一種基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法
【專利摘要】一種基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，包括如下步驟：步驟1：每個感知節(jié)點的最近n個采樣周期的數(shù)據(jù)被利用于事件分析，以節(jié)能的方式快速地過濾失效節(jié)點和噪音數(shù)據(jù)；步驟2：每個節(jié)點根據(jù)有效的實時感知數(shù)據(jù)，基于模糊理論計算出局部的事件可信度，可信度低于預設閾值α的感知節(jié)點被過濾，可信度高于α的感知節(jié)點成為值得關(guān)注事件節(jié)點NEN，NEN采用基于可信度子范圍的非均勻離散化和編碼方法，得到局部事件語義信息；步驟3：語義事件信息融合：采用基于網(wǎng)格邏輯劃分的空間相關(guān)性分析方法，基于模糊理論定義語義事件信息融合操作符，進行網(wǎng)內(nèi)事件信息融合，返回k個最嚴重語義的事件信息。本發(fā)明能耗較低、實時性良好。
【專利說明】
-種基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設及物聯(lián)網(wǎng)事件監(jiān)測領(lǐng)域，具體設及一種基于模糊理論的物聯(lián)網(wǎng)語義事件 檢測方法。
【背景技術(shù)】
[0002] 實時事件監(jiān)測是物聯(lián)網(wǎng)/傳感器網(wǎng)絡應用中一類非常重要的任務，及早地發(fā)現(xiàn)潛 在事件并及時處理，可有效地減少災害損失。已有的事件信息檢測方法大都基于原始的感 知數(shù)據(jù)，處理大規(guī)模的原始感知數(shù)據(jù)的通信和時間開銷很大，然而運些原始數(shù)據(jù)由于本身 的不精確性和不確定性，難W保證得到精確的處理結(jié)果。大多數(shù)情況下，用戶并不關(guān)屯、運些 原始感知數(shù)據(jù)或者網(wǎng)內(nèi)過濾/融合時的數(shù)據(jù)形態(tài)，而是想得到類似自然語言的"嚴重性"、 "可信度"等語義事件信息。
[0003] 此外，現(xiàn)有的事件檢測方法主要是利用相鄰協(xié)作來提高檢測的準確性，而鄰居協(xié) 作需要大規(guī)模的網(wǎng)內(nèi)數(shù)據(jù)交換，非常耗時耗能。

【發(fā)明內(nèi)容】

[0004] 為了克服已有事件檢測方法中能耗高、實時性差的不足，本發(fā)明提供一種能耗較 低、實時性良好、可靠性良好的基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0006] -種基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，所述檢測方法包括如下步驟：
[0007] 步驟1:感知數(shù)據(jù)預處理
[000引每個感知節(jié)點的最近n個采樣周期的數(shù)據(jù)被利用于事件分析，n取決于感知節(jié)點采 樣周期的間隔時間，W節(jié)能的方式快速地過濾失效節(jié)點和噪音數(shù)據(jù)，W保證實時事件檢測 具有容錯性；
[0009] 步驟2:語義事件信息表示
[0010] 每個節(jié)點根據(jù)有效的實時感知數(shù)據(jù)，基于模糊理論計算出局部的事件可信度，可 信度低于預設闊值a的感知節(jié)點被過濾，可信度高于a的感知節(jié)點成為值得關(guān)注事件節(jié)點 (Noteworthy Event Node,肥N)，肥N采用基于可信度子范圍的非均勻離散化和編碼方法， 得到局部事件語義信息；
[0011] 步驟3:語義事件信息融合
[0012] 采用基于網(wǎng)格邏輯劃分的空間相關(guān)性分析方法，該方法W節(jié)能和實時的方式考察 網(wǎng)絡中肥N主要的空間相關(guān)性，基于模糊理論定義語義事件信息融合操作符，進行網(wǎng)內(nèi)事件 信息融合，返回k個最嚴重語義的事件信息。
