基于隱馬爾可夫模型的智能化無線傳感監(jiān)控平臺(tái)研究

張澤宇

摘要：隨著無線傳感器監(jiān)控網(wǎng)絡(luò)系統(tǒng)的廣泛使用，作為監(jiān)控系統(tǒng)重要組成部分，后臺(tái)監(jiān)控軟件單純地作為可視化工具已經(jīng)不能滿足使用需求。“智能化”成為了后臺(tái)監(jiān)控軟件所要滿足的重要需求，針對(duì)這一需求，本文設(shè)計(jì)并實(shí)現(xiàn)了采用“層次化”預(yù)警機(jī)制的后臺(tái)監(jiān)控軟件；并結(jié)合機(jī)器學(xué)習(xí)模型，設(shè)計(jì)了基于隱馬爾可夫預(yù)測(cè)模型（HMM）的監(jiān)控?cái)?shù)據(jù)預(yù)測(cè)方法。為了驗(yàn)證本文所設(shè)計(jì)的預(yù)測(cè)方法的準(zhǔn)確性，結(jié)合從柑橘種植園中采集到的真實(shí)的監(jiān)控?cái)?shù)據(jù)，與其他幾種流行的機(jī)器學(xué)習(xí)預(yù)測(cè)模型進(jìn)行了一系列的對(duì)比。對(duì)比試驗(yàn)的結(jié)果表明，通過本文所設(shè)計(jì)的預(yù)測(cè)方法，能夠?qū)崿F(xiàn)對(duì)監(jiān)控?cái)?shù)據(jù)在短期過程與長(zhǎng)期過程中的可靠預(yù)測(cè)，從而改善了后臺(tái)監(jiān)控軟件的智能化水平。

關(guān)鍵詞：無線傳感器網(wǎng)絡(luò)；監(jiān)控平臺(tái)；智能化；隱馬爾可夫模型

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）09-0205-05

Abstract： Sensor Network-Based monitor systems are widely applied in multiple areas currently. Background monitor software， which is definitely an important part of monitor system， is no longer a simple tool for visualization.Intelligent becomes a primary demand that background monitor softwares need to meet.To satisfy this demand， this paper designs and implements a background monitor software firstly， in which a hierarchical alarming method involved. Then a prediction solution of monitor data based on Hidden Markov Model （HMM） is introduced.For justifying the performance of the proposed prediction solution， a series of contrast experiments between the proposed solution and other machine learning modelsare conducted. The contrast results show that thepredictionperformance of proposed prediction solution is better than the other models， no matter in short term prediction or long term prediction， which means the intelligence of background software is effectively improved.

Key words： wireless sensor network； monitor platform； intelligent； hidden markov model

無線傳感監(jiān)控網(wǎng)絡(luò)具有大規(guī)模部署、網(wǎng)絡(luò)結(jié)構(gòu)自組織、采集數(shù)據(jù)精確度高等多種優(yōu)良特性，因而在眾多生產(chǎn)領(lǐng)域里得到了推廣。在完整的無線傳感器監(jiān)控網(wǎng)絡(luò)系統(tǒng)中，后臺(tái)軟件直接面向用戶進(jìn)行監(jiān)控?cái)?shù)據(jù)的呈現(xiàn)，并承擔(dān)數(shù)據(jù)分類、異常數(shù)據(jù)預(yù)警等重要功能，進(jìn)而在監(jiān)控系統(tǒng)中占據(jù)重要的地位。而隨著監(jiān)控應(yīng)用場(chǎng)景的多樣化和監(jiān)控環(huán)境復(fù)雜度的增加，對(duì)后臺(tái)監(jiān)控軟件的功能要求也日益提高，其中，提高后臺(tái)軟件的“智能化”水平便是最為迫切的要求之一。同時(shí)，由于無線傳感器網(wǎng)絡(luò)的部署環(huán)境日趨復(fù)雜，且存在眾多的干擾因素，而后臺(tái)軟件智能化的實(shí)現(xiàn)依賴于采集到的監(jiān)控?cái)?shù)據(jù)的精確性[1-2]。通過對(duì)未知的監(jiān)控?cái)?shù)據(jù)進(jìn)行預(yù)測(cè)，既彌補(bǔ)了監(jiān)控?cái)?shù)據(jù)精確性的缺失，又能夠幫助后臺(tái)軟件快速發(fā)現(xiàn)問題，做到防患于未然[3-4]。因此，實(shí)現(xiàn)監(jiān)控?cái)?shù)據(jù)的預(yù)測(cè)對(duì)于實(shí)現(xiàn)后臺(tái)監(jiān)控軟件的智能化有著重要意義。

