[发明专利]基于双层模型体系的无线传感器网络的二次分簇算法

摘要

本发明属于无线传感网技术领域，提供基于双层模型体系的无线传感器网络的二次分簇算法，本发明主要在预测模型构建、邻近节点数据相关性检测两个方面，对传统的二次分簇算法进行改进，使用新的模型构建以及数据相关性检测方法。主要包括利用采集到的样本构建双预测模型和基于双预测模型的相关性，对簇内节点进行二次分簇两部分。本发明的有益效果为，与已有的基于轮值的数据采集方法相比，本发明对簇所覆盖区域的信息提取更充分；与已有的基于局部数据相关性的分簇方法相比，本发明在不降低采集精度的前提下，能够有效延长整个网络的生命周期。

主权项

1.一种基于双层模型体系的无线传感器网络的二次分簇算法，其特征在于以下步骤：第一步，利用采集到的样本构建双预测模型通过确定性因素分解方法提取序列的确定性信息，即利用线性函数表示采集数据的变化趋势，构建趋势模型；再检测残差序列的自相关性并建模，即利用自回归模型预测残差序列的扰动，构建调整模型；双预测模型具体如下：其中，x_t′为趋势模型自变量；y_t为观测向量；λ为趋势模型参数，通过卡尔曼滤波迭代计算出λ的最优解，通过残差三阶累积量实时检测趋势模型的有效性；v_t为趋势模型和观测值的残差，利用调整模型拟合；为调整模型参数，确定样本自相关性后，通过最小二乘法计算的最优解，最后利用AIC定阶法确定回归模型阶数p；{ε_t}是白噪声序列，每个元素均服从均数为零、方差为σ²的正态分布，且相互之间独立；第二步，基于双预测模型的相关性，对簇内节点进行二次分簇2.1)采用hausdorff距离，计算当前节点与每个邻近节点趋势模型的相关性，所述的hausdorff距离为：h(A，B)＝max{min{d(a，b)}}    (13)a∈A b∈B其中，集合A＝{M₁(y₁，t₁)，M₂(y₂，t₂)...，M_n(y_n，t_n)}，元素a＝M_i(y_i，t_i)，代表分段线性函数第i段的起始点，将每个点连接起来即为当前节点的趋势模型；集合B、元素b的定义同上，代表当前节点的某个邻近节点的趋势模型；d(a，b)表示元素a和b的欧几里得距离；通过计算，最终得到当前节点与其所有邻近节点趋势模型的相关系数集合H_A＝{h(A，B₁)，h(A，B₂)...，h(A，B_n)}；2.2)计算当前节点与每个邻近节点调整模型的相关系数，通过对比自回归模型的随机扰动量ε～N(0，δ²)实现，得到调整模型相关系数集合G＝{δ²₁/δ²，δ²₂/δ²...，δ²_n/δ²}，其中，δ²为当前节点调整模型随机扰动量的方差，δ²_i为邻居节点调整模型的随机扰动量；2.3)按公式(14)综合双模型的相关系数，得到当前节点与其邻近节点数据的相关系数，即集合C＝{c₁，c₂...，c_n}，公式(14)具体为：c_i＝αh_i+βg_i    (14)其中，α，β分别为分配给趋势模型、调整模型相关系数的权重；h_i为趋势模型相关系数；g_i为调整模型相关系数；2.4)根据当前节点与其邻居节点的相关性，选出代表节点设定两个相关系数阈值c_max和c_min，分别代表极度不相关和极度相关的临界值；分别计算集合中c_max≤c和c_min≥c所占的比例，并用p_uc，p_c表示；再次设定百分比阈值p，按照以下三种情况，将簇内节点进行分类：①当p≤p_c时，代表当前节点采集到的数据和其大部分邻居节点采集到的数据具有很高相关性，因而被选为代表节点，代表自己和其他相邻节点，处于工作状态，实时的将更新后的模型传送给簇头节点；②当p≤p_uc时，代表当前节点采集到的数据和其大部分邻居节点采集到的数据具有很低的相关性，因而被选为代表节点，仅代表自己，处于工作状态，实时的将更新后的模型传送给簇头节点；③当p≥p_c且p≥p_uc时，当前节点可以被其他节点所代表，成为普通节点，处于休眠状态。