一種傳感器網絡不確定感知數據挖掘方法研究

劉靜靜，智淑敏

（鄭州澍青醫學高等?？茖W校 衛生管理系，河南 鄭州 450064）

一種傳感器網絡不確定感知數據挖掘方法研究

劉靜靜，智淑敏

（鄭州澍青醫學高等?？茖W校 衛生管理系，河南 鄭州 450064）

對無線傳感器網絡中的不確定感知數據的優化挖掘算法設計，提高傳感器感知層對數據信息的采集和收發能力。傳統方法采用子空間重構特征分解的數據挖掘方法，隨著傳感器網絡中的不確定數據干擾的增強，對數據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絡不確定感知數據挖掘方法。構建傳感器網絡的數據采集模型，對采集的不確定感知數據進行信號模型構建和數據結構子空間重建，采用滑動時間窗口重排方法進行數據降噪挖掘，提取數據信號流中的時頻特征，實現數據挖掘算法改進。仿真結果表明，采用該方法進行傳感器網絡不確定感知數據挖掘方法進行數據檢測的準確概率較高，降低了誤檢率和虛警率，數據挖掘的抗干擾性能較好，展示了較好的應用價值。

傳感器網絡；不確定感知數據；數據挖掘；時頻分析

隨著無線通信技術和傳感器技術的不斷發展，無線傳感器網絡作為一種新型的局域網絡，在數據包的傳輸和中繼轉發等方向中展示了較好的應用價值。無線傳感器網絡是采用分布式傳感器節點進行數據感知和通信，通過有效的數據挖掘算法，實現對原始數據信息的感知，達到目標數據采樣和通信傳輸的目的。對無線傳感器網絡中的不確定感知數據的優化挖掘算法設計，提高傳感器感知層對數據信息的采集和收發能力，研究無線傳感器網絡的不確定數據感知挖掘方法，在提高傳感器網絡的穩定性和可靠性方面具有重要意義［1］。

近年來，已經有不少學者開展了對無線傳感器網絡的數據挖掘算法的研究，主要有基于演化博弈的無線傳感器網絡感知數據挖掘算法、基于統計信號分析的無線傳感器網絡感知數據挖掘算法、基于小波分解和經驗模態分解的數據挖掘算法等［2-7］，上述算法首先把無線傳感器網絡中的不確定數據進行信號特征重排，建立特征子空間進行信號采樣，實現對不確定感知數據的信號模擬和狀態重組，實現數據挖掘，但上述方法對數據挖掘的過程中，由于不確定感知數據的非平穩性和高斯噪聲性，導致數據挖掘中出現敏感性失真和挖準確挖掘概率下降的問題。對此，相關文獻進行了算法改進設計，其中，文獻［8］提出一種基于傳感器傳輸信號關聯維特征挖掘的不確定感知數據挖掘算法，通過相空間重構得到傳感器網絡感知數據的演化軌跡，通過關聯維特征提取實現數據準確挖掘，但是該算法具有計算開銷過大，收斂性不好等問題。文獻［9］采用子空間重構特征分解的數據挖掘方法，隨著傳感器網絡中的不確定數據干擾的增強，對數據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絡不確定感知數據挖掘方法。構建傳感器網絡的數據采集模型，對采集的不確定感知數據進行信號模型構建和數據結構子空間重建，采用滑動時間窗口重排方法進行數據降噪挖掘，提取數據信號流中的時頻特征，實現數據挖掘算法改進。最后通過仿真實驗進行了性能測試，展示了本文設計的數據挖掘算法在提高傳感器網絡數據感知精度，降低誤檢概率等方面的優越性能，得出有效性結論。

1　傳感器網絡的數據采集模型和不確定感知數據的信號模型構建

1.1傳感器網絡結構及數據采集模型

為了實現對傳感器網絡不確定感知數據挖掘，需要首先構建傳感器網絡的數據采集模型，記傳感器網絡的傳輸數據集S=｛s1,s2,…,sk｝表示簇內節點的數據純策略集；向量x=［x1x2…xk］表示數據傳輸的骨干路由，其中xi為發送數據的能耗i∈S的比例；ri（x）表示網絡中節點傳輸策略i的個體的平均能耗，即單位時間內進行不確定數據感知的采樣率。假定傳感器網絡進行不確定感知過程的噪聲w（k）與權重向量ui（k）之間具有特征匹配關系，以及各測量噪聲的自相關匹配矩陣表示為：

