1.基于时空特征融合的无线传感器网络数据修复方法，其特征是，包括步骤如下：步骤1、利用无线传感器网络中的传感器节点采集到的网络数据构建网络数据矩阵F：F＝{fn,t}

其中，fn,t为网络中第n个传感器节点在第t时刻采集的数据；n＝1,2,…,N，N表示传感器节点的总数；t＝1,2,…,T，T表示采样时刻总数；

步骤2、基于网络数据的空间关联性建立建立网络数据的空间域图模型，并得到空间权S

矩阵W：

其中， 表示空间域节点 和空间域节点 之间的空间权值； 表示空间域节点和空间域节点 之间的空间邻接索引，当节点 和节点 之间有边相连，则反之 表示空间域节点 和空间域节点 之间的地S S

理距离；i ,j＝1,2,…,N，N表示空间域中节点总数即传感器节点的总数；

步骤3、基于网络数据的时间关联性建立网络数据的时间域图模型，并得到时间权矩阵TI

W ：

其中， 表示时间域节点 和时间域节点 之间的时间权值； 表示时间域中时间域节点 和时间域节点 之间的时间邻接索引，当时间域节点 和时间域节点之间有边相连，则 反之 xt+1表示t+1时刻的参考网络数TI TI

据值，xt表示t时刻的参考网络数据值；i ,j ,t＝1,2,…,T，T表示时间域中节点总数即采样时刻总数；

步骤4、基于网络数据的空间域图模型和时间域图模型融合生成网络数据的联合域图J

模型，并获得联合权矩阵W：TI S S TI

其中，W 表示时间权矩阵；W 表示空间权矩阵；I 表示N×N的单位矩阵；I 表示T×T的单位矩阵； 表示克罗内克积；N表示空间域中节点总数即传感器节点的总数，T表示时间域中节点总数即采样时刻总数；

J

步骤5、根据联合权矩阵W 和联合权值 计算得到网络数据在联合域图模型中的随机J

游走矩阵P：

J J 1 J

P＝(D)‑W

J

其中，W 表示联合权矩阵， 表示联合域节点 和联合域节点 之间J

的联合权值；D 表示联合域图模型中的度矩阵，J J

i ,j＝1,2,…,N×T，N表示空间域中节点总数即传感器节点的总数，T表示时间域中节点总数即采样时刻总数；

J J

步骤6、根据随机游走矩阵P计算图低通滤波器h(P)：J J J J T J Jh(P)＝[I‑σ(I‑P) (I‑P)]J J

其中，I表示(N×T)×(N×T)的单位矩阵；P表示随机游走矩阵；σ表示控制参数；N表示空间域中节点总数即传感器节点的总数，T表示时间域中节点总数即采样时刻总数；

步骤7、将步骤1所得到的网络数据矩阵F按列向量化处理后得到网络数据向量[vec(F)]，该网络数据向量[vec(F)]为未丢失数据向量[vec(F)]Known和已丢失数据向量[vec(F)]Unknown的并集；

步骤8、设置网络数据迭代修复算法的跳出阈值ε；并设置网络数据迭代修复算法的初R (0)

始值，令初始迭代次数k＝0，令初始网络数据修复向量[vec(F)] ＝[vec(F)]；

R (k+1) R (k+1)步骤9、计算当前网络数据修复向量[vec(F)] ，该网络数据修复向量[vec(F)]为当前未丢失数据修复向量 和当前已丢失数据修复向量 的并集；

R (k+1) J R (k)[vec(F)] ＝h(P)[vec(F)]J R (k+1) R

其中，h(P)表示图低通滤波器；[vec(F)] 表示当前网络数据修复向量；[vec(F)(k)

] 表示上一次迭代的网络数据修复向量；

步骤10、用步骤7的网络数据向量[vec(F)]中的未丢失数据向量[vec(F)]Known去替换步R (k+1)

骤9所得到的当前网络数据修复向量[vec(F )] 中的当前未丢失数据修复向量R (k+1)

以更新当前网络数据修复向量[vec(F)] ；

R (k+1) R (k)步骤11、若|[vec(F)] ‑[vec(F)] |＜ε，则网络数据迭代修复算法终止，并输出第R (k+1)

k+1次迭代的网络数据修复向量[vec(F)] ；否则，令迭代次数k加1，并跳转至步骤9。

2.根据权利要求1所述基于时空特征融合的无线传感器网络数据修复方法，其特征是，‑6

步骤8中，跳出阈值ε＝10 。

3.根据权利要求1所述基于时空特征融合的无线传感器网络数据修复方法，其特征是，步骤6中，控制参数σ为：J J T J J J

其中，λmax是关于矩阵(I‑P) (I‑P)的最大特征值；I 表示(N×T)×(N×T)单位矩阵；

J

P表示随机游走矩阵；N表示空间域中节点总数即传感器节点的总数，T表示时间域中节点总数即采样时刻总数。