一種傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法研究

劉靜靜，智淑敏

（鄭州澍青醫(yī)學(xué)高等?？茖W(xué)校 衛(wèi)生管理系，河南 鄭州 450064）

一種傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法研究

劉靜靜，智淑敏

（鄭州澍青醫(yī)學(xué)高等專科學(xué)校 衛(wèi)生管理系，河南 鄭州 450064）

對無線傳感器網(wǎng)絡(luò)中的不確定感知數(shù)據(jù)的優(yōu)化挖掘算法設(shè)計，提高傳感器感知層對數(shù)據(jù)信息的采集和收發(fā)能力。傳統(tǒng)方法采用子空間重構(gòu)特征分解的數(shù)據(jù)挖掘方法，隨著傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)干擾的增強，對數(shù)據(jù)的采集精度有所下降。提出一種基于滑動時間窗口重排和時頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法。構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，對采集的不確定感知數(shù)據(jù)進行信號模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動時間窗口重排方法進行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號流中的時頻特征，實現(xiàn)數(shù)據(jù)挖掘算法改進。仿真結(jié)果表明，采用該方法進行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法進行數(shù)據(jù)檢測的準(zhǔn)確概率較高，降低了誤檢率和虛警率，數(shù)據(jù)挖掘的抗干擾性能較好，展示了較好的應(yīng)用價值。

傳感器網(wǎng)絡(luò)；不確定感知數(shù)據(jù)；數(shù)據(jù)挖掘；時頻分析

隨著無線通信技術(shù)和傳感器技術(shù)的不斷發(fā)展，無線傳感器網(wǎng)絡(luò)作為一種新型的局域網(wǎng)絡(luò)，在數(shù)據(jù)包的傳輸和中繼轉(zhuǎn)發(fā)等方向中展示了較好的應(yīng)用價值。無線傳感器網(wǎng)絡(luò)是采用分布式傳感器節(jié)點進行數(shù)據(jù)感知和通信，通過有效的數(shù)據(jù)挖掘算法，實現(xiàn)對原始數(shù)據(jù)信息的感知，達到目標(biāo)數(shù)據(jù)采樣和通信傳輸?shù)哪康?。對無線傳感器網(wǎng)絡(luò)中的不確定感知數(shù)據(jù)的優(yōu)化挖掘算法設(shè)計，提高傳感器感知層對數(shù)據(jù)信息的采集和收發(fā)能力，研究無線傳感器網(wǎng)絡(luò)的不確定數(shù)據(jù)感知挖掘方法，在提高傳感器網(wǎng)絡(luò)的穩(wěn)定性和可靠性方面具有重要意義［1］。

近年來，已經(jīng)有不少學(xué)者開展了對無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法的研究，主要有基于演化博弈的無線傳感器網(wǎng)絡(luò)感知數(shù)據(jù)挖掘算法、基于統(tǒng)計信號分析的無線傳感器網(wǎng)絡(luò)感知數(shù)據(jù)挖掘算法、基于小波分解和經(jīng)驗?zāi)B(tài)分解的數(shù)據(jù)挖掘算法等［2-7］，上述算法首先把無線傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)進行信號特征重排，建立特征子空間進行信號采樣，實現(xiàn)對不確定感知數(shù)據(jù)的信號模擬和狀態(tài)重組，實現(xiàn)數(shù)據(jù)挖掘，但上述方法對數(shù)據(jù)挖掘的過程中，由于不確定感知數(shù)據(jù)的非平穩(wěn)性和高斯噪聲性，導(dǎo)致數(shù)據(jù)挖掘中出現(xiàn)敏感性失真和挖準(zhǔn)確挖掘概率下降的問題。對此，相關(guān)文獻進行了算法改進設(shè)計，其中，文獻［8］提出一種基于傳感器傳輸信號關(guān)聯(lián)維特征挖掘的不確定感知數(shù)據(jù)挖掘算法，通過相空間重構(gòu)得到傳感器網(wǎng)絡(luò)感知數(shù)據(jù)的演化軌跡，通過關(guān)聯(lián)維特征提取實現(xiàn)數(shù)據(jù)準(zhǔn)確挖掘，但是該算法具有計算開銷過大，收斂性不好等問題。文獻［9］采用子空間重構(gòu)特征分解的數(shù)據(jù)挖掘方法，隨著傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)干擾的增強，對數(shù)據(jù)的采集精度有所下降。

