隨著通信、傳感器技術的發(fā)展,無線傳感器網絡(Wireless Sensor Network,WSN)已逐漸成為業(yè)界關注的焦點,并被廣泛應用于軍事國防、生物醫(yī)療、環(huán)境監(jiān)測等諸多領域。通過WSN獲取完整且精確的感知數據是數據分析、應用決策的基本前提,然而由于環(huán)境因素以及傳感器節(jié)點自身資源的局限性往往導致感知數據缺失,而現存的缺失數據重建算法大多基于單一數據屬性或是僅考慮靜態(tài)場景,均難以滿足重建真實完備數據的要求。因此,本文在研究了WSN的數據特性以及相關缺失數據重建算法的基礎上,結合感知數據的時空相關性和多屬相關性,探討如何高效重建感知節(jié)點的缺失數據。針對目前存在的缺失數據重建算法多數基于單一屬性數據這一現象,本文結合同一簇內節(jié)點數據的多屬性相關性以及數據本身的聯(lián)合低秩性,改進了一種基于空間相關性的多屬性缺失數據重建算法。該算法首先根據感知節(jié)點的物理位置應用K-means聚類算法將節(jié)點分為不同的簇,然后將每個簇內節(jié)點的數據進行張量分解,并運用加權核范數最小化理論自適應地為每個奇異值分配不同權值,再通過交替方向乘子法迭代求得全局最優(yōu)解,最后采用伯利克里實驗室的數據仿真,驗證了該算法在數據連續(xù)缺失和隨機缺失兩種模式下,均可以較好地重建缺失數據。針對目前多數重建算法中感知節(jié)點均處于靜態(tài)場景下這一現象,本文結合貝葉斯網絡模型,改進了一種移動場景下的缺失數據重建算法。該算法包括前期數據收集、最佳信任節(jié)點判定以及后續(xù)基于貝葉斯網絡模型的缺失數據重建。若節(jié)點在數據收集階段發(fā)現有數據缺失,則該節(jié)點首先向鄰近節(jié)點請求數據,并根據其與鄰近節(jié)點之間數據數量的可信度、時空相關系數以及節(jié)點軌跡相似系數判定最佳候選節(jié)點。然后在該節(jié)點處建立貝葉斯網絡模型,并將最佳候選節(jié)點的數據作為輔助變量引入,由此確定缺失數據取值范圍,再計算該范圍內每個取值的條件概率并選擇概率最大時對應的序列作為缺失數據的重建數據。最后使用墨爾本大學采集的數據仿真,驗證了該算法在節(jié)點處于移動場景下可以較好地重建缺失數據,且相比于其他同類算法,該算法的穩(wěn)定性更高。
【學位單位】：重慶郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TN929.5;TP212.9
【部分圖文】：

相鄰兩次迭代誤差 61 10 3.3.2 仿真性能分析圖 3.3 顯示了英特爾伯利克里研究實驗室中傳感器節(jié)點以及這些節(jié)點經過 eans 算法聚類后的結果。圖中共有 10 個簇(K=10)，已用紅色實線將同一簇內感器節(jié)點標出。使用 K-means 聚類算法可以充分利用傳感器節(jié)點位置的空間性尋找節(jié)點之間測量的相似性，圖 3.4 是聚類之后同一簇內不同節(jié)點在相同采間內溫度測量值的比較以及不同簇間不同節(jié)點在同一采樣時間內溫度測量值較，其中，節(jié)點 24 和 25 在同一個簇，節(jié)點 45 和 46 在同一個簇。正如理論測的結果一樣，同一簇內節(jié)點間測量值變化基本一致，不同簇間節(jié)點的測量值較大。

【相似文獻】

相關期刊論文 前10條

1 康春花;孫金玲;孫小堅;曾平飛;;缺失數據比率和處理方法對非隨機缺失數據能力參數估計準確性的影響[J];江西師范大學學報(自然科學版);2017年03期

2 董學思;林麗娟;趙楊;魏永越;戴俊程;陳峰;;多組學聯(lián)合缺失數據填補方法的評價[J];中國衛(wèi)生統(tǒng)計;2017年04期

3 楊金英;崔朝杰;;圖模型方法用于二值變量相關性分析中缺失數據的估計[J];中國衛(wèi)生統(tǒng)計;2012年05期

4 許凱;何道江;;有缺失數據的條件獨立正態(tài)母體中參數的最優(yōu)同變估計[J];數學學報(中文版);2016年06期

5 王軍;李建勛;韓山;王興;;一種效能評估中缺失數據的填充方法[J];上海交通大學學報;2017年02期

6 吳潔瓊;呂小納;黨志軍;;網絡高并發(fā)信息的缺失數據修復方法仿真[J];信息通信;2017年11期

7 喻成林;黃強;李鋼;;觀測站缺失數據修復的神經網絡模型研究[J];礦山測量;2014年01期

8 帥平;李曉松;周曉華;劉玉萍;;缺失數據統(tǒng)計處理方法的研究進展[J];中國衛(wèi)生統(tǒng)計;2013年01期

9 張偉;馮萍;趙永紅;袁佳英;李梅;;加權估計方程用于缺失數據的處理[J];中國衛(wèi)生統(tǒng)計;2013年03期

10 詹棠森;;缺失數據調整修正優(yōu)化磨光法研究及陶瓷中的應用[J];中國陶瓷;2012年06期

相關會議論文 前10條

1 印明輝;秦婷婷;伏振;嚴明明;尹平;;貝葉斯累加回歸樹模型處理缺失數據研究[A];2017年中國衛(wèi)生統(tǒng)計學學術年會論文集[C];2017年

