[发明专利]一种多阶段分层分簇空间相关性温度感知数据去冗余方法

权利要求书

1.一种多阶段分层分簇空间相关性温度感知数据去冗余方法，其特征在于，该方法包括以下步骤：

步骤1：获取温度传感器网络采集的大量温度感知数据，在Sink节点上，使用欧式距离和皮尔森距离对k-Means方法进行改进，根据节点位置坐标对节点进行节点相似性分析，求出冗余节点分簇；

步骤1中使用欧式距离和皮尔森距离对k-Means方法进行改进的方法为：

两节点的空间相似距离D(i,j)为：

D(i,j)＝D_E(i,j)+βD_P(i,j)

其中，欧式距离D_E(i,j)为：

皮尔森相关距离D_P(i,j)为：

其中，β为比例因子，表示D_P(i,j)对D(i,j)权重的影响；传感器网络S1中n个SNs节点的空间位置坐标分别为(x_i,y_i)，其中1≤i≤n，将节点表示为集合S＝{s₁,s₂,…,s_n}；Sink节点通过运行改进后的k-Means算法，根据集合S＝{s₁,s₂,…,s_n}中各个节点对应的坐标位置集合L＝{l₁,l₂,…,l_n}且l_i＝(x_i,y_i)1≤i≤n，将集合S＝{s₁,s₂,…,s_n}中的n个节点分类成K个相互不相交的子集C_i的集合C，其中C＝{C₁,C₂,…,C_K}，并且C₁∪C₂∪…∪C_K＝S，其中，并且通过改进后的k-means算法对S＝{s₁,s₂,…,s_n}聚类，所得到簇划分C＝{C₁,C₂,…,C_K}；

步骤1中改进的k-Means算法的具体步骤为：

步骤1.1、设置改进的k-Means算法的聚类中心数量k；

步骤1.2、从传感器网络S1中随机选取k个节点作为初始均值{μ₁,μ₂,…,μ_k}；

步骤1.3、分别求位置坐标l_j与均值向量μ_i(1≤i≤k)的空间相似距离D(i,j)：D(i,j)←D_E(i,j)+βD_P(i,j)；

步骤1.4、将使用与μ_i距离最小的D(i,j)确定节点位置l_j的簇分类：

步骤1.5、更新μ_i：

步骤1.6、重复执行步骤1.3至步骤1.5，直到得到分簇结果；

步骤2：在冗余节点分簇的簇头CHs节点处使用高斯混合聚类分簇方法，对簇内数据进行相似性判断，从而进一步对簇内节点进行数据冗余分簇；

步骤2中的方法具体为：

无线传感器网络S1由K个簇组成，其中某个簇产生的所有数据表示为集合X＝{X₁,X₂,…,X_n}；X_i＝{x_i(t₁),x_i(t₂),…,x_i(t₂)}，其中1≤i≤n为每T秒传感器节点s_i生成的时间序列集合；整个无线传感器网络中各个簇头CH继续将簇内节点将数据相关性进行分类聚簇，采用高斯混合聚类算法，将同一个空间节点相似簇中的同一时刻感知的数据集合D_CHh(t_j)＝{x₁(t_j),x₂(t_j),…,x_z(t_j)}分组成K₁个集群，其中1≤j1≤h≤K₁；样本集划分结果为K₁个簇C＝{C_i1,C_i2,C_i3,...,C_iK1}，0＜i≤K₁；

步骤2中采用的高斯混合聚类分簇的方法具体为：

令随机变量表示节点j₁的感知数据的高斯混合成分，其为随机取值；的先验概率对应于α_i(i＝1,2,…,K₁)；根据贝叶斯定理，的后验分布对应于：

其中，表示为样本由第i个高斯混合成分生成的后验概率，将其记为

求出高斯混合分布后，高斯混合聚类将把样本集划分为K₁个簇C＝{C_i1,C_i2,C_i3,...,C_iK1}，0＜i≤K₁，每个样本的簇标记为：

模型参数的求解：

使用EM算法进行迭代优化求解，得到样本集的划分结果；

步骤3：在得到数据冗余分簇后，将数据冗余分簇中的数据进行随机加权，得到最终的去冗余结果；

步骤3中的方法具体为：

根据步骤2中得到的簇划分结果，CHs将数据相似簇内节点产生的数据进行随机加权平均，去冗余结果为：

其中，β₁，β₂，…，β_v为加权因子，且β₁+β₂+…+β_v＝1；x_w(t_j),x_a(t_j),…,x_b(t_j)分别为s_w,s_a,…,s_b节点在t_j时刻所产生的感知数据，且

步骤4：将去除冗余后的温度数据传输给Sink节点。