CN105722129A - 一种基于fsax-markov模型的无线传感网事件检测方法及*** - Google Patents

Abstract

本发明公开了一种基于FSAX?MARKOV模型的无线传感网事件检测方法及***，该方法包括以下步骤：S1、采集原始监测数据据构成时间序列作为训练样本序列；S2、根据训练样本序列计算FSAX符号序列转移概率矩阵；S3、训练阶段：计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；S4、检测阶段：计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；S5、根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测。本发明具有较高的事件检测精度和较低的误报率；能够准确地发现序列中的异常区间，提高无线传感网检测异常事件的及时性和可靠性，大幅度节省无线传感网能量和通信带宽。

Description

一种基于FSAX-MARKOV模型的无线传感网事件检测方法及 ***

技术领域

本发明涉及物联网技术领域，尤其涉及一种基于FSAX-MARKOV模型的无线传感网事件检测方法及***。

背景技术

无线传感网(Wireless Sensor Networks，简称WSN)是未来网络发展的主流形式，并已成为本世纪一个新科学研究领域。在基础理论和工程技术两个层面提出了许多急需解决的问题。无线传感网成本低廉、低功耗、大规模自组网；传感器节点体积小巧、电池供电、部署灵活；以及能够适应监测人力难以到达的恶劣环境；这些特点使得无线传感网极大地提升了灾害预防的监控能力。为了及时监测各种可能发生的突发事件(如山体滑坡、大气污染、森林火灾等)，必须关注传感器节点采集到的异常测量值。因此，实时准确地检出异常数据，并预警特定事件，具有十分重要的意义。

无线传感网的异常事件检测技术概括起来主要分为两类：1)点异常检测方法。点异常即如果传感数据超过设置的某个阈值，则认为事件发生。这种方法只适合小规模、短期的单一事件监测任务。2)模式异常检测方法。在一些长期渐变环境监测中，突发性的复杂事件往往很难由指定属性阈值的超限进行报警，不能用简单的阈值来描述，但可以看做一种模式(事件模式)，因可采用模式识别技术进行异常检测。目前，大部分模式异常检测方法都是在原始采集数据空间上进行，即不对传感器节点采集的数据进行任何变换，虽然这种方法的有一定检测精度。但方法计算量大、容错性差，节能效果有限。能否在经过压缩处理后的数据空间上进行异常检测？并且，无线传感网中异常事件检测技术还要面临两个主要挑战：1)检测精度。由于受环境噪声和网络中各种故障的影响，传感器节点经常给出错误的监测值，这势必会影响到异常事件检测的可靠性。因此，检测方法必须具有容错性。2)能量有效性。传感器节点具有非常有限的能量储备，无线传感网事件监测的网络生命期取决于节点能耗，因而检测方法必须具有节能性。

大规模长期部署无线传感网中成千上万的传感器节点产生海量的高维时序数据，这些数据中包含了大量的冗余并隐藏了重要关系的相关性，若在这些原始数据空间上直接进行异常检测，其能量和通讯带宽的巨大开销将会缩短网络生命周期，甚至使无线传感网不能够完成监测任务。因此，在数据被传送到网关之前进行压缩(或降维)是非常必要的。在事件监测型WSN应用***中，从网络的监测数据中快速识别异常事件是其首要目标，其重要性甚至超过监测数据本身。通过数据压缩方法挖掘节点之间的时空相关性，最大限度的消除数据之间的冗余度，在保证大幅度降低数据传输量的同时，仍然能够保持高精度的事件监测性能，并从海量流数据中抽取出潜在的有用信息、模式和趋势。

发明内容

本发明要解决的技术问题在于针对现有技术中检测精度不高，且能耗大的缺陷，提供一种保证大幅度降低数据传输量的同时，仍然能够保持高精度的事件监测性能的基于FSAX-MARKOV模型的无线传感网事件检测方法及***。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于FSAX-MARKOV模型的无线传感网事件检测方法，包括以下步骤：

