劉靜靜，智淑敏

（鄭州澍青醫(yī)學(xué)高等?？茖W(xué)校 衛(wèi)生管理系，河南 鄭州 450064）

一種傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法研究

劉靜靜，智淑敏

（鄭州澍青醫(yī)學(xué)高等專科學(xué)校 衛(wèi)生管理系，河南 鄭州 450064）

對(duì)無(wú)線傳感器網(wǎng)絡(luò)中的不確定感知數(shù)據(jù)的優(yōu)化挖掘算法設(shè)計(jì)，提高傳感器感知層對(duì)數(shù)據(jù)信息的采集和收發(fā)能力。傳統(tǒng)方法采用子空間重構(gòu)特征分解的數(shù)據(jù)挖掘方法，隨著傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)干擾的增強(qiáng)，對(duì)數(shù)據(jù)的采集精度有所下降。提出一種基于滑動(dòng)時(shí)間窗口重排和時(shí)頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法。構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，對(duì)采集的不確定感知數(shù)據(jù)進(jìn)行信號(hào)模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動(dòng)時(shí)間窗口重排方法進(jìn)行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號(hào)流中的時(shí)頻特征，實(shí)現(xiàn)數(shù)據(jù)挖掘算法改進(jìn)。仿真結(jié)果表明，采用該方法進(jìn)行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法進(jìn)行數(shù)據(jù)檢測(cè)的準(zhǔn)確概率較高，降低了誤檢率和虛警率，數(shù)據(jù)挖掘的抗干擾性能較好，展示了較好的應(yīng)用價(jià)值。

傳感器網(wǎng)絡(luò)；不確定感知數(shù)據(jù)；數(shù)據(jù)挖掘；時(shí)頻分析

隨著無(wú)線通信技術(shù)和傳感器技術(shù)的不斷發(fā)展，無(wú)線傳感器網(wǎng)絡(luò)作為一種新型的局域網(wǎng)絡(luò)，在數(shù)據(jù)包的傳輸和中繼轉(zhuǎn)發(fā)等方向中展示了較好的應(yīng)用價(jià)值。無(wú)線傳感器網(wǎng)絡(luò)是采用分布式傳感器節(jié)點(diǎn)進(jìn)行數(shù)據(jù)感知和通信，通過(guò)有效的數(shù)據(jù)挖掘算法，實(shí)現(xiàn)對(duì)原始數(shù)據(jù)信息的感知，達(dá)到目標(biāo)數(shù)據(jù)采樣和通信傳輸?shù)哪康?。?duì)無(wú)線傳感器網(wǎng)絡(luò)中的不確定感知數(shù)據(jù)的優(yōu)化挖掘算法設(shè)計(jì)，提高傳感器感知層對(duì)數(shù)據(jù)信息的采集和收發(fā)能力，研究無(wú)線傳感器網(wǎng)絡(luò)的不確定數(shù)據(jù)感知挖掘方法，在提高傳感器網(wǎng)絡(luò)的穩(wěn)定性和可靠性方面具有重要意義［1］。

近年來(lái)，已經(jīng)有不少學(xué)者開(kāi)展了對(duì)無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法的研究，主要有基于演化博弈的無(wú)線傳感器網(wǎng)絡(luò)感知數(shù)據(jù)挖掘算法、基于統(tǒng)計(jì)信號(hào)分析的無(wú)線傳感器網(wǎng)絡(luò)感知數(shù)據(jù)挖掘算法、基于小波分解和經(jīng)驗(yàn)?zāi)B(tài)分解的數(shù)據(jù)挖掘算法等［2-7］，上述算法首先把無(wú)線傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)進(jìn)行信號(hào)特征重排，建立特征子空間進(jìn)行信號(hào)采樣，實(shí)現(xiàn)對(duì)不確定感知數(shù)據(jù)的信號(hào)模擬和狀態(tài)重組，實(shí)現(xiàn)數(shù)據(jù)挖掘，但上述方法對(duì)數(shù)據(jù)挖掘的過(guò)程中，由于不確定感知數(shù)據(jù)的非平穩(wěn)性和高斯噪聲性，導(dǎo)致數(shù)據(jù)挖掘中出現(xiàn)敏感性失真和挖準(zhǔn)確挖掘概率下降的問(wèn)題。對(duì)此，相關(guān)文獻(xiàn)進(jìn)行了算法改進(jìn)設(shè)計(jì)，其中，文獻(xiàn)［8］提出一種基于傳感器傳輸信號(hào)關(guān)聯(lián)維特征挖掘的不確定感知數(shù)據(jù)挖掘算法，通過(guò)相空間重構(gòu)得到傳感器網(wǎng)絡(luò)感知數(shù)據(jù)的演化軌跡，通過(guò)關(guān)聯(lián)維特征提取實(shí)現(xiàn)數(shù)據(jù)準(zhǔn)確挖掘，但是該算法具有計(jì)算開(kāi)銷(xiāo)過(guò)大，收斂性不好等問(wèn)題。文獻(xiàn)［9］采用子空間重構(gòu)特征分解的數(shù)據(jù)挖掘方法，隨著傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)干擾的增強(qiáng)，對(duì)數(shù)據(jù)的采集精度有所下降。

針對(duì)上述問(wèn)題，文中提出一種基于滑動(dòng)時(shí)間窗口重排和時(shí)頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法。構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，對(duì)采集的不確定感知數(shù)據(jù)進(jìn)行信號(hào)模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動(dòng)時(shí)間窗口重排方法進(jìn)行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號(hào)流中的時(shí)頻特征，實(shí)現(xiàn)數(shù)據(jù)挖掘算法改進(jìn)。最后通過(guò)仿真實(shí)驗(yàn)進(jìn)行了性能測(cè)試，展示了本文設(shè)計(jì)的數(shù)據(jù)挖掘算法在提高傳感器網(wǎng)絡(luò)數(shù)據(jù)感知精度，降低誤檢概率等方面的優(yōu)越性能，得出有效性結(jié)論。

1　傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型和不確定感知數(shù)據(jù)的信號(hào)模型構(gòu)建

1.1傳感器網(wǎng)絡(luò)結(jié)構(gòu)及數(shù)據(jù)采集模型

為了實(shí)現(xiàn)對(duì)傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘，需要首先構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，記傳感器網(wǎng)絡(luò)的傳輸數(shù)據(jù)集S=｛s1,s2,…,sk｝表示簇內(nèi)節(jié)點(diǎn)的數(shù)據(jù)純策略集；向量x=［x1x2…xk］表示數(shù)據(jù)傳輸?shù)墓歉陕酚桑渲衳i為發(fā)送數(shù)據(jù)的能耗i∈S的比例；ri（x）表示網(wǎng)絡(luò)中節(jié)點(diǎn)傳輸策略i的個(gè)體的平均能耗，即單位時(shí)間內(nèi)進(jìn)行不確定數(shù)據(jù)感知的采樣率。假定傳感器網(wǎng)絡(luò)進(jìn)行不確定感知過(guò)程的噪聲w（k）與權(quán)重向量ui（k）之間具有特征匹配關(guān)系，以及各測(cè)量噪聲的自相關(guān)匹配矩陣表示為：

其中，傳感器網(wǎng)絡(luò)的自適應(yīng)的量化初始狀態(tài)x（0）均值為x0，量化測(cè)量值的方差為p0，融合中心接收到的傳感數(shù)據(jù)獨(dú)立于w（k）和ui（k），i=1,2,…,N。此時(shí)，傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)到達(dá)融合中心的矢量特征為xiri（x）。通過(guò)上述模型構(gòu)建，由此得到傳感器網(wǎng)絡(luò)的不確定數(shù)據(jù)感知的信息融合動(dòng)態(tài)方程為：