其中，傳感器網絡的自適應的量化初始狀態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據獨立于w（k）和ui（k），i=1,2,…,N。此時，傳感器網絡不確定感知數據到達融合中心的矢量特征為xiri（x）。通過上述模型構建，由此得到傳感器網絡的不確定數據感知的信息融合動態方程為：

上式中，rj（x）為融合誤差，xi為幅值，采用時變非平穩均衡模型［10］，得到傳感器網絡進行數據采集的博弈模型p2GT+ αT-pC-C-L，確定在某一時刻頻率分量，得到聯合時頻狀態方程為p2GC+p2L-C-L。根據上述數據采集模型，進行數據特征空間重建和特征提取，實現數據挖掘算法優化設計。

1.2不確定感知數據的信號模型構建和數據結構子空間重建

在上述數據結構分析和無線傳感器網絡結構模型分析的基礎上，對無線傳感器網絡采集的不確定感知數據進行信號模型構建，采用現代信號處理技術［11-13］，實現數據優化挖掘。

定義1無線傳感器網絡節點信任博弈是一個對稱博弈（N,S,U）。分簇數據收集節點N為傳感器網絡中所有節點的集合；通過子測量矩陣得到感知數據的離散數據解析集合S=｛s1, s2｝，s1表示選擇任意原始信號的信任策略s2表示復共軛；U為傳感器網絡中感知數據解析信號的包絡矩陣。傳感器網絡在進行不確定數據感知過程中，受到不確定干擾向量的影響，導致輸出噪聲相關誤差需要通過調節因子λ（k）進行自適應修正，得到調節因子為：

其中，c（k）=tr［N（k）/tr［C（k）］，表示不確定感知數據解析信號模型，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，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［14］，得到x1為。又記u（s1，x）的數據結構子空間x）為），在兩個過零點之間存在多個極值點時，進行數據結構子空間的重構，得到重構的數據結構子空間模型為：

采用Hilbert-Huang變換，對數據挖掘的目標函數求導，并令式（7）等于0，有：

求解得到數據挖掘的目標演化博弈模型，通數據結構子空間重建，得到傳感器網絡數據挖掘的兩個穩定狀態：。通過上述設計，在重建的特征子空間中進行滑動時間窗口重排，進行數據挖掘算法改進設計。

2　數據挖掘算法改進實現

在上述進行了傳感器網絡的數據采集模型和不確定感知數據的信號模型構建的基礎上，進行數據挖掘算法改進設計，傳統方法采用子空間重構特征分解的數據挖掘方法，隨著傳感器網絡中的不確定數據干擾的增強，對數據的采集精度有所下降［15］。為了克服傳統方法的弊端，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絡不確定感知數據挖掘方法，進行數據挖掘算法改進，改進算的實現過程描述如下，假設傳感器網絡中的不確定數據接收端的輸入信號為：

上式中，ri，θi分別為傳感器網絡中的不確定數據發送時刻的碼元速率和狀態向量預測值，此時，在多徑信道中不確定數據挖掘的譜密度RMDMMA（k）滿足：

利用各傳感器的測量值去調制載波［16］，建立時間窗口函數，得到層誤差e（n）和步長因子μ（n）之間的特征關聯匹配度，計算信息狀態向量的預測值，傳感器網絡中頻調制信號的時間窗口響應表示：

其中，ck為無線傳感器網絡中數據采集的時間窗口抽頭系數，N為恢復出的預報信息矩陣，P為不確定數據的譜線增強系數，采用時間窗口重排技術，得到傳感器網絡的自適應濾波后的信道分簇數據收集均衡控制方程描述為：

當簇的面積一定時，用擴展后的序列去調制載波，將行數據感知信號搬移到簇內的數據調制載波上，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據降噪挖掘，得到數據降噪的系統傳遞函數為：

