結合特征選擇和優(yōu)化隨機森林的無線網(wǎng)絡數(shù)據(jù)丟失重建

栗風永, 周 剛

(上海電力大學 計算機科學與技術學院, 上海 200090)

在實際數(shù)據(jù)的收集過程中,無線傳感器網(wǎng)絡(Wireless Sensor Networks,WSNs)[1]數(shù)據(jù)丟失的情況十分普遍。大多數(shù)基礎學科的研究依賴于精確完整的數(shù)據(jù)集,而準確完整地傳輸數(shù)據(jù)集是保障基礎學科研究能否順利進行的重要前提,因此針對數(shù)據(jù)重建的研究十分必要。傳統(tǒng)的WSNs中,造成數(shù)據(jù)丟失的原因主要包括以下4個方面:一是無線信道傳輸?shù)牟环€(wěn)定性,傳輸過程有噪聲的干擾;二是樹形和分簇的拓撲結構導致信道之間相互的干擾;三是突發(fā)事件形成數(shù)據(jù)爆發(fā)導致傳輸過程中的擁塞;四是節(jié)點被損壞或節(jié)點電池因續(xù)航問題導致的意外失效。

針對WSNs傳輸過程中數(shù)據(jù)丟失的現(xiàn)象,已有不少典型的解決方案被提出。例如,局部插值算法中的K鄰近(K-Nearest Neighbors,KNN)[2-3]算法是一種十分經(jīng)典的插值算法。KNN利用需要恢復數(shù)據(jù)的相鄰K個數(shù)據(jù)來重建丟失數(shù)據(jù)。這里的“相鄰”指的是在典型場景下數(shù)據(jù)采集節(jié)點之間物理上的位置關系。對于“相鄰數(shù)據(jù)”的不同使用方法,形成了KNN算法的不同變種,如直接平均、加權平均以及擬合后的估計等。在數(shù)據(jù)丟失率不是太高且相鄰關系容易獲得的應用場景中,KNN算法簡單且有效,因此被廣泛應用于低保真度要求的數(shù)據(jù)估計中。LI F Y等人[4]提出了基于數(shù)據(jù)分解的集成恢復算法,首先將原始數(shù)據(jù)進行冗余膨脹,再使用接受到的部分數(shù)據(jù)重建原始數(shù)據(jù),只要數(shù)據(jù)丟失不超過一定比例,則原始數(shù)據(jù)可以通過集成算法[5]被完美恢復。……