針對上述問題，文中提出一種基于滑動時間窗口重排和時頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法。構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，對采集的不確定感知數(shù)據(jù)進行信號模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動時間窗口重排方法進行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號流中的時頻特征，實現(xiàn)數(shù)據(jù)挖掘算法改進。最后通過仿真實驗進行了性能測試，展示了本文設(shè)計的數(shù)據(jù)挖掘算法在提高傳感器網(wǎng)絡(luò)數(shù)據(jù)感知精度，降低誤檢概率等方面的優(yōu)越性能，得出有效性結(jié)論。

1　傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型和不確定感知數(shù)據(jù)的信號模型構(gòu)建

1.1傳感器網(wǎng)絡(luò)結(jié)構(gòu)及數(shù)據(jù)采集模型

為了實現(xiàn)對傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘，需要首先構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，記傳感器網(wǎng)絡(luò)的傳輸數(shù)據(jù)集S=｛s1,s2,…,sk｝表示簇內(nèi)節(jié)點的數(shù)據(jù)純策略集；向量x=［x1x2…xk］表示數(shù)據(jù)傳輸?shù)墓歉陕酚?，其中xi為發(fā)送數(shù)據(jù)的能耗i∈S的比例；ri（x）表示網(wǎng)絡(luò)中節(jié)點傳輸策略i的個體的平均能耗，即單位時間內(nèi)進行不確定數(shù)據(jù)感知的采樣率。假定傳感器網(wǎng)絡(luò)進行不確定感知過程的噪聲w（k）與權(quán)重向量ui（k）之間具有特征匹配關(guān)系，以及各測量噪聲的自相關(guān)匹配矩陣表示為：

其中，傳感器網(wǎng)絡(luò)的自適應(yīng)的量化初始狀態(tài)x（0）均值為x0，量化測量值的方差為p0，融合中心接收到的傳感數(shù)據(jù)獨立于w（k）和ui（k），i=1,2,…,N。此時，傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)到達融合中心的矢量特征為xiri（x）。通過上述模型構(gòu)建，由此得到傳感器網(wǎng)絡(luò)的不確定數(shù)據(jù)感知的信息融合動態(tài)方程為：

上式中，rj（x）為融合誤差，xi為幅值，采用時變非平穩(wěn)均衡模型［10］，得到傳感器網(wǎng)絡(luò)進行數(shù)據(jù)采集的博弈模型p2GT+ αT-pC-C-L，確定在某一時刻頻率分量，得到聯(lián)合時頻狀態(tài)方程為p2GC+p2L-C-L。根據(jù)上述數(shù)據(jù)采集模型，進行數(shù)據(jù)特征空間重建和特征提取，實現(xiàn)數(shù)據(jù)挖掘算法優(yōu)化設(shè)計。

1.2不確定感知數(shù)據(jù)的信號模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建

在上述數(shù)據(jù)結(jié)構(gòu)分析和無線傳感器網(wǎng)絡(luò)結(jié)構(gòu)模型分析的基礎(chǔ)上，對無線傳感器網(wǎng)絡(luò)采集的不確定感知數(shù)據(jù)進行信號模型構(gòu)建，采用現(xiàn)代信號處理技術(shù)［11-13］，實現(xiàn)數(shù)據(jù)優(yōu)化挖掘。

定義1無線傳感器網(wǎng)絡(luò)節(jié)點信任博弈是一個對稱博弈（N,S,U）。分簇數(shù)據(jù)收集節(jié)點N為傳感器網(wǎng)絡(luò)中所有節(jié)點的集合；通過子測量矩陣得到感知數(shù)據(jù)的離散數(shù)據(jù)解析集合S=｛s1, s2｝，s1表示選擇任意原始信號的信任策略s2表示復(fù)共軛；U為傳感器網(wǎng)絡(luò)中感知數(shù)據(jù)解析信號的包絡(luò)矩陣。傳感器網(wǎng)絡(luò)在進行不確定數(shù)據(jù)感知過程中，受到不確定干擾向量的影響，導(dǎo)致輸出噪聲相關(guān)誤差需要通過調(diào)節(jié)因子λ（k）進行自適應(yīng)修正，得到調(diào)節(jié)因子為：

