基于时间相关性的无线传感器网络数据压缩与优化算法

针对无线传感器网络(WSN)数据采集存在数据冗余度大、累积误差大和数据精度低等问题,根据采集数据之间的时间相关性,提出一种无线传感器网络数据压缩与优化算法。该算法通过分析时间序列中采集数据的线性关系,建立分段一元线性回归模型;根据采集数据与回归模型预测值之间的误差,自适应地调整下一个采集时间,并动态地优化回归模型。仿真结果表明该算法在不同的数据变化情况下,均能降低数据冗余度和网络通信量,提高采集数据的重构精度。最后在真实的无线传感器网络应用环境中验证了算法的可行性。     

传感器网络中一种基于多元回归模型的缺失值估计算法

在无线传感器网络中,感知数据的缺失问题不可避免,并且给无线传感器网络的各种应用带来了巨大困难.解决该问题的最好办法是对缺失数据进行准确估计.提出了一种基于多元回归模型的缺失值估计算法.该算法首先依感知数据的时间相关性和空间相关性分别采用多元线性回归模型对缺失数据进行估计,然后根据回归模型的拟合优度对基于时间维和空间维求出的两个估计值分别赋予相应的权值系数,并将其加权平均值作为缺失数据的最后估计值.由于该算法在对缺失值进行估计时,同时考察多个邻居节点并联合地用其感知数据来共同估计缺失值,因此该算法具有可靠、稳定的估计性能.在两个真实的数据集合上对该算法进行了测试,实验结果表明提出的缺失值估计算法能够有效估计无线传感器网络中的缺失数据.     

基于属性相关性的无线传感网络缺失值估计方法

针对无线传感器网络(WSN)中感知数据易缺失问题,提出了一种基于感知数据属性相关性的缺失值估计方法。该方法采用多元线性回归模型,对属性相关的感知数据的缺失值进行估计;同时,为提高算法估计的鲁棒性,提出了基于感知数据属性的数据交织传送策略。仿真结果表明,所提出的估计方法能有效估计无线传感器网络中的缺失值,相比基于时空相关性的线性插值模型(LM)算法和传统的最近邻插值(NNI)算法具有更高的精度和稳定性。     

传感网络中误差有界的分段逼近数据压缩算法

无线传感器网络通常能量、带宽有限.一个关键而实用的需求是,在保证数据质量的情况下,对持续到达的采样数据进行在线式压缩.主要贡献:①利用传感器节点内置的缓冲区,提出了单传感器节点上基于分段常量逼近的准在线式数据压缩算法(PCADC-sensor),并给出了在无穷范数误差度量下的实现;②提出了单传感器节点上基于分段线性逼近的在线式数据压缩算法(PLADC-sensor).分别在无穷范数和2范数误差度量的情况下给出了计算PLA的两种简单快速算法,推导了分段线性一致逼近的充要条件;③簇头或基站无需接收原始采样数据,提出了基于原始数据的分段线性表示的压缩算法(PLRDC-cluster),推导了同一节点不同时段、不同节点相同时段两种情况下的计算公式.实验结果表明,这些算法较好地匹配了传感器数据流模型,显著减少了冗余数据传输.     

无线传感器网络中缺失数据估计算法

为了提高无线传感器网络(WSN)中缺失数据估计值的精度,提出了一种自决策插值算法。该算法能够根据数据集的空间相关性以及缺失数据的连续性选择不同的缺失数据估计策略,并将自回归滑动平均(ARMA)模型引入到对缺失数据插值的研究中。与传统缺失值估计算法相比,该算法不仅考虑到无线传感器网络的特性,而且考虑到数据集本身的特性。在真实数据集上测试结果表明,该算法提高了对缺失值估计的精度。     

基于线性回归的无线传感器网络链路质量估计方法研究

针对无线传感器网络链路质量估计模型中回归算法复杂度高、缺少统一分类标准和公开数据集等问题,提出了一种基于EWMA和线性回归的链路质量估计方法ELR-LQE。以物理层获取的RSSI、LQI和SNR,以及包接收率PRR作为度量参数,分别在多种实验环境中采用不同的发射功率、竞争条件和部署方式采集数据,建立了链路质量估计数据集。通过最小值填充和EWMA对数据进行预处理,明显提高了回归模型的输入特征与链路质量的相关性。与现有方法相比,提出方法易于和网络层协议适配,并且复杂度较低,适合在资源有限的无线传感器网络节点中实现。实验结果显示,ELR-LQE具有较高的精度,在多种实验条件下平均的ME为4.6×10-2,R2为0.99。     

