中文摘要：

环境监测和事件检测是无线传感器网络的典型应用。传感器数据流(Sensor data streams)的异常检测和校正对于提高传感器网络的可靠性和可用性至关重要，因为如果不能采集到准确、可靠的数据，传感器网络监测系统将不能进行科学合理的决策。由于节点资源和能量有限，常采用分布式方法对传感器数据流进行验证和异常检测。针对现有分布式方法存在的主要问题，本项目将以森林生态环境监测为应用背景，按照传感器节点的空间相关性程度，重点研究基于故障概率动态调节的数据验证与校正、自适应的事件边缘节点容错检测、基于多维模型拟合的数据验证与异常检测等关键问题，探索建立新的传感器数据流验证与异常检测机制。新的机制将使得无论节点的空间相关性如何，传感器数据流的正确性和可靠性都能得到充分保障，从而提高环境传感器网络应用系统的可用性。

结论摘要：

针对现有环境监测传感器网络应用系统的特征及其异常数据检测方法存在的主要问题，本项目按照传感器节点的空间相关性程度，围绕传感器数据流的离群检测、误差校正、节点定位和可靠路由等关键问题，研究提出了基于神经网络和多维模型的传感器网络异常数据与事件边界检测方法、基于DBSCAN和K-means聚类的异常数据检测方法、基于Top-K(？)的离群检测方法、基于核密度估计的离群检测方法、保护数据质量的节点定位方法，以及不可靠自组织无线网络的高效路由算法。基于真实数据集及人工合成数据集的实验结果表明，提出的新方法对网络节点在不同的空间相关性情形下，均能保证较高的异常数据检测率和较低的误判率，由此提高传感器网络应用系统的可靠性。项目组注重研究成果的推广应用，并与林业及园林管理部门合作，在森林生态环境监测和古树名木缺陷检测领域充分利用项目成果。项目组累计发表学术论文17篇，其中被SCI收录6篇，EI收录9篇；授权国家发明专利1项，申请国家发明专利2项；获得省部级科技奖励2项；毕业在职博士生1名，毕业硕士生5名，目前在读博士生2名、硕士生5名；项目组成员晋升教授和副教授各1名，1人入选浙江省高校中青年学科带头人。