其中，c（k）=tr［N（k）/tr［C（k）］，表示不確定感知數(shù)據(jù)解析信號模型，滿足：

其中：

其中x1和x2分別表示不同采樣通道下的極值尺度參數(shù)，且滿足x1+x2=1。為了方便表達，記時間跨度被稱為特征尺度參數(shù)［14］，得到x1為。又記u（s1，x）的數(shù)據(jù)結(jié)構(gòu)子空間x）為），在兩個過零點之間存在多個極值點時，進行數(shù)據(jù)結(jié)構(gòu)子空間的重構(gòu)，得到重構(gòu)的數(shù)據(jù)結(jié)構(gòu)子空間模型為：

采用Hilbert-Huang變換，對數(shù)據(jù)挖掘的目標(biāo)函數(shù)求導(dǎo)，并令式（7）等于0，有：

求解得到數(shù)據(jù)挖掘的目標(biāo)演化博弈模型，通數(shù)據(jù)結(jié)構(gòu)子空間重建，得到傳感器網(wǎng)絡(luò)數(shù)據(jù)挖掘的兩個穩(wěn)定狀態(tài)：。通過上述設(shè)計，在重建的特征子空間中進行滑動時間窗口重排，進行數(shù)據(jù)挖掘算法改進設(shè)計。

2　數(shù)據(jù)挖掘算法改進實現(xiàn)

在上述進行了傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型和不確定感知數(shù)據(jù)的信號模型構(gòu)建的基礎(chǔ)上，進行數(shù)據(jù)挖掘算法改進設(shè)計，傳統(tǒng)方法采用子空間重構(gòu)特征分解的數(shù)據(jù)挖掘方法，隨著傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)干擾的增強，對數(shù)據(jù)的采集精度有所下降［15］。為了克服傳統(tǒng)方法的弊端，本文提出一種基于滑動時間窗口重排和時頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法，進行數(shù)據(jù)挖掘算法改進，改進算的實現(xiàn)過程描述如下，假設(shè)傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)接收端的輸入信號為：

上式中，ri，θi分別為傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)發(fā)送時刻的碼元速率和狀態(tài)向量預(yù)測值，此時，在多徑信道中不確定數(shù)據(jù)挖掘的譜密度RMDMMA（k）滿足：

利用各傳感器的測量值去調(diào)制載波［16］，建立時間窗口函數(shù)，得到層誤差e（n）和步長因子μ（n）之間的特征關(guān)聯(lián)匹配度，計算信息狀態(tài)向量的預(yù)測值，傳感器網(wǎng)絡(luò)中頻調(diào)制信號的時間窗口響應(yīng)表示：

其中，ck為無線傳感器網(wǎng)絡(luò)中數(shù)據(jù)采集的時間窗口抽頭系數(shù)，N為恢復(fù)出的預(yù)報信息矩陣，P為不確定數(shù)據(jù)的譜線增強系數(shù)，采用時間窗口重排技術(shù)，得到傳感器網(wǎng)絡(luò)的自適應(yīng)濾波后的信道分簇數(shù)據(jù)收集均衡控制方程描述為：

當(dāng)簇的面積一定時，用擴展后的序列去調(diào)制載波，將行數(shù)據(jù)感知信號搬移到簇內(nèi)的數(shù)據(jù)調(diào)制載波上，通過上述處理，采用直接序列擴頻，利用滑動時間窗口重排方法進行數(shù)據(jù)降噪挖掘，得到數(shù)據(jù)降噪的系統(tǒng)傳遞函數(shù)為：