監(jiān)控?cái)?shù)據(jù)具有的隨機(jī)性和時(shí)序性特點(diǎn)，使得一個(gè)監(jiān)控?cái)?shù)據(jù)序列可以被描述為一個(gè)隨機(jī)過程[1]，于是可以采用針對(duì)隨機(jī)過程的研究方法實(shí)現(xiàn)對(duì)監(jiān)控?cái)?shù)據(jù)的預(yù)測(cè)。馬爾可夫模型（Markov Model， MM）及隱馬爾可夫模型（Hidden Markov Model， HMM）作為目前流行的機(jī)器學(xué)習(xí)模型，在針對(duì)隨機(jī)過程預(yù)測(cè)的研究中展現(xiàn)出了良好的性能，因而受到國(guó)內(nèi)外研究的廣泛重視。HMM是序列數(shù)據(jù)處理和統(tǒng)計(jì)學(xué)習(xí)的一種重要的概率模型，具有建模簡(jiǎn)單，物理意義明確等優(yōu)點(diǎn)，廣泛應(yīng)用于人臉識(shí)別、語言識(shí)別領(lǐng)域，故障診斷等研究中。MM 模型最早應(yīng)用在語音識(shí)別領(lǐng)域，隨后應(yīng)用越加廣泛如[5]。由于隱馬爾科夫模型在語音識(shí)別應(yīng)用的成功，Schaller等[5]將HMM運(yùn)用到金融市場(chǎng)收益的波動(dòng)性分析，Chauvet等[6]用 HMM 隱狀態(tài)的轉(zhuǎn)換去刻畫經(jīng)濟(jì)周期之間的特征轉(zhuǎn)換。而且國(guó)內(nèi)已有不少學(xué)者探討了 HMM 模型預(yù)測(cè)股價(jià)或指數(shù)的相關(guān)理論[7]。吳漫君[8]用 HMM 模型預(yù)測(cè)股價(jià)走勢(shì)時(shí)，分別使用了離散和連續(xù) HMM 模型分析，證實(shí)了對(duì)于同樣的數(shù)據(jù)，雖然連續(xù)模型的實(shí)證結(jié)果優(yōu)于離散模型，但對(duì)樣本數(shù)據(jù)的要求也較高。

本文針對(duì)無線傳感器監(jiān)控網(wǎng)絡(luò)后臺(tái)軟件的智能化問題，開展了以下工作：

1）設(shè)計(jì)并實(shí)現(xiàn)了無線傳感器監(jiān)控網(wǎng)絡(luò)后臺(tái)軟件，實(shí)現(xiàn)了監(jiān)控所需求的基本功能，并且通過層次化的預(yù)警機(jī)制，使后臺(tái)軟件具備了基本的智能分析能力；

2）針對(duì)實(shí)地部署的無線傳感監(jiān)控網(wǎng)絡(luò)所采集的真實(shí)監(jiān)控?cái)?shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行了深入的統(tǒng)計(jì)分析，為HMM的應(yīng)用奠定基礎(chǔ)；

3）提出了基于HMM的監(jiān)控?cái)?shù)據(jù)預(yù)測(cè)方法。

2 后臺(tái)監(jiān)控軟件的設(shè)計(jì)

