多节点协作的传感器网络缺失值重构方法
【专利摘要】本发明涉及一种多节点协作的传感器网络缺失值重构方法，包括：根据目标节点O和邻居节点A的空间相关性，得到邻居节点A关于目标节点O缺失值的意见：目标节点O缺失值的论断为x″(On+1)，意见为{b，u，a}；类似的，分别计算目标节点O的其它邻居节点关于缺失值的论断及对应意见；综合目标节点O的多个邻居节点的论断和对应意见，得到最终意见及对应的论断集合；期望ei为论断xi出现的概率，对期望ei进行基于权重的合并，还原目标节点O的缺失值x″(On++1)。本发明充分利用传感器节点感知数据存在时间相关性和空间相关性特点，客观量化每个邻居节点关于目标节点缺失值的意见，并且准确的融合多个邻居节点的意见，使还原的缺失值误差减少，不需要用户过多参与，鲁棒性更强，还原准确率更高。
【专利说明】
多节点协作的传感器网络缺失值重构方法
技术领域
[0001] 本发明设及无线传感器网络技术领域，特别设及一种多节点协作的传感器网络缺 失值重构方法。
【背景技术】
[0002] 无线传感器网络就是由部署在监测区域内大量的廉价微型传感器节点组成，通过 无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网 络覆盖区域中被感知对象的信息，并发送给观察者。传感器节点通信范围内的节点为1跳邻 居节点，邻居节点默认为1跳邻居节点，衡量邻居节点最为常见的方法是根据节点之间的物 理距离是否在通信范围内。由于噪音、碰撞、不可靠的连接，无线传感器网络经常会丢失部 分传感器节点所感知的数据。
[0003] 为了解决运一问题，人们往往利用节点所感知数据具有时间相关性和空间相关性 的特点来还原缺失值。所谓时间相关性是指传感器节点所感知的数据前后具有一定的联 系，利用时间相关性，可W根据过去一段时间的数据来估计将来的（当然也可W是缺失的） 数据;所谓空间相关性是指传感器节点与相邻节点所感知的数据往往也存在一定联系，例 如两个部署于户外的相邻传感器节点感知溫度，当某个节点感知溫度下降，另一个节点也 会感知溫度下降。然而，运就引出一个新的问题，如何将时间相关性和空间相关性合理融 合，来准确还原无线传感器网络中的缺失数据。
[0004] 潘立强等人将时间相关性和空间相关性结合起来，采用线性插值模型，对数据缺 失值进行还原，但并没有更好地解决多个缺失值的融合问题。运主要体现在两个方面：首 先，作者试图用简单的模型直接刻画时间相关性和空间相关性，运就导致其方法存在明显 的缺陷，例如：自回归模型不区别邻居节点与当前节点之间的相关性，增加此方面的考虑会 极大增加计算量，不解决此问题又会导致缺失值还原误差增加;其次，作者试图用加权求平 均的方法，将两种不同方法生成的缺失值进行融合，运种方法严重依赖权重的设置，而权重 的设置又依赖用户对缺失值的主观预期，很容易引入误差值，使得所还原的缺失值误差增 加。总的来说，现有工作在综合考察多个缺失值的方法时，没有合理的数据支持，容易导致 还原的缺失值与真实值存在较大的误差。
【发明内容】
[0005] 针对现有技术中的不足，本发明提供一种多节点协作的传感器网络缺失值重构方 法，首先立足于目标节点的各个邻居节点，根据时间相关性和空间相关性还原缺失值，而后 利用意见增量融合规则融合各个邻居节点所还原的缺失值，从而还原得到缺失值;采用多 个邻居节点协作的方法还原缺失值，减少还原过程的误差，提高缺失值还原的准确率。
[0006] 按照本发明所提供的设计方案，一种多节点协作的传感器网络缺失值重构方法， 包含如下步骤：
[0007] 步骤1.根据目标节点0的历史数据序列，采用插值公式，获取缺失值的还原值χ/ (On+1)，并根据邻居节点A的数据序列修正目标节点ο的还原值χ/ (On+1)，得到目标节点ο的缺 失值X" (Οη+1)，依据目标节点0和邻居节点A的历史数据序列计算缺失值X" (Οη+1)的不确定性 U、信念b及相对原子度a,得到邻居节点A关于目标节点0缺失值的意见：目标节点0缺失值的 论断为X"(0n+1)，意见为{b，u，a};
