龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：桂林电子科技大学
摘要：本发明公开一种融合时频特征和时空相关性的WSN异常检测方法，通过构建时序图数据、时序分解、编码、解码和异常分析实现对WSN中异常节点的有效检测和定位。采用了离散小波变换将数据时序分解成趋势分量和季节分量。趋势编码器和季节编码器都加入了多模态融合的动态图卷积模块，使其能够自适应地调整空间依赖关系，还融合了不同模态的信息，提高了异常检测的准确率。季节编码器利用频域注意力机制来提取特征，能充分利用频域中正常数据与异常数据振幅分布的差异，提高WSN异常数据的识别能力。本发明能够有效地检测和定位WSN中的异常节点，有效提高异常检测的准确性和效率。
主权项：1.融合时频特征和时空相关性的WSN异常检测方法，其特征是，包括步骤如下：步骤1、利用无线传感器网络中传感器节点所采集的多模态的传感数据构建动态图数据；该动态图数据的各时刻的图数据由该时刻的属性矩阵和该时刻的邻接矩阵所表示，其中属性矩阵体现所有传感器节点所采集的多模态的传感数据，邻接矩阵体现所有传感器节点的空间拓扑结构；步骤2、建立无线传感器异常检测网络；该无线传感器异常检测网络由时序分解器、趋势编码器、季节编码器和解码器组成；时序分解器的输入形成无线传感器异常检测网络的属性输入，趋势编码器的邻接输入和季节编码器的邻接输入形成无线传感器异常检测网络的邻接输入；时序分解器的输出分为两路，一路连接趋势编码器的属性输入，另一路连接季节编码器的属性输入；趋势编码器和季节编码器的输出同时连接解码器的输入，解码器的输出形成无线传感器异常检测网络的输出；步骤3、利用步骤1所构建的动态图数据对步骤2所建立的无线传感器异常检测网络进行训练，得到无线传感器异常检测模型；步骤4、采集无线传感器网络在当前时刻下由该时刻的属性矩阵和该时刻的邻接矩阵所表示的图数据，并将该图数据送入到步骤3所得到的无线传感器异常检测模型中，无线传感器异常检测模型输出包含各个传感器节点的各个模态的异常分数的异常分数矩阵，据此实现对无线传感器网络中异常传感器节点的检测和定位。
全文数据：
权利要求：
百度查询： 桂林电子科技大学 融合时频特征和时空相关性的WSN异常检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号