[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

说明书

本发明公开了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，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4：将去除冗余后的温度数据传输给Sink节点。本发明可以更准确的判断冗余节点，使得冗余数据的判别更准确，使得去冗余后的结果误差更小。

技术领域

本发明涉及无线传感器网络技术领域，尤其涉及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。

背景技术

无线传感器网络(Wireless Sensor Networks,WSNs)部署在一个区域，用于监测温度、湿度和地震事件等物理现象。为获得环境或事件的准确信息，部署了大量的传感节点收集数据，并以高频率的方式向聚合节点Sink报告数据。传感器节点生成的数据通常具有较高的时空相关性，含有大量冗余数据。同时，传输冗余数据会造成不必要的能量消耗。因此，如何降低WSNs冗余数据的传输能耗，延长WSNs的寿命是一个非常重要的问题。

通过研究时空相关性，在传感器节点和Sink上都使用了两个同步预测器。如果数据预测误差小于给定的阈值，传感器节点将不会向Sink发送数据。Sink将预测值作为传感数据，可以减少传输数据和通信能量成本，从而延长网络的寿命。然而，此方法增加了每个传感器的计算复杂性，同时也无法保证预测值的真实可靠性。同时，仅依据节点位置判断冗余节点的方法，缺少准确性。

针对WSNs中对冗余节点判别条件不充分致使冗余节点判断不准确的问题，提出了分阶段分层分簇相似性去冗余方法(TSDA)。主要分三个阶段：一阶段，Sink基于节点位置信息使用改进后的k-Means算法判断节点相似性，将所有节点聚类分簇；二阶段，簇头CHs使用高斯混合聚簇算法来判断簇内节点在同一时刻产生的感知数据的相似性，以准确判断簇内节点相似性；三阶段，将簇内相似节点的感知数据随机加权作为去冗余结果，传输保存。该算法适用于聚类网络，主要由k-Means分类模型、高斯混合分类模型和随机加权去冗余模型三部分组成。根据节点位置和簇内节点的感知数据两方面的相似性进而去除冗余数据，可以有效的提高节点相似性的准确性，提高对冗余数据的判定，从而进一步提高了网络的生命周期。

发明内容

本发明要解决的技术问题在于针对现有技术中WSNs中仅依据节点位置判断冗余节点的方式，存在因冗余节点判别条件不充分致使冗余节点判断不准确的缺陷，提供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。

本发明解决其技术问题所采用的技术方案是：

本发明提供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，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4：将去除冗余后的温度数据传输给Sink节点。

进一步地，本发明的步骤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：