2.1 總體結(jié)構(gòu)

本軟件將與用戶端相獨(dú)立的多個(gè)數(shù)據(jù)庫服務(wù)器整合為一個(gè)遠(yuǎn)程平臺(tái)整個(gè)監(jiān)控體系提供數(shù)據(jù)支撐，并在此基礎(chǔ)上為各類終端的用戶提供無地域約束的實(shí)時(shí)Web服務(wù)，進(jìn)而實(shí)現(xiàn)了數(shù)據(jù)的統(tǒng)一管理及監(jiān)控服務(wù)范圍的擴(kuò)展。系統(tǒng)設(shè)計(jì)如圖1所示。

從結(jié)構(gòu)上，本軟件可以劃分為數(shù)據(jù)處理層、數(shù)據(jù)存儲(chǔ)層、人機(jī)交互層與安全管理層。各層次結(jié)構(gòu)通過功能模塊間的配合作用發(fā)揮具體作用。

各層次間的關(guān)系及其包含的功能模塊如圖2所示。

從傳感器網(wǎng)絡(luò)中采集到的數(shù)據(jù)將首先進(jìn)入數(shù)據(jù)處理層，按照協(xié)議設(shè)計(jì)的幀格式進(jìn)行解析，解析后的數(shù)據(jù)將以并行的方式，一方面呈交給人機(jī)交互層進(jìn)行進(jìn)一步處理，另一方面直接執(zhí)行存儲(chǔ)操作。

在人機(jī)交互層中將進(jìn)行預(yù)警判斷并根據(jù)用戶請(qǐng)求執(zhí)行響應(yīng)的其他操作；而數(shù)據(jù)在執(zhí)行存儲(chǔ)過程中，將由遠(yuǎn)程服務(wù)端對(duì)數(shù)據(jù)備份工作進(jìn)行控制和管理。

安全控制層采取獨(dú)立管理的方式，其維護(hù)的數(shù)據(jù)以用戶個(gè)人資料及權(quán)限信息為主，與人機(jī)交互層相結(jié)合進(jìn)行用戶行為控制，保證數(shù)據(jù)安全。

2.2軟件模塊

從功能結(jié)構(gòu)上，本軟件將主要由以下模塊及子模塊組成如圖3所示：

1）數(shù)據(jù)接收模塊

①幀處理子模塊負(fù)責(zé)時(shí)刻監(jiān)聽是否有新的監(jiān)測(cè)數(shù)據(jù)幀到達(dá)。

②異常判斷子模塊的工作是對(duì)處理后的監(jiān)測(cè)數(shù)據(jù)進(jìn)行匹配，一旦發(fā)現(xiàn)異常數(shù)據(jù)，將向警報(bào)監(jiān)聽模塊發(fā)出通知。

③保存數(shù)據(jù)子模塊將對(duì)經(jīng)過處理、警報(bào)判斷后的數(shù)據(jù)進(jìn)行保存。

2）警報(bào)監(jiān)聽模塊

①警報(bào)識(shí)別子模塊將對(duì)異常判斷子模塊發(fā)現(xiàn)的異常數(shù)據(jù)進(jìn)行細(xì)致的警報(bào)匹配工作，指導(dǎo)警報(bào)事件的生成。

②事件生成子模塊的任務(wù)是根據(jù)警報(bào)識(shí)別子模塊所得到警報(bào)詳細(xì)信息生成一個(gè)觸發(fā)警報(bào)提示的事件，該事件將傳遞到可視化模塊中觸發(fā)相關(guān)的警報(bào)呈現(xiàn)功能部分。

3）權(quán)限控制模塊

①身份管理子模塊通過對(duì)來自用戶提供的登錄信息和數(shù)據(jù)庫中的用戶信息進(jìn)行匹配的方式判斷發(fā)出當(dāng)前訪問請(qǐng)求的用戶是否具有訪問資格。

②行為控制子模塊負(fù)責(zé)對(duì)用戶所發(fā)出的各種操作請(qǐng)求進(jìn)行權(quán)限匹配，只有用戶權(quán)限高于或等于操作必須權(quán)限時(shí)，用戶的操作請(qǐng)求才能得到響應(yīng)。

4）可視化模塊

①數(shù)據(jù)連接子模塊建立并維護(hù)一條從客戶端到云服務(wù)平臺(tái)的數(shù)據(jù)鏈路，實(shí)時(shí)到達(dá)的最新監(jiān)測(cè)數(shù)據(jù)在經(jīng)過處理后將通過該鏈路直接流向用戶終端。

②數(shù)據(jù)讀取子模塊與數(shù)據(jù)連接子模塊相配合，實(shí)現(xiàn)對(duì)特定數(shù)據(jù)的查詢。

③控件管理子模塊選擇使用特定的呈現(xiàn)模塊進(jìn)行數(shù)據(jù)組織與展示。

④數(shù)據(jù)更新子模塊著重解決將用戶輸入更新到服務(wù)平臺(tái)的問題。

2.3層次化的預(yù)警方法

在本文中，針對(duì)異常數(shù)據(jù)的處理，設(shè)計(jì)了對(duì)監(jiān)控?cái)?shù)據(jù)的分層處理方法，劃分出了4個(gè)便于用戶理解的數(shù)據(jù)范圍，一個(gè)典型的針對(duì)農(nóng)作物土壤水分含量的數(shù)據(jù)分層方法如表1所示。第一列中以y表示監(jiān)控?cái)?shù)據(jù)，第二列中說明了數(shù)據(jù)層次化的依據(jù)。通過數(shù)據(jù)的層次化，既提高了監(jiān)控?cái)?shù)據(jù)的可讀性，也使得后臺(tái)監(jiān)控軟件具有了數(shù)據(jù)分析的能力，實(shí)現(xiàn)了后臺(tái)軟件基礎(chǔ)層次的智能化。

3馬爾可夫模型與隱馬爾可夫模型

3.1馬爾可夫模型

對(duì)一個(gè)觀測(cè)序列而言，若存在如式-1所表達(dá)的特征，則認(rèn)為其具備馬爾可夫性質(zhì)，該序列稱為馬爾可夫過程。其中，X表示序列中某一時(shí)刻的狀態(tài)，[P（Xt | Xt-1）]表示t-1時(shí)刻的狀態(tài)到t時(shí)刻狀態(tài)的轉(zhuǎn)移概率。

[P（Xt | Xt-1）=P（Xt | Xt-1， Xt-2， Xt-3，...）] （1）

針對(duì)馬爾可夫過程提出的馬爾可夫模型（MM）可由式-2表示，其中N表示馬爾可夫過程中所有狀態(tài)的數(shù)量，T表示狀態(tài)轉(zhuǎn)移矩陣，I表示初始化向量。

λ = （N， T， I） （2）

通過對(duì)MM的訓(xùn)練，可以獲得某一馬爾可夫過程的狀態(tài)轉(zhuǎn)移矩陣，矩陣中記錄了由當(dāng)前時(shí)刻到下一時(shí)刻，當(dāng)前過程狀態(tài)轉(zhuǎn)移到其他狀態(tài)的概率，從而實(shí)現(xiàn)了對(duì)數(shù)據(jù)序列的狀態(tài)預(yù)測(cè)。

3.2隱馬爾可夫模型

HMM由兩個(gè)隨機(jī)過程組合而成，其一是無法被直接觀察到的隱含的狀態(tài)轉(zhuǎn)移過程，其二是可被觀察到的，與隱含狀態(tài)有關(guān)的過程。在HMM中，通過對(duì)可見的狀態(tài)過程，實(shí)現(xiàn)對(duì)隱含狀態(tài)的預(yù)測(cè)。

