1.一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，包括有如下步骤：

步骤1 确定一个分布式无线传感器网络：建立一个具有N个传感器的分布式无线传感器网络，单个传感器就是无线传感器网络中的一个节点，网络中任一传感器i在t时刻的测量信号表示为yi,t，实际信号表示为xi,t；测量信号yi,t中普遍存在漂移量di,t和加性噪声vi,t，假设漂移量di,t和加性噪声vi,t符合高斯模型；分布式无线传感器网络测量信号模型表示为：yi,t＝xi,t+di,t+vi,t；

步骤2 收集校准网络模型参数训练数据：假设在分布式无线传感器网络刚确定后并开始测量的T个时刻内，所采集的数据中不含有漂移和噪声值，则T个时刻内采集的数据就是实际信号xi,t；在实际信号xi,t的基础上，结合符合高斯模型的漂移量di,t和加性噪声vi,t，根据测量信号模型得到测量信号yi,t，收集这些实际信号和测量信号作为训练分布式数据漂移盲校准网络模型参数的训练数据；

步骤3 建立分布式数据漂移盲校准模型并训练模型参数：分布式数据漂移盲校准模型的结构主要包括依次串行的投影层和恢复层，恢复层的输出为分布式数据漂移盲校准模型的输出；投影层和恢复层的基本结构都采用基于卷积神经网络中卷积层的结构，均独立存在于分布式无线传感器网络的各个节点中；使用训练数据对分布式数据漂移盲校准模型的参数进行训练时，首先训练投影层参数：投影层将实际信号和测量信号同时输入到投影层中进行训练，各节点训练过程相互独立；接着同时训练投影层和恢复层的参数：实际信号和测量信号同时输入到投影层中，投影层输出调整数据维度以满足恢复层的数据输入维度，作为恢复层的输入，各节点训练过程相互独立；当满足训练条件后，完成对数据漂移盲校准模型参数的训练；

步骤4 实时采集数据：分布式无线传感器网络各节点独立对T时刻之后的数据实时采集，作为测量数据，即未校准数据；

步骤5 各节点进行数据校准：分布式无线传感器网络中各节点获取Tp个实时采集的测量数据作为分布式数据漂移盲校准模型的输入数据，输入到训练好的数据漂移盲校准模型中，对未校准数据校准，分布式数据漂移盲校准模型的输出数据即为各节点采集的Tp个测量数据的校准数据，完成当前采集的Tp个测量数据的数据漂移盲校准；

步骤6 循环校准过程：各节点反复循环执行步骤4和步骤5，不断将未校准数据通过校准模型，得到校准后的数据，直至节点能量耗尽，完成分布式无线传感器网络节点数据漂移盲校准方法。

2.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤1和步骤2中所述的假设漂移量di,t和加性噪声vi,t符合高斯模型，具体是：噪声高斯模型如下：其中， 表示的是加性噪声vi,t高斯模型的方差；

漂移高斯模型如下：

di,0＝μi+β

di,t＝di,t-1+δi,t

其中，di,0表示传感器i漂移量的初始值，由μi和β组成， 和 分别表示μi和β高斯模型的方差，δi,t表示传感器i在t时刻的漂移增量， 表示δ高斯模型的方差。

3.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤3中所述的使用训练数据对分布式数据漂移盲校准模型的参数进行训练，具体是：训练数据为1×T的矢量，在模型参数训练时，依照时间顺序，截取Tp个时间长度的数据块作为分布式数据漂移盲校准模型参数训练一次的输入，循环截取数据块对模型参数训练。

4.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤3中所述的投影层结构具体是：采用基于卷积神经网络中卷积层的结构，输入数据都为1×Tp的矢量，对输入的数据依次执行卷积操作、批量归一化和使用tanh作为非线性激活函数进行非线性化处理，卷积核大小为1×7，通道数为2。

5.根据权利要求1所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，步骤3中的恢复层结构具体是：恢复层结构分为串行的三部分，第一部分为卷积层，卷积核大小1×3，通道数为16；第二部分由三个串行的残差单元ResUnit构成；第三部分也为卷积层，顺序执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为1。

6.根据权利要求5所述的一种分布式无线传感器网络数据漂移盲校准方法，其特征在于，所述恢复层结构中由三个串行的残差单元ResUnit构成的第二部分，具体结构是：残差单元ResUnit包含主分支和辅助分支：第一个残差单元ResUnit的主分支顺序执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为64，执行后的输出作为此残差单元ResUnit主分支的输出；后两个残差单元ResUnit的主分支直接将自身的输入传递到输出，作为主分支的输出；残差单元ResUnit的辅助分支包含三个卷积层，第一个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为16，第二个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×3的卷积，通道数为16，第三个卷积层执行批量归一化、ReLU非线性激活函数和卷积核大小为1×1的卷积，通道数为64，三个卷积层串行连接，第三个卷积层的输出作为辅助分支的输出；各残差单元ResUnit将主分支和辅助分支的输出相加作为残差单元ResUnit的输出。