一种基于MEA-BP神经网络WSN异常检测方法技术

本发明专利技术公开了一种基于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。

An anomaly detection method based on neural network WSN BP MEA

The invention discloses a method for anomaly detection of MEA BP neural network based on WSN, the distribution of sensor node initialization, each sensor node to begin collecting data; clustering by several groups of clusters on each sensor node space using K means algorithm; using mind evolutionary algorithm to optimize the parameters of BP neural network, optimization through the operation of alienation convergence BP neural network weights and threshold, the optimal weights and threshold, optimal input weights and thresholds, the establishment of MEA BP neural network model; distributed algorithm, for each cluster in the sensor node independently perform anomaly detection, anomaly detection after the sensor node detection result will be transmitted to the cluster head node the set of clustering further verification. It improves the performance of BP neural network algorithm, accelerates the learning rate of BP neural network, effectively improves the accuracy of abnormal data detection, and reduces the false positive rate.

【技术实现步骤摘要】
一种基于MEA-BP神经网络WSN异常检测方法
本专利技术属于无线传感器网络(WSN)数据可靠性检测
，具体是涉及一种基于MEA-BP神经网络WSN异常检测方法。
技术介绍
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。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于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，本专利技术的基于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Xtj(j＝1,2,…,n)，传感器节点Xtj的滑动窗口为Wj，各传感器节点的滑动窗口大小均为m，则传感器节点Xtj在其滑动窗口Wj上的测量数据序列为传感器节点Xtj在tp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Xtc和q个分布节点(Xt1,Xt2,…,Xtq)；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；S4采用分布式的算法，对每组分簇中传感器节点(Xt1,Xt2,…,Xtq)独立执行异常检测，异常检测完毕后传感器节点(Xt1,Xt2,…,Xtq)将检测结果传递到该组分簇的簇头节点Xtc进一步验证。进一步地，所述步骤S2包括以下步骤：S21首先从目标监测区域分布传感器节点对象中任意选择K个传感器节点对象作为K个聚类中心；S22然后针对除聚类中心以外的传感器节点对象，分别计算传感器节点对象与K个聚类中心之间的相似度，得到与传感器节点对象相似度最接近的聚类中心；S23将传感器节点对象分配给与该传感器节点对象相似度最接近的聚类中心的聚类，将所有传感器节点分配完成后得到K个聚类；S24重新计算该K个聚类的聚类中心，得到新的聚类中心；S25重新计算各传感器节点与新的聚类中心的相似度，回到步骤S22；S26当重新计算的聚类中心收敛时，结束本操作。进一步地，所述步骤S3包括以下步骤：产生训练数据；确定BP神经网络拓扑结构；通过思维进化算法进行参数设置；随机产生初始种群、优胜子种群和临时子种群；对子种群进行趋同操作；对子种群进行异化操作；判断是否满足结束条件，如果满足，则输出最优个体，获取最优权值和阈值，否则重新进行趋同异化操作。进一步地，所述步骤S4包括以下步骤：S41通过时间相关性对传感器节点(Xt1,Xt2,…,Xtq)独立执行异常检测，利用每个当前时刻通过传感器节点Xtj滑动窗口Wj的数据来训练神经网络，完成下一时刻数据的预报，选取训练数据的后v个样本数据，通过公式(1)计算MEA-BP神经网络的模型残差S：其中，Er(r＝1,2,…,v)为选取的样本数据值，F为选取的样本数据平均值，S42计算传感器节点当前时刻的置信区间，置信区间为其中Spre为MEA-BP神经网络对下一时刻数据的预测值，tα/2,v-1为自由度v-1的t分布，在t分布表中选取合适的α值，得到t值；S43当下一时刻数据Snew进入传感器节点滑动窗口内时，判断下一时刻数据Snew是否落入当前时刻的置信区间范围内，若是，则判断该数据Snew为正常数据；否则判断该数据Snew为异常数据；S44异常检测完毕后传感器节点(Xt1,Xt2,…,Xtq)将检测结果传递到该组分簇的簇头节点Xtc中；S45簇头节点Xtc通过空间相关性检测并引入投票机制验证传感器节点异常数据产生原因，原因包括事件异常、节点故障异常和误判。进一步地，所述步骤S42中，选取α＝0.05。进一步地，所述步骤S45中进行空间相关性检测并引入投票机制包括以下步骤：S451将传感器节点的异常数据和与该传感器节点在同一分簇中的其他节点数据进行比较；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Xtc和q个分布节点(Xt1,Xt2,…,Xtq)；S452预先设定误差值θ，设传感器节点的异常数据为ST，设与该传感器节点在同一分簇中的其他节点的数据为Si(i＝1,2,…,q-1)，若|ST-Si|<θ，则初始值为0的计数NN加1，统计最终的NN值；S453若则判断该检测节点异常数据是由于事件异常；若则判断该检测节点异常数据是由于节点故障或误判；若则选取该分簇中的参照节点，设参照节点的数据为SCC，若|ST-SCC|≤θ，则判断该传感器节点异常数据是由于事件异常，若|ST-SCC|>θ，则判断该传感器节点异常数据是由于节点故障或误判；其中参照节点为距离该分簇中聚类中心节点欧氏距离最近的节点；S454对于所述步骤S453中，当判断得到该传感器节点异常数据是由于节点故障或误判时，进一步判断该传感器节点异常数据是由于节点故障还是误判，具体包括以下步骤：通过对传感器节点进行时间相关性检测，当传感器节点连续时间内均产生异常数据，则判断该传感器节点异常数据是由于节点故障；当传感器节点只有该时刻为异常数据，其他时刻产生数据均为正常数据，则判断该传感器节点异常数据是由于误判。有益效果：本专利技术与现有技术比较，具有的优点是：传统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，难以满足检测需求，本专利技术提出的利用思维进化算法对BP神经网络进行改进以提高BP神经网络算法性能，在处理多维数据时利用传感器网路数据流之间的事件相关性和不同节点之间的空间相关性，从而有效提高了异常数据检测的准确率；与常规的BP神经网络相比，本文方法通过优化权值和阈值之后加快了BP神经网络的学习速率，提高了异常检测率，降本文档来自技高网...