S1、采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

S2、对训练样本序列X进行归一化处理得到序列Y∈Rⁿ，对归一化序列Y进行压缩降维得到压缩序列计算压缩序列中各时序子段的方差，将各时序子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；

S3、训练阶段：根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；

S4、检测阶段：计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

S5、根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序列转移概率低于δ_th，则判定监测区域有异常事件发生。

进一步地，本发明的步骤S2中无线传感网节点采集原始监测数据构成时间序列X＝{x₁,x₂,…,x_n}作为训练样本序列，对训练样本序列X进行归一化处理得到序列Y＝{y₁,y₂…,y_i,…y_n}的计算公式为：

$y_i=\frac{x_i-\mathrm{\μ}}{\mathrm{\σ}}$

其中，μ为序列X的均值，σ为序列X的标准差。

进一步地，本发明的步骤S2中对归一化序列进行压缩的具体方法为：

对归一化序列Y∈Rⁿ进行压缩降维得到m维的压缩序列 且m＜＜n，的计算公式为：

${\stackrel{\‾}{c}}_i=\frac{m}{n}\underset{j=\frac{n}{m}(i-1)+1}{\overset{\frac{n}{m}i}{\Σ}}{y}_j$

其中，表示归一化序列Y的第i个时序子段均值，通过各时序子段内数据的均值来代表该子段的数据，从而实现数据压缩以剔除原始序列中冗余信息和平滑噪声。

进一步地，本发明的步骤S2中计算压缩序列中各时序子段方差的公式为：

${\mathrm{\σ}}_i=\frac{m}{n}\underset{k=1}{\overset{\frac{n}{m}}{\Σ}}(y_{i_k}-{\stackrel{\‾}{c}}_i)$

其中，表示归一化序列Y的第i个时序子段均值。

进一步地，本发明的步骤S2中对均值和方差进行符号化的方法具体为：

将压缩序列中各时序子段的均值和方差符号化，根据字符集Σ所对应的正态分布等概率区间划分点的查找表，每个时序子段将化成有二分量的符号矢量，获得FSAX符号序列来表示无线传感网节点采集原始监测数据。

进一步地，本发明的步骤S2中计算符号序列转移概率矩阵公式为：

Ω＝(τ(S_M,γ))

其中，τ(S_M,γ)为转移概率，表示在符号模式S_M之后出现符号γ的概率，τ(S_M,γ)的计算公式为：τ(S_M,γ)＝P(S_i+1＝γ|S_(i-M+1,i)＝S_M)；

其中，S_i表示符号序列S_M中的第i个符号。

进一步地，本发明的步骤S3中计算序列转移概率的方法具体为：

获得训练阶段的FSAX符号序列的正常转移概率阈值δ_th,设FSAX符号序列定义其M阶马尔科夫链的模式转移概率为：

$P\left(S\right)=P\left(S_M\right)\underset{i=1}{\overset{k}{\Π}}\left(\mathrm{\τ}\right(S_{(i,i=M-1)},S_{i+M}\left)\right)$

其中，P(S_M)表示模式S_M的初始概率。

本发明提供一种基于FSAX-MARKOV模型的无线传感网事件检测***，包括：

样本采集单元，用于采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

数据计算单元，用于对训练样本序列X进行归一化处理得到序列Y∈Rⁿ，对归一化序列Y进行压缩降维得到压缩序列计算压缩序列中各时序子段的方差，将各时序子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；

训练单元，用于根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；

检测单元，用于计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

异常事件判定单元，用于根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序列转移概率低于δ_th，则判定监测区域有异常事件发生。

本发明产生的有益效果是：本发明的基于FSAX-MARKOV模型的无线传感网事件检测方法，通过训练阶段建立符号序列转移概率矩阵，确定符号序列正常转移概率阈值，检测阶段计算当前滑动窗口内符号序列的转移概率，并对检测结果作出判定；该方法具有较高的事件检测精度和较低的误报率；能够准确地发现序列中的异常区间，提高无线传感网检测异常事件的及时性和可靠性，大幅度节省无线传感网能量和通信带宽，能够提高无线传感网节点搜索效率和定位异常数据的能力。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法的流程图；

