文摘
与物联网和信息技术的快速发展,无线传感器网络技术是广泛应用于工业监控。然而,有限的建筑特点,软件和硬件的特点,无线传感器网络和复杂的外部环境因素,经常有严重的无线传感器网络监测数据异常,进而影响用户的判断和反应。在此基础上,本文优化,提高相关异常的故障检测算法在无线传感器网络中,数据分析从两个角度,同时验证算法。在第一个层面上,针对空间不足的问题,合作面临的网络异常数据检测水平,本文首先建立了一个基于无线网络的稳定的邻居筛选模型和过滤器和分析网络合作数据节点的可靠性评价模型,然后建立了检测数据稳定通过使用相对应的时空相关性的数据节点。实现异常数据检测。在第二个层面上,针对无线网络异常事件检测的问题,提出了一种空间聚类优化算法,主要集群检测数据流在无线网络时间窗口中通过聚类算法,并分析了集群数据,从而实现网络异常事件的检测,以便保留事件的特点和进一步分类数据异常事件。本文将验证改进的优化算法的可实现性和优越性通过仿真技术。实验表明,基于异常数据分析的故障检测率高达97%,这比传统的故障检测率高出5%。与此同时,相应的故障错误检测率低,控制在1%以下。该算法的效率约为10%高于传统算法。
1。介绍
十字架上的产品信息技术和物联网技术的发展,无线传感器网络技术是广泛应用于各种场景,如环境监测、生态监测、城市交通(1,2]。传统的无线传感器网络主要布置大量的在相应的监控区域,形成相应的微型传感器multidetection和自组织无线传感器网络。通过大量的无线传感器网络,他们配合,收集、和过程感知对象和环境,最后进行数据传输和处理在无线传感器网络传输的形式3,4]。随着无线传感器网络的发展,它主要有三个运行特点。它的特点之一是分布式和自组织的。在这个过程中,相应的节点可以互相监视和分析通过相应的算法。相应的数据节点具有自组织的能力,和相应的网络节点会自动配置和管理;它不会影响传感器网络的操作(5- - - - - -7]。第二个相应的功能是对应的传感器网络数据大规模、高密度和相应的节点之间的冗余信息可以实现合作(8]。第三个对应的功能是无线传感器网络的节点能量对应的是相对有限。传统的无线传感器网络的主要能源消耗主要是建立在交流的基础上,增加了通信距离。因此,许多无线传感器网络的主要数据传输模式是多次反射模式(9- - - - - -11]。
在无线传感器网络中,经常有异常检测数据,并在这个时候,异常数据往往比传统的更高或更低的数据(12]。传统的数据异常主要存在于两个方面。第一个方面是,数据异常来自外部突发事件。突发事件导致环境异常,导致异常的监测数据。相应的异常主要包括温度和湿度的收集的数据异常,这明显不同于日常或其他数据。另一方面,有软件或硬件故障节点的无线传感器网络。相应的硬件故障主要是明显的硬件故障传感器的传感器节点,对应的硬件系统的损伤,和相应的传感器不能及时传输和分析数据。因此,节点自动退出相应的数据网络;相应的软件故障反映在相应的数据节点的软件故障。尽管仍然可以经常传播和相应的数据信息,分析了实际收集的数据通常是处于异常状态,所以相应的阅读是一个错误的源代码(13- - - - - -15]。检测异常数据是无线传感器网络的一个重要事件。当异常数据收集在一个特定的区域,需要及时的处理和分析相应的数据并立即采取相应的对策。当所谓的软件在相应的数据节点发生故障时,也需要使用人工干预。基于这个数据异常检测和故障处理算法,有三个主要的优化算法。首先,更优化的无线网络通信协议优化算法的目的是改善其可靠性。在第二层,更强大的无线传感器网络节点的设计是为了进一步降低传感器网络数据节点的故障率,确保网络系统的稳定性和可靠性。第三层次是优化应用系统的设计,提高系统的性能和稳定性的平台,以进一步确保系统的可靠性和优越性(16- - - - - -18]。
鉴于上述相应的研究现状和存在的问题,本文将优化基于异常的故障检测算法在无线传感器网络中,数据分析从两个层次和模拟相应的算法。首先,针对空间不足的问题,合作水平的异常数据检测,本文首先建立了一个稳定的邻居筛选模型,筛选和分析相应的合作的可靠性数据节点,然后建立一个检测数据稳定性评价模型通过使用相应的时空相关性的数据节点,从而实现异常数据检测。针对异常事件检测的问题,提出了一种空间聚类优化算法,主要集群检测数据流在时间窗口中通过聚类算法基于时间相关数据的节点,并分析了集群数据,从而实现事件的检测,以便保护事件和异常数据事件分类的特点,确定异常值是阅读的一个事件。本文将验证优化的可实现性和优越性,并通过仿真技术改进算法。实验表明,基于异常数据分析的故障检测率高达97%,这比传统的故障检测率高出5%。与此同时,相应的故障错误检测率低,控制在1%以下。
