论文部分内容阅读
无线传感器网络(Wireless Sensor Network，WSN)是由大量小型传感器节点组成的。这些节点主要集成了嵌入式计算技术、无线通信技术、传感器技术以及分布式信息处理技术，能够协作地实时感知和监测网络覆盖区域内的对象信息，并将通过处理后获得的尽可能准确的数据信息传送给有需求的用户。 通常情况下，传感器对采集的对象信息都是以时间为单位进行记录的，其统计指标在不同时间上的各个数值是按时间顺序排列而成的序列，简称为时间序列(Time Series)。而这些序列数据中容易被人们忽视的异常部分（离群数据）往往具有更为重要的意义，并且离群数据检测作为数据挖掘研究的一个重要方向已越来越受到人们的关注。在军事侦察和环境监测等领域，可以通过分析相关的数据信息来得知异常情况，从而能及时预警，降低灾难的风险度。 本文主要针对异常序列进行挖掘研究，并综合了近些年的研究现状，将传感器本身的一些限制和时间序列的特征考虑进去，提出新的时间序列异常检测算法，同时用实验验证了所提算法的实效性。本文的具体工作如下: 1.对WSN中的数据流时间序列进行分布式系统下的离群检测研究，与集中式相比节省了能量消耗。并针对大多数序列在相似性匹配时出现的精度低问题，提出了一种基于动态时间弯曲距离的检测算法，同时在保证检测精度的情况下，利用提前终止和多级判断的思想进行算法的提速，一定程度上解决了DTW计算时带来的复杂度瓶颈问题。 2.针对大多数基于距离的时间序列匹配方法忽略了时序本身的形态特征问题，提出了一种基于趋势对比的异常序列检测算法。主要利用重要点和分段线性相结合的自底向上的线性逼近方法，并以最小化两个目标函数为目的进行相邻分段融合，使提取的趋势特征有较高的准确度。同时为了降低提取时的复杂度，对采集到的时间序列先进行道格拉斯-普克算法的冗余点删除，保持序列整体形态的同时从一定程度上减少了计算量。