基于隐马尔科夫模型的无线传感器可用性评价方法及设备与流程

1.本发明涉及信号分析领域，具体而言，涉及一种基于隐马尔科夫模型的无线传感器可用性评价方法及设备。


背景技术：

2.微型无线传感器广泛应用于电子手环、电子手表和烘干机等各种设备上。但目前受限于体积等因素，各类微型无线传感器所获得的在线数据相对于真实值的误差消除仍是尚未解决的技术难题。离线数据是指通过线下人工或精密专业设备的测量获得的数据，可视其为真实值，因此如何基于准确的离线数据来判断微型无线传感器的实时在线数据的可用性是一个具有重要价值的研究问题。
3.现有常用的方法主要有皮尔森相关系数法(pearson correlation coefficient),降趋交叉相关分析系数法(detrended cross-correlation analysis cross-correlation coefficient)和新皮尔森相关系数法(new pearson correlation coefficient)等。
4.皮尔森相关系数ρ
p
(x,y)的定义如下：
[0005][0006]
其中ρ
p
(x,y)表示两组数据x和y的皮尔森相关系数，n为样本量，xi和yi分别为两个变量的观测值，
[0007]
但是使用皮尔森相关系数法时，有较为严苛的条件才能保证所测得相关系数的准确性，即要求两时间序列是正态分布的随机变量。如果条件不满足，比如时间序列为非平稳的时间序列，则可能会导致使用皮尔森系数评测出的两时间序列之间的相关性结果与两时间序列的实际情况大相径庭。原因是皮尔森相关系数以时间序列的均值为衡量标准，导致只要两时间序列均大于或小于其均值，其对系数的贡献就是正的，从而忽视了两时间序列中真实的变动情况，导致测得的皮尔森相关系数与实际情况严重不符。
[0008]
降趋交叉相关分析系数ρ
dcca
(x,y,l)的定义如下：
[0009][0010]
其中，是每块区间上估计误差协方差的均值，是将序列xxk和yyk分为n-l 1块长度为l的相互重叠的区间，对每块区间上进行最小二乘估计分别得到序列xxk和yyk在第i∈[1,n-l 1]块区间上的估计xpi(k),ypi(k)，并计算出的在第i∈[1,n-l 1]块区间上估计误差的协方差，n为样本量，是xi和yi分别为两个变量的观测值的前k项的和。
[0011]
可以看到，降趋交叉相关分析系数ρ
dcca
(x,y,l)是一个关于每块区间上数据长度l的函数。随着参数l的变化，降趋交叉相关分析系数ρ
dcca
(x,y,l)可能会发生较大的变化，虽然降趋交叉相关分析系数ρ
dcca
(x,y,l)从不同区间长度的角度衡量了两时间序列的相关程度，但是没有给出一个两时间序列之间的总体相关程度描述。
[0012]
新相关系数ρ
new
(x,y)的定义如下：
[0013][0014]
其中xi和yi分别为两个变量的观测值，n为样本量。
[0015]
新相关系数ρ
new
(x,y)中只依赖于前后两个点的走势，容易受到时间序列中相邻两点走势影响，从而干扰对两时间序列长期关系的判断。
[0016]
综述上述，上述现有研究方法并不能直接用于微型无线传感器的可用性评价，迫切需要一种新的可用性评价方法。


技术实现要素：

[0017]
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于隐马尔科夫模型的无线传感器可用性评价方法及设备。经过计算得到微型无线传感器的可用性系数，用该系数的大小来描述微型无线传感器的可用性程度，所提评价方法客观公正、准确易行。
[0018]
本发明的实施例是这样实现的：
[0019]
第一方面，本发明实施例提供一种基于隐马尔科夫模型的无线传感器可用性评价方法，包括：
[0020]
步骤一、获取监测目标的离线数据；通过监测目标上安装的无线传感器实时监测得到监测目标的在线数据；分别对监测目标的在线数据和离线数据进行预处理，得到时间点一一对应的两组数据，分别记为zi(z
i1
,z
i2
,...,z
in
)和li(l
i1
,l
i2
,...,l
in
)；i为第i种统计量，n为总计的时间点数目；
[0021]
步骤二、令在线数据和离线数据不同的线性拟合阶段为其隐形状态链，在线数据和离线数据离散标准化后的取值为其可见状态链，构建在线数据和离线数据的隐马尔科夫模型hmm(az,bz,πz)和hmm(a
l
,b
l
,π
l
)；
[0022]
步骤三、记离线数据在在线数据的隐马尔科夫模型hmm(a
l
,b
l
,π
l
)下的发生概率为p
zl
，在线数据在离线数据的隐马尔科夫模型hmm(az,bz,πz)下的发生概率为p
lz
，则基于隐马尔科夫模型的无线传感器可用性评价系数
[0023]
基于第一方面，在本发明的一些实施例中，上述在线数据的线性拟合方法如下：
[0024]
c(zi,ez)＝h(zi,ez)a(var(zi(ez)-zi))
1-a
为目标函数，其中pj表示在线数据点分布在第j条拟合线段上的概率，ez表示在线数据的线性拟合的区间隔点集合，ez表示在线数据线性拟合的段数，z
′i(z
′
i1
,z
′
i2
,...,z
′
in
)是线性拟合数据，0≤α≤1是权衡参数；以空集为间隔点集合ez的初始值，每次在原有间隔点集合的基础上遍历寻找一个新的最优
分割点，重复此过程，直至目标函数不减；随后进行合并优化检测，依次遍历去掉间隔点集合ez中的一个点直至去掉间隔点后目标函数不减，此时的间隔点集合ez即为在线数据最终的间隔点集合。
[0025]
基于第一方面，在本发明的一些实施例中，上述离线数据的线性拟合方法如下：
[0026]
c(li,e
l
)＝h(li,e
l
)a(varli(e
l
)-li))
1-a
为目标函数，其中pj表示离线数据点分布在第j条拟合线段上的概率，e
l
表示离线数据的线性拟合的区间隔点集合，|e
l
|表示离线数据线性拟合的段数，l
′i(l
′
i1
,l
′
i2
,...,l
′
in
)是线性拟合数据，0≤α≤1是权衡参数；以空集为间隔点集合e
l
的初始值，每次在原有间隔点集合的基础上遍历寻找一个新的最优分割点，重复此过程，直至目标函数不减；随后进行合并优化检测，依次遍历去掉间隔点集合e
l
中的一个点直至去掉间隔点后目标函数不减，此时的间隔点集合e
l
即为在线数据最终的间隔点集合。
[0027]
基于第一方面，在本发明的一些实施例中，上述在线数据和离线数据的离散标准化方法如下：
[0028]
对离线数据和离线数据的一阶差分序列li(l
i1
,l
i2
,...,l
in
)融合，形成离线数据的综合评价序列oi(o
i1
,o
i2
,...,o
in
)，即：
[0029]oij
＝3*floor[(b-1)*(l
ij-minli)/(maxl
i-minli)] sign(l
ij
) 2,j＝1,2,...,n；
[0030]
对在线数据和在线数据的一阶差分序列zi(z
i1
,z
i2
,...,z
in
)融合，形成在线数据的综合评价序列pi(p
i1
,p
i2
,...,p
in
)，即：
[0031]
p
ij
＝3*floor[(b-1)*(z
ij-min zi)/(max z
i-min zi)] sign(z
ij
) 2,j＝1,2,...,n；
[0032]
其中floor向下取整函数，sign为符号函数，若x为正值则取值为1，若x为负值则取值为-1，若x为0则取值为0，b为给定正整数。
[0033]
基于第一方面，在本发明的一些实施例中，上述在线数据和离线数据的隐马尔科夫模型如下：
[0034]
令不同的线性拟合阶段为在线数据的隐形状态链，离散标准化后的取值pi(p
i1
,p
i2
,...,p
in
)为在线数据的可见状态链，则在线数据的隐马尔科夫模型为hmm(az,bz,πz)，其中：
[0035][0036]aij
表示在线数据从当前时刻隐形状态i到下一时刻隐形状态j的转换概率，b
ij
表示在线数据在隐形状态i下出现可见状态j的概率；pj(z
i1
)表示在线数据的第一个点是隐藏状态j的概率；
[0037]
令不同的线性拟合阶段为离线数据的隐形状态链，离散标准化后的取值oi(o
i1
,o
i2
,...,o
in
)为离线数据的可见状态链，则离线数据的隐马尔科夫模型为hmm(a
l
,b
l
,π
l
)，其
中：
[0038][0039]aij
表示离线数据从当前时刻隐形状态i到下一时刻隐形状态j的转换概率；b
ij
表示离线数据在隐形状态i下出现可见状态j的概率；pj(l
i1
)表示离线数据的第一个点是隐藏状态j的概率。
[0040]
基于第一方面，在本发明的一些实施例中，上述无线传感器的可用性系数计算如下：
[0041]
记离线数据在在线数据的隐马尔科夫模型hmm(a
l
,b
l
,π
l
)下的发生概率为其中表示在线数据第t个观测值z
it
在离线数据第k种隐形状态下的发生概率，为离线数据由t-1时刻的隐形状态转到t时刻的第k种隐形状态的转换概率，
[0042]
记在线数据在离线数据的隐马尔科夫模型hmm(az,bz,πz)下的发生概率为其中表示离线数据第t个观测值l
it
在在线数据第k种隐形状态下的发生概率，为在线数据由t-1时刻的隐形状态转到t时刻的第k种隐形状态的转换概率，
[0043]
则基于隐马尔科夫模型的无线传感器可用性评价系数为
[0044]
基于第一方面，在本发明的一些实施例中，获取监测目标的离线数据的方法包括：
[0045]
通过线下实地测量和检测得到监测目标的离线数据。
[0046]
第二方面，本发明实施例提供一种电子设备，包括：
[0047]
至少一个处理器、至少一个存储器和数据总线；其中：
[0048]
上述处理器与上述存储器通过上述数据总线完成相互间的通信；上述存储器存储有可被上述处理器执行的程序指令，上述处理器调用上述程序指令以执行如上述的方法。
[0049]
第三方面，本发明实施例提供一种非暂态计算机可读存储介质，上述非暂态计算机可读存储介质存储计算机程序，上述计算机程序使上述计算机执行上述的方法。
[0050]
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
[0051]
本发明方法基于隐马尔科夫模型，通过一系列计算得到微型无线传感器的可用性评价系数ρz，该值可以准确的描述微型无线传感器的可用性，该评价方法客观公正、简单易行。
附图说明
[0052]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附
图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0053]
图1为本发明一种基于隐马尔科夫模型的无线传感器可用性评价方法及设备一实施例的流程示意图；
[0054]
图2为数据预处理后的某监测目标某统计量的在线数据和离线数据的曲线走势图；
[0055]
图3为本发明一种电子设备一实施例的结构框图。
[0056]
图标：1、处理器；2、存储器；3、数据总线。
具体实施方式
[0057]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0058]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0060]
在本技术所提供的实施例中，应该理解到，所揭露的方法系统，也可以通过其它的方式实现。系统实施例仅仅是示意性的，例如，附图中的框图显示了根据本技术的多个实施例的系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0061]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0062]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备，可以是个人计算机，服务器，或者网络设备等，执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器
(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0063]
实施例
[0064]
第一方面，请参照图1，本发明实施例提供一种基于隐马尔科夫模型的无线传感器可用性评价方法，包括：