[0013] 進一步，所述步驟2中，語義事件信息表示的步驟如下：
[0014] 2.1、事件節(jié)點可信度測量和過濾，過程如下：
[0015] 基于模糊理論中隸屬度和a截集思想，每個節(jié)點根據(jù)最近n個周期內(nèi)的感知數(shù)據(jù)計 算其事件節(jié)點可信度nc，所有nc小于預設至于a的節(jié)點被過濾，所有nc大于a的節(jié)點被識別 為肥N，nc測量方法如公式（I)，其中，XiQ = I，. . .，m)是節(jié)點的感知數(shù)據(jù)，m為感知數(shù)據(jù)的維 數(shù)，avg(xi)是每維感知數(shù)據(jù)的平均值，用最近幾個采樣周期內(nèi)的感知數(shù)據(jù)的平均值來定義 事件點的可信度，《i(i = l，...，m)是可調(diào)因子，用于調(diào)節(jié)各屬性對于事件概率的影響程 度，O 1+0 2+. .. Um=I，化n和fi可在領(lǐng)域?qū)＜抑笇略O定；
[0016]
。）
[0017] 2.2、語義事件信息表示，過程如下：
[0018] 2.2.1、定義語義事件變量sev用于形式化描述一類嚴重程度的語言事件信息，語 義事件信息用類似人類自然語言描述潛在事件發(fā)生的可能性；
[0019] 2.2.2、把ec(肥N)取值范圍[a，1)劃分成若干區(qū)間大小不等的子范圍.s'w/nK ;
[0020] 2.2.3、根據(jù)非均勻的事件可信度離散化方法，得到區(qū)間大小不等的子范圍，每個 子范圍對應著一個語義事件信息變量及其語義解釋。
[0021] 再進一步，所述步驟3中，基于模糊理論的語義事件信息融合，步驟如下：
[0022] 3.1、格內(nèi)語義事件信息處理，步驟為：
[0023] 3.1.1、網(wǎng)絡邏輯劃分:網(wǎng)絡隨機部署在監(jiān)控區(qū)域內(nèi)，并引入泊松點過程，將監(jiān)控區(qū) 域基于地理位置邏輯劃分成若干網(wǎng)格，每個格內(nèi)選擇一個格管理節(jié)點GM，用于收集局部事 件信息和管理局部網(wǎng)絡拓撲結(jié)構(gòu)，被選中的GM可W更高的通信頻率形成一個Wsink節(jié)點為 根的TAG樹形路由結(jié)構(gòu)GM-Tree,網(wǎng)格的大小根據(jù)節(jié)點的通信半徑和監(jiān)控區(qū)域的大小合而 定；
[0024] 3.1.2、格內(nèi)語義事件節(jié)點信息處理:每個肥N根據(jù)步驟2.2中語義事件信息表示方 法得到本地語義事件變量sev，并發(fā)送其nodeID和sev到本格管理節(jié)點GM，GM有一張列表 List,存儲每個接收到的nodeID及其對應sev;
[0025] 3.1.3、利用格內(nèi)空間相關(guān)性計算事件區(qū)域可信度:語義事件區(qū)域可信度sere描述 事件區(qū)域存在的可信度，運種可信度和肥N數(shù)量有直接的關(guān)系，基于格內(nèi)肥N數(shù)量的sere計 算方法，如公式(2 )，其中#(肥N)為肥N數(shù)量，當格內(nèi)有2個及W上的肥N時，那么潛在事件區(qū) 域的可信度非常高，運時躍階函數(shù)sere值在0.9 W上；
[0026]
口）
[0027] 3.1.4、格內(nèi)語義事件區(qū)域信息處理:每個GM收集完本格肥的吾義事件信息后，利用 式(2)計算sere值，并存儲在GM的List中；
[002引3.2、網(wǎng)內(nèi)語義事件區(qū)域信息融合，步驟包括：
[0029] 3.2.1、定義網(wǎng)內(nèi)語義事件信息融合操作符和排序函數(shù)：
[0030] 定義語義事件變量比較操化符0，巧U巧V為兩個語言變量，它們的可信度子范圍 分別為smWRO)和如果
剛定義函數(shù)運算0(11，V) =V, 其含義為從兩個語義事件變量中獲得可信度更高的語義事件變量，0(u，v)=v也可寫成U 0 V = V;
