基于異常數據驅動數據融合方法

王珊慧

（沈陽化工大學 計算機科學與技術學院，遼寧 沈陽110142）

1 異常數據有效性判斷方法

1.1 異常數據定義

統計數據具有一些異常的數據定義。因此，還可以以距離來做標準進行定義，這也就是說，兩個數據之間的差的絕對值。ai是傳感器節點i 收集的當前數據，pi是節點在收集ai之前發送給簇群中每個節點頭的最新不正常數據。那么異常數據是：

（1）定義1

對于數據ai，若|ai－pi|≥ε，則稱ai為異常數據。此處，ε是異常數據確定閾值，該值是恒定的，并且其大小極大地影響了簇頭節點接收異常數據后的頻率。傳感器在簇中主要對數據信息進行收集，通過對比監視數據與異常數據存在的差異，然后，基于該差異，確定是否發送當前周期的樣本數據。如果該差超過預定閾值，則認為生成了異常數據并發送給簇頭，同時其差比設計閥值要小，那么簇頭則不會接收數據。如此一來節點數據傳輸頻率得到了有效控制，避免受到重要事件影響導致異常數據接收不及時。

（2）定義2

傳感器節點i 與j 測量數據在支持度上是：rij=Kexp[－β（ai－aj）2]，當簇內存在n 個傳感器節點，并對同一個特征指標進行測量。按照該公式，則可以獲得各傳感器節點測量數據的支持矩陣R：

式中：ri1，ri2，…，rin可以分別表示a1，a2，…，an支持節點i 測量的數據ai的程度。要想將傳感器測出的ai情況體現出來，請考慮第i 個節點數據ai的綜合支持水平si的大小反映了其他傳感器對ai的完全支持。如果為大，則表示第i 個傳感器測量的數據接近大多數傳感器，并且與更多傳感器兼容。當前發送到簇頭的異常數據可能是有效的異常數據。第i 個傳感器測量的數據與大多數傳感器的測量數據有出入。由于節點故障，ai不太可能是有效的異常數據，而更有可能是無效的異常。由于同一簇內各節點中的傳感器節點相對地域分布且節點是同質的，因此我們可以看到，如何支持該組的想法與人們對現實的理解更加一致。每個傳感器的相同環境特征參數的測量值彼此接近。除非簇內節點中大面積的節點同時發生故障，否則綜合支持si很小，因為存在故障，第i 個傳感器將發送錯誤的異常數據ai，若是其他傳感器未出現錯誤，那么ai將與另外的傳感器測量結果無法保持一致。但是其發生的可能性非常低，可以忽略。

（3）定義3

使集成數據載體ai成為現實，如果si≥δ，則ai是有效數據。否則，ai是無效數據。其中，δ 是判斷數據有效性的閾值。如果傳感器與其他傳感器不兼容，或者僅與某些傳感器不兼容，并且內置支持值小于閾值δ，則認為從傳感器傳輸的異常數據是由于缺陷引起的。例如，測量值無效并且正在進行中。但是，在數據集成期間，您需要刪除此數據。

1.2 異常數據有效性判斷方法

簇內每個節點中的每個節點將異常數據發送到簇內的每個節點頭，從而啟動簇內節點頭中的每個節點的處理。有兩種類型的異常數據。其中之一是由于傳感器錯誤引起的異常數據，是某種異常數據，另一種是由于監視事件引起的異常數據。如果數據合并中包含無效數據，則整個網絡的解決方案可能不正確，因為這將嚴重影響數據合并結果的準確性。因此，簇內每個節點的主要節點在合并過程中，這個過程中，首先必須確定合并數據的可靠性。集群頭收到成員節點發送的數據后，檢測到異常數據后，很難判斷單個簇頭中來自節點的數據的可靠性。本文提出了一種評估數據可靠性的小組支持方法。該技術原理為各傳感器節點在傳送異常數據時可以獲得相應支持。借助至少2 個傳感器完成對參數的測量，第i 和第j傳感器測量數據是ai與aj。保證ai數據的準確性，其他節點支持ai的測量數據就越多。節點j 支持所謂的ai，表示ai是節點j 上可靠數據的概率，表示數據ai和aj之間的一致性程度。

1.3 簇內數據融合模型

監視范圍中節點分成簇后，簇內節點完成對數據的測量后，會將其向簇頭節點進行傳送。簇的簇首節點接收成員節點的數據，執行并集處理，然后將并集的結果發送給分析和處理。換句話說，簇中的數據開始合并。

數據驅動思維模式適應性非常強，能夠與傳感器動態數據變化情況相適宜，并與計算需求情況保持一致，讓用戶能夠在決策上得到可靠支持。為了在合并簇中的數據時節省能源并傳輸數據，簇代表使用由異常數據驅動的收斂策略。在沒有異常數據的情況下，簇的負責人需要對簇網絡與參與節點狀態信息進行發送。簇網絡保持遠程狀態。發生異常數據時，將發生外部事件來控制簇的頭節點。此時，執行數據合并處理，并且簇網絡處于此狀態。特別是，可以認為它具有外部異常，當用戶啟動請求時，這些異常會觸發用于處理簇頭合并的機制的操作。

