基于模式統(tǒng)計的時間冗余數(shù)據(jù)消除方法
【專利摘要】本發(fā)明公開了一種基于模式統(tǒng)計的時間冗余數(shù)據(jù)消除方法。本發(fā)明設計一種基于周期相關性和線性相關性的時間冗余數(shù)據(jù)消除方法，該方法利用物理現(xiàn)象中經(jīng)常出現(xiàn)的周期相關性和線性相關性，通過分析傳感節(jié)點采集的物理數(shù)據(jù)，統(tǒng)計得到物理現(xiàn)象的變化模式，以及每種變化模式的出現(xiàn)概率，然后利用得到的統(tǒng)計信息，來對未來的數(shù)據(jù)進行預測，進而抑制可預測數(shù)據(jù)的發(fā)送，以消除時間冗余數(shù)據(jù)，減少傳感節(jié)點發(fā)送的數(shù)據(jù)量，降低發(fā)送頻次，達到節(jié)省節(jié)點能量，降低網(wǎng)絡負載，延長網(wǎng)絡生存期的目的。本發(fā)明所采用的技術方案是：基于模式統(tǒng)計的時間冗余數(shù)據(jù)消除方法，該方法包括雙預測模型冗余消除框架，基于最小二乘法的預測模型選擇算法和基于模式統(tǒng)計的預測模型選擇算法等三部分。
【專利說明】基于模式統(tǒng)計的時間冗余數(shù)據(jù)消除方法

【技術領域】
[0001] 本發(fā)明通常涉及無線傳感器能量節(jié)省和冗余消除等領域，具體是指基于模式統(tǒng)計 的時間冗余數(shù)據(jù)消除方法。

【背景技術】
[0002] 無線傳感器網(wǎng)絡被廣泛的應用于氣候及環(huán)境監(jiān)測等應用。這些應用中，傳感節(jié)點 一般依賴電池供電且很難二次供電，并被隨機的部署在無人值守的觀測區(qū)域，周期性的采 集數(shù)據(jù)，并將數(shù)據(jù)以無線的形式發(fā)送給Sink節(jié)點。依賴電池供電這一特征，導致了傳感節(jié) 點的能量非常有限。通信開銷則是節(jié)點能量消耗的主要因素，例如TelosB節(jié)點，發(fā)送和接 收的能量消耗分別是每比特720nJ和810nJ，而其每比特的運算開銷是I. 2nJ。但是，在環(huán) 境監(jiān)測中，物理現(xiàn)象的連續(xù)性導致單個節(jié)點采集的數(shù)據(jù)在一定時間范圍內存在很高的時間 相關性。例如采集的數(shù)據(jù)相似或者具有某種線性增長趨勢，以至于我們可以利用節(jié)點的歷 史信息預測得到未來一段時間內的采集值。發(fā)送這些可預測的數(shù)據(jù)（我們稱為時間冗余數(shù) 據(jù)），顯然會導致能量的極大浪費。因此如何利用物理現(xiàn)象的局部線性相關性，來減少數(shù)據(jù) 的發(fā)送量，對于節(jié)省傳感節(jié)點的能量，提高能量的使用效率，延長網(wǎng)絡的生存期有著重要的 影響。