一個(gè)典型的HMM可以通過式-3進(jìn)行描述：

λ = （H， O， T， C， I） （3）

1）隱含狀態(tài)的數(shù)目H：即無法觀察到的狀態(tài)的數(shù)目。

2）可觀察狀態(tài)數(shù)目O：可以明顯觀察到的狀態(tài)數(shù)目。

3）隱含狀態(tài)轉(zhuǎn)移概率矩陣T：描述了HMM 中各個(gè)狀態(tài)之間的轉(zhuǎn)移概率（例如本文涉及的狀態(tài)變化影響因素之間的轉(zhuǎn)移概率）。

4）觀察狀態(tài)轉(zhuǎn)移概率矩陣C：描述了HMM中隱含狀態(tài)映射到可觀察狀態(tài)的概率。

5）初始狀態(tài)概率矩陣I：表示隱含狀態(tài)在初始時(shí)刻t0時(shí)的概率矩陣。

而其中，隱含狀態(tài)的數(shù)目H與可觀察狀態(tài)的數(shù)據(jù)O作為常數(shù)，故可以將一個(gè)HMM的表達(dá)簡(jiǎn)化為λ = （T， C， I）。

4基于HMM的監(jiān)控?cái)?shù)據(jù)預(yù)測(cè)

4.1 監(jiān)控狀態(tài)劃分

本文以實(shí)際采集的柑橘種植園監(jiān)控?cái)?shù)據(jù)為研究對(duì)象，借鑒2.3節(jié)中的數(shù)據(jù)分析方法，將采集到的每一項(xiàng)數(shù)值型監(jiān)控?cái)?shù)據(jù)進(jìn)行了狀態(tài)劃分，記監(jiān)控狀態(tài)為L(zhǎng)n（n∈[1，5]）。表2給出了本文中每個(gè)監(jiān)控狀態(tài)所對(duì)應(yīng)的監(jiān)控?cái)?shù)據(jù)的取值范圍，通過對(duì)該取值范圍的上下限進(jìn)行設(shè)定，即可為監(jiān)控?cái)?shù)據(jù)賦予“語義”，進(jìn)而解決數(shù)值型監(jiān)控?cái)?shù)據(jù)難以理解、分析的問題，同時(shí)也對(duì)監(jiān)控?cái)?shù)據(jù)的變化范圍進(jìn)行了壓縮，將浮點(diǎn)型數(shù)據(jù)較大范圍的變化區(qū)間映射到長(zhǎng)度僅為5的整數(shù)區(qū)間內(nèi)，降低了大規(guī)模數(shù)據(jù)分析時(shí)的計(jì)算復(fù)雜度。

在表3中，對(duì)各個(gè)監(jiān)控狀態(tài)之間的轉(zhuǎn)移概率進(jìn)行了統(tǒng)計(jì)，描述了一個(gè)數(shù)據(jù)集里，監(jiān)控系統(tǒng)由t時(shí)刻進(jìn)入到t+1時(shí)刻的過程中，監(jiān)控狀態(tài)由Ln（t）轉(zhuǎn)移到Ln（t+1）的概率。以表中第4行為例，即選取Ln（t）=3時(shí)，說明t時(shí)刻，監(jiān)控系統(tǒng)的監(jiān)控狀態(tài)為L(zhǎng)3，則該行中的5個(gè)百分比概率表示：由時(shí)刻t進(jìn)入到時(shí)刻t+1，L3分別轉(zhuǎn)移到L1，L2，L3，L4，L5的概率。

4.2基于隱馬爾可夫模型（DHMM）的數(shù)據(jù)預(yù)測(cè)

在本文中，選取完整監(jiān)控?cái)?shù)據(jù)的80%作為訓(xùn)練集，而余下的20%部分將作為測(cè)試對(duì)訓(xùn)練后的HMM的預(yù)測(cè)效果進(jìn)行檢驗(yàn)。

HMM的完整預(yù)測(cè)過程如下：

1）常數(shù)參數(shù)設(shè)置。本文中使用監(jiān)控狀態(tài)作為HMM的可見狀態(tài)，故得到O=5，經(jīng)過反復(fù)測(cè)試調(diào)整后，設(shè)定使訓(xùn)練效果最佳的隱含狀態(tài)數(shù)目，H=5。

