一种环境感知网络优化方法和系统

1.本发明属于物联网技术领域中的数字孪生技术领域，更具体地，涉及一种大规模开放式环境感知网络优化方法及系统。


背景技术：

2.当前主流的高精度环境感知技术依赖于密集复杂的传感网络，借助对感知需求要素的分类与传感器性能的评估来决定整个网络节点的布局。智慧生态园是典型的大规模开放式环境感知场景，在以数字孪生等技术为媒介促进智能化的过程中，对于传感网络的精度和即时响应度要求极为苛刻。
3.常见的环境感知网络优化方法有两类，第一类是使用机器学习，例如ap聚类来确定每个节点的归属度与吸引度，最后引入支持向量机来进行位置类别划分，以类替点从而降低冗余；第二类是采用分布式定位，将大规模无线传感器网络构成的全局无向图分解为一系列部分重叠的子图，将全局优化问题分解为子图独立迭代求解，最后对不同部分重叠子图进行融合求平均，进而定位传感器的优化位置。
4.上述第一类方法相对而言操作简单，应用于各类茶园果园，实现对土壤含水量的感知与监控。然而，其局限性在于受机器学习计算迭代方式约束，只适用于较小规模且感知需求要素单一的小型开放式环境；第二类方法，将全局优化问题转化为局部优化问题，结合路径搜索策略，在节点定位方面得到了一定的应用。然而其在耦合过程中复杂度过高，每计算定位一个优化的节点需要重新迭代全局，难以应用于追求即时响应的现代智慧系统场景。
5.综上，虽然现有技术能够对环境感知网络进行优化，但仍有不足。因此，减少环境感知网络中传感器数量，减低硬件成本，同时降低计算冗余，提高即时响应度，将是解决环境感知网络高性能要求的重要途径。


技术实现要素：

6.针对现有技术的缺陷，本发明的目的在于提供一种环境感知网络优化方法和系统，旨在解决现有环境感知网络的即时响应度的问题。
7.为实现上述目的，本发明提供了一种环境感知网络优化方法，包括如下步骤：
8.(1)获取正样本集步骤：对环境感知网络中各节点中各传感器类别进行数据采集，得到各节点中各传感器类别在各采集时刻的数据，对各采集时刻的数据计算得到各采集时刻的基准值，所有采集时刻的基准值构成一组基准序列，作为正样本集；
9.(2)节点优化步骤：计算各节点的节点贡献度，节点贡献度大于等于节点贡献度阈值的节点保留，反之则舍弃所述节点，依次将所有节点的节点贡献度和节点贡献度阈值进行比较，得到优化后的节点；
10.(3)传感器类别优化步骤：计算优化后的节点中各传感器类别的平均权重，各节点中传感器类别的平均权重大于等于传感器权重阈值的传感器类别保留，反之则舍弃，依次
将各节点中的传感器类别的平均权重和传感器阈进行比较，得到各节点中优化后的传感器类别；
11.(4)拟合相似度判定步骤：根据优化后的节点和各节点中传感器类别，对各采集时刻的数据进行筛选，得到各采集时刻的表征向量，所有采集时刻的表征向量构成一组优化效果验证序列，计算其和所述正样本集中基准序列的拟合相似度，将拟合相似度和相似度阈值进行比较，拟合相似度大于等于相似度阈值则表明节点和传感器类别优化效果达到了预期。
12.在一个可选的实施例中，所述拟合相似度判定步骤之后，还包括结果优化迭代步骤：
13.如果拟合相似度小于相似度阈值，对节点贡献度阈值、传感器类别数量和传感器权重阈值进行调整，返回到步骤(1)，重复执行步骤(1)到步骤(4)，直到拟合相似度满足相似度阈值为止。
14.在一个可选的实施例中，所述获取正样本集获取步骤，包括如下子步骤：
15.(1.1)计算节点数量子步骤：将待优化环境感知网络的长和宽分别除以各传感器类别中有效覆盖半径最小值的两倍，将得到的数值分别向上取整后相乘得到环境感知网络需要布置的节点数量；