沿著骨干路由樹進行數(shù)據(jù)挖掘，令數(shù)據(jù)信號流中的時頻特征表示為：

此時，數(shù)據(jù)挖掘中的特征方程通過信息融合可以實現(xiàn)無線傳感器網(wǎng)絡(luò)中不確定感知數(shù)據(jù)的挖掘和狀態(tài)特征提取，而新構(gòu)造的鄰居簇頭數(shù)據(jù)的相關(guān)性為：

無線傳感器網(wǎng)絡(luò)中，Sink節(jié)點將所有節(jié)點劃分為多個簇，采用三次樣條插值，在有限的時間內(nèi)對數(shù)據(jù)挖掘的特征提取過程等價重寫為：

其中

3　仿真實驗與結(jié)果分析

為了測試本文算法在實現(xiàn)傳感器網(wǎng)絡(luò)中不確定感知數(shù)據(jù)挖掘中的應(yīng)用性能，進行仿真實驗。實驗的編譯軟件VC++，數(shù)據(jù)庫的存儲系統(tǒng)為SQL sever。向傳感器網(wǎng)絡(luò)寫入SCPI命令“MMEM:SCSIx:OPEN”打開邏輯地址為X的SCSI總線，進行程序加載和模擬信號輸出。傳感器網(wǎng)絡(luò)中量化信息融合中心的分布式衰減因子λ=0.25，傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)的采樣樣本的時間間隔為0.25 s，時長，采樣點數(shù)為100，當(dāng)信噪比為-5 dB，頻率分布集中在1000 Hz的頻率分量上，在400～600采樣點之間有一個250 Hz的頻率分量，傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型的子空間的嵌入為數(shù)設(shè)置為30。在上述仿真環(huán)境和參數(shù)設(shè)定的基礎(chǔ)上，進行數(shù)據(jù)挖掘仿真實驗，首先進行原始數(shù)據(jù)采樣，得到傳感器網(wǎng)絡(luò)不確定數(shù)據(jù)感知數(shù)據(jù)時域采樣波形和頻域上的譜分析圖如圖1所示。

從圖可見，采用本文方法進行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)的挖掘，具有較好的時頻域特征空間展開性能，在此基礎(chǔ)上，對采集的不確定感知數(shù)據(jù)進行信號模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動時間窗口重排方法進行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號流中的時頻特征，得到不確定感知數(shù)據(jù)的特征提取結(jié)果如圖2所示。從圖可見，采用本文方法進行數(shù)據(jù)挖掘，時頻特征具有較好的波束指向性能，對旁瓣的干擾抑制效果較好。

圖1　傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)的時域和頻域波形

圖2　特征提取結(jié)果

為了對比算法性能，采用本文算法和傳統(tǒng)算法，在信噪比為-5～5 dB的變化范圍內(nèi)，采用10 000次蒙特卡洛實驗，得到不同算法下進行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘，得到數(shù)據(jù)挖掘的均方誤差對比結(jié)果如圖3所示。

圖3　數(shù)據(jù)挖掘性能對比

從圖可見，采用該方法進行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法進行數(shù)據(jù)檢測的準(zhǔn)確概率較高，降低了誤檢率和虛警率，數(shù)據(jù)挖掘的抗干擾性能較好，性能優(yōu)越于傳統(tǒng)方法。

4　結(jié)束語

文中提出一種基于滑動時間窗口重排和時頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法。構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，對采集的不確定感知數(shù)據(jù)進行信號模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動時間窗口重排方法進行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號流中的時頻特征，實現(xiàn)數(shù)據(jù)挖掘算法改進。研究結(jié)果表明，采用該方法進行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法進行數(shù)據(jù)檢測的準(zhǔn)確概率較高，降低了誤檢率和虛警率，數(shù)據(jù)挖掘的抗干擾性能較好，展示了較好的應(yīng)用價值。

［1］魏利峰,紀(jì)建偉,王曉斌.云環(huán)境中Web信息抓取技術(shù)的研究及應(yīng)用［J］.電子設(shè)計工程,2016（4）:29-31.

［2］方煒煒,仁江,夏紅科.一種異構(gòu)分布的多元線性回歸隱私保護模型［J］.計算機研究與發(fā)展,2011,48（9）:1685-1691.

