文摘

收集的数据空间无线传感器网络(WSN)是数据挖掘和数据可视化的基础。监测物理量的过程中有大量时间和空间相关性,与数据插值可以采用不完整的收购战略,降低部署成本。改进的性能数据插值在这种情况下,我们提出了一个健壮的数据插值基于反向传播人工神经网络运营商。在本文中,一个神经网络学习算子,提出了基于人工神经网络的强大的容错。学习算子是训练用数据采集节点的历史数据传输的基础上,估算值位置传感器的物理量不部署。实验结果表明,我们提出的方法产量较小的内插误差比传统inverse-distance-weighted插值(IDWI)方法。

1。介绍

的目的一个无线传感器网络(WSN)是获取物理世界的数据字段或数据空间尽可能准确、完整通过收购技术。预测的一个重要组成部分,模拟,预测得到准确监控对象的时空分布信息。然而,在某些场景中,WSN可以采取一个不完整的收购战略,由于传感装置的开发成本和部署环境因子、能量限制,设备老化,和其他因素,或者因为没有必要收集数据在监测区域的每一个角落。不完整的收购策略分为三种情况:(a)空间不完整的收购战略(实际面积小于感兴趣的区域或收集的实际采集位置设置是整个采集位置的监测区域;(b)时间不完整的收购战略(实际集合时间小于所有设备的时间工作。睡眠时间是一个时间不完整的收购战略。实际物理量(c)不完整的收购属性收集不到的感兴趣的物理量。

由于插值的限制相对较小,更适合使用插值算法完成或完善整个数据空间的空间不完整的收购。完成插补算法利用强大的数据空间中的数据之间的相关性。目前,数据插值是主要的方法来补充整个地区的数据空间。在[1),丁和歌曲使用线性插值理论来评估每个节点的工作状态和整个网络覆盖情况。在[2),钓鱼台国宾馆等人创建详细的污染地图应用插值技术。

然而,传感器网络通常是受到许多不利因素的影响。例如,它通常是安排在一个恶劣的环境,节点故障率相对较高,身体很难代替故障传感器,无线通信网络是容易受到干扰,衰减、多路径、盲目区,和其他不利因素。数据容易出错,安全不能保证,等。因此,必须高度容错的WSN数据插值技术来确保高可靠性和健壮性的完成数据空间(3]。

数据插值用于预测和估计的信息在一个未知的位置通过使用已知信息。传输数据插值学习开辟了一条新的道路。迁移学习的目的是提取有用的知识从一个或多个源领域任务并将它们应用到新的目标任务。它本质上是知识的转移和重用。转移学习已逐渐受到学者们的关注。在[4),作者是出于转移学习的想法。他们提出了一个新颖的域校正和自适应极端学习机(DC-AELM)框架与转移能力实现干扰抑制的知识转移。提高雷达辐射源信号识别、杨等人使用转移学习得到健壮的特性对信号噪声率(信噪比)的变化5]。在[6),作者讨论学习转移之间的关系和其他相关机器学习等技术领域适应气候变化,多任务学习,和样本选择偏差,以及协变量的转变。

人工神经网络具有很强的鲁棒性。的一个需求,确保传输的准确性学习是学习算法的鲁棒性。许多学者结合人工神经网络和传输的学习。在[7)锅等人提出一个级联卷积神经网络(CCNN)框架基于转移学习飞机检测。它达到高精度、高效的检测样本相对较少。在[8),公园等人表明,转移的学习ImageNet pretrained深卷积神经网络(DCNN)可以非常有用当只有少量的多普勒雷达谱图数据。

数据插值的基础研究的目的是完成整个监测区域的数据空间利用有限的数据采集节点的估计位置传感器的数据部署。然而,由于各种原因数据错误的基础数据插值的精度有很大的影响。由于人工神经网络的鲁棒性强,一个人工神经网络学习算子是由使用有限的历史测量数据数据采集节点。同时,本文应用人工神经网络的学习性质inverse-distance-weighted插值方法,这有利于提高数据插值的精度和准确性。网络模型的需求分析的基础上,提出了一种健壮的数据插值基于反向传播人工神经网络运营商在无线传感器网络不完整的收购。详细讨论了算法的详细步骤,并基于MATLAB算法分析工具和英特尔伯克利研究实验室提供的测量数据(9]。实验结果是好的评价的容错性能和降低误差的方法。

本文的主要贡献如下:(1)针对数据丢失和扰动误差,我们提出一个容错补充算法基于人工神经网络的鲁棒性(2)我们把inverse-distance-weighted插值算法的人工神经网络反向传播人工神经网络运营商获得一本小说(3)我们用反正切函数协调多个预报值之间的关系

剩下的纸是组织如下。节2,我们总结相关工作。部分3介绍了插值模型的数据错误。部分4提出了如何构建学习算子的一组数据采集节点。部分5阐述了如何生成的插值方法基于反向传播人工神经网络运营商。我们将展示我们提出的方法的实验结果相比inverse-distance-weighted插值6。结论给出了部分7。

2。相关的工作

2.1。Inverse-Distance-Weighted插值方法

inverse-distance-weighted插值(IDWI)方法也被称为“inverse-distance-weighted平均”或“谢泼德的方法。“插值方案是明确表示如下:

鉴于平面坐标的位置 和值 ,在哪里 ,插值函数 在哪里 之间的水平距离是吗 和 ,在哪里 。 是一个常数大于0,称为加权指数。

它可以很容易地看到,插值 的位置 的加权平均数吗 。

inverse-distance-weighted插值是更广泛的应用。因为它的简单计算和减少限制,插值精度更高。在[10)、康和王使用谢泼德家族interpolants插入任意计算点的密度值在一定循环影响域的点。在[11],Hammoudeh等人使用谢泼德插值方法构建连续映射为一个新的网络服务称为地图生成服务。

从(1),我们可以看到IDWI算法敏感数据的准确性。然而,传感器网络通常部署在恶劣的环境,和收集的数据的概率很高。插值算法的误差公差是必需的。本文改进了插值算法的鲁棒性的基础上inverse-distance插值算法。

2.2。人工神经网络

一个人工神经网络(ANN)是一个信息处理模式,从生物神经系统的启发,比如大脑如何处理信息。人工神经网络,就像人一样,有能力学习的例子。一个安配置为一个特定的应用程序,如模式识别、函数逼近,或数据分类,通过一个学习的过程。学习在生物系统涉及调整天气存在神经元之间的连接。这是真正的人工神经网络。它们由简单的处理单元由加权连接形式与结构,能够学习组变量之间的关系。这种启发式方法可用于非线性过程,有未知的函数形式。前馈神经网络和多层感知器(MLP)在不同网络中最常用的工程。MLP网络通常安排在三层的神经元;输入层和输出层代表输入和输出变量,分别的模型; laid between them is one or more hidden layers that hold the network’s ability to learn nonlinear relationships [12]。

神经网络的自然冗余和激活函数的形式(通常是乙状结肠)神经元的反应让他们有些容错,尤其是对扰动模式。大部分的工作这个话题发表了该鲁棒性注射对软件模式噪声(高斯)有限13]。Velazco等人证明了安对一些错误的鲁棒性(13]。Venkitaraman等人证明了神经网络架构展品输入扰动鲁棒性:神经网络的输出特性展览李普希茨连续性的输入扰动(14]。人工神经网络具有很强的鲁棒性。算法的鲁棒性要求,确保人工神经网络运营商传输的准确性。我们可以看到从文献[7,8),运营商将可以与一个人工神经网络很好地结合起来。学习算子本文还采用人工神经网络算法。

3所示。问题的配方

3.1。数据采集节点

WSN收集数据来评估整个环境条件下,由一定数量的传感器部署在监测区域的位置;因此,监测区域的物理量是离散和监测物理量是数字化。

定义1。感兴趣的地点:在整个监控区域,它们的中心位置的监控区域,我们感兴趣。

传感器可以部署在每个感兴趣的位置来捕获数据。数据在所有感兴趣的位置反映了整个监测区域的信息状态。

我们假设是一组感兴趣的地点,这是一个矩阵1×n。 在哪里 是我感兴趣的位置在监测区域。 的坐标吗感兴趣的位置在监测区域。由于部署的困难和限制,并不是所有的感兴趣的地方可以部署传感器。本文研究了空间不完整的收集策略。我们选择的一个子集随着数据采集节点。代表一组的潜力,元素的数量 。 。

定义2。数据采集节点:他们感兴趣的位置传感器实际上是部署。

传感器部署在这些感兴趣的位置,这些位置成为数据采集节点。所有数据采集节点在监测区域作为传感层,系统和信息传输到服务器通过传输层的设备。

在我们的研究中,当传感器不部署在感兴趣的位置,我们使用0作为一个占位符替换数据采集节点。当感兴趣的位置数据采集节点,我们使用1作为一个占位符替换数据采集节点。假设数据采集节点的集合。 在哪里 代表了我感兴趣的位置传感器部署。显示设置的潜力 。它反映了元素的总数数据采集节点的集合。本文调查的情况多种类型的传感器数据采集节点部署。数据采集节点的数据可以正确地收集时间吗被定义为 ,这是维数据所感知到的我th数据采集位置在 。的物理量,温度、湿度等,同时可以测量。数据被定义为

如果 ,然后传感器网络实现不完全覆盖;如果 ,传感器网络实现了完全覆盖。感兴趣的数据不可以部署位置传感器数据采集节点的评估数据。感兴趣的位置传感器不表示为数据采集部署位置。

3.2。数据采集误差

由于无线通信网络容易受到干扰,衰减、多路径、盲目区,和其他不利因素,数据出错率高。在无线传感器网络中,节点和链接本质上是错误的和不可预测的。错误的数据大大偏离理想的真值分为两种类型:数据丢失和数据干扰。

(1)数据丢失。这些原因,如节点不能工作,联系不能联系,或数据不能传播,导致相应的数据采集节点的数据达不到水槽节点。

(2)数据干扰。由于失败,当地的函数基础上在一个不正确的或模棱两可的系统状态。这种状态可能会导致数据之间的偏差测量相应的传感器数据采集节点和真正的价值,或者在传输信号干扰,在汇聚节点接收到的数据是不正常的真正价值。对应于数据采集节点的数据并不是期望的结果。收集到的数据振荡在数据区域附近的真正价值。在本文中,我们假定扰动服从高斯分布的数据。

我们的方法的主要思想是基于遥感数据的基本假定的基础上被视为一个向量索引感兴趣的位置和从遥感数据的一个子集。作为显示在图1数据采集包括两个阶段:data-sensing阶段和data-recovering阶段。data-sensing阶段,而不是部署位置传感器和传感数据感兴趣,感兴趣的地点的一个子集的阴影的第二选择subfigure物理量和交付遥感数据到汇聚节点在每个数据收集。一些地方画了叉在第二subfigure因为数据丢失或打扰。叉代表数据错误。当网络节点的硬件和软件故障或网络的通信链路是破碎的,遇到的传感器数据错误只是的子集 。data-recovering阶段,水槽节点接收这些不完整的遥感数据在一些数据收集轮的第三subfigure阴影所示条目表示有效的遥感数据和白色的条目是未知的。然后我们可以使用它们来恢复我们的方法的完整的数据。

这里我们采用掩模算子代表的过程收集data-encountering错误: 在哪里是实际收到的数据集进行插值。为了清晰,运算符可以指定一个矢量产品如下: 在哪里表示两个向量的乘积,即 。 是一个向量的 。 表明实际接收到的数据我数据采集节点插值。 在哪里 是高斯分布的均值和方差 。

在这篇文章中,接收到的数据的错误率定义如下: ,在哪里非1元素的数量。

3.3。完成数据的空间插值

由于条件的限制,没有办法部署传感器 。中生成的数据可以通过插值估计基于的数据 。的数据空间设置为整个监测区域 在哪里代表了从数据采集节点收集的数据集在时代 。 从数据采集地点收集的数据集吗在时代在理想的情况下,如果数据采集的传感器部署位置。是数据插值基于数据集 。