上式中，rj（x）為融合誤差，xi為幅值，采用時(shí)變非平穩(wěn)均衡模型［10］，得到傳感器網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)采集的博弈模型p2GT+ αT-pC-C-L，確定在某一時(shí)刻頻率分量，得到聯(lián)合時(shí)頻狀態(tài)方程為p2GC+p2L-C-L。根據(jù)上述數(shù)據(jù)采集模型，進(jìn)行數(shù)據(jù)特征空間重建和特征提取，實(shí)現(xiàn)數(shù)據(jù)挖掘算法優(yōu)化設(shè)計(jì)。

1.2不確定感知數(shù)據(jù)的信號(hào)模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建

在上述數(shù)據(jù)結(jié)構(gòu)分析和無(wú)線傳感器網(wǎng)絡(luò)結(jié)構(gòu)模型分析的基礎(chǔ)上，對(duì)無(wú)線傳感器網(wǎng)絡(luò)采集的不確定感知數(shù)據(jù)進(jìn)行信號(hào)模型構(gòu)建，采用現(xiàn)代信號(hào)處理技術(shù)［11-13］，實(shí)現(xiàn)數(shù)據(jù)優(yōu)化挖掘。

定義1無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)信任博弈是一個(gè)對(duì)稱博弈（N,S,U）。分簇?cái)?shù)據(jù)收集節(jié)點(diǎn)N為傳感器網(wǎng)絡(luò)中所有節(jié)點(diǎn)的集合；通過(guò)子測(cè)量矩陣得到感知數(shù)據(jù)的離散數(shù)據(jù)解析集合S=｛s1, s2｝，s1表示選擇任意原始信號(hào)的信任策略s2表示復(fù)共軛；U為傳感器網(wǎng)絡(luò)中感知數(shù)據(jù)解析信號(hào)的包絡(luò)矩陣。傳感器網(wǎng)絡(luò)在進(jìn)行不確定數(shù)據(jù)感知過(guò)程中，受到不確定干擾向量的影響，導(dǎo)致輸出噪聲相關(guān)誤差需要通過(guò)調(diào)節(jié)因子λ（k）進(jìn)行自適應(yīng)修正，得到調(diào)節(jié)因子為：

其中，c（k）=tr［N（k）/tr［C（k）］，表示不確定感知數(shù)據(jù)解析信號(hào)模型，滿足：

其中：

其中x1和x2分別表示不同采樣通道下的極值尺度參數(shù)，且滿足x1+x2=1。為了方便表達(dá)，記時(shí)間跨度被稱為特征尺度參數(shù)［14］，得到x1為。又記u（s1，x）的數(shù)據(jù)結(jié)構(gòu)子空間x）為），在兩個(gè)過(guò)零點(diǎn)之間存在多個(gè)極值點(diǎn)時(shí)，進(jìn)行數(shù)據(jù)結(jié)構(gòu)子空間的重構(gòu)，得到重構(gòu)的數(shù)據(jù)結(jié)構(gòu)子空間模型為：

采用Hilbert-Huang變換，對(duì)數(shù)據(jù)挖掘的目標(biāo)函數(shù)求導(dǎo)，并令式（7）等于0，有：

求解得到數(shù)據(jù)挖掘的目標(biāo)演化博弈模型，通數(shù)據(jù)結(jié)構(gòu)子空間重建，得到傳感器網(wǎng)絡(luò)數(shù)據(jù)挖掘的兩個(gè)穩(wěn)定狀態(tài)：。通過(guò)上述設(shè)計(jì)，在重建的特征子空間中進(jìn)行滑動(dòng)時(shí)間窗口重排，進(jìn)行數(shù)據(jù)挖掘算法改進(jìn)設(shè)計(jì)。

2　數(shù)據(jù)挖掘算法改進(jìn)實(shí)現(xiàn)