【技术保护点】
一种基于MEA‑BP神经网络WSN异常检测方法，其特征在于：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

【技术特征摘要】
1.一种基于MEA-BP神经网络WSN异常检测方法，其特征在于：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Xtj(j＝1,2,…,n)，传感器节点Xtj的滑动窗口为Wj，各传感器节点的滑动窗口大小均为m，则传感器节点Xtj在其滑动窗口Wj上的测量数据序列为传感器节点Xtj在tp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分簇得到若干组簇；设q+1个传感器节点组成一组簇，每组簇中包括1个簇头节点Xtc和q个分布节点(Xt1,Xt2,…,Xtq)；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；S4采用分布式的算法，对每组分簇中传感器节点(Xt1,Xt2,…,Xtq)独立执行异常检测，异常检测完毕后传感器节点(Xt1,Xt2,…,Xtq)将检测结果传递到该组分簇的簇头节点Xtc进一步验证。2.根据权利要求1所述的基于MEA-BP神经网络WSN异常检测方法，其特征在于：所述步骤S2包括以下步骤：S21首先从分布传感器节点对象中任意选择K个传感器节点对象作为K个聚类中心；S22然后针对除聚类中心以外的传感器节点对象，分别计算传感器节点对象与K个聚类中心之间的相似度，得到与传感器节点对象相似度最接近的聚类中心；S23将传感器节点对象分配给与该传感器节点对象相似度最接近的聚类中心的聚类，将所有传感器节点分配完成后得到K个聚类；S24重新计算该K个聚类的聚类中心，得到新的聚类中心；S25重新计算各传感器节点与新的聚类中心的相似度，回到步骤S22；S26当重新计算的聚类中心收敛时，结束本操作。3.根据权利要求1所述的基于MEA-BP神经网络WSN异常检测方法，其特征在于：所述步骤S3包括以下步骤：产生训练数据；确定BP神经网络拓扑结构；通过思维进化算法进行参数设置；随机产生初始种群、优胜子种群和临时子种群；对子种群进行趋同操作；对子种群进行异化操作；判断是否满足结束条件，如果满足，则输出最优个体，获取最优权值和阈值，否则重新进行趋同异化操作。4.根据权利要求1所述的基于MEA-BP神经网络WSN异常检测方法，其特征在于：所述步骤S4包括以下步骤：S41通过时间相关性对传感器节点(Xt1,Xt2,…,Xtq)独立执行异常检测，利用每个当前时刻通过传感器节点Xtj滑动窗口Wj的数据来训练神经网络，完成下一时...

【专利技术属性】
技术研发人员：李光辉，顾晓勇，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32