基于时空冗余数据清除的数据备份算法

传感器节点易受环境影响,会出现节点失效的现象,导致感知数据丢失。然而无线传感器网络是以数据为中心,因此对感知数据进行备份问题的研究显得尤为重要。针对无线传感器网络中数据备份问题,提出基于时空冗余数据清除的数据备份算法(TS_DB),该算法首先用k-means算法对网络分簇,然后挖掘出节点间的关联模式消除空间冗余数据,同时在传感节点建立一元线性回归模型消除时间冗余数据,最后根据簇头的能量进行数据备份。仿真实验表明,TS_DB算法能有效节省节点的能量,对延长网络的寿命具有重要的意义。     

一种无线传感器网络的置信区间时空数据压缩算法

为解决无线传感器网络一元线性回归模型的空时数据压缩算法ODLRST的局限性问题,提高有效数据压缩率,扩大线性数据压缩应用范围,提出了一种基于置信区间的ODLRST改进的时空数据压缩算法TSDCACI:引入置信区间概率预测与统计评估,分别考虑预期变化和异常变化,采用断点判定与野点判定修正线性回归方法中出现异常数据状况的压缩模型,.仿真实验和分析表明了所提出的TSDCACI算法优于传统的ODLRST,不仅能够保障较高的压缩率,而且可以传输波动较大的检测数据,减少节点能量消耗,延长网络生命周期,更符合局部小规模传感器节点数据压缩的实际情况,从而进一步扩大算法应用范围.     

一种无线传感器网络中基于时间分段拟合的高效查询处理算法

以数据为中心的分布式传感器网络,用户经常对感兴趣的传感区域提交查询命令,如获取区域F在某个给定时间段内的感知数据。由于传感器网络依赖高密度部署节点以及高采样频率提高了监测精确度,存在大量冗余数据,因此,有效地保证查询数据准确性,减少大量冗余数据传输能量消耗,是目前亟需解决的问题。本文提出一种单个节点传感数据时间分段拟合算法,对给定查询时间进行分段拟合,寻找满足误差阈值的拟合模型集合。理论分析和实验结果表明,本文提出的基于时间分段拟合的高效查询处理算法能节省大量数据传输能耗,返回满足用户精度要求的查询结果。     

传感器网络自主划分时段的预测采样机制

在无线传感器网络中,调整节点的采样频率是减少冗余数据传输的一种有效方法。基于一元线性回归模型,提出了一种自主划分时段的自适应采样机制,在采样周期内根据数据波动的情况自主划分时段,同时为各个时段分配相应的采样频率。模拟实验表明,对存在一定周期性的环境监测数据,该机制使能源得到合理利用,延长传感器节点的工作时间。     

历史数据压缩算法在DSP上的实现

工业控制中需要记录大量的历史数据,因其数据量庞大,需要的存储空间也及其庞大,同时网络传输过程的实现比较困难,针对这一情况,提出了一种基于整数小波变换和多级树集合分割编码压缩新算法,并在DSP平台上实现,给出仿真结果,结果表明此算法可方便地控制数据压缩比和重构误差,并且具有压缩速度快、熏构误差小和压缩比高的特点。     

面向相似数据集的关系数据库压缩

采用关系数据库模型进行建模,对于同一关系框架上的数据定义了相似数据集。对单个数据集,通过关系拆分对数据库模型进行规范化处理,去除了关系内部的数据冗余;对多个数据集之间的压缩提出了一种基于0-1状态标记序列的增量式无损压缩算法,压缩后的数据可以快速地完全解压缩。试验结果表明,算法可以实现对相似数据集的高效无损压缩和快速查询。     

基于机器学习的数据流突变型服务功能链构建策略

在SDN/NFV协同的未来网络架构下,针对增强移动宽带场景中因数据流突变造成的服务功能链低可用问题进行了研究,并提出了一种基于启发式闭环反馈算法的服务功能链动态构建策略。该算法分服务功能链的部署模块和反馈调整模块两部分。首先,基于资源优化模型实现服务功能链的初始化部署,其中对资源优化模型的求解选择利用遗传算法;然后,通过引入机器学习算法随机森林回归对当前服务功能链可承载的数据流量大小进行实时预测,以实现相应的反馈调整。整个服务功能链的构建策略是一种基于遗传和随机森林回归预测的启发式闭环反馈算法设计。仿真结果表明,在应对突变数据流时与现有的遗传和禁忌搜索算法相比,所提算法的用户接受率提高了12%,对底层资源的占用降低了19%。     

考虑多粒度属性约简的关联规则挖掘研究

大数据时代，人们获取所需信息的困难度提高，而数据挖掘是当下解决此问题的关键技术。Apriori算法作为数据挖掘中的常用算法，通过挖掘数据背后的潜在关联规则。考虑到传统Apriori算法执行过程中，数据扫描频繁、候选集获取繁琐等问题，提出采用加权Apriori算法，即将冗余记录存储一次，并将记录的重复次数占全部记录数的比值作为权重，压缩空间；采用二进制的布尔矩阵替代原有数据集，通过矩阵内部“与运算”，获取最大频繁集，降低时间复杂度。考虑到原始数据冗余性以及粗糙集属性约简的不精确性，在提取关联规则前，提出采用多粒度粗糙集的属性约简算法，通过知识粒度细化属性值来提高约简精度，降低空间复杂度。最后，将所提方法与基于频繁矩阵的Apriori算法以及原始Apriori算法进行比较，验证所提方法的实用性和有效性。     

Joint SPIHT compression and selective encryption

JCSE-SPIHT, an algorithm of joint compression and selective encryption based on set partitioning in hierarchical trees (SPIHT), is proposed to achieve image encryption and compression simultaneously. It can protect SPIHT compressed images by only fast scrambling a tiny portion of crucial data during the coding process while keeping all the virtues of SPIHT intact. Intensive experiments are conducted to validate and evaluate the proposed algorithm; the results show that the efficiency and the compression performance of JCSE-SPIHT are very close to original SPIHT. In security analysis, JCSE-SPIHT is proved to be immune to various attacks not only from traditional cryptanalysis, but also by utilizing sophisticated image processing techniques.     

基于空间相关性与灰色模型的WSN数据压缩方法

针对目前无线传感器网络（WSN）数据压缩方法的计算复杂度高、压缩效率和数据恢复准确率较低的情况,提出基于簇头-基站分离式结构的WSN数据压缩方法。该方法在WSN的单层分簇结构的基础上,要求感知节点将采集的原始数据分段发送,采用原有WSN数据压缩方法对簇头节点接收的数据进行空间相关性压缩,在基站采用灰色模型进行数据恢复。另外,通过实验分析灰色模型与灰色马尔可夫链模型对数据的恢复效果,给出算法最优模型与段长。仿真结果表明,提出的方法相比传统线性回归方法在较高压缩效率时可显著提高数据恢复精度。     

基于数据集压缩的聚类算法性能优化研究

针对目前聚类算法对大数据集的聚类分析中存在时间花费过大的问题,提出了一种基于最近邻相似性的数据集压缩算法。通过将若干个相似性最近邻的数据点划分成一个数据簇并随机选择簇头构成新的数据集,大大缩减了数据的规模。然后分别采用k-means算法和AP算法对压缩后的数据集进行聚类分析。实验结果表明,压缩后的数据集与原始数据集的聚类分析相比,在保证聚类准确率基本一致的前提下有效降低了聚类的花费时长,提高了算法的聚类性能,证明该数据集压缩算法在聚类分析中的有效性与可靠性。     

基于内容自适应稀疏字典的图像集压缩算法

大数据时代巨大的图像信息量,给实际的存储、传输带来了相当大的困难。有效利用图像集自身内容,去除图像之间的信息冗余,是图像集压缩的主要目的。本文提出一种基于内容自适应稀疏字典的图像集压缩方案。通过对图像内容信息进行分类学习,得到分组稀疏字典,将稀疏编码替代传统的变换编码,并利用图像非局部相似特征优化图像解码,得到更高质量的重建图像。实验结果表明,与JPEG方法以及基于递归最小二乘字典学习算法（RLS-DLA）的压缩框架相比,本方案提出的图像集压缩方法有效提高了图像集编码性能。     

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。