定义的问题是如何处理的数据,以便尽可能接近吗 ,也就是说,之间的误差最小化的问题和 。其数学表达式如下: 在哪里欧几里得范数形式用于评估之间的误差和 ; 表明不是一个完整的1矩阵。 在哪里 代表每个值接近 。假设是最接近的数据采集节点 。价值收到最近的数据采集节点的数据采集位置也接近 。 在哪里表示每个数据采集节点的距离数据采集的位置 。收集的信息节点越近,相关性越大(15]。 在哪里代表物理量的值实际上收集的数据采集节点。

假设代表的评估价值jth)的数据采集位置,通过反向传播人工神经网络运营商。在本文中,我们得到的这是接近 。数据集的数据采集位置的插值 在哪里代表学习算子来评估 。 在时代代表接收到的数据集 。我们可以使用反向传播人工神经网络运营商数据采集节点的最接近的数据采集位置预测的数据采集的数据的位置。

4所示。学习操作的数据采集节点

学习算子重建的数学模型如下: 在哪里代表了学习目标,学习的吗 ,和可以个人、变量、甚至算法或功能,集,等等。的输入是 。 和是不同的。如果他们没有差异,没有需要学习重建。学习的目的是逐渐的方法 。

因为数据的基础是容易出错,我们需要学习运营商容错和健壮。摘要学习算子使用反向传播(BP)人工神经网络。我们可以使用数据采集节点的数据预测的数据采集的数据位置,因此评估整个监测区域的数据空间。由于人工神经网络的鲁棒性和适应性强,我们可以使用插入数据的人工神经网络的数据采集地点的数据错误。

BP人工神经网络是一种多层(至少3个层次)基于误差反向传播前馈网络。因为它的特点,如非线性映射,多输入和多输出,和BP人工神经网络自组织自学习可能更适合处理复杂非线性多输入和多输出的问题。BP人工神经网络模型是由一个输入层、隐层(可多层,但至少一个级别),和输出层。每一层是由并列的神经元。同一层的神经元不是彼此连接,以及相邻层的神经元连接通过全互连(16]。

构建人工神经网络的拓扑结构后,需要学习和训练网络,使网络智能。BP人工神经网络的学习过程是通过正向传播和反向修正传播。每个数据采集节点与其他数据采集节点,每个数据采集节点的历史数据,通过历史数据的训练数据采集节点生成人工神经网络学习的运营商数据采集节点。

4.1。变换函数的输入单元

数据采集的数据的位置评估使用inverse-distance学习数据采集节点的运算符最接近 。因为有收购感兴趣的位置在空间之间的空间相关性,在本文中,我们采用IDWI算法与BP人工神经网络算法相结合。

在某个时代 ,所有其他数据采集节点的数据集的除外如下:

摘要inverse-distance重量是用于构造变换函数。变换函数输入单元人工神经网络的数据采集节点如下: 在哪里代表数据采集节点之间的距离和数据采集的位置 。 表示距离的加权幂指数倒数。代表加权的倒数之和的距离数据采集节点其他数据采集节点。

人工神经网络需要一个训练集,我们的历史数据所有数据采集节点的训练集。 。在实际工程中,对我们来说是可行的获取数据从数据采集节点在一段时间去学习。

本文从所有数据采集节点收集的数据作为训练集 。 是一个高阶张量,如下图所示吗2。 。训练集的元素由物理量索引,采集节点和时代。

的矩阵是通过

在实际工程中,有一个很大的噪音。有必要清洁它。如果不清洗,会影响人工神经网络的估计精度和学习的精度。数据清洗的过程中重新审视并验证数据删除重复信息,纠正存在的错误,并提供数据一致性。我们可以使用各种滤波器算法 。

4.2。人工神经网络学习算子

传感数据的网络包括多个物理量,如温度、湿度和光照。通常,各种传感器采集节点部署,并同时收集多个物理量。物理量的采集节点有相同的时间和空间变化的趋势,但在复苏的过程中使用人工神经网络,每个数量都有相互促进的效果。数据采集节点之间的距离和数据采集地点很容易获得。基于inverse-distance插值算法和BP人工神经网络算法,我们提出一个多维inverse-distance BP人工神经网络学习算子。

BP人工神经网络,它是使用最广泛的单向传播的多层前馈网络,网络连接的特点是连续调整体重,以便任何可以与任意精度逼近非线性函数。BP人工神经网络的自学习和自适应和鲁棒性和泛化。BP人工神经网络的训练是“主管监督”的研究BP人工神经网络的训练过程如图3。

输入信息,首先传送到隐层的节点通过加权阈值求和,然后输出信息的隐藏节点传输到输出节点通过加权阈值求和后每个元素的传递函数的操作。最后,输出结果。网络学习的目的是获得正确的权值和阈值。训练过程包括两个部分:向前和向后传播。

BP人工神经网络的误差反向传播算法的多层前馈网络的训练。BP人工神经网络结构是一个多层次的网络结构,不仅输入节点和输出节点还有一个或多个隐藏节点。作为显示在图3,根据预测误差和不断调整,最后BP人工神经网络学习算子重建数据采集节点的数据吗可以确定,见那部分的图3。

BP人工神经网络的输入层学习算子是收集的数据在一个特定的时间除了采集节点采集节点,即向量 。的输入j在计算隐层神经元 在哪里代表之间的重量 输入神经元和j隐层神经元。的 输入神经元 ,也就是说,kth维度数据的采集节点在时间 。 的门槛j在隐藏层神经元。隐层神经元的输出计算

类似地,每个在输出层神经元的输出设置 。

误差平方和的总和在输出层神经元是目标函数值优化的BP人工神经网络算法,计算了 在哪里代表预期的神经元的输出值在输出层,对应的值p数据采集节点物理量感觉到的 。根据梯度下降法,输出层中的每个神经元的误差了

输出层的权值和阈值可以调节 在哪里 是学习速率,它反映了培训与学习的速度。同样,隐层的重量和阈值。如果无法获得期望的结果从输出层,它需要不断地调整权重和阈值,逐渐减少错误。BP神经网络具有很强的自学习能力,可以快速得到最优解。

图的数学模型3如下: 在哪里是训练数据,历史数据的采集节点除了吗在这段时间 。 是变换函数的输入层。输入层的重量。的传递函数是输入层到隐层。是隐层到输出层的重量。隐层的传递函数是输入层。是“主管监督”的历史数据采集节点在这段时间 。

从(14)和(24),可以得到以下公式: 在哪里代表了inverse-distance BP人工神经网络学习算子的采集节点 。 代表这个神经网络运营商是一个学习操作训练的数据吗导师信息。

收集的数据,每个数据采集节点在监测区域彼此相关。数据采集节点的数据可以学到其他数据采集节点的数据输入到学习算子。学习算子的一组数据采集节点在整个监测区域如下:

5。插值的数据采集地点

我们把BP人工神经网络运营商从数据采集节点的数据采集地点。我们可以用学习的运营商数据采集节点最近的数据采集位置估计的数据采集的数据的位置。有四种方法来实现学习操作符转移,包括样品转让、转移功能,模型转移和转移的关系。本文模型转移(也称为参数传递)是用来更好的结合BP人工神经网络;也就是说,我们可以使用pretrained BP人工神经网络来插入。BP人工神经网络学习算子具有较强的鲁棒性和适应性。在感兴趣的领域,如果收集到的物理量是高度相关的,并且没有的情况物理量之间的变化大大各种感兴趣的位置,学习操作符可以被转移。

由于人工神经网络的建设需要历史数据训练,而且没有历史数据在数据采集位置部署没有传感器,很难构建人工神经网络的数据采集的位置。不过,我们可以预测的数据采集的物理量进行学习操作位置距离最近的数据采集节点。

5.1。变换函数对应Nonacquisition位置

首先,我们使用IDWI方法构造变换函数。变换函数的人工神经网络输入单元采集节点的被定义为 : 在哪里代表之间的距离和 。 表示距离的加权求幂互惠。代表加权距离的倒数之和)的数据采集位置收购的其他节点。从剩余的物理数据收集数据采集节点除了如下:

5.2。学习算子转移

数据采集节点数据以来的最接近的数据采集位置对数据采集的位置很重要,和它的数据是最相关的数据)的数据采集地点,我们估计的数据)的数据采集位置距离最近的数据采集与数据节点及其学习算子。

由于数据我们是针对空间相关,两个感兴趣的位置之间的距离越小,收集到的数据的差异越小。相反,收集到的数据的差异就越大。我们可以使用数据采集节点的数据接近的数据采集位置来评估数据采集的数据的位置。

因为BP人工神经网络学习算子具有较强的鲁棒性和适应性,我们可以将逆BP人工神经网络学习的运营商来为了估计数据在这篇文章中。变换函数不随时间而变化,这是一个抽样地点之间的距离的函数。 ,输入参数的数量是恒定的,而输入参数随时间。所以变换函数的变化不会影响输入参数的趋势。变换函数的变化不会影响预测的准确性,和运营商转移可以实现。

评估基于BP人工神经网络运营商的网络图所示4。

在本文中,我们提出的方法是改进的BP人工神经网络的基础上。根据空间相关性,监测的物理量和感兴趣的位置靠近数据采集节点可以通过学习近似的运营商 。

假设代表的物理量的估计价值感兴趣的位置 。由于条件限制,没有传感器部署在感兴趣的位置 。我们选择的物理量数据采集节点最近的数据采集的位置估计。我们可以使用算法1实现的决心 。

5.3。评估数据采集的位置

最近的数据采集节点 。我们可以用学习的运营商数据采集节点估计 。本文是一个改善inverse-distance插值方法。因为是最接近 ,的相关数据是最大的。收集的数据实际上有最大的影响的预测价值 。 在哪里和表示的重量和 ,分别估计物理量 。 。

实际测量的值,所以其可信度较高。越接近是 ,物理量之间的相关性就越大和收集的数据基于空间相关性。

我们假设代表之间的距离和 。收集的数据的影响权重的评估减少与增加 。相反,距离就越大 ,影响越小。变化的领域是 。我们发现逆正切函数是一个递增函数 。函数曲线如图5。

我们用反正切函数的有界性和单调递增特性曲线和灵感来自IDWI的想法。计算的公式如下:

我们限制的价值区间[0,1]。当接近0,接近0,接近1,数据采集测量的数据更接近价值指向数据采集位置。当 ,这意味着传感器部署在 ,我们不需要其他值计算的预测算法和直接使用实际的测量数据。

如果感兴趣的位置插值仍离最近的数据采集节点,那么该算法将导致一个大错误。由于我们使用传感器基于迭代分割四个亚区,位置传感器的数据采集节点全向整个空间,不仅集中在一个特定的领域。错误并不是太大。

6。实验和评价

6.1。参数设置

我们使用的数据集是英特尔伯克利实验室提供的测量数据(9]。收集的数据来自54个英特尔伯克利实验室数据采集节点2月28日至4月5日,2004年。在这种情况下,时代是一个从每个mote单调递增序列号。两个数据相同的时代产生不同的微粒数量在同一时间。有一些缺失的时代在这个数据集。从1-54 Mote id。在这个实验中,我们选择这些9微粒的数据作为一组感兴趣的地方,因为这些9点有相同的时代。

当监控区域的环境不是很复杂,采集的物理量是一个空间相关性,和可行的使用基于位置的迭代分割四个亚区部署传感器。在这个实验中,我们使用迭代的方法分四个条件来选择感兴趣的位置为数据采集节点。最接近的 ( )生成的部署位置方法的迭代选择划分四个亚区 。

在这个实验中,我们收集的数据的维数,也就是说, 。我们把两个物理量:温度和湿度。至少需要两个数据采集节点,也就是说, 。因为一个数据采集节点应该从感兴趣的位置最接近的节点插值,和 ,其他的数据采集节点应该使用人工神经网络的训练集。 。

我们选择的时代: 。这些数据的时代是一个元素被用作训练集时代。不幸的是,实际采样传感数据总是损坏和丢失一些值。我们需要真正干净的传感数据来训练BP人工神经网络来提高插值精度。

为了不失去数据变化的趋势数据过滤的过程中,我们只是使用均值处理过滤器窗口的时间方向测量的干净的传感数据。如果 ,然后可以计算出的值所取代 在哪里是调整系数。在这个实验中,我们用 。

