无线传感器网络中基于比较的簇节点故障诊断算法

针对无线传感器网络中簇节点故障失效问题,提出了一种新的采用一对多(one-to-many)通信方式,基于比较的簇节点故障诊断算法-CBCNFD(comparison-based cluster nodes fault diagnosis).分析了该算法中簇头对簇内节点集中控制的优化诊断过程,证明了算法的正确性.提出了网络拓扑固定和改变两种情况下的算法诊断模型.仿真结果表明,基于比较的簇节点故障诊断算法具有良好的诊断特性,系统开销也比基于比较的系统级故障诊断算法-CBSLFD(comparison-based system-level fault diagnosis)大为降低.     

基于粗集的WSN节点故障诊断算法研究

本文运用粗糙集及其数据约简理论设计一种改进的启发式WSN节点故障诊断算法来消除冗余,精简节点故障诊断决策表.结果表明,改进后的算法能够实现更准确和更高效的WSN节点的故障检测.     

基于邻居节点预状态的无线传感器网络故障诊断算法

针对无线传感器网络（WSN）故障节点率高于50%时故障检测率降低的问题,提出一种基于邻居节点预状态及邻居节点数据的无线传感器节点故障诊断算法。首先利用节点自身历史数据对节点状态进行初步预判断;然后结合节点间相似性和邻居节点的预状态对节点状态进行最终的判断;最后利用移动传感器节点将故障节点信息通过最优路径发送给基站,有效地减少了通信次数。仿真实验在100 m×100 m的方形区域内模拟WSN。实验结果表明,与传统的分布式故障诊断（DFD）算法相比,诊断精度提升了9.84个百分点,并且当节点故障率高达50%时,该算法仍能达到95%的诊断精度。在实际应用中,所提算法在提高故障诊断精度的同时,能有效地减少能量消耗、延长网络寿命。     

基于免疫神经网络的无线传感器网络节点的故障诊断

在无线传感器网络（WSN）的应用中,经常要通过对网络节点的测量数据进行处理来判断WSN运行是否可靠。为了利用BP网络和免疫算法处理数据的优点,本文提出了BP免疫算法。根据免疫的思想,先用免疫算法对BP网络训练所需的权值进行全局搜索优化,再用BP算法进行局部搜索,并输出满足给定网络误差的权值。最后输入检验数据,计算BP网络的输出,并根据输出结果判断WSN发生了何种异常。实验结果显示该方法比单独使用BP网络更客观、准确和可靠。     

分簇式无线传感器网络节点故障诊断算法研究

无线传感器网络(WSNs)分布式节点故障诊断算法是一种可用于WSNs节点的故障诊断算法,通过整个网络内邻居节点之间的数据融合诊断出故障节点.但分布式算法的计算量十分巨大,浪费了大量的节点能源,而且分布式算法中使用自定义的全局阈值会降低诊断精度,分簇式的节点故障诊断算法应用LEACH-DFD算法,通过簇头节点完成故障检测...     

一种改进的DFD无线传感器网络节点故障诊断算法研究

无线传感器网络是远程分布式环境监测的重要手段。节点故障诊断作为无线传感器网络的关键技术之一,是无线传感器网络大多应用领域不可或缺的环节。DFD算法是一种可应用于无线传感器网络的节点故障诊断算法,通过网络内邻居节点间的数据交换和相互测试诊断出故障节点。对DFD算法的诊断判据进行了修改,提出了改进的DFD算法。仿真结果表明,改进的DFD算法能适用于待诊断节点的邻居节点数较少、节点故障率较高的传感器网络,且大大提高了故障诊断精度。     

基于感知概率的无线传感器网络节点部署算法

研究无线传感器网络节点部署优化问题,传感器节点的部署在一定程度上决定了无线传感器网络的性能和使用寿命;针对随机部署的无线传感器节点,提出一种基于感知概率模型的节点部署方案;使用证据理论通过计算对节点周围区域的综合感知概率,将虚拟力算法进行改造,使传感器节点向感知概率低的区域移动,实现对监测区域的最大覆盖;仿真结果表明,该部署算法实现节点合理分布,提高网络的覆盖率,减少节点的移动距离,达到延长网络使用寿命的目的。     

基于粗糙神经网络的传感器网络故障诊断

为了克服大量信息冗余和能量有限给无线传感器网络故障诊断带来的困难,提出一种将粗糙集与神经网络集成相结合的智能故障诊断方法(RS-ANNE)。该方法首先利用粗糙集理论的属性约简技术,提取诊断故障贡献最大的最小故障诊断特征集合,然后根据最小故障诊断特征确定神经网络的初始拓扑结构,建立故障特征与故障之间的映射关系,最后通过子网表决得到最终诊断结果。实验结果表明,RS-ANNE诊断方法诊断正确率为95.67%,与ANNE方法相比计算量减小22.98%,诊断正确率提高13.88%。     

