王曉艷，張 楠

(1.山西工程科技職業(yè)大學(xué)計(jì)算機(jī)工程學(xué)院，山西 晉中 030619；2.山西大同大學(xué)機(jī)電工程學(xué)院，山西 大同 037003)

無(wú)線傳感器網(wǎng)絡(luò)是一種分布式網(wǎng)絡(luò)，利用傳感器可以獲取更加精準(zhǔn)的數(shù)據(jù)變化趨勢(shì)，同時(shí)還可以采集數(shù)據(jù)特征，將獲取的全部信息直接發(fā)送給用戶(hù)。由于受到周?chē)h(huán)境和自身等因素的影響，在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)中存在大量的噪聲，導(dǎo)致無(wú)法準(zhǔn)確區(qū)分不同類(lèi)型的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)[1-2]。

為此，國(guó)內(nèi)外相關(guān)專(zhuān)家針對(duì)無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)方面的內(nèi)容展開(kāi)了大量研究，樊成等[3]將圖卷積網(wǎng)絡(luò)、多任務(wù)學(xué)習(xí)以及自適應(yīng)加權(quán)策略三者有效結(jié)合，并且在模型訓(xùn)練過(guò)程中加入對(duì)應(yīng)的節(jié)點(diǎn)相關(guān)性，以此為依據(jù)展開(kāi)權(quán)重任務(wù)劃分操作，最終實(shí)現(xiàn)網(wǎng)絡(luò)節(jié)點(diǎn)分類(lèi)處理。 謝潤(rùn)山等[4]主要基于函數(shù)鏈神經(jīng)網(wǎng)絡(luò)構(gòu)建深度分類(lèi)器，通過(guò)分類(lèi)器完成節(jié)點(diǎn)分類(lèi)處理。 Uppal 等[5]利用下降曲線對(duì)傳感器節(jié)點(diǎn)進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)靜態(tài)節(jié)點(diǎn)分類(lèi)。 但因無(wú)線傳感器網(wǎng)絡(luò)中靜態(tài)節(jié)點(diǎn)包含一定的不確定信息，通常認(rèn)為不確定信息主要來(lái)源于傳感器對(duì)目標(biāo)的不充分觀測(cè)所獲取的不精確數(shù)據(jù)，以及對(duì)目標(biāo)的局部觀測(cè)所得到的不完整數(shù)據(jù)。 不精確數(shù)據(jù)和不完整數(shù)據(jù)都會(huì)使靜態(tài)節(jié)點(diǎn)分類(lèi)問(wèn)題變得十分復(fù)雜，且極易造成錯(cuò)誤的分類(lèi)結(jié)果。 傳統(tǒng)的基于粗糙集理論的決策級(jí)融合技術(shù)很難對(duì)數(shù)據(jù)中的不確定信息進(jìn)行有效的刻畫(huà)。

在以上幾種網(wǎng)絡(luò)節(jié)點(diǎn)分類(lèi)算法的基礎(chǔ)上，提出一種改進(jìn)粗糙集理論的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)算法。 采用多次采樣法對(duì)數(shù)據(jù)進(jìn)行加權(quán)處理，利用DHA 算法對(duì)含有噪聲的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行濾波處理，通過(guò)錯(cuò)誤分類(lèi)率中的變精度粗糙集對(duì)粗糙集理論進(jìn)行改進(jìn)，提取靜態(tài)節(jié)點(diǎn)特征，基于支持向量機(jī)構(gòu)建無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)模型，對(duì)節(jié)點(diǎn)進(jìn)行分類(lèi)處理。 仿真結(jié)果表明，所提算法可以得到精準(zhǔn)的節(jié)點(diǎn)分類(lèi)結(jié)果。

1 無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)方法設(shè)計(jì)

