没有合适的资源?快使用搜索试试~ 我知道了~
Egyptian Informatics Journal(2013)14,157开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章无线传感器网络Asmaa Fawzya,Hoda M.O.Mokhtarb,*,Osman Hegazyb沙特阿拉伯北部边界大学科学和艺术学院ab埃及开罗大学计算机和信息学院接收日期:2013年3月25日;修订日期:2013年6月4日;接受日期:2013年2013年7月10日在线提供摘要在过去的几年中,许多无线传感器网络已经部署在现实世界中收集大量的原始传感器数据。然而,关键的挑战是从这些原始数据中提取高水平的知识。在传感器网络的应用中,孤立点/异常检测越来越受到重视。离群值检测可以用来过滤噪声数据,发现错误节点,并发现有趣的事件。在本文中,我们提出了一种新的网络知识发现方法,同时提供离群检测和数据聚类我们的方法能够区分由于故障传感器引起的错误和由于事件(可能是环境事件)引起的错误,这些事件表征了传感器节点在受限网络邻域中观察到的事件之间的空间和时间相关性在合成数据集和真实数据集上的实验表明,该算法在有效性和效率上均优于其他技术。©2013制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。1. 介绍离群点检测,也称为偏差检测或数据清洗,是任何数据分析中必要的预处理步骤*通讯作者。联系电话:+20 109911734。电子邮件地址:gmail.com(A.Fawzy),h.mokh-tar@fci-cu.edu.eg(H.M.O. Mokhtar),o. gmail.com(O.He- gazy).开罗大学计算机和信息系负责同行审查。制作和主办:Elsevier解析应用[1]。无线传感器网络(WSNs)中的离群点检测是基于一定的度量来识别那些偏离其余数据模式的数据实例的过程[2]。特征与正态分布显著不同的观测值被称为离群值[3]。无线传感器网络(Wireless Sensor Networks,WSNs)由数以千计的微型、低成本传感器节点组成,集传感、计算和短距离无线通信能力于一体,在能量、存储、计算能力和通信带宽等方面具有很强的资源约束。无线传感器网络的大规模和高密度愿景意味着网络通常必须在恶劣的无人值守环境中运行[4]。此外,无线传感器网络容易受到故障和恶意攻击;这反过来又会导致传感器读数不准确和不可靠[5]。然而,有几个因素使得无线传感器网络1110-8665© 2013由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。http://dx.doi.org/10.1016/j.eij.2013.06.001关键词离群点检测;无线传感器网络;数据挖掘;聚类158A. Fawzy等人在 这 些 因 素 中 , 容 易 出 现 离 群 值 的 无 线 传 感 器 网 络(WSNs)[6]是:(1)无线传感器网络使用不完美的传感设备报告来自现实世界的监测数据,(2)这种设备是电池供电的,因此它们的性能往往会随着电力耗尽而耗尽,(3)如果无线传感器网络被部署用于军事和安全用途,传感器会暴露于对手的操纵,以及(4)由于这些网络可能包括大量的传感器,这个数字可能达到极高的值,根据应用可以达到百万个节点,因此,出现错误的机会比传统网络中的更多。因此,由于无线传感器网络的特殊要求、动态特性和资源限制,传统的离群值检测技术不能直接应用于无线传感器网络[7]。一个合适的孤立点检测技术应该注意网络的计算能力,通信和存储的限制,并处理分布式数据分析的性质。因此,WSN中离群值检测的主要目标是以在线方式识别分布式流数据中的离群值,具有高检测精度,同时将网络的资源消耗保持在最低限度[8]。区分异常值的来源是一个至关重要的问题,这反过来又会让我们了解如何处理检测到的异常值[9]。一般来说,如果检测到的异常值是错误或噪声数据,则应该将其从感测数据中移除,以确保高数据质量和准确性;并且通过消除通信负载来节省能耗。否则,如果异常值是由事件(例如火灾或化学品泄漏)引起的,消除异常值将导致丢失有关事件的重要隐藏信息,这可能会产生不希望的惩罚[3]。