基于免疫危险理论的无线传感器网络节点故障诊断

针对无线传感器网络的故障特点以及故障诊断的自学习问题,本文提出一种基于免疫危险理论的无线传感器网络节点故障诊断算法。该方法利用危险触发阈值来识别危险源,用遗传算法生成抗体库,基于K近邻分类法构建多抗体故障检测器并进行故障分类,通过追踪故障数据变化更新抗体库。实验仿真证明,该算法与其他无线传感器网络故障诊断算法相比,在训练数据较少的情况下,诊断准确率更高,效率更好,耗用硬件计算资源更少,并具备动态更新特性。     

基于虚拟节点的BP无线传感器网络定位算法

无线传感器网络中节点的准确定位是网络应用的支撑技术之一.针对网络中锚节点比例因素,提出了基于BP神经网络的次锚节点的定位算法,虚拟地增加网络中用于定位的锚节点的个数,并提出了引人虚拟节点的方法寻求较佳的次锚节点,从而提高了定位精度.该方法不依赖于节点间的距离,并利用了神经网络的并行性,因而算法简便快速,硬件结构实现简单.仿真结果证明了利用虚拟节点确定次锚节点的有效性,同时表明BP神经网络定位算法和次锚节点的引人可大大提高网络未知节点的定位精度,减少无线传感器网络的成本.     

基于粗糙集理论和贝叶斯决策的WSN节点的故障诊断

提出了一种无线传感器网络(WSN)节点故障诊断的新方法,首先基于Rough Set理论的区分矩阵和区分函数得到故障诊断决策的属性简约;然后通过贝叶斯决策理论对WSN各个节点的功能模块进行故障定位以及维修决策.仿真实验表明,该方法在WSN节点故障诊断时通信代价小,能量消耗低,诊断正确率高,因而具有在能量有限的WSN节点中应用的可能性.     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。     

基于元素约简的决策表属性约简算法

Skowron差别矩阵广泛应用于属性约简及求核运算,但它只适用于相容决策表,对于不相容决策表有时会得到错误的结果。虽然国内多位学者对它进行了改进,但一方面它们仍只适用于相容或部分相容决策表的属性约简,对完全不相容决策表仍得不到正确的结果。另一方面须通过额外的函数来约束差别矩阵的构造过程,增加计算负担。利用等价差别矩阵具有相同属性约简的思想,将元素对象分割成相容对象与矛盾对象,通过对参与构造差别矩阵的行与列元素进行约简,减少了某些重复计算过程,提高了计算效率。以此为基础,给出了一种改进的属性约简算法。数值算例验证了该算法是有效可行的。     

基于有序差别集的高效属性约简算法

基于可分辨矩阵的属性约简算法需要占用大量的存储空间,可分辨矩阵中许多元素项对约简是多余的;并且随着问题规模的增大,该类算法的效率并不理想。针对上述不足,提出一种基于有序差别集的属性约简算法,该算法不需要创建可分辨矩阵和生成多余的元素项,大大降低了存储量和计算量,从而提高了属性约简效率,使算法的时间复杂度和空间复杂度分别降为max{O（|C|² |U/C|²）,O（|C|²|MsCount|）}和O（|MsCount|）。实验表明该算法是有效的、高效的。     

面向配电网故障检测的WSN可信路由算法

为了提高配电网故障检测数据传输的可信性,提出一种面向配电网故障检测的WSN可信路由算法。算法提出一种防范针对信任模型攻击的轻量级信任值计算方法,并在簇头选举与簇间多跳路由中引入信任值,避免恶意节点降低网络安全;簇间多跳阶段中,对邻居节点的位置因子、距离因子、信任值及剩余能量等参数进行融合判决,构建最优数据传输路径。仿真结果表明,提出的算法能够自适应剔除网络恶意节点,防范恶意攻击,最大化网络生存时间。     

基于感知概率的无线传感器网络k重覆盖算法*

基于布尔感知的无线传感器网络多重覆盖控制模型未考虑实际应用中环境因素对节点感知能力的影响,为弥补这种不足,提出了一种分布式k重覆盖算法（KCAPSM）,该算法采用了感知概率模型,依据节点感知能力的强弱,将监测区域中的任一点被相关节点监测的情况赋值为某一概率,并通过节点与邻居交换信息,根据能量大小竞选找出k组不相交工作节点集,保证监测区域中每一点被k重覆盖。实验表明,KCAPSM算法让冗余节点处于休眠状态,节省了网络能量,优化了资源。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

基于BBO算法的WSN覆盖与连接节点部署方案

针对无线传感器网络中目标节点部署能力差的问题,提出基于生物地理学优化(biogeography-based optimization,BBO)算法的节点部署方案,该方案能够在网络中找到满足K-覆盖和M-连通性要求的传感器节点最佳部署位置。提出的基于BBO的算法为目标节点提供了一种有效的编码方案,通过优化构建的加权多目标函数来获得近似最优解,选择最小数量的合适点P,使得所有目标点在满足K-覆盖的同时,覆盖目标的传感器节点也满足M-连接。仿真结果表明,该方案能够在不同的K和M组合下找到合适位置的最优数,而且与其他技术方案相比,该方案的性能具有明显的优势。     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。