[发明专利]一种无线传感器网络中的事件检测方法

权利要求书

1.一种无线传感器网络中的事件检测方法，其特征在于，所述无线传感器网络中的事件检测方法利用节点读数的时间相关性，通过改进的低秩子空间聚类算法对节点时间窗口内的数据流聚类，对事件进行检测，并保存事件的数据特征；通过改进的随机森林分类算法，实时地对异常值分类，判断出该异常值是否为事件读数；

所述无线传感器网络中的事件检测方法包括以下步骤：

步骤一，对网络中的各个节点其保存长为24小时的时间窗口内的二维数据流进行低秩子空间聚类算法；

步骤二，对于聚类结果，观测两类间的均值的马氏距离是否小于阈值θ₁，若小于，则说明不存在异常值，时间窗口向右移动一格，返回步骤一进行下一时间点检测；否则节点存在异常值，其所在区域有事件发生，并把情况信息发送到终端，返回步骤一进行下一时间点检测，直到事件结束；

步骤三，节点把事件发生时的数据保存下来，并发送到所有网络节点中，保存起来作为训练集中的事件读数；

步骤四，在后面的事件检测中，各个节点时间窗口内的正常读数和前面保存的事件读数作为训练集，执行改进的随机森林分类算法；

步骤五，若新数据被判定为事件读数，把事件情况信息发送给终端，返回步骤四对下一时刻继续进行事件检测；否则，执行步骤六；

步骤六，获取其最近邻居的读数，进行比较，若两个读数差超过阈值θ₂，则说明至少一个节点存在异常值，返回执行步骤一；否则都为正常值，返回步骤四对下一时刻继续进行事件检测。

2.如权利要求1所述的无线传感器网络中的事件检测方法，其特征在于，所述步骤一具体包括：

(a)对二维数据建立低秩表示模型：

这里为X为节点在该时间窗口内感测的读数，X的任一时刻x_i读数表示为所有其它数据的线性组合，因此有X＝XZ；由于实际中读数存在噪声的影响，因此有X＝XZ+E；为核范数，其中，σ_i(Z)为Z的第i个奇异值，n为奇异值的个数；用来度量噪声和奇异样本带来的误差，λ＞0；

用增广朗格朗日乘子法求解得到系数矩阵Z；

式中，Z表示用数据集本身来表示数据时的系数矩阵；E表示用来度量噪声和奇异样本带来的总误差；λ＞0表示误差待定系数，即朗格朗日乘子；E_i，j表示第i个节点的第j个属性样本因为噪声和奇异性带来的误差；

(b)构造无向赋权图G，图中顶点表示各个时刻的读数，各个顶点间的边的权重为该两个时间节点读数的相似度，利用系数矩阵Z计算出图的相似度矩阵W＝(|Z|+|Z^T|)/2；

(c)利用归一化分割算法对无向赋权图G上的顶点聚成两类，其两类集合为A、B，分类准则为：

式中，V表示整个图G的节点集；W(u,t)表示图的节点u和节点t之间边的权重；

Ncut(A,B)的值越小，说明对这个带权无向图的分割越好，也就是聚类越精确。

3.如权利要求1所述的无线传感器网络中的事件检测方法，其特征在于，所述步骤四具体包括：

(1)用自助法重复有放回地在总训练集的正常读数中抽取三分之二个样本，把事件读数的所有数据也放进样本中，利用样本中的数据来进行训练决策树；

(2)利用样本中读数所有维度属性来构造决策树，在决策树根部开始，利用读数的任一属性，根据样本中的所有数据及其所属分类来确定分类边界，使决策树进行展枝，通过不断展枝直到各个树的叶子不能划分时结束决策树的构造；

(3)重复(1)-(2)，建立m棵决策树，形成一个随机森林；

(4)对节点新感测的数据进行分类，把数据代入各个决策树中，观测其落入决策树的叶子类别来分类，根据其被判定为事件读数的决策树棵数与总决策树数之比，定义为数据为事件读数的概率，若概率大于0.5，则判定其为事件读数；

(5)对训练样本中的数据进行更新，若新读数为正常值，则新读数替换时间最远的正常值读数，若新读数为事件读数，则新读数替换掉事件读数中的中值，用于下一次新数据的分类。

4.一种应用权利要求1～3任意一项所述无线传感器网络中的事件检测方法的无线传感器网络中的事件检测方法。