隨著物聯(lián)網(wǎng)產(chǎn)業(yè)應(yīng)用的迅速發(fā)展,監(jiān)測物聯(lián)網(wǎng)節(jié)點設(shè)備的異常狀態(tài)以保障系統(tǒng)可靠性與環(huán)境安全成為物聯(lián)網(wǎng)技術(shù)研究的新方向。物聯(lián)網(wǎng)傳感器節(jié)點異常來源于傳感器自身故障與部署環(huán)境發(fā)生特定事件兩方面原因。而現(xiàn)有的物聯(lián)網(wǎng)工作狀態(tài)監(jiān)測方法主要針對節(jié)點采樣數(shù)據(jù)的異常檢測或僅針對節(jié)點設(shè)備故障的診斷。因此,研究包含異常節(jié)點檢測和異常來源識別兩部分的節(jié)點異常狀態(tài)監(jiān)測方法,使物聯(lián)網(wǎng)系統(tǒng)針對異常狀態(tài)科學(xué)決策,從而提高信息可信度,具有重要的現(xiàn)實意義。本文在當前基于模式識別的異常檢測方法的基礎(chǔ)上,提出物聯(lián)網(wǎng)節(jié)點設(shè)備異常狀態(tài)在線監(jiān)測方法。結(jié)合物聯(lián)網(wǎng)數(shù)據(jù)的時空相關(guān)性,應(yīng)用聚類方法與模糊邏輯系統(tǒng)分別實現(xiàn)物聯(lián)網(wǎng)節(jié)點異常的在線檢測與節(jié)點異常類型的在線識別。論文的研究工作由國家重點研發(fā)計劃項目（No.2018YFC0808302）支持,本文的主要研究內(nèi)容和工作成果包括:（1）針對物聯(lián)網(wǎng)節(jié)點異常狀態(tài)檢測問題,提出了基于聚類的物聯(lián)網(wǎng)節(jié)點異常在線檢測方法。研究了一種復(fù)合的時間序列相似度度量準則,采用改進的全局密度參數(shù)自適應(yīng)確定的基于密度的聚類方法。利用物聯(lián)網(wǎng)數(shù)據(jù)的時間相關(guān)性,通過訓(xùn)練階段和檢測階段實現(xiàn)了針對單個傳感器分別進行的異常狀態(tài)檢測。... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

014-2020年中國物聯(lián)網(wǎng)市場規(guī)模物聯(lián)網(wǎng)的系統(tǒng)架構(gòu)通常分為感知層、網(wǎng)絡(luò)層和應(yīng)用層，感知層位于三層結(jié)構(gòu)

第五章基于無標物聯(lián)網(wǎng)數(shù)據(jù)集的實驗驗證54態(tài)檢測與異常狀態(tài)來源確認方法的實驗驗證。由于是在實際物聯(lián)網(wǎng)應(yīng)用的數(shù)據(jù)集的基礎(chǔ)上疊加人工異常模式，得到的含異常節(jié)點的新數(shù)據(jù)集仍具有物聯(lián)網(wǎng)應(yīng)用場景下的數(shù)據(jù)特性，如數(shù)據(jù)的時間相關(guān)性與空間相關(guān)性，因此比直接仿真含異常節(jié)點的物聯(lián)網(wǎng)數(shù)據(jù)集更能夠反映真實場景。根據(jù)物聯(lián)網(wǎng)系統(tǒng)傳感器數(shù)據(jù)的常見異常類型，本實驗共人為模擬常值型、漂移型、沖擊型、偏置型和周期型五種傳感器數(shù)據(jù)異常模式。其中，(a)常值型異常是指傳感器的觀測值近似為一個常值，不能隨采樣對象的變化而變化；(b)漂移型異常指傳感器的輸出數(shù)據(jù)以某一速率偏離原觀測時間序列，它的誤差函數(shù)可表示為式（5-1）所示，其中0t為出現(xiàn)異常的時刻，k是增益系數(shù)。(c)沖擊型異常指傳感器的輸出在很短時間內(nèi)發(fā)生沖擊突變而后又很快復(fù)原回原觀測時間序列；(d)偏置型異常是指在一時間段內(nèi)傳感器觀測值出現(xiàn)顯著的階躍平臺；(e)周期型異常指傳感器觀測值非常不穩(wěn)定，可以表示為疊加了一定頻率的周期振蕩，誤差函數(shù)可表示為式（5-2）所示，其中0a,na,(1,2,3...)nn為常數(shù)。()t0e=kt-t(5-1)01sin()tnnne=aanwt(5-2)圖5-6人為模擬的傳感器數(shù)據(jù)異常模式

