基于聯(lián)合神經網絡的WSN節(jié)點和網絡故障診斷研究.pdf

1、近年來,物聯(lián)網被視為繼計算機、互聯(lián)網和移動通信之后的又一項信息產業(yè)的革命性技術而得到廣泛重視。作為物聯(lián)網的一種實現(xiàn)形式之一,無線傳感器網絡(Wireless Sensor Networks,WSN)顯示出良好的應用前景。實際應用過程中, WSN往往工作在復雜、惡劣的環(huán)境中,很容易因受到干擾、損壞而出現(xiàn)故障,從而嚴重影響其工作效率和質量。同時,因其工作環(huán)境的限制及自身的技術特點,這些故障很難人為親自加以排除,診斷技術也有別與傳統(tǒng)網絡。因此

2、,節(jié)點及網絡故障診斷與容錯是無線傳感器網絡技術研究的重要內容之一。
　　根據無線傳感器網絡的結構、功能特性,結合以有故障診斷方法,針對無線傳感器網絡中可能出現(xiàn)的節(jié)點故障和網絡故障,本文合理提取出用于節(jié)點故障診斷和網絡故障診斷的多個故障征兆信號,并在此基礎上提出了一種由兩級功能不同神經網絡組成聯(lián)合神經網絡的無線傳感器網絡節(jié)點和網絡故障診斷方案。
　　第一級神經網絡作為預測器,用于預測節(jié)點傳感器的輸出,檢測WSN節(jié)點傳感器的故障

3、,以此產生傳感器單元故障征兆信號。在該預測器實現(xiàn)上,對 Elman神經網絡進行了改進,提出了一種徑向基 Elman神經網絡結構,并對其訓練算法進行了推導。然后建立了傳感器故障仿真模型,對基于徑向基 Elman神經網絡傳感器單元故障檢測進行了仿真驗證。
　　第二級神經網絡作為分類器,用于對所有故障征兆信號進行模式分類,以實現(xiàn)對WSN可能的故障的類型進行判別,該神經網絡采用RBF神經網絡實現(xiàn)。為了提升該網絡的訓練效率,對量子遺傳算法進

4、行了深入研究,提出了一種量子遺傳算法的雙參數實數編碼方式,并結合現(xiