无线传感器网络中基于图论的分布式事件域的检测方法

摘要

本发明公开了一种无线传感器网络中基于图论的分布式事件域的检测方法，基于事件发生的区域中的邻近的无线传感器在空间上有一个统计的相关性这一事实，利用传感器之间的空间上的相关性把传感器建模成一个图形，然后利用一个正则项进行优化，提高检测的准确度。本发明的积极效果是：不需要知道传感器观察值的概率分布；只在无线传感器网路环境中判别事件发生的区域；且本发明采用分布式软判决方案，同时，本发明综合考虑了带宽，效率限制和判断准确性，有效提高了无线传感器网络中事件域检测的准确性和高效性。

说明书

技术领域

本发明属于无线传感器网络(WSNs,Wireless Sensors Networks)技术领域，它特别涉 及一种在无线传感器网络技术中基于图论的分布式事件域(DER，Distributed Event-Region) 的检测方法。

背景技术

在过去几年里，随着有限计算能力和通信能力的低成本低功耗的传感器的出现，无线 传感器网络在物理环境监控中的潜在应用受到了广泛关注。在无线传感器网络中，存在两 种判决方法，即集中式判决方法和分布式判决方法。集中式判决方法需要把全部传感器节 点的信息传到数据融合中心(FC,Fusion Center)处理，然后判决事件是否发生。在这种情况 下，每个传感器节点消耗了大部分功率和占用了很大的频率带宽，这在实际中是不可取的。 因此，为了克服上述缺点，分布式判决方法被广泛应用。该方法采取本地判决的方法，即 无线传感器网络的传感器节点根据本节点及周围的节点的信息，判决事件或信号是否发生。 分布式判决方法在很多领域得到了广泛的应用。特别在需要检测或监控的环境中，每个传 感器节点要根据本节点及周围节点接收到的带有噪声的观测值中，判别事件发生的区域。 在实际应用中上述的情况经常出现，比如：无线传感器网络作为建筑物的安全系统的一部 分，用于监测建筑物的异常发热或烟雾浓度超标的区域；又比如：用无线传感器网络在特 定的环境中感知一些化学物质的浓度，确定哪些区域的化学物质浓度大于某个阈值等。

针对上述问题，已经存在多种基于分布式事件域的检测方法。例如，把分布式传感器 看作一个具有马尔可夫链相关性的随机场，再利用迭代算法判断事件是否发生。另一种方 法是，根据邻近的传感器传回的信息，利用贝叶斯判决方法确定决策有故障的测量值的数 量。上述两种方法的缺陷在于需要准确地知道传感器的故障概率，这在实际过程中是不可 能做到的。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种无线传感器网络中基于图论的分布 式事件域的检测方法，基于事件发生的区域中的邻近的无线传感器在空间上有一个统计的 相关性这一事实，利用传感器之间的空间上的相关性把传感器建模成一个图形，然后利用 一个正则项进行优化，提高检测的准确度。

本发明解决其技术问题所采用的技术方案是：一种无线传感器网络中基于图论的分布 式事件域的检测方法，包括如下步骤：

步骤1、利用训练数据模拟所需检测场景，通过优化训练数据的最佳检测效果，确定所需 参数λ，ω，及判决门限τ_R的最佳值，其中λ为优化过程中控制传感器节点间数据结果相似 度变量，ω为控制算法收敛速度变量；

步骤2、将所有传感器节点所接收到的数据记为x_i(k)，i＝1,2…,N，其中N表示系统中传 感器节点数量，N为自然数；k=1,2,…,K，K为每个传感器得到的检测数据个数，通过对传 感器网络节点进行节点定位，根据节点的网络拓扑特征，确定近传感器数m；

步骤3、找出每个传感器节点的m个临近节点作为其邻接节点，构成集合N_i，每个传感 器节点与其邻近的m个节点间相互通信，测量并记录该传感器节点与其邻近的m个节点欧式距 离d_i,j；

