基于top-k（σ）算法及神經(jīng)網(wǎng)絡的WSN異常數(shù)據(jù)檢測方法.pdf

1、無線傳感器網(wǎng)絡能夠實時監(jiān)測、感知和采集網(wǎng)絡分布區(qū)域內的各種環(huán)境信息。當無線傳感器網(wǎng)絡受外部事件（如大氣污染、森林火災等）的影響，或者傳感器節(jié)點本身發(fā)生故障（如電池電量不足、電磁干擾等）時，必須及時、準確地檢測到傳感器節(jié)點數(shù)據(jù)流的異常情況變化，無論對于外部突發(fā)事件的預警防范，還是對于傳感器網(wǎng)絡本身的健康狀況監(jiān)測，都具有十分重要的意義。本文主要圍繞無線傳感器網(wǎng)絡的異常數(shù)據(jù)檢測問題進行了深入的研究，現(xiàn)主要研究成果如下:
　　1.通過對t

2、op-k算法的改進，提出了一種基于top-k(σ)的無線傳感器網(wǎng)絡異常數(shù)據(jù)檢測算法。不同于top-k算法，本文算法根據(jù)傳感器節(jié)點采集到的數(shù)據(jù)分布規(guī)律，構造合適的數(shù)據(jù)網(wǎng)格，將多維數(shù)據(jù)歸一化處理后置入相應的網(wǎng)格單元。然后通過增設距離閾值σ來重構PC列表(populated-cells list)，除了對每個單元格及其鄰域內的數(shù)據(jù)點個數(shù)進行排序，還計算不同數(shù)據(jù)子集之間的歐氏距離，并與閾值σ比較，確認數(shù)據(jù)子集與正常值集合的偏離程度，從而提高檢測

3、結果的準確性。
　　2.基于BP神經(jīng)網(wǎng)絡模型和線性神經(jīng)網(wǎng)絡模型，本文提出了兩種WSNs異常數(shù)據(jù)檢測方法。提出的方法在每個當前時刻通過最近的固定長度的歷史數(shù)據(jù)集訓練神經(jīng)網(wǎng)絡，完成下一時刻的預報。通過神經(jīng)網(wǎng)絡的模型殘差，確定概率為P的置信區(qū)間。當下一時刻數(shù)據(jù)落入置信區(qū)間內，則該數(shù)據(jù)被判為正常;反之，則為異常。
　　3.設計了評估算法性能的有關指標。本文基于實驗系統(tǒng)所采集的傳感數(shù)據(jù)，在MATLAB平臺下完成了仿真實驗，實驗結果表明

4、，距離閾值σ的選取對算法效果具有較大的影響，當σ∈[2.5，3]時，top-k(σ)算法在維持較高檢測率的同時，最大程度地降低誤報率。當取σ=3時，對于給定的5個數(shù)據(jù)集，top-k(σ)算法的檢測率平均達到了93.70％，比top-k算法平均提高了4.94％，誤報率則比top-k算法平均降低了4.48％。
　　4.為了比較和驗證兩種模型的性能，針對模型進行仿真實驗。實驗結果表明，基于線性神經(jīng)網(wǎng)絡的異常數(shù)據(jù)檢測方法的檢測率達到了97