[0031] 定義格間語義事件區(qū)域信息融合排序函數(shù)score(sev,sere) ,score綜合考慮的事 件代表點可信度ec和事件區(qū)域可信度sere,-個score函數(shù)例子如式(3)，其中ec(sev)函數(shù) 取sev對應可信度區(qū)間的中間值，CO為可調(diào)因子，用于調(diào)節(jié)代表性事件節(jié)點可信度和事件 區(qū)域存在可信度對于語義事件信息融合結(jié)果的影響；
[0032] score(sev,serc) = 〇 Xec(sev) + ( 1-〇 ) Xserc (3)
[0033] 3.2.2、網(wǎng)內(nèi)語義事件區(qū)域信息融合，過程如下：
[0034] 在基于GM的路由樹結(jié)構(gòu)中，分為葉子GM和非葉子GM語義事件區(qū)域信息傳輸和融 合；
[00巧]其中，葉子GM利用事件變量比較操作符0得到sev最大的nodelD，發(fā)送該nodeID及 其sev，W及該格的sere給其父GM。
[0036] 非葉子GM收集完語義事件信息后，根據(jù)score函數(shù)，返回top k(nodeID，sev，sere) 給其父GM，直至到達基站。
[0037] 再進一步，所述步驟1中，感知數(shù)據(jù)預處理步驟如下：
[0038] 1.1、采樣周期數(shù)n的確定：當采樣周期間隔較小時，運時n取較大值，意味著過去一 定數(shù)量的采樣周期內(nèi)的感知數(shù)據(jù)都具有實時性分析價值，反之n取較小值；
[0039] 1.2、錯誤數(shù)據(jù)過濾:錯誤數(shù)據(jù)主要來源于失效節(jié)點和正常工作節(jié)點的噪音數(shù)據(jù)， 如果某感知節(jié)點的大部分數(shù)據(jù)是否明顯偏離正常的取值范圍，那么其為失效節(jié)點，否則在 正常工作的節(jié)點中；大部分正確感知數(shù)據(jù)會符合一個正常模式，而噪音數(shù)據(jù)會明顯偏離正 常取值范圍或者均值，錯誤數(shù)據(jù)被提前過濾。
[0040] 本發(fā)明的技術(shù)構(gòu)思為:模糊理論為人們處理不精確性和不確定性問題提供了一種 解決思路，本發(fā)明基于模糊理論的可信度測量，語義事件變量代替原始感知數(shù)據(jù)用于網(wǎng)內(nèi) 信息融合，可W降低網(wǎng)絡數(shù)據(jù)傳輸量。此外，感知節(jié)點部署引入符合現(xiàn)實現(xiàn)象的泊松點過 程，可W把網(wǎng)絡邏輯劃分若干網(wǎng)絡，每個網(wǎng)格覆蓋一定數(shù)量的節(jié)點，只在網(wǎng)格管理節(jié)點內(nèi) 檢測格內(nèi)的值得關(guān)注潛在事件的空間相關(guān)性，可W減少已有鄰居協(xié)作產(chǎn)生的大量數(shù)據(jù)交 換。最后基于模糊理論的比較操作符和融合算法可W保證網(wǎng)內(nèi)語義事件信息融合時的可靠 性。
[0041 ]本發(fā)明的有益效果主要表現(xiàn)在：1)用戶可W得到可靠的語義事件信息，運種語義 事件信息更容易理解。2)網(wǎng)內(nèi)數(shù)據(jù)傳輸量很低，非常節(jié)能。3)較少的數(shù)據(jù)傳輸量意味著較少 的數(shù)據(jù)傳輸時間開銷，此外網(wǎng)格管理節(jié)點的路由樹形結(jié)構(gòu)，進一步提升了獲取事件信息的 響應速度。4)基于網(wǎng)格的網(wǎng)絡邏輯劃不需要額外的維護算法，使得本發(fā)明方案易于實現(xiàn)。
【附圖說明】
[0042] 圖1是基于模糊理論物聯(lián)網(wǎng)語義事件檢測方法的結(jié)構(gòu)框圖。
[0043] 圖2是語義事件信息表示樣例圖。
[0044] 圖3是格內(nèi)語義事件信息處理流程圖。
[0045] 圖4是格間語義事件信息處理流程圖。
[0046] 圖5是一個真實網(wǎng)絡運行圖。
【具體實施方式】
[0047] 下面結(jié)合附圖對本發(fā)明作進一步描述。
