关键词：物联网；多层设备；通信；分类识别
随着现实世界中传感器的广泛部署，互联网技术逐渐渗透到物理实体世界中，越来越多的物理实体通过传感器连接到互联网中实现信息共享，物联网在此背景下应用而生。
1 物联网逻辑架构简介
无论是最新提出面向服务的物联网架构，还是将应用层进一步划分的４或５层物联网架构，其本质均可分为３个逻辑层次．其从下至上依次为：感知层（ｓｅｎｓｉｎｇ）、传输层（ｔｒａｎｓｐｏｒｔ）和应用层（ａｐｐｌｉｃａｔｉｏｎ）。感知层是所有数据的来源，从智能标签ＲＦＩＤ、ＧＰＳ、环境传感器、工业传动器、摄像头等各种各样的智能设备中获取原始数据。物联网发展的最终目标是实现万物互联，所以感知层的目标是全面感知和收集所需的外界信息．这里特别注明学术界常把传感器网络归于感知层，但通过调研发现传感器网络的主要安全任务是传感器节点间信息安全传输，其与传输层的安全任务更为一致。传输层通过各种有线和无线的网络通信技术把感知层收集的信息安全可靠地传输到应用层．主要包含两大安全任务：单一网络内部的信息安全传递问题；不同网络之间的信息安全传递的问题．应用层的主要工作可以抽象概括为２个：（1）云端数据聚合与智能处理。首先应用层中的云服务平台将从传输层接收到的数据进行智能处理，即对海量分布式信息进行数据清理并提炼出含有较高信息量的数据．其主要技术包括搜索引擎、数据挖掘和云数据管理与共享等。（2）应用平台为用户提供服务。云端将处理后的数据传输给用户、企业和管理部门对应的服务程序（如远程医疗Ｗｅｂ服务、管理智能家居设备的ＡＰＰ、智能交通的信息监控与处理平台等），然后由这些应用平台利用这些数据为用户提供所需服务．需要注意：生活中提及的智能家居、智能交通、智能电网等物联网应用场景，并不直接对应物联网架构中的应用层的应用．这些应用场景是建立在完整的３层物联网架构之上的．这里应用层对应的只是这些应用场景中经过感知层收集数据和
传输层传输数据后展示给用户的服务程序。
2 物联网多层设备信息通信数据分类识别原理
在物联网多层设备信息通信数据分类识别原理中，分别在时域、频域以及高阶谱域对物联网多层设备提取多维信号特征，对设备通信特征提取结果进行融合，采用支持向量机对融合结果进行分类识别，具体过程如下所述:假设，监测到的物联网多层设备通信信号为x(t)，结合经验模态分解方法将其描述为本征模态函数c i和余量函数r n之和，则有
（1）.png)
其中，i表示信号分量，n表示通信数据数量，对各个设备通信数据的本征模态函数c i进行Hilbert变换，构建不同设备通信数据的解析信号，获得瞬时频率ωi(t)，并将原始设备通信信号x(t)表示为
（2）.png)
式中，a i(t)eωi(t)满足本征模态函数条件，计算其Hilbert变换H i(ω，t)，获得多层设备通信信号x(t)的完整Hilbert时频谱h(ω)
（3）.png)
其中，T表示设备通信信号采样周期，h(ω)可描述各个频点上的负值分布，d表示变量，根据上述获得的特征来反映物联网多层设备信息通信数据在频域表现出的特性差异。利用高阶谱分析法［10］来描述多层设备信息通信信号中的非规则成分，多层设备信息通信信号特征提取过程如下:
2.1 计算设备通信采样信号x(n)对应的傅里叶变换矢量，设定
（4）.png)
其中，ω=Ω，T表示物联网多层设备通信信号长度，Z表示整数域，q n表示傅里叶积分描述。
2.2计算物联网多层设备通信采样信号x(n)的直接双谱B(ω)
（5）.png)
2.3 计算物联网多层设备通信采样信号x(n)的积分双谱特征，其中，y(l)表示信号双谱的矩形积分路径。
2.4 运用流形约简算法对通信双谱特征y(l)降维，获得适合后续分类识别的低维特征y(l)。对提取的多层设备通信信号特征和杂散特征进行融合，给出稳态特征
（6）.png)
采用支持向量机对物联网多层设备通信信号特征进行分类识别，通过核函数将信息通信数据非线性可分问题转变成线性可分问题，利用下式给出信息通信数据分类判别函数
（7）.png)
其中，S表示支撑向量的数量，ωu、ωi表示权系数，支持向量机中的核函数K(x i·x)用于表征多层设备通信信号特征矢量x和x i的近似性程度的非线性函数。根据上述步骤，完成了物联网多层设备信息通信数据分类识别，根据该原理实现了多层设备信息通信数据饿分类识别。
3 物联网多层设备信息通信数据分类识别
3.1 具有较强可分离度的通信数据特征提取。在对物联网多层设备信息通信数据分类识别过程中，通过多层设备源信号的对角切片双谱提取通信信号特征，利用Chirp－Z变换将通信信号特征从频域扩展至复平面，利用基于巴氏距离的分离度准则作为设备通信信号双谱二次特征提取依据，选取出具有较强可分离度特征作为多层设备信息通信特征参数，具体过程如下所述:假设，(n)表示物联网多层设备通信数据k阶平稳随机过程，此过程相应的k阶累积量为C kx(τ1，…，τk－1)，由以上两项设定多层设备通信信号k阶谱为k阶积累量的κ－1维离散时间傅里叶变换，即
.png)
（8）
其中，τ1，…，τκ－1表示累积项，ω1，…，ωκ－1表示累积项的权值。满足上式时，则称通信信号三阶谱为双谱，利用B x(ω1，ω2)进行表示
（9）.png)
其中，x(ω)表示(n)相应的离散时间傅里叶变换，c 3x(τ1，τ2)表示通信信号三阶谱累积项加权和。结合双谱法和双谱对角切片法对多层设备通信数据进行特征提取，利用Chirp－Z变换将通信信号特征从频域扩展至复平面，利用下式给出Chirp－Z变换式
（10）.png)
其中，z k用于描述Z平面中某一条路径的抽样点
（11）.png)
其中，A用于描述初始采样点，W表示线路径扩展率。使用Fisher可分离性测度对多层设备通信信号双谱特征进行排序，选取具有较强可分离性的特征作为分类识别中的特征描述项，利用下式给出Fisher测度
（12）.png)
其中，p l表示随机变量，表示先验概率，分别表示物联网多层设备第l类通信信号在频率ω=(ω1，ω2)处的均值和方差，用于描述全部通信信号在频率ω处的样本双谱中心。为了有效解决该问题，使用巴氏距离作为判别多层设备信息通信信号类分离度的基准，结合上述Fisher测度分析结果，给出巴氏距离拓展式
（13）.png)
由上式可以看出，对于(i，j)两类设备通信信号，相应的巴氏距离m ij(ω)越大，样本可分性越好。
3.2 基于最优聚类准则的通信数据特征分类识别。在对物联网多层设备信息通信数据分类识别过程中，使用模糊C均值聚类算法对3．1节获得的设备通信特征进行初步聚类，选取聚类性能较优的通信数据作为支持向量机(SVM)的训练样本，采用差分进化算法对分类器参数优化，再采用训练好的SVM对剩余物联网多层设备信息通信数据进行分类识别。具体过程如下所述。假设，表示由3．1节选取出的具有较强可分离度特征作为多层设备信息通信特征样本集合，划分c个模糊组，计算各组的聚类中心c j。利用下式给出设备通信特征聚类目标函数
（14）.png)
其中，cα表示设备通信特征模糊组α相应的聚类中心，C0表示期望聚类的数量，dαβ=|cα－xβ|表示设备通信特征第α个聚类中心与第β个通信数据点间的欧几里得距离，m为一个加权指数。对设备通信特征进行模糊聚类就是通过多次迭代最优化目标函数J c实现，此过程是一个进化过程，利用下式给出多层设备通信特征聚类模糊隶属度uαβ和聚类中心cαβ
（15）.png)
其中，表示加权指数为m的特征聚类模糊隶属度。从上式中，选取聚类性能较优的通信数据作为支持向量机(SVM)的训练样本，给定物联网多层设备通信数据训练样本，期望输出用于描述不同类别设备通信数据类别标识，w表示不同设备通信数据分类的最优超平面，其中，分别表示权重向量和输入向量，b表示偏置。对于确定的通信数据分类最优超平面，所有通信数据样本满足下式
（16）.png)
式中，ξi表示惩罚项。当满足ξi＞1条件时，物联网多层设备通信数据点划分至分类超平面的正确一侧，当满足ξi=1时，转换为线性可分问题。对于非线性问题，寻找和b最优值，使其在上式约束下，最小化关于和b的目标函数，则有
（17）.png)
其中，C k表示惩罚函数。结合拉格朗日乘子求解上述最优化问题，将最优化问题转换成对偶问题。采用差分进化算法对以上两项参数进行最优搜索，对SVM参数进行训练和测试，计算个体对应的目标函数值
（18）.png)
其中，Ｒ表示个体杂交参数，p∈［0，1］表示区间内的随机数，D表示目标函数解空间维数，^xαβ(t)、^xαβ(t+1)表示第t、t+1次迭代中的变异个体。通过多次迭代，最终输出支持向量机模型最优C k和σ的值。综上所述，完成了物联网多层设备信息通信数据的分类识别。
物联网多层设备信息通信数据分类识别是一个全新的研究领域，还需要对设备通信特征提取过程、识别方法进行进一步的研究，进一步提升海量数据下的识别速度。
参考文献:
［1］丁燕．一种新的电能质量扰动信号压缩感知识别方法［J］．电力系统保护与控制，2017，45(3):7－12．
［2］周海．基于改进极限学习机算法的行为识别［J］．计算机工程与科学，2017，39(9):1749－1757．
论文作者:李飞举
论文发表刊物:《城镇建设》2020年4期
论文发表时间:2020/4/13
标签：通信论文; 设备论文; 多层论文; 数据论文; 特征论文; 信号论文; 信息论文; 《城镇建设》2020年4期论文;