2 路由算法中數據融合方法的研究

對無線傳感器網絡來說，由于節點路由過程分層情況不一樣，路由內節點的功能也存在差異，因此路由協議主要包括平面路由與集群路由兩種類型。其中平面路由節點在級別與功能上相同，實行簡便的路由方法，然而在路由設置與維護中花費的資金較多，為引入大規模網絡帶來阻礙。集群路由內節點有著分層特點，也由分層所影響。節點功能存在較大差異，表現出良好的網絡擴展性，也為拓撲管理創造了較好條件，在大型網絡中發揮出較大作用。考慮到集群路由特征，是現階段路由技術研究特點。根據聚類路由協議是否均勻，將其分為兩類：統一聚類和非均勻聚類。無論基于哪種聚類方法，監視區域主要由多個子區域構成，所有區域均可以視為一個A 集群，各集群包括一個集群頭，且分為很多的成員節點，下層的集群頭節點級別簇群組可以看作是高級簇群組的成員節點，以便分層劃分網絡，最高級別的簇群的簇群頭需要同基站、宿節點等完成通信。對無線傳感器網絡來說，網絡能耗直接由節點通信量決定。額外通信量與降低冗余信息傳輸，為現階段路由協議必須關注的一個重點問題。

對無線傳感器網絡來說，主要負責對傳感數據進行收集、管理、分析和處理，通過發揮融合策略的作用，能夠讓網絡數據更加準確，冗余性和有效性產生重要影響。

3 實驗仿真分析

在本文中，將使用MATLAB 平臺對實驗進行建模，并分析和比較算法的性能。在溫室中，將實驗環境設置為200×200m，并隨機排列100 個溫度傳感器節點以監視溫室中的溫度變化。當對溫度變化建模時，正弦方法，傳感器組件故障，天氣變化，溫室薄膜損壞以及人為溫度升高會導致異常數據。將接收器節點的坐標設置為（100，200），并使用經典的豐富算法對區域內全部傳感器節點的聚類，然后才去隨機選擇策略形成聚類頭節點。因為簇頭節點對能量需求較大，能夠讓網絡節點能耗保持平衡，故而對簇頭來說，應該關注現階段剩余能量，同時剩余能量較多節點則確定為簇頭。簇頭對數據進行合并，向接收器節點傳輸數據。在確定能耗時應考慮無線電模型，表1 為節點實驗參數設置。

4 對比分析

4.1 融合效果比較

先對節點收集數據進行合并，形成50 個模擬實驗數據合并結果。將本文的融合結果與傳統的均值算術方法提出的自適應加權融合方法進行了比較。采取這樣的方式，能夠讓融合結果誤差降到最小，若是采取其他方法，則無法保證融合結果的穩定性，因此其在融合精度上優勢非常顯著。對于數據的集成來說，為了讓異常數據得到明確，針對缺陷節點，要事先對數據進行收集。在合并中不會存在不良數據，從而讓數據合并更加有效。

傳感器在數據信號采集過程中，往往會面臨環境因素的影響，節點采集數據將存在一定誤差，這是一個隨機變量，因此融合算法的優缺點是普遍存在的。平方誤差用作評估指標。其均方誤差將跟著無效的數據與概率進行變化，若是無效異常數據可能性不高，則其融合結果均方差異并不顯著。可以看出，該方法誤差較小，可以得到結果，也表明該方法融合精度高，在大量無效數據和異常數據情況下，可以保證網絡數據融合處理的有效性。

表1 節點實驗參數

4.2 能量消耗比較

使用三種方法將網絡生存節點的總剩余能量變化曲線與一輪執行時間進行了比較。若是輪數一樣，其剩余總能量將超出平均方法與加權融合方法。站在網絡生命周期層面來說，采取平均融合方法網絡達到762 輪后，而加權融合方法則達到695 輪，并引起死亡，本文研究的融合方法網絡死循環達到了892 輪。比較結果表明，本白皮書中的方法節能高效，節能且網絡持續時間長。原因是本白皮書中的方法通過兩種方式節省了網絡能耗。首先，站在簇首節點層面而言，在節點存在異常數據、網絡保持興奮狀態、其余時間保持低功耗狀態后，才將數據發送到簇頭。有限消費狀態；第二，從簇頭的角度來看，簇頭僅在激發了足夠數量的異常數據節點并且異常數據的生成不是周期性的并且生成的數量受到限制并且大大減少時才執行數據融合處理。降底網絡中數據融合處理的頻率。

5 結束語

考慮到監視環境中網絡能量限制和緊急事件的特征，我們提出了一種方法，這是一種WSN 集群的數據融合方法。但是在極其理想化的狀態下的，該算法通過異常數據為數據融合源，出現異常后將進行WSN 數據融合處理機制操作。這是由于異常數據將隨機生成，并且生成的頻率受到限制，這樣除了可以對節點數據傳輸頻率進行有力控制，也能降低網絡內數據流量，為異常數據傳輸創造了良好條件。通過仿真后可知，與傳統的平均方法和自適應加權融合方法相比，該方法合并精度高，功耗低，網絡中不良數據比例高，可以保證數據合并結果的可靠性。這是一種更完整的數據融合方法。