［3］Phakphisut W,Supnithj P,Puttarak N.EXIT chart analysis of nonbinary protograph LDPC codes for partial response channels［J］.IEEE Transactions on Magnetics,2014,50（11）:1-4.

［4］邸珩燁.基于多徑碼間干擾濾波的短波通信優(yōu)化［J］.物聯(lián)網(wǎng)技術(shù),2015,5（10）:47-48,52.

［5］劉艷峰,魏兵,任新成.近場通信天線場分布特性仿真［J］.電子測量技術(shù),2015,38（8）:132-134.

［6］方煒煒,楊炳儒,夏紅科.基于SMC的隱私保護聚類模型［J］.系統(tǒng)工程與電子技術(shù),2012,34（7）:1505-1511.

［7］何信旺,芮赟,王宗杰,等.濾波器組UMTS系統(tǒng)的信道估計研究［J］.計算機技術(shù)與發(fā)展,2015（9）:57-60.

［8］吳鴻華,穆勇,屈忠鋒,等.基于面板數(shù)據(jù)的接近性和相似性關(guān)聯(lián)度模型［J］.控制與決策,2016,31（3）:555-558.

［9］李鋒,沈崧.無線Mesh網(wǎng)絡(luò)機會路由技術(shù)研究［J］.電子設(shè)計工程,2016（5）:58-61.

［10］張博,郝杰,馬剛,等.混合概率典型相關(guān)性分析［J］.計算機研究與發(fā)展,2015,52（7）:1463-1476.

［11］邢長征,劉劍.基于近鄰傳播與密度相融合的進化數(shù)據(jù)流聚類算法［J］.計算機應(yīng)用,2015,35（7）:1927-1932.

［12］田剛,何克清,王健,等.面向領(lǐng)域標(biāo)簽輔助的服務(wù)聚類方法［J］.電子學(xué)報,2015,43（7）:1266-1274.

［13］余曉東,雷英杰,岳韶華,等.基于粒子群優(yōu)化的直覺模糊核聚類算法研究［J］.通信學(xué)報,2015（5）:2015099.

［14］孫超,楊春曦,范莎，等.能量高效的無線傳感器網(wǎng)絡(luò)分布式分簇一致性濾波算法［J］.信息與控制,2015,44（3）:379-384.

［15］陸興華,陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測算法［J］.計算機科學(xué),2015,42（4）:68-71.

［16］鄧異,梁燕,周勇.水聲換能器基陣信號采集系統(tǒng)優(yōu)化設(shè)計［J］.物聯(lián)網(wǎng)技術(shù),2015,5（4）:36-37,41.

Research on method of uncertain perception data mining in sensor network

LIU Jing-jing，ZHI Shu-min
（Department of Health Management Zhengzhou Shuqing Medical College，Zhengzhou 450064,China）

The design of optimal mining algorithm for uncertain data in wireless sensor networks is designed to improve the ability of sensor data acquisition and sending and receiving.In traditional method,the data mining method is used to reconstruct the feature of subspace,and the precision of data acquisition is decreased with the increase of the uncertain data in the sensor network.A data mining method based on sliding time window and time frequency feature extraction for sensor networks is proposed.Construction of sensor network data acquisition model is obtained,uncertain sensing data signal model construction and data structure subspace reconstruction for acquisition by sliding time window rearrangement method for noise reduction of data mining,data signal flow in the time-frequency features are extracted,realize data mining algorithm is improved.Simulation results show that using the method of sensor networks uncertain perception data mining methods for testing data accurate higher probability and lower false detection rate and false alarm rate,data mining of anti-jamming performance better,showing the good application value.

sensor network；uncertain perception data；data mining；time frequency analysis

TP391

A

1674－6236（2016）13-0073-04

2016-03-16稿件編號：201603198

河南省自然科學(xué)基金（2015CDZ089）

劉靜靜（1982—），女，河南鄭州人，碩士研究生，講師。研究方向：數(shù)據(jù)挖掘、計算機網(wǎng)絡(luò)。