胡向東，趙代娜

(重慶郵電大學自動化學院，重慶400065)

0 引言

火災發(fā)生的偶然性強、難以預知，且火災往往給人們的生命財產(chǎn)帶來巨大的損失［1］。因此，如何通過技術(shù)手段防患火災的發(fā)生并盡量減少火災帶來的損失成為研究的一個重點，特別是如何提高火災探測的精確性和預報的準確性，這就要求火災預警系統(tǒng)能夠及時識別并反映環(huán)境變化的異常數(shù)據(jù)，準確判斷環(huán)境當前狀態(tài)，從而必要時采取相應的應急措施。

無線傳感網(wǎng)絡(luò)［2］(wireless sensor network，WSN)由大量的廉價傳感器節(jié)點組成，具有分布相對容易、自主組網(wǎng)和無人值守等優(yōu)勢，將WSN應用于火災監(jiān)測能以較低的成本和便利性實現(xiàn)對目標區(qū)域的實時監(jiān)測，逐漸受到人們的重視。但因大量傳感器節(jié)點實時采集環(huán)境溫度，原始數(shù)據(jù)量大，如何迅速發(fā)現(xiàn)反映火災發(fā)生或早期溫度變化的異常值是一個問題，且常規(guī)的數(shù)據(jù)融合方法易造成結(jié)果失真或漏報［3－4］，故構(gòu)建合理的數(shù)據(jù)融合方案和數(shù)據(jù)處理方法以提高火災監(jiān)測的準確度是本文首要關(guān)心和研究的問題。

1 相關(guān)研究

由于WSN中節(jié)點往往密集分布，節(jié)點感知的原始數(shù)據(jù)高度重疊，出現(xiàn)大量的冗余數(shù)據(jù)，因此，WSN應用中的數(shù)據(jù)融合是一種常用的數(shù)據(jù)處理方法，如加權(quán)平均法、卡爾曼濾波、貝葉斯估計、D－S證據(jù)理論等。近年發(fā)展起來的智能數(shù)據(jù)融合方法主要包括模糊邏輯［5］、神經(jīng)網(wǎng)絡(luò)［6］和支持向量機［7］等?；跀?shù)據(jù)融合的火災監(jiān)測方法主要集中于將大量冗余的原始數(shù)據(jù)按照不同的方法融合成一個能夠反映環(huán)境變化的特征值，根據(jù)融合特征值來判斷被監(jiān)測區(qū)域內(nèi)是否存在異常。這些方法存在的主要問題是不能夠及時從大量的原始數(shù)據(jù)中提取出反映環(huán)境變化的特征值，導致融合結(jié)果失真，造成漏報或者延遲報警;其次，由于監(jiān)測環(huán)境的不穩(wěn)定，容易導致融合結(jié)果將環(huán)境誤差當作異常特征值，造成誤報。

文獻［8］提出一種自適應加權(quán)算法，基于總均方誤差最小，將大量原始數(shù)據(jù)融合成一個值。在火災發(fā)生初期，異常數(shù)據(jù)較少，該方法將使異常數(shù)據(jù)的權(quán)值偏小，可能使融合結(jié)果失真，造成漏報。文獻［9］提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的火災探測方法，其用BP算法進行網(wǎng)絡(luò)參數(shù)訓練，由模糊邏輯判斷火災發(fā)生與否。采用模糊神經(jīng)網(wǎng)絡(luò)的火災自動識別方法具有較好的靈敏度和自學習與自適應能力，但需要大量訓練數(shù)據(jù)，環(huán)境的突變需要重新修改定義表，對環(huán)境突發(fā)情況有一定應用局限性。文獻［10］提出一種基于t分布的WSN檢測方法，該算法檢測的精確度與選擇的參考簇及簇的個數(shù)有關(guān)，當參考簇選擇為正常簇或者當異常數(shù)據(jù)較少時，檢測效果并不明顯，且易造成延遲報警。文獻［11］利用F分布檢測異常值，但該算法應用的前提是各個簇數(shù)據(jù)的方差要求一致，若某個簇出現(xiàn)異常數(shù)據(jù)，該簇的方差與其他簇必然不相等，不符合該方法運用的前提。文獻［12］提出總體正態(tài)均值假設(shè)，通過t分布檢驗樣本數(shù)據(jù)與標準值是否相同來判斷該簇的均值是否超出正常范圍，但當簇內(nèi)異常數(shù)據(jù)量較少時，檢驗結(jié)果仍然認定樣本均值與標準值相等，不能快速發(fā)現(xiàn)異常數(shù)據(jù)。