步骤4、对于第i个传感器节点，利用其邻接节点及其对应欧式距离，确定与该传感器节 点邻接的m个节点的相关性权重g_i,j，$g_{i,j}=\left(\begin{array}{cc}{e}^{-d_{i,j}^2/\phi }& j\in N_i\\ 0& j\notin N_i\end{array}\right),$以g_i，j为第i行j列元素，构造N×N 对称权重矩阵G；

步骤5、构造图拉普拉斯矩阵L，L=D-G，其中，

步骤6、在每个传感器节点i，确定赋权邻接矩阵A的第i行j列元素值a_i,j，a_i，j＝(λL+I)_i，j， 其中：I为N阶单位矩阵；

步骤7、采用理查德森迭代法，传感器节点与其临近节点相互通信，得出每个传感器节点 自身所处区域的判决估计数据其中：下标i表示第i个传感器节点，下标r表示估计值， 上标k示迭代的次数：

（1）令循环次数为k，k为非负整数，初始化k=0，对传感器节点i,随机生成估计初始 值

（2）循环次数k=k+1，当k=1时，每个传感器节点的估计数据当k>1 时，每个传感器节点的估计数据将传送至其 连邻接节点，并收集其连接节点数据，更新节点估计值；

（3）重复（1）至（2），直到循环次数k等于系统预先设定的循环次数N_p，或前后两次 迭代过程所得估计数据差值小于容许误差ε为止；

步骤8、将每个传感器节点自身所处区域的判决估计数据与判决门限τ_R做比较，从 而得到最终的分布式判决结果${\hat{\beta }}_{r,i}=\left(\begin{array}{cc}1& \mathrm{if}{\hat{\beta }}_{r,i}^{\left(k\right)}\ge {\tau }_R\\ 0& \mathrm{otherwise}\end{array}\right),$

与现有技术相比，本发明的积极效果是：传统的分布式检测方法需要知道传感器观察 值的概率分布，而本发明方法不需要知道传感器观察值的概率分布；传统的分布式检测方 法是在全局的环境中进行假设检验，而本发明方法的目标是在无线传感器网路环境中判别 事件发生的区域。

而且，由于具体的判决过程还分为硬判决和软判决两种方法：在硬判决中，节点传输 1-bit的量化以后的信息，导致一些有用信息的丢失，而软判决直接利用真实探测数据，有 利于提高判决的准确性。因此本发明采用分布式软判决方案。同时，本发明综合考虑了带 宽，效率限制和判断准确性，有效提高了无线传感器网络中事件域检测的准确性和高效性。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是使用本发明方法对分布式事件域检测的流程图；

图2是集中式判决方法示意图；

图3是分布式判决方法示意图；

图4是不同方法事件域检测性能比较图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的 实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属 于本发明保护的范围。

本发明实施可用于无线传感器网络中的事件域检测，为描述方便，下述实施例将建立以 下系统模型来进行说明。

分布式传感器网络节点模型：在由N个传感器组成的无线传感网络中，每个传感器或传 感节点测量到K个带有噪声的测量值，如下公式所示

x_n(k)=μ_n(β_n)+w_n(k),k=1,2,…,K

其中x_n表示是在无线传感器网路中的第n个传感器的测量值，w_n表示独立同分布的零均 值的高斯白噪声，β_n为以二值函数，当β_n=1时，表明第n个传感器事件发生或信号存在， 当β_n=0时，表明第n个传感器事件不发生或信号不存在。μ_n(0)表征在传感器节点接收到的 信号分量，且有：

为了方便地描述本发明的内容，首先对本发明中所使用的术语进行定义。

定义1：广义似然比准则方法(GLRT，generalized Likelihood Ratio Test):在无线传 感器网络中，一种实现分布式事件区域检测的方法是让每个传感器根据它们自己的测量值来 判定事件是否发生。这可以通过广义似然比准则方法解决。广义似然比准则的原理就是，通 过求得假定事件发生的情况下的似然函数概率与假定事件不发生的情况下的似然函数概率的 比值，再与门限比较得出事件是否发生。在本专利中，判决公式如下所示：判决估计数据只有两种情况，即如果则其他情况下，则其中 表示每个传感器节点收到数据的平均值。是一个指示函数，其 中M表示一个集合。当时为1，反之则为零。的定义为 分别表示每个传感器在事件发生和不发生时的方差。