图2是发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法的序列符号化的正态分布等概率区间划分；

图3是发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法的正常数据序列X₁(t)；

图4是发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法的异常数据序列X₃(t)；

图5是发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法的正常数据序列Y₁(t)；

图6是发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法的异常数据序列Y₂(t)；

图7是发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测***的结构框图；

图中，701-样本采集单元，702-数据计算单元，703-训练单元，704-检测单元，705-异常事件判定单元。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法，包括以下步骤：

S1、采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

S2、对训练样本序列X进行归一化处理得到序列Y∈Rⁿ，对归一化序列Y进行压缩降维得到压缩序列计算压缩序列中各时序子段的方差，将各时序子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；

S3、训练阶段：根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；

S4、检测阶段：计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

S5、根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序列转移概率低于δ_th，则判定监测区域有异常事件发生。

无线传感网节点在n个周期内采集原始监测数据构成时间序列X＝{x₁,x₂,…,x_n}作为训练样本序列，对训练样本序列X进行归一化处理得到序列Y＝{y₁,y₂…,y_i,…y_n}的计算公式为：

$y_i=\frac{x_i-\mathrm{\μ}}{\mathrm{\σ}}---\left(1\right)$

其中，μ为序列X的均值，σ为序列X的标准差。

对归一化序列Y∈Rⁿ进行压缩降维得到m维的压缩序列 $\stackrel{\‾}{C}=\{{\stackrel{\‾}{c}}_1,{\stackrel{\‾}{c}}_2...,{\stackrel{\‾}{c}}_i,...,{\stackrel{\‾}{c}}_m\}$ 且m＜＜n，其中为：

${\stackrel{\‾}{c}}_i=\frac{m}{n}\underset{j=\frac{n}{m}(i-1)+1}{\overset{\frac{n}{m}j}{\Σ}}{y}_j---\left(2\right)$

其中，表示归一化序列Y的第i个时序子段均值，通过各时序子段内数据的均值来代表该子段的数据，从而实现数据压缩以剔除原始序列中冗余信息和平滑噪声。

计算压缩序列中各时序子段方差σ_i的公式为：

${\mathrm{\σ}}_i=\frac{m}{n}\underset{k=1}{\overset{\frac{n}{m}}{\Σ}}(y_{i_k}-{\stackrel{\‾}{c}}_i)---\left(3\right)$

将压缩序列中各时序子段的均值和方差符号化，根据字符集Σ所对应的正态分布等概率区间划分点的查找表，FSAX符号化方法将序列子段的均值和方差分别作为描述其均值及分散程度。即在进行数据符号化时，每个时序子段将化成一个有二个分量的符号矢量获得FSAX符号序列S_M来表示无线传感网节点采集原始监测数据构成时间序列。

原始数据序列X经过分段常数近似技术进行降维的预处理后，若字符集大小为M则需要有M-1个划分点。划分点集B为：

B＝β₁,β₂,…,β_M-1 (4)

如表1所示，给出了字符集Σ(N_α＝3～10)所对应的正态分布等概率区间划分点，设F(x)为标准正态分布函数，划分点β需满足以下性质：

$\begin{array}{cc}F\left({\mathrm{\β}}_{i+1}\right)-F\left({\mathrm{\β}}_i\right)=\frac{1}{M}& F\left({\mathrm{\β}}_1\right)=\frac{1}{M}\end{array}---\left(5\right)$

表1字符集Σ所对应的划分点查找表

B	3	4	5	6	7	8	9	10
									β1	-0.43	-0.67	-0.84	-0.97	-1.07	-1.15	-1.22	-1.28
β2	0.43	0	-0.25	-0.43	-0.57	-0.67	-0.76	-0.84
									β3		0.67	0.25	0	-0.18	-0.32	-0.43	-0.52
β4			0.84	0.43	0.18	0	-0.14	-0.25
									β5				0.97	0.57	0.32	0.14	0
β6					1.07	0.67	0.43	0.25
									β7						1.15	0.76	0.52
β8							1.22	0.84
									β9								1.28