2 基于方差檢驗的火災監(jiān)測

2.1 條件假設(shè)

本文以分布式WSN數(shù)據(jù)融合模型［13］為基礎(chǔ)。網(wǎng)內(nèi)節(jié)點根據(jù)分簇算法形成若干個簇，每個簇有一個簇頭。簇內(nèi)成員節(jié)點周期性地采集并傳輸被監(jiān)測區(qū)域的原始溫度值給簇頭，簇頭負責對原始溫度數(shù)據(jù)進行融合，然后，通過單跳或多跳的方式傳遞給基站。該算法假設(shè):各個簇所采集的原始數(shù)據(jù)服從正態(tài)分布且相互獨立;系統(tǒng)中沒有因受到攻擊［14］而導致的異常原始數(shù)據(jù)。

2.2 基本思路

該算法的核心思想是對每個簇所采集的原始數(shù)據(jù)的方差是否相等進行檢驗。當WSN中不存在突發(fā)事件，各個簇的原始數(shù)據(jù)都服從正態(tài)分布，且每個簇的原始數(shù)據(jù)的方差都相等，即具有方差齊性;當WSN中某個簇中有節(jié)點感知到環(huán)境溫度變化時，該簇的方差會產(chǎn)生波動，此時該簇與其他簇所采集數(shù)據(jù)的方差將出現(xiàn)偏差。基站可以根據(jù)各個簇是否具有方差齊性來判斷被監(jiān)測區(qū)域是否有異常。

如果監(jiān)測到環(huán)境中出現(xiàn)異常數(shù)據(jù)，那么異常簇的定位是首要關(guān)心的問題。通過F分布［15］的方差檢驗算法將各個相鄰簇的方差按照降序排列，從最大值開始依次與最小方差進行比較，若與最小方差不等，則該簇內(nèi)存在異常數(shù)據(jù)，取簇內(nèi)最大溫度值傳遞給基站。由此，實現(xiàn)火災的定位和異常溫度的采集。

系統(tǒng)工作的整體流程如圖1所示，簇內(nèi)成員節(jié)點周期性采集環(huán)境溫度并發(fā)送給簇頭，簇頭融合原始數(shù)據(jù)，計算簇內(nèi)數(shù)據(jù)的平均值和方差，若簇內(nèi)數(shù)據(jù)的平均值大于閾值，直接發(fā)送報警信號給基站。否則只需發(fā)送方差給基站，基站根據(jù)方差齊性算法判斷監(jiān)測區(qū)域是否異常。若異常則啟動定位算法，找到異常簇，取異常簇內(nèi)最大溫度值與報警閾值比較，若小于閾值，則提醒被監(jiān)測的特定區(qū)域(被定位簇所在的范圍)有出現(xiàn)火災的可能性，起到預警提示作用;若大于閾值則直接火災報警。

2.3 簇方差齊性檢驗

為了敘述方便，定義以下符號:n表示W(wǎng)SN中所有節(jié)點數(shù);r表示W(wǎng)SN中分簇數(shù)目;ci表示W(wǎng)SN的第i個簇;ni表示W(wǎng)SN中第i個簇的節(jié)點數(shù);ξij表示簇ci中第j個節(jié)點的讀數(shù);ˉξi表示簇ci中所有節(jié)點的讀數(shù)的平均值;α表示顯著性水平。

圖1 整體流程Fig.1 System structure of fire detection system

假設(shè)簇ci中采集的原始數(shù)據(jù)服從期望為μi、方差為 σ2i的正態(tài)分布，即總體 ξi～N(μi，σ2i)，i=1，2，…，r，其中，μi，σ2i均未知，給定顯著性水平α，假設(shè)檢驗H0:σ21=σ22=…=σ2r;H1:σ2(i=1，2，…，r)至少有一個不相等。當檢測到環(huán)i境有突發(fā)事件發(fā)生時，WSN各個簇不具有方差齊性，即H1成立，否則H0成立。記

(1)式中，S2p稱為組合樣本方差的估計量，其中

令

由(4)式和(5)式得

Bartlett證明，當ni＞ 5 ，i=1，2，…，r時，統(tǒng)計量B近似服從χ2(r－1)。于是，得到檢驗多個正態(tài)總體是否具有方差齊性的Bartlett檢驗法。