[0008] 步骤2.根据空间相关性，综合目标节点0的多个邻居节点的当前数据还原缺失值， 若邻居节点关于目标节点0缺失值的论断相同，则根据二元意见增量融合规则融合同论断 的意见，得到最终意见ω = {{bi，b2, . . .，bk} ,11，{曰1，曰2, . . .，ak}}及对应的论断集合为{xi, X2, ...，Xk};否则，采用意见同元化将不同论断的意见映射为相同论断的意见，保证意见期 望不发生变化的情况下，将论断集合进行扩充，使单论断的意见集合变为多论断的意见集 合，根据多元意见增量融合规则依次两两融合，直至意见集合中剩余一个意见，得到最终意 见ω ={{bi，b2, . . .，bk}，u, {日1，日2,...，化}}及对应的论断集合为{xi，X2,...，祉};
[0009] 步骤3.根据期望计算公式ei = bi+ai · U，期望ei为论断XI出现的概率，对期望ei进 行基于权重的合并，合并公式
其中，hi为期望ei加权求平均的权值项，VI为 论断Xi的缺失值大小，目标节点0的缺失值X" (On+I)还原为value。
[0010] 上述的，步骤1中目标节点0缺失值的还原? 根据邻 居节点A历史数据序列χ(Αι)，χ(Α2)，. . .，χ(Αη)还原
.并 与真实的Χ(Αη+1)进行比较，根据χ/(Αη+1)和Χ(Αη+1)的差异，来修正χ/(〇η+1)，得到目标节点0 的缺失值X" (〇η+1) =χ/ (〇η+1)+χ/ (Αη+1)-Χ(Αη+1);根据目标节点0和邻居节点A的η-1和η-2轮 数据得到第η轮数据χ(0\)和Χ(Α\)，并分别与真实值Χ(Αη)和χ(〇η)求差得到C和d，不确定 性U即为
并根据公式求得信念b:b=l-u;计算邻居节点A数据序列x(Ai)，x (A2)，. . .，X(An)和目标节点0数据序列X(化），X(化），...，X(〇n)之间的差值，得到新的数据序 列 d(tl),d(t2), . . .，d(tn)，计算数据序列 d(tl),d(t2), . . .，d(tn)的方差
其中，E为数据序列的均值，相对原子度a的 计算公??
[0011] 上述的，所述步骤2中二元意见增量融合规则具体内容为:设ωΑ和ωΒ分别是邻居 节点A和Β给出的意见，ωΑΟΒ是一个假设主体[Α，Β]，该主体根据ωΑ和ωΒ得到意见巧WS，其 计算公式如下：情况1(ι/辛0或者
情况2(ι/ = 〇且uB = 〇):
《元 意见增量融合规则具体内容为：多论断X=Ul，X2, . . .，Xk}的意见ωΑ和c〇B，
ω物 是一个假设主体[Α，Β]，该主体根据ωΑ和ωΒ得到意见wfs，其计算公式如下：情况l(uA辛Ο 或者
其中，
[001^ 上述的，增量融合规则中基于论断模糊化考虑，通过设置论断精确度，将相似论断 进行合并，按照增量融合规则融合对应的意见。
[0013] 本发明的有益效果：
[0014] 1、本发明根据目标节点和邻居节点的数据序列，采用插值法构造意见，生成论断、 不确定性、信念及相对原子度;将目标节点的邻居节点意见进行融合，通过论断模糊化和意 见同元化，利用论断期望和加权求平均的参数，进一步还原目标节点的缺失数据，充分利用 传感器节点感知数据存在时间相关性和空间相关性的特点，客观的量化每个邻居节点关于 目标节点缺失值的意见，并且准确的融合多个邻居节点的意见，使还原的缺失值误差减少， 不需要用户过多参与，鲁棒性更强，还原准确率更高。
[0015] 2、本发明融合多个邻居节点根据时空相关性还原的缺失值，还原得到较为准确的 缺失值，在借鉴传感器网络时间相关性和空间相关性的基础上，首先描述不同来源的缺失 值，通过节点意见中的信念和不确定性等元素详细刻画缺失值;然后采用论断模糊化和意 见同元化，将多个意见合理的融合为一个结论意见;最后根据结论意见，换算加权求平均的 相关参数，还原缺失值;与现有技术不同的是，本发明依托多节点协作，使意见融合和还原 缺失值有据可依。