如图2所示，给出了符号数M＝3，有2个划分点β₁＝-0.43,β₂＝0.43示意图。划分点确定后，各分段区间将对应唯一一个字符，落入各分段区间的分量c_i和σ_i将被相应的字符和代替，从而转换为FSAX符号序列。

设符号集为Σ＝{α₁,α₂,...,α_M}，其中符号按升序排列(例如a、b、c...)，FSAX符号序列为则一个FSAX符号矢量转换公式如下：

若β_j-1≤c_i＜β_j (6)

若β_j-1≤σ_i＜β_j

设有两个FSAX符号矢量和定义FSAX符号矢量之间的距离测度为：

其中，距离测度的计算根据表1划分点查找表，以及FSAX符号化的字符集Σ的大小来确定。例如设字符集Σ＝{a,b,c,d}，根据表1划分点查找表有dist(a,b)＝0，dist(a,d)＝1.34，则有

进一步,定义两个长度为l的FSAX符号序列S¹和S²之间的距离测度为：

将无线传感网节点采集数据序列转换为FSAX符号序列后，以符号序列代替原始序列进行异常检测。FSAX符号序列中各种符号组合作为一个事件模式，符号之间转移反应了原始监测值的变化规律；不同符号组合对应数据的不同变化趋势，因此，出现频度高的符号组合称为正常模式，反之，出现频度低的符号组合称为异常模式。

设FSAX符号序列其符号个数为M,定义符号序列S_M的M阶马尔科夫链转移概率矩阵为：

Ω＝(τ(S_M,γ)) (9)

其中，τ(S_M,γ)为转移概率表示在符号模式S_M之后出现符号γ概率，即有：

τ(S_M,γ)＝P(S_i+1＝γ|S_(i-M+1,i)＝S_M) (10)

其中，S_i表示符号序列S_M中的第i个符号。

接着，定义其M阶马尔科夫链的模式转移概率为：

$P\left(S\right)=P\left(S_M\right)\underset{i=1}{\overset{k}{\Π}}\left(\mathrm{\τ}\right(S_{(i,i=M-1)},S_{i+M}\left)\right)---\left(11\right)$

其中，P(S_M)表示模式S_M的初始概率。

在无线传感网事件监测应用中，虽然异常事件模式未知，但是被测对象的各种被认为正常的状况却可以相对容易的用模式来描述。此类应用中监测事件的策略是首先找出各种正常模式，如果被检测模式与各个正常模式不能匹配,则判断有异常事件发生。因此，采用节点在无事件发生时的符号序列作为训练样本，来获取符号序列正常模式的概率转移阈值,节点利用δ_th检测是否有异常事件发生。

根据以上相关定义，本发明提出一种基于FSAX-MARKOV模型的无线传感网事件检测方法。该方法利用监测值的时间冗余性，通过FSAX符号化方法将监测值压缩表示为符号序列，并在符号空间上进行异常事件检测。通过训练学习获得马尔科夫转移概率模型和正常模式概率转移阈值。该方法包括学习和检测两个阶段，学习阶段建立符号序列转移概率矩阵，确定符号序列的正常转移概率阈值δ_th；检测阶段计算当前滑动窗口内符号序列的转移概率，并对检测结果作出判定。在本发明的另一个实施例中，该方法实现的步骤为：

步骤一：无线传感网节点采集原始监测数据构成时间序列X作为训练样本序列；设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

步骤二：对训练样本序列X进行归一化处理得到序列Y∈Rⁿ；

步骤三：对归一化序列Y进行压缩降维得到压缩序列

步骤四：计算压缩序列中各时序子段的方差；

步骤五：将压缩序列中各时序子段的均值和方差符号化，获得FSAX符号序列；

步骤六：计算FSAX符号序列转移概率矩阵；

步骤七：计算FSAX符号序列转移概率，确定FSAX符号序列的正常转移概率阈值δ_th；

步骤八：检测阶段计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

步骤九：无线传感网根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测。

为了评价本发明的性能，实验中采用两种公开的数据集Ma_Data和Keogh_Data。实验中基本参数包括传感器节点检测窗口大小W、符号序列长度k、符号集大小N_α、以及信号的信噪比SNR。其他参数包括数据压缩比η、MARKOV阶数M。其中压缩比η＝1-k/n。压缩比η与MARKOV阶数M可根据具体的实际应用情况设置。

采用多次仿真实验的统计平均事件检出率EDR和事件误报率FRR作为衡量方法检测异常的性能指标。并且考察检测窗口大小n、符号集大小N_α以及信噪比SNR对方法EDR及FRR的影响，检验方法的检测精度、抗噪能力和鲁棒性。事件检出率EDR定义为有事件发生时，节点检测出事件的次数占事件发生总次数的比例。事件误报率FRR定义为无事件发生时，节点检测出事件的次数占节点检测事件总次数的比例。

1)Ma_Data数据集

Ma_Data数据集由以下过程产生：

$X_1\left(t\right)=sin\left(\frac{40\mathrm{\π}}{n}t\right)+n\left(t\right)$

$X_2\left(t\right)=sin\left(\frac{40\mathrm{\π}}{n}t\right)+n\left(t\right)+e_1\left(t\right)$

$X_3\left(t\right)=\sin \left(\frac{40\mathrm{\π}}{n}t\right)+n\left(t\right)+e_1\left(t\right)+e_2\left(t\right)$

其中，t＝1,2,…,n,n＝1200，n(t)是均值为0，标准差为0.1加性高斯噪声，e₁(t)、e₂(t)是两个异常事件，e₁(t))定义如下：

n₁(t)符合正态分布N(0,0.5)，e₂(t)定义如下：

由以上定义可知，数据序列X₁(t)是周期为60的正常序列，如图3所示，给出了X₁(t)波形图；X₂(t)是在X₁(t)中添加了异常e₁(t)，X₃(t)是在X₂(t)中添加了异常e₂(t)，在区间[600,620]、[820,870]改变了序列的性质，这两个区间存在异常事件，如图4所示，给出了X₃(t)波形图，方框区域内表示异常区间。

2)Keogh_Data数据集

Keogh_Data数据集由以下过程产生：

$Y_1\left(t\right)=\sin \left(\frac{50\mathrm{\π}}{n}t\right)+n\left(t\right)$

$Y_2\left(t\right)=sin\left(\frac{50\mathrm{\π}}{n}t\right)+n\left(t\right)+e_3\left(t\right)$

其中，t＝1,2,…,n,n＝800，n(t)是均值为0，标准差为0.1加性高斯噪声，定义异常事件e₃(t)为：

由以上定义可知，数据序列Y₁(t)是一条周期为32的正常序列，如图5所示，给出了Y₁(t)波形图；Y₂(t)是在Y₁(t)中添加了异常事件e₃(t)，在区间[400,432]改变了序列的性质，如图6所示，给出了Y₁(t)波形图，红色方框区域内表示异常区间。

实验1:设SNR＝18dB，改变W及N_α的取值，其中W＝30、50、70、90，N_α＝3～10。分别在两种数据集上测试方法的EDR和FRR，实验结果如表2、表3、表4和表5所示。

表2序列X₃(t)中异常事件e₁(t)的EDR

表3序列X₃(t)中异常事件e₂(t)的EDR

从表2和表3中可看出，本方法检测序列X₃(t)中e₁(t)和e₂(t)的EDR具有随符号集Nα增大而增加的趋势，并且检测窗口W对EDR也有一定的影响；当N_α＝5～10时，e₁(t)和e₂(t)具有较高的EDR，例如当W＝90，N_α＝7时，e₁(t)和e₂(t)的EDR可达90％以上。

表4序列X₃(t)中异常事件的FRR

表5序列Y₂(t)中异常事件的FRR

从表4和表5中可看出，当N_α增大时，本方法检测序列X₃(t)、Y₂(t)上的FRR略微增加。但从整体来说，在序列X₃(t)、Y₂(t)上依然具有比较低的FRR，即使在W＝50、N_α＝10时，序列X₃(t)的FRR也不到3％。在W＝90、Nα＝6时，序列Y₂(t)的FRR也只有0.45％。

实验2：设N_α＝7，改变W及SNR的取值，W＝30、50、70、90，SNR＝6dB～42dB，取值以6dB步进，分别在Ma_Data和Keogh_Data上测试方法的EDR和FRR，并比较其变化趋势，实验结果如表6至表10所示。

表6序列X₃(t)中异常事件e₁(t)的EDR

表7序列X₃(t)中异常事件e₂(t)的EDR

表8序列Y₂(t)中异常事件e₃(t)的EDR

表9序列X₃(t)中异常事件的FRR序列

表10序列Y₂(t)中异常事件的FRR序列

从表6至表8中可看出，本方法对e₁(t)、e₂(t)、e₃(t)的EDR随着信噪比SNR的降低而减小。当SNR≥18dB时，e₁(t)的EDR≥70％，e₂(t)的EDR≥80％，能够有效地识别异常事件e₁(t)、e₂(t)；对异常事件e₃(t)而言，当SNR≥12dB时，e₃(t)的EDR≥80％，本方法具有较高的EDR，当SNR<12dB时，对e₁(t)、e₂(t)、e₃(t)的检出率都将下降。

从表9和表10中可看出，本方法在序列X₃(t)、Y₂(t)上的FRR随着信噪比SNR的降低而增大，最大的FRR也不到0.6％。监测过程中各种噪声会干扰数据变化规律，导致正常符号模式可能被识别为异常模式，或者异常符号模式被识别为正常模式。当信噪比较大时，噪声对监测值影响较小，方法能够有效区分噪声和事件引起的异常波动，因此具有较高的EDR和较低的FRR。而当信噪比SNR降低时，导致方法无法有效区分噪声和事件引起的异常数据波动，方法的事件检出率降低，误报率会上升。综合实验整体情况，方法在一定条件下仍然具有较高的事件检出率和极低的事件误报率，具有良好的抗噪特性。

综上所述，本发明的方法利用FSAX方法将传感器节点采集的原始监测数据表示为符号序列，在压缩符号序列空间上，利用马尔科夫模型建立FSAX的符号转移概率矩阵，同时，利用无监督学习方法获得节点的符号序列异常概率阈值。实验结果表明方法具有较高的事件检测率和较低的误报率，极大地降低了节点压缩提取与识别异常信息的能耗，更优的折中能量和监测质量。因此，本发明能够适应异常检测中不同性质的事件，为无线传感网预警技术提供了一种轻量级方法。

如图7所示，本发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测***，用于实现本发明实施例的基于FSAX-MARKOV模型的无线传感网事件检测方法，包括：

样本采集单元701，用于采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

数据计算单元702，用于对训练样本序列X进行归一化处理得到序列Y∈Rⁿ，对归一化序列Y进行压缩降维得到压缩序列计算压缩序列C中各时序子段的方差，将各时序子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；

训练单元703，用于根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；

检测单元704，用于计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

异常事件判定单元705，用于根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序列转移概率低于δ_th，则判定监测区域有异常事件发生。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，包括以下步骤：

S1、采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

S2、对训练样本序列X进行归一化处理得到序列Y∈Rⁿ，对归一化序列Y进行压缩降维得到压缩序列计算压缩序列中各时序子段的方差，将各时序子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；

S3、训练阶段：根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；

S4、检测阶段：计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

S5、根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序列转移概率低于δ_th，则判定监测区域有异常事件发生。

2.根据权利要求1所述的基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，步骤S2中无线传感网节点采集原始监测数据构成时间序列X＝{x₁,x₂,…,x_n}作为训练样本序列，对训练样本序列X进行归一化处理得到序列Y＝{y₁,y₂…,y_i,…y_n}的计算公式为：