定义2训练数据：一般而言，训练数据是一组随机产生的数据，用来模拟噪声，由此， 把信号和已知的噪声构建成了一个模拟场景。模拟场景不是真正的被检测的场景，而是由信 号，噪声的粗略信息构成的一组数据。采用预期算法估计由训练数据产生的模拟场景，通过 最小化检测错误概率得到合适的参数估计。

定义3：赋权邻接矩阵A：把无线传感器网络建模成一个图G(V,E)，其顶点V={1,2,…N} 对应传感器{1,2,…N}。其中，如果节点v_i邻接v_j则a_ij＝c，否则a_ij＝0。a_i，j是赋权邻接矩阵 A的元素。其中c为对应边权重，其值由具体场景决定。

定义4：集中式判决。所谓的集中式判决就是把无线传感器网络中每个传感器节点检测到 的信号全部发送到融合中心，然后在融合中心进行判决，如图2所示。

定义5:分布式判决。所谓的分布式判决就是在无线传感器网络中，每个传感器节点根据 自己的检测值及周围邻近的传感器节点检测值进行本地判决。分布式系统中不存在融合中 心，只通过邻近传感器节点间的相互通信，获得数据，进行数据处理和判决，如图3所示。

定义6：硬判决。在无线传感器网络中，每一个传感器的正则化判定值只与本地的广义似 然比准则(GLRT)有关。判决门限只有固定的一个，每个传感器得到正则化判定值与门限进行 判定，确定是1还是0，即事件是否发生。

定义7：软判决。在无线传感器网络中，每一个传感器的正则化判定值与每个传感器的样 本均值有关，即因为的值越大，表明在第n个传感器事件发生的概 率越大。再把正则化判定值与门限进行判定，确定是1还是0，即事件是否发生。

基于上述所构建模型及定义，本发明提供了一种无线传感器网络中基于图论的事件域的 检测方法，如图1所示，包括如下步骤：

步骤1：利用训练数据模拟所需检测场景，通过优化训练数据的最佳检测效果，确定所需 参数λ，ω，及判决门限τ_R的最佳值，其中λ为优化过程中控制传感器节点间数据结果相似 度变量，ω为控制算法收敛速度变量。依据训练数据的最佳检测效果来确定对应参数值，作 为检测真实场景时所用参数值。

步骤2：将所有传感器节点所接收到的数据记为x_i(k)，i＝1,2…,N，其中N表示系统中传 感器节点数量，N为自然数；k=1,2,…,K，K为每个传感器得到的检测数据个数。通过全球 定位系统（GPS，Global Positioning System）,或其他手段对传感器网络节点进行节点定位， 根据网络拓扑特征，确定近传感器数m,近传感数m表示：一个传感器与周围最邻近的m个 传感器相关联，也就是与周围最邻近的m个传感器有信息沟通。在某种程度上，m值的大小 表明传感器之间的关联程度。一般来说，根据网络的拓扑性质，m的值可以选择1到4。例如， 当传感器节点分布于一直线上时，如传感器沿着一条公路或一条线部署时，m取1或2；当传 感器节点密集分布于二维平面时，为了更好的体现本地传感器之间的统计相关性，m应选取3 或4；

步骤3：对传感器节点,i＝1,2…,N，根据步骤2所得近传感器数，及传感器网络拓扑， 找出每个传感器的m个临近节点作为其邻接节点，构成集合N_i。该节点与邻近的m个节点间 可相互通信，测量并记录该节点与邻近的m个节点欧式距离d_i，j。

步骤4：对于第i个节点，利用步骤3中所记录邻接节点及其对应欧式距离，确定与该节点 邻接的m个节点相关性权重g_i，j，$g_{i,j}=\left(\begin{array}{cc}{e}^{-d_{i,j}^2/\phi }& j\in N_i\\ 0& j\notin N_i\end{array}\right),$以g_i，j为第i行j列元素，构造N×N对 称权重矩阵G。

步骤5：构造图拉普拉斯矩阵L。其中L=D-G。其中G为步骤4中所求得权重矩阵，D 为可以明显地看出，图形拉普拉斯矩阵L是一个对称正定矩阵。

图形拉普拉斯矩阵L描述了一个正则项，用来正则化观测的值，以便更准确的判定事件发生 的区域。

步骤6：在每个传感器节点i，根据步骤3所得参数，及步骤5中所得图拉普拉斯矩阵L确 定赋权邻接矩阵A的第i行j列元素值a_i，j，a_i，j＝(λL+I)_i,j，即矩阵(λL+I)的第i行第j列元素， 其中，I表示N阶单位矩阵。在每个传感器节点i，考虑到只需用到自身及其与其周围节点的邻 接情况，每个节点只需要与其临近的m个节点建立通信联接即可。

步骤7、采用理查德森迭代法，令传感器节点与其临近节点相互通信，得出每个传感器节 点自身所处区域的判决估计数据其中：下标i表示第i个传感器节点，下标r表示估计值， 上标k表示迭代的次数：

（1）令循环次数为k，k为非负整数，初始化k=0，对传感器节点i,随机生成估计初始 值

（2）循环次数k=k+1，当k=1时，每个传感器节点的估计数据当k>1时， 每个传感器节点的估计数据将传送至其连邻接节点，并 收集其连接节点数据，更新节点估计值；

（3）重复（1）至（2），直到循环次数k等于系统预先设定的循环次数N_p，或前后两次 迭代过程所得估计数据差值小于容许误差ε为止，所述的循环次数N_p及ε是由系统的精度和 成本要求决定的。从而每个传感器节点都通过与邻接节点的相互通信，获得了每个传感器节 点自身所处区域的判决估计数据

步骤8、利用步骤7中获得的每个传感器节点自身所处区域的判决估计数据将其与 判决门限τ_R做比较，${\hat{\beta }}_{r,i}=\left(\begin{array}{cc}1& \mathrm{if}{\hat{\beta }}_{r,i}^{\left(k\right)}\ge {\tau }_R\\ 0& \mathrm{otherwise}\end{array}\right),$从而得到最终的分布式判决结果 经过上述操作，就完成了对所有传感器节点事件判决的过程。

下面对传统GLRT方法及本发明方法的算法性能对比分析，以进一步验证本发明的性能。 图4中表征了采用局部广义似然比判决（local GLRT）和使用本发明采用的基于图论模型 的分布式事件域检测方法的性能比较，步骤一中判决门限τ_R及广义似然比判决门限的选 取是基于虚假概率引入训练数据（training data）确定的。从图3中可以看出， 本发明提出算法与局部广义似然比判决（local GLRT）算法在给定虚警概率的情况下，漏报 概率关系图，从图中可以看出，在虚警概率一定的情况下，本方法可以得到较小的漏报概率， 算法的性能更加理想

综上所述，与局部广义似然比判决（local GLRT）相比，本发明方法能够更好的提高判 决性，同时，由于本发明采用分布式事件域软判决方法，与集中式的判决方法相比，只要求 传感器节点与其邻接节点建立连接，传输数据，而不需要将所有数据传输至融合中心(fusion  center，FC),从而节约了大量的传输功耗和带宽。而采用软判决的方案相较于传统硬判决方 案而言，可更充分的利用传感器节点采集的数据信息，提高判决准确性。为能量，通信，计 算资源，存储能力高度受限制的无线传感器网络中应用开发提供了有效途径，可有效实现无 线传感器网络中事件区域检测，提高事件区域检测准确性和高效性。

需要说明的是，以上实例仅为本发明的优选例子而已，本发明的使用并不局限于该实 例，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本 发明的保护范围之内。