一种基于图神经网络的传感器网络数据异常判决方法技术

本发明专利技术公开了一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：1）对传感器网络数据进行图建模；2）使用图卷积网络提取图模型中的空间特征；3）使用门控循环单元提取图模型中的时间特征；4）使用全连接层对提取的时空特征进行异常判决；这种方法可以通过分析传感器网络的历史数据从而进行异常判决。

【技术实现步骤摘要】
一种基于图神经网络的传感器网络数据异常判决方法
本专利技术涉及神经网络、图模型与图信号处理
，具体是一种基于图神经网络的传感器网络数据异常判决方法。
技术介绍
传感器已经被广泛的用于监控不同位置的物理或环境状况，如温度、湿度、气压和风速等。多个分布在不同位置的传感器就组成了传感器网络，传感器网络无论在民用领域还是在军事领域都有广泛的应用。因此对传感器网络中的各个传感器进行异常判决就显得尤为重要，异常判决可以了解传感器的运行状况或是传感器周围环境发生的异常变化，这些信息在传感器异常排查或是传感器网络的数据分析都有着极为重要的作用。图是一种典型的非欧几里得结构(Non-EuclideanStructure)，这类数据随机性大，结构不规则，具体体现在对于数据中的某个点，难以将其邻居节点定义出来，或者是不同节点的邻居节点的数量是不同的。而图又是一种常见的数据结构，广泛的应用于社交网络、交通运输网和传感器网络等，这给这类图信号的处理带来了一定的困难。神经网络是一种模仿生物神经网络的结构和功能的数学模型，神经网络在模式识别、智能机器人本文档来自技高网...

【技术保护点】
1.一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：/n1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x

【技术特征摘要】
1.一种基于图神经网络的传感器网络数据异常判决方法，其特征在于，包括如下步骤：
1)对传感器网络数据进行图建模：假设传感器网络数据为X＝[x1，x2，...，xm]∈Rn×m，其中xi∈Rn，i＝1，2，...，m为当前传感器网络中的n个传感器在i时刻所获取的数据，C＝{(a1，b1)，(a2，b2)，...，(an，bn)}为传感器网络中n个传感器各自的坐标组成的集合，其中ai为纬度，bi为经度i＝1，2，...，n，据此，构建出图G＝{V，E，W}，其中V为图中结点的集合，对应传感器网络中的各个传感器，E为边的集合，边用于描述节点之间的相似与邻接关系，W为权重矩阵，权重矩阵内部元素表示对应两个节点是否有空间上的联系，定义如公式(1)所示：



在公式(1)中，R为阈值，阈值根据传感器网络所获取的数据与地理位置之间的联系调整，dij＝dgeo((ai，bi)，(aj，bj))表示i，j两个结点所对应的传感器的地理距离，其中dgeo采用半正矢公式即Haversine公式计算得出，dgeo定义如公式(2)所示：



公式(2)中，r表示地球半径为6371km；
2)采用图卷积网络提取图模型中的空间特征：多层图卷积神经网络GCN依据公式(3)逐层传播：



公式(3)中，A为图G的邻接矩阵，IN为单位矩阵，为A的度矩阵，定义如式(4)所示：



H1表示第l层的激活矩阵，对于输入层H0＝X。W1是一个特定的可训练的权重矩阵，σ()代表激活函数，采用两层图卷积网络层提取传感器网络数据中的空间特征，公式(5)为本图卷积网络的前向传播模型：



公式(5)中，xt为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据，为...

【专利技术属性】
技术研发人员：蒋俊正，陈俊杰，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45