1)若 B ≥ χ21－α(r－ 1)，則拒絕 H0，認為 r個正態(tài)總體的方差不全相等，即網(wǎng)絡(luò)中至少有一個簇內(nèi)存在異常數(shù)據(jù)，監(jiān)測區(qū)域有發(fā)生火災的可能;

2)若 B ＜ χ21－α(r－ 1)，則接受 H0，認為 r個正態(tài)總體的方差都相等，具有方差齊性，被監(jiān)測對象或區(qū)域安全。

2.4 基于F分布的異常簇定位

基站通過χ2分布的方差齊性檢驗判斷出WSN中存在至少一個簇的方差與其他簇不一致時，將所有簇的方差按照降序排列，以最小方差為標準值，通過2個正態(tài)總體方差的假設(shè)檢驗，從大到小依次檢驗其他方差是否與標準值相等，直到找出所有異常簇為止。2 個正態(tài)總體 Ni(μi，σi2)和Nj(μj，σj2)的方差假設(shè)檢驗，其中，μi，μj為未知，在顯著水平 α下，檢驗 H0:σi2=σj2;H1:σi2≠ σj2。

假設(shè)s2i和s2j分別是σi2，σj2的無偏估計，當H0為真時，比值si2/sj2接近于1;若si2/sj2接近于0或者比1多得多，就認為在假設(shè)H0為真時出現(xiàn)了小概率事件，因此，拒絕H0。

當H0為真時，有

由F分布的分位數(shù)得到

由(9)式表明檢驗的拒絕域為

或

為了計算簡便，將值大者記為si2，值小者記為sj2，這樣記的好處在于可保證，而不會接近0，此時，檢驗法則如下。

利用發(fā)生火災前后各個簇內(nèi)數(shù)據(jù)的異常，通過數(shù)理統(tǒng)計的方法判斷各個簇的數(shù)據(jù)方差是否一致，從而判別被監(jiān)測區(qū)域是否存在異常數(shù)據(jù)。同時基于F檢測法的相鄰簇內(nèi)數(shù)據(jù)方差的比較，找出存在方差異常的簇，取異常簇內(nèi)溫度的最大值，從而實現(xiàn)發(fā)生火災的異常簇的定位和異常數(shù)據(jù)的采集?；诜讲铨R性檢驗的方法能夠有效地防止網(wǎng)絡(luò)本身的監(jiān)測誤差導致的誤報，同時也能很好地避免在火災發(fā)生初期異常數(shù)據(jù)較少時導致的漏報。特別地，如果某一時刻采集到簇內(nèi)所有節(jié)點的數(shù)據(jù)都異常，且數(shù)值相近(例如火災發(fā)生后，簇內(nèi)所有采集溫度值都約等于100℃)，方差波動小，基于χ2分布的方差齊性算法不能判斷出環(huán)境異常;但簇頭在傳送數(shù)據(jù)給基站之前就先將簇內(nèi)平均值與閾值比較，若平均值大于閾值，則認為出現(xiàn)異常;否則，認為沒有異常發(fā)生，有效地彌補了因波動小、溫度值大而導致的漏報。

3 性能仿真

仿真條件為100 m×100 m的區(qū)域內(nèi)隨機分布150個傳感器節(jié)點，并自組織形成基于簇的網(wǎng)絡(luò)結(jié)構(gòu);設(shè)有6個簇，每個簇的節(jié)點數(shù)分別為30，20，25，15，35和25，各個簇感知的數(shù)據(jù)服從正態(tài)分布，顯著性水平 α=0.05。通常情況下，假設(shè)常溫低于60℃，火災發(fā)生時溫度為100℃。預警閾值θ1=60℃，報警閾值θ2=100℃。簇頭接收簇內(nèi)各個節(jié)點采集的溫度值，經(jīng)過計算得出簇內(nèi)平均溫度值和方差。簇頭首先將平均溫度值與閾值θ1比較，若小于θ1，只需將方差傳遞給基站;若大于θ1，則直接向基站發(fā)出報警?；靖鶕?jù)方差齊性算法判斷監(jiān)測區(qū)域若無異常，則直接顯示正常;若判定監(jiān)測區(qū)域異常，根據(jù)F檢測法找出所有異常簇，并取異常簇所采集溫度數(shù)據(jù)的最大值。若最大溫度值小于θ1，基站發(fā)出輕度火災預警信號，表明監(jiān)測區(qū)域存在比常溫波動較大的異常溫度值;當取得的最大溫度值大于θ1且小于θ2，基站發(fā)出嚴重火災預警信號;當最大溫度值大于或等于θ2，基站發(fā)出火災報警信號。分別用0，1，2，3表示正常、輕度預警、嚴重預警和報警4種狀態(tài)。