在上述進(jìn)行了傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型和不確定感知數(shù)據(jù)的信號(hào)模型構(gòu)建的基礎(chǔ)上，進(jìn)行數(shù)據(jù)挖掘算法改進(jìn)設(shè)計(jì)，傳統(tǒng)方法采用子空間重構(gòu)特征分解的數(shù)據(jù)挖掘方法，隨著傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)干擾的增強(qiáng)，對(duì)數(shù)據(jù)的采集精度有所下降［15］。為了克服傳統(tǒng)方法的弊端，本文提出一種基于滑動(dòng)時(shí)間窗口重排和時(shí)頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法，進(jìn)行數(shù)據(jù)挖掘算法改進(jìn)，改進(jìn)算的實(shí)現(xiàn)過(guò)程描述如下，假設(shè)傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)接收端的輸入信號(hào)為：

上式中，ri，θi分別為傳感器網(wǎng)絡(luò)中的不確定數(shù)據(jù)發(fā)送時(shí)刻的碼元速率和狀態(tài)向量預(yù)測(cè)值，此時(shí)，在多徑信道中不確定數(shù)據(jù)挖掘的譜密度RMDMMA（k）滿足：

利用各傳感器的測(cè)量值去調(diào)制載波［16］，建立時(shí)間窗口函數(shù)，得到層誤差e（n）和步長(zhǎng)因子μ（n）之間的特征關(guān)聯(lián)匹配度，計(jì)算信息狀態(tài)向量的預(yù)測(cè)值，傳感器網(wǎng)絡(luò)中頻調(diào)制信號(hào)的時(shí)間窗口響應(yīng)表示：

其中，ck為無(wú)線傳感器網(wǎng)絡(luò)中數(shù)據(jù)采集的時(shí)間窗口抽頭系數(shù)，N為恢復(fù)出的預(yù)報(bào)信息矩陣，P為不確定數(shù)據(jù)的譜線增強(qiáng)系數(shù)，采用時(shí)間窗口重排技術(shù)，得到傳感器網(wǎng)絡(luò)的自適應(yīng)濾波后的信道分簇?cái)?shù)據(jù)收集均衡控制方程描述為：

當(dāng)簇的面積一定時(shí)，用擴(kuò)展后的序列去調(diào)制載波，將行數(shù)據(jù)感知信號(hào)搬移到簇內(nèi)的數(shù)據(jù)調(diào)制載波上，通過(guò)上述處理，采用直接序列擴(kuò)頻，利用滑動(dòng)時(shí)間窗口重排方法進(jìn)行數(shù)據(jù)降噪挖掘，得到數(shù)據(jù)降噪的系統(tǒng)傳遞函數(shù)為：

沿著骨干路由樹(shù)進(jìn)行數(shù)據(jù)挖掘，令數(shù)據(jù)信號(hào)流中的時(shí)頻特征表示為：

此時(shí)，數(shù)據(jù)挖掘中的特征方程通過(guò)信息融合可以實(shí)現(xiàn)無(wú)線傳感器網(wǎng)絡(luò)中不確定感知數(shù)據(jù)的挖掘和狀態(tài)特征提取，而新構(gòu)造的鄰居簇頭數(shù)據(jù)的相關(guān)性為：

無(wú)線傳感器網(wǎng)絡(luò)中，Sink節(jié)點(diǎn)將所有節(jié)點(diǎn)劃分為多個(gè)簇，采用三次樣條插值，在有限的時(shí)間內(nèi)對(duì)數(shù)據(jù)挖掘的特征提取過(guò)程等價(jià)重寫(xiě)為：

其中

3　仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文算法在實(shí)現(xiàn)傳感器網(wǎng)絡(luò)中不確定感知數(shù)據(jù)挖掘中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)的編譯軟件VC++，數(shù)據(jù)庫(kù)的存儲(chǔ)系統(tǒng)為SQL sever。向傳感器網(wǎng)絡(luò)寫(xiě)入SCPI命令“MMEM:SCSIx:OPEN”打開(kāi)邏輯地址為X的SCSI總線，進(jìn)行程序加載和模擬信號(hào)輸出。傳感器網(wǎng)絡(luò)中量化信息融合中心的分布式衰減因子λ=0.25，傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)的采樣樣本的時(shí)間間隔為0.25 s，時(shí)長(zhǎng)，采樣點(diǎn)數(shù)為100，當(dāng)信噪比為-5 dB，頻率分布集中在1000 Hz的頻率分量上，在400～600采樣點(diǎn)之間有一個(gè)250 Hz的頻率分量，傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型的子空間的嵌入為數(shù)設(shè)置為30。在上述仿真環(huán)境和參數(shù)設(shè)定的基礎(chǔ)上，進(jìn)行數(shù)據(jù)挖掘仿真實(shí)驗(yàn)，首先進(jìn)行原始數(shù)據(jù)采樣，得到傳感器網(wǎng)絡(luò)不確定數(shù)據(jù)感知數(shù)據(jù)時(shí)域采樣波形和頻域上的譜分析圖如圖1所示。

