基于top-k（σ）算法及神經(jīng)網(wǎng)絡(luò)的WSN異常數(shù)據(jù)檢測(cè)方法.pdf

1、無(wú)線傳感器網(wǎng)絡(luò)能夠?qū)崟r(shí)監(jiān)測(cè)、感知和采集網(wǎng)絡(luò)分布區(qū)域內(nèi)的各種環(huán)境信息。當(dāng)無(wú)線傳感器網(wǎng)絡(luò)受外部事件（如大氣污染、森林火災(zāi)等）的影響，或者傳感器節(jié)點(diǎn)本身發(fā)生故障（如電池電量不足、電磁干擾等）時(shí)，必須及時(shí)、準(zhǔn)確地檢測(cè)到傳感器節(jié)點(diǎn)數(shù)據(jù)流的異常情況變化，無(wú)論對(duì)于外部突發(fā)事件的預(yù)警防范，還是對(duì)于傳感器網(wǎng)絡(luò)本身的健康狀況監(jiān)測(cè)，都具有十分重要的意義。本文主要圍繞無(wú)線傳感器網(wǎng)絡(luò)的異常數(shù)據(jù)檢測(cè)問(wèn)題進(jìn)行了深入的研究，現(xiàn)主要研究成果如下:
　　1.通過(guò)對(duì)t

2、op-k算法的改進(jìn)，提出了一種基于top-k(σ)的無(wú)線傳感器網(wǎng)絡(luò)異常數(shù)據(jù)檢測(cè)算法。不同于top-k算法，本文算法根據(jù)傳感器節(jié)點(diǎn)采集到的數(shù)據(jù)分布規(guī)律，構(gòu)造合適的數(shù)據(jù)網(wǎng)格，將多維數(shù)據(jù)歸一化處理后置入相應(yīng)的網(wǎng)格單元。然后通過(guò)增設(shè)距離閾值σ來(lái)重構(gòu)PC列表(populated-cells list)，除了對(duì)每個(gè)單元格及其鄰域內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)進(jìn)行排序，還計(jì)算不同數(shù)據(jù)子集之間的歐氏距離，并與閾值σ比較，確認(rèn)數(shù)據(jù)子集與正常值集合的偏離程度，從而提高檢測(cè)

3、結(jié)果的準(zhǔn)確性。
　　2.基于BP神經(jīng)網(wǎng)絡(luò)模型和線性神經(jīng)網(wǎng)絡(luò)模型，本文提出了兩種WSNs異常數(shù)據(jù)檢測(cè)方法。提出的方法在每個(gè)當(dāng)前時(shí)刻通過(guò)最近的固定長(zhǎng)度的歷史數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，完成下一時(shí)刻的預(yù)報(bào)。通過(guò)神經(jīng)網(wǎng)絡(luò)的模型殘差，確定概率為P的置信區(qū)間。當(dāng)下一時(shí)刻數(shù)據(jù)落入置信區(qū)間內(nèi)，則該數(shù)據(jù)被判為正常;反之，則為異常。
　　3.設(shè)計(jì)了評(píng)估算法性能的有關(guān)指標(biāo)。本文基于實(shí)驗(yàn)系統(tǒng)所采集的傳感數(shù)據(jù)，在MATLAB平臺(tái)下完成了仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明

4、，距離閾值σ的選取對(duì)算法效果具有較大的影響，當(dāng)σ∈[2.5，3]時(shí)，top-k(σ)算法在維持較高檢測(cè)率的同時(shí)，最大程度地降低誤報(bào)率。當(dāng)取σ=3時(shí)，對(duì)于給定的5個(gè)數(shù)據(jù)集，top-k(σ)算法的檢測(cè)率平均達(dá)到了93.70％，比top-k算法平均提高了4.94％，誤報(bào)率則比top-k算法平均降低了4.48％。
　　4.為了比較和驗(yàn)證兩種模型的性能，針對(duì)模型進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，基于線性神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)檢測(cè)方法的檢測(cè)率達(dá)到了97