[0048] 參照圖1~圖5,一種基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，所述檢測方法僅 使用傳感器節(jié)點，包括如下步驟：
[0049] 步驟1:感知數(shù)據(jù)預處理:為了滿足檢測的實時性要求，每個感知節(jié)點的最近n個采 樣周期的數(shù)據(jù)被利用于事件分析，n取決于感知節(jié)點采樣周期的間隔時間，間隔越小，n越 大，反之n越小，運樣可W保證事件分析是基于實時的感知數(shù)據(jù)，過濾無效數(shù)據(jù)。此外，W節(jié) 能的方式快速地過濾失效節(jié)點和噪音數(shù)據(jù)，W保證實時事件檢測具有一定的容錯性;過程 如下：
[0050] 1.1、采樣周期數(shù)n的確定：當采樣周期間隔較小時，運時n可W取較大值，意味著過 去一定數(shù)量的采樣周期內(nèi)的感知數(shù)據(jù)都具有實時性分析價值，反之n取較小值。
[0051] 1.2、錯誤數(shù)據(jù)過濾:錯誤數(shù)據(jù)主要來源于失效節(jié)點和正常工作節(jié)點的噪音數(shù)據(jù)。 如果某感知節(jié)點的大部分數(shù)據(jù)是否明顯偏離正常的取值范圍，那么其為失效節(jié)點，否則在 正常工作的節(jié)點中；大部分正確感知數(shù)據(jù)會符合一個正常模式，而噪音數(shù)據(jù)會明顯偏離正 常取值范圍或者均值，錯誤數(shù)據(jù)被提前過濾；
[0052] 步驟2:語義事件信息表示:每個節(jié)點根據(jù)有效的實時感知數(shù)據(jù)，基于模糊理論計 算出局部的事件可信度，可信度低于a的感知節(jié)點被過濾，可信度高于a的感知節(jié)點成為值 得關(guān)注事件節(jié)點(Noteworthy Event Node,肥N)，肥N采用基于可信度子范圍的非均勻離散 化和編碼方法，得到局部事件語義信息;步驟如下：
[0053] 2.1、事件節(jié)點可信度測量和過濾:基于模糊理論中隸屬度和a截集思想，每個節(jié)點 根據(jù)最近n個周期內(nèi)的感知數(shù)據(jù)計算其事件節(jié)點可信度(node-level conf idence，nc)，所 有nc小于a(a通常為0.5)的節(jié)點被過濾，所有nc大于a的節(jié)點被識別為肥Nenc測量方法如公 式（1)，其中，xia = l，...，m)是節(jié)點的感知數(shù)據(jù)，m為感知數(shù)據(jù)的維數(shù)，avg(xi)是每維感知 數(shù)據(jù)的平均值。在步驟1.2中，數(shù)據(jù)清洗消除了大部分錯誤數(shù)據(jù)，用最近幾個采樣周期內(nèi)的 感知數(shù)據(jù)的平均值來定義事件點的可信度。COia = I, ...，m)是可調(diào)因子，用于調(diào)節(jié)各屬性 對于事件概率的影響程度，《1+?2+. . . ?m=l?；痭和fi可在領(lǐng)域?qū)＜抑笇略O定。
[0054]
(1)
[0化日]2.2、語義事件信息表示：
[0化6]具體工作流程如下：
[0057] 2.2.1、定義語義事件變量(semantic event variable,sev)用于形式化描述一類 嚴重程度的語言事件信息，語義事件信息用類似人類自然語言描述潛在事件發(fā)生的可能 性。
[0化引 2.2.2、把ec(肥N)取值范圍[a，1)劃分成若干區(qū)間大小不等的子范圍巧/衣奶，運種 非均勻的劃分可W基于某種數(shù)學模型，也可W在領(lǐng)域?qū)＜抑笇略O定，遵循的原則是ec越 大，其所處的子范圍區(qū)間越小。
[0059] 2.2.3、根據(jù)非均勻的事件可信度離散化方法，可W得到區(qū)間大小不等的子范圍， 每個子范圍對應著一個語義事件信息變量及其語義解釋；
