(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111095017.6 (22)申请日 2021.09.17 (71)申请人 青岛理工大 学 地址 266033 山东省青岛市 市北区抚顺路 11号 (72)发明人 周健　于若雅　 (74)专利代理 机构 北京麦汇智云知识产权代理 有限公司 1 1754 代理人 郭童瑜 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 111/08(2020.01) (54)发明名称 基于隐马尔科夫模型的无线传感器可用性 评价方法及设备 (57)摘要 本发明提出了一种基于隐马尔科夫模型的 无线传感器可用性评价方法及设备， 涉及信号分 析领域。 该方法包括步骤一、 获取监测目标的离 线数据和的在线数据； 分别对监测目标的在线数 据和离线数据进行预处理； 步骤二、 令在线数据 和离线数据不同的线性拟合阶段为其隐形状态 链， 离散标准化后的取值为其可见状态链， 构建 在线数据和离线数据的隐马尔科夫模型； 步骤 三、 记离线数据在在线数据的隐马尔科夫模型下 的发生概率为pzl， 在线数据在离线数据的隐马 尔科夫模型下的发生概率为plz， 则基于隐马尔 科夫模型的无线传感器可用性评价系数 通过计算得到微型无 线传感器的可用性评价系数ρz， 该值可以准确 的描述微型无线传感器的可用性， 该评价方法客 观公正、 简单易行。 权利要求书3页 说明书10页 附图2页 CN 114021421 A 2022.02.08 CN 114021421 A 1.一种基于隐马尔科 夫模型的无线传感器可用性评价方法， 其特 征在于， 包括： 步骤一、 获取监测目标的离线数据； 通过监测目标上安装的无线传感器实时监测得到 监测目标的在线数据； 分别对监测目标 的在线数据和离线数据进行预处理， 得到时间点一 一对应的两组数据， 分别记为zi(zi1,zi2,...,zin)和li(li1,li2,...,lin)； i为第i种统计 量， n 为总计的时间点数目； 步骤二、 令在线数据和离线数据不同的线性拟合阶段为其 隐形状态链， 在线数据和离 线数据离散标准化后的取值为其可见状态链， 构建在线数据和离线数据的 隐马尔科夫模型 HMM(Az,Bz, πz)和HMM(Al,Bl, πl)； 步骤三、 记离线数据在在线数据的隐马尔科夫模型HMM(Al,Bl, πl)下的发生概率为pzl， 在线数据在离线数据的隐马尔科夫模型HMM(Az,Bz, πz)下的发生概率为plz， 则基于隐马尔科 夫模型的无线传感器可用性评价系数 2.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法， 其 特征在于， 所述在线数据的线性拟合方法如下： 令C(zi,Ez)＝H(zi,Ez)a(var(zi(Ez)‑zi))1‑a为目标函数， 其中 pj表示在线数据点分布在第j条拟合线段上的概率， Ez表示在线数据的线性拟合的区间隔点 集合， |Ez|表示在线数据线性拟合的段数， z′i(z′i1,z′i2,..., z′in)是线性拟合数据， 0≤α ≤1是权衡参数； 以空集为间隔点集合Ez的初始值， 每次在原有 间隔点集合的基础上遍历寻找一个新的最优分割点， 重复此过程， 直至目标函数不减； 随后 进行合并优化检测， 依次遍历去掉间隔点集合Ez中的一个点 直至去掉 间隔点后目标函数不减， 此时的间隔点 集合Ez即为在线数据最终的间隔点 集合。 3.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法， 其 特征在于， 所述离线数据的线性拟合方法如下： C(li,El)＝H(li,El)a(varli(El)‑li))1‑a为目标函数， 其中 pj 表示离线数据点分布在第j条拟合线段上的概率， El表示离线数据的线性拟合的区间隔点 集合， |El|表示离线数据线性拟合的段数， l′i(l′i1,l′i2,...,l ′in)是线性拟合数据， 0≤α ≤1是权衡参数； 以空集为间隔点集合El的初始值， 每次在原有间 隔点集合的基础上遍历寻找一个新的最优分割点， 重复此过程， 直至目标函数不减； 随后进 行合并优化检测， 依次遍历去掉间隔点集合El中的一个点 直至去掉间 隔点后目标函数不减， 此时的间隔点 集合El即为在线数据最终的间隔点 集合。 4.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法， 其 特征在于， 所述在线数据和离线数据的离 散标准化方法如下： 对离线数据和离线数据的一阶差分序列Li(Li1,Li2,...,Lin)融合， 形 成离线数据的综合 评价序列Oi(Oi1,Oi2,...,Oin)， 即： Oij＝3*floor[(b‑1)*(lij‑min li)/(max li‑min li)]+sign(Lij)+2,j＝1,2,. ..,n； 对在线数据和在线数据的一阶差分序列Zi(Zi1,Zi2,...,Zin)融合， 形 成在线数据的综合权　利　要　求　书 1/3 页 2 CN 114021421 A 2评价序列Pi(Pi1,Pi2,...,Pin)， 即： Pij＝3*floor[(b‑1)*(zij‑min zi)/(max zi‑min zi)]+sign(Zij)+2,j＝1,2,. ..,n； 其中floor向下取整函数， sign为符号函数， 若x为正值则取值为1， 若x为负值则取值 为‑1， 若x为0则取值 为0， b为给定正整数。 5.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法， 其 特征在于， 所述在线数据和离线数据的隐马尔科 夫模型如下： 令不同的线性拟合阶段为在线数据的隐形状态链， 离散标准化后的取值Pi(Pi1, Pi2,...,Pin)为在线数据的可见状态链， 则在线数据的隐马尔科夫模型为HMM(Az,Bz, πz)， 其 中： Aij表示在线数据从当前时刻隐形状态i到 下一时刻隐形状态j的转换概率， Bij表示在线 数据在隐形状态i下出现可见状态j的概率； pj(zi1)表示在线数据 的第一个点是隐藏状态j的概 率； 令不同的线性拟合阶段为离线数据的隐形状态链， 离散标准化后的取值Oi(Oi1, Oi2,...,Oin)为离线数据的可见状态链， 则离线数据的隐马尔科夫模型为HMM(Al,Bl, πl)， 其 中： Aij表示离线数据从当前时刻隐形状态i到 下一时刻隐形状态j的转换概率； Bij表示离线 数据在隐形状态i 下出现可见状态j的概率； pj(li1)表示离线数据的 第一个点是隐藏状态j的概 率。 6.根据权利要求1所述的一种基于隐马尔科夫模型的无线传感器可用性评价方法， 其 特征在于， 所述无线传感器的可用性系数计算如下： 记离线数据在在线数据的隐马尔科夫模型HMM(Al,Bl,πl)下的发生概率为 其中 表示在线数据第t个观测值zit在离线数据第k种 隐形状态 下的发生概率， 为离线数据由t ‑1时刻的隐形状态转到t时刻的第k种隐 形状态的转换概 率， 记在线数据在离线数据的隐马尔科夫模型HMM(Az,Bz,πz)下的发生概率为 其中 表示离线数据第t个观测 值lit在在线数据第k种 隐形状态 下的发生概率， 为在线数据由t ‑1时刻的隐形状态转到t时刻的第k种隐权　利　要　求　书 2/3 页 3 CN 114021421 A 3