萤火虫优化和随机森林的WSN异常数据检测

• 作者: 李光辉 许欧阳
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 异常检测 随机森林 无线传感器网络(WSN) 萤火虫算法 选择性集成学习
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 1633-1644
• 页数: 12页
• 分类号: TP393
• 字数: 9747字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1801011

摘要

异常数据检测在无线传感器网络(wireless sensor network,WSN)环境监测系统中发挥重要作用.针对传统的随机森林(random forest,RF)算法因冗余决策树导致异常数据检测效率不高的问题,根据选择性集成思想,提出了一种基于变异二进制萤火虫算法(mutation binary glowworm swarm optimization,MBGSO)以及自适应更新随机森林的WSN异常数据检测算法MBGSO-ARF.该算法使用改进的BGSO算法优化RF进行选择性集成以得到最优子集成分类器,并使得检测模型随数据流的变化而自适应更新,提高了检测准确性并节省了检测时间,对优化算法MBGSO和二进制粒子群算法(binary particle swarm optimization,BPSO)进行了实验对比.仿真实验结果表明:该优化算法优于BPSO算法,MBGSO-ARF算法在准确率上较其余算法都有提升,且集成模型大小得到了压缩.以上结果证明了MBGSO-ARF算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李光辉	江南大学物联网工程学院	13	72	5.0	8.0
10	许欧阳	江南大学物联网工程学院	1	8	1.0	1.0