第五章基于無標物聯(lián)網(wǎng)數(shù)據(jù)集的實驗驗證56陡峭點位置，算法自適應(yīng)選擇的全局密度參數(shù)為：鄰域半徑Eps=1.9，鄰域中包含對象的最小個數(shù)MinPts=13。將得到的聚類結(jié)果經(jīng)過PCA主成分分析法（PrincipalComponentAnalysis）映射到二維空間如圖5-7所示，需要注意的是由于降維處理PCA的映射尺寸并不能完全反映多維度空間樣本點的真實距離。訓(xùn)練階段的聚類結(jié)果共得到1個簇，與理論分析的結(jié)果一致。結(jié)果包含27個核心點和2個非核心點的簇內(nèi)點以及1個簇外點，本實驗將該簇外點作為噪聲點不予關(guān)注。圖5-7訓(xùn)練階段的聚類結(jié)果5.3.3.2檢測階段通過訓(xùn)練階段獲得了路網(wǎng)中單個傳感器節(jié)點觀測區(qū)域內(nèi)的一個合理的環(huán)境特征集，將人為注入異常模式的檢測數(shù)據(jù)集3D中該節(jié)點每天的時間片段數(shù)據(jù)作為新的樣本點。由于人為疊加了異常模式，該節(jié)點有可能是正常節(jié)點或異常節(jié)點。節(jié)點的檢測時間序列中有可能出現(xiàn)隨機個數(shù)異常的時間片段，即異常的樣本點。將這10個待檢測樣本點與訓(xùn)練聚類結(jié)果中的核心點集CorePts27中的每個核心點按照聚類的全局密度參數(shù)進行遍歷比較，如果有樣本點不在任意一個核心點的鄰域范圍內(nèi)，判定該樣本點代表時間片段是異常的。實驗的單個節(jié)點的異常時間片段的檢測階段結(jié)果分別如圖5-8所示和圖5-9所示，圖5-9是將PCA結(jié)果局部放大的效果圖。另外，本實驗利用傳統(tǒng)的DBSCAN聚類算法同樣實現(xiàn)了針對上述同一個傳感器節(jié)點的異常狀態(tài)在線檢測方法中的訓(xùn)練階段和檢測階段。根據(jù)3.3.2中的距離曲

【參考文獻】：
期刊論文
[1]基于數(shù)據(jù)流時空特征的WSN異常檢測及異常類型識別[J]. 鄧麗,劉慶連,鄔群勇,楊水榮.  傳感技術(shù)學(xué)報. 2019(09)
[2]基于時間序列數(shù)據(jù)的無線傳感器網(wǎng)絡(luò)的異常檢測方法[J]. 彭能松,張維緯,張育釗,黃焯,鄭力新.  傳感技術(shù)學(xué)報. 2018(04)
[3]基于BIRCH-LKD的在站車輛中時異常檢測算法[J]. 張曉棟,董寶田,陳光偉.  北京理工大學(xué)學(xué)報. 2017(11)
[4]基于約簡策略與自適應(yīng)SVDD的無線傳感網(wǎng)絡(luò)離群檢測方法[J]. 魏暢,李光輝.  傳感技術(shù)學(xué)報. 2017(09)
[5]基于改進DBSCAN算法的變壓器不良漏抗參數(shù)辨識[J]. 孫小磊,鄭華,李暉,王智冬,李雋,王佳明.  電力系統(tǒng)自動化. 2017(09)
[6]時間序列數(shù)據(jù)挖掘的相似性度量綜述[J]. 陳海燕,劉晨暉,孫博.  控制與決策. 2017(01)
[7]基于多模態(tài)數(shù)據(jù)流的無線傳感器網(wǎng)絡(luò)異常檢測方法[J]. 費歡,肖甫,李光輝,孫力娟,王汝傳.  計算機學(xué)報. 2017(08)
[8]一種有效的傳感器故障診斷方法[J]. 單玉剛,王宏.  計算機工程與應(yīng)用. 2012(02)
[9]高維數(shù)據(jù)聚類方法綜述[J]. 賀玲,蔡益朝,楊征.  計算機應(yīng)用研究. 2010(01)
[10]基于數(shù)據(jù)分區(qū)的DBSCAN算法[J]. 周水庚,周傲英,曹晶.  計算機研究與發(fā)展. 2000(10)

碩士論文
[1]基于相似性度量的高速公路短時交通流聚類與預(yù)測研究[D]. 王致遠.北京交通大學(xué) 2019
[2]基于時間序列相似性度量的機場噪聲監(jiān)測點交互預(yù)測研究[D]. 劉晨暉.南京航空航天大學(xué) 2018
[3]無線傳感數(shù)據(jù)時空相關(guān)性的研究[D]. 常城.大連理工大學(xué) 2016
[4]流數(shù)據(jù)聚類挖掘算法研究[D]. 周東濱.吉林大學(xué) 2006



本文編號：2955988