[0060] 步驟3:語義事件信息融合：由于事件的發(fā)生具有空間相關(guān)性，利用空間相關(guān)性分 析有助于提高事件檢測的可靠性。本發(fā)明采用基于網(wǎng)格邏輯劃分的空間相關(guān)性分析方法， 該方法W節(jié)能和實時的方式考察了網(wǎng)絡中肥N主要的空間相關(guān)性，經(jīng)過網(wǎng)內(nèi)事件信息融合， 返回k個最嚴重語義的事件信息，流程如下：
[0061] 3.1、格內(nèi)語義事件信息處理，步驟為：
[0062] 3.1. 1、網(wǎng)絡邏輯劃分:網(wǎng)絡隨機部署在監(jiān)控區(qū)域內(nèi)，并引入泊松點過程。我們將監(jiān) 控區(qū)域基于地理位置邏輯劃分成若干網(wǎng)格，每個格內(nèi)選擇一個格管理節(jié)點(Grid Manager, GM)，用于收集局部事件信息和管理局部網(wǎng)絡拓撲結(jié)構(gòu)，被選中的GM可W更高的通信頻率形 成一個Wsink節(jié)點為根的TAG樹形路由結(jié)構(gòu)GM-Tree。網(wǎng)格的大小可W根據(jù)節(jié)點的通信半徑 和監(jiān)控區(qū)域的大小合而定，基本原則是每個網(wǎng)格覆蓋較多的節(jié)點，W保證一定數(shù)量的空間 相關(guān)性節(jié)點用于事件區(qū)域檢測。
[0063] 3.1.2、格內(nèi)語義事件節(jié)點信息處理:每個肥N根據(jù)步驟2.2中語義事件信息表示方 法得到本地語義事件變量sev，并發(fā)送其node ID和sev到本格管理節(jié)點GM，GM有一張列表 List,存儲每個接收到的nodeID及其對應sev。
[0064] 3. 1.3、利用格內(nèi)空間相關(guān)性計算事件區(qū)域可信度：語義事件區(qū)域可信度 (semantic event region confidence,sere)描述事件區(qū)域存在的可信度，運種可信度和 肥N數(shù)量有直接的關(guān)系，本申請?zhí)岢鲆环N基于格內(nèi)肥N數(shù)量的sere計算方法，如公式(2)，其 中#(肥N)為肥N數(shù)量。通常來說，當格內(nèi)有2個及W上的肥N時，那么潛在事件區(qū)域的可信度 非常高，運時躍階函數(shù)sere值在0.9 W上是有現(xiàn)實意義的。
[00 化]
(2)
[0066] 3.1.4、格內(nèi)語義事件區(qū)域信息處理:每個GM收集完本格肥的吾義事件信息后，利用 式(2)計算sere值，并存儲在GM的List中。
[0067] 3.2、網(wǎng)內(nèi)語義事件區(qū)域信息融合，步驟包括：
[0068] 3.2.1、定義網(wǎng)內(nèi)語義事件信息融合操作符和排序函數(shù)：
[0069] 定義語義事件變量比較操作符0，設U和V為兩個語言變量，它們的可信度子范圍 分別為臾(M)和如果
，則定義函數(shù)運算0(u，v)=v， 其含義為從兩個語義事件變量中獲得可信度更高的語義事件變量，0(u，v)=v也可寫成U 0 V = Vo
[0070] 定義格間語義事件區(qū)域信息融合排序函數(shù)score (sev ,sere) ,score綜合考慮的事 件代表點可信度ec和事件區(qū)域可信度sere,-個score函數(shù)例子如式(3)。其中ec(sev)函數(shù) 取sev對應可信度區(qū)間的中間值，CO為可調(diào)因子，用于調(diào)節(jié)代表性事件節(jié)點可信度和事件區(qū) 域存在可信度對于語義事件信息融合結(jié)果的影響。
[0071] score(sev,serc) = 〇 Xec(sev) + ( 1-〇 ) Xserc (3)
[0072] 3.2.2、網(wǎng)內(nèi)語義事件區(qū)域信息融合方法：
[0073] 在基于GM的路由樹結(jié)構(gòu)中，分為葉子GM和非葉子GM語義事件區(qū)域信息傳輸和融 厶 1=1 O
[0074] 其中葉子GM利用事件變量比較操作符0得到sev最大的nodelD，發(fā)送該nodeID及 其sev，W及該格的sere給其父GM。
[00巧]非葉子GM收集完語義事件信息后，根據(jù)score函數(shù)，返回top k(nodeID，sev，sere) 給其父GM，直至到達基站。
[0076] 圖1顯示了本發(fā)明提出的低功耗高可靠物聯(lián)網(wǎng)語義事件檢測方法總體框架，該框 架包含了=個主要步驟：
[0077] 步驟1:感知數(shù)據(jù)預處理
[0078] 每個感知節(jié)點的最近n個采樣周期的數(shù)據(jù)被利用于實時事件信息，此外，W節(jié)能的 方式快速地過濾失效節(jié)點和噪音數(shù)據(jù)，W保證實時事件檢測具有一定的容錯性；
[0079] 步驟2:語義事件信息表示
[0080] 每個節(jié)點基于模糊理論計算出局部的事件可信度，并且過濾掉可信度低于a的感 知節(jié)點，值得關(guān)注事件節(jié)點基于可信度子范圍的非均勻離散化和編碼方法，得到局部事件 語義信息；
[0081 ]步驟3:語義事件信息融合
[0082] 采用基于網(wǎng)格邏輯劃分的空間相關(guān)性分析方法，該方法W節(jié)能和實時的方式考察 了網(wǎng)絡中肥N主要的空間相關(guān)性，經(jīng)過網(wǎng)內(nèi)事件信息融合，返回k個最嚴重語義的事件信息。
[0083] 圖2顯示了語義事件信息表示的一個樣例，語義事件信息表示的步驟如下：
[0084] 2.1、定義語義事件變量(semantic event variable,sev)用于形式化描述一類嚴 重程度的語言事件信息，語義事件信息用類似人類自然語言描述潛在事件發(fā)生的可能性。 例如圖2中第1列為若干個語義事件變量，分別對應圖2第2列中各語義事件信息的語義理 解。
[0085] 2.2、把ec(肥N)取值范圍[a, 1)劃分成若干區(qū)間大小不等的子范圍，運種非 均勻的劃分可W基于某種數(shù)學模型，也可W在領(lǐng)域?qū)＜抑笇略O定，遵循的原則是ec越 大，其所處的子范圍區(qū)間越小。如圖2中第3列所示，肥N的a為0.5,越靠近1的wAW，其區(qū)間 大小越小(0.03)，越靠近a的子范圍區(qū)間越大(0.16)。
[0086] 2.3、根據(jù)非均勻的事件可信度離散化方法，可W得到區(qū)間大小不等的子范圍，每 個子范圍對應著一個語義事件信息變量及其語義解釋，分別如圖2第1列和第2列所示。
[0087] 格內(nèi)語義事件區(qū)域信息處理的流程如圖3所示，分為格管理節(jié)點事件信息收集和 處理兩部分。3.1.1)每個值得關(guān)注事件節(jié)點發(fā)送其nodeID和sev值本格管理節(jié)點GM，如圖3 所示，在某個格GMi內(nèi)，GMi收集所有的肥N，在圖3中肥N為Sl、S3和GMi本身，運些肥N的語義 事件點信息存儲在GMi的List中。3.1.2)利用格內(nèi)空間相關(guān)性計算本格事件區(qū)域可信度，根 據(jù)式(2)可計算該格內(nèi)存在事件區(qū)域的可信度為1.0,如圖3所示。
[0088] 格間語義事件區(qū)域信息處理的流程如圖4所示，分為兩個子步驟。3.2.1)在GM- Tree路由樹中，其中葉子GM利用事件變量比較操作符0得到SeV最大的nodelD，發(fā)送該 nodeID及其sev，W及該格的sere給其父GM。3.2.2)非葉子GM收集完語義事件信息后，根據(jù) score函數(shù)，返回top k(nodeID，sev，sere)給其父GM，直至到達基站。
[00例如圖4所示，葉子GM節(jié)點611、612、613、617把其語義事件區(qū)域信息（110(1610,36￥， sere)發(fā)送給非葉子GM8節(jié)點，運些信息存儲在GM8的List'中。GM8根據(jù)式(3)計算List'中的 語義事件區(qū)域信息的綜合得分，然后根據(jù)SERQ中的k值，返回查詢結(jié)果，k為1、2和3時的查 詢結(jié)果分別為{(5，B，0.94)}、{(5，B，0.94),(11，C，0.98)}和{(5，B，0.94),(11，C，0.98)， (37,D,!.0)}0
