·258· 智能系统学报 第14卷 lab2013b的实验环境下针对国际通用的Intel 数据集。 Berkeley(LBRL)无线传感器网络数据集和LUCE 表1 实验所用数据集 无线传感器网络数据集分别实现了GABP-KF算 Table 1 Experimental data sets 法、未优化的BP-KF算法、Takruri提出的SVR- 序号 数据集 训练样本数 测试样本数 KF算法四以及DRB-KF算法，并进行了实验结 I IBRL_1 1200 1200 果的比较。 I IBRL_2 1000 1000 3.1数据集 W LUCE 1 1100 1100 3.1.1IBRL数据集 IV LUCE 2 1100 1100 V DR d 1100 1100 IBRL数据集来自于部署在Intel Berkeley实 验室内的无线传感器网络，包含54个节点，用于 3.2 去噪处理 监控实验室环境（参见图4）。 针对上述数据集中的所有节点数据，采用硬 阈值去噪的方法进行处理，以减少噪声对GABP KF算法评估所造成的影响。由于本文所采用的 数据集中噪声干扰较小，为进行去噪算法的评 估，故选择在数据集Ⅲ中10号节点处对节点数据 手动添加高斯白噪声，去噪结果参见图5。如图5 0 所示，原始数据与去噪后数据几近重合，这表明 。59二0 本方法对噪声有很好的抑制作用。 图4IBRL的节点分布 Fig.4 Deployment scheme of IBRL sensor network 选取由IBRL部署中的两组传感器节点的数 据子集进行实验。第1组数据子集(IBRL1)包 含的节点ID分别是1、2、3、4、6、7、10、33。第 2组数据子集(IBRL2)包含的节点ID分别是 17、18、19、20、21、22、23。两组数据集都对应于 500 1000 2004-02-28~2004-03-079天内所收集的数据。 1500 2000 样本数 3.1.2LUCE数据集 图5小波去噪实验结果 LUCE数据集（洛桑城市冠层实验）来自于 Fig.5 Experimental results of wavelet denoising 2006年7月以来部署在洛桑联邦理工学院内的无 33模型对比实验 线传感器网络。该网络共包含97个节点，根据节 为比较GABP-KF算法与其他同类算法的模 点之间的时空相关性分为10组传感器节点集。 型拟合程度，基于表1中的5个数据集分别随机 选取LUCE数据集中的两组传感器节点的数 选择其中一个节点的数据针对4种算法进行了 据子集作为实验对象，第1组数据子集(LUCE1) 5次对比实验，并选取平均值作为最终数据，表2 包含的节点ID分别是10、14、15、17、18、19。 给出了4种算法的模型拟合程度对比结果。本文 第2组数据子集(LUCE2)包含的节点ID分别 选用均方误差（式(8）)与决定系数（式(9）)作为判 是21、23、24、25、26、27、28。两组数据子集都 断依据。 对应于2016-10-10~2016-10-134天内所收集的 数据。 (8) 由于上述数据集中节点的测量数据量庞大， 其中存在缺漏值，且采样周期均为31s。因此，对 R2 =1 (9) 每个节点分别以5min的时间间隔进行重新采 样，并均使用温度作为评估数据。为了精确评估 炫对-刘-医 GABP-KF算法的性能，排除实验数据由于缺漏现 式中：n表示训练样本数目，x与分别为第i个 象造成的影响，人工建立了一组具有时空相关性 样本的真实值与预测值。一般情况下，决定系数 的测试数据集(DRd)。表1列出了所使用的所有 越高，均方误差越小，表明模型的拟合程度越好。lab 2013b 的实验环境下针对国际通用的 Intel Berkeley(LBRL) 无线传感器网络数据集和 LUCE 无线传感器网络数据集分别实现了 GABP-KF 算 法、未优化的 BP-KF 算法、Takruri 提出的 SVR￾KF 算法[12]以及 DRB-KF 算法[11] ，并进行了实验结 果的比较。 3.1 数据集 3.1.1 IBRL 数据集 IBRL 数据集来自于部署在 Intel Berkeley 实 验室内的无线传感器网络，包含 54 个节点，用于 监控实验室环境 (参见图 4)。 33 31 32 34 35 37 36 39 38 40 43 44 45 46 47 48 49 50 51 52 53 54 8 9 10 11 12 13 14 15 16 17 19 20 22 23 25 30 28 26 29 27 24 21 18 7 5 6 4 3 2 1 42 41 SERVER KITCHEN ELEC COPY LAB QUIET PHONE STORAGE OFFICE OFFICE CO ENCE 图 4 IBRL 的节点分布 Fig. 4 Deployment scheme of IBRL sensor network 选取由 IBRL 部署中的两组传感器节点的数 据子集进行实验。第 1 组数据子集 (IBRL_1) 包 含的节点 ID 分别是 1、2、3、4、6、7、10、33。第 2 组数据子集 (IBRL_2) 包含的节点 ID 分别是 17、18、19、20、21、22、23。两组数据集都对应于 2004-02-28～2004-03-07 9 天内所收集的数据。 3.1.2 LUCE 数据集 LUCE 数据集 (洛桑城市冠层实验) 来自于 2006 年 7 月以来部署在洛桑联邦理工学院内的无 线传感器网络。该网络共包含 97 个节点，根据节 点之间的时空相关性分为 10 组传感器节点集。 选取 LUCE 数据集中的两组传感器节点的数 据子集作为实验对象，第 1 组数据子集 (LUCE_1) 包含的节点 ID 分别是 10、14、15、17、18、19。 第 2 组数据子集 (LUCE_2) 包含的节点 ID 分别 是 21、23、24、25、26、27、28。两组数据子集都 对应于 2016-10-10～2016-10-13 4 天内所收集的 数据。 由于上述数据集中节点的测量数据量庞大， 其中存在缺漏值，且采样周期均为 31 s。因此，对 每个节点分别以 5 min 的时间间隔进行重新采 样，并均使用温度作为评估数据。为了精确评估 GABP-KF 算法的性能，排除实验数据由于缺漏现 象造成的影响，人工建立了一组具有时空相关性 的测试数据集 (DR_d)。表 1 列出了所使用的所有 数据集。 表 1 实验所用数据集 Table 1 Experimental data sets 序号 数据集 训练样本数 测试样本数 Ⅰ IBRL_1 1 200 1 200 Ⅱ IBRL_2 1 000 1 000 Ⅲ LUCE_1 1 100 1 100 IV LUCE_2 1 100 1 100 V DR_d 1 100 1 100 3.2 去噪处理 针对上述数据集中的所有节点数据，采用硬 阈值去噪的方法进行处理，以减少噪声对 GABP￾KF 算法评估所造成的影响。由于本文所采用的 数据集中噪声干扰较小，为进行去噪算法的评 估，故选择在数据集Ⅲ中 10 号节点处对节点数据 手动添加高斯白噪声，去噪结果参见图 5。如图 5 所示，原始数据与去噪后数据几近重合，这表明 本方法对噪声有很好的抑制作用。 0 500 1 000 1 500 2 000 5 10 15 样本数 温度/℃ 图 5 小波去噪实验结果 Fig. 5 Experimental results of wavelet denoising 3.3 模型对比实验 为比较 GABP-KF 算法与其他同类算法的模 型拟合程度，基于表 1 中的 5 个数据集分别随机 选择其中一个节点的数据针对 4 种算法进行了 5 次对比实验，并选取平均值作为最终数据，表 2 给出了 4 种算法的模型拟合程度对比结果。本文 选用均方误差 (式 (8)) 与决定系数 (式 (9)) 作为判 断依据。 MSE = 1 n ∑n i=1 (xi − xˆi) 2 (8) R 2 = ( n ∑n i=1 xˆixi − ∑n i=1 xˆi ∑n i=1 xi )2  n ∑n i=1 xˆ 2 i − ( ∑n i=1 xˆi )2    n ∑n i=1 x 2 i − ( ∑n i=1 xi )2   (9) 式中：n 表示训练样本数目，xi 与 xˆi 分别为第 i 个 样本的真实值与预测值。一般情况下，决定系数 越高，均方误差越小，表明模型的拟合程度越好。 ·258· 智 能 系 统 学 报 第 14 卷