[发明专利]基于分簇DGM的无线传感器网络数据融合方法

摘要

本方法涉及高性能计算技术领域，特别涉及基于分簇DGM的无线传感器网络数据融合方法；方法包括按照空间相关性对多传感器数据进行动态分簇；对数据序列群中的异常点检测和补齐；借助灰理论中的离散区间灰数概念对传感器节点之间的相关性进行描述；采用离散灰数DGM预测模型对数据序列的发展趋势进行建模预测；实现多传感器数据融合；本方法能有效地对异常点进行检测和补齐，提升数据的可靠性；利用数据之间的空间关联性进行预测数据的修正，有效地提升数据预测的准确性；减少了簇头节点和汇聚节点之间的数据发送量；有效减少传感器节点的传输距离；降低传感器节点的传输能耗；减少了汇聚节点的对接点数，缓解了网络拥塞问题。

主权项

1.一种基于分簇DGM的无线传感器网络数据融合方法，其特征在于，包括以下步骤：S1、对传感器分簇，设置簇头节点；传感器节点把前q个时刻的数据传给簇头节点，簇头节点将所述前q个时刻的数据传给汇聚节点，汇聚节点为簇头节点设置阈值；S2、簇头节点和汇聚节点分别调用基于DGM的多传感器数据融合MS‑DGM预测模型；根据所述前q个时刻的数据，生成数据矩阵，所述簇头节点和汇聚节点分别得到第q+1时刻的数据预测值；S3、簇头节点对第q+1时刻的实际数据进行标准化，求出的第q+1时刻的多传感器值与第q+1时刻的实际数据之间的误差序列；若误差大于阈值，簇头节点将第q+1时刻的实际数据传输到汇聚节点；更新汇聚节点的数据表；若误差小于阈值，汇聚节点直接采用第q+1时刻的数据预测值；S4、采用更新后的汇聚节点的数据表作为原始数据，包括：将第q‑N+2个数据到第q+1个数据作为原始数据，q＝q+1，跳至步骤S2；N表示为了预测的历史数据个数；其中，所述多传感器数据融合MS‑DGM预测模型的构造方法为：簇头节点和汇聚节点分别对数据矩阵中的异常点检测和补齐；对数据矩阵进行标准化；分别计算内核序列和面积序列，采用离散灰数DGM预测模型对内核序列和面积序列的发展趋势进行建模预测，预测得到第q+1时刻的内核序列以及第q时刻与第q+1时刻间的面积序列；将多传感器与离散灰数DGM模型结合，从而构成多传感器数据融合MS‑DGM预测模型；内核序列的计算方法包括：表示第q时刻的内核；面积序列的计算方法包括：计算标准离散灰数序列中的每个灰单元映射到二维直角坐标平面上的灰单元格，根据梯形面积公式计算灰单元格面积S_j,i，得到面积序列S_i；灰单元格面积S_j,i的计算的公式为：所述面积序列为：S_i＝(s_1,i,s_2,i,...,s_q‑1,i)，S_i表示第i个传感器与第i+1个传感器间对应的q‑1个灰单元格面积；s_q‑1,i表示由x⁽¹⁾_q‑1,i、x⁽¹⁾_q‑1,i+1、x⁽¹⁾_q,i以及x⁽¹⁾_q,i+1构成的灰单元格面积，也即是第q‑1个时刻到第q时刻间的第i个传感器与第q‑1个时刻到第q时刻间的第i+1个传感器之间的灰单元格面积。