根據(jù)多次采樣法采集節(jié)點(diǎn)數(shù)據(jù)后，對(duì)數(shù)據(jù)進(jìn)行加權(quán)處理，通過(guò)DHA 算法去除節(jié)點(diǎn)數(shù)據(jù)中的噪聲，利用錯(cuò)誤分類(lèi)率中的變精度粗糙集和錯(cuò)誤分類(lèi)器，改進(jìn)粗糙集模型，提取靜態(tài)節(jié)點(diǎn)特征，結(jié)合支持向量機(jī)完成節(jié)點(diǎn)分類(lèi)處理。

1.1 無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)濾波

采集無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)過(guò)程中，如果節(jié)點(diǎn)數(shù)據(jù)中的隨機(jī)噪聲Ri，t服從期望趨近為0，則對(duì)應(yīng)的噪聲均值可以表示為:

式中:Ui，t代表噪聲均值；ri，t代表在t時(shí)間段內(nèi)第i個(gè)帶有噪聲的節(jié)點(diǎn)數(shù)據(jù)。

在給定噪聲均值在允許誤差范圍內(nèi)以及節(jié)點(diǎn)數(shù)量穩(wěn)定的情況下，假設(shè)n次采樣的平均隨機(jī)噪聲落在允許誤差范圍內(nèi)，則采用其代替真實(shí)數(shù)據(jù)的置信度，對(duì)應(yīng)的計(jì)算式為:

式中:di，t代表無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)對(duì)應(yīng)的置信度值；P(x，y)代表真實(shí)節(jié)點(diǎn)數(shù)量的置信度；代表平均隨機(jī)噪聲對(duì)應(yīng)的誤差范圍。

假設(shè)給定無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)的置信度之后，需要估計(jì)節(jié)點(diǎn)數(shù)量，對(duì)應(yīng)的計(jì)算式為:

式中:αi，t代表無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的數(shù)量估計(jì)值。 同時(shí)，通過(guò)對(duì)上述公式分析可知，當(dāng)無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)量開(kāi)始增加，對(duì)應(yīng)的節(jié)點(diǎn)置信度也隨之增加。

為了有效濾除無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)中的噪聲，主要引入Kalman 線性濾波或者線性回歸給出一個(gè)預(yù)測(cè)區(qū)域[ait，bit]，假設(shè)節(jié)點(diǎn)落在預(yù)測(cè)區(qū)域內(nèi)，則說(shuō)明節(jié)點(diǎn)滿(mǎn)足置信度需求，不需要去噪處理；假設(shè)節(jié)點(diǎn)落在預(yù)測(cè)區(qū)域外，主要通過(guò)兩種不同的方式有效濾除節(jié)點(diǎn)數(shù)據(jù)中的噪聲，分別為:

①本地測(cè)試:

采用多次采樣的方法提高數(shù)據(jù)的置信度；在測(cè)試鄰居節(jié)點(diǎn)時(shí)，對(duì)測(cè)試結(jié)果展開(kāi)加權(quán)處理，得到去噪處理后的數(shù)據(jù)。

②鄰居測(cè)試:

在鄰居節(jié)點(diǎn)測(cè)試過(guò)程中，各個(gè)節(jié)點(diǎn)數(shù)據(jù)之間的置信度和鄰居節(jié)點(diǎn)數(shù)量?jī)烧咧g存在密切關(guān)聯(lián)，檢測(cè)到鄰近樣本之間的節(jié)點(diǎn)數(shù)量越多，對(duì)應(yīng)節(jié)點(diǎn)的置信度取值也就越高。 反之，則說(shuō)明鄰居節(jié)點(diǎn)數(shù)量比較少，對(duì)應(yīng)的置信度也就越低，同時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)量也沒(méi)辦法達(dá)到設(shè)定的置信度需求。

