂降源在线定位方法 | |
CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
CN111999691B (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
CN117216703A (zh) | 一种输水管网运行数据异常检测及校正方法 | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN106028385B (zh) | 一种移动物联网***故障测定方法 | |
Cho et al. | Robust calibration for localization in clustered wireless sensor networks | |
Górak et al. | Malfunction immune Wi–Fi localisation method | |
CN108834043A (zh) | 基于先验知识的压缩感知多目标无源定位方法 | |
CN103517411B (zh) | 一种无线传感器网络节点定位方法及装置 | |
Farruggia et al. | A novel approach for faulty sensor detection and data correction in wireless sensor network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |