基于多元統計的傳感網絡不完整數據篩選方法

田英

（中國農業大學理學院，北京 100083）

在傳感體系中，由于節點偏差等因素，極易產生不完整數據[1-2]。隨著網絡傳輸時間的延長，數據信息量不斷增加，不僅會導致不完整數據平衡性水平持續下降，也會使信息參量的聚集行為受到嚴重影響。為避免上述情況的發生，傳統的分層采樣型篩選方法對樣本空間中的常規性數據節點進行按需提取處理，再通過降維處理的方式完成對數據信息參量的有序篩選。然而此方法的作用能力有限，并不能完全滿足傳感網絡體系的實際應用需求。

多元統計分析意在研究客觀事物中多個物理變量或物理因素之間的相互依賴型統計規律關系，是一種全方位的數據分析方法。其打破了指標元素與對象參量之間的關聯性限制條件，從而使得客觀規律得以清晰表達。從數學理論的角度來看，多元統計算法能夠在保留數據信息真實性的同時，實現對變量因素的收集，一方面滿足了數據信息對于指標量元素的應用需求，另一方面也可有效解決數據信息參量的不完整計算問題。

因此，為解決傳統方法存在的不足，該文設計了基于多元統計的傳感網絡不完整數據篩選方法，通過重構統計元結構的方式，計算得到可分離幅值量的具體數值水平，再借助混合采集框架，實現對樣本數據集獲取與集中篩選。

1 識別不完整數據

基于多元統計的不完整數據識別由不完整數據子空間提取、統計元重構、可分離幅值量計算3 個處理環節共同組成，具體設計過程如下。

1.1 通過因子分析提取不完整數據的子空間

數據子空間是一個相對模糊的傳感網絡信息參量存儲集合。在多元統計原理的支持下，子空間所涉及的信息覆蓋面積越大，待篩選的不完整數據樣本量也就越多。

為獲得準確的傳感網絡不完整數據子空間提取結果，利用因子分析法將已獲得的歷史數據整合成多個信息參量集合體，再按照多元統計算法，實現對原有集合空間的完善，并最終將所有信息參量全部投入到子空間集合結構體之中[3-4]。設e1、e2分別代表兩個不同的傳感網絡不完整數據信息參量值因子，在多元統計原理的作用下，e2＞e1的不等式條件下恒成立。規定ΔT代表數據信息參量的單位提取時長，一般情況下，該項指標量的物理取值范圍始終存在于0～1 之間。聯立上述物理量，可將傳感網絡不完整數據的子空間提取結果表示為：

其中，χ代表傳感網絡不完整數據的合理定義項，p代表數據信息參量的單次提取權重值，代表不完整數據信息的單次傳輸均值量。

1.2 統計元重構

統計元是標準的數據信息參量傳輸能力衡量條件。在多元統計理論中，統計元節點的數值量水平越大，應用算法所具備的約束能力也就越強。隨著傳感網絡不完整數據篩選量的增多，統計元節點數量會因為計算作用的影響而出現明顯下降的變化形式，從而導致傳感網絡篩選應用能力的持續下降[5-6]。為解決此問題，該研究在不違背多元統計原理的基礎上，對統計元節點進行重構處理，一方面避免傳感網絡不完整數據篩選量出現大幅增多的變化趨勢，另一方面也可實現對數據信息計算量的有效控制。設δ0代表最小的統計元系數約束值，δn代表最大的統計元系數約束值，n代表不完整數據信息在傳感網絡環境中的實際迭代傳輸次數，聯立式（1），可將多元統計算法中的統計元重構結果表示為：

1.3 可分離幅值量

在多元統計環境中，傳感網絡模型并不能保持一成不變的存在狀態，而是會隨著不完整數據信息參量存儲水平的增多出現明顯的動蕩變化態勢。在此情況下，可篩選、非可篩選數據信息參量之間始終存在一定的數值比照關系，即可分離幅值量[7-8]。可分離幅值量是一種動態的數據信息配比結果。由于待篩選數據信息量的增大，這種數值協調關系也始終處于絕對變化的存在狀態。因此，為得到有效的可分離幅值量計算結果，應準確掌握傳感網絡中不完整數據信息的參量值水平，并以此為基礎，完成對關聯信息參量的統籌與協調[9-10]。設α、β為兩個不同的幅值節點定義系數項，aα代表系數為α時的幅值分離量，aβ代表系數為β時的幅值分離量，聯立式（2），可將多元統計算法的可分離幅值量計算結果表示為：

其中，f代表幅值參量的基礎分離條件，s1、s2分別代表兩個不同的不完整數據待統計指標定義項。

2 傳感網絡不完整數據篩選方法

在多源統計理論的支持下，按照混合采用框架搭建、篩選樣本數據集定義、傳感度量系數計算的處理流程，完成對傳感網絡不完整數據篩選方法的設計。

2.1 混合采用框架

在傳感網絡中，混合采用框架的存在能夠為不完整數據信息參量提供穩定的篩選與排查條件，不僅能夠增強多元統計算法的應用約束能力，也可實現對不完整數據信息傳輸序列的有效完善。混合采用框架結構如圖1 所示。

常見的傳感網絡不完整數據混合采用體系中只包含原始數據、平衡數據、篩選后數據三類信息參量，原始數據可根據提取子空間條件判斷現有可分離幅值量數值是否滿足實際應用需求[11-12]。平衡數據則可在維系傳感網絡環境穩定性的同時，調取足量的不完整數據信息，并將其整合成全新的信息樣本數據集結構。篩選后的數據具備更強的識別與篩查能力，可根據多元統計算法，確定現有不完整數據篩查序列的應用有效性。

2.2 篩選樣本數據集

樣本數據集是包含所有傳感網絡不完整數據信息在內的統計模型度量結構，可按照混合采集框架的實際連接形式，確定與數據信息參量匹配的實值存儲環境。對于待篩選的數據信息參量來說，樣本數據集中存儲的所有信息節點都具備較強的數據剔除與處理能力，不僅可以在運算處理的過程中完成對不完整數據參量的傳輸與轉存，也可借助集合邊界節點，確定信息參量在傳感網絡中所能到達的最遠傳輸位置[13-14]。

在多元統計原理的作用下，篩選樣本數據集中的所有信息節點都只具備單向存儲的能力，這就意味著無論傳感網絡如何變化，不完整數據信息都不會出現差異化傳播的行為，這也是確保最終篩選結果能夠具備較強參考價值的關鍵環節。設k1代表第一個出現在傳感網絡中的不完整數據參量信息，kn代表第n個出現在傳感網絡中的不完整數據參量信息，聯立式（3），可將篩選樣本數據集合表示為：

2.3 傳感度量系數

傳感度量系數可用來衡量多元統計算法所具備的運算處理能力，在傳感網絡環境中，不完整數據信息的實時存儲量越多，最終篩選所得的可用信息有效性也就越強。若以篩選樣本數據集合作為參考標準，則可認為傳感度量系數的實值水平能夠直接干擾傳感網絡所具備的數據信息匯總能力，且二者之間始終保持同步促進的影響制約關系[15-16]。若不考慮其他物理條件對傳感度量系數值造成的干擾，則可認為該項物理指標只受到數據信息篩選量差、信息極值統計量兩項參數值的直接影響。

設數據信息篩選量初始值為x0、終止值為xn，則可將篩選量差值表示為xn-x0，在信息極值統計量為bmax的情況下，聯立式（4），可將傳感度量系數計算結果表示為：

其中，d代表傳感網絡中的數據信息覆蓋系數，θ、?分別代表兩個不同的數據信息篩查指標參量。

至此，完成對各項物理系數值的計算與處理，從而在多元統計理論的作用下，實現傳感網絡不完整數據篩選方法的順利應用。

3 實效性測試

設計如下實驗驗證所提方法的有效性。

在傳感網絡環境中設置大量獨立的不完整數據信息參量，并將其平均分成兩個傳輸部分。其中，一部分輸入實驗組控制主機中，另一部分輸入對照組控制主機中。在實驗過程中，實驗組控制主機配置基于多元統計的傳感網絡不完整數據篩選方法，對照組控制主機配置傳統分層采樣型篩選方法。

為保證實驗結果的真實性，傳感網絡環境中的所有不完整數據信息參量均需要獨立設置。

將I指標、P指標作為兩個不同的物理系數項，其中，I指標表示使用頻率范圍，P指標表示靈敏度，二者的范圍均為[0,1]。對于這兩項指標來說，其值越接近于1，說明使用頻率范圍越大、靈敏度越高。二者之間的數值關系滿足：

其中，Z可用來描述傳感網絡中不完整數據信息的傳輸均衡性水平。由于該項指標的數值水平不可直接測量，因此需借助I指標與P指標來獲得實際判別結果。在實驗過程中，C系數值水平始終保持不變，故而可認為I指標與P指標的數值水平越大，Z指標的物理數值量也就越大，傳感網絡中不完整數據信息的傳輸均衡性水平也就越高。

表1記錄了實驗組、對照組指標參量的具體數值。

分析表1可知，在整個實驗過程中，實驗組I指標與P指標的數值水平始終相對較為接近，且并無明顯波動系數的出現，且其值非常接近于1；對照組I指標與P指標的數值與1 之間存在較大差距。從Z值計算結果的角度來看，實驗組最大值為0.931 2C，對照組最大值為0.624 1C，明顯低于實驗組數值結果。

圖2 反映了實驗組、對照組傳感網絡不完整數據在各自Z指標作用下的信息篩查速率。

分析圖2 可知，在整個實驗過程中，實驗組曲線始終位于對照組曲線上方，其最大信息篩查速率超過了30 Mb/s，遠高于對照組最大值14.5 Mb/s。

綜上可知，在多元統計原理作用下，傳感網絡不完整數據篩選方法可在保證Z指標數值水平的同時，促進信息篩查速率值的不斷增大，滿足增強不完整數據傳輸平衡性的實際應用需求。

4 結束語

在分層采樣型篩選方法的基礎上，多元統計算法對不完整數據的子空間進行提取，不但能夠實現對統計元的重構處理，也可得到更為準確的可分離幅值量計算結果。由于混合采用框架體系的存在，樣本數據集可為傳感度量系數提供更為穩定的信息參量提取環境。應用基于多元統計的傳感網絡不完整數據篩選方法，不僅能夠促使Z指標數值的不斷增大，也可實現對待篩查信息的快速傳輸，在維持不完整數據傳輸平衡性方面具備較強的實用可行性。