过滤后的温度测量的结果显示在图6(一),实际的遥感数据如图6 (b)。过滤后的湿度测量的结果显示在图7(一),实际的遥感数据如图7 (b)。

比较测试结果时,我们需要提供的数据的时代每一个微粒都是相同的。因为在实际应用中,我们建立的监测区域的数据空间是空间在某一时刻的数据。我们假设 。在这个实验中,我们选择的时间是插值的第138期。我们比较实际收集的138时代价值与插值计算算法。

评估重建测量的准确性,我们选择平均相对误差(绝笔)。它反映了估计的精度数据相对于测量数据。计算的公式如下(17]: 在哪里的实际购置价值吗我传感器。相应地,评估价值。数据采集节点的总数。

6.2。实验的结果

这个实验是在一个小范围内,收集到的数据是高度相关的物理量,而且没有情况物理量之间的变化大大不同的感兴趣的地方,所以学习操作符可以被转移。

在数据丢失的情况下,我们比较我们的方法与inverse-distance-weighted插值算法的插补精度。然后 。因为数据丢失的数据采集节点是随机的,我们进行了20个测试更准确的比较。显然,有必要点采集节点数据丢失的数量小于或等于采集节点的总数。结果如图8和9。

从数据可以看出8和9丢失的数据比例,所有收集的数据减少,插值误差逐渐减小。该算法相对平坦的曲线,表明它是由数据丢失的影响较小。

在数据丢失的情况下,特别是当数据采集节点的数量相对较少,我们算法的插补误差远小于inverse-distance-weighted插值。

在数据扰动的情况下,我们比较我们的方法与inverse-distance-weighted插值算法的插补精度。然后 。对于温度的插值,我们使用所有采集节点的平均温度作为高斯分布的均值。我们设置参数 和 ;插值的湿度,我们使用所有采集节点的平均湿度为高斯分布的平均值。我们设置参数 和 。再一次,我们做20个测试。结果如图10和11。

从数据可以看出10和11的变化曲线算法相对平坦,虽然inverse-distance-weighted插值算法的曲线波动很大。的插值误差IDWI算法不仅受到干扰的数据也受到数据采集节点的部署位置。当7采集节点部署,IDWI算法的误差是最小的。因为传感器位置基于迭代分割四个亚区近7采集节点部署时统一部署,插值误差很小。

如果没有很多采集节点,数据采集节点的密度扰动发生很大,所以插值的误差更为突出。传感器的数量可以增加,部署和插值的误差也减少了。

从数据我们可以看到8- - - - - -11,我们的算法是对错误和强鲁棒性当数据是错误的,而inverse-distance插值方法的插值精度有很大的影响的错误数据。特别是,当出错率高,相对误差的算法比这低得多的inverse-distance插值算法。当出错率是50%,我们的算法具有相对误差为0.1,相对误差inverse-distance插值算法3.5,如图9(一个)。

7所示。结论

在本文中,我们提出了一个可靠的数据插值基于反向传播人工神经网络运营商无线传感器网络中不完整的收购。不完整的收集策略的基础下,完成收购的影响大约可以通过插值获得。有限的数据采集节点,节点采集的数据用于训练获得学习算子。然后,学习操作符获取节点的最接近的数据采集位置转移到数据采集位置插值。考虑到数据收集的WSN容易错误,分析错误的原因。为了提高插值算法的容错性和鲁棒性,我们提出了一种BP人工神经网络学习算子。从实验中,我们证明了算法具有较强的鲁棒性,它有一个低误差的情况下收集的WSN数据错误。这种方法具有较强的实际数据可视化,潜力数据分析,监控系统等。

数据可用性

测量数据,支持本研究的发现是由英特尔伯克利实验室,他们可从http://db.csail.mit.edu/labdata/labdata.html。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金资助(批准号61561017和61561017),研究生创新研究项目的海南高等教育机构(批准号Hyb2017-06),海南重大科技项目(批准号ZDKJ2016015),海南省自然科学基金的项目(格兰特No.617033),在中国的国家重点实验室开放项目的南海海洋资源利用(批准号2016013 b)和海南省重点研发项目(没有。ZDYF2018015)。