從圖可見(jiàn)，采用本文方法進(jìn)行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)的挖掘，具有較好的時(shí)頻域特征空間展開(kāi)性能，在此基礎(chǔ)上，對(duì)采集的不確定感知數(shù)據(jù)進(jìn)行信號(hào)模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動(dòng)時(shí)間窗口重排方法進(jìn)行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號(hào)流中的時(shí)頻特征，得到不確定感知數(shù)據(jù)的特征提取結(jié)果如圖2所示。從圖可見(jiàn)，采用本文方法進(jìn)行數(shù)據(jù)挖掘，時(shí)頻特征具有較好的波束指向性能，對(duì)旁瓣的干擾抑制效果較好。

圖1　傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)的時(shí)域和頻域波形

圖2　特征提取結(jié)果

為了對(duì)比算法性能，采用本文算法和傳統(tǒng)算法，在信噪比為-5～5 dB的變化范圍內(nèi)，采用10 000次蒙特卡洛實(shí)驗(yàn)，得到不同算法下進(jìn)行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘，得到數(shù)據(jù)挖掘的均方誤差對(duì)比結(jié)果如圖3所示。

圖3　數(shù)據(jù)挖掘性能對(duì)比

從圖可見(jiàn)，采用該方法進(jìn)行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法進(jìn)行數(shù)據(jù)檢測(cè)的準(zhǔn)確概率較高，降低了誤檢率和虛警率，數(shù)據(jù)挖掘的抗干擾性能較好，性能優(yōu)越于傳統(tǒng)方法。

4　結(jié)束語(yǔ)

文中提出一種基于滑動(dòng)時(shí)間窗口重排和時(shí)頻特征提取的傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法。構(gòu)建傳感器網(wǎng)絡(luò)的數(shù)據(jù)采集模型，對(duì)采集的不確定感知數(shù)據(jù)進(jìn)行信號(hào)模型構(gòu)建和數(shù)據(jù)結(jié)構(gòu)子空間重建，采用滑動(dòng)時(shí)間窗口重排方法進(jìn)行數(shù)據(jù)降噪挖掘，提取數(shù)據(jù)信號(hào)流中的時(shí)頻特征，實(shí)現(xiàn)數(shù)據(jù)挖掘算法改進(jìn)。研究結(jié)果表明，采用該方法進(jìn)行傳感器網(wǎng)絡(luò)不確定感知數(shù)據(jù)挖掘方法進(jìn)行數(shù)據(jù)檢測(cè)的準(zhǔn)確概率較高，降低了誤檢率和虛警率，數(shù)據(jù)挖掘的抗干擾性能較好，展示了較好的應(yīng)用價(jià)值。

［1］魏利峰,紀(jì)建偉,王曉斌.云環(huán)境中Web信息抓取技術(shù)的研究及應(yīng)用［J］.電子設(shè)計(jì)工程,2016（4）:29-31.

［2］方煒煒,仁江,夏紅科.一種異構(gòu)分布的多元線性回歸隱私保護(hù)模型［J］.計(jì)算機(jī)研究與發(fā)展,2011,48（9）:1685-1691.

［3］Phakphisut W,Supnithj P,Puttarak N.EXIT chart analysis of nonbinary protograph LDPC codes for partial response channels［J］.IEEE Transactions on Magnetics,2014,50（11）:1-4.