沿著骨干路由樹進行數據挖掘，令數據信號流中的時頻特征表示為：

此時，數據挖掘中的特征方程通過信息融合可以實現無線傳感器網絡中不確定感知數據的挖掘和狀態特征提取，而新構造的鄰居簇頭數據的相關性為：

無線傳感器網絡中，Sink節點將所有節點劃分為多個簇，采用三次樣條插值，在有限的時間內對數據挖掘的特征提取過程等價重寫為：

其中

3　仿真實驗與結果分析

為了測試本文算法在實現傳感器網絡中不確定感知數據挖掘中的應用性能，進行仿真實驗。實驗的編譯軟件VC++，數據庫的存儲系統為SQL sever。向傳感器網絡寫入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。傳感器網絡中量化信息融合中心的分布式衰減因子λ=0.25，傳感器網絡不確定感知數據的采樣樣本的時間間隔為0.25 s，時長，采樣點數為100，當信噪比為-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，傳感器網絡的數據采集模型的子空間的嵌入為數設置為30。在上述仿真環境和參數設定的基礎上，進行數據挖掘仿真實驗，首先進行原始數據采樣，得到傳感器網絡不確定數據感知數據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絡不確定感知數據的挖掘，具有較好的時頻域特征空間展開性能，在此基礎上，對采集的不確定感知數據進行信號模型構建和數據結構子空間重建，采用滑動時間窗口重排方法進行數據降噪挖掘，提取數據信號流中的時頻特征，得到不確定感知數據的特征提取結果如圖2所示。從圖可見，采用本文方法進行數據挖掘，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　傳感器網絡不確定感知數據的時域和頻域波形

圖2　特征提取結果

為了對比算法性能，采用本文算法和傳統算法，在信噪比為-5～5 dB的變化范圍內，采用10 000次蒙特卡洛實驗，得到不同算法下進行傳感器網絡不確定感知數據挖掘，得到數據挖掘的均方誤差對比結果如圖3所示。

圖3　數據挖掘性能對比

從圖可見，采用該方法進行傳感器網絡不確定感知數據挖掘方法進行數據檢測的準確概率較高，降低了誤檢率和虛警率，數據挖掘的抗干擾性能較好，性能優越于傳統方法。

4　結束語

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絡不確定感知數據挖掘方法。構建傳感器網絡的數據采集模型，對采集的不確定感知數據進行信號模型構建和數據結構子空間重建，采用滑動時間窗口重排方法進行數據降噪挖掘，提取數據信號流中的時頻特征，實現數據挖掘算法改進。研究結果表明，采用該方法進行傳感器網絡不確定感知數據挖掘方法進行數據檢測的準確概率較高，降低了誤檢率和虛警率，數據挖掘的抗干擾性能較好，展示了較好的應用價值。

［1］魏利峰,紀建偉,王曉斌.云環境中Web信息抓取技術的研究及應用［J］.電子設計工程,2016（4）:29-31.

［2］方煒煒,仁江,夏紅科.一種異構分布的多元線性回歸隱私保護模型［J］.計算機研究與發展,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化［J］.物聯網技術,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,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］.系統工程與電子技術,2012,34（7）:1505-1511.

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

［8］吳鴻華,穆勇,屈忠鋒,等.基于面板數據的接近性和相似性關聯度模型［J］.控制與決策,2016,31（3）:555-558.

［9］李鋒,沈崧.無線Mesh網絡機會路由技術研究［J］.電子設計工程,2016（5）:58-61.

［10］張博,郝杰,馬剛,等.混合概率典型相關性分析［J］.計算機研究與發展,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據流聚類算法［J］.計算機應用,2015,35（7）:1927-1932.

［12］田剛,何克清,王健,等.面向領域標簽輔助的服務聚類方法［J］.電子學報,2015,43（7）:1266-1274.

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

［14］孫超,楊春曦,范莎，等.能量高效的無線傳感器網絡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.基于定量遞歸聯合熵特征重構的緩沖區流量預測算法［J］.計算機科學,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優化設計［J］.物聯網技術,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：數據挖掘、計算機網絡。