萤火虫优化和随机森林的WSN异常数据检测

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。