16.(1.2)获取正样本集子步骤：各节点中均布置相同数量的传感器类别，对各节点中各传感器类别在各采集时刻进行数据采集，得到各采集时刻的数据，对各采集时刻的数据计算得到各采集时刻的一个基准值，所有采集时刻的基准值构成一组基准序列，作为正样本集。
17.在一个可选的实施例中，所述节点优化步骤，包括如下子步骤：
18.(2.1)计算节点一阶邻居的边权重子步骤：对任一采集时刻的数据使用多头注意力机制计算各节点在所述任一采集时刻的各一阶邻居的注意力系数，再将其归一化处理得到各节点在所述任一时刻的各一阶邻居的边权重；
19.(2.2)计算节点贡献度子步骤：对各节点在所述任一时刻的所有一阶邻居的边权重加权后取平均值，得到各节点在所述任一时刻的节点权重，对各节点在所有时刻的节点权重求和后取平均值，得到各节点的节点贡献度；
20.(2.3)节点数量优化子步骤：将各节点的节点贡献度与节点贡献度阈值进行比较，节点贡献度大于等于节点贡献度阈值的节点保留，反之丢弃，得到优化后的节点。
21.在一个可选的实施例中，所述传感器类别优化步骤，包括如下子步骤：
22.(3.1)构建胶囊网络子步骤：将优化后的节点在任一采集时刻各节点中各传感器类别采集的数据内积一个权重矩阵得到全连接层，全连接层包括多组胶囊，每组胶囊代表一种传感器类别在各节点采集数据的集合，每一列胶囊代表一个节点中所有传感器类别采集的数据；
23.(3.2)计算传感器平均权重子步骤：计算任一采集时刻各节点中各传感器类别在所述各节点的权重，得到任一采集时刻各节点中各传感器类别的有效权重，对各节点中各传感器类别在所有采集时刻上的有效权重计算2范数后取平均值，得到各节点中各传感器类别的平均权重；
24.(3.3)传感器类别数量优化子步骤：将各节点中各传感器类别的平均权重和传感
器权重阈值进行比较，各节点中平均权重大于等于传感器权重阈值的传感器类别保留，反之丢弃，完成优化后的各节点中传感器类别的优化。
25.在一个可选的实施例中，所述对节点贡献度阈值、传感器类别数量和传感器权重阈值进行调整，具体为：
26.给定一组偏置量，每一轮迭代对上一轮的节点贡献度阈值、传感器类别数量和传感器权重阈值按照偏置量进行向下偏置，得到新的节点贡献度阈值、传感器类别数量和传感器权重阈值。
27.本发明的另一目的在于提供一种环境感知网络优化系统，包括如下单元：
28.获取正样本集单元：对环境感知网络中各节点中各传感器类别进行数据采集，得到各节点中各传感器类别在各采集时刻的数据，对各采集时刻的数据计算得到各采集时刻的基准值，所有采集时刻的基准值构成一组基准序列，作为正样本集；
29.节点优化单元：计算各节点的节点贡献度，节点贡献度大于等于节点贡献度阈值的节点保留，反之则舍弃所述节点，依次将所有节点的节点贡献度和节点贡献度阈值进行比较，得到优化后的节点；
30.传感器类别优化单元：计算优化后的节点中各传感器类别的平均权重，各节点中传感器类别的平均权重大于等于传感器权重阈值的传感器类别保留，反之则舍弃，依次将各节点中的传感器类别的平均权重和传感器阈进行比较，得到各节点中优化后的传感器类别；
31.拟合相似度判定单元：根据优化后的节点和各节点中传感器类别，对各采集时刻的数据进行筛选，得到各采集时刻的表征向量，所有采集时刻的表征向量构成一组优化效果验证序列，计算其和所述正样本集中基准序列的拟合相似度，将拟合相似度和相似度阈值进行比较，拟合相似度大于等于相似度阈值则表明节点和传感器类别优化效果达到了预期。
32.在一个可选的实施例中，所述拟合相似度判定单元之后，还包括结果优化迭代单元：
33.如果拟合相似度判定单元得到的拟合相似度小于相似度阈值，则结果迭代单元用于对节点贡献度阈值、传感器类别数量和传感器权重阈值进行调整，并将调整的结果返回到获取正样本集单元，重新计算拟合相似度，直到拟合相似度满足相似度阈值为止。
34.在一个可选的实施例中，所述节点优化单元，包括如下子单元：
35.计算节点一阶邻居的边权重子单元：对任一采集时刻的数据使用多头注意力机制计算各节点在所述任一采集时刻的各一阶邻居的注意力系数，再将其归一化处理得到各节点在所述任一时刻的各一阶邻居的边权重；
36.计算节点贡献度子单元：对各节点在所述任一时刻的所有一阶邻居的边权重加权后取平均值，得到各节点在所述任一时刻的节点权重，对各节点在所有时刻的节点权重求和后取平均值，得到各节点的节点贡献度；
37.节点数量优化子单元：将各节点的节点贡献度与节点贡献度阈值进行比较，节点贡献度大于等于节点贡献度阈值的节点保留，反之丢弃，得到优化后的节点。
38.在一个可选的实施例中，所述传感器类别优化单元，包括如下子单元：
39.构建胶囊网络子单元：将优化后的节点在任一采集时刻各节点中各传感器类别采
集的数据内积一个权重矩阵得到全连接层，全连接层包括多组胶囊，每组胶囊代表一种传感器类别在各节点采集数据的集合，每一列胶囊代表一个节点中所有传感器类别采集的数据；
40.计算传感器平均权重子单元：计算任一采集时刻各节点中各传感器类别在所述各节点的权重，得到任一采集时刻各节点中各传感器类别的有效权重，对各节点中各传感器类别在所有采集时刻上的有效权重计算2范数后取平均值，得到各节点中各传感器类别的平均权重；
41.传感器类别数量优化子单元：将各节点中各传感器类别的平均权重和传感器权重阈值进行比较，各节点中平均权重大于等于传感器权重阈值的传感器类别保留，反之丢弃，完成优化后的各节点中传感器类别的优化。
42.通过本发明所构思的以上技术方案，与现有技术相比，具有以下有益效果：
43.本发明提供了一种环境感知网络优化方法和系统，利用图注意力网络表征整个传感器网络的拓扑结构，汇聚所有节点信息，计算各节点的节点贡献度，节点贡献度大于等于节点贡献度阈值的节点保留，反之则舍弃所述节点，依次将所有节点的节点贡献度和节点贡献度阈值进行比较，得到优化后的节点。例如，计算节点贡献度的过程中，使用多头注意力机制计算任一采集时刻各节点的任一一阶邻居注意力系数，再将其归一化得到各节点在任一采集时刻的任一一阶邻居的边权重，对各节点在所述任一采集时刻的所有一阶邻居的边权重求和后取平均值，得到所述任一采集时刻的各节点的节点权重，对各节点在所有采集时刻的节点权重求和后取平均值得到节点贡献度。
44.同时，使用胶囊网络的思想，计算优化后的节点中各传感器类别的平均权重，各节点中传感器类别的平均权重大于等于传感器权重阈值的传感器类别保留，反之则舍弃，依次将各节点中的传感器类别的平均权重和传感器阈进行比较，得到优化后的各节点中传感器类别。例如，计算节点中各传感器类别的平均权重时，将优化后的节点在任一采集时刻各节点中各传感器类别采集的数据内积一个权重矩阵得到全连接层，全连接层包括多组胶囊，每组胶囊代表一种传感器类别在各节点采集数据的集合，每一列胶囊代表一个节点中所有传感器类别采集的数据，计算任一采集时刻各节点中各传感器类别在所述各节点的权重，得到任一采集时刻各节点中各传感器类别的有效权重，对各节点中各传感器类别在所有采集时刻上的有效权重计算2范数后取平均值，得到各节点中各传感器类别的平均权重。