假設(shè)初始時被監(jiān)測環(huán)境正常，基站根據(jù)方差齊性算法判斷出監(jiān)測區(qū)域無異常，則直接顯示正常。雖然環(huán)境溫度存在一定波動 ，但屬于環(huán)境誤差，方差齊性算法可以容忍正常誤差范圍內(nèi)的環(huán)境溫度變化，防止由于誤差引起的誤報。當溫度值越來越大，波動性已超過顯著性水平，基站將根據(jù)最大溫度值所在的區(qū)間，顯示不同的報警狀態(tài)，如圖2所示。

圖2 監(jiān)測區(qū)域最大溫度值與報警狀態(tài)關(guān)系圖Fig.2 Corresponding relation of maximum temperature v.s.alarm status

在火災發(fā)生早期，異常數(shù)據(jù)量較少，加權(quán)融合值和異常簇平均值的融合值受到大部分正常數(shù)據(jù)的影響，盡管在采集過程中溫度值不斷升高，但是融合值是在方差最小的條件下得到的，異常數(shù)據(jù)被當作誤差，權(quán)值小，結(jié)果嚴重失真。方差齊性檢驗法根據(jù)簇內(nèi)數(shù)據(jù)的波動性，判斷監(jiān)測區(qū)域是否存在異常值。因此，異常數(shù)據(jù)越少，簇內(nèi)方差的波動性越大，判斷結(jié)果越精準，如圖3所示。

圖3 方差齊性檢驗法與加權(quán)數(shù)據(jù)融合、平均值法的對比(異常數(shù)據(jù)較少時)Fig.3 Comparison among results of new algorithm，adaptive weighted fusion and the mean method(few abnormal data)

當火災蔓延面積只有監(jiān)測區(qū)域一半時，簇內(nèi)數(shù)據(jù)波動比早期波動小，加權(quán)融合算法得到的融合值比該簇內(nèi)平均值大，但是與方差齊性檢驗法取得的最大值相比，方差齊性檢驗法更能夠反映監(jiān)測區(qū)域的變化情況，如圖4所示。

當火災發(fā)生后且蔓延了整個監(jiān)測區(qū)域，所有節(jié)點感知的溫度約為100℃，且所有數(shù)據(jù)都保持不變，如圖5所示，此時簇內(nèi)方差波動小，盡管基于方差齊性的假設(shè)檢驗算法不能監(jiān)測出異常，但此時簇內(nèi)數(shù)據(jù)的平均值與最大值幾乎相等，每個簇頭基于融合結(jié)果直接向基站發(fā)出報警。

圖6表示火災發(fā)生整個過程溫度的變化圖。根據(jù)方差齊性取得的最大值均大于平均值和加權(quán)算法得到的融合值，更能體現(xiàn)環(huán)境溫度的實際情況，不易造成漏報或延遲報警。由圖6可知，到達預警溫度(60℃)和報警溫度(100℃)的時間都早于加權(quán)融合算法和平均值法，可更迅速地起到火災的有效預警和報警作用。

圖6 方差齊性檢驗法和加權(quán)融合、平均值法的對比(火災發(fā)生整個過程)Fig.6 Comparison among results of new algorithm，adaptive weighted fusion and the mean method(whole fire process)

4 結(jié)束語

本文提出了一種基于無線傳感網(wǎng)采集數(shù)據(jù)的方差齊性檢驗來實現(xiàn)火災監(jiān)測的方法，該方法利用數(shù)理統(tǒng)計中假設(shè)檢驗的基本思想，根據(jù)火災發(fā)生前后監(jiān)測數(shù)據(jù)的異常變化，導致監(jiān)測到火災發(fā)生的簇與其他簇的方差相異，將各個簇的方差進行假設(shè)檢驗，實現(xiàn)火災預警和報警。同時，基于F分布的相鄰簇的方差檢驗算法有效地實現(xiàn)了異常簇的定位，找到異常簇的最大值，有效解決了數(shù)據(jù)融合法的漏報和延遲報警，同時也能定位火災發(fā)生的地理位置。為了彌補火災發(fā)生后溫度不變，簇內(nèi)方差波動小而導致方差齊性檢驗失效，簇頭根據(jù)融合得到的平均值判斷是否直接向基站發(fā)出報警。新算法不僅能快速反映出異常數(shù)據(jù)，同時達到數(shù)據(jù)融合的目的，減少節(jié)點頻繁發(fā)送大量融合數(shù)據(jù)消耗的能量。通過理論和仿真分析表明，基于方差齊性的火災監(jiān)測方法具有較高的精確度，預警速度快、能耗低。

［1］CHENEBERT A，BRECKON T P，GASZCZAK A.A non－temporal texture driven approach to real－time fire detection［C］//Image Processing，2011 18th IEEE International Conference on.［s.l.］:IEEE Conference Publications，2011:1741－1744.

［2］HUANG Y F，CHEN H C.Performance of energy efficient relay and minimum distance clustering for wireless sensor networks［C］//IEEE Fifth International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing(IMIS).Seoul，South Korea:IEEE Conference Publications，2011:408－413.

［3］LUO H，TAO H.Data fusion with desired reliability in wireless sensor networks［J］.IEEE Transactions on Parallel and Distributed Systems，2011，22(3):501－513.

［4］鄧新莉，周江川，張四平，等.基于嵌入式動態(tài)Web的網(wǎng)絡(luò)監(jiān)控系統(tǒng)［J］.四川兵工學報，2011，32(2):69－72.DENG Xinli，ZHOU Jiangchuan，ZHANG Siping，et al.Networked Monitoring System Based on Embedded Dynamic Web［J］.Joumal of Sichuan Ordnance，2011，32(2):69－72.

［5］WANG H Q，ZHANG Y G，MENG L，et al.The research of fire detector based on information fusion technology［C］//Electronic and Mechanical Engineering and Information Technology(EMEIT)，2011 International Conference on.Harbin，Heilongjiang:IEEE Conference Publications，2011(7):3678－3687.

［6］WEI G.A neural network based Intrusion detection data fusion model［C］//Computational Science and Optimization(CSO)，2010 Third International Joint Conference on.Huangshan，Anhui，China:IEEE Conference Publications，2010(2):410－414.

［7］BEN Yacoub S，ABDELJAOUED Y，MAYORAN E.Fusion of face and speech data for person identity verification［J］.IEEE Trans on Neural Networks，1999，10(5):1065－1074.

［8］LU G.Adaptive weighted fusion algorithm for monitoring system of forest fire based on wireless sensor networks［C］//Computer Modeling and Simulation，2010.ICCMS＇10，Second International Conference on.Sanya，Hainan:IEEE Conference Publications，2010(4):414－417.

［9］GUO Q M，DAI J J，WANG J.Study on fire detection model based on fuzzy neural network［C］//Intelligent Systems and Application(ISA)，2010 2ndInternational Workshop on.WuHan:IEEE Conference Publications，2010:1－4.

［10］LUO Yongjian，DING Xiaoyong，WU Gang，et al.A novel attack detection algorithm based on t－distribution in wireless sensor networks［C］//International Conference on wireless Communication Networking on Wireless Communications Networking And Mobile Computing.Shanghai，China:IEEE Conference Publications，2007:2642－2645.

［11］LIU Xuemei，LIU Yongbo，WU Ji，et al.Find suspicious patterns of object－oriented programs based on variance analysis［C］//2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery.Yantai，Shangdong:IEEE Conference Publications，2010:2815－2820.

［12］CHAN Haowen，PERRIG A，SONG Dawn.Secure hierarchical in－network aggregation in sensor networks［C］//Proceedings of CCS＇06.Proceeding of the 13thACM Conference on Computer and Communications Security.Virginia，USA:ACM，2006:278－287

［13］HEINZELMAN W，CHANDRAKASAN A，BALAKRISHNAN H.Application specific protocol architecture for wireless microsensor networks［J］.IEEE Transactions on Wireless Communications，2002:1(4):660－669.

［14］胡向東，余朋琴，魏琴芳.物聯(lián)網(wǎng)中選擇性轉(zhuǎn)發(fā)攻擊的發(fā)現(xiàn)［J］.重慶郵電大學學報:自然科學版，2012，24(2):148－152.HU Xiangdong，YU Pengqin，WEI Qinfang.Detection of selective forwarding attack in the Internet of things［J］.Journal of Chongqing University of Posts and Telecommunications:Natural Science Edition，2012，24(2):148－152.

［15］SHU Q R，JONG S P.Density mining based resilient data aggregation for wireless sensor networks［C］//Fourth International Conference on Networked Computing and Advanced Information Management. Gyeongju，Korea:IEEE Conference Publications，2008(1):261－266.