葉　李

(中國(guó)西南電子技術(shù)研究所，四川 成都 610036)

?

傳感器網(wǎng)絡(luò)時(shí)間序列數(shù)據(jù)的事件分類研究

葉李

(中國(guó)西南電子技術(shù)研究所，四川 成都 610036)

摘要：目前智能環(huán)境中傳感器網(wǎng)絡(luò)所采集的海量數(shù)據(jù)面臨著進(jìn)行有效事件的模式分類及異常檢測(cè)的難題。為了有效對(duì)智能環(huán)境中傳感器網(wǎng)絡(luò)采集的時(shí)間序列數(shù)據(jù)所表征的事件進(jìn)行分類，提出了基于協(xié)方差特征空間映射數(shù)據(jù)的聚類分析方法。通過(guò)對(duì)采集得到的時(shí)間序列數(shù)據(jù)按時(shí)隙進(jìn)行劃分，映射到協(xié)方差特征空間，然后對(duì)映射后的數(shù)據(jù)進(jìn)行了動(dòng)態(tài)密度聚類，從而實(shí)現(xiàn)對(duì)事件的分類；并根據(jù)聚類結(jié)果建立分類模板，作為對(duì)日常事件進(jìn)行分類劃分的檢測(cè)方法，同時(shí)利用所得的分類模板，實(shí)現(xiàn)對(duì)異常事件的檢測(cè)。實(shí)驗(yàn)結(jié)果表明，基于協(xié)方差特征空間映射數(shù)據(jù)的聚類分析方法能有效對(duì)傳感器網(wǎng)絡(luò)采集的時(shí)間序列數(shù)據(jù)所表征的事件進(jìn)行分類，并能有效提升異常事件的檢測(cè)及篩選效果。

關(guān)鍵詞：事件分類；時(shí)間序列分析；密度聚類；智能環(huán)境

0引言

隨著自組織無(wú)線傳感器網(wǎng)絡(luò)(wireless ad-hoc sensor network, WASN)技術(shù)的發(fā)展，智能環(huán)境技術(shù)得到了高速發(fā)展[1-4]。在智能環(huán)境的技術(shù)應(yīng)用中，各個(gè)傳感器節(jié)點(diǎn)將定期采集周圍環(huán)境中的事件和數(shù)據(jù)，包括溫度、濕度、噪聲等，并發(fā)送到中心節(jié)點(diǎn)進(jìn)行分析處理。目前，對(duì)WASN所采集的海量數(shù)據(jù)進(jìn)行分析處理已經(jīng)成為重要的研究課題。

傳感器網(wǎng)絡(luò)所采集的數(shù)據(jù)是一系列按照時(shí)間順序排列的信號(hào)，在實(shí)際的傳感器部署環(huán)境中，發(fā)生的各種事件影響了多種類型的傳感器信號(hào)的數(shù)值。不同事件促發(fā)的信號(hào)類別、時(shí)間間隔、發(fā)生頻率均有不同。目前，已有的相關(guān)研究工作集中在如何從傳感器網(wǎng)絡(luò)采集的時(shí)間序列信號(hào)中發(fā)現(xiàn)部署環(huán)境下發(fā)生的事件是事件序列時(shí)間探測(cè)所關(guān)注的問(wèn)題，如何從事件探測(cè)中篩選出異常事件仍然是一個(gè)極具挑戰(zhàn)性的工作，困難的原因之一是在新布置的智能環(huán)境中，沒(méi)有已知的異常模式進(jìn)行識(shí)別的匹配。