2 耿直;葛丹丹;;縱向研究非隨機缺失數據分析[A];中國現場統(tǒng)計研究會第12屆學術年會論文集[C];2005年

3 劉紅云;;追蹤研究中非隨機缺失數據的處理:基于模型的方法及其應用[A];第十五屆全國心理學學術會議論文摘要集[C];2012年

4 管河山;姜青山;Steven X.Wei;;一種處理缺失數據的新方法[A];第二十一屆中國數據庫學術會議論文集（技術報告篇）[C];2004年

5 肖悅;劉紅云;;密集型追蹤數據中數據的缺失機制及缺失比例對時變效應模型估計精度的影響[A];第二十屆全國心理學學術會議--心理學與國民心理健康摘要集[C];2017年

6 孫金玲;;混合測驗中非隨機缺失數據的缺失比率與處理方法對IRT參數估計的影響[A];第十八屆全國心理學學術會議摘要集——心理學與社會發(fā)展[C];2015年

7 李曉煦;侯杰泰;;結構方程中缺失數據的處理:FIML,EM與MI[A];全國教育與心理統(tǒng)計測量學術年會論文摘要集[C];2006年

8 周曉東;湯銀才;費鶴良;;定數轉換步加試驗缺失數據場合下的參數估計[A];中國現場統(tǒng)計研究會第十三屆學術年會論文集[C];2007年

9 葉素靜;唐文清;張敏強;;追蹤研究中缺失數據的處理方法述評[A];心理學與創(chuàng)新能力提升——第十六屆全國心理學學術會議論文集[C];2013年

10 雷蕾;吳乃君;劉鵬;劉蘭娟;;靈敏度分析:分類器中的缺失數據[A];第11屆海峽兩岸信息管理發(fā)展策略研討會論文集[C];2005年

相關重要報紙文章 前1條

1 劉若帆邋宋林;詩邦金A6+1：憑借其質提高其量[N];農資導報;2008年

相關博士學位論文 前10條

1 丁先文;缺失數據模型的估計與變量選擇[D];云南大學;2018年

2 高航;面向缺失數據的機器學習算法研究[D];國防科學技術大學;2016年

3 唐琳;帶有不可忽略缺失數據的廣義半參數非線性模型的統(tǒng)計推斷[D];云南大學;2017年

4 龔奇源;面向數據發(fā)布的數據匿名技術研究[D];東南大學;2016年

5 陸福忠;數據缺失下的分布函數估計問題[D];復旦大學;2007年

6 駱汝九;多指標綜合評價的非參數方法和缺失數據的聚類方法研究[D];揚州大學;2011年

7 郭東林;缺失數據下幾類回歸模型的估計方法與理論[D];北京工業(yè)大學;2017年

8 馬友;基于QoS缺失數據預測的個性化Web服務推薦方法研究[D];北京郵電大學;2015年

9 羅顯貴;帶缺失數據列聯(lián)表與半參數非線性動態(tài)因子模型的統(tǒng)計推斷[D];云南大學;2015年

10 祝麗萍;幾種缺失數據和高維數據模型的統(tǒng)計分析[D];山東大學;2012年

相關碩士學位論文 前10條

1 陳婉嬌;缺失數據插補方法及其在醫(yī)學領域的應用研究[D];華南理工大學;2019年

2 宋雅婷;缺失數據處理方法及其在臨床試驗中的應用[D];華中科技大學;2019年

3 許天歌;缺失數據下的P2P借貸違約風險評價方法研究[D];合肥工業(yè)大學;2019年

4 石章波;缺失數據下眾數線性模型的統(tǒng)計診斷[D];云南大學;2018年

5 樊霞;WSN中缺失數據重建算法研究[D];重慶郵電大學;2019年

6 王玉梅;缺失數據下基于眾數回歸兩類半參數模型估計與變量選擇[D];蘭州理工大學;2019年

7 仝倩;帶缺失數據的半參數非線性模型基于經驗似然的統(tǒng)計診斷[D];南京理工大學;2018年

8 張文佳;缺失數據下變系數部分非線性模型的參數估計[D];南京理工大學;2018年

9 李佳妮;缺失數據統(tǒng)計方法及其敏感性的研究[D];哈爾濱工業(yè)大學;2018年

10 杜麗媛;含有缺失和不可適用數據的古生物譜系樹構建方法研究[D];西北大學;2018年

本文編號：2820164