感知数据时间关联性(数据库)
时间：2022-12-21 20:30:01 | 来源：信息时代
时间：2022-12-21 20:30:01 来源：信息时代
感知数据时间关联性 : 节点在当前时刻和下一时刻的数据值存在着定量的函数关系。通常,传感器节点感知的数据的时间关联性与其所在感知区域的物理条件有关,物理条件所具备的时间连续性使得传感器节点在连续采样观测中所感知到的数据具有一定的时间关联性。例如,由于一天之内森林中的温度变化比较缓慢,那么在间隔较短的时间内连续采样,则前一时刻的数据值和后一时刻的数据值很有可能是相同的。
在无线传感器网络中,利用感知数据时间关联性来减小传输代价是一种有效而普遍的方法。由于传感器网络中感知到的数据往往在一定时间内具有密切的联系或者满足某种函数关系,那么汇聚节点就可以利用这一特性通过部分感知到的数据值来估算出其他的感知数据值,从而也就节省了传输其他感知数据的通信代价。
数据压缩是利用感知数据的时间关联性的代表性技术,例如,基于压缩传感器网络中历史信息的节能方法,主要利用传感器采集到的数据趋势的关联性。该方法不考虑传感器网络的拓扑结构,只考虑传感器到汇聚节点的数据发送。通过观察相同属性或相关属性收集的感知数据值,发现在某段时间内同一属性的数据值或不同属性的数据值呈现出相同的模式。例如,在大气的监测应用中,压强和湿度在某一时间段有着相同或相似的模式。该方法的核心是基信号,基信号由一系列能代表数据特征的值组成。对于采集到的一段数据,在基信号中这段数据被分成几个部分,每个部分都可以用基信号中存储的一段数据近似表示。为了节省传感器网络中的带宽和能量,传感器不是连续地每次处理一个数据的更新,而是等待一段时间采集的数据,每次处理一个数据片段,然后发送信息给汇聚节点。批处理既可以降低传感器的广播频率,同时还可以减少数据的传送量,延长无线传感器网络生命周期。
图1 基于感知数据时间关联性的近似数据传输的示意图
图1给出了基于感知数据时间关联性的近似数据传输的示意图。左边代表传感器端,在传感器端有一个基信号,基信号存放的是能代表当前一段时间内采集到的数据序列的数据值,采用二维数据表示传感器的感知数据。在这个二维数组中,每一行表示一个时间序列,存放不同数量的样本值。数组一共有N行,M列,M的取值取决于可用内存的情况。当传感器端采集的感知数据越多时,数组中抽样得到的信息也就越多,直到传感器的缓存空间变满。对于缓存中的N×M矩阵,任意一行i,用Bi个数据值近似地表示M个数据值,且M≥Bi。对于缓存中的N个一维数组,压缩后的总数据量为
传感器只需传输B个数据值给汇聚节点,而不必传输所有N×M个数据值,于是大大减少了传输的数据量。汇聚节点接收到这些数据后,把它们作为最近更新的数据存放在日志文件中。对于每个传感器节点,在汇聚节点处都分别对应着一个日志文件,用来存放各个传感器的更新数据。
每个传感器都分配有一块小的内存用于保存基信号,大小为M
Base。汇聚节点中的信息是从传感器记录的数据信息中抽取具有代表性的数据,这些数据作为代表信息传送到汇聚节点。基信号是用来描述每个传感器数据值的特征值。基信号中存放的数据信息量越大,那么近似的效果就越好,跟真实的数据值就越接近。基信号具有如下特性: ①传感器的内存与压缩算法相关。②为了能重新构建传送到汇聚节点的数据值,对于一个有限的带宽(能传输的数据总量),完成基信号的插入、删除操作越多,那么可用来存放近似数据的带宽就越少。
另外,利用感知数据时间关联性可以进行数据的预测,例如,利用卡尔曼过滤技术对感知数据进行预测。卡尔曼过滤器是一个随机的,迭代的数据过滤算法。它具有预测和修正两大功能,预测是用来衍生系统的内部状态。在第k个状态时刻,过滤器预测下一状态k+1时刻的内部状态向量的值。修正功能主要负责在外部观测影响下的预测的微调,在第k+1时刻,当预测值与实际值之间的误差超过一定范围时,过滤器在预测误差的基础上修正预测值,即缩小误差协方差。基于卡尔曼过滤的自适应技术根据历史的感知数据集,对监测的数据源的感知数据流上数据分布进行分析,得出预测方程,根据上一状态的值来预测下一状态的值。如果预测值与真实值的偏离在用户给出的精度范围内就不传送该数据。卡尔曼滤波不需要全部历史感知数据,只是根据前一个估计值和最近一个观察数据来估计信号的当前值。它是用状态方程和递推方法进行估计的,而它的解是以估计值(常常是状态变量的估计值)的形式给出的。从信号模型的建立来看,卡尔曼滤波的信号模型则是从状态方程和量测方程得到。卡尔曼滤波是根据系统的量测数据(或称观察数据),对系统的运动进行估计。所以除了状态方程以外,还需要量测方程。量测系统可以是时不变系统,也可以是时变系统。
在线咨询