[0065]
步骤一、获取监测目标的离线数据；通过监测目标上安装的无线传感器实时监测得到监测目标的在线数据；分别对监测目标的在线数据和离线数据进行预处理，得到时间点一一对应的两组数据，分别记为zi(z
i1
,z
i2
,...,z
in
)和li(l
i1
,l
i2
,...,l
in
)；i为第i种统计量，n为总计的时间点数目。
[0066]
分别对在线数据和离线数据进行预处理得到时间点一一对应的两组数据，在线数据以一单位时间为间隔，如果一单位时间内有多于一个数据的则取平均数，若没有数据则用线性插值代替；离线数据以一单位时间为间隔，如果一单位时间内有多于一个数据的则取平均数，若没有数据则用线性插值代替；得到预处理后两组数据的某统计量曲线如图2所示。
[0067]
步骤二、令在线数据和离线数据不同的线性拟合阶段为其隐形状态链，在线数据和离线数据离散标准化后的取值为其可见状态链，构建在线数据和离线数据的隐马尔科夫模型hmm(az,bz,πz)和hmm(a
l
,b
l
,π
l
)。
[0068]
对于在线数据，用c(zi,ez)＝h(zi,ez)a(var(zi(ez)-zi))
1-a
作为优化目标函数，其中是离线数据的熵，pj表示在线数据点分布在第j条拟合线段上的概率，ez表示在线数据的线性拟合的区间隔点集合，|ez|表示在线数据线性拟合的段数，是使用z
′i(z
′
i1
,z
′
i2
,...,z
′
in
)来拟合离线数据所带来的误差，取α＝0.5为权衡参数。
[0069]
进一步的，以空集为间隔点集合ez的初始值，每次在原有间隔点集合的基础上，以目标函数最小化为目标遍历寻找一个新的最优分割点，重复此过程，直至目标函数不减，此时的间隔点集合ez即为在线数据分解阶段的分段线性拟合间隔点集合；然后进行合并优化检测，依次遍历去掉间隔点集合ez中的一个点直至去掉间隔点后目标函数不减，此时的间隔点集合ez即为在线数据最终的间隔点集合。
[0070]
进一步的，对于离线数据li(l
i1
,l
i2
,...,l
in
)，用作为优化目标函数，其中是离线数据的熵，pj表示离线数据在第j条拟合线段上的概率，e
l
表示在线数据的线性拟合的区间端点集合，e
l
表示离线数据线性拟合的段数，是使用l
′i(l
′
i1
,l
′
i2
,...,l
′
in
)来拟合离线数据所带来的误差，取α＝0.5为权衡参数。
[0071]
进一步的，以空集为间隔点集合e
l
的初始值，每次在原有间隔点集合的基础上，以目标函数最小化为目标遍历寻找一个新的最优分割点，重复此过程，直至目标函数不减，此时的间隔点集合e
l
即为离线数据分解阶段的分段线性拟合间隔点集合；然后进行合并优化检测，依次遍历去掉间隔点集合e
l
中的一个点直至去掉间隔点后目标函数c(li,e
l
)＝h(li,e
l
)a(var(l
′i(e
l
)-li))
1-a
不减，此时的间隔点集合e
l
即为离线数据最
终的间隔点集合。
[0072]
进一步的，添加离线数据和在线数据的一阶差分序列li(l
i1
,l
i2
,...,l
in
)和zi(z
i1
,z
i2
,...,z
in
)，其中l
ij
＝l
ij-l
i(j-1)
，z
ij
＝z
ij-z
i(j-1)
，j＝2,3,...,n，l
i1
＝z
i1
＝0。
[0073]
进一步的，对离线数据和离线数据的一阶差分序列融合，形成离线数据的综合评价序列oi(o
i1
,o
i2
,...,o
in
)，即其中floor向下取整函数，sign为符号函数，取参数b＝5。
[0074]
进一步的，对在线数据和在线数据的一阶差分序列融合，形成在线数据的综合评价序列pi(p
i1
,p
i2
,...,p
in
)，即其中floor向下取整函数，sign为符号函数，取b＝5。
[0075]
进一步的，令不同的线性拟合阶段为在线数据的隐形状态链，离散标准化后的取值pi(p
i1
,p
i2
,...,p
in
)为在线数据的可见状态链，则在线数据的隐马尔科夫模型可以使用matlab2020b软件中的hmmestimate()函数计算得到。