45.本发明将图注意力网络和胶囊网络运用在环境感知网络优化中，减少了节点数量和传感器类别数量，降低了硬件成本，同时降低了计算冗余，提高环境感知网络的即时响应度。
附图说明
46.图1为本发明的环境感知网络优化方法的流程图；
47.图2为本发明实施例的流程图；
48.图3为本发明实施例构建的图注意力网络节点优化结构图；
49.图4为本发明实施例节点权重机制图；
具体实施方式
50.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
51.图1为本发明的环境感知网络优化方法流程图，如图1所示，包括如下步骤：
52.(1)获取正样本集步骤：对环境感知网络中各节点中各传感器类别进行数据采集，得到各节点中各传感器类别在各采集时刻的数据，对各采集时刻的数据计算得到各采集时刻的基准值，所有采集时刻的基准值构成一组基准序列，作为正样本集；
53.(2)节点优化步骤：计算各节点的节点贡献度，节点贡献度大于等于节点贡献度阈值的节点保留，反之则舍弃所述节点，依次将所有节点的节点贡献度和节点贡献度阈值进行比较，得到优化后的节点；
54.(3)传感器类别优化步骤：计算优化后的节点中各传感器类别的平均权重，各节点中传感器类别的平均权重大于等于传感器权重阈值的传感器类别保留，反之则舍弃，依次将各节点中的传感器类别的平均权重和传感器阈进行比较，得到各节点中优化后的传感器类别；
55.(4)拟合相似度判定步骤：根据优化后的节点和各节点中传感器类别，对各采集时刻的数据进行筛选，得到各采集时刻的表征向量，所有采集时刻的表征向量构成一组优化效果验证序列，计算其和所述正样本集中基准序列的拟合相似度，将拟合相似度和相似度阈值进行比较，拟合相似度大于等于相似度阈值则表明节点和传感器类别优化效果达到了预期。
56.具体地，本发明提供的环境感知网络优化方法，以下是详细的技术方案，图2是本发明实施例的流程图；如图2所示，包括如下步骤：
57.(1)计算基准序列和获取正样本集步骤。
58.(1.1)计算节点数量子步骤：首先定义环境感知网络传感器类别数量为m，各传感器类别的有效覆盖半径为ra(1≤a≤m)，环境场景长宽分别为l和w,则环境感知网络中的节点数量n计算公式如下：
[0059][0060]
其中，f1(x)为向上取整函数，考虑到环境感知网络为不标准长方形，因此，对长和宽两个维度都需要使用向上取整函数做近似处理。
[0061]
(1.2)获取正样本集子步骤：对n个节点均布置m种传感器类别，对各节点中各传感器类别在各采集时刻上进行数据采集，计算任一采集时刻的数据得到所述任一采集时刻的基准值
[0062][0063]
其中，g为节点序号，vm是各节点中第m种传感器类别采集的数据，基准值为m
×
1的向量，向量中每个元素代表一种传感器类别在所述任一时刻在n个节点上采集数据的平
均值。
[0064]
所有采集时刻的基准值构成一组基准序列作为正样本集。
[0065][0066]
其中，t代表采集时长，f代表传感器的采集频率，f1(x)代表向上取整函数，对参数x向上计算最接近的整数，t代表向上取整函数计算后得到的采集次数。
[0067]
(2)节点优化步骤：对所有采集时刻的数据计算各节点的节点贡献度，将其和节点贡献度阈值进行比较，完成节点的优化。
[0068]
(2.1)计算节点一阶邻居的边权重子步骤：为了更加精确的计算节点的一阶邻居的边权重，我们将该问题进行分解，采用迭代的方法，依次计算节点的l阶邻居的一阶邻居的边权重，l-1阶邻居的一阶邻居的边权重，直到计算所述节点的一阶邻居的边权重。为了防止过拟合现象发生，通常不超过5阶邻居。