【附图说明】：
[0016] 图1为本发明的流程示意图。
【具体实施方式】：
[0017] 下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详 细说明本发明的实施方式，但本发明的实施方式并不限于此。
[0018] 实施例一，参见图1所示，一种多节点协作的传感器网络缺失值重构方法，包含如 下步骤：
[0019] 步骤1.根据目标节点0的历史数据序列，采用插值公式，获取缺失值的还原值χ/ (Οη+1)，并根据邻居节点A的数据序列修正目标节点0的还原值χ/ (Οη+1)，得到目标节点0的缺 失值X" (On+1)，依据目标节点ο和邻居节点A的历史数据序列计算缺失值X" (On+1)的不确定性 U、信念b及相对原子度a,得到邻居节点A关于目标节点0缺失值的意见：目标节点0缺失值的 论断为X"(0n+1)，意见为{b，u，a};
[0020] 步骤2.根据空间相关性，综合目标节点0的多个邻居节点的当前数据还原缺失值， 若邻居节点关于目标节点0缺失值的论断相同，则根据二元意见增量融合规则融合同论断 的意见，得到最终意见ω = {{bi，b2, . . .，bk} ,11，{曰1，曰2, . . .，ak}}及对应的论断集合为{xi, X2, ...，Xk};否则，采用意见同元化将不同论断的意见映射为相同论断的意见，保证意见期 望不发生变化的情况下，将论断集合进行扩充，使单论断的意见集合变为多论断的意见集 合，根据多元意见增量融合规则依次两两融合，直至意见集合中剩余一个意见，得到最终意 见ω ={{bi，b2, . . .，bk}，u, {日1，日2,...，化}}及对应的论断集合为{xi，X2,...，祉};
[0021] 步骤3.根据期望计算公式ei = bi+ai · U，期望ei为论断XI出现的概率，对期望ei进 行基于权重的合并，合并公式
其中，hi为期望ei加权求平均的权值项，VI为 论断Xi的缺失值大小，目标节点0的缺失值X" (On+I)还原为value。
[0022] 实施例二，参见图1所示，一种多节点协作的传感器网络缺失值重构方法，包含如 下步骤：
[0023] 步骤1.根据目标节点0的历史数据序列，采用插值公式，获取缺失值的还原值χ/ (On+l)，目标节点0缺失值的还原值
根据邻居节 点A历史数据序列X(Al)，X(A2)，. . .，X(An)还房
并 与真实的X(An+l)进行比较，根据χ/(Αη+1)和X(An+l)的差异，来修正χ/(0η+1)，得到目标节点0 的缺失值X" (Οη+1) =χ/ (0η+1)+χ/ (Αη+1)-Χ(Αη+1);根据目标节点0和邻居节点A的η-1和η-2轮 数据得到第η轮数据Χ(0\)和Χ(Α\)，并分别与真实值Χ(Αη)和Χ(0η)求差得到C和d，不确定 性U即为
并根据公式求得信念b:b = l-u;计算邻居节点A数据序列x(Ai)，x (A2)，. . .，X(An)和目标节点0数据序列X(化），X(化），...，X(0n)之间的差值，得到新的数据序 列 d(tl),d(t2), . . .，d(tn)，计算数据序列 d(tl),d(t2), . . .，d(tn)的方差
妻中，E为数据序列的均值，相对原子度a的 计算公式
其中，dis = X(An+l)-X" (On+1)，得到邻 居节点A关于目标节点0缺失值的意见：目标节点0缺失值的论断为X"(0n+1)，意见为{b，u， a};
[0024] 步骤2.根据空间相关性，综合目标节点ο的多个邻居节点的当前数据还原缺失值， 若邻居节点关于目标节点0缺失值的论断相同，则根据二元意见增量融合规则融合同论断 的意见，得到最终意见ω = {{bi，b2, . . .，bk}，u, {曰1，曰2, . . .，ak}}及对应的论断集合为{xi, X2, . . .，Xk};否则，采用意见同元化将不同论断的意见映射为相同论断的意见，保证意见期 望不发生变化的情况下，将论断集合进行扩充，使单论断的意见集合变为多论断的意见集 合，根据多元意见增量融合规则依次两两融合，直至意见集合中剩余一个意见，得到最终意 见ω ={{bi，b2, . . .，bk}，u, {日1，日2,...，化}}及对应的论断集合为{xi，X2,...，祉};