3）前向-后向算法（Baum-Welch算法）。前向后向算法將根據(jù)訓(xùn)練數(shù)據(jù)集中的多組訓(xùn)練序列，不斷更新模型中的概率矩陣參數(shù)，直至模型符合要求，或訓(xùn)練次數(shù)達(dá)到上限。

4）對(duì)輸入數(shù)據(jù)計(jì)算出指定HMM參數(shù)下的log_likehood值，該值的取值范圍是（ -∞， 0 ），代表著輸入的數(shù)據(jù)序列與當(dāng)前HMM參數(shù)的匹配度，越接近0，表示該輸入數(shù)據(jù)與當(dāng)前模型參數(shù)的匹配度越高。

5）輸出最優(yōu)的預(yù)測(cè)結(jié)果。測(cè)試過程中，每一個(gè)輸入的測(cè)試序列的最后一個(gè)已知項(xiàng)將由若干個(gè)可行解分別進(jìn)行特?fù)Q，若某個(gè)可行解的替換能夠使得該序列的log_likehood值最大，則該可行解為最優(yōu)解，也即最終的預(yù)測(cè)結(jié)果。

5實(shí)驗(yàn)

5.1監(jiān)控?cái)?shù)據(jù)實(shí)時(shí)呈現(xiàn)與預(yù)警

實(shí)時(shí)信息監(jiān)控是監(jiān)控關(guān)節(jié)的重要組成部分，本軟件使用單獨(dú)的Web窗口每一個(gè)節(jié)點(diǎn)的實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)進(jìn)行展示，如圖5所示，為同時(shí)對(duì)多個(gè)節(jié)點(diǎn)進(jìn)行監(jiān)控提供了可能。

1）在頁面主體部分，是由動(dòng)態(tài)控件顯示的實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)，為了讓用戶更直接地掌握數(shù)據(jù)的變化趨勢(shì)，本軟件中使用折線圖的方式對(duì)數(shù)據(jù)進(jìn)行呈現(xiàn)，圖中的橫軸代表時(shí)間，指出每個(gè)監(jiān)控?cái)?shù)據(jù)的采集時(shí)間，縱軸代表監(jiān)控值，反映出監(jiān)控對(duì)象的運(yùn)行狀態(tài)；

3）折線圖中的每一個(gè)節(jié)點(diǎn)均為獨(dú)立的數(shù)據(jù)點(diǎn)，可通過將鼠標(biāo)箭頭移動(dòng)到數(shù)據(jù)點(diǎn)上查看數(shù)據(jù)詳情；

4）為更好地讓用戶了解到監(jiān)控?cái)?shù)據(jù)是否正常，本頁面中還包含兩條基準(zhǔn)線（如圖2“紅色預(yù)警線”與“橙色預(yù)警線”），超過橙色預(yù)警線意味著當(dāng)前監(jiān)控對(duì)象存在異常的可能，而超過紅色預(yù)警線則表示當(dāng)前監(jiān)控對(duì)象已經(jīng)出現(xiàn)異常，需要立即進(jìn)行處理。

如圖6所示，本軟件針對(duì)面向不同監(jiān)控信息的傳感節(jié)點(diǎn)設(shè)置了不同的控件來提高數(shù)據(jù)呈現(xiàn)的直觀性，以最直接、快速的方式將當(dāng)前監(jiān)控節(jié)點(diǎn)的監(jiān)控狀況傳達(dá)給軟件用戶。而針對(duì)傳感節(jié)點(diǎn)可用的相關(guān)命令則清楚地布置在呈現(xiàn)控件的一側(cè)，方便用戶進(jìn)行快速的操作。另一方面，為了增強(qiáng)控件呈現(xiàn)的靈活性，每個(gè)監(jiān)控節(jié)點(diǎn)所對(duì)應(yīng)的信息面板可由用戶靈活地選擇展開或隱藏。

