基于时频域特征融合与动态图神经网络的无线传感器网络时空相关性异常检测方法
信号处理
2025-03-04 v1 人工智能
机器学习
摘要
基于注意力机制的Transformer在无线传感器网络（WSN）时序异常检测中发挥了重要作用，因其能够捕获长期依赖关系。然而，存在若干必须解决的问题，例如其捕获长期依赖关系的能力并非完全可靠、计算复杂度较高，以及WSN时序数据的时空特征未被充分提取以检测多节点WSN时序数据的相关性异常。为解决这些局限，本文提出了一种将频域特征与动态图神经网络（GNN）集成在设计好的自编码器重建框架下的WSN异常检测方法。首先，离散小波变换有效分解时间序列的趋势和季节成分，以解决Transformer长期可靠性差的问题。其次，设计了频域注意力机制以充分利用正常数据与异常数据在该域中幅度分布的差异。最后，通过结合注意力机制与图卷积网络（GCN）设计了多模态融合动态图卷积网络（MFDGCN），以自适应地提取空间相关性特征。在公开数据集上进行的一系列实验及其结果表明，本文设计的异常检测方法在精确率和召回率方面优于现有方法，F1分数达到93.5%，相比现有模型提升了2.9%。
引用
@article{arxiv.2503.00036,
title = {A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network},
author = {Miao Ye and Zhibang Jiang and Xingsi Xue and Xingwang Li and Peng Wen and Yong Wang},
journal= {arXiv preprint arXiv:2503.00036},
year = {2025}
}