传感器网络数据流异常数据检测与修正

论文摘要

对于异常数据进行识别和修正是传感器网络应用技术的关键。快速发展的数据流处理技术和数据融合技术使异常识别与修正具有了更广阔的发展空间。本文分析了目前传感器网络异常数据检测与修正的方法,并根据已有方法的不足提出了时空综合的异常数据检测与修正模型,将基于小波的时域滤噪方法与基于BP神经网络的空域数据融合相结合,并在此基础上提出了基于小波尺度的异常检测与修正算法,通过时间阈值确定数据融合所采用的时间窗口,利用小波变换的时分和频分特性,将异常检测与修正和异常数据持续时间相联系,通过多传感器数据融合的结果对传感器网络异常数据进行修正,从而剔除对于异常的误报。本方法通过小波变换可以实现对于数据的压缩和对于噪声的过滤,减少了传感器之间传送数据的数量,节约了传感器的能量消耗,增加了传感器的使用寿命,减少了噪声对于融合结果的影响。基于小波尺度的数据融合减少了融合次数,使该方法在数据流上的应用拥有更高的时间效率,使传感器网络中异常的发现和修正具有更高的可靠性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的来源及意义
• 1.2 数据流异常的检测与修正研究现状
• 1.3 研究内容及论文结构
• 第2章 传感器网络与数据流
• 2.1 传感器网络概述
• 2.1.1 传感器网络的应用
• 2.1.2 传感器网络研究热点
• 2.2 数据流概述
• 2.2.1 数据流模型特点
• 2.2.2 数据流技术应用与发展
• 2.3 数据流相关研究
• 2.3.1 数据流处理系统
• 2.3.2 数据流概要数据结构生成方法
• 2.4 传感器网络数据流与异常数据
• 2.4.1 传感器网络数据流特点
• 2.4.2 传感器网络数据流异常数据定义
• 2.5 本章小结
• 第3章 小波技术与神经网络数据融合技术
• 3.1 小波分析技术
• 3.1.1 Haar小波变换
• 3.1.2 小波信号去噪
• 3.2 数据融合技术与神经网络
• 3.2.1 数据融合技术
• 3.2.2 人工神经网络概述
• 3.2.3 BP神经网络
• 3.3 本章小结
• 第4章 时空综合异常数据检测与修正方法
• 4.1 引言
• 4.2 时空综合异常数据检测与修正方法
• 4.2.1 基本思想
• 4.2.2 方法框架
• 4.2.3 方法描述
• 4.2.4 分析与评价
• 4.2.5 应用
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