當(dāng)出現(xiàn)異常數(shù)據(jù)時(shí)，本軟件以彈窗提示加播放提示效果音的方式向用戶進(jìn)行報(bào)警。由于本軟件初始的默認(rèn)異常判斷級(jí)別為2級(jí)，所以在彈窗提示過程中將報(bào)警類別區(qū)分為“橙色警報(bào)”和“紅色警報(bào)”2類；不同警報(bào)類型在彈窗里的提示文字以及播放的提示效果音也不同，以便用戶區(qū)分，及時(shí)掌握監(jiān)控信息。

在代表視覺報(bào)警的提示窗中，如圖7與圖8所示，首先以突出顯示的文字告知用戶當(dāng)前發(fā)現(xiàn)的警報(bào)類型；同時(shí)，進(jìn)一步說明當(dāng)前發(fā)現(xiàn)異常數(shù)據(jù)的監(jiān)控節(jié)點(diǎn)所在的具體位置，為用戶提供盡可能完整的警報(bào)信息，作為快速采取解決方案的基礎(chǔ)。

從聲音提示效果上看，隨著警報(bào)級(jí)別的提高，所使用的提示音也越發(fā)急促。如前文中所提到，當(dāng)前本軟件支持最多5種的異常判斷級(jí)別，因此也準(zhǔn)備了共計(jì)5套不同的音效提示方案作為對(duì)應(yīng)。

5.2預(yù)測(cè)效果

使用HMM對(duì)監(jiān)控狀態(tài)進(jìn)行下一狀態(tài)預(yù)測(cè)的結(jié)果如圖9所示。在預(yù)測(cè)過程中，從完整數(shù)據(jù)集中除去約80%的訓(xùn)練數(shù)據(jù)后，將余下的數(shù)據(jù)作為測(cè)試數(shù)據(jù)；本文中，選擇15作為數(shù)據(jù)序列的長(zhǎng)度，即每一數(shù)據(jù)序列包含15個(gè)監(jiān)控狀態(tài)數(shù)據(jù)。

對(duì)于預(yù)測(cè)結(jié)果的評(píng)價(jià)，預(yù)測(cè)模型以給定數(shù)據(jù)序列的下1項(xiàng)作為預(yù)測(cè)目標(biāo)，故當(dāng)測(cè)試數(shù)據(jù)集包含n個(gè)數(shù)據(jù)序列時(shí)，整個(gè)預(yù)測(cè)過程將產(chǎn)生n個(gè)預(yù)測(cè)結(jié)果，同時(shí)，也存在n個(gè)與預(yù)測(cè)結(jié)果一一對(duì)應(yīng)的真實(shí)數(shù)據(jù)。若所有的n個(gè)預(yù)測(cè)結(jié)果構(gòu)成一個(gè)集合，記為R，其中的每個(gè)元素記為Rn；而n個(gè)真實(shí)數(shù)據(jù)構(gòu)成的集合記為T，其中的每個(gè)元素記為Tn。則可用如式-4的方法計(jì)算出預(yù)測(cè)的準(zhǔn)確率，記為C。

圖9所示的HMM預(yù)測(cè)結(jié)果由3項(xiàng)數(shù)據(jù)組成，分別記為“Top1”、“Top2”和“Top3”，3個(gè)直方分別代表的含義為：

Top1：將模型預(yù)測(cè)出的可能性最大的1項(xiàng)作為預(yù)測(cè)結(jié)果；

Top2：將模型預(yù)測(cè)出的可能性最大的2項(xiàng)作為預(yù)測(cè)結(jié)果，當(dāng)真實(shí)結(jié)果包含于這2項(xiàng)中，則認(rèn)為預(yù)測(cè)正確；

Top3：將模型預(yù)測(cè)出的可能性最大的3項(xiàng)作為預(yù)測(cè)結(jié)果，當(dāng)真實(shí)結(jié)果包含于這3項(xiàng)中，則認(rèn)為預(yù)測(cè)正確；