然而,许多研究倾向于将异常值和事件视为相似条件,将事件视为某种类型的异常值(即事件是异常值的原因之一)。由于相邻节点读数之间存在时空相关性的事实,这种观察使我们能够区分事件和错误。这是基于噪声测量和传感器故障可能是时空无关的,而事件测量可能是空间相关的[10,11]。在我们的研究中,我们研究如何对异常值进行分类;换句话说,我们的目标是将异常值读数分类为错误数据或由于物理世界中发生的实际事件。一旦实现这种分类,我们就开始关注真实读数并将其聚类成组,以便进一步将传感器分类为可信或离群传感器。本文将基于聚类的算法与最近邻离群点检测方法相结合,实现了有效的聚类和离群点检测。我们开发了一种离群检测技术,在一个以上的阶段进行。第一阶段是基于网络内集群的方法。在这一步中,我们将传感器数据以分布式的方式分成正常簇和异常簇,以节省能量和通信开销。第二阶段集中于离群值聚类,以通过检查空间相关性(即相邻节点读数)和时间相关性(即读数时间戳)来发现离群值的来源;如果周围节点读数也给出离群值,并且读数之间的时间段很短,则这意味着存在事件。这是基于这样的事实,即事件通常持续相对较长的时间段并改变传感器数据的历史模式。否则,该算法将这种读数视为由于例如低功率而产生的错误或噪声数据本文的主要贡献如下:1. 提出了一种新的传感器网络孤立点检测的网内知识发现方法。2. 我们提出了一种新的方法,能够将异常值分类为错误值或有趣的事件。3. 我们基于从英特尔实验室收集的真实数据集和合成数据集对我们的算法进行了深入的实验评估,证明我们的离群值检测分类方法在有效性和效率方面都优于其他方法。本文的其余部分组织如下。第2节回顾了所做的文献调查。在第3节中,我们介绍了一些必要的背景定义。第4节提出了拟议的办法和方法。在第5节中,我们的方法来衡量传感器的信任度。第6节报告了对合成数据集和真实数据集的实验评估。最后,第七章对全文进行了总结。2. 相关工作孤立点检测是传感器网络中一个研究较多的问题[2,6,12 , 16 , 18 , 22] , 但 仍 需 进 一 步 研 究 。 2006 年 ,Subramaniam等人[12]提出了一种传感器网络的在线离群值检测技术。作者提出了一个框架,以分布式的方式计算多维数据分布的近似值,以使复杂的应用在资源受限的传感器网络。此外,Rajasegarar等人[13]提出了一种基于聚类技术的全局离群值检测技术,以识别传感器节点中的离群值测量。该技术在与其他节点通信之前对传感器测量结果进行聚类并合并聚类。该方法没有检测到网络中的感兴趣事件。同样在[14]中,作者研究了离群点检测问题;作者使用小波近似来清除每个节点中的局部突发离群点,并使用动态时间包裹来检测和去除持续时间较长的小范围(2跳)的离群点。该方法利用传感器数据的时空分布来识别离群值。但是,它只能给出小范围内孤立点的近似结果,而不能给出整个网络的精确全局结果。此外,Branch等人。[15]提出了一种基于距离相似性的技术来识别传感器网络中的全局离群值。该技术试图通过相邻节点之间的一组代表性数据交换来减少通信开销。每个节点使用距离相似性来本地识别离群值,然后将离群值广播到相邻节点进行验证。相邻节点重复该过程,直到网络中的整个传感器节点最终就全局离群值达成一致。该技术可以相对于多个现有的基于距离的离群值检测技术是灵活的。然而,该技术没有采用任何网络结构,使得每个节点使用广播与网络中的其他节点进行通信,这导致了太多的通信开销。因此,它不能很好地扩展到大规模网络。2007年,Sheng等人[16]提出了一种基于直方图的技术,用于检测传感器网络数据收集应用中的全局离群值。该技术试图通过收集直方图信息来降低通信成本,无线传感器网络中离群点的检测与分类159收集原始数据进行集中处理。sink使用直方图信息从网络中提取数据分布,并过滤掉非离群值。然而,Zhuanget al.[17]提出了一种用于在传感器节点的拓扑结构中清除传感器数据的方法所提出的方法保持了一个加权移动平均值,快速反映数据分布的快速变化。加权移动平均值在接收器处计算,并提供可用于查询应答的干净数据该算法不识别离群值,也不提供关于离群值的正式定义。此外,Zhang et al.