为了解决无线传感器网络（WSN）中数据不准确和不可靠的问题，将弹性空间模型定义为感知数据的空间相关性的函数，并在此基础上，采用自适应邻近空间清洁方法（ANSA） ）。方法根据感知数据的波动来动态地调整相邻空间的大小，并通过计算相邻节点的测量数据的加权平均值来清理局部数据。验结果表明，清洗后检测到的数据误差在0.5以内。传统的加权移动平均值（WMA）方法相比，该方法具有更高的准确性，并且能量损失减少了约36％。年来，无线传感器网络（WSN）已广泛应用于环境意识，智能监控，行为分析等领域。是，由于传感器对环境和其他因素敏感，因此在WSN中获得的感知数据通常包含噪声和错误，并且经常发生数据丢失，重复和不一致的情况。于感知数据的不准确和不完整[1]，WSN难以准确监控现实状态或事件，因此在使用感知数据之前，它们会必须清洗以确保数据的准确性和可靠性极为重要。知的数据时空相关性[2]是将WSN与传统数据流区分开的重要特征，并且也被研究人员广泛用于清理数据。间相关。环境监控和事件跟踪，WSN等应用中，在传感器节点所在的环境中发生的现象或事件将持续一段时间，并且不会立即消失，即此传感器节点的测量值处于此周期内（几个测量周期或更多），它应保持相对稳定且不会发生根本变化。间相关性。
WSN应用中，现实世界中发生的现象或事件将覆盖WSN的某个区域（称为事件区域），而不是位置点，即，现象或事件发生区域的感知是相同的。必须始终具有相似的测量值，并且其测量值在一段时间（几个或多个测量周期）内具有相似的趋势。无线传感器网络的应用领域，基于时间和空间相关性的传感器数据清洗技术已经被广泛研究，主要分为集中式清洗法和网络内清洗法。中式数据清理方法。如，Jeffery等人建立的传感器数据清理模型。[3]使用感知数据的时空相关性来恢复丢失的数据并消除异常值。等。[4]建议使用直方图表示数据的分布式快速信息（索引），而Advice过滤掉不必要的数据并识别可能的异常值。网络中清理数据的方法。如，Zhuang等人提出的加权移动平均（WMA）方法。[5]结合本地节点测试和邻居节点测试对感知数据进行降噪，从而降低了本地节点采样功耗，加快了检测数据的响应速度。龙江等。[6]提出了一种基于WMA的基于节点密度（DHA）的混合方法，并根据节点的密度（单跳通信范围内的相邻节点数）动态调整算法。了达到有效降噪和节能的目的，Branch等人提出了一种方法。[7]提出了一种在网络中的孤立点检测方法（全局检测和半全局检测），仅使用单跳通信从邻近节点获取数据并计算感知数据的估计。值标识异常值。中式清理方法不满足WSN应用程序的实时要求，因为它会将大量的传感数据发送到Sink节点以进行集中处理。时，由于传输大量数据造成的能耗也使集中式清理方法行之有效，难以推广。集中式数据清洗方法相比，网络数据清洗方法检测到的数据是直接在节点内部清洗的，具有良好的节能性和实时性。但是这些方法[5-7]没有考虑相邻节点的空间相关性。而言之，本文定义了一种用于数据清理的弹性空间模型，并在此基础上提出了一种针对网络中相邻空间（ANSA）的自适应方法。ANSA通过动态调整相邻空间的大小来监控能耗，并使用来自具有高空间相关性的相邻节点的测量数据的加权平均值来识别异常值和噪声。后通过仿真验证了ANSA方法的可行性和有效性。近感知节点的空间是指某个节点和其他节点根据一定的度量基础形成的空间。些节点是彼此的相邻节点。量相邻空间的基础可以是诸如地理距离或路由跃点之类的信息，也可以手动指定。WSN中，由于检测节点分布密集并且可以使用某些定位技术来获取其地理位置信息，因此网络节点通常根据地理位置被划分为不同的空间。邻的天基数据清洗过程基于来自相邻节点的感知数据，以消除来自本地节点的数据的不确定性。
WSN中，节点的邻居空间越大，邻居节点的数量越多，在节点之间感知的数据的整体空间相关性越低。间相关性越低，相邻节点提供的信息的不确定性越高，这可能导致不正确的数据清理结果。外，更多的节点意味着更多的数据通信和更多的能源消耗。节点的邻居空间太小时，由于邻居节点提供的信息不足，无法正确完成数据清理任务。此，恒温阀芯取决于局部传感器的值的不确定性和节点的空间相关性，选择合适尺寸的最近邻空间是有效完成清洁管道的任务的前提。
据。数据清理中，交换数据的相邻节点数用于评估ANSA的通信能耗。邻空间越小，用于通信的相邻节点越少，这意味着通信能量的消耗低。功于100个实验的统计数据，ANSA平均必须与5.1个相邻节点进行通信，而WMA必须始终与8个相邻节点进行通信。用相同的通信协议，ANSA可以减少约36％的通信能耗。不同的网络部署环境和不同的参数设置下，通信功耗的统计结果可能会有所不同，但与邻居数量固定的其他清洗方法相比，ANSA可以节省能耗。
相同清洁效果下的能量。文首先研究了无线传感器网络中传感数据的不确定性以及节点之间传感数据的空间相关性，然后提出了一种自适应清洁方法，该方法可以提高数据的可靠性并节省功耗。量。文的方法全局考虑了感知到的数据波动，节点之间的空间相关性以及节点的通信能耗，以确定用于数据清理的相邻节点的数量。验结果表明，该方法可行，高效，更适合实时性要求较高的无线传感器网络应用。
一个研究将考虑结合每个节点的感知数据的时间相关性来清洗感知数据。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com