在過(guò)去的工作中，通過(guò)對(duì)時(shí)序數(shù)據(jù)在協(xié)方差特征空間的映射，利用基于馬氏距離的T2檢驗(yàn)進(jìn)行異常事件的檢測(cè)，實(shí)驗(yàn)結(jié)果表明，此方法能有效檢測(cè)出WASN采集數(shù)據(jù)中存在的異常事件，得出日常事件模板[5]。但此方法仍然存在一些問(wèn)題，如篩選參數(shù)的選擇對(duì)異常事件的篩選影響較大，容易篩選掉可能是正常的事件。為了解決上述問(wèn)題，同時(shí)實(shí)現(xiàn)對(duì)事件的分類，本文提出了基于協(xié)方差特征空間映射數(shù)據(jù)的聚類分析方法，通過(guò)對(duì)時(shí)間序列數(shù)據(jù)按時(shí)隙進(jìn)行劃分，映射到協(xié)方差特征空間，在此基礎(chǔ)上進(jìn)行基于聚類的分析處理，進(jìn)而對(duì)事件進(jìn)行分類劃分。

實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠有效對(duì)傳感器網(wǎng)絡(luò)的時(shí)間序列數(shù)據(jù)進(jìn)行事件分類的分析處理，相對(duì)以前的工作，能更準(zhǔn)確地對(duì)異常事件進(jìn)行篩選。

1相關(guān)理論

1.1協(xié)方差特征空間

數(shù)據(jù)的協(xié)方差特征空間的應(yīng)用已較為廣泛[6-7]，但針對(duì)智能環(huán)境中傳感器網(wǎng)絡(luò)所采集的數(shù)據(jù)處理有所不同。實(shí)際上，傳感器網(wǎng)絡(luò)的采集數(shù)據(jù)是一種時(shí)間序列數(shù)據(jù)。假設(shè)有q個(gè)傳感器，則某一時(shí)刻采集得到的觀測(cè)值x包含了q個(gè)數(shù)值，即x={f1,f2,…,fq}。在l(1≤l≤∞)時(shí)間段Tl內(nèi)，包含了n個(gè)時(shí)刻的觀測(cè)值的數(shù)據(jù)形成一個(gè)矩陣，該矩陣的協(xié)方差矩陣記為

(1)

由于cov(X,Y)=cov(Y,X)，可知協(xié)方差矩陣Ml為一對(duì)稱陣，可只針對(duì)矩陣的上三角數(shù)值進(jìn)行分析。通過(guò)對(duì)Ml的計(jì)算，將時(shí)間段Tl內(nèi)的傳感器觀測(cè)值映射到了協(xié)方差特征空間，每對(duì)傳感器之間的關(guān)系構(gòu)成了協(xié)方差特征空間的坐標(biāo)。

在協(xié)方差特征空間中，按時(shí)間序列采集的各個(gè)時(shí)刻的原始數(shù)據(jù)是按時(shí)間段Tl為單位進(jìn)行的匯總，與原始數(shù)據(jù)包含的q×l個(gè)維度相比，協(xié)方差特征空間包含的數(shù)據(jù)維度為[q×(q+1)]/2。當(dāng)時(shí)間段Tl包含了l>(q+1)/2 個(gè)時(shí)刻觀測(cè)值的情況下，到協(xié)方差特征空間的映射方法在一定程度上壓縮了數(shù)據(jù)處理量。

將傳感器網(wǎng)絡(luò)在每個(gè)時(shí)刻采集的數(shù)據(jù)進(jìn)行時(shí)間段分片后映射至協(xié)方差特征空間進(jìn)行分析處理有2個(gè)優(yōu)勢(shì)：①就實(shí)際情況來(lái)說(shuō)，各個(gè)自然事件的跨度通常由數(shù)分鐘至一個(gè)小時(shí)不等，而按秒或分鐘所采集的單時(shí)刻數(shù)據(jù)并不能從整體上反映出事件的自然屬性；②根據(jù)文獻(xiàn)[6]的研究分析表明，將單一數(shù)據(jù)分組匯總后映射至協(xié)方差特征空間的異常檢測(cè)技術(shù)相對(duì)單一數(shù)據(jù)檢測(cè)方式而言，能獲得更高的檢測(cè)準(zhǔn)確率和運(yùn)行效率。

1.2聚類分析

聚類分析就是在無(wú)先驗(yàn)知識(shí)的情況下，將數(shù)據(jù)集劃分成簇，保證相同簇中的數(shù)據(jù)之間具有較高的相似度，不同簇的數(shù)據(jù)之間相似度較低，簇內(nèi)數(shù)據(jù)的相似度越高而簇間差別度越大，表明聚類的質(zhì)量越高。聚類算法大體上包括了層次法(hierarchical)、劃分法(partitioning)、基于密度的方法(density-based)、基于網(wǎng)格的方法(grid-based)以及基于模型的方法(model-based)。

層次法聚類包括凝聚和分解2種方式，凝聚是從單個(gè)數(shù)據(jù)開(kāi)始，不斷合并2個(gè)或多個(gè)最合適的簇，分解法是將所有的數(shù)據(jù)點(diǎn)看作一個(gè)大簇，然后按照準(zhǔn)則不斷進(jìn)行合適的分裂直到滿足預(yù)設(shè)條件，代表算法有Birch，Cure和Chameleon等；劃分法聚類只是創(chuàng)建數(shù)據(jù)集的一個(gè)單層的劃分，其代表算法包括K-means和K-medoids算法等；基于密度的方法是基于數(shù)據(jù)密度來(lái)度量類間相似度，通過(guò)判斷區(qū)域中的點(diǎn)密度是否大于設(shè)定的閾值講數(shù)據(jù)點(diǎn)聚類；基于網(wǎng)格的方法是將數(shù)據(jù)空間劃分成有限數(shù)目的數(shù)據(jù)單元，通過(guò)數(shù)據(jù)網(wǎng)格結(jié)構(gòu)進(jìn)行聚類處理，其代表算法有Sting，Clique，WaveCluster等；基于模型的聚類算法運(yùn)行在根據(jù)目標(biāo)數(shù)據(jù)集的分布特征假設(shè)的函數(shù)模型之上，典型的聚類模型包括統(tǒng)計(jì)的模型和神經(jīng)網(wǎng)絡(luò)的模型。

由于同類事件通過(guò)傳感器所采集的數(shù)據(jù)具有類似屬性值的特點(diǎn)，選用基于密度的方法對(duì)采集數(shù)據(jù)進(jìn)行聚類分析處理?；诿芏鹊木垲惙椒ㄗR(shí)別類的一個(gè)主要依據(jù)是每個(gè)類中的點(diǎn)的密度明顯高于類外點(diǎn)的密度。

基于密度的聚類算法通過(guò)檢查數(shù)據(jù)集中每個(gè)對(duì)象的ε-領(lǐng)域，即鄰域半徑來(lái)尋找聚類。其輸入?yún)?shù)為ε-領(lǐng)域和MinPts(指在任何簇中的點(diǎn)的最小數(shù)目)。它通過(guò)反復(fù)尋找核心對(duì)象的直接密度可達(dá)對(duì)象，合并密度可達(dá)簇，當(dāng)沒(méi)有新的對(duì)象可以添加到任何簇時(shí)，完成聚類?；诿芏鹊木垲愃惴ㄉ婕暗幕靖拍畎ㄒ韵?方面。

1)密度。定義為在某給定的距離內(nèi)，包含的對(duì)象的最小數(shù)目；

2)核心對(duì)象。根據(jù)對(duì)象的ε-領(lǐng)域包含對(duì)象的數(shù)目確定，如果包含大于或等于MinPts個(gè)對(duì)象，則稱其為核心對(duì)象；

3)直接密度可達(dá)。o是從p直接密度可達(dá)是指給定對(duì)象集合D和核心對(duì)象p，對(duì)象o在對(duì)象p的ε-領(lǐng)域內(nèi)；

4)密度可達(dá)。對(duì)象on是從對(duì)象o密度可達(dá)是指存在一個(gè)對(duì)象鏈o1，o2，…，on，oi+1是從oi關(guān)于ε-領(lǐng)域直接密度可達(dá)的；

5)密度相連。對(duì)象p和q是密度相連是指對(duì)象集合D中存在一個(gè)對(duì)象o，使得對(duì)象p和q是從o密度可達(dá)的。

經(jīng)典的基于密度的聚類算法，如具有噪聲的基于密度的聚類(density-basedspatialclusteringofapplicationswithnoise,DBSCAN)方法等，通過(guò)檢查數(shù)據(jù)集中每個(gè)對(duì)象的ε-領(lǐng)域來(lái)尋找類簇。算法中的ε-領(lǐng)域及密度閾值MinPts為全局參數(shù)，因此，對(duì)密度不均勻的數(shù)據(jù)分類效果較差。在處理密度不均勻的數(shù)據(jù)集上，共享最近鄰密度聚類(sharingnearestneighbor，SNN)[8]的聚類效果相對(duì)具有優(yōu)勢(shì)，相對(duì)DBSCAN而言，SNN改進(jìn)了密度的定義方法，引入新的全局參數(shù)k，將對(duì)象所有k近鄰中與其共享的鄰居個(gè)數(shù)總和定義為密度。通過(guò)密度定義的改變動(dòng)態(tài)反映簇的密度變化，從而識(shí)別密度不均勻的簇[9-11]。

2事件分類分析

傳感器網(wǎng)絡(luò)時(shí)間序列數(shù)據(jù)的事件分類分析處理主要包含3個(gè)過(guò)程：首先，對(duì)傳感器網(wǎng)絡(luò)原始采集數(shù)據(jù)在協(xié)方差特征空間進(jìn)行映射處理；然后，針對(duì)映射后的數(shù)據(jù)進(jìn)行動(dòng)態(tài)密度聚類，對(duì)按照時(shí)間片劃分的數(shù)據(jù)聚類處理形成事件分類簇；最后，針對(duì)日常數(shù)據(jù)，根據(jù)事件分類簇進(jìn)行事件分類判別。

2.1數(shù)據(jù)映射處理

由于傳感器網(wǎng)絡(luò)所采集的數(shù)據(jù)是某一時(shí)刻的瞬時(shí)數(shù)值，并不能準(zhǔn)確反映環(huán)境中實(shí)際的事件變化。因此，將傳感器網(wǎng)絡(luò)采集的一系列原始數(shù)據(jù)集D按時(shí)間片劃分成包含n個(gè)時(shí)刻采集數(shù)據(jù)的Tl的形式。

按照時(shí)間順序?qū)琻個(gè)時(shí)刻采集數(shù)據(jù)的時(shí)間片數(shù)據(jù)Tl映射到協(xié)方差特征空間，取Tl數(shù)據(jù)生成的協(xié)方差矩陣的上三角數(shù)值，并拓展成列向量。

將所有拓展成列向量的時(shí)間片數(shù)據(jù)按時(shí)間匯聚形成數(shù)據(jù)矩陣，從而形成特征空間數(shù)據(jù)集M。數(shù)據(jù)集M中每個(gè)時(shí)間片的數(shù)據(jù)即視為需要聚類處理的一個(gè)對(duì)象。

2.2動(dòng)態(tài)密度聚類

使用動(dòng)態(tài)密度聚類算法，為了自動(dòng)區(qū)分密度不同的簇，需對(duì)數(shù)據(jù)集M中的所有對(duì)象計(jì)算其密度值。選擇密度值最大的對(duì)象開(kāi)始建立一個(gè)新簇，循環(huán)聚集從該對(duì)象直接密度可達(dá)的對(duì)象，直到該簇?zé)o新增對(duì)象；對(duì)剩余對(duì)象迭代此過(guò)程，直到完成全部對(duì)象的處理，形成聚類結(jié)果簇列表S。S中的每項(xiàng)都為一個(gè)類簇C，包含內(nèi)容為數(shù)據(jù)集M中的一個(gè)或多個(gè)數(shù)據(jù)項(xiàng)。

動(dòng)態(tài)密度聚類分析的實(shí)現(xiàn)步驟描述如下。

輸入：數(shù)據(jù)集M、近鄰個(gè)數(shù)參數(shù)k、ε-領(lǐng)域及密度閾值MinPts。

輸出：聚類簇列表S。

1)計(jì)算數(shù)據(jù)集M中所有數(shù)據(jù)項(xiàng)對(duì)象的距離矩陣，根據(jù)距離矩陣及近鄰個(gè)數(shù)k、ε-領(lǐng)域參數(shù)計(jì)算每個(gè)對(duì)象o的密度值；

2)根據(jù)各個(gè)對(duì)象的密度值對(duì)所有對(duì)象排序；

3)選取未歸入類簇的密度最大的對(duì)象ol，建立新簇Cl；

4)遍歷距離矩陣，尋找所有從對(duì)象oi出發(fā)的關(guān)于ε-領(lǐng)域及密度閾值MinPts密度可達(dá)的對(duì)象oj，如果oj未加入其他簇中，則加入對(duì)象oj所對(duì)應(yīng)的簇Ci；

5)重復(fù)步驟4)，直到?jīng)]有新的對(duì)象加入對(duì)象oi所對(duì)應(yīng)的簇Ci；

6)重復(fù)步驟3)，直到所有對(duì)象都已處理完畢；

7)輸出聚類完成的簇列表S={C1,C2,…,Cm} 。

通過(guò)動(dòng)態(tài)密度聚類方法，將協(xié)方差特征空間的數(shù)據(jù)進(jìn)行了分類，分類的數(shù)據(jù)保存在聚類簇列表S中。后續(xù)數(shù)據(jù)可通過(guò)比對(duì)列表S中的類簇C中的模板數(shù)據(jù)進(jìn)行分類處理。

2.3日常數(shù)據(jù)處理

獲得聚類分析結(jié)果后，剔除包含對(duì)象數(shù)目比例較少的聚類簇，將其包含的數(shù)據(jù)對(duì)象劃分為噪聲點(diǎn)或異常事件。而剩余的聚類簇列表S′，體現(xiàn)了傳感器網(wǎng)絡(luò)所監(jiān)測(cè)到的事件分類。聚類簇列表S′包含各簇Ci所對(duì)應(yīng)的核心對(duì)象集{o1,o2,…，om}，可作為日常數(shù)據(jù)分類處理的判據(jù)。

分類判別的實(shí)現(xiàn)步驟描述如下。

1)系統(tǒng)獲得傳感器網(wǎng)絡(luò)采集了對(duì)應(yīng)時(shí)間片的數(shù)據(jù)后，將其映射到協(xié)方差特征空間，形成待分類數(shù)據(jù)p；

2)將數(shù)據(jù)p與聚類簇列表S′包含各簇Ci所對(duì)應(yīng)的核心對(duì)象集{o1,o2,…,om}進(jìn)行距離計(jì)算，并獲得對(duì)應(yīng)距離最小的類簇標(biāo)識(shí)；

3)如果數(shù)據(jù)p與各簇Ci所對(duì)應(yīng)的核心對(duì)象集{o1,o2,…，om}的距離均大于ε-領(lǐng)域，則將該時(shí)間片事件標(biāo)識(shí)為異常事件報(bào)警；否則，將該事件分類為對(duì)應(yīng)距離最小的類簇所標(biāo)識(shí)的事件。

3實(shí)驗(yàn)分析

實(shí)驗(yàn)環(huán)境中，傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)主要包括6種類型，分別為聲強(qiáng)、光強(qiáng)、動(dòng)作、溫度、濕度以及二氧化碳濃度。6種不同類型的傳感器安裝在實(shí)驗(yàn)室的一個(gè)測(cè)試房間內(nèi)，系統(tǒng)每分鐘采集并記錄一次傳感器數(shù)據(jù)。測(cè)試房間在日常的使用中包括了閑置、會(huì)議、清潔等模式。

實(shí)驗(yàn)將傳感器網(wǎng)絡(luò)初始2個(gè)月的采集數(shù)據(jù)作為訓(xùn)練集，按15min的間隔劃分時(shí)間片。通過(guò)對(duì)記錄半年多的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行事件分類分析，聚類分析選擇近鄰個(gè)數(shù)參數(shù)k=8、ε-領(lǐng)域=0.15、密度閾值MinPts=5。

對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行聚類分析處理后可以獲取該房間7×24小時(shí)的事件網(wǎng)格分類模板，如圖1所示。從圖1可以看出，工作日早上6—7點(diǎn)，為空調(diào)系統(tǒng)運(yùn)行事件；晚上22—23點(diǎn)，為清掃事件；在工作日中存在4種不同強(qiáng)度的工作或會(huì)議事件；其余時(shí)刻均為空閑事件。除去篩選后的異常數(shù)據(jù)外，實(shí)驗(yàn)通過(guò)數(shù)據(jù)的聚類分析處理將事件分成了7類，為日常行為模式的模型建立奠定了數(shù)據(jù)基礎(chǔ)，這是前期工作所不能得到的。

未進(jìn)行事件分類的實(shí)驗(yàn)結(jié)果如圖2所示，可以看出，通過(guò)聚類分析處理后的事件分類模板提供了更加明確的關(guān)于監(jiān)控房間的事件分類模式。

圖2　事件分類模板Fig.2　Event classification template

基于T2異常檢測(cè)后獲得的分類模板如圖3所示，與圖2中的基于聚類分析方法進(jìn)行的異常事件檢測(cè)結(jié)果相比，可以看出，基于聚類的異常事件篩選形成的時(shí)間模板更加精細(xì)準(zhǔn)確。與實(shí)際日常事件記錄比對(duì)可以確定，基于聚類的檢測(cè)方法提高了對(duì)異常事件的檢測(cè)準(zhǔn)確率。

圖3　基于T2異常檢測(cè)處理的分類模板Fig.3　Event classification template after originalanomaly detection

4結(jié)論

本文在前期基于異常事件檢測(cè)的傳感器網(wǎng)絡(luò)數(shù)據(jù)分析工作的基礎(chǔ)上，提出了基于協(xié)方差特征空間映射數(shù)據(jù)的聚類分析方法。對(duì)傳感器網(wǎng)絡(luò)在每個(gè)時(shí)刻采集的數(shù)據(jù)按設(shè)定時(shí)間段進(jìn)行分片，將分片數(shù)據(jù)映射至協(xié)方差特征空間，對(duì)映射后數(shù)據(jù)進(jìn)行基于密度的聚類分析處理，獲得了日常數(shù)據(jù)分類模板。

實(shí)驗(yàn)結(jié)果表明，利用聚類分析的方法獲得了關(guān)于傳感器網(wǎng)絡(luò)時(shí)間序列數(shù)據(jù)的事件分類，能更準(zhǔn)確地對(duì)異常事件進(jìn)行篩選，有效完善了7×24 h的事件分類模板，對(duì)于智能環(huán)境的事件分析處理具有實(shí)際參考價(jià)值。

參考文獻(xiàn)：

[1]GHAYVAT H, MUKHOPADHYAY S C, GUI X.Intelligent Environmental Sensing[M].Berlin：Springer International Publishing, 2015:1-31.

[2]HAGRAS H, ALGHAZZAWI D, ALDABBAGH G. Employing Type-2 Fuzzy Logic Systems in the Efforts to Realize Ambient Intelligent Environments(Application Notes)[J].IEEE Computational Intelligence Magazine, 2015, 10(1):44-51.

[3]田會(huì)峰, 袁明新. 基于無(wú)線傳感網(wǎng)的智能環(huán)境監(jiān)控系統(tǒng)設(shè)計(jì)[J].測(cè)控技術(shù), 2014, 33(9):36-39.

TIAN Huifeng,YUAN Mingxin. Design of Intelligent Environment Monitoring System Based on Wireless Sensor Network[J].Measurement & Control Technology,2014, 33(9):36-39.

[4]劉練, 周鳳星. 基于APP的智能家居環(huán)境監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)測(cè)量與控制, 2014, 22(7):2018-2023.

LIU Lian, ZHOU Fengxing. Design and Implementation of Environment Monitoring System at Smart Home Based on APP[J].Computer Measurement & Control,2014,22(7):2018-2023.

[5]YE Li, QIN Zhiguang, WANG Juan,et al.Anomaly Event Detection in Temporal Sensor Network Data of Intelligent Environments[C]//IEEE.2nd International Conference on Computer Engineering and Technology(ICCET).New York:IEEE，2010, 7:414-420.

[6]JIN S Y, YEUNG D S, WANG X Z.Network intrusion detection in covariance feature space[J].Pattern Recognition，2007，40 (8) ：2185-2197.

[7]王邦軍, 李凡長(zhǎng), 張莉,等. 基于改進(jìn)協(xié)方差特征的李-KNN分類算法[J]. 模式識(shí)別與人工智能, 2014(2):173-178.

WANG Bangjun, LI Fanzhang, ZHANG Li, et al. Improved Covariance Feature Based Lie-KNN Classification Algorithm[J].Pattern Recognition and Artificial Intelligence, 2014(2):173-178.

[8]ERTOZ L, MICHAEL S, KUMAR V. Finding clusters of different sizes, shapes, and densities in noisy, high dimensional data[C]∥Proceedings of the third SIAM International Conference on Data Mining (SIAM 2003). San Francisco, CA: SIAM，2003: 47-58

[9]李霞, 蔣盛益, 張倩生, 等. 適用于大規(guī)模文本處理的動(dòng)態(tài)密度聚類算法[J]. 北京大學(xué)學(xué)報(bào)：自然科學(xué)版, 2013, 49(1):133-139.

LI Xia, JIANG Shengyi, ZHANG Qiansheng,et al. A Dynamic Density-Based Clustering Algorithm Appropriate to Large-Scale Text Processing[J].Acta Scientiarum Naturalium Universitatis Pekinensis：Natural Science Edition, 2013, 49(1):133-139.

[10] 萬(wàn)靜, 張義, 何云斌，等.基于KD-樹(shù)和K-means動(dòng)態(tài)聚類方法研究[J].計(jì)算機(jī)應(yīng)用研究,2015, 32(12):3590-3595.

WAN Jing, ZHANG Yi,HE Yunbin,et al.Dynamic clustering algorithm based on KD-tree and K-means method[J].Application Research of Computers,2015, 32(12):3590-3595.

[11] MENARDI G. A Review on Modal Clustering[J]. International Statistical Review, 2015(6):1-12.

Research of time series data events classification in sensor networks

YE Li

(Southwest China Institute of Electronic Technology, Chengdu 610036, P.R.China)

Abstract:The big data collected by sensor networks in intelligent environments are faced with the problem of pattern classification and anomaly detection of time series data events. For the efficient event classification of time series data collected by sensor networks, the clustering analysis in covariance feature space was proposed. By partitioning the time series data which were collected by sensor networks, then mapping to the covariance feature space and using density-based clustering algorithms, the classification template was built to classify the usual event. The classification template was used in anomaly detection. The experiments results show that the proposed methods can effectively classify the time series data events, and enhance the performance of anomaly detection.

Keywords：event classification; times series analysis; density-based clustering; intelligent environments

DOI：10.3979/j.issn.1673-825X.2016.03.023

收稿日期：2016-03-18

修訂日期：2016-05-05通訊作者：葉李forefell@sohu.com

基金項(xiàng)目：國(guó)家自然科學(xué)基金(61379159)；重慶市科委自然科學(xué)基金(cstc2014jcyjA1350)

Foundation Items：The National Natural Science Foundation of China(61379159)；The Natural Science Foundation Project of CQ CSTC (cstc2014jcyjA1350)

中圖分類號(hào)：TP3

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1673-825X(2016)03-0421-05

作者簡(jiǎn)介：

葉李(1977-)，男，四川達(dá)州人，工程師，博士，主要研究方向?yàn)閭刹鞂?duì)抗總體設(shè)計(jì)。E-mail: forefell@sohu.com。

(編輯：王敏琦)