[18]提出了一种基于距离的技术,用于在传感器网络的快照和连续查询处理应用该技术采用聚合树结构,避免了网络中各节点的广播该技术只考虑一维数据,并且由于网络拓扑的动态变化,所使用的聚合树可能不稳定。2010年,Verma等人[19]提出了一种统计建模技术,该技术基于使用核密度函数的传感器数据分布近似,将原始传感器读数转换为有意义的信息。然而,该方法仅考虑一维数据,而不处理多维数据。在[20]中,作者介绍了用于无线传感器网络中分布式事件检测的机器学习技术,并评估了灾害早期检测的性能和适用性,特别是住宅火灾。他们提出了一种分布式事件检测方法,结合了一种新的基于声誉的投票和决策树。另一方面,Al-Zoubi等人[21]提出了一种模糊聚类方法来检测离群值。然后通过计算目标函数值之间的差异来确定其余的离群值,当注意到明显的变化时,将这些点视为离群值。2011年,Mohamed和Kav- itha[22]提出了一种基于分类方法的无线传感器网络中的实时网络离群值检测技术提出了一种利用支持向量机(SVM)分类方法将传感器节点数据分类为局部离群点、簇离群点和网络离群点的方法如果数据被归类为网络离群值,则它可能是由于事件,否则如果它被归类为集群离群值,则它是由于某些环境因素或网络而导致的集群错误,否则是由于传感器中的某些缺陷而导致的传感器节点错误由于实时更新训练集,该技术具有一定的计算这种方法与我们的方法不同,我们的方法传感器数据的时空相关性识别错误和事件的优点。3. 预赛在本节中,我们提供必要的背景定义和机制。3.1. 异常值大多数现有的离群值检测工作都来自统计学领域[6],最初,Hawkins[23]将术语“out-lier”定义‘‘An outlier is an observation that deviates so muchfromother observations as to arouse suspicion that it was gener-ated by a different然而,Barnett和Lewis[24]将其定义为:‘‘An outlier is an observation or subset of observations thatappears to be inconsistent with the rest of the set of从知识发现的角度来看,异常值比正常值更有趣,因为它们包含了异常行为背后的有用信息异常值的产生是由于机械故障、系统行为变化、欺诈行为、人为错误、仪器错误或仅仅是由于群体中的自然偏差[8]。3.2. 离群值来源1. 错误:错误是指来自故障传感器的噪声相关测量。由错误引起的异常值可能经常发生,而由事件引起的异常值往往发生的概率极小[7]。2. 事件:事件被定义为改变现实世界状态的特定现象,例如,森林火灾、空气污染等。这类异常值通常持续相对较长的时间,并改变传感器数据的历史模式。3.3. 基于排序的方法聚类是数据挖掘领域的一种流行方法,用于将相似的数据点或对象分组为具有相似行为的组或簇[25]。聚类是离群值分析的重要工具[1]。已经开发了几种基于聚类的离群值检测技术,其中大多数依赖于正常对象属于大而密集的聚类的关键假设,而离群值形成非常小的聚类或不属于任何聚类[1,25]。如[2,7,21]中所述,使用基于聚类的方法有几个优点,其中包括:1. 它很容易适应增量模式(即在学习聚类后,可以将新点插入系统并测试离群值)。2. 它不需要被监督。3. 它适用于时态数据的异常检测。4. 基于聚类的技术的测试阶段是快速的,因为每个测试实例需要比较的聚类的数量是一个小的常数。3.4. 最近邻法基于最近邻的方法是数据挖掘和机器学习社区[1]中广泛使用的分析数据实例与其最近邻的方法。它使用几个定义良好的距离概念来计算两个数据实例之间的距离或相似性度量,例如,欧几里得距离是单变量和多变量连续属性的流行选择[26,27]。如果数据实例远离其邻居,则将其定义为离群值[2]。基于最近邻的方法的优点是:160A. Fawzy等人步骤1:执行固定宽度聚类算法,生成一组C聚类步骤2:确定离群聚类并考虑属于这些聚类对于每个离群值聚类j(在步骤2中确定)开始对于聚类j中的每个点i跟踪点i的相邻节点的所有读数如果(这些读数P点i和这些读数的时间戳是已关闭)然后将点i分类为事件;否则,将其归类为错误;端1. 