[0090] 一個基于網(wǎng)格邏輯劃分的真實GM-Tree網(wǎng)絡如圖5所示，該真實網(wǎng)絡來自LUCE,包 括88個有效感知節(jié)點。我們基于圖5對本發(fā)明進行了仿真實驗，實驗結(jié)果驗證了所提出的方 法在節(jié)能和可靠性方面的預期效果。
【主權(quán)項】
1. 一種基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，其特征在于:所述檢測方法包括如 下步驟： 步驟1:感知數(shù)據(jù)預處理 每個感知節(jié)點的最近η個采樣周期的數(shù)據(jù)被利用于事件分析，η取決于感知節(jié)點采樣周 期的間隔時間，以節(jié)能的方式快速地過濾失效節(jié)點和噪音數(shù)據(jù)，以保證實時事件檢測具有 容錯性； 步驟2:語義事件信息表示 每個節(jié)點根據(jù)有效的實時感知數(shù)據(jù)，基于模糊理論計算出局部的事件可信度，可信度 低于預設閾值α的感知節(jié)點被過濾，可信度高于α的感知節(jié)點成為值得關(guān)注事件節(jié)點ΝΕΝ， NEN采用基于可信度子范圍的非均勻離散化和編碼方法，得到局部事件語義信息； 步驟3:語義事件信息融合 采用基于網(wǎng)格邏輯劃分的空間相關(guān)性分析方法，該方法以節(jié)能和實時的方式考察網(wǎng)絡 中NEN主要的空間相關(guān)性，基于模糊理論定義語義事件信息融合操作符，進行網(wǎng)內(nèi)事件信息 融合，返回k個最嚴重語義的事件信息。2. 如權(quán)利要求1所述的基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，其特征在于:所述步 驟2中，語義事件信息表示的步驟如下： 2.1、 事件節(jié)點可信度測量和過濾，過程如下： 基于模糊理論中隸屬度和α截集思想，每個節(jié)點根據(jù)最近η個周期內(nèi)的感知數(shù)據(jù)計算其 事件節(jié)點可信度nc，所有nc小于預設至于α的節(jié)點被過濾，所有nc大于α的節(jié)點被識別為 NEN，nc測量方法如公式（1)，其中，xi(i = l，. . .，m)是節(jié)點的感知數(shù)據(jù)，m為感知數(shù)據(jù)的維 數(shù)，avg(Xl)是每維感知數(shù)據(jù)的平均值，用最近幾個采樣周期內(nèi)的感知數(shù)據(jù)的平均值來定義 事件點的可信度，W 1U = I, ...，m)是可調(diào)因子，用于調(diào)節(jié)各屬性對于事件概率的影響程 度，ω #(0 2+. .. c〇m=l，fun和fi可在領(lǐng)域?qū)＜抑笇略O定；⑴ 2.2、 語義事件信息表示，過程如下： 2.2.1、 定義語義事件變量sev用于形式化描述一類嚴重程度的語言事件信息，語義事 件信息用類似人類自然語言描述潛在事件發(fā)生的可能性； 2.2.2、 把ec (NEN)取值范圍[a，1)劃分成若干區(qū)間大小不等的子范圍似MT; 2.2.3、 根據(jù)上述非均勻的事件可信度離散化方法，得到區(qū)間大小不等的子范圍，每個 子范圍對應著一個語義事件信息變量及其語義解釋。3. 如權(quán)利要求1所述的基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，其特征在于:所述步 驟3中，基于模糊理論的語義事件信息融合，步驟如下： 3.1、 格內(nèi)語義事件信息處理，步驟為： 3.1.1、 網(wǎng)絡邏輯劃分：網(wǎng)絡隨機部署在監(jiān)控區(qū)域內(nèi)，并引入泊松點過程，將監(jiān)控區(qū)域基 于地理位置邏輯劃分成若干網(wǎng)格，每個格內(nèi)選擇一個格管理節(jié)點GM，用于收集局部事件信 息和管理局部網(wǎng)絡拓撲結(jié)構(gòu)，被選中的GM可以更高的通信頻率形成一個以sink節(jié)點為根的 