[0069]
输入n个节点中m类传感器在任一采集时刻的数据集合(z1,...,zn)。
[0070]
任一节点的l阶中心节点的单个一阶邻居节点的注意力系数计算公式如下所示：
[0071][0072]
其中，i代表任一节点的l阶中心节点，j代表i的一个一阶邻居节点，leakyrelu代表非线性激活函数，q代表一个单层的前向传播神经网络，代表i的表征向量，代表j的表征向量，w为权重矩阵。同理，可以计算得到i的所有一阶邻居的注意力系数。
[0073]
利用多头注意力机制将邻居注意力系数加权归一化，得到i的单个一阶邻居的边权重
[0074][0075]
其中，k代表i的任一一阶邻居，n(i)为i的一阶邻居集合，代表i的任一一阶邻居的注意力系数。
[0076]
表征向量更新函数计算公式如下：
[0077][0078]
其中,iˊ为任一节点的(l-1)阶中心节点，σ代表sigmoid函数，表示任一节点的l阶中心节点的单个一阶邻居的数据。任一节点l阶中心节点i变为iˊ的一阶邻居。
[0079]
通过对中心节点的表征向量和中心节点的一阶邻居的表征向量迭代，得到任一节
点在所述任一采集时刻的各一阶邻居的边权重。
[0080]
(2.2)计算节点贡献度子步骤：对任一节点在所述任一采集时刻的所有一阶邻居的边权重进行求和取平均值，得到任一节点在所述任一采集时刻的节点权重，再对所述任一节点在所有采集时刻的节点权重求和后取平均值得到所述任一节点的节点贡献度ce：
[0081][0082]
其中，k为采集次数的序号，为任一节点的单个一阶邻居的边权重。
[0083]
(2.3)节点数量优化子步骤：将节点贡献度与节点贡献度阈值t0依次进行比较，节点贡献度大于等于节点贡献度阈值t0的节点保留，反之节点丢弃，得到优化后的节点数量n
′
。节点贡献度判定公式ce如下所示：
[0084][0085]
其中，节点贡献度阈值t0的初始值为0.1。
[0086]
本发明为方便理解，以单个节点的二阶邻居为例介绍一阶邻居的边权重计算过程，整个过程如图3所示：
[0087]
(1)选取环境感知网络中一个3x3的子图，每个节点相互连接，各节点中传感器类别密集均匀分布，如图3中第一步所示。
[0088]
(2)子图中单个节点的信息汇聚与更新，以d节点为例，绘制其一阶邻居和二阶邻居拓扑结构。如图3中第二步所示，其一阶邻居节点集合为{a,e,g},二阶邻居节点集合为{(b,d),(b,d,h,f),(h,d)},考虑到拉普拉斯过平滑现象，对于单个节点的信息汇聚采用多层汇聚的方式，即从节点d的二阶邻居节点向节点d的一阶节点汇聚信息，再从节点d的一阶邻居节点向节点d汇聚信息。计算d节点的一阶邻居的边权重过程如下：
[0089]
步骤1，计算节点d的一阶中心节点a的边权重。对任一采集时刻的数据分别计算节点a和一阶邻居b、一阶邻居节点d的注意力系数，在计算注意力系数过程中用到节点a、节点b、节点d的表征向量，利用多头注意力机制将邻居注意力系数加权归一化，得到节点a的一阶邻居的边权重。同理，使用相同的方法的得到节点d的其他一阶中心节点e和g的一阶邻居边权重。
[0090]
步骤2，使用表征向量更新函数得到节点d的表征向量，此时，节点a、节点e、节点g从节点d的一阶中心节点变成节点d的一阶邻居节点，分别计算节点d和它的一阶邻居节点a、e、g的注意力系数，利用多头注意力机制将邻居注意力系数加权归一化，得到节点d在所述任一时刻的三个一阶邻居的边权重；对节点d的三个一阶邻居的边权重求和后求平均值，得到节点d在所述任一时刻的节点权重，再对节点d在所有时刻的节点权重求和后取平均值，得到d的节点贡献度；将其和节点贡献度阈值进行比较，如果大于等于阈值则说明节点d在子图中的重要性高，需要保留，反之，需要丢弃。