【發(fā)明內容】

[0003] 本發(fā)明要解決的技術問題是，提供一種基于模式統(tǒng)計的冗余消除方法的設計和實 現(xiàn)。該方法通過設計一種通用的基于雙預測模型的冗余消除框架，來提供一種減少數(shù)據(jù)發(fā) 送量，降低節(jié)點能耗的機制，然后提出兩種不同的預測模型選擇算法，以提高預測模型的 預測準確率，延長預測模型的持續(xù)時間，以盡可能多的消除冗余數(shù)據(jù)，減少數(shù)據(jù)的發(fā)送量。
[0004] 為了實現(xiàn)上述技術目的，本發(fā)明的技術方案是，一種基于模式統(tǒng)計的時間冗余數(shù) 據(jù)消除方法，包括以下步驟：
[0005] 步驟一：在Sink節(jié)點和傳感節(jié)點分別預設一個相同的預測模型，在初始時，Sink 節(jié)點初始化緩存并將預測模型初始化為預設的模型，傳感節(jié)點將預測模型初始化為預設的 模型；
[0006] 步驟二：傳感節(jié)點周期性采集數(shù)據(jù)，并計算采集數(shù)據(jù)與通過預測模型預測得到的 數(shù)據(jù)的誤差，如果誤差小于預定義的誤差，則不向Sink節(jié)點發(fā)送實際值，Sink節(jié)點通過自 身所儲存的預測模型得到預測數(shù)據(jù)，并作為采集數(shù)據(jù)發(fā)送至用戶；否則傳感節(jié)點將采集數(shù) 據(jù)發(fā)送至Sink節(jié)點，Sink節(jié)點將收到的傳感節(jié)點的采集數(shù)據(jù)發(fā)送至用戶；若Sink節(jié)點連 續(xù)m次接收到傳感節(jié)點的采集數(shù)據(jù)，則進入步驟三；
[0007] 步驟三：Sink節(jié)點對預測模型進行更新，利用傳感節(jié)點所采集的物理數(shù)據(jù)在一段 時間內呈現(xiàn)線性變化的特點，并利用周期性現(xiàn)象計算各種線性模式的出現(xiàn)概率，選擇能夠 擬合最近接收的m個采集數(shù)據(jù)，且出現(xiàn)概率最大的線性函數(shù)作為新的預測模型，否則通過 最小二乘法，對最近接收的m個采集數(shù)據(jù)進行線性擬合，并并將此線性函數(shù)作為新的預測 模型；
[0008] 步驟四：Sink節(jié)點將新的預測模型發(fā)送至傳感節(jié)點，并返回步驟二直至采集過程 結束。
[0009] 所述的方法，步驟三中所述的通過最小二乘法對數(shù)據(jù)進行擬合的步驟為：
[0010] 將Sink節(jié)點所收到最新的m個實際的采集數(shù)據(jù)S = Kt1, d)，（t2, d2)，…，（tm, dm)} 視為平面中的m個點，其中Cli為111個采集值中第i個被采集的數(shù)據(jù)，&為采集Cli的時間； 并使用一條直線d= a*t+P對這m個點進行擬合，則（a，￠)應使最小均方差最小，即使 得下式