它本质上是无监督的,并且不会对数据的基本分布做出任何解释2. 使基于最近邻的技术适应不同的数据类型很简单,主要需要为给定数据定义适当的距离度量。3.5. 离群值检测机制无线传感器网络(WSNs)中的离群点检测主要通过两种机制来处理:集中式机制和网内/分布式机制[7]。在集中式离群点检测中,聚类算法和离群点检测算法都是在每个传感器节点的所有数据都被发送到汇聚节点之后执行的。另一方面,在网络/分布式机制中,当中心被创建时。该过程在特征空间中产生一组固定的半径聚类。4.2. 离群点检测在应用固定宽度聚类算法之后,我们必须将产生的聚类标记为正常聚类或离群聚类。因此,我们根据它们与其他聚类的距离来确定哪些聚类是异常(即,在我们的工作中,我们使用欧几里得距离作为相异性度量,其计算公式为Eq.① ①)。因此,如果一个聚类的平均聚类间距离大于聚类间距离与平均聚类间距离的一个标准差,则该聚类被识别为离群值[13]。聚类算法被向下移动到网络级,其中每个传感器节点对其自己的数据执行聚类算法,然后产生聚类,并且父节点将其自己的聚类与来自其中间子节点的聚类组合。最后,在网关节点中执行离群检测算法以检测离群聚类。Dx;yq x-y24.3. 离群值分类ð1Þ很明显,网络内过程比中心化机制更优选,因为它不需要节点之间的太多通信开销,这显著地节省了网络的寿命。因此,由于在网络工作方法的优势,我们的算法采用在网络范式4. 拟议办法和方法在本节中,详细介绍了所提出的方法。已经开发了几种异常值检测技术,但是它们没有考虑到有趣的事件。另一方面,最近的许多研究只对事件感兴趣,而不关心错误的数据。本文提出了一种新的基于聚类的方法结合最近邻的方法来分类离群点,即噪声数据或感兴趣的事件。我们该方法包括以下四个步骤:预处理(聚类):首先,将聚类算法应用于所有传感数据,将数据分组到聚类中。离群点检测:在第二步中,对于每个产生的聚类,应用离群点检测算法将每个聚类标记为正常聚类或离群聚类。离群值分类:第三步是对离群值(错误或事件)的程度进行分类。测量传感器可信度:最后一步是计算每个传感器节点的可信度,以增加我们信任特定节点的确定性。在下文中,更详细地介绍每个步骤4.1. 预处理(聚类)首先,我们在每个传感器节点上执行网络内聚类算法,使用固定宽度聚类算法[28,29]将测量数据聚类到聚类中。在固定宽度聚类算法中,每个传感器读数被分配到其中心在预定距离内的聚类。如果不存在这样的簇,则使用具有读数的新簇在这一步中,我们的目标是知道标记为离群值。因此,我们只关心离群聚类,以便能够对这些值进行分类,从而获得有关其贡献传感器的更多知识。因此,有两种可能的选择;要么该异常值是由于错误,例如,可能是由于电池电量低或网络损坏;要么该异常值是由于周围环境中的事件或现象。我们的想法基于以下观察:传感器故障可能是空间无关的,而事件测量可能是空间相关的。另一方面,传感器数据往往在时间和空间上都是相关的。因此,我们通过使用来自相邻节点的数据来辅助测量空间相关性,并使用读数之间的时间戳来辅助测量时间相关性。更详细地,算法检测“离群”节点的相邻节点。如果那些节点产生类似的值或大于异常值读数的值,另外那些相邻节点读数在相同的时间范围内,则这指示它是物理世界中的内部事件。否则,很可能是一个错误的数据。在我们的工作中,我们假设传感器节点如果X在Y的通信范围内,则认为X是另一节点(Y我们建议的程序如下:●●●●无线传感器网络中离群点的检测与分类161我N4.4. 测量传感器可信度:在离群值分类阶段结束后,我们计算一个度量,该度量测量从每个传感器获得的读数的可信度。该措施用于增加我们将传感器标记为可靠或异常值的信心,即产生的错误读数。我们计算一个可信度度量,如等式所示。(2),其基于该传感器的错误读数的数量除以传感器读数的总数来指示该传感器可以被信任到什么程度[30]。因此,基本上我们的测量是从每个传感器获得的错误读数的百分比。百分比越高,我们越不信任从该传感器获得的读数。相信我。1-。Noi×1002其中Trust(si)是传感器si的可信度度量,其指的是错误读数占全部读数的百分比,Noi是传感器si的错误读数的数量,并且Ni是传感器si的读数(即,正常或错误读数)的总数。