物联网端节点行为分析研究

发布时间：2019-06-02 09:33

【摘要】：随着信息技术的发展,物联网掀起了第三次信息技术浪潮,代表着人们生活方式的转变,涉及生产生活的各个领域。但是物联网发展尚未成熟,传感器在生产环境中的安全监测仍然是物联网研究领域的难题。本文针对此问题进行研究,提出了物联网端节点行为分析方法,该方法采集端节点在环境监测过程中的行为数据,分析数据做出决策,进而构建具有自学习能力的传感器监测模型,有效地保证了所监测环境的安全。本文的主要工作如下：(1)提出了一种新的传感器监测模型构建方法,满足物联网所监测环境的特殊要求。首先,根据传感器网络所监测环境数据的相似性特征采用σ-group算法,以层次的方式对普通传感器进行组网形成多个初始簇,增强采样数据的聚类效果和异常数据检测的准确率。其次,对初始簇中普通传感器节点根据Leach算法以轮转方式工作,即簇中所有传感器选择k个进入工作状态,其他传感器则进入休眠状态,进而有效地延长传感器网络的生命周期。最后,在基站中采用模糊C均值聚类算法(FCM)对所采集到的数据进行处理得出采样数据的分布特征,将结果返回簇头节点以检测普通传感器节点的行为数据,进而达到环境监测的目的。模拟实验结果表明本文提出的方法延长了传感器网络的生命周期,在流水线生产环境的监测能起到有效的安全预警作用。(2)提出一种改进的FCM算法,解决初始化数据敏感问题,提高端节点异常行为检测的准确率。首先,采用网格划分对流数据进行采样收集形成实验数据集。其次,本文利用分类数据的分布特点：在类别中心处数据的密度较大,并且密度从聚类中心处向外围递减,提出寻找连通分量的方法初步确定聚类中心。最后,将经过预处理的数据与自适应免疫算法相结合,确定类别数和聚类中心。该方法使得模糊C均值聚类算法跳出局部最优解,最大可能地得到全局最优解。实验结果表明本文提出的改进算法在随机分布的数据集中加快了收敛速度,提高了数据识别过程中的准确率和召回率。
[Abstract]:......
【学位授予单位】：福州大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.44;TN929.5

【相似文献】