本文的结构如下:第二部分本文将分析的研究现状和研究基于数据异常的故障检测算法在无线传感器网络;在第三部分中,基于异常的故障检测算法在无线传感器网络中,数据分析从两个层面进行优化,模拟和相应的算法。本文的第四部分主要是验证实验和分析。最后,本文将总结。
2。相关分析:故障检测算法的研究现状在无线传感器网络中,基于数据异常
目前,有许多研究指出对无线传感器网络技术和相应的网络数据异常检测技术。大量的研究人员和研究机构研究和分析相应的研究内容。目前,无线传感器网络的算法对异常数据检测主要集中在5分,对应的异常数据检测算法基于统计模型,异常数据检测算法基于相邻比较,异常数据检测算法基于数据聚类分析、异常数据检测算法基于分类歧视,和异常数据检测算法基于谱分解(19,20.]。基于上述五种检测算法,大量的研究人员优化和扩展。相关研究机构在欧洲首先总结了类型和相应的无线传感器网络技术的技术特点,总结了相应的检测技术基于相应的感应方法(21]。有关日本科研机构使用高斯模型中的统计信息来确定数据节点无线传感器网络是通过相应的阈值判断和异常判断异常的原因来自于节点或外部环境。然而,这种方法严重忽略节点之间的时间相关性。因此,相应的监测节点的准确性较低。相关研究机构在美国提出监控异常数据聚类算法的基础上,算法是复杂的,但相应的参数和相应的计算量相对较大(22]。相关研究机构在日本可以根据距离检测异常数据,主要利用数据节点在整个网络的相似性来确定当地异常节点,确认和判断异常节点的邻居节点异常节点。这种方法比较灵活,但这种方法实际上有太多计算大型无线传感器网络时(23]。基于上面的问题,大量的计算算法,相关研究人员提出一个基于分类算法对异常数据监控。相应的算法主要是一种自适应分布式异常数据检测算法,识别精度高,适用于高级算法,如神经网络(24]。针对数据的异常造成的外部环境因素,相关研究人员提出了一个基于主成分分析算法技术,主要选择的主要组件的数据对象的数学建模和基于相邻数据进行异常验证分析。算法本质上是一种降维思想,主要使用的主要组件信息来实现正常的搜索和分析数据25]。后的恢复算法研究相应的异常数据检测,其主要算法包括基于可靠的传导机制的数据恢复算法,基于数据相关性,数据恢复算法和基于数据的数据恢复算法时空相关理论(26- - - - - -28]。
3所示。故障检测异常数据分析算法在无线传感器网络
本节主要研究和分析了基于异常的故障检测算法在无线传感器网络数据分析。相应的检测水平主要包括两个层次:异常数据检测水平和异常事件检测水平。相应的原理框图如图1从图可以看出,相应的两个级别的异常数据检测、相应的检测原理框图和检测算法和相应的异常数据恢复算法原理和一些模拟流程图也给出了相应的图。
3.1。优化分析的异常数据检测算法
传统的异常检测主要分为集中式和分布式的数据。本文中使用的方法是集中的异常数据检测,主要是基于感知数据的时空相关性原则。异常数据检测算法的假设提出了如下:被定义为数据的概率失败,所有数据在无线传感器网络节点。相应的单节点的无线传感器网络是由数据 。相应的对应的传感数据节点对应的单节点 。相应的参数相应的检测准确率和相应的误警率远,分别给出了相应的计算公式
基于上述假设,建立了相应的数学模型的无线传感器网络。相应的不同合作模型公式所示3),相应的代表不同的阈值。阈值的选择取决于不同的应用场景。该模型主要用于反馈数据的时空相关性的特点。
基于上述不同合作模式,相应的抵消评价模型进一步派生。建立的模型主要是基于时空合作的想法。相应的模型公式见公式(4)。在相应的公式,代表历史数据和相应的邻居之间的合作系数数据,及其对应的值范围是基于0 - 1。当相应的值为0,这完全取决于你的邻居数据进行判断处理;当相应的值是1,这完全取决于自适应历史数据进行判断分析。
在相应的节点异常判断,这主要取决于国家对应的功能 。当相应的函数 ,相应的数据状态判断为异常状态,当对应的函数 ,相应的数据状态判断为正常状态。根据决策函数,当前节点数据和邻居数据进行比较和分析。相应的比较函数被定义为见公式(5)。当相应的比较差在函数小于阈值,选择相应的两个结果是相似的。此时,相应的比较函数的返回值是0;否则,返回值是1。
基于上面的分析,可以得出相应的数据节点的评价规则所示公式(这个时候6)。相应的公式中的值代表对应的相邻节点的数量。这个数的节点是用来确定一个特定节点的相应的操作状态。当相应的 ,它是确定节点是正常的。
为了进一步确定节点数据是否异常,需要分析的相应抵消数据节点。相应的数据抵消相应的数据节点总是在不同的时间变化,但有很多因素影响其持续的变化。的主要因素包括节点故障和外部环境的变化。相应的补偿计算步骤如图所示2。从图中,可以进一步总结,相应的计算步骤如下:
