傳感器網(wǎng)絡(luò)是一個以數(shù)據(jù)為中心的網(wǎng)絡(luò)，傳感器M27C1024-12F1從監(jiān)測環(huán)境收集到的大量數(shù)據(jù)可能存在某種內(nèi)在聯(lián)系。數(shù)據(jù)挖掘技術(shù)可用于從大量的數(shù)據(jù)中挖掘出人們感興趣的數(shù)據(jù)關(guān)聯(lián)規(guī)則或傳感器節(jié)點間的關(guān)系。

   文獻[29]提出了一種用于挖掘傳感器節(jié)點行為模式的算法，其主要目的是確定傳感器節(jié)點行為模式的關(guān)聯(lián)規(guī)則。這些規(guī)則可以用于資源管理或用于彌補網(wǎng)絡(luò)通信的不利因素，以便改進網(wǎng)絡(luò)服務(wù)質(zhì)量。文中給出了傳感器節(jié)點行為模式關(guān)聯(lián)規(guī)則的形式化定義；提出了一種針對數(shù)據(jù)挖掘處理而收集數(shù)據(jù)的壓縮表示結(jié)構(gòu)——位置詞典樹( Positional Lexico-graphic Tree)，該結(jié)構(gòu)有助于快速而有效地挖掘節(jié)點的行為模式；謾計了一個挖掘行為模式的分布式數(shù)據(jù)挖掘算法。

   傳感器網(wǎng)絡(luò)的數(shù)據(jù)大多表現(xiàn)為一種數(shù)據(jù)流的形式，頻度序列挖掘( Frequentsequential mining)可用于挖掘數(shù)據(jù)流的頻度序列模式(frequent sequential patterns)。文獻[30]中提出了一種在線挖掘算法-SSM（Sequential Stream Mining）來挖掘以將這樣的時間序列進行壓縮[33]。

   Eamonn Keogh等提出了分段常量近似(Piecewise Constant Approximation，PCA)的壓縮時間序列技術(shù)[34]。PCA技術(shù)的主要思想是將時間序列表示為多個分段，每個分段由兩個元組組成：數(shù)值常量和結(jié)束時間。其值分別為該分段對應(yīng)的子序列中所有數(shù)據(jù)的均值和最后一個數(shù)據(jù)的采樣時間。

   給定一個時間序列So,”’=S[1：Ⅳ]={研1]，S[2]，…，SM}，PCA產(chǎn)生的分段壓縮序列可以表示為

   PCA(S)={<vi,ri>，…，<V/,r/>，…，<vM,rM》  V1 =0

式中，Vi表示第f個分段中所有數(shù)值的均值，可以表示為

   vf_AVG(s [rf-1+l],J[r/- 1+2],…,s[n])

式中，ri為第f個分段結(jié)束的時間。此處，不需要記錄每個分段的長度，只需要記錄每個分段的結(jié)束時間，即可得到該分段的長度為，i—n 1。

   基于PCA技術(shù)，Losif Lazaridis等[35]提出了Poor Man mean壓縮方法(PMCmean)。PMC—mean是一種壓縮時間序列的在線方法，該方法的思想是將時間序列中每個分段肉所有數(shù)據(jù)均值作為該分段的常量。每采集到一個周期數(shù)據(jù)，計算當前壓縮的時間序列內(nèi)所有數(shù)據(jù)的均值，若該均值與當前時間序列的最大值或最小值的差值超過閾值s時，即停止采樣，將滿足條件的時間序列壓縮為一個分段。