为了提高测量的准确性,我们将网络中每个传感器在一段时间内获得的读数存储在时态数据库或数据仓库中。然后,我们使用这个历史数据集合,通过分析这些读数来确定表征每个节点的一些特性和特征。这种启发式的方法有助于我们对自己的决定更有信心。5. 实验结果在本节中,我们研究了我们提出的方法在应用于英特尔伯克利研究实验室[31]的真实数据集和合成数据集时的有 效 性 我 们 将 我 们 的 算 法 的 准 确 性 与 另 一 种 称 为CollECT方法[32]的事件检测方法进行了比较,该方法基于邻居节点之间的分布式协作我们评估的准确性和所提出的方法的可扩展性,图2生成的聚类和离群聚类的总量与聚类宽度。在真实数据集和合成数据集上CollECT方法。5.1. 真实数据集此数据集包含有关2004年2月28日至4月5日期间从英特尔伯克利研究实验室部署的54个传感器该数据集以约30 s的时期持续时间收集(总共约65,000个时期),并且它包含约230万个读数[31]。数据集模式如表1所示。在第一组实验中,我们评估所提出的算法,特别是聚类阶段,在算法的执行时间。此外,我们还评估了我们提出的当改变k-最近邻(k-NN)参数的值为8、10和12时,算法。如图1所示,该算法的执行时间是合理的,特别是当k-NN参数等于12时。在第二个实验中,我们检查了当如图2所示将k-NN参数从8、10和12改变并改变聚类宽度(w)步长中的参数从0.5到3.0= 0.5。正如预期的那样,观察到当宽度较低时,产生的聚类(即正常和异常聚类)的数量较大,反之亦然。这个实验的结果符合我们对聚类宽度和离群值数量之间关系的预期。孤立点检测算法通常使用检测率和虚警率来评估。为了定义这些表1数据集架构。日期时间时代莫泰伊德Temp湿度光电压(年-月-日)(hh:mm:ss.xxx)(整数)(整数)(实数)(实数)(实数)(实数)我图1生成的集群数量与执行时间。162A. Fawzy等人表2混淆矩阵。预测离群值预测正常实际离群值真阳性(TP)假阴性(FN)实际正常假阳性(FP)真阴性(TN)度量,我们采用[33]中的混淆矩阵,如表2所示。因此,检测率和虚警率可以定义如下:检出率:1/4TP= 1/4TP虚警率<$FP=0.0000000000000在第三个实验中,我们评估了使用我们提出的算法发现异常值(即事件)的能力,并将其与CollECT进行比较。结果如表3所示。表3表明,我们的方法具有100%的检测率,这意味着它找到了所有离群值(即事件或错误数据),而CollECT的检测率仅为92.45%。此外,我们的方法的执行时间是小于Collect。5.2. 合成数据集在本节中,我们将我们的方法与合成数据集上的CollECT方法进行比较,结果如表4所示。此外,我们评估所提出的算法分类离群值的能力。在这组实验中,我们使用数据生成器,用于生成具有5000个对象的2维数据集,其中包括53个异常值,其中涉及3个事件。在我们的数据集中,有四个聚类,我们将聚类宽度固定为2.75。原始数据集如图所示。3.第三章。表4和表5显示,CollECT由于可伸缩性的原因,往往会在大型数据集上崩溃。同时,该算法的一个优点是可以处理大规模的数据集.我们提出的算法能够从合成数据集中检测到53个离群值,其中50个是噪声数据,另外3个是有趣的事件。表3在现实生活数据集上检测事件(我们的方法与Collect)。算法收集我们的方法执行时间2116检出率%百分之九十二点四五百分百误报率%百分之零点零八0.10%图3合成数据集。表5 检测结果在合成数据集(我们的方法)。数据集大小执行时间(ms)检出率(%)误报率(%)150031000.02300051000.06500081000.09图4参数化对算法精度的影响。图5算法的可扩展性(数据集的表4合成数据集(CollECT)中的检测结果。数据集大小执行时间(ms)检出率(%)误报率(%)1500795.400.0430001189.760.7650001376.250.98无线传感器网络中离群点的检测与分类163图6算法的可扩展性(维度)。在接下来的一组实验中,我们评估了我们的方法在合成数据集上的效率。我们测试了检测率和虚警率指标,如上面的等式中所示。(3)和(4)。 