[0076]
进一步的，令不同的线性拟合阶段为离线数据的隐形状态链，离散标准化后的取值oi(o
i1
,o
i2
,...,o
in
)为离线数据的可见状态链，则在线数据的隐马尔科夫模型可以使用matlab2020b软件中的hmmestimate()函数计算得到。
[0077]
步骤三、记离线数据在在线数据的隐马尔科夫模型hmm(a
l
,b
l
,π
l
)下的发生概率为p
zl
，在线数据在离线数据的隐马尔科夫模型hmm(az,bz,πz)下的发生概率为p
lz
，则基于隐马尔科夫模型的无线传感器可用性评价系数
[0078]
进一步的，记在线数据在离线数据的隐马尔科夫模型下的发生概率为为p
lz
，则p
lz
可以使用matlab2020b软件中的hmmdecode()函数计算得到。
[0079]
进一步的，则微型无线传感器的可用性评价系数计算得到图2中在线数据的可用性系数为0.8562。
[0080]
示例性的，上述在线数据的线性拟合方法如下：
[0081]
c(zi,ez)＝h(zi,ez)a(var(zi(ez)-zi))
1-a
为目标函数，其中pj表示在线数据点分布在第j条拟合线段上的概率，ez表示在线数据的线性拟合的区间隔点集合，|ez|表示在线数据线性拟合的段数，z
′i(z
′
i1
,z
′
i2
,...,z
′
in
)是线性拟合数据，0≤α≤1是权衡参数；以空集为间隔点集合ez的初始值，每次在原有间隔点集合的基础上遍历寻找一个新的最优分割点，重复此过程，直至目标函数不减；随后进行合并优化检测，依次遍历去掉间隔点集合ez中的一个点直至去掉间隔点后目标函数不减，此时的间隔点集合ez即为在线数据最终的间隔点集合。
[0082]
示例性的，上述离线数据的线性拟合方法如下：
[0083]
c(li,e
l
)＝h(li,e
l
)a(varli(e
l
)-li))
1-a
为目标函数，其中
pj表示离线数据点分布在第j条拟合线段上的概率，e
l
表示离线数据的线性拟合的区间隔点集合，|e
l
|表示离线数据线性拟合的段数，l
′i(l
′
i1
,l
′
i2
,...,l
′
in
)是线性拟合数据，0≤α≤1是权衡参数；以空集为间隔点集合e
l
的初始值，每次在原有间隔点集合的基础上遍历寻找一个新的最优分割点，重复此过程，直至目标函数不减；随后进行合并优化检测，依次遍历去掉间隔点集合e
l
中的一个点直至去掉间隔点后目标函数不减，此时的间隔点集合e
l
即为在线数据最终的间隔点集合。
[0084]
示例性的，上述在线数据和离线数据的离散标准化方法如下：
[0085]
对离线数据和离线数据的一阶差分序列li(l
i1
,l
i2
,...,l
in
)融合，形成离线数据的综合评价序列oi(o
i1
,o
i2
,...,o
in
)，即：
[0086]oij
＝3*floor[(b-1)*(l
ij-minli)/(maxl
i-minli)] sign(l
ij
) 2,j＝1,2,...,n；
[0087]
对在线数据和在线数据的一阶差分序列zi(z
i1
,z
i2
,...,z
in
)融合，形成在线数据的综合评价序列pi(p
i1
,p
i2
,...,p
in
)，即：
[0088]
p
ij
＝3*floor[(b-1)*(z
ij-min zi)/(max z
i-min zi)] sign(z
ij
) 2,j＝1,2,...,n；
[0089]
其中floor向下取整函数，sign为符号函数，若x为正值则取值为1，若x为负值则取值为-1，若x为0则取值为0，b为给定正整数。
[0090]
示例性的，上述在线数据和离线数据的隐马尔科夫模型如下：
[0091]
令不同的线性拟合阶段为在线数据的隐形状态链，离散标准化后的取值pi(p
i1
,p
i2
,...,p
in
)为在线数据的可见状态链，则在线数据的隐马尔科夫模型为hmm(az,bz,πz)，其中：
[0092][0093]aij
表示在线数据从当前时刻隐形状态i到下一时刻隐形状态j的转换概率，b
ij
表示在线数据在隐形状态i下出现可见状态j的概率；pj(z
i1
