面向无线传感器网络的自适应数据清洗方法.docVIP

面向无线传感器网络的自适应数据清洗方法 　　摘要：针对无线传感器网络（WSN）数据不精确和不可靠的问题，根据感知数据的空间相关性定义了弹性空间模型，并在此基础上提出一种自适应近邻空间清洗方法（ANSA）。该方法根据感知数据波动动态调整近邻空间大小，并通过计算近邻节点测量数据的加权平均对本地数据清洗。实验结果表明，感知数据清洗后误差控制在0.5以内，与经典的加权移动平均（WMA）方法相比，所提方法的精确度更高，同时能量损耗减少约36%。 　　关键词：无线传感器网络；空间相关性；数据清洗；孤立点检测；数据可靠性 　　中图分类号： TP311； TP393.032 　　文献标志码：A 　　Abstract： Since the data gathered in Wireless Sensor Network （WSN） are inaccurate and unreliable， a flexible space model based on the spatial correlation of sensor data was defined， and an adaptive neighborspace approach for data cleansing （ANSA） was proposed. The approach adjusted neighborspace dynamically according to sensor data fluctuation and calculated the weighted average of neighbors measurements to clean local raw data. The experimental results show that， the sensor data error after cleansing by the proposed approach is less than 0.5， and compared to the classic Weighted Moving Average （WMA）， it is more accurate and the energy consumption is reduced by about 36%. 　　Key words： Wireless Sensor Network （WSN）； spatial correlation； data cleansing； outlier detection； data reliability 　　0引言 　　近年来，无线传感器网络（Wireless Sensor Network， WSN）被广泛应用于环境感知、智能监测、行为分析等领域。但由于传感器易受环境等因素的影响，WSN中获得的感知数据往往含有噪声和误差，并经常出现数据丢失、重复和不一致现象。由于感知数据的不精确性和不完整性[1]，WSN难以对现实世界中的状态或事件进行精确监测，因此在利用感知数据之前，先对其进行清洗以保证数据的精确性和可靠性是极其重要的。 　　感知数据的时空相关性[2]是WSN区别于传统数据流的一个重要的特性，也是被研究人员广泛用于数据清洗的特性，这种特性可以概括如下。 　　1）时间相关性。WSN在环境监测、事件跟踪等应用中，感知节点所在环境发生的现象或事件会持续一段时间，不会立即消失，即这个感知节点的测量值在这段时间内（几个或多个测量周期）应该保持相对稳定，不会发生急剧变化。 　　2）空间相关性。在WSN应用中，现实世界发生的现象或事件会覆盖WSN的某个区域（称为事件区域（Event Area）），而不是一个位置点，即在现象或事件发生区域内的感知节点，在同一时刻应具有相近的测量值，且在一段时间内（几个或多个测量周期）其测量值具有相似的变化趋势。 　　在WSN应用领域，基于时空相关性的传感数据清洗技术得到广泛研究，主要分为集中式清洗方法和网内清洗方法。 　　1）集中式数据清洗方法。如Jeffery等[3]建立的传感器数据清洗模型，利用感知数据的时空相关性来恢复缺失数据和去除孤立点；Sheng等[4]提出使用直方图表示数据的分布式提示信息（hints）并使用hints滤出不必要的数据和识别可能的孤立点。 　　2）网内数据清洗方法。如Zhuang等[5]提出的加权移动平均（Weighted Moving Average， WMA）方法，通过本地节点测试和邻居节点测试相结合的方法进行感知数据的去噪，从而减少本地节点采样的能量消耗，并加快感知数据的响应速度；郭龙江等[6]在WMA基础上提出基于节点密度的混合式方法（Densitybased Hybrid Approach，