基于多標簽分類的傳感網(wǎng)數(shù)據(jù)異常檢測方法研究.pdf

1、無線傳感器網(wǎng)絡已經(jīng)廣泛地應用于多個領域，其資源受限特性使得它無法從軟件和硬件上保證自身具有較強的抗干擾能力。然而，無線傳感網(wǎng)絡通常部署在環(huán)境比較惡劣的野外環(huán)境中，這使得無線傳感器網(wǎng)絡所采集的數(shù)據(jù)很容易發(fā)生錯誤，稱為數(shù)據(jù)異常。針對實際無線傳感器網(wǎng)絡的多項研究表明：傳感器數(shù)據(jù)的不可靠性廣泛存在，保證傳感器數(shù)據(jù)質(zhì)量是一個亟需解決的重要問題。為了得到高質(zhì)量的數(shù)據(jù)，研究無線傳感器網(wǎng)絡中的數(shù)據(jù)異常檢測技術具有重要意義。針對傳統(tǒng)的學習框架無法處理多種

2、數(shù)據(jù)異常同時出現(xiàn)的問題，研究了基于多標簽分類的無線傳感器網(wǎng)絡數(shù)據(jù)異常檢測技術，主要創(chuàng)新點和貢獻如下：
　?。?）提出了一種基于多標簽分類的數(shù)據(jù)異常檢測建模方法。針對傳統(tǒng)的學習框架在描述無線傳感器網(wǎng)絡中多種數(shù)據(jù)異常同時出現(xiàn)時會出現(xiàn)歧義的問題，提出了一種基于多標簽分類的數(shù)據(jù)異常檢測建模方法。無線傳感器網(wǎng)絡所采集的傳感器數(shù)據(jù)是連續(xù)的數(shù)據(jù)流，而多標簽分類模型需要使用多個實例來描述傳感器的數(shù)據(jù)信息，為此數(shù)據(jù)異常檢測建模方法給出了建立數(shù)據(jù)異常

3、檢測模型的過程，包括數(shù)據(jù)流的分割、數(shù)據(jù)特征生成、數(shù)據(jù)異常標簽的標記和數(shù)據(jù)異常的檢測過程。實驗結果表明，基于多標簽分類的數(shù)據(jù)異常檢測模型在無線傳感器網(wǎng)絡數(shù)據(jù)異常檢測中是一種有效方案。
　?。?）提出了一種基于信息熵和集成方法的特征選擇方法EMFSIE。由于無線傳感器網(wǎng)絡中所采集的數(shù)據(jù)包含了噪聲和多種干擾信息，因此想要獲得能夠準確地描述不同數(shù)據(jù)異常類型的數(shù)據(jù)特征并不是一件容易的事情，通常所生成的特征集合中包含了噪聲、冗余和不相關的特征

4、，會嚴重影響數(shù)據(jù)異常檢測模型的性能，為此提出一種基于信息熵和集成方法的特征選擇方法，去除冗余和不相關的特征。該方法采用特征與標簽集合之間的信息增益值來度量特征與標簽集合之間的相關程度；考慮到多種數(shù)據(jù)異常同時出現(xiàn)使得不同數(shù)據(jù)異常類型之間出現(xiàn)語義交叉的問題，引入了集成方法的思想，通過聚類將具有相似語義的實例放在一起對特征進行評估，從而減少語義交叉對特征評估結果所帶來的負面影響。實驗結果表明，所提出的特征選擇方法不僅能夠顯著提升數(shù)據(jù)異常檢測模

5、型的性能，并且能夠顯著地縮短數(shù)據(jù)異常檢測模型的訓練時間。
　　（3）提出了一種基于多標簽RelefF的特征選擇方法MLRFS。EMFSIE方法適用于處理離散型數(shù)據(jù)，在處理連續(xù)型數(shù)據(jù)前需要對數(shù)據(jù)進行離散化預處理，并且該算法無法直接給出所要選擇的特征子集，為此提出了一種基于多標簽ReliefF的特征選擇方法。首先對ReliefF在原始特征空間中搜索的最近鄰實例無法準確對特征進行評估的原因進行了分析；接著MLRFS方法在降維后的特征子集

6、空間中搜索最近鄰實例，并在這些實例上對特征子集進行評估；為了給出一個合理的特征子集，MLRFS采用前向搜索的啟發(fā)式方法搜索特征子集。
　?。?）提出了基于相關近似熵的特征生成方法。特征選擇是一個NP-hard問題，雖然EMFSIE和MLRFS方法可以顯著改善數(shù)據(jù)異常檢測模型的性能，但它們無法找到最優(yōu)的特征子集。為此，基于相關近似熵的特征生成方法從特征生成的角度研究改善數(shù)據(jù)異常檢測模型的性能，解決模糊近似熵在計算傳感器數(shù)據(jù)特征時計算

7、復雜度較大和依賴的參數(shù)過多的問題。相關近似熵方法采用相關信息熵來計算向量空間中多維數(shù)據(jù)之間的相關度，通過計算向量空間在其維數(shù)由M維增加到M+1維時多維數(shù)據(jù)之間保持相關性的概率來判定一個時間序列的復雜程度。相對于模糊近似熵，相關近似熵方法將依賴參數(shù)從4個減少到了2個，并減小了計算復雜度。
　?。?）提出了一種基于相關信息熵的數(shù)據(jù)異常檢測方法。該方法從多種數(shù)據(jù)異常標簽之間的相關關系角度研究改善數(shù)據(jù)異常檢測模型的性能，采用相關信息熵對不