在給定置信度展開(kāi)鄰居測(cè)試過(guò)程中，采集的節(jié)點(diǎn)數(shù)據(jù)達(dá)到設(shè)定的置信度時(shí)，則節(jié)點(diǎn)需要的最少鄰居節(jié)點(diǎn)需要滿(mǎn)足設(shè)定的要求。 優(yōu)先分析無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的稠密情況，通過(guò)WMA 算法對(duì)鄰居節(jié)點(diǎn)進(jìn)行測(cè)試處理，由于此時(shí)鄰居節(jié)點(diǎn)的數(shù)量比較大，所以各個(gè)節(jié)點(diǎn)都需要接收大量的鄰居節(jié)點(diǎn)數(shù)量，對(duì)應(yīng)的網(wǎng)絡(luò)通信能量也隨之增加，加重網(wǎng)絡(luò)的負(fù)擔(dān)，導(dǎo)致網(wǎng)絡(luò)運(yùn)行不暢。 為了有效避免上述情況的發(fā)生，確保數(shù)據(jù)達(dá)到設(shè)定的置信度，需要設(shè)定各個(gè)節(jié)點(diǎn)的能量消耗范圍dpt，具體的計(jì)算式如下:

式中:d代表節(jié)點(diǎn)消耗的能量值；plx代表節(jié)點(diǎn)接收一個(gè)字節(jié)所消耗的能量。

為了有效控制無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)測(cè)試的通信消耗，確保數(shù)據(jù)準(zhǔn)確性后，節(jié)點(diǎn)對(duì)應(yīng)的鄰居節(jié)點(diǎn)會(huì)形成一個(gè)隨機(jī)數(shù)據(jù)r，如果0＜r＜[ait，bit]則節(jié)點(diǎn)需要將感知數(shù)據(jù)發(fā)送給另外一個(gè)節(jié)點(diǎn)；反之，則不需要將感知數(shù)據(jù)發(fā)送給另外一個(gè)節(jié)點(diǎn)。 通過(guò)隨機(jī)變量si判斷節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)j是否需要將感知數(shù)據(jù)發(fā)送給另外一個(gè)節(jié)點(diǎn)，對(duì)應(yīng)的計(jì)算式如下:

受到網(wǎng)絡(luò)帶寬問(wèn)題的影響，當(dāng)網(wǎng)絡(luò)中需要接收和發(fā)送的數(shù)據(jù)包數(shù)量達(dá)到一定程度，大量信息堆積在一起會(huì)產(chǎn)生擁堵。 發(fā)生擁堵后，傳感器網(wǎng)絡(luò)中的數(shù)據(jù)無(wú)法接收和傳送，同時(shí)數(shù)據(jù)受到噪聲的影響，影響了網(wǎng)絡(luò)的正常通信效果，導(dǎo)致網(wǎng)絡(luò)的通信功能無(wú)法順利展開(kāi)。 所以，進(jìn)行鄰居測(cè)試時(shí)，在節(jié)點(diǎn)數(shù)量較多的情況下，有效調(diào)節(jié)鄰居數(shù)量也就顯得十分重要。 在計(jì)算節(jié)點(diǎn)稠密度的過(guò)程中，采用DHA 算法對(duì)數(shù)據(jù)進(jìn)行去噪處理可以有效避免數(shù)據(jù)擁堵情況的發(fā)生，確保節(jié)點(diǎn)通信的正常運(yùn)行。 通過(guò)上述分析，給出無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)濾波的詳細(xì)操作步驟[6-8]:

①優(yōu)先對(duì)無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)展開(kāi)密度測(cè)試，對(duì)決策網(wǎng)絡(luò)進(jìn)行初始化處理，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)節(jié)點(diǎn)ID 消息包，可以同時(shí)接收周?chē)従庸?jié)點(diǎn)信息。

②分別計(jì)算無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)時(shí)間維和空間維的加權(quán)平均值和，如式(6)所示:

式中:ωit代表無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的方差值；vit代表節(jié)點(diǎn)的傳播速度；βit代表鄰居節(jié)點(diǎn)形成的廣播消息包；τit代表鄰居節(jié)點(diǎn)在傳感器網(wǎng)絡(luò)中的總數(shù)；u代表網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)密度；N代表鄰居節(jié)點(diǎn)總數(shù)；cij代表無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)通信過(guò)程中產(chǎn)生的開(kāi)銷(xiāo)；eit代表鄰居節(jié)點(diǎn)的抽樣總數(shù)。

③隨著時(shí)間的推進(jìn)，通過(guò)樣本數(shù)據(jù)可以更加精準(zhǔn)反映網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的運(yùn)行情況，在完成式(6)計(jì)算后，引入DHA 算法對(duì)含有噪聲的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行濾波處理，進(jìn)而獲取去噪后的節(jié)點(diǎn)數(shù)據(jù)[9-10]，詳細(xì)的計(jì)算式如式(7)所示:

式中:f(x，y)代表經(jīng)過(guò)濾波處理后的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)濾波處理結(jié)果。

1.2 改進(jìn)粗糙集理論的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)

隨著數(shù)據(jù)規(guī)模的不斷增加以及數(shù)據(jù)類(lèi)型日益復(fù)雜多樣，粗糙集理論的應(yīng)用場(chǎng)景也日益多樣化[11-13]。 粗糙集理論是對(duì)數(shù)據(jù)進(jìn)行分析及處理的理論，通過(guò)錯(cuò)誤分類(lèi)率中的變精度粗糙集對(duì)粗糙集理論進(jìn)行改進(jìn)，提高數(shù)據(jù)的綜合處理效果。 將改進(jìn)的粗糙集理論應(yīng)用到無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)過(guò)程中。 在不完備的信息系統(tǒng)中，設(shè)定兩個(gè)隨機(jī)無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的差異度為Sa(x，y)，對(duì)應(yīng)的計(jì)算式如下:

式中:g(a)和g(b)分別代表節(jié)點(diǎn)數(shù)據(jù)對(duì)應(yīng)的屬性值；gmax和gmin分別代表節(jié)點(diǎn)數(shù)據(jù)的最大屬性值和最小屬性值。

由于網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)的不完備性，需要根據(jù)得到的節(jié)點(diǎn)數(shù)據(jù)差異度進(jìn)行劃分處理，將明確屬性的節(jié)點(diǎn)數(shù)據(jù)劃分到對(duì)應(yīng)的類(lèi)中[14-15]。 為了避免在劃分過(guò)程中出現(xiàn)劃分結(jié)果不準(zhǔn)確的問(wèn)題，需要引入閾值展開(kāi)進(jìn)一步的計(jì)算和分析，設(shè)定無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)之間的綜合差異度Fb(x，y)為:

式中:m代表無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)總數(shù)。

在不對(duì)數(shù)據(jù)造成損失的情況下，需要確保數(shù)據(jù)的綜合處理效果得到明顯提升，通過(guò)錯(cuò)誤分類(lèi)率中的變精度粗糙集構(gòu)建改進(jìn)的粗糙集模型，如式(10)所示:

式中:κ(x，y)代表改進(jìn)后的粗糙集模型；在改進(jìn)處理后的模型中，近似區(qū)域和各個(gè)參數(shù)之間存在密切的關(guān)聯(lián)，假設(shè)參數(shù)的取值發(fā)生改變，則近似區(qū)域相應(yīng)地也會(huì)發(fā)生改變。 在粗糙集模型中引入錯(cuò)誤分類(lèi)器，主要目的是進(jìn)一步對(duì)模型進(jìn)行優(yōu)化處理，進(jìn)而獲取更大和更小的上下近似集，同時(shí)也為后續(xù)的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)奠定堅(jiān)實(shí)的基礎(chǔ)。 采用改進(jìn)后的模型提取無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)，詳細(xì)的操作流程如圖1 所示。

圖1 基于改進(jìn)粗糙集理論的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)特征提取方法

通過(guò)式(11)計(jì)算隨機(jī)兩個(gè)節(jié)點(diǎn)之間的入度和出度相加的和C(uxy):

式中:eij代表傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的維度特征；D(x，y)代表傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)的聚集系數(shù)，通過(guò)節(jié)點(diǎn)的聚集系數(shù)描述節(jié)點(diǎn)對(duì)應(yīng)的聚集程度，對(duì)應(yīng)的計(jì)算式為:

經(jīng)過(guò)上述分析，引入支持向量機(jī)[16]建立無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)模型完成節(jié)點(diǎn)分類(lèi)處理[17-18]，詳細(xì)的操作步驟如下所示:

①為了提升分類(lèi)模型的泛化能力，需要在支持向量機(jī)目標(biāo)函數(shù)以及約束條件的基礎(chǔ)上加入松弛函數(shù)以及懲罰參數(shù)展開(kāi)校正處理，進(jìn)而獲取優(yōu)化處理后的目標(biāo)函數(shù)p(x，y，z):

②通過(guò)拉格朗日優(yōu)化方法將相關(guān)函數(shù)的優(yōu)化問(wèn)題轉(zhuǎn)換處理，形成對(duì)偶問(wèn)題求解，詳細(xì)的操作步驟如下所示:

式中:S(x，y，z)代表對(duì)偶問(wèn)題的求解結(jié)果。

③通過(guò)高斯核函數(shù)替換徑向基函數(shù)，同時(shí)將全部無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)特征映射到高維特征空間內(nèi)，進(jìn)行線性分類(lèi)處理K(x，y，z)，其計(jì)算式為:

④利用處理后的函數(shù)在高維特征空間內(nèi)建立最優(yōu)分類(lèi)超平面，得到分類(lèi)函數(shù)，通過(guò)分類(lèi)函數(shù)結(jié)合支持向量機(jī)建立無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)模型，將提取的靜態(tài)節(jié)點(diǎn)特征輸入到分類(lèi)器中，通過(guò)上述步驟完成無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)處理。

2 仿真結(jié)果與分析

為了驗(yàn)證所提改進(jìn)粗糙集理論的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)算法的有效性，在Github 數(shù)據(jù)集中選取900 個(gè)節(jié)點(diǎn)作為仿真節(jié)點(diǎn)，將無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)輸入到分類(lèi)模型中，計(jì)算節(jié)點(diǎn)之間的差異度后，利用四種方法提取無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)特征，并將其輸入到分類(lèi)器中，對(duì)節(jié)點(diǎn)進(jìn)行分類(lèi)處理。 仿真參數(shù)設(shè)置如表1 所示。

表1 仿真參數(shù)設(shè)置

選取四個(gè)指標(biāo)評(píng)估各個(gè)算法的分類(lèi)性能，分別為:

①正確率(Accuracy):正確分類(lèi)節(jié)點(diǎn)在節(jié)點(diǎn)總數(shù)中所占據(jù)的比例，正確率越高說(shuō)明該算法的分類(lèi)性能越好；

②召回率(Recall):節(jié)點(diǎn)被正確劃分到所屬差別的比例，主要是用來(lái)衡量對(duì)節(jié)點(diǎn)的查找是否全面，召回率越高，查找效果越好；

③F1 值:是正確率和召回率兩者的綜合評(píng)估指標(biāo)，F(xiàn)1 值越大，說(shuō)明該算法的分類(lèi)效果越好；

④能量消耗:是傳感器靜態(tài)節(jié)點(diǎn)分類(lèi)過(guò)程中消耗的能量，消耗能量越小，分類(lèi)效果越好。選取文獻(xiàn)[3]算法、文獻(xiàn)[4]算法和文獻(xiàn)[5]算法作為對(duì)比算法，仿真結(jié)果如下:

2.1 Accuracy 仿真

首先分析四種算法的Accuracy 變化情況，仿真結(jié)果如圖2 所示。

圖2 不同分類(lèi)算法的Accuracy 結(jié)果對(duì)比

分析圖2 中的數(shù)據(jù)可知，各個(gè)方法的Accuracy會(huì)隨著節(jié)點(diǎn)數(shù)量的變化而變化，文獻(xiàn)[3]算法、文獻(xiàn)[4]算法和文獻(xiàn)[5]算法的Accuracy 范圍分別為92.854% ～96.852%、92.002% ～95.411%和96.021%～97.215%，而所提算法的Accuracy 值始終高于96.852%。 因?yàn)樗崴惴▽?duì)全部無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)數(shù)據(jù)展開(kāi)了濾波處理，所以后期獲取的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)正確率取值會(huì)更高一些，進(jìn)一步驗(yàn)證了所提算法的分類(lèi)性能。

2.2 Recall 仿真

進(jìn)一步分析四種不同分類(lèi)算法的Recall 變化情況，仿真結(jié)果如圖3 所示。

圖3 不同分類(lèi)算法的Recall 結(jié)果對(duì)比

從圖3 可以看出，各個(gè)算法的Recall 結(jié)果隨著節(jié)點(diǎn)數(shù)量的變化而變化，但是各個(gè)算法的變化幅度并不是很大。 在四種分類(lèi)算法中，文獻(xiàn)[3]算法、文獻(xiàn)[4]算法和文獻(xiàn)[5]算法的Recall 范圍分別為93.854%～95.471%、92.220%～95.415%和96.102%～96.899%，而所提算法獲取的Recall 值始終高于97.321%，證明所提算法的召回率更高，查找更全面。

2.3 F1 值仿真

F1 值結(jié)果如圖4 所示。

圖4 不同分類(lèi)算法的F1 值對(duì)比

由圖4 可知，在相同的節(jié)點(diǎn)數(shù)量下，文獻(xiàn)[3]算法的F1 值在95%左右，文獻(xiàn)[4]算法的F1 值在96%左右，文獻(xiàn)[5]算法的F1 值在96.5%左右，而所提算法的F1 值最高，在97%以上，說(shuō)明所提算法的分類(lèi)性能較好，驗(yàn)證了所提算法的優(yōu)越性。

2.4 能量消耗仿真

四種算法的能量消耗情況如圖5 所示。

圖5 不同分類(lèi)算法的能量消耗結(jié)果對(duì)比

由圖5 中的數(shù)據(jù)可知，當(dāng)節(jié)點(diǎn)數(shù)量呈直線上升時(shí)，各個(gè)分類(lèi)算法產(chǎn)生的能量消耗也會(huì)相應(yīng)增加。經(jīng)過(guò)對(duì)比分析可知，在四種算法中，文獻(xiàn)[3]算法、文獻(xiàn)[4]算法和文獻(xiàn)[5]算法的能量消耗范圍分別為15.66 J～105.69 J、16.99 J ～120.99 J 和15.52 J ～100.20 J，而所提算法的能量消耗在12.52 J～90.20 J，能量消耗最低。 主要是因?yàn)樗崴惴▽?duì)節(jié)點(diǎn)數(shù)據(jù)展開(kāi)了濾波處理，有效簡(jiǎn)化了分類(lèi)環(huán)節(jié)，進(jìn)而降低分類(lèi)過(guò)程中產(chǎn)生的能量消耗，驗(yàn)證了所提算法可有效降低傳感器靜態(tài)節(jié)點(diǎn)分類(lèi)過(guò)程中的能量消耗。

3 結(jié)束語(yǔ)

為了更好區(qū)分無(wú)線傳感器網(wǎng)絡(luò)中不同類(lèi)型的靜態(tài)節(jié)點(diǎn)，提出一種改進(jìn)粗糙集理論的無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)算法。 仿真結(jié)果證明:

①所提算法的Accuracy 值始終高于96.852%，分類(lèi)性能更好；②所提算法獲取的Recall 值始終高于97.321%，證明該算法查找更全面、查找效果最好；③所提算法的F1 值高于97%，說(shuō)明該算法的分類(lèi)效果更好；④所提算法的能量消耗在12.52 J ～90.20 J 之間，能量消耗最低，分類(lèi)效果最好。

通過(guò)上述結(jié)果證明，采用所提算法對(duì)無(wú)線傳感器網(wǎng)絡(luò)靜態(tài)節(jié)點(diǎn)分類(lèi)可以獲取高精度的分類(lèi)結(jié)果，同時(shí)還可以有效降低分類(lèi)過(guò)程中產(chǎn)生的能量消耗。