[0091]
步骤3，按照步骤2中节点d的优化过程，完成对子图中其他节点的优化，得到优化后的节点a，b，g，f，i，如图3中第三步所示。
[0092]
在节点汇聚信息时会经历一个黑盒操作，这种操作在传统的图注意力网络中采用
均值或者池化处理，然而这样会丢失部分信息，因此，本发明引入多头注意力机制，做加权求和处理，其处理机制如图4所示,节点d有三个一阶邻居节点a、e、g，每个一阶邻居代表一个头，分别计算节点d和其一阶邻居节点a、e、g的注意力系数，利用多头注意力将da,de,dg的注意力系数进行拼接处理，得到各一阶邻居的边权重，再对各一阶邻居的边权重求和之后取平均值，得到节点d在任一时刻的节点权重。
[0093]
(3)传感器类别优化步骤：计算优化后的节点中各传感器类别的权重，将其和传感器权重阈值经行比较，各节点中大于等于传感器权重阈值的传感器类别保留，反之则舍弃各节点中小于传感器权重阈值的传感器类别，得到各节点中优化后的传感器类别。
[0094]
(3.1)构建胶囊网络子步骤：输入任一采集时刻的数据集合{u1,..un′
},其中n
′
为优化后的节点数量，每个节点中有m种传感器类别，则数据集合的规模为{n
′
,1,m,1}，将数据集合内积一个权重矩阵得到全连接层，得到一个主胶囊层，包括m组胶囊，每组胶囊有n
′
个胶囊，其中，每组胶囊代表一种传感器类别在优化后节点上的数据集合，每一列胶囊代表同一个节点中各传感器类别在所述任一时刻采集的数据。后续步骤中使用超参数t1表示传感器类别数量m，初始值为10。
[0095]
(3.2)计算传感器平均权重子步骤：
[0096]
节点中单个传感器类别和本节点中其他传感器类别的耦合系数为c
xy
：
[0097][0098]
其中，x代表胶囊网络中节点序号，1≤x≤n
′
,y代表胶囊网络中传感器类别序号，1≤y≤t1，z代表第x个节点中传感器类别的序号，b
xy
代表先验概率系数，初始化为0。
[0099]
第x个节点中t1种传感器类别数据的总输入为s
x
：
[0100][0101]
其中，w
xy
为第x个节点中第y个传感器类别在所述任一时刻的权重，初始值为0.5，u
x
为任一采集时刻的数据集合中第x个节点所有传感器类别的数据。
[0102]
对s
x
进行向量压缩，得到压缩后的总输入v
x
：
[0103][0104]
至此，完成胶囊网络动态路由的前向传播，先验概率系数更新公式如下：
[0105]bx(y+1)
＝b
xy
+v
x
·wxyux
[0106]
其中，b
x(y+1)
代表第x个节点中第(y+1)种传感器类别的先验概率系数，通过迭代训练可得到第x个节点中各传感器类别的先验概率系数。
[0107]
间隔损失函数l
x
计算公式如下：
[0108]
l
x
＝t
x
max(0,m
+-‖v
x
‖2)+λ(1-t
x
)max(0,‖v
x
‖-m-)2[0109]
其中，t
x
代表经过位置优化后节点x的输出噪点状态分段函数，当输出分布在非负数段时候，t
x
为1，反之为0；m
+
为惩罚假阳性，节点x存在但是预测不存在会导致损失函数很
大；m-为惩罚假阴性，节点x不存在但是预测存在，会导致损失函数很大。λ为超参数，用来平衡过拟合的影响，给定值0.1。
[0110]
任一采集时刻第x个节点中第y种传感器类别的有效权重计算公式如下：
[0111]wxy