[0025] 步骤3.根据期望计算公式ei = bi+ai · U，期望ei为论断XI出现的概率，对期望ei进 行基于权重的合并，合并公式
其中，hi为期望ei加权求平均的权值项，VI为 论断Xi的缺失值大小，目标节点0的缺失值X" (On+I)还原为value。根据目标节点0的历史数 据序列，采用插值公式，获取缺失值的还原值χ/(〇η+ι)，并根据邻居节点A的数据序列修正目 标节点0的还原值χ/ (On+l)，得到目标节点0的缺失值X" (On+l)，依据目标节点0和邻居节点A 的历史数据序列计算缺失值x"(〇n+i)的不确定性U、信念b及相对原子度a,得到邻居节点A关 于目标节点0缺失值的意见：目标节点0缺失值的论断为X"他+1)，意见为{b，u，a}。
[0026] 步骤2中二元意见增量融合规则具体内容为:设ωΑ和ωΒ分别是邻居节点A和B给出 的意见，ωΑΟΒ是一个假设主体[A，B]，该主体根据ωΑ和ωΒ得到意见其计算公式如下： 情况 或者 uB^^O)
情况 2(uA=〇 且 uB = 〇):
基于 论断模糊化考虑，通过设置论断精确度，将相似论断进行合并，按照二元意见增量融合规则 融合对应的意见，例如：论断1是缺失值应该为21.123,论断2是缺失值应该为21.129,基于 论断模糊化的考虑，可W设置精确度为小数点后两位，从而将论断A和论断B视为同一个论 断，进而可W按照增量融合规则融合对应的意见。用例子进一步说明：设现有论断为 (1.214，1.214，1.213，1.32}，与之对应的意见集合为{￥1，巧2，巧3，巧4}，那么意见巧1和巧2可^直 接进行增量融合，此时意见集合更新为扣'10>|'3，^3，^^.当用户将精确度设置为小数点后 5 两位，可W将1.214和1.213等视为同一个论断，可W进一步将对应意见融合，此时意见集合 更新为始受14?受w'3，m'4}。
[0027] 步骤2中的多元意见增量融合规则具体内容为：多论断X={xi，x2, . . .，xk}的意见 "A和"B，仍J = }{〇,〇，...，6主〇)^"J.{〇,〇，...，"4,，...，〇}} ,〇/={{〇'0…。b;、，〇}，"8,{〇,〇，"..<,…〇}j, ωΑΟΒ是一个假设主体[A，B]，该主体根据ωΑ和ωΒ得到意见鮮?，其计算公式如下：情况1 (uA辛ο或者uB辛0)
具体：设现有k个意见对应k 个不同的论断，存在一个新的论断X包含原有的运些论断X= {xi，x2,...，xk}，那么某个论断 Xi对应的意见可W从{b，u，a}映射为{{0,0，...，b(Xi)，...，0}，u, {0,0，...，a(Xi)，...， 0} }。例如:根据邻居节点A的数据推测缺失值应该为1.1，相应的意见{0,4,0.6,0.3};根据 邻居节点B的数据推测缺失值应该为1.2，相应的意见{0，5，0.5，0.4};经过整理和映射，论 断更改为缺失值可能为1.1或者1.2,相应的意见为{{0.4，0}，0.6, {0.3,0} }，W及{{0， 0.引，0.5, {0,0.4}}，经过整理和映射后的意见可W继续按照增量融合规则进行融合。
[0028] 本发明充分利用传感器节点感知数据存在时间相关性和空间相关性的特点，客观 的量化每个邻居节点关于目标节点缺失值的意见，并且准确的融合多个邻居节点的意见， 使还原的缺失值误差减少。现有的方法虽然也利用传感器节点感知数据存在时间相关性和 空间相关性，但是在如何考察邻居节点的数据序列，如何将时间相关性和空间相关性两种 特性所获得的数据进行融合等关键要点，还过多依赖用户所设定的参数，只有在理想的情 况下才能得到较为准确的还原值。相较于现有技术，本发明所给出的方法，不需要用户过多 参与，鲁棒性更强，还原准确率更高。