图 4,如果簇宽度(w)减小到小于1.0的值,则检测率显著下降,而如果簇宽度(w)增加,则虚警率显著上升。图5示出了当数据集的大小从5,000增加到50,000时的可伸缩性。正如预期的那样,曲线可能表现出二次行为。图图6示出了随着数据空间的维度从2增加到20的可伸缩性。数据集有5000个实例。运行时间与数据集的维度成线性比例。6. 结论和今后的工作本文主要研究无线传感器网络中的离群点检测问题。由于无线传感器网络的特殊性和资源的限制,传统的离群点检测技术不适用于无线传感器网络。而不是在基站节点的原始传感器读数的工作,提出了一种网络内的聚类算法,以节省资源消耗。所提出的算法能够检测离群值,并将其分类为物理环境中的噪声数据或感兴趣的事件;因此,该算法提供了一种更可靠的方式来洞察监测下的物理现象。我们的方法考虑到各种特性和流传感器数据的功能。我们评估了我们提出的方法与一组实验与现实生活中的数据集从英特尔伯克利研究实验室和合成数据集。实验结果表明,该方法对异常点的识别具有较高的准确率,证明了该方法的有效性。此外,实验结果表明,我们的方法可以检测有趣的事件以及 作为噪声数据。对于未来的工作,我们计划在更大的数据集上评估算法的性能。此外,我们的目标是加强所提出的方法来处理的现象,其中的事件扩大或消失,随着时间的推移。未来的研究还可以探索无线传感器网络中传感器节点部署、数据分发和路由的解决方案。引用[1] Han J,Kamber M.数据挖掘:概念与技术。MorganKaufmann; 2001.[2] Anomaly detection- a survey. ACM Comput Surv2009;4(3):1-58.[3] TanPN. 从传感器数据中发现知识 Sensors 2006.[4] Akyildiz I,Su W,Sankarasubramaniam Y,Cayirci E.传感器网络综述。计算机网络J2002:38.[5] 田乙,杨英,李丁,李青,辛英。一种无线传感器网络安全框架。《中国邮政学报》2010;17(2):118-22.[6] Hodge VJ,Austin J.离群值检测方法的调查。Artif Intell Rev2004;22:85[7] Zhang Y,Meratnia N,Havinga P.无线传感器网络离群点检测技术:综述。IEEE Commun SurvTuesday 2010;12(2):159-70.[8] Gaber MM.传感器网络中的数据流处理; 2007。第41-8页。[9] 作者:Zhang Y.无线传感器网络中离群点检测的事件检测方法。在:大型无线传感器网络的理论和实践方面的研讨会论文集。澳大利亚墨尔本; 2009年。[10] Luo X,Dong M,Huang Y.无线感测器网路之分散式容错侦测研究。IEEE Trans Comput2006;55(1):58-70.[11] Elnahrawy E , Nath B.环境感知传感器 Berlin , Germany :EWSN; 2004,pp. 七十七比九十三[12] Subramaniam S,Palpanas T,Papadopoulos D,KalogerakiV,Gunopulos D. 利用非参数模型在线检测传感器数据中的离群点。Seoul,Korea:VLDB; 2006,pp. 187-198.[13] Rajasegarar S,Leckie C,Palaniswami M,Bezdek JC.无线传感器网络分布式异常检测。UK:IEEE,ICCS;2006,pp. 12比16[14] 庄英,陈丽.传感器网络数据采集中的网内离群点清除见:VLDB会议记录;2006年。[15] 杨志华,王晓伟.无线传感器网络中的网内离群点检测。在:IEEE ICDCS会议录; 2006年。[16] 沈乙,李清,毛伟,靳伟。传感器网络中的离群点检测。QC,Canada:Jesus Hoc; 2007,pp.219- 228[17] 庄英,陈玲,王晓,连军. 基于加权移动平均的传感器数据清洗方法。IEEE ICDCS;2007年。[18] 张克,史松,高华,李杰。基于聚合树的传感器网络无监督离群点检测。见:ADMA会议记录; 2007年。