＝[decoupling(b
xy
)]|min[l
x
]
[0112]
对所有采集时刻第x个节点中第y种传感器类别的有效权重计算2范数后取平均值，得到所述传感器类别的平均权重d
xy
:
[0113]dxy
＝avg(||w
xy
||2)
[0114]
(3.3)传感器类别数量优化子步骤：将d
xy
和传感器权重阈值进行比较，如果大于等于传感器权重阈值则保留所述传感器类别，反之则舍弃所述传感器类别。
[0115][0116]
其中，t2为传感器权重阈值，初始值为0.1。
[0117]
对各节点中所有传感器类别的平均权重进行判定，得到各节点中优化后的传感器类别数量m
x
。
[0118]
(4)拟合相似度判定步骤：对任一采集时刻根据优化后的节点和传感器类别进行数据筛选，得到任一采集时刻的表征向量
[0119][0120]
其中，gˊ代表优化后的节点序号，是优化后的各节点中各传感器类别在所述任一采集时刻的数据。
[0121]
对所有采集时刻数据按照相同的方法进行筛选，得到各采集时刻的表征向量，所有时刻的表征向量构成一组优化效果验证序列
[0122][0123]
计算优化效果验证序列和所述正样本集的基准序列的拟合相似度
[0124][0125]
其中，j代表采集时刻序号。
[0126]
将得到的拟合相似度和相似度阈值进行比较，其中，相似度阈值为0.95，拟合相似度大于等于0.95，说明环境感知网络中节点数量和各节点中传感器类别数量优化效果达到了预期。
[0127]
(5)优化结果迭代步骤：如果拟合相似度小于0.95，对节点贡献度阈值、传感器类别数量和传感器权重阈值按照偏置量(0.01,1,0.01)进行向下偏置，得到新的节点贡献度
阈值、传感器类别数量和传感器权重阈值，重复实施例中步骤(1)到步骤(4)，直到步骤(4)中计算的拟合相似度大于等于0.95为止。
[0128]
具体地，本发明提供的环境感知网络优化系统，包括如下单元：
[0129]
获取正样本集单元：对环境感知网络中各节点中各传感器类别进行数据采集，得到各节点中各传感器类别在各采集时刻的数据，对各采集时刻的数据计算得到各采集时刻的基准值，所有采集时刻的基准值构成一组基准序列，作为正样本集；
[0130]
节点优化单元：计算各节点的节点贡献度，节点贡献度大于等于节点贡献度阈值的节点保留，反之则舍弃所述节点，依次将所有节点的节点贡献度和节点贡献度阈值进行比较，得到优化后的节点；
[0131]
传感器类别优化单元：计算优化后的节点中各传感器类别的平均权重，各节点中传感器类别的平均权重大于等于传感器权重阈值的传感器类别保留，反之则舍弃，依次将各节点中的传感器类别的平均权重和传感器阈进行比较，得到各节点中优化后的传感器类别；
[0132]
拟合相似度判定单元：根据优化后的节点和各节点中传感器类别，对各采集时刻的数据进行筛选，得到各采集时刻的表征向量，所有采集时刻的表征向量构成一组优化效果验证序列，计算其和所述正样本集中基准序列的拟合相似度，将拟合相似度和相似度阈值进行比较，拟合相似度大于等于相似度阈值则表明节点和传感器类别优化效果达到了预期。
[0133]
结果优化迭代单元：如果拟合相似度判定单元中拟合相似度小于相似度阈值，调整节点贡献度阈值、传感器类别数量和传感器权重阈值，返回获取正样本集单元，重新进行节点优化和传感器类别优化，计算新的拟合相似度，将新的拟合相似度和相似度阈值进行比较，直到满足相似度阈值为止。
[0134]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。