[0029] 本发明并不局限于上述【具体实施方式】，本领域技术人员还可据此做出多种变化， 但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。
【主权项】
1. 一种多节点协作的传感器网络缺失值重构方法，其特征在于:包含如下步骤： 步骤1.根据目标节点0的历史数据序列，采用插值公式，获取缺失值的还原值xlcw)， 并根据邻居节点A的数据序列修正目标节点0的还原值Y (On+1)，得到目标节点0的缺失值x〃 (〇n+1)，依据目标节点0和邻居节点A的历史数据序列计算缺失值x〃（O n+1)的不确定性u、信念 b及相对原子度a，得到邻居节点A关于目标节点0缺失值的意见：目标节点0缺失值的论断为 χ〃(Οη+ι)，意见为{b，u，a}; 步骤2.根据空间相关性，综合目标节点0的多个邻居节点的当前数据还原缺失值，若邻 居节点关于目标节点〇缺失值的论断相同，则根据二元意见增量融合规则融合同论断的意 见，得到最终意见ω = {{bi，b2，. . .，bk}，u，{ai，a2，. . .，ak}}及对应的论断集合为{χι， x2, . . .，Xk};否则，采用意见同元化将不同论断的意见映射为相同论断的意见，保证意见期 望不发生变化的情况下，将论断集合进行扩充，使单论断的意见集合变为多论断的意见集 合，根据多元意见增量融合规则依次两两融合，直至意见集合中剩余一个意见，得到最终意 见ω ={{bi，b2, · · ·，bk}，u, {ai，a2, · · ·，ak}}及对应的论断集合为{χι，Χ2, · · ·，xk}; 步骤3.根据期望计算公式ei = bi+ai · u，期望ei为论断Xi出现的概率，对期望ei进行基 k 于权重的合并，合并公式其中，hi为期望ei加权求平均的权值项，Vi为论断 兒 ， Xi的缺失值大小，目标节点〇的缺失值Χ〃（On+1)还原为value。2. 根据权利要求1所述的多节点协作的传感器网络缺失值重构方法，其特征在于:步骤 1中目标节点〇缺失值的还原根据邻居节点A ln - lr,-l ， 历史数据序列x(A〇，x(A2)，. . .，x(An)还原，并与 真实的x(An+1)进行比较，根据x'(An+1)和 x(An+1)的差异，来修正x'(0n+1)，得到目标节点〇的 缺失值Χ〃（Οη+1) =χ' (Οη+ιΗχ7 (Αη+ι)-χ(Αη+ι);根据目标节点0和邻居节点A的n-1和n-2轮数 据得到第η轮数据奴0\)和xU^)，并分别与真实值x(A n)和x(0n)求差得到c和d，不确定性u _ \c ~d\ 、 、 i 、 , %u = |cj + |^|并根据公式求得信念b:b = l_u;计算邻居节点A数据序列χ(Αι)，x(A2)，. . .，x ? (An)和目标节点0数据序列"(hhWOs)，...，x(0n)之间的差值，得到新的数据序列cKtihd (t2)，· · ·，d(tn)，计算数据序列 d(ti)，d(t2)，· · ·，d(tn)的方差 -其中，E为数据序列的均值，相对原子度a的计，P ，算公〕 其中，dis = x(An+i)-x〃 (On+1) D ，3. 根据权利要求1所述的多节点协作的传感器网络缺失值重构方法，其特征在于:所述 步骤2中二元意见增量融合规则具体内容为:设ω Α和ωΒ*别是邻居节点A和B给出的意见， ω $是一个假设主体[A，B]，该主体根据ω A和〇^得到意见，其计算公式如下:情况1 (uA4.根据权利要求3所述的多节点协作的传感器网络缺失值重构方法，其特征在于:增量 融合规则中基于论断模糊化考虑，通过设置论断精确度，将相似论断进行合并，按照增量融 合规则融合对应的意见。
【文档编号】H04W28/04GK105873129SQ201610175992
【公开日】2016年8月17日
【申请日】2016年3月24日
【发明人】周洪伟, 原锦辉, 李福林, 张来顺, 范钰丹, 张驰
【申请人】中国人民解放军信息工程大学