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

技术特征：
1.一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，包括：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z
i
(z
i1
,z
i2
,...,z
in
)和l
i
(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(a
z
,b
z
,π
z
)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(a
z
,b
z
,π
z
)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2.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，所述在线数据的线性拟合方法如下：令c(z
i
,e
z
)＝h(z
i
,e
z
)
a
(var(z
i
(e
z
)-z
i
))
1-a
为目标函数，其中p
j
表示在线数据点分布在第j条拟合线段上的概率，e
z
表示在线数据的线性拟合的区间隔点集合，|e
z
|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e
z
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
z
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
z
即为在线数据最终的间隔点集合。3.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，所述离线数据的线性拟合方法如下：c(l
i
,e
l
)＝h(l
i
,e
l
)
a
(varl
i
(e
l
)-l
i
))
1-a
为目标函数，其中p
j
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。4.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，所述在线数据和离线数据的离散标准化方法如下：对离线数据和离线数据的一阶差分序列l
i
(l
i1
,l
i2
,...,l
in
)融合，形成离线数据的综合评价序列o
i
(o
i1
,o
i2
,...,o
in
)，即：o
ij
＝3*floor[(b-1)*(l
ij-min l
i
)/(max l
i-min l
i
)] sign(l
ij
) 2,j＝1,2,...,n；对在线数据和在线数据的一阶差分序列z
i
(z
i1
,z
i2
,...,z
in
)融合，形成在线数据的综合
评价序列p
i
(p
i1
,p
i2
,...,p
in
)，即：p
ij
＝3*floor[(b-1)*(z
ij-min z
i
)/(max z
i-min z
i
)] sign(z
ij
) 2,j＝1,2,...,n；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。5.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，所述在线数据和离线数据的隐马尔科夫模型如下：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p
i
(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(a
z
,b
z
,π
z
)，其中：a
ij
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；p
j
(z
i1
)表示在线数据的第一个点是隐藏状态j的概率；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o
i
(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：a
ij
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；p
j
(l
i1
)表示离线数据的第一个点是隐藏状态j的概率。6.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，所述无线传感器的可用性系数计算如下：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，记在线数据在离线数据的隐马尔科夫模型hmm(a
z
,b
z
,π
z
)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，则基于隐马尔科夫模型的无线传感器可用性评价系数为7.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法，其特征在于，获取监测目标的离线数据的方法包括：通过线下实地测量和检测得到监测目标的离线数据。8.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过所述数据总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1至7任一所述的方法。9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使计算机执行如权利要求1至7任一所述的方法。

技术总结
本发明提出了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，涉及信号分析领域。该方法包括步骤一、获取监测目标的离线数据和的在线数据；分别对监测目标的在线数据和离线数据进行预处理；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，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；步骤三、记离线数据在在线数据的隐马尔科夫模型下的发生概率为p


技术研发人员：周健 于若雅
受保护的技术使用者：青岛理工大学
技术研发日：2021.09.17
技术公布日：2022/2/7