TAG樹形路由結(jié)構(gòu)GM-Tree，網(wǎng)格的大小根據(jù)節(jié)點的通信半徑和監(jiān)控區(qū)域的大小合而定； 3.1.2、 格內(nèi)語義事件節(jié)點信息處理:每個NEN根據(jù)步驟2.2中語義事件信息表示方法得 到本地語義事件變量sev，并發(fā)送其nodeID和sev到本格管理節(jié)點GM，GM有一張列表List，存 儲每個接收到的nodeID及其對應sev; 3.1.3、 利用格內(nèi)空間相關(guān)性計算事件區(qū)域可信度:語義事件區(qū)域可信度sere描述事件 區(qū)域存在的可信度，這種可信度和格內(nèi)NEN數(shù)量有直接的關(guān)系，基于格內(nèi)NEN數(shù)量的sere計 算方法，如公式(2 )，其中#( NEN)為NEN數(shù)量，當格內(nèi)有2個及以上的NEN時，那么潛在事件區(qū) 域的可信度非常高，這時躍階函數(shù)sere值在0.9以上；(2) 3.1.4、 格內(nèi)語義事件區(qū)域信息處理:每個GM收集完本格NEN語義事件信息后，利用式 (2)計算sere值，并存儲在GM的List中； 3.2、網(wǎng)內(nèi)語義事件區(qū)域信息融合，步驟包括： 3.2.1、 定義網(wǎng)內(nèi)語義事件信息融合操作符和排序函數(shù)： 定義語義事件變量比較操作符Θ，設u和V為兩個語言變量，它們的可信度子范圍分別 為和Λ:ΜΗ(ν),如果.s'wM)?(?) <' .s'wM)?(v),則定義函數(shù)運算 Θ (u，v) = v，其含 義為從兩個語義事件變量中獲得可信度更高的語義事件變量，? (u，v) =v也可寫成u Θ V =V; 定義格間語義事件區(qū)域信息融合排序函數(shù)score (sev ,sere)，score綜合考慮的事件代 表點可信度ec和事件區(qū)域可信度sere，一個score函數(shù)例子如式(3)，其中ec(sev)函數(shù)取 sev對應可信度區(qū)間的中間值，ω為可調(diào)因子，用于調(diào)節(jié)代表性事件節(jié)點可信度和事件區(qū)域 存在可信度對于語義事件信息融合結(jié)果的影響； score(sev,sere)= ω Xec(sev) + (1-ω)Xserc (3) 3.2.2、 網(wǎng)內(nèi)語義事件區(qū)域信息融合，過程如下： 在基于GM的路由樹結(jié)構(gòu)中，分為葉子GM和非葉子GM語義事件區(qū)域信息傳輸和融合； 其中，葉子GM利用事件變量比較操作符Θ得到sev最大的nodeID，發(fā)送該nodeID及其 sev，以及該格的sere給其父GM。 非葉子GM收集完語義事件信息后，根據(jù)score函數(shù)，返回top k(nodeID，sev，sere)給其 父GM，直至到達基站。4.如權(quán)利要求1~3之一所述的基于模糊理論的物聯(lián)網(wǎng)語義事件檢測方法，其特征在 于:所述步驟1中，感知數(shù)據(jù)預處理步驟如下： 1.1、 采樣周期數(shù)η的確定：當采樣周期間隔較小時，這時η取較大值，意味著過去一定數(shù) 量的采樣周期內(nèi)的感知數(shù)據(jù)都具有實時性分析價值，反之η取較小值； 1.2、 錯誤數(shù)據(jù)過濾:錯誤數(shù)據(jù)來源于失效節(jié)點和正常工作節(jié)點的噪音數(shù)據(jù)，如果某感 知節(jié)點的大部分數(shù)據(jù)是否明顯偏離正常的取值范圍，那么其為失效節(jié)點，否則在正常工作 的節(jié)點中；大部分正確感知數(shù)據(jù)會符合一個正常模式，而噪音數(shù)據(jù)會明顯偏離正常取值范 圍或者均值，錯誤數(shù)據(jù)被提前過濾。
【文檔編號】G06F17/30GK106021487SQ201610334208
【公開日】2016年10月12日
【申請日】2016年5月19日
【發(fā)明人】李英龍, 呂明琪
【申請人】浙江工業(yè)大學