论文部分内容阅读
作为物联网产业的核心技术,无线传感网络已被应用于生产生活的许多领域。无线传感网络往往被部署于复杂多变或干扰因素诸多的环境中,常会造成感知数据偏离实际,从而导致感知数据质量下降,影响科学决策。因此,研究无线传感网络的离群检测方法,具有重要的理论意义和实用价值。本文围绕支持向量数据描述(SVDD)的无线传感网络离群检测方法展开了较系统、深入的研究,主要工作如下。(1)提出了一种基于Toeplitz矩阵随机特征映射的SVDD无线传感网络离群检测算法(TRFF)。在传统SVDD算法的框架下,引入了随机傅里叶特征映射近似核函数,降低了SVDD检测算法的时间复杂度,同时使用Toeplitz矩阵的循环特点减少存储随机特征矩阵带来的内存消耗。实验表明,TRFF算法在进行离群检测时,保持了较高的检测率和较低的误报率,在时间性能上也优于传统算法。(2)提出了一种基于模型选择的SVDD无线传感网络离群检测算法(TSRFF)。无线传感网络离群检测算法要求实时性较高,需设计随机特征映射算法,使其在较低维度实现映射。传统随机特征映射算法在特征映射维度较低时,稳定性较差,导致决策模型常出现过拟合或欠拟合的问题。TSRFF在Toeplitz矩阵随机特征映射的SVDD算法框架下,引入了模型选择策略,通过支持向量法计算过拟合误差和欠拟合误差,在低特征维度下实现了模型选择。实验表明,TSRFF算法在低特征维度下同样具有良好的稳定性。(3)提出了一种基于自适应的SVDD无线传感网络离群检测算法(ATRFF)。无线传感网络数据流的演变过程有一定的随机性,若采用固定不变的决策模型,其泛化能力会随着时间的推移而逐渐退化。因此,ATRFF算法利用了数据分布密度判断决策模型是否需要更新,保证算法更新及时有效;同时在特征空间使用欧氏距离约简训练数据集,减少了决策模型更新所用时间。实验表明,ATRFF算法及时有效地更新了决策模型,具有较高的检测率和较低的误报率。