[发明专利]一种基于融合神经网络的传感器节点数据预测方法

说明书

本发明提供了一种基于融合神经网络的传感器节点数据预测方法，运用于数据预测技术领域；构建神经网络预测模型、创建数据预处理指令和模型训练指令；选取传感器节点的数据分类采样得到第一训练数据集和第二训练数据集；对采样得到的第一训练数据集和第二训练数据集进行数据预处理以得到第一训练样本和第二训练样本；使用得到的第一训练样本和第二训练样本分别训练神经网络预测模型得到第一神经网络预测模型和第二神经网络预测模型；对传感器节点分别输入第一神经网络预测模型和第二神经网络预测模型的向量并进行数据预处理；从第一神经网络预测模型和第二神经网络预测模型选用最佳的预测模型输出向量，以使传感器节点数据预测值达到最精确预测值。

技术领域

本发明涉及数据预测技术领域，特别涉及为一种基于融合神经网络的传感器节点数据预测方法。

背景技术

传感器网络是一个新兴、快速发展的研究领域。传感器节点从周围环境收集能量延长无线传感器网络的寿命，克服节点能源耗尽而无法工作的缺陷。然而，新技术引进同时也带来新的挑战。环境能源具有时间随机性、周期性和地域分布不均匀的特性，造成传感器节点采集数据的能力具有非对称性和不稳定性。因此，提前预测收集的数据可以帮助节点采取更好地策略。如果未来周期预测收集的数据较少，节点就要降低自身能量消耗；反之，可以承担更多数据采集、处理和传输任务。

在相关传感器节点训练法当中，一种是初始选定一个单隐含层的较大结构的神经网络，通过训练样本把该网络训练到初步收敛，提取出收敛神经网络的隐含层节点的输出值，然后对隐含层节点的输出值进行相关性分析—主分量分析(PCA)，剔除相关性较大的数据，进而降低维度，对应到隐含层也就是使相关性较大的节点进行合并，减少了神经元节点个数；另外一种是基于隐含层输出与网络输出之间的关联性分析：首先也是初始选定一个单隐含层的较大结构的神经网络，通过训练样本把该网络训练到初步收敛，提取出收敛神经网络的隐含层节点的输出值，再提取网络输出层的输出值，然后计算每一个隐含层节点输出值与网络输出层节点输出值的关联系数，当关联系数小于某一事先设定的阈值，则删除相应的隐含层节点，进而确定合适的隐含层节点个数。

虽然现有的基于深度模型的预测模型已经取得了较高的预测精度，但仍存在一些待解决的问题。大多数现有的方法依赖于经典的序列到序列架构，将历史时间序列输入至编码器并使用其最终状态初始化解码器来进行预测。然而在测试时没有真实样本，解码器完全依赖模型自身的生成的输出来预测下一个输出，这会导致模型在训练和测试过程中产生的下一个动作存在差异，而在这个过程中产生的误差会不断累积，虽然也出现了计划采样、对抗生成网络等方法用于避免误差，但这些方法都存在一些弊端，因此有效地避免误差对提高预测精度来说是十分必要的。

鉴于此，本发明提出一种基于融合神经网络传感器节点数据预测方法，以提高传感器节点数据预测精确度。

发明内容

本发明旨在提高传感器节点数据预测精确度的问题，提供一种基于融合神经网络的传感器节点数据预测方法。

本发明提供一种基于融合神经网络传感器节点数据预测方法，包括：

构建神经网络预测模型、创建数据预处理指令和模型训练指令；

选取传感器节点的数据分类采样得到第一训练数据集和第二训练数据集；

对采样得到的第一训练数据集和第二训练数据集进行数据预处理指令，以得到第一训练样本和第二训练样本；

使用得到的第一训练样本和第二训练样本分别训练神经网络预测模型，得到第一神经网络预测模型和第二神经网络预测模型；

对传感器节点分别输入第一神经网络预测模型和第二神经网络预测模型的向量并进行数据预处理指令；

从第一神经网络预测模型和第二神经网络预测模型选用最佳的预测模型输出向量，以使传感器节点数据预测值达到最精确预测值。