基于感知数据时间相关性的缺失值估计算法.docxVIP

基于感知数据时间相关性的缺失值估计算法 1 感知数据的缺失 无线通信技术、微电子技术和嵌入式控制技术的快速发展使无线传感器网络普及，无线传感器网络技术也成为研究的热点。传感器网络由分布在特定区域的多个传感器节点组成。每个节点都具有一定的计算、存储和通信能力。为了满足不同应用的不同需求，人们发布了许多基于无线传感器网络的研究和处理方法。然而，这些方法不能解决传感器数据缺失的问题。由于无线传感器网络的固有特性，在搜索和处理无线传感器网络时，由于检测和处理之间的感知数据不足，我们无法解决这一点。 例如, 传感器节点的通信能力有限, 网络中的通信链路经常因为自然环境的影响而频繁断接, 因此感知数据会在传输过程中被丢失, 从而使得用户的查询结果集会经常出现缺失值.又如, 传感器节点的能量有限.当节点的能量较低时, 节点经常处于不稳定的工作状态, 此时节点采集到的感知数据经常为不可用的异常值.由于这些异常值不可用, 因此这些异常值也通常被认为是缺失数据.当节点能量耗尽时, 节点不但无法采集所需的感知数据, 而且存储在节点中尚未回传的感知数据也可能全部丢失, 从而使用户的查询结果集出现缺失值.此外, 由于节点体积较小, 其构成器件较脆弱, 因此节点容易受到动物踩踏、吞食或日晒、雨淋等周围环境的影响而损坏和丢失, 从而导致存储在节点中的感知数据丢失.由于以上原因, 无论人们提出怎样高效, 健壮的查询处理算法, 在无线传感器网络中感知数据的缺失问题都是不可避免的. 感知数据的缺失问题给无线传感器网络的各种应用带来了巨大困难.例如在数据采集应用中, 感知数据的缺失会降低感知数据集合的可用性, 不但使感知数据集合的利用率急剧下降, 还间接地降低了无线传感器网络的工作效率.例如, 在森林环境研究中, 生态学家需要根据部署在森林中的一组传感器网络采集到的温度、湿度、光照、气压等环境数据来研究区域范围内小气候的形成、植物的动态呼吸作用与生长模型.为此, 生物学家需要传感器网络返回大量的监测数据.而这些大量的未处理的原始数据本身并不能直接应用到研究当中, 生物学家必需应用一些分析工具来对这些数据进行处理才能得到可用信息.而目前被广泛应用于该领域的分析工具如机器学习方法中的支持向量机、人工神经网络;多元统计分析方法中的主成分分析, 奇异值分解等都无法处理含有缺失值的数据集.因此, 如何有效处理这些缺失值, 从而使得采集到的感知数据集能够被应用于研究中, 是极度困扰生物学家的挑战性问题. 在实际的应用中, 感知数据集合中存在着大量的缺失值和异常值.如果不对这些缺失值进行填补, 则现有的分析工具无法被应用;如果将存在缺失值的数据元组删除, 则会丢失大量的原始数据信息.这样做不但会降低分析结果的准确性与可靠性, 更可能导致错误的分析结果.此外, 丢弃对含有缺失值的数据元组的使用, 还会间接地造成网络能源的极大浪费.这是因为在这些数据元组中除了缺失值以外的其它数据仍然是真实、可靠、可用的.采集和传输这些可用的感知数据需要耗费大量的网络能源.因此, 从感知数据集合中删除含有缺失值的数据元组等同于网络能源的浪费.再次, 从时间维度上考虑, 反映监测对象某一时刻状况的感知数据只能被记录一次.所以, 从时间维度上讲, 缺失的感知数据是无法被重新再采集的, 其只能被尽量准确地估计. 综上, 由于感知数据的缺失问题不可避免且极大地限制了无线传感器网络的广泛应用, 因此如何对缺失的感知数据进行有效估计是我们亟待解决的问题.本文首先考虑了感知数据在时间维度上连续变化的特点, 给出了基于感知数据时间相关性的LIN算法.该算法采用线性插值模型, 能够对较短时间间隔内平稳变化的感知数据缺失值取得较好的估计效果.其次, 对于非平稳变化的感知数据, 本文充分考虑了相邻传感器节点的感知数据的空间相关性, 给出了基于感知数据空间相关性的MR算法.该算法采用多元线性回归模型, 通过对多个相邻传感器节点的感知数据的综合考察来给出缺失数据的估计值.此外, 该算法对于用户给定的置信度, 还能够给出缺失值的置信区间.最后, 本文综合考虑了LIN算法和MR算法的特点, 并基于这两种算法给出了一种基于感知数据时-空相关性的LM算法.该算法能够根据感知数据的变化特点自适应地调整缺失值估计方程中的相应参数, 从而无论对于平稳变化还是非平稳变化的感知数据缺失值均能取得较好的估计效果. 本文第2节讨论相关工作;第3节给出问题定义及LIN算法;第4节介绍MR算法;第5节介绍LM算法;第6节给出实验结果及分析;结论在第7节中给出. 2 对于感知数据的缺失值估计的在文献中应用时还没有任何能 目前, 无线传感器网络的研究工作涉及传感器网络的查询处理、安全、路由协议、数据融合等许多方面, 但是还很少有对感知数据缺失值进行准确