一种物联网中数据感知方法与流程

1.本发明涉及物联网领域，尤其涉及一种物联网中数据感知方法。


背景技术：

2.随着物联网技术的发展与应用，“万物互联”时代来临。物联网、协作感知、压缩感知、边缘计算等新技术为物联网的发展提供了新的科技活力，使得物联网感知技术为社会带来了深刻的变革。各类传感器节点呈现出海量接入的态势。异构多源的数据信息在爆发式增长的同时，也催生了物联网业务多元化、生态化的需求。
3.随着物联网中传感终端数量的不断增加，传感监测数据呈现信号多源异构、样本质量不均衡、故障样本较少、设备状态感知不全面不充分，并且数据的安全性得不到保障，特别是对于传输数据感知问题，很难适应物联网的发展。
4.传统的传输数据感知方法在感知资源的拥挤和数据的安全性较低的情况下，无法保证数据可靠地传输。


技术实现要素：

5.本发明的目的在于提供一种物联网中数据感知方法，旨在提出一种结合压缩感知、协同感知的物联网中数据感知方法，实现设备、用户状态的实时感知和在线监测，确保物联网系统安全可靠运行。
6.为实现上述目的，本发明提供了一种物联网中数据感知方法，包括：基于状态和动作设计物联网感知环境模型；
7.对采集到的数据进行正交变换，得到稀疏的离散信号；
8.对传输数据进行循环平稳检测；
9.布置多个感知节点，采用压缩感知的方法实现感知数据的重构。
10.其中，所述基于状态和动作设计物联网感知环境模型的具体步骤是：
11.设计环境模型的状态方程；
12.设计环境模型的动作。
13.其中，对采集到的数据进行正交变换，得到稀疏的离散信号的具体步骤是：
14.获取传输数据；
15.基于稀疏化矩阵对测量向量进行处理。
16.其中，所述对传输数据进行循环平稳检测的具体步骤是：
17.使用谱相关密度函数表示自相关函数；
18.建立信道mac层的避让与退避相关密度函数；
19.基于自相关函数和信道mac层的避让与退避相关密度函数推导出传输数据使用的未知信道的循环频率；
20.所述循环频率经过采样之后即可得到传输数据循环平稳特征。
21.其中，所述布置多个感知节点，采用压缩感知的方法实现感知数据的重构的具体
步骤是：
22.布置的多个感知节点；
23.基于多个感知节点定位到感知数据；
24.感知数据降维到压缩域，得到低维观测信号；
25.将低维观测信号汇总，然后进行判决；
26.利用omp算法实现传输数据的可重构感知。
27.其中，所述对采集到的数据进行正交变换中，所述正交变换为离散小波变换。
28.本发明的一种物联网中数据感知方法，包括基于状态和动作设计物联网感知环境模型；对采集到的数据进行正交变换，得到稀疏的离散信号；对传输数据进行循环平稳检测；布置多个感知节点，采用压缩感知的方法实现感知数据的重构。通过上述步骤可以结合压缩感知、协同感知的物联网中数据感知方法，实现设备、用户状态的实时感知和在线监测，确保物联网系统安全可靠运行。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
30.图1是本发明的多节点感知示意图。
31.图2是本发明的一种物联网中数据感知方法的流程图。
32.图3是本发明的基于状态和动作设计物联网感知环境模型的流程图。
33.图4是本发明的对采集到的数据进行正交变换，得到稀疏的离散信号的流程图。
34.图5是本发明的对传输数据进行循环平稳检测的流程图。
35.图6是本发明的布置多个感知节点，采用压缩感知的方法实现感知数据的重构的流程图。
具体实施方式
36.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
37.请参阅图1～图6，本发明提供一种物联网中数据感知方法，包括：
38.s101基于状态和动作设计物联网感知环境模型；
39.具体步骤是：
40.s201设计环境模型的状态方程；
41.传输数据感知环境模型设计中包括状态和动作的设计，当某一物联网节点做出传输数据相应的动作后，环境模型需要给出相应的反应，执行相应的感知动作。设计的环境模型状态方程w(t)为：
42.w(t)＝[y(t),t(t),f(t),g(t),a(t)]
[0043]
式中：y(t)表示边缘服务器t时刻队列状态值；t(t)表示物联网中所有传输数据任
务t时刻对应的云服务器队列状态值；f(t)表示云服务器t时刻对每个任务分配的cpu主频；g(t)表示云服务器t时刻为每个任务分配的边缘侧服务器；a(t)表示每个任务的主机与边缘侧服务器t时刻整体计算分层结果。
[0044]
在环境模型中，感知数据以一维形式表示，形式如下：
[0045][0046]
式中：an表示任务的数量；k表示环境模型状态中的维度。
[0047]
s202设计环境模型的动作。
[0048]
考虑到模型中的动作设计与求解的变量相关，因此将环境模型内的动作x(t)设计为：
[0049]
x(t)＝[f(t),g(t),a(t)]
[0050]
为了保证动作空间探索的粒度更低，将每一步动作的输出范围限定的空间限制在[-1,1]，在得到结果值后，离散化处理环境模型中的变量。
[0051]
s102对采集到的数据进行正交变换，得到稀疏的离散信号；
[0052]
具体步骤是：
[0053]
s301获取传输数据；
[0054]
s302基于稀疏化矩阵对传输数据进行处理。
[0055]
我们首先假设s∈rn是传输数据序列。最多存在k个非零元素且k远小于n，则称这个向量是k稀疏的。假设x∈rn是一个稀疏信号或者在一些正交基ψ∈rn×n上是稀疏的，则有
[0056]
x＝ψs
[0057]
该公式用来稀疏化矩阵s。有了稀疏后的矩阵，我们就可以假设测量矩阵为φ∈rm×n(m＜n)，测量向量y∈rm由以下公式计算
[0058]
y＝φx＝φψs＝θs
[0059]
其中ψ表示一些正交基
[0060]
s103对传输数据进行循环平稳检测；
[0061]
具体步骤是：
[0062]
s401使用谱相关密度函数表示自相关函数；
[0063]
环境模型中对传输数据状态的识别主要基于传输数据循环平稳特征实现。传输数据在均值和自相关函数上均表现出一定的周期性，考虑到自相关函数是二阶的，使用谱相关密度函数表示自相关函数。因此接收到的信号描述为：
[0064][0065]
式中：g(t)表示信道条件。
[0066]
s402建立信道mac层的避让与退避相关密度函数；
[0067]
信道mac层的避让与退避相关密度函数表示为：
[0068][0069]
式中：g表示信道传输函数g(t)的傅里叶变换；f表示信道传输数据；α表示x(t)的循环频率；“*”表示避让与退避共轭，s
x
(f)是f的谱相关密度函数方程。信道mac层协议通过将信道带宽分割成独立的多个子信道来提高网络性能，利用多信道可使多个节点同时在不
同的信道上传输数据，该并行机制在提高网络吞吐量的同时降低了网络延迟，增加了传输的平稳特征。
[0070]
s403基于自相关函数和信道mac层的避让与退避相关密度函数推导出传输数据使用的未知信道的循环频率；
[0071]
s404所述循环频率经过采样之后即可得到传输数据循环平稳特征。
[0072]
分析循环频率对s
x
(f)幅值产生的影响，经过采样之后即可得到传输数据循环平稳特征。
[0073]
s104布置多个感知节点，采用压缩感知的方法实现感知数据的重构。
[0074]
具体步骤是：
[0075]
s501布置的多个感知节点；
[0076]
一般的传输数据感知中多数为单节点模式，存在一定的局限性，如果传输目标处于发射信号的阴影衰落范围内或是隐藏用户，在感知过程中可能会检测不到目标存在。为了提高传输数据感知的准确性，采用多节点协同感知，多节点感知示意如图1所示。
[0077]
s502基于多个感知节点定位到感知数据；
[0078]
通过布置的多个感知节点，在分配中可以快速定位到感知数据，进而做出最合理的分配方案。
[0079]
s503感知数据降维到压缩域，得到低维观测信号；
[0080]
在感知过程中，每个节点分别计算各自接收的感知能量，其中感知能量是指感知节点包含了信号的大部分信息，只要找到非零系数信号节点的位置和幅度，就可以准确地感知能量信号。通过一次观测矩阵，将高维稀疏信号降维到压缩域，然后对低维观测信号进行后续的传输、存储、处理等，具体公式为：
[0081][0082]
式中：fv(h)表示保持v速度下在h层信号节点处对低维观测信号进行后续传输、存储、处理；k
ij
表示第i行第j列感知节点信息特征；xu表示感知能量约束值，在特定情况下需要约束，因情况不同，通常取值为变量；bb表示常数。
[0083]
s504将低维观测信号汇总，然后进行判决；
[0084]
将低维观测信号汇总处理后，进行判决后执行相关任务。
[0085]
s505利用omp算法实现传输数据的可重构感知。
[0086]
omp重构算法的具体步骤如下。
[0087]
输入：传感矩阵a＝φψ，观测向量y，信号的稀疏度k。
[0088]
步骤1初始化：索引集残差r0＝y，i＝1。
[0089]
步骤2找出残差r和传感矩阵的列aj积中最大值对应的脚标λ计算λi＝argmax
i＝1,2,
…
,n
|《r
i-1
,aj》|。
[0090]
步骤3更新索引集λi＝λ
i-1
∪{λi},
[0091]
步骤4计算y＝aiθi的最小二乘解。
[0092]
步骤5更新残差。
[0093]
输出：θ的k的稀疏估计值n
×
1维残差
[0094]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。