【權利要求】
1. 一種基于模式統(tǒng)計的時間冗余數(shù)據(jù)消除方法，其特征在于，包括以下步驟： 步驟一：在Sink節(jié)點和傳感節(jié)點分別預設一個相同的預測模型，在初始時，Sink節(jié) 點初始化緩存并將預測模型初始化為預設的模型，傳感節(jié)點將預測模型初始化為預設的模 型； 步驟二：傳感節(jié)點周期性采集數(shù)據(jù)，并計算采集數(shù)據(jù)與通過預測模型預測得到的數(shù)據(jù) 的誤差，如果誤差小于預定義的誤差，則不向Sink節(jié)點發(fā)送實際值，Sink節(jié)點通過自身所 儲存的預測模型得到預測數(shù)據(jù)，并作為采集數(shù)據(jù)發(fā)送至用戶；否則傳感節(jié)點將采集數(shù)據(jù)發(fā) 送至Sink節(jié)點，Sink節(jié)點將收到的傳感節(jié)點的采集數(shù)據(jù)發(fā)送至用戶；若Sink節(jié)點連續(xù)m 次接收到傳感節(jié)點的采集數(shù)據(jù)，則進入步驟三； 步驟三：Sink節(jié)點對預測模型進行更新，利用傳感節(jié)點所采集的物理數(shù)據(jù)在一段時間 內呈現(xiàn)線性變化的特點，并利用周期性現(xiàn)象計算各種線性模式的出現(xiàn)概率，選擇能夠擬合 最近接收的m個采集數(shù)據(jù)，且出現(xiàn)概率最大的線性函數(shù)作為新的預測模型，否則通過最小 二乘法，對最近接收的m個采集數(shù)據(jù)進行線性擬合，并并將此線性函數(shù)作為新的預測模型； 步驟四：Sink節(jié)點將新的預測模型發(fā)送至傳感節(jié)點，并返回步驟二直至采集過程結 束。
2. 根據(jù)權利要求1所述的方法，其特征在于，步驟三中所述的通過最小二乘法對數(shù)據(jù) 進行擬合的步驟為： 將Sink節(jié)點所收到最新的m個實際的采集數(shù)據(jù)S = Kt1, (I1), (t2, d2)，…，（tm, dm)}視 為平面中的m個點，其中Cli為111個采集值中第i個被采集的數(shù)據(jù)，t為采集Cli的時間；并 使用一條直線d= a*t+i3對這m個點進行擬合，則（α，β)應使最小均方差最小，即使得 下式
取得極小值，故（α，β )應滿足式（1)
根據(jù)式（1)則求得
由此得到預測模型Μ(α，β)，其中α，β分別是擬合直線的斜率和截距。
3. 根據(jù)權利要求1所述的方法，其特征在于，步驟三中所述的利用周期性現(xiàn)象計算各 種線性模式的出現(xiàn)概率，出現(xiàn)概率使用加權頻率表示，加權頻率越大，則出現(xiàn)概率越高，力口 權頻率越小，則出現(xiàn)概率越低，加權頻率計算方法如下： 設傳感節(jié)點所使用的所有預測模型的斜率按時間順序構成了模式序列（CI1, CI2，… ，αη)，其中CIi是整個采集過程中使用的第i個預測模型的斜率；每種預測模型的持續(xù)時間 按時間順序構成了持續(xù)時間序列（T 1, T2，…，Tn)，其中Ti是整個采集過程中使用的第i個預 測模型預測的持續(xù)時間；線性模式α在i時刻的加權頻率f計算方法如下：
其中f (O) = 0, r為衰老因子（0〈r〈l)。
4. 根據(jù)權利要求1所述的方法，其特征在于，步驟三中所述的選擇能夠擬合最近接收 的m個采集數(shù)據(jù)且出現(xiàn)概率最大的線性函數(shù)作為新的預測模型，其步驟為： 當Sink節(jié)點接收到某個傳感節(jié)點的m個連續(xù)的采集值后，記失效的預測模型為 MUpm，PpJ ;指定的預測誤差為e ;m個采集值為D= {(懷屯)，（t2，d2)，…，（tm，dm)}，其中 Cli為m個采集值中第i個被采集的數(shù)據(jù)，&為采集Cli的時間；此時預測模型的斜率構成模 式序列A= {> D α2，…，aj，其中ai是整個采集過程中使用的第i個預測模型的斜率； 根據(jù)權利要求2中所述方法計算得到的結果為（a ls，β ls)，其中a ls，β ls其中分別是權利 要求2中擬合結果的斜率和截距； 則模型選擇過程如下： 步驟1 :首先檢查模式序列A中是否存在能夠擬合D的斜率，即斜率是否滿足下式（4)， 如果存在則轉步驟2,否則轉步驟5 ;
步驟2 :假設滿足式（4)的斜率集為Af = { α n，a i2，…，a ik}，根據(jù)權力要求3中計算 加權頻率的方法分別計算此時Af中每種斜率的加權頻率，選擇其中加權頻率最大的斜率α 作為新預測模型的斜率； 步驟3 :根據(jù)斜率α從式（4)中解得截距IoweKii〈upper，為了使得擬合誤差最小，選 擇（lower+upper)/2作為預測模型的截距； 步驟4 :將α加入模式序列A，令M = ( a，（lower+upper)/2)，轉步驟6 ; 步驟5 :將a ls加入模式序列A，并令M = ( a ls, β ls); 步驟6:將M作為新預測模型。
5. 根據(jù)權利要求1所述的方法，其特征在于，m的取值為3-7。
【文檔編號】H04W52/02GK104394580SQ201410366167
【公開日】2015年3月4日 申請日期:2014年7月29日 優(yōu)先權日:2014年7月29日
【發(fā)明者】羅娟, 宋艷超, 賀贊貽, 金鑫 申請人:湖南大學