［4］邸珩燁.基于多徑碼間干擾濾波的短波通信優(yōu)化［J］.物聯(lián)網(wǎng)技術(shù),2015,5（10）:47-48,52.

［5］劉艷峰,魏兵,任新成.近場(chǎng)通信天線場(chǎng)分布特性仿真［J］.電子測(cè)量技術(shù),2015,38（8）:132-134.

［6］方煒煒,楊炳儒,夏紅科.基于SMC的隱私保護(hù)聚類(lèi)模型［J］.系統(tǒng)工程與電子技術(shù),2012,34（7）:1505-1511.

［7］何信旺,芮赟,王宗杰,等.濾波器組UMTS系統(tǒng)的信道估計(jì)研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展,2015（9）:57-60.

［8］吳鴻華,穆勇,屈忠鋒,等.基于面板數(shù)據(jù)的接近性和相似性關(guān)聯(lián)度模型［J］.控制與決策,2016,31（3）:555-558.

［9］李鋒,沈崧.無(wú)線Mesh網(wǎng)絡(luò)機(jī)會(huì)路由技術(shù)研究［J］.電子設(shè)計(jì)工程,2016（5）:58-61.

［10］張博,郝杰,馬剛,等.混合概率典型相關(guān)性分析［J］.計(jì)算機(jī)研究與發(fā)展,2015,52（7）:1463-1476.

［11］邢長(zhǎng)征,劉劍.基于近鄰傳播與密度相融合的進(jìn)化數(shù)據(jù)流聚類(lèi)算法［J］.計(jì)算機(jī)應(yīng)用,2015,35（7）:1927-1932.

［12］田剛,何克清,王健,等.面向領(lǐng)域標(biāo)簽輔助的服務(wù)聚類(lèi)方法［J］.電子學(xué)報(bào),2015,43（7）:1266-1274.

［13］余曉東,雷英杰,岳韶華,等.基于粒子群優(yōu)化的直覺(jué)模糊核聚類(lèi)算法研究［J］.通信學(xué)報(bào),2015（5）:2015099.

［14］孫超,楊春曦,范莎，等.能量高效的無(wú)線傳感器網(wǎng)絡(luò)分布式分簇一致性濾波算法［J］.信息與控制,2015,44（3）:379-384.

［15］陸興華,陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測(cè)算法［J］.計(jì)算機(jī)科學(xué),2015,42（4）:68-71.

［16］鄧異,梁燕,周勇.水聲換能器基陣信號(hào)采集系統(tǒng)優(yōu)化設(shè)計(jì)［J］.物聯(lián)網(wǎng)技術(shù),2015,5（4）:36-37,41.

Research on method of uncertain perception data mining in sensor network

LIU Jing-jing，ZHI Shu-min
（Department of Health Management Zhengzhou Shuqing Medical College，Zhengzhou 450064,China）

The design of optimal mining algorithm for uncertain data in wireless sensor networks is designed to improve the ability of sensor data acquisition and sending and receiving.In traditional method,the data mining method is used to reconstruct the feature of subspace,and the precision of data acquisition is decreased with the increase of the uncertain data in the sensor network.A data mining method based on sliding time window and time frequency feature extraction for sensor networks is proposed.Construction of sensor network data acquisition model is obtained,uncertain sensing data signal model construction and data structure subspace reconstruction for acquisition by sliding time window rearrangement method for noise reduction of data mining,data signal flow in the time-frequency features are extracted,realize data mining algorithm is improved.Simulation results show that using the method of sensor networks uncertain perception data mining methods for testing data accurate higher probability and lower false detection rate and false alarm rate,data mining of anti-jamming performance better,showing the good application value.

sensor network；uncertain perception data；data mining；time frequency analysis

TP391

A

1674－6236（2016）13-0073-04

2016-03-16稿件編號(hào)：201603198

河南省自然科學(xué)基金（2015CDZ089）

劉靜靜（1982—），女，河南鄭州人，碩士研究生，講師。研究方向：數(shù)據(jù)挖掘、計(jì)算機(jī)網(wǎng)絡(luò)。