分布式信息融合的物联网事件检测方法.pdf

《分布式信息融合的物联网事件检测方法》这篇论文探讨了一种基于无线传感器网络的分布式物联网事件检测策略，旨在提高事件检测的准确率，同时减少节点运算复杂度和通信开销。文章主要介绍了两种核心技术：Relief特征选择算法和BP神经网络。 1. Relief算法是一种高效的特征选择方法，它通过计算特征与类别之间的相关性来赋予特征不同的权重。算法首先从训练集中随机选取样本，然后找出同类样本的最近邻(Near Hit)和不同类样本的最近邻(Near Miss)。如果样本与其同类最近邻在某特征上的距离小于与不同类最近邻的距离，那么这个特征对区分样本类别是有益的，其权重会增加；反之，如果距离更大，特征权重则会降低。Relief算法具有快速和良好的泛化能力，适用于大规模特征的场景。 2. BP神经网络是一种常见的前馈型多层网络，包含输入层、隐藏层和输出层。其工作原理是通过误差的反向传播调整网络权重，以最小化输出误差。网络首先进行前向传播，然后根据输出层与期望输出的差距进行反向传播，调整各层神经元的权重。常用的激活函数是Sigmoid函数，误差函数通常选用均方误差。BP神经网络的学习过程中，权重修正公式结合了学习率和误差修正值来更新权重。 文章提出的分布式物联网事件检测方法采用了两级信息融合：区域化和全局化。首先，利用Relief算法进行特征选择，降低单个节点的运算负担；接着，结合BP神经网络进行事件检测，以提高检测准确性。这种方法在要地周界入侵事件检测中进行了应用，并与传统的阈值检测和集中式信息融合检测进行了比较，从能量消耗和检测准确率两个方面评估了性能差异。 2.1 网络模型中，论文采用分布式无线传感器网络，包括传感器节点和控制节点。传感器节点负责感知环境，控制节点则拥有更强大的处理能力和能量，负责协调和管理整个网络的信息融合和事件检测过程。 总的来说，本文提出的方法结合了特征选择和机器学习的优势，优化了物联网环境下的事件检测，有效平衡了检测效率和准确性，为分布式系统的开发提供了专业指导和参考文献。