步骤1。基于时间相关的原则,合作的历史数据窗口是用于节点的历史数据样本数据在当前时间和计算偏移量之间的历史数据和抽样数据在当前时间。
步骤2。建立一套可靠的最近邻节点数据基于空间相关性的原则,并获得之间的偏移电流相应的采样数据节点和可靠的邻居节点。
步骤3。全面评估节点的抵消通过时空的合作。
步骤4。重复以上步骤对所有节点获取数据节点的最终抵消。
基于上述分析,该算法对应异常数据流检测算法提出了可以进一步获得。相应的算法主要分为两个层次,这对应于可靠的邻居节点选择和相应的异常节点数据的判断。相应的算法流程图如图3。从图中,我们可以看到相应的算法流的细节如下。
在相应的可靠的邻居选择层面,药物加载在于邻居节点的数据集的生成和运行状态预测算法。对于异常数据检测,主要数据节点偏移量的计算与分析。计算偏移量时,它是必要的,以确定相应的波动预先初始化阈值,不断评估和分析相应的偏移量。在相应的异常数据检测部分,我们需要关注阈值的选择。当相应的阈值小,角度的数据将无法获得可靠的相邻节点。同时,动态设置在相应的算法将会失败,也会导致错误检测系统中的异常数据检测算法。
基于上述分析,相应的故障检测算法在无线传感器网络中,基于异常数据。
3.2。优化分析的异常事件检测算法
在异常事件检测,本文主要采用优化的聚类算法进行处理。其主要核心思想是将节点数据划分为子空间,将相应的数据属于同一个空间划分为一种数据,并保持相应的数据不同的子空间独立。相应的聚类过程如图4;对应的子空间数据聚类的细节如下:
步骤1。与多个相应的多维数据模型的建立,并建立相应的系数矩阵与拉格朗日乘子方法。
步骤2。建立一个无向加权图基于上述系数矩阵,并利用系数矩阵来建立相应的相似性矩阵。
步骤3。集群为基础的无向加权图对应的归一化分割算法。
基于上述聚类的基本原理过程,目前收集的数据和历史数据的每个数据节点的无线传感器网络是集群。在聚类过程中,设置相应的时间窗口长度 ,包含在这个窗口和数据收集的数据对应于当前节点和n期间收集到的历史数据。当检测每一组数据,添加一个新组的传感数据的节点,和删除数据的时间节点的最远的集团同时;相应的时间窗口向右移动一个特定的时间节点。处理流程的原理框图的基础上相应的时间节点如图5。图5完全展示了无线传感器网络的聚类过程。数据节点的聚类对应的周期是最后终止通过添加新的节点和删除旧的节点。
基于上述原理图,总结了相应的异常事件检测流程如下:
步骤1。异常事件检测算法已经开始相应的监测数据节点时工作。这时,收集到的节点数据通常是在正常的状态。当相应的时间窗口的幻灯片,当对应的事件发生故障或使一个错误,新的数据属于故障数据集。
步骤2。在每个聚类操作,两个数据集之间的距离需要同时计算。当相应的数据集之间的距离小于设定的阈值系统,它是确定没有明显区别这两个数据集。在这个时候,正常状态的数据集,否则数据集是不正常的。
步骤3。当相应的事件是在聚类计算,相应的数据集是在异常状态和正常状态;然后,确定相应的数据集作为软故障。然而,当对应的数据集有一个稳定的不正常状态后很长一段时间,并返回到正常稳定,相应的数据集称为事件异常引起的网络事件。
步骤4。迭代和判断基于上述步骤的所有节点的数据集。
相应的优化和改善异常事件检测算法如图6。从图中,我们可以看到的优点改进算法与传统算法相比。
基于上面的分析和研究,基于两个级别的异常检测提出了改善和优化传统算法的算法原理和将相应的异常,以提高检测的准确性在无线传感器网络中,不同的故障,提高检测精度。
4所示。实验和仿真
异常数据的异常情况主要指环境下相应的指数检测到无线传感器网络。无线传感器系统分析了基于收集的数据的状态相关的传感器和技术人员提供了判断依据。本文算法通过仿真验证和比较。相应的实验条件如下。
相应的实验数据集来自测试数据集发表在网络上。相应的传感器网络布局如图7。从图可以看出,传感器将检测和收集各种数据环境的每1分钟,和相应的数据包括温度、湿度、光、电压及电流的值。在实际处理中,需要相应的原始数据预处理和分析。预处理过程主要是基于时间窗。
相应的实验本文主要分为两类。第一类主要验证异常数据检测优化算法的性能。主要实验的缺点包括验证算法的实验性能在校准前阶段,相应的算法验证下抵消阅读故障类型,和随机读下的算法检测故障类型。相应的第二类别主要是验证事件异常检测的优化算法。
对算法的性能测试在校准之前,实验主要验证其检测精度和相应的错误检测率。在实际的实验中,相应的异常阈值设置为0.5。基于此阈值,仿真实验的优化算法和传统算法进行,分别。相应的实验结果如图7。从图可以看出,本文提出的优化算法的检测精度明显高于传统算法,及其相应的检测精度高达96%左右。的错误检测率,本文提出的优化算法可以控制在0.1%以下,样本数据的增加,而相应的传统算法显示了一个直线上升趋势。
相应的算法验证的故障类型下抵消阅读,相应的算法验证环境类似于算法在校准前阶段,和相应的实验结果如图8。从图可以看出,与传统算法相比,本文提出的优化算法具有较高的检测精度和更低的错误检测率在处理故障类型的抵消阅读。从数据图中可以看出,本文算法对应的检测精度保持在97.3%以上,以及相应的传统之间的最大误差算法和本文算法的数据量的增长而增加。
相应的算法验证下随机阅读故障类型,相应的算法验证环境类似于算法在precalibration阶段,和相应的实验结果如图9。从图可以看出,与传统算法相比,本文提出的优化算法具有较高的检测精度和更低的错误检测率在处理故障类型的抵消阅读。
为了验证改进的聚类算法的优越性对异常事件,以下环境设置在实验仿真:假设300个传感器是均匀分布的 正方形区域,传感器主要用于检测环境的温度和湿度,相应的传感器之间的距离设置为300,和相应的传感器节点分布图如图10。对应图中的每个传感器执行优化的聚类算法。本文构造异常事件设置为传感器范围内火灾事件,和相应的火灾事件范围也已在图10。
基于上述模拟条件下,由聚类算法处理每个数据节点,因此,不断检测节点本身是否有异常的节点值。相应的检测结果如图11。图中的对应的圆代表正常节点数据,和相应的十字架代表节点数据异常。根据相应的异常事件检测准确性和错误检测率,如图12,从图可以看出12在本文提出的优化算法具有较高的检测精度和更低的错误检测率在处理故障类型的抵消阅读与传统算法相比。
为了进一步验证的性能异常数据恢复算法在该算法中,本文也进行了在一个典型的数据恢复实验异常数据。这个时候,主要判断相应的协作估计值和预设值的数据。当相应的误差越小,相应的数据恢复效果越好。数据恢复的结果,可以看出,协同算法在本文提出的评估价值约19.2111,0.02413不同的预设值,远低于0.21511的传统差异。因此,恢复算法提出了具有更好的数据恢复效果。
基于上述实验,可以看出,与传统算法相比,该算法具有明显的优势在相应的检测准确性和错误检测率,和相应的数据恢复算法也有明显的优势。
5。结论
本文主要分析了故障检测的研究现状和缺点算法和仿真技术在无线传感器网络中基于数据异常分析。基于异常数据和异常事件检测的问题,本文优化,提高相关异常的故障检测算法在无线传感器网络中,数据分析从两个角度,同时验证算法。在第一个层面上,针对空间不足的问题,合作面临的网络异常数据检测水平,本文首先建立了一个稳定的基于无线网络的邻居筛选模型,筛选和分析网络合作数据节点的可靠性,稳定性评价模型,然后建立了检测数据通过使用相对应的时空相关性的数据节点。异常数据检测实现。在第二个层面上,针对无线网络异常事件检测的问题,提出了一种空间聚类优化算法,主要集群检测数据流在无线网络时间窗口中通过聚类算法,并分析了集群数据,从而实现网络异常事件的检测,以便保留事件的特点。和进一步分类数据异常事件。本文将验证改进的优化算法的可实现性和优越性通过仿真技术。实验表明,基于异常数据分析的故障检测率高达97%,这比传统的故障检测率高出5%。与此同时,相应的故障错误检测率低,控制在1%以下。该算法的效率比传统的算法高出大约10%。 On the whole, the optimization algorithm proposed in this paper has obvious advantages compared with the traditional detection algorithm. In the actual test process, this paper finds that this algorithm has disadvantages such as large algorithm loss and complex algorithm when the amount of abnormal data is large. Therefore, in the subsequent research, this paper will focus on the lightweight of the algorithm to reduce the algorithm consumption in the case of complex abnormal data.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。