[发明专利]一种基于MEA-BP神经网络WSN异常检测方法

说明书

本发明公开了一种基于MEA‑BP神经网络WSN异常检测方法，将各分布传感器节点初始化，各传感器节点开始采集数据；利用K‑means算法对各传感器节点进行空间分簇得到若干组簇；利用思维进化算法对BP神经网络进行参数优化，通过趋同异化操作对BP神经网络的权值和阈值进行优化，得到最优权值和阈值，输入最优权值和阈值，建立MEA‑BP神经网络模型；采用分布式的算法，对每组分簇中传感器节点独立执行异常检测，异常检测完毕后传感器节点将检测结果传递到该组分簇的簇头节点进一步验证。提高了BP神经网络算法性能，加快了BP神经网络的学习速率，有效提高了异常数据检测的准确率，降低了误报率。

技术领域

本发明属于无线传感器网络(WSN)数据可靠性检测技术领域，具体是涉及一种基于MEA-BP神经网络WSN异常检测方法。

背景技术

无线传感器网络(WSN)作为一种无线自组织网络，无线传感器网络具有低能耗、节点分别灵活、甚至无需人工维护，可以在恶劣环境中长时间工作等特点。通过将传感器网络节点散布在目标监测区域中，进行环境数据的采集以及特定事件的监测是目前最为普遍的应用之一。由于无线传感器节点资源有限，又容易受到外界因素的干扰和破坏，或者外部环境突发事件的影响，节点采集到的数据很有可能与正常情况下的环境特征产生明显偏差，这类数据称为异常数据。因此，设计一种有效的异常检测方法是近年来无线传感器网络异常检测研究的重点。

传统BP神经网络在训练学习时许多参数的选择没有理论依据，使得实际的神经网络应用具有局限性，存在不足之处主要有学习速度慢、容错能力差、会收敛于局部极小值等。以用于环境监测无线传感器网络节点为例，无线传感器网络节点采集到的温度数据无论是波动的幅度、频率，或者均值、中值、方差等统计特征都会和同一采样时间段内的其他数据有明显的差异，如果不考虑不同类型数据之间的差异性，无疑会影响检测算法的性能，想要更精确的判断数据异常，除了数据自身的时间相关性还要考虑空间相关性。另外，针对无线传感器网络环境数据的异常检测问题，BP神经网络算法存在容易陷入局部最优解、训练时间长、效率低等问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于MEA-BP神经网络WSN异常检测方法，针对BP神经网络算法存在容易陷入局部最优解、训练时间长、效率低等问题，利用思维进化算法对BP神经网络进行改进，提高了BP神经网络算法性能，加快了BP神经网络的学习速率，有效提高了异常数据检测的准确率，降低了误报率。

技术方案：为实现上述目的，本发明的基于MEA-BP神经网络WSN异常检测方法，所述方法包括以下步骤：

S1将各分布传感器节点初始化，各传感器节点开始采集数据；

设传感器节点个数为n，各传感器节点为Xt_j(j＝1,2,…,n)，传感器节点Xt_j的滑动窗口为W_j，各传感器节点的滑动窗口大小均为m，则传感器节点Xt_j在其滑动窗口W_j上的测量数据序列为传感器节点Xt_j在t_p时刻采集的数据为该数据包括h个属性测量值，则

S2利用K-means算法对各传感器节点进行空间划分得到若干组分簇；

设q+1个传感器节点组成一组分簇，每组分簇中包括1个簇头节点Xt_c和q个分布节点(Xt₁,Xt₂,…,Xt_q)；

S3利用思维进化算法对BP神经网络进行参数优化，通过趋同异化操作对BP神经网络的权值和阈值进行优化，得到最优权值和阈值，输入最优权值和阈值，建立MEA-BP神经网络模型；