基于双层模型体系的无线传感网的数据采集方法技术

一种基于双层模型体系的无线传感网的新颖数据采集方法，属于无线传感网技术领域。本发明专利技术实现包括趋势模型和调整模型两部分。构建趋势模型部分包括第一步将单变量模型表示为状态空间形式，第二步应用卡尔曼滤波进行模型参数的计算，第三步基于残差三阶累积量的模型检测。调整模型为针对残差数据，采用三阶自回归模型，根据精度要求，进行阈值进行判断。最后节点向外传输的数据为趋势模型参数和调整模型参数以及相应的时间点。与已有的基于单模型的数据采集方法相比，该方法具有更高的精度；与已有的复杂模型的数据采集方法相比，该方法在具有更高的精度的同时，而且消耗更少的存储资源，能够满足复杂环境的需求。

【技术实现步骤摘要】

本专利技术涉及双层模型体系的无线传感网的新颖数据采集方法，属于无线传感网数据采集领域。
技术介绍
最近几年，随着大量基于模型的数据采集方法的提出，数据采集方法得到了快速地发展，但是仍然存在许多不足。基于复杂建模的数据采集方法可以提供更高的准确度，可是却消耗大量的计算能力和存储资源。基于简单建模的数据采集方法具有简便的特点，可是却很难提供一个合适的模型，在解决采集的数据序列的长期趋势和短期的自然扰动的同时，还可以在能源效率和模型精确度之间提供一个更好的权衡。
技术实现思路
本专利技术针对上面的问题，而研制基于双层模型体系的无线传感网的新颖数据采集方法。该方法可以很好的描述传感器采集数据的长期趋势，同时充分考虑到数据的自然扰动，达到快速准确地的构建数据模型，对采集的数据进行压缩的目的。本专利技术包括三步：第一步：对采集的数据进行趋势模型的构建第二步：对采集的数据和趋势模型还原的数据的残差进行调整模型构建第三步：在趋势模型和调整模型构建完毕后，分别将趋势模型及相应的时间点和调整模型及相应时间点作为数据向其他节点传输。本专利技术将单变量模型写成状态空间的形式，采用强有效的卡尔曼滤波算法估计参数值。卡尔曼滤波是在时刻t基于所有可得到信息计算状态向量的最理想的递推过程。并且我们可以利用自回归模型具有足够的适应性和轻便性，对采集数据和趋势模型还原的数据的残差进行建模。我们结合这个现象，提出了描述传感器采集数据整体趋势的趋势模型和描述自然扰动的调整模型相结合的基于双层模型体系的无线传感网的新颖数据采集方法。与已有的基于单模型的数据采集方法相比，该方法具有更高的精度；与已有的复杂模型的数据采集方法相比，该方法在具有更高的精度的同时，而且消耗更少的存储资源，能够满足复杂环境的需求。附图说明图1为一次趋势模型的构建过程。具体实施方式本专利技术包括四步：对采集的数据进行趋势模型的构建，对采集的数据和趋势模型还原的数据的残差，进行调整模型构建，分别将趋势模型及相应的时间点和调整模型及相应时间点作为数据向sink节点传输。第一步：对采集的数据进行趋势模型的构建趋势模型，用于以少量模型描述样本采集数据的整体趋势。以单变量模型作为趋势模型，将单变量模型表示为状态空间形式，然后应用卡尔曼滤波进行模型参数的迭代计算，实时采用基于残差三阶累积量的模型检测，如果经过判断模型失效，则本次趋势模型构建结束，进行新的趋势模型的构建。为了更加准确地计算出模型有效期间内的参数，通过利用卡尔曼滤波连续修正状态向量的估计，得到状态向量的最优估计。计算残差三阶累积量，根据设定的阈值，判断模型是否失效，如果失效，则本次趋势模型构建结束，否则继续进行卡尔曼参数估计。流程图见说明图1。采用单变量模型作为趋势模型，即yt＝x′tα+ut,t＝1,2,…,Tyt是因变量，x′t是m×1的解释变量向量，α是待估计m×1未知参数向量，ut是扰动项。将单变量模型写成状态空间的形式，即量测方程：yt＝x′tαt+ztγ+ut状态方程：(ut,ϵt)′~N(00,σ200Q),t=1,2,..,T]]>xt是具有随机系数αt的解释变量的集合，zt是有固定系数γ的解释变量集合，随机系数向量αt是状态向量，变参数αt是不可观测变量，必须利用可观测变量yt和xt来估计。采用卡尔曼滤波迭代的进行模型参数的求解，即设at-1为状态向量αt-1的均值，也是基于信息集合Yt-1的αt的估计量，Pt-1表示估计误差的m×m协方差矩阵，即Pt-1＝E[(αt-1-at-1)(αt-1-at-1)′](1)当给定αt-1和Pt-1时，αt的条件分布的均值由下式给定，即at|t-1＝Ttat-1+ct(2)在扰动项和初始状态向量服从正态分布的假设下，αt的条件分布的均值at|t-1是αt在最小均方误差意义下的一个最优估计量。估计误差的协方差矩阵是Pt|t-1＝TtPt-1T′t+RtQtR′t(3)式(2)和式(3)称为预测方程一旦得到新的预测值yt，就能修正αt的估计at|t-1at=at|t-1+Pt|t-1Zt′Ft-1(yt-Ztat|t-1-dt)---(4)]]>Pt=Pt|t-1-Pt|t-1Zt′Ft-1ZtPt|t-1---(5)]]>Ft＝ZtPt|t-1Z′t+Ht＝12,…,T(6)式(2)～式(6)称为更新方程上述式(2)～式(6)一起构成卡尔曼滤波的公式。系统矩阵Zt,Ht,Tt,Rt,Qt是已知的。初始状态向量α0的均值为a0，协方差P0。在所有的时间区间上，扰动项ut和εt相互独立，而且它们和初始状态α0也不相关。卡尔曼滤波的初值可以按a0和P0或a1|0和P1|0指定。通过对每一个时间点进行卡尔曼滤波计算，计算出此时的最优参数。对于t＝1,2,…,T,每当得到一个观测值时，卡尔曼滤波提供了状态向量的最优估计，当所有的T个观测值都已处理，卡尔曼滤波基于信息集合YT，产生当前状态向量和下一时刻状态向量的最优估计。这个估计包含了产生未来状态向量和未来观测值的最优预测所需的所有信息。接下来，针对得到的每一个模型参数，通过基于残差三阶累积量来进行模型参数的检测，{d(k)本文档来自技高网...

【技术保护点】
一种基于双层模型体系的无线传感网的数据采集方法，其特征在于以下步骤，第一步，构建趋势模型采用单变量模型作为趋势模型，即yt＝x′tα+ut,t＝1,2,…,Tyt是因变量，x′t是m×1的解释变量向量，α是待估计m×1未知参数向量，ut是扰动项；将单变量模型写成状态空间的形式，即量测方程：yt＝x′tαt+ztγ+ut状态方程：(ut,ϵt)′~N(00,σ200Q),t=1,2,..,T]]>xt是具有随机系数αt的解释变量的集合，zt是有固定系数γ的解释变量集合，随机系数向量αt是状态向量，变参数αt是不可观测变量，利用可观测变量yt和xt来估计；采用卡尔曼滤波迭代的进行模型参数的求解，即设at‑1为状态向量αt‑1的均值，也是基于信息集合Yt‑1的αt的估计量，Pt‑1表示估计误差的m×m协方差矩阵，即Pt‑1＝E[(αt‑1‑at‑1)(αt‑1‑at‑1)′]   (1)当给定αt‑1和Pt‑1时，αt的条件分布的均值由下式给定，即at|t‑1＝Ttat‑1+ct   (2)在扰动项和初始状态向量服从正态分布的假设下，αt的条件分布的均值at|t‑1是αt在最小均方误差意义下的一个最优估计量；估计误差的协方差矩阵是Pt|t‑1＝TtPt‑1T′t+RtQtR′t    (3)式(2)和式(3)称为预测方程；一旦得到新的预测值yt，就能修正αt的估计at|t‑1；at=at|t-1+Pt|t-1Zt′Ft-1(yt-Ztat|t-1-dt)---(4)]]>Pt=Pt|t-1-Pt|t-1Zt′Ft-1ZtPt|t-1---(5)]]>Ft＝ZtPt|t‑1Z′t+H t＝1,2,…,T(6)式(2)～式(6)称为更新方程上述式(2)～式(6)一起构成卡尔曼滤波的公式；系统矩阵Zt,Ht,Tt,Rt,Qt是已知的；初始状态向量α0的均值为a0，协方差P0；在所有的时间区间上，扰动项ut和εt相互独立，而且它们和初始状态α0也不相关；卡尔曼滤波的初值可以按a0和P0或a1|0和P1|0指定；通过对每一个时间点进行卡尔曼滤波计算，计算出此时的最优参数；针对得到的每一个模型参数，通过基于残差三阶累积量来进行模型参数的检测，{d(k)}是ith时间点最近的N个残差数据；滑动窗口大小设定为N，使用{d(k)}的三阶累积量；假设{d(k)}满足遍历性，残差的三阶累积量估计计算如下：C^3d(i)(0,0)=1NΣk=i-Ni-1d3(k)]]>残差三阶累积量的标准化：σ2(C^3d(i))≈1NΣk=i-Ni-1(d3(k)-C^3d(i))2]]>C‾3d(i)(0,0)=(C^3d(i))2/σ2(C^3d(i))]]>进行阈值检测：当残差数据更新到(i+1)th,目前的(i+1)th最近的N个残差继续重复阈值检测，直到本次模型检测结束；第二步，调整模型的构建调整模型采用的是p阶自回归模型，即如果时间序列xt满足其中是模型参数∈t是独立同分布的随机变量序列，且满足：以及E(∈t)＝0,则称为时间序列xt服从p阶的自回归模型样本数据为趋势模型的值和采集数据的值的残差，根据精度要求，设定阈值，不断更新模型；第三步：将趋势模型及相应的时间点和调整模型及相应时间点作为数据向sink节点传输。...

【技术特征摘要】
1.一种基于双层模型体系的无线传感网的数据采集方法，其特征在于以下步骤，
第一步，构建趋势模型
采用单变量模型作为趋势模型，即
yt＝x′tα+ut,t＝1,2,…,T
yt是因变量，x′t是m×1的解释变量向量，α是待估计m×1未知参数向量，
ut是扰动项；
将单变量模型写成状态空间的形式，即
量测方程：yt＝x′tαt+ztγ+ut状态方程：(ut,ϵt)′~N(00,σ200Q),t=1,2,..,T]]>xt是具有随机系数αt的解释变量的集合，zt是有固定系数γ的解释变量集合，
随机系数向量αt是状态向量，变参数αt是不可观测变量，利用可观测变量yt和xt来估计；
采用卡尔曼滤波迭代的进行模型参数的求解，即设at-1为状态向量αt-1的
均值，也是基于信息集合Yt-1的αt的估计量，Pt-1表示估计误差的m×m协方差
矩阵，即
Pt-1＝E[(αt-1-at-1)(αt-1-at-1)′](1)
当给定αt-1和Pt-1时，αt的条件分布的均值由下式给定，即
at|t-1＝Ttat-1+ct(2)
在扰动项和初始状...

【专利技术属性】
技术研发人员：于湃，王凡，胡小鹏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21