论文部分内容阅读
无线传感器网络(Wiress Sensor Networks,WSNs)是由密集分布的传感器节点组成,节点通过周期性的感知周围环境信息,将采集的数据上传以达到环境监测的目的。WSNs中距离相近节点采集的数据具有空间相关性,同一节点采集的数据在连续周期具有时间相关性,这两种相关性使得节点感知数据存在很大的冗余。考虑到传感器节点能量有限且不能补充、存储空间小以及网络通信带宽有限等特点,对节点感知的冗余数据进行数据融合(Data Aggregation)再传输,可以有效降低节点信息传输量,节省节点能量,延长网络的生命周期,同时提高通信带宽的利用率。针对现有的基于预测的数据融合算法融合精度不高的问题,本文提出了一种基于NARX神经网络的分簇数据融合(Based on NARX neural network of Clustered Data Aggregation Algorithm,N-CDAA)算法。该算法充分考虑了WSNs中节点采集数据的空间和时间相关性,通过引入节点剩余能量和簇内最小平均可达功率两个分簇指标,采用矢量量化(Vector Quantization,VQ)算法选择代表节点作为簇头进行分簇,以均衡网内节点能量消耗;同时采用NARX神经网络提高簇内节点数据预测的准确性,进一步降低节点数据的通信量。仿真结果表明N-CDAA算法拥有更高的数据融合度,能有效降低节点传送的数据量,节省网内节点的能量,延长网络生命周期。本文针对在数据融合过程中节点异常数据的判断问题,采用基于奇异值分解(Singular Value Decomposition,SVD)的异常检测算法SVD-CI(Based on Singular Value Decomposition of Confidence Interval)。该算法在分层的WSNs中,对具有空间相关特性的节点数据进行奇异值分解降维,消除冗余数据,根据数据时间相关的特性,利用时间序列构建置信区间,以此来检测异常数据。仿真结果表明SVD-CI具有更高的异常数据检测率和较低的误报率,在一定程度上节约了簇头节点能量。