基于小樣本學習的物聯(lián)網(wǎng)異常狀態(tài)修正算法

燕 敏，阮秀琴，趙 陽，鄭宏濤

(1. 西安石油大學信息中心，陜西 西安 710065；2. 西安理工大學信息化管理處，陜西 西安 710048)

1 引言

物聯(lián)網(wǎng)主要由感知層、網(wǎng)絡層與應用層構成。其中，感知層位于物聯(lián)網(wǎng)的最底層，包含多種傳感器與控制器，是物聯(lián)網(wǎng)信息采集的關鍵組件[1-2]。感知層返回的數(shù)據(jù)是物聯(lián)網(wǎng)決策的根本依據(jù)，也決定著物聯(lián)網(wǎng)狀態(tài)的好壞。通過研究可知，物聯(lián)網(wǎng)異常狀態(tài)主要包含兩個因素，其一是外界干擾破壞與復雜部署環(huán)境的影響，導致物聯(lián)網(wǎng)節(jié)點軟、硬件發(fā)生故障或者消耗大量能源，致使物聯(lián)網(wǎng)狀態(tài)異常；其二是物聯(lián)網(wǎng)節(jié)點部署環(huán)境區(qū)域發(fā)生特定事件。如何精準的修正物聯(lián)網(wǎng)異常狀態(tài)，成為現(xiàn)今物聯(lián)網(wǎng)應用領域重點研究課題之一。

物聯(lián)網(wǎng)異常狀態(tài)檢測需具備一定的特征，要求時間與空間復雜程度較低，但在現(xiàn)有物聯(lián)網(wǎng)異常狀態(tài)算法檢測過程中，大多數(shù)利用時空相關性原理，其導致現(xiàn)有算法存在著修正正確率低下、算法時延較長等缺陷，故提出基于小樣本學習的物聯(lián)網(wǎng)異常狀態(tài)修正算法研究。小樣本學習為模型訓練階段只需要一個或者多個已標記的訓練樣本，能夠降低計算的過程，有利用提升算法的修正正確率，減少算法的時延，為物聯(lián)網(wǎng)的穩(wěn)定運行提供更加有效的保障。

2 物聯(lián)網(wǎng)異常狀態(tài)修正算法

2.1 相關性特征小樣本獲取

為精確檢測與修正物聯(lián)網(wǎng)異常狀態(tài)，獲取物聯(lián)網(wǎng)異常狀態(tài)小樣本為關鍵，即物聯(lián)網(wǎng)異常狀態(tài)特征，可以反映出物聯(lián)網(wǎng)異常狀態(tài)下局部差異性信息[3]。根據(jù)物聯(lián)網(wǎng)節(jié)點互相關系數(shù)，獲取物聯(lián)網(wǎng)異常節(jié)點空間相關性特征，具體過程如下。

物聯(lián)網(wǎng)節(jié)點互相關系數(shù)運算如圖1所示。

圖1 物聯(lián)網(wǎng)節(jié)點互相關系數(shù)運算

如圖1所示，Ωi為物聯(lián)網(wǎng)某一節(jié)點；Ωi+1為利用空間物理距離尋找出與Ωi距離最近的節(jié)點；FΩi，t與FΩi+1，t為設置觀測時間序列。

通過上述兩個觀測時間序列之間的互相關運算獲取節(jié)點Ωi關于節(jié)點Ωi+1的互相關系數(shù)，計算公式為

(1)

式(1)中，Ck(a)(τ)表示的是節(jié)點之間的互相關系數(shù)；?表示的是計算規(guī)則。

依據(jù)式(1)獲取的節(jié)點互相關系數(shù)Ck(a)(τ)，提取物聯(lián)網(wǎng)節(jié)點的空間相關特征。以式(1)為基礎，得到節(jié)點互相關系數(shù)Ck(a)(τ)與時延τ的變化曲線如圖2所示。

圖2 節(jié)點互相關系數(shù)Ck(a)(τ)與時延τ變化曲線圖

將上述三個幾何特征作為物聯(lián)網(wǎng)節(jié)點的一組空間相關特征φ(x)，反映節(jié)點與相近節(jié)點的空間相關程度，將其作為物聯(lián)網(wǎng)異常狀態(tài)小樣本，以此為依據(jù)來反映物聯(lián)網(wǎng)異常狀態(tài)的局部差異性信息。

2.2 小樣本度量學習

以上述獲取的物聯(lián)網(wǎng)異常狀態(tài)小樣本為基礎，采用歐式度量方法完成小樣本學習，為后續(xù)小樣本學習網(wǎng)絡搭建做準備[6]。

(2)

以式(2)的結果作為類原型，用于表示物聯(lián)網(wǎng)異常狀態(tài)類別。

歐式度量方法可以直接在特征空間上計算物聯(lián)網(wǎng)節(jié)點距離，計算公式為

(3)