)表示在线数据的第一个点是隐藏状态j的概率；
[0094]
令不同的线性拟合阶段为离线数据的隐形状态链，离散标准化后的取值oi(o
i1
,o
i2
,...,o
in
)为离线数据的可见状态链，则离线数据的隐马尔科夫模型为hmm(a
l
,b
l
,π
l
)，其中：
[0095][0096]aij
表示离线数据从当前时刻隐形状态i到下一时刻隐形状态j的转换概率；b
ij
表示离线数据在隐形状态i下出现可见状态j的概率；pj(l
i1
)表示离线
数据的第一个点是隐藏状态j的概率。
[0097]
示例性的，上述无线传感器的可用性系数计算如下：
[0098]
记离线数据在在线数据的隐马尔科夫模型hmm(a
l
,b
l
,π
l
)下的发生概率为其中表示在线数据第t个观测值z
it
在离线数据第k种隐形状态下的发生概率，为离线数据由t-1时刻的隐形状态转到t时刻的第k种隐形状态的转换概率，
[0099]
记在线数据在离线数据的隐马尔科夫模型hmm(az,bz,πz)下的发生概率为其中表示离线数据第t个观测值l
it
在在线数据第k种隐形状态下的发生概率，为在线数据由t-1时刻的隐形状态转到t时刻的第k种隐形状态的转换概率，
[0100]
则基于隐马尔科夫模型的无线传感器可用性评价系数为
[0101]
示例性的，获取监测目标的离线数据的方法包括：
[0102]
通过线下实地测量和检测得到监测目标的离线数据。
[0103]
第二方面，请参考图3，本发明实施例提供一种电子设备，包括：
[0104]
至少一个处理器1、至少一个存储器2和数据总线3；其中：
[0105]
上述处理器1与上述存储器2通过上述数据总线3完成相互间的通信；上述存储器2存储有可被上述处理器1执行的程序指令，上述处理器1调用上述程序指令以执行如上述的方法，例如执行步骤一、获取监测目标的离线数据；通过监测目标上安装的无线传感器实时监测得到监测目标的在线数据；分别对监测目标的在线数据和离线数据进行预处理，得到时间点一一对应的两组数据，分别记为zi(z
i1
,z
i2
,...,z
in
)和li(l
i1
,l
i2
,...,l
in
)；i为第i种统计量，n为总计的时间点数目；步骤二、令在线数据和离线数据不同的线性拟合阶段为其隐形状态链，在线数据和离线数据离散标准化后的取值为其可见状态链，构建在线数据和离线数据的隐马尔科夫模型hmm(az,bz,πz)和hmm(a
l
,b
l
,π
l
)；步骤三、记离线数据在在线数据的隐马尔科夫模型hmm(a
l
,b
l
,π
l
)下的发生概率为p
zl
，在线数据在离线数据的隐马尔科夫模型hmm(az,bz,πz)下的发生概率为p
lz
，则基于隐马尔科夫模型的无线传感器可用性评价系数
[0106]
第三方面，本发明实施例提供一种非暂态计算机可读存储介质，上述非暂态计算机可读存储介质存储计算机程序，上述计算机程序使上述计算机执行上述的方法。例如执行步骤一、获取监测目标的离线数据；通过监测目标上安装的无线传感器实时监测得到监测目标的在线数据；分别对监测目标的在线数据和离线数据进行预处理，得到时间点一一对应的两组数据，分别记为zi(z
i1
,z
i2
,...,z
in
)和li(l
i1
,l
i2
,...,l
in
)；i为第i种统计量，n为总计的时间点数目；步骤二、令在线数据和离线数据不同的线性拟合阶段为其隐形状态链，在线数据和离线数据离散标准化后的取值为其可见状态链，构建在线数据和离线数据的隐马尔科夫模型hmm(az,bz,πz)和hmm(a
l
,b
l
,π
l
)；步骤三、记离线数据在在线数据的隐马尔科
夫模型hmm(a
l
,b
l
,π
l
)下的发生概率为p
zl
，在线数据在离线数据的隐马尔科夫模型hmm(az,bz,πz)下的发生概率为p
lz
，则基于隐马尔科夫模型的无线传感器可用性评价系数
[0107]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0108]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。