$y_i=\frac{x_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}$

其中，μ为序列X的均值，σ为序列X的标准差。

3.根据权利要求2所述的基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，步骤S2中对归一化序列进行压缩的具体方法为：

对归一化序列Y∈Rⁿ进行压缩降维得到m维的压缩序列 $\stackrel{\&OverBar;}{C}=\{{\stackrel{\&OverBar;}{c}}_1,{\stackrel{\&OverBar;}{c}}_2...,{\stackrel{\&OverBar;}{c}}_i,...,{\stackrel{\&OverBar;}{c}}_m\},$ 且m＜＜n，的计算公式为：

${\stackrel{\&OverBar;}{c}}_i=\frac{m}{n}\underset{j=\frac{n}{m}(i-1)+1}{\overset{\frac{n}{m}i}{\&Sigma;}}{y}_j$

其中，表示归一化序列Y的第i个时序子段均值，通过各时序子段内数据的均值来代表该子段的数据，从而实现数据压缩以剔除原始序列中冗余信息和平滑噪声。

4.根据权利要求3所述的基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，步骤S2中计算压缩序列中各时序子段方差的公式为：

${\mathrm{\&sigma;}}_i=\frac{m}{n}\underset{k=1}{\overset{\frac{n}{m}}{\&Sigma;}}(y_{i_k}-{\stackrel{\&OverBar;}{c}}_i)$

其中，表示归一化序列Y的第i个时序子段均值。

5.根据权利要求1所述的基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，步骤S2中对均值和方差进行符号化的方法具体为：

将压缩序列中各时序子段的均值和方差符号化，根据字符集∑所对应的正态分布等概率区间划分点的查找表，每个时序子段将化成有二分量的符号矢量，获得FSAX符号序列来表示无线传感网节点采集原始监测数据。

6.根据权利要求1所述的基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，步骤S2中计算符号序列转移概率矩阵公式为：

Ω＝(τ(S_M,γ))

其中，τ(S_M,γ)为转移概率，表示在符号模式S_M之后出现符号γ的概率，τ(S_M,γ)的计算公式为：τ(S_M,γ)＝P(S_i+1＝γ|S_(i-M+1,i)＝S_M)；

其中，S_i表示符号序列S_M中的第i个符号。

7.根据权利要求1所述的基于FSAX-MARKOV模型的无线传感网事件检测方法，其特征在于，步骤S3中计算序列转移概率的方法具体为：

获得训练阶段的FSAX符号序列的正常转移概率阈值δ_th,设FSAX符号序列定义其M阶马尔科夫链的模式转移概率为：

$P\left(S\right)=P\left(S_M\right)\underset{i=1}{\overset{k}{\&Pi;}}\left(\mathrm{\&tau;}\right(S_{(i,i=M-1)},S_{i+M}\left)\right)$

其中，P(S_M)表示模式S_M的初始概率。

8.一种基于FSAX-MARKOV模型的无线传感网事件检测***，其特征在于，包括：

样本采集单元，用于采集原始监测数据据构成时间序列X作为训练样本序列，并设置检测窗口长度、FSAX符号序列长度、符号集及其大小；

数据计算单元，用于对训练样本序列X进行归一化处理得到序列Y∈Rⁿ，对归一化序列Y进行压缩降维得到压缩序列计算压缩序列中各时序子段的方差，将各时序子段的均值和方差符号化，获得FSAX符号序列，并计算FSAX符号序列转移概率矩阵；

训练单元，用于根据得到的FSAX符号序列转移概率矩阵计算FSAX符号序列转移概率，并确定FSAX符号序列的正常转移概率阈值δ_th；

检测单元，用于计算当前滑动窗口内监测数据的FSAX符号序列转移概率δ；

异常事件判定单元，用于根据δ_th和δ对当前滑动窗口内监测数据进行异常事件检测，若某个FSAX符号序列转移概率低于δ_th，则判定监测区域有异常事件发生。