[19] 放大图片Verma V,Kumar S,Harsh K.基于核密度估计的无线传感器网络数据离群点检测。Int J ComputAppl 2010年8月;5(7):28-32。[20] Bahrepour M,Meratnia N,Poel M,Taghikhaki Z,HavingaPJM. 用于灾难管理的无线传感器网络分布式事件检测。IntellNetworking Collaborative Syst2010:507-12.[21] Al-Zoubi M,Al-Dahoud A,Yahya AA.基于模糊聚类的离群点检测新方法。WSEAS Trans Inf Sci Appl2010:681-90.[22] Mohamed MS,Kavitha T.基于支持向量机的无线传感器网络实时数据离群点检测。国际软计算工程杂志2011;1(2).[23] 霍金斯DM。识别离群值。伦敦:查普曼和霍尔,1980年。[24] 放大图片作者:Lewis T.统计数据中的离群值。New York:JohnWiley Sons.[25] Jain AK,Dubes RC。聚类数据的算法。EnglewoodCliffs,NJ:Prentice-Hall; 1988.[26] Knorr E,Ng R,Tucakov V.基于距离的离群值:算法和应用。VLDB J2000;8(3-4):237-53。[27] Ramaswamy S,Rastogi R,Shim K.从大型数据集中挖掘离群值的有效算法。德克萨斯州,美国:ACMSIGMOD; 2000年,pp. 427- 438[28] Eskin E,Arnold A,Prerau M,Portnoy L,Stolfo S.无监督异常检测的几何框架:检测入侵164A. Fawzy等人未标记数据中的问题。数据挖掘在计算机安全中的应用。荷兰:Kluwer; 2002年。p. 77比101[29] 马新,杨丹,唐S,罗Q,张丹,李S.传感器网络中的在线挖掘。在:计算机科学的讲义。Springer;2004. p. 544- 50[30] Hassan AF,Mokhtar HMO,Hegazy O.一种启发式传感器网络 离 群 点 检 测 方 法 。 Int J Res Rev Wireless SensNetworks2011;1(4).[31] 马 登 山 英 特 尔 伯 克 利 研 究 实 验 室 。.[32] 王坤,杨松,张平,施春. Collect:无线异构传感器网络中的协同事件检测和跟踪。在:第11届IEEE计算机与通信研讨会(ISCC)的会议记录; 2006年。p. 935-40[33] Lazarevic A,Kumar V.用于离群值检测的特征装袋。ACMSIGMOD知识发现和数据挖掘国际会议论文集。芝加哥,美国; 2005年。
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 基于Springboot的医院信管系统
- 基于Springboot的冬奥会科普平台
- 基于Springboot的社区医院管理服务系统
- 基于Springboot的实习管理系统
- TI-TCAN1146.pdf
- 基于Springboot的留守儿童爱心网站
- S32K3XXRM.pdf
- Ansible Automation Platform 快速安装指南 v3.8.1
- Ansible Tower 发行注记 v3.8.1-76页
- C语言笔记-考研版(进阶)
- Design_of_Analog_CMOS_Integrated_Circuit20200602-85440-9wt61m-with-cover-page-v2 (1).pdf
- Ansible Automation Platform 安装和参考指南 v3.8.1-59页
- 浅析5G技术在工业互联网领域的应用研究
- 查重17 岑彩谊-基于otn技术的本地承载网-二稿 .docx
- 自考计算机应用基础知识点.doc
- 数据库系统安全、技术操作规程.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)