论文摘要
随着无线传感器网络的广泛应用,其产生的数据越来越多,如何处理和利用这些数据以提高应用的效率成为当前计算机科学,如分布式系统、数据库系统、数据挖掘等领域的热门研究话题。部署无线传感器网络应用的主要目的是进行决策,由于传感器节点的资源有限,产生的数据快速变化,传统的数据集中式存储和处理无法满足应用的性能需求,传统的数据挖掘技术也不能直接应用于无线传感器网络环境,因此需要研究和探索新的数据挖掘技术从无线传感器网络产生的大量连续变化的数据中提取有用的信息。基于对现有无线传感器网络数据挖掘方法的研究、分析和比较,总结了这些方法的特点和适用环境,指出了这些方法的局限性,提出了一种混合式的无线传感器网络数据挖掘方法,结合分布式数据处理和集中数据处理来对无线传感器网络产生的数据进行处理。数据挖掘在本地模型、网络模型和全局模型三个层面上执行:无线传感器网络的节点利用自身的处理能力采用本地模型对采集到的数据进行处理;多个节点聚合成的簇基于网络模型对数据进行进一步的处理;最终数据集成汇聚节点处进行全局处理。该方法能够充分利用无线传感器网络的处理能力,将数据挖掘任务分布在整个网络上进行,从而减少数据的传输和汇聚节点处的数据处理负载。在上述方法中,无线传感器网络采用分布式数据提取方法从传感器节点提取数据。该方法通过关联规则挖掘得到传感器节点间的时间和数据关联,得到的关联规则用于簇的构造。传感器节点根据关联规则、相邻距离、采集的数据进行簇的划分,相关性强的节点加入同一簇,并基于剩余的能量和到汇聚节点的距离选择簇头。此外,关联规则还用于处理同一簇节点的数据缺失问题,基于关联规则可以统计采集数据的规律,估计出缺失的数据而不需要重新传输。实验结果显示分布式数据提取方法比Leach、 Energy-Leach等分簇方法耗能更少,从而延长网络的生命周期,基于关联规则的缺失值估计精度也比WARM和AWS等方法要高。传感器网络产生的数据采用在线聚类的方法分类,评估分析了简单K-Means方法、层次聚类方法和高斯混合方法,指出了层次聚类方法在簇的数量、大小、准确性、更新时间和变化率方面优于其他方法。为了适应传感器网络数据的时变性,增量学习策略用于更新聚类模型,在数据模式发生变化时保证聚类模型适应新的模式。在基于传感器网络的医疗环境监控项目中应用上述数据挖掘方法进行数据分析,辅助环境控制决策。传感器节点用于监视和控制住院病人环境,分布式数据提取方法用于获取感知数据,在线数据分类方法用于分析数据,对使用模式进行分类和学习,以自动控制环境条件(温度和光照)。结果表明应用上述方法能量消耗减少了11.32%,而患者的舒适度水平增加了16.74%。
论文目录
摘要AbstractAcknowledgementDedicationTable of ContentsList of FiguresList of TablesChapter 1 Introduction1.1 Fundamental of WSN1.1.1 Sensor Node Components1.1.2 WSN Architecture1.1.3 Deployment of WSN1.2 Fundamental of Data Mining1.3 Motivations1.4 Contributions1.5 Thesis OutlineChapter 2 Background Knowledge and Related Work2.1 Taxonomy Framework of Data Mining Techniques2.2 State of the Art of Data Mining Techniques for WSN2.2.1 Frequent Pattern Mining2.2.2 Sequential Pattern Mining2.2.3 Clustering2.2.4 Classification2.3 Comparison of Data Mining Techniques for WSN2.4 Limitations of Existing Data Mining Techniques2.5 SummaryChapter 3 A Hybrid Data Mining Method3.1 Data Mining in WSN3.1.1 Challenges to Apply Data Mining for WSN3.2 Generic Data Mining Method in WSN3.2.1 Data Extraction and Transfer3.2.2 Data Pre-Processing3.2.3 Data Transformation3.2.4 Mining Techniques3.2.5 Post-processing3.3 Proposed Hybrid Data Mining Method3.4 Components of Hybrid Method3.4.1 Distributed Data Extraction Method (DDE)3.4.2 Sensory Data Miner3.5 SummaryChapter 4 Distributed Data Extraction-Local & Network Model View4.1 Association Rule Mining Problem in WSN4.2 Distributed Data Extraction (DDE) Method4.2.1 Network Model4.2.2 Initialization4.2.3 Cluster Formation4.2.4 Cluster Head Selection4.2.5 Missing Value Estimation4.3 DDE Evaluation4.3.1 LEACH4.3.2 Energy-LEACH4.3.3 Comparison of DDE, LEACH and Energy-LEACH4.3.4 Window Association Rule Mining (WARM)4.3.5 Average Window Size (AWS)4.3.6 Comparison of DDE with WARM and AWS4.4 Results of Distributed Data Method (DDE)4.4.1 Experimental setup4.4.2 Number of Rounds4.4.3 Data Loss Rate4.4.4 Average Energy Consumption4.4.5 Number of Messages Broadcasts4.4.6 Number of Force Cluster Heads4.4.7 Number of Dead Nodes4.5 Comparison of DDE with WARM and AWS4.5.1 Root Mean Square Error (RMSE)4.5.2 Percentage of Estimation4.6 SummaryChapter 5 Sensory Data Miner-Global Model View5.1 Clustering Model5.1.1 Application of Hierarchical Clustering (HC) Algorithm5.1.2 The Application of K-Means Algorithm5.1.3 The Application of Gaussian Mixture Models Algorithm5.2 Analyzer5.2.1 Analyzer Process5.2.2 Analyzer's Algorithm5.3 Incremental Learner5.3.1 Learning Process5.3.2 Learning Algorithm5.4 Evaluation of Clustering Algorithms5.4.1 Davies Bouldin Index5.4.2 Silhouette Index5.4.3 Dunn Index5.5 Clustering Evaluation Results5.6 Results of Sensory Data Miner5.6.1 Experimental setup5.7 Performance Evaluation5.7.1 Clustering Accuracy5.7.2 Energy Consumption5.7.3 Patient Comfort Level5.8 SummaryChapter 6 Conclusion and Future Work6.1 Conclusion6.2 Future WorkReferencesResearch Publications
相关论文文献
标签:无线传感器网络论文; 数据挖掘论文; 频繁模式论文; 关联规则论文; 序列模式论文; 聚类论文; 分类与预测论文; 增量学习论文;
A Hybrid Method for Mining Wireless Sensor Networks Data
下载Doc文档