根據(jù)實(shí)驗(yàn)結(jié)果圖，可見隨著HMM預(yù)測(cè)結(jié)果集的擴(kuò)展，其預(yù)測(cè)的準(zhǔn)確率也逐步升高，當(dāng)預(yù)測(cè)結(jié)果包含最有可能的3項(xiàng)時(shí)，預(yù)測(cè)準(zhǔn)確率可高達(dá)約95%。而預(yù)測(cè)結(jié)果的擴(kuò)展，為監(jiān)控系統(tǒng)在實(shí)際應(yīng)用中提供了十分必要的參考，對(duì)于監(jiān)控軟件的智能預(yù)警有著重要作用。

6結(jié)論

本文設(shè)計(jì)并實(shí)現(xiàn)了具備基本智能分析能力的后臺(tái)監(jiān)控軟件，并提出了一種基于HMM的監(jiān)控?cái)?shù)據(jù)預(yù)測(cè)方法。在使用HMM對(duì)監(jiān)控狀態(tài)進(jìn)行預(yù)測(cè)的過程中，分別針對(duì)監(jiān)控狀態(tài)的單步預(yù)測(cè)與多步預(yù)測(cè)展開工作。針對(duì)不同的預(yù)測(cè)需求，分別設(shè)計(jì)了適合于離散型HMM與連續(xù)型HMM的預(yù)測(cè)方法，并且制定了對(duì)模型預(yù)測(cè)效果進(jìn)行對(duì)比分析的評(píng)價(jià)方法。在實(shí)驗(yàn)過程中，將目前已被廣泛使用的機(jī)器學(xué)習(xí)算法，如貝葉斯預(yù)測(cè)、灰色系統(tǒng)、BP神經(jīng)網(wǎng)絡(luò)作為對(duì)比實(shí)驗(yàn)加入。實(shí)驗(yàn)結(jié)果表明，根據(jù)本文提出的基于HMM的預(yù)測(cè)方法，能夠?qū)ΡO(jiān)控?cái)?shù)據(jù)進(jìn)行有效的單步預(yù)測(cè)與多步預(yù)測(cè)，從而使后臺(tái)監(jiān)控軟件的智能化水平得到進(jìn)一步提高。

參考文獻(xiàn)：

[1] 于合龍. 精準(zhǔn)農(nóng)業(yè)生產(chǎn)中若干智能決策問題研究[D]. 吉林大學(xué)， 2010.

[2] 何成平， 龔益民， 林偉. 基于無線傳感網(wǎng)絡(luò)的設(shè)施農(nóng)業(yè)智能監(jiān)控系統(tǒng)[J]. 常州輕工職業(yè)技術(shù)學(xué)院學(xué)報(bào)， 2010， 38（8）：4370-4372.

[3] 張偉. 面向精細(xì)農(nóng)業(yè)的無線傳感器網(wǎng)絡(luò)關(guān)鍵技術(shù)研究[D]. 浙江大學(xué)， 2013.

[4] 蘇鵬， 程健. DHMM 在機(jī)械設(shè)備音頻識(shí)別中的應(yīng)用[J]. Computer Engineering and Applications， 2015， 51（1）.

[5] Schaller H， Norden S V. Regime switching in stock market returns[J]. Applied Financial Economics， 1997， 7（2）： 177-191.

[6]Chauvet M. An econometric characterization of business cycle dynamics with factor structure and regime switching[J]. International economic review， 1998： 969-996.]

[7] 朱嘉瑜， 葉海燕， 高鷹. 基于隱馬爾可夫模型的股票價(jià)格預(yù)測(cè)組合模型[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2009 （21）： 4945-4948.

[8] 吳漫君. 基于隱馬爾科夫模型的股價(jià)走勢(shì)預(yù)測(cè)[D]. 華南理工大學(xué)， 2011.