采用softmax對式(3)結果進行相應處理，以此來降低向量中異常值對向量的影響，處理公式為

(4)

式(4)中，k表示的是類別數(shù)量。

通過softmax處理后，物聯(lián)網(wǎng)節(jié)點距離數(shù)值范圍被歸一化為[0，1]。若式(4)結果越大，表明物聯(lián)網(wǎng)異常狀態(tài)類型屬于對應類別的概率越大。

2.3 小樣本學習網(wǎng)絡搭建

以上述小樣本度量學習結果為基礎，搭建小樣本學習網(wǎng)絡，獲取物聯(lián)網(wǎng)異常狀態(tài)檢測結果，為最終物聯(lián)網(wǎng)異常狀態(tài)修正做基礎[8]。

小樣本學習網(wǎng)絡具備明顯的block結構，每個block結構均包含歸一化層、卷積層、池化層與激活層[9]。為更加精準的檢測與修正物聯(lián)網(wǎng)異常狀態(tài)，對小樣本學習網(wǎng)絡參數(shù)進行詳細設置，具體如表1所示。

表1 小樣本學習網(wǎng)絡參數(shù)設置表

為使小樣本學習網(wǎng)絡能夠學習到泛化性較好的參數(shù)，將距離損失表示為

arg min-lgΦk(y=k|x)

(5)

式(5)中，Φk(y=k|x)由式(4)中的樣本x是標簽為k的樣本概率。

以式(5)結果構建任務迭代最小化目標函數(shù)，通過一定次數(shù)的迭代，獲得最佳泛化性的網(wǎng)絡參數(shù)。

2.4 物聯(lián)網(wǎng)異常狀態(tài)修正的實現(xiàn)

以上述搭建的小樣本學習網(wǎng)絡為依據(jù)，執(zhí)行小樣本學習算法獲取物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)，利用RBF神經(jīng)網(wǎng)絡修正物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)，具體修正過程如下所示：

RBF神經(jīng)網(wǎng)絡是基于函數(shù)逼近理論構建的前饋性網(wǎng)絡，其結構為三層，包含輸入層、隱含層與輸出層。將物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡的輸入量，RBF神經(jīng)網(wǎng)絡的輸出量即為異常狀態(tài)修正數(shù)值[10]。RBF神經(jīng)網(wǎng)絡輸出結果表示為

(6)

式(6)中，y表示的是RBF神經(jīng)網(wǎng)絡輸出量；n表示的是輸入層節(jié)點數(shù)量；ωi表示的是隱含層第i個節(jié)點與輸出層之間的權值；Ri(x)表示的是隱含層第i個徑向基函數(shù)；x=[x1，x2，…，xn]T表示的是RBF神經(jīng)網(wǎng)絡輸入量。

為了保障物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)的修正精度，確定RBF神經(jīng)網(wǎng)絡各層節(jié)點數(shù)量及其相關參數(shù)。

其中，輸入層節(jié)點數(shù)量由輸入數(shù)據(jù)維數(shù)確定，而輸出層數(shù)值為修正數(shù)據(jù)，故節(jié)點數(shù)量為1。隱含層節(jié)點數(shù)量決定著模型的運行效率，故利用試湊法來確定其節(jié)點數(shù)量[11]。

徑向基函數(shù)決定著模型的修正準確程度，選取高斯函數(shù)作為徑向基函數(shù)，表達式為

(7)

RBF神經(jīng)網(wǎng)絡修正模型訓練結構如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡修正模型訓練結構圖

如圖3所示，ωi表示的是隱含層節(jié)點與輸出層之間的權值向量；ai表示的是每個節(jié)點在模型集群中占據(jù)的比重。

在確定RBF神經(jīng)網(wǎng)絡各層節(jié)點數(shù)量及其相關參數(shù)基礎上，進行物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)修正，其步驟如下：

步驟一：構建RBF神經(jīng)網(wǎng)絡修正模型，將其模型結構設置為多輸入單輸出形式[12]。加載物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)，將其作為RBF神經(jīng)網(wǎng)絡修正模型的輸入；

步驟二：構建訓練樣本，并對其進行歸一化處理，接著對訓練樣本進行劃分，將其分布至不同網(wǎng)絡節(jié)點上，同時對模型進行訓練；

步驟三：經(jīng)過步驟二的訓練，將輸入量輸入RBF神經(jīng)網(wǎng)絡修正模型，獲得一組對應的輸出值，將其作為異常狀態(tài)數(shù)據(jù)；

步驟四：在物聯(lián)網(wǎng)異常狀態(tài)修正后，通過相對誤差確定修正效果。相對誤差計算公式為

(8)

式(8)中，Zf表示的是修正后物聯(lián)網(wǎng)狀態(tài)數(shù)據(jù)；Z表示的是原始物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)。

通過上述過程實現(xiàn)物聯(lián)網(wǎng)異常狀態(tài)的修正，減少物聯(lián)網(wǎng)異常狀態(tài)修正的時間，為物聯(lián)網(wǎng)的應用與運行提供更加有效的保障。

3 實驗與結果分析

為驗證提出算法與現(xiàn)有算法的性能差異，采用MATLAB軟件設計仿真對比實驗，具體實驗過程如下：

3.1 實驗準備

為保障實驗的順利進行，對實驗數(shù)據(jù)、參數(shù)等進行充分準備。實驗采用3.10GHz的Intel Core與Windows 7操作系統(tǒng)作為實驗硬件、軟件環(huán)境。

現(xiàn)今，國內(nèi)并沒有通用的物聯(lián)網(wǎng)數(shù)據(jù)集，并且獲取大量數(shù)據(jù)的物聯(lián)網(wǎng)運行數(shù)據(jù)難度較大。為此，利用仿真序列產(chǎn)生器，產(chǎn)生物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)，并將其存儲在文檔中，供仿真使用。

仿真序列產(chǎn)生器產(chǎn)生的物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)波動與真實物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)波動情況如圖4所示。

圖4 仿真數(shù)據(jù)與真實數(shù)據(jù)的一致性對比

如圖4所示，仿真序列產(chǎn)生器產(chǎn)生的物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)波動方差與真實物聯(lián)網(wǎng)異常狀態(tài)數(shù)據(jù)波動方差具有一致性，說明本次仿真所得數(shù)據(jù)具有較高精度，為后續(xù)實驗結果的準確做基礎。

3.2 實驗結果分析

依據(jù)上述實驗準備數(shù)據(jù)進行物聯(lián)網(wǎng)異常狀態(tài)修正仿真，通過修正正確率以及算法時延反映算法性能，具體實驗結果分析過程如下：

3.2.1 修正正確率分析

為得到客觀的實驗結論，分別在物聯(lián)網(wǎng)異常狀態(tài)程度10%與60%背景下進行仿真，得到異常狀態(tài)修正正確率數(shù)據(jù)如表2、表3所示。

表2 物聯(lián)網(wǎng)異常狀態(tài)程度10%背景下不同算法修正正確率數(shù)據(jù)表

表3 物聯(lián)網(wǎng)異常狀態(tài)程度60%背景下不同算法修正正確率數(shù)據(jù)表

如表2和表3數(shù)據(jù)顯示，隨著物聯(lián)網(wǎng)異常狀態(tài)程度的增加，算法修正正確率呈現(xiàn)下降的趨勢。與現(xiàn)有算法相比較，提出算法修正正確率更加穩(wěn)定與一致。以修正正確率平均數(shù)值為依據(jù)，與現(xiàn)有算法數(shù)據(jù)相比較，提出算法在物聯(lián)網(wǎng)異常狀態(tài)程度10%背景下，修正正確率平均數(shù)值上升了20.02%；在物聯(lián)網(wǎng)異常狀態(tài)程度60%背景下，修正正確率平均數(shù)值上升了24.87%。

3.2.2 算法時延分析

算法時延為物聯(lián)網(wǎng)異常狀態(tài)修正的時間長短。在物聯(lián)網(wǎng)異常狀態(tài)程度10%與60%背景下，得到算法時延數(shù)據(jù)如表4、表5所示。

表4 物聯(lián)網(wǎng)異常狀態(tài)程度10%背景下不同算法時延數(shù)據(jù)表

表5 物聯(lián)網(wǎng)異常狀態(tài)程度60%背景下不同算法時延數(shù)據(jù)表

如表4、表5數(shù)據(jù)顯示，隨著物聯(lián)網(wǎng)異常狀態(tài)程度的增加，算法時延呈現(xiàn)上升的趨勢。以算法時延平均數(shù)值為依據(jù)，與現(xiàn)有算法數(shù)據(jù)相比較，提出算法在物聯(lián)網(wǎng)異常狀態(tài)程度10%背景下，算法時延平均數(shù)值下降了1.33s；在物聯(lián)網(wǎng)異常狀態(tài)程度60%背景下，算法時延平均數(shù)值下降了1.48s。

上述實驗結果顯示：與現(xiàn)有算法相比較，提出算法修正正確率更高、算法時延更短，充分說明提出算法的修正性能更好。

4 結束語

本文基于小樣本學習提出新的物聯(lián)網(wǎng)異常狀態(tài)修正算法。實驗驗證了該算法提升了修正正確率，縮短了算法時延，為物聯(lián)網(wǎng)的穩(wěn)定運行提供更加有效的保障。