[发明专利]基于模式统计的时间冗余数据消除方法

摘要

本发明公开了一种基于模式统计的时间冗余数据消除方法。本发明设计一种基于周期相关性和线性相关性的时间冗余数据消除方法，该方法利用物理现象中经常出现的的周期相关性和线性相关性，通过分析传感节点采集的物理数据，统计得到物理现象的变化模式，以及每种变化模式的出现概率，然后利用得到的统计信息，来对未来的数据进行预测，进而抑制可预测数据的发送，以消除时间冗余数据，减少传感节点发送的数据量，降低发送频次，达到节省节点能量，降低网络负载，延长网络生存期的目的。本发明所采用的技术方案是：基于模式统计的时间冗余数据消除方法，该方法包括双预测模型冗余消除框架，基于最小二乘法的预测模型选择算法和基于模式统计的预测模型选择算法等三部分。

主权项

1.一种基于模式统计的时间冗余数据消除方法，其特征在于，包括以下步骤：步骤一：在Sink节点和传感节点分别预设一个相同的预测模型，在初始时，Sink节点初始化缓存并将预测模型初始化为预设的模型，传感节点将预测模型初始化为预设的模型；步骤二:传感节点周期性采集数据，并计算采集数据与通过预测模型预测得到的数据的误差，如果误差小于预定义的误差，则不向Sink节点发送实际值，Sink节点通过自身所储存的预测模型得到预测数据，并作为采集数据发送至用户；否则传感节点将采集数据发送至Sink节点，Sink节点将收到的传感节点的采集数据发送至用户；若Sink节点连续m次接收到传感节点的采集数据，则进入步骤三；步骤三：Sink节点对预测模型进行更新，利用传感节点所采集的物理数据在一段时间内呈现线性变化的特点，并利用周期性现象计算各种线性模式的出现概率，选择能够拟合最近接收的m个采集数据，且出现概率最大的线性函数作为新的预测模型，否则通过最小二乘法，对最近接收的m个采集数据进行线性拟合，并将此线性函数作为新的预测模型；其中所述的利用周期性现象计算各种线性模式的出现概率，出现概率使用加权频率表示，加权频率越大，则出现概率越高，加权频率越小，则出现概率越低，加权频率计算方法如下：设传感节点所使用的所有预测模型的斜率按时间顺序构成了模式序列(α1,α2,…,αn)，其中αi是整个采集过程中使用的第i个预测模型的斜率；每种预测模型的持续时间按时间顺序构成了持续时间序列(T1,T2,…,Tn)，其中Ti是整个采集过程中使用的第i个预测模型预测的持续时间；线性模式α在i时刻的加权频率f计算方法如下：其中f(0)＝0，r为衰老因子，其中0步骤2：假设满足式(4)的斜率集为Af＝{αi1,αi2,…,αik}，根据计算加权频率的方法分别计算此时Af中每种斜率的加权频率，选择其中加权频率最大的斜率α作为新预测模型的斜率；步骤3：根据斜率α从式(4)中解得截距lower<β

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于湖南大学，未经湖南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201410366167.X/，转载请声明来源钻瓜专利网。