基于互信息的无线传感器网络节点故障自诊断

故障自诊断和故障监控能提高WSN的可维护性和可靠性, 延长WSN节点的使用寿命。该文提出一种无线传感器网络(wireless sensor network, WSN)节点故障自诊断的新方法。首先,可从粗糙集理论中基于互信息的属性约简算法获得故障诊断决策的约简,进而建立一套以属性匹配为核心思想的WSN节点故障自诊断技术,对WSN节点的各个模块分别进行具体的故障诊断和定位。仿真实验表明,该方法在WSN节点中实现故障自诊断时,通信代价小,能耗低,诊断的误判率低。     

Rough set理论及其应用

Rough set理论能从数据间发现隐含的关联和规律,广泛应用于人工智能、模式识别、智能信息处理等领域,成为最受国际学术界重视的处理不确定数据的理论与方法。     

无线传感器网络节点的系统设计

无线传感器网络节点的系统设计是组建无线传感器网络的关键技术之一。根据无线传感器网络的低功耗特性,讨论了基于Texas Instruments的节点硬件设计方案,由此来实现节点硬件设计。网络节点的设计采用Msp430F1611处理器芯片和CC2420射频芯片,并简单讨论了TinyOS程序下节点之间的网络拓扑结构的形成和上位机数据采集。试验结果表明,整体网络中的节点具有自组网,数据采集等功能。     

Rough set理论及其应用

Rorgh set理论能从数据间发现隐含的关联和规律,广泛应用于人工智能、模式识别、智能信息处理等领域,成为最受国际学术界重视的处理不确定数据的理论与方法。     

基于拓扑的无线传感器网络边界节点检测

为了降低网络节点的通信量,并提高多洞网络边界节点检测速度,在对现有边界节点检测算法进行深入研究的基础上,利用网络的拓扑特性,设计了一种以网络纬度线检测网络边界的规模可扩展算法,引入网络纬度线对网络的边界节点进行检测。实验结果表明,该算法在识别准确率、检测速度、通信量等方面的性能有所提高。     

无线传感器网络节点定位算法

针对无线传感器网络(wireless sensor network,WSN)系统中节点的定位算法问题,提出了基于差分的DV-Hop定位算法,信标节点将测算的位置测定误差作为校正值向四周区域广播,未知节点接收到信标节点的校正信息后,据此修正自身的相对位置测算值,以减少节点定位误差,提高定位算法的精度。仿真测试表明,该算法与普通的DV-Hop算法相比,在定位误差与通信距离的比值等性能指标上得到了明显改善。     

基于ZigBee的无线传感器网络节点的设计

在ZigBee协议设计相应的节点基础上,移植msstatePAN的ZigBee协议栈,实现网络协调器和设备节点的数据互传.串口通讯上的结果显示,无线传感器网络节点硬件设计合理,协议栈移植正确.与其他同类节点相比,由于设计中严格按照ZigBee的要求来进行,充分考虑了设计成本和节点能耗的要求,可为研究无线传感器网络提供了一个实验平台.     

嵌入式无线传感器网络节点设计

在分析无线传感器网络的体系结构的基础上，从硬件设计、软件设计和软、硬件协同设计等几方面对无线传感器网络的节点设计进行了探讨，对链路层和网络层协议进行了研究，并从硬件和软件的角度进行了节点的节能考虑。     

无线传感器网络节点定位问题研究

定位技术是无线传感器网络重要的共性支撑技术之一。对无线传感器网络的定位问题进行了分类;把节点定位过程分成4个基本步骤,并以此分类和节点定位过程组成为线索,介绍并分析了现有的具有代表性的节点定位算法。指出了今后无线传感器网络节点定位算法研究可能的几个热点方向。     

基于粗糙集分解的传感器网络节点故障诊断方法

土壤环境监测系统中,节点故障诊断技术对及时了解网络中传感器节点的状态起着重要作用。由于网络中故障节点的存在,使得整个传感器网络监测数据的完备性受到影响。该文提出了一种不完备信息系统的粗糙集分解方法,并将此方法应用于传感器网络的节点故障诊断中,结果证明了方法的有效性。     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.     

基于熵和粗集的设备故障诊断方法

提出了一种基于熵和粗集的故障诊断方法。利用信息熵判断系统运行状态，确定系统故障的严重程度，并依据故障程度采集相应的数据，在此基础上，运用一种改进的区分矩阵方法进行相对约简并对不一致信息进行处理，最终形成一种综合策略的诊断规则。     

基于粗糙集和贝叶斯网络的变压器故障诊断

为了提高变压器故障诊断的准确性,采用智能互补的思想,将粗糙集和贝叶斯网络相结合来进行变压器故障诊断的研究.先将特征气体的比值进行离散化,再利用粗糙集理论进行属性约简,获得最小诊断规则;同时利用贝叶斯网络实现概率推理来分析变压器故障.通过变压器故障诊断实例分析,证明了该方法有效、可行,具有较高的准确率.     

粗集理论在车辆传动系故障诊断中的应用

用粗集的方法对车辆动力及传动系统的故障数据进行分析处理 ,通过计算属性的重要性和依赖度 ,从而获得最小的有效故障特征参数向量 ,使得车辆故障的快速实时诊断成为可能 .并通过计算决策的协调度来完成多决策信息的故障诊断 .结果表明 ,粗集方法在车辆故障诊断这一领域有着广泛的应用和其他方法无法替代的优越性     

基于粗糙集配电网故障定位系统

针对配电网复杂线路,根据故障投诉电话信息构建的故障定位决策表,运用粗糙集理论对决策表进行化简,导出配电网故障定位规则的最小约简形式,揭示故障投诉电话信息内在的冗余性,同时,也能解决故障投诉电话信息不完备情况下的故障定位问题.通过仿真算例表明,该方法简单、可行、定位快速、准确.     

基于DFD算法的无线传感器网络故障诊断系统的设计

为了更好地了解无线传感器网络节点的分布位置及故障情况,提出了一种无线传感器故障诊断系统的设计方案.该系统采用三边测量法实现了节点的定位,使用DFD故障诊断方法实现了节点的故障诊断,并在.NET框架的智能客户端技术基础上实现了定位信息及故障信息的处理和显示.     

基于粗糙集和ANFIS相结合的配电网故障诊断方法

为了提高配电网故障诊断的准确性和效率,提出了将粗糙集与自适应神经网络模糊系统(adaptive neuro-fuzzy inference system,ANFIS)相结合构建粗糙集和神经网络的智能混合诊断系统,以充分利用粗糙集理论对知识的约简能力和神经网络的容错学习能力.通过粗糙集理论中的信息熵概念对诊断系统输入变量进行合理选择,即选取与故障诊断信息相关性大的参数作为输入,然后利用ANFIS进行建模和参数辨识,并通过训练样本进行学习训练,这样既减少了神经网络的学习训练时间,又提高了诊断的准确度.用该方法对某一实际配电网进行了故障诊断,结果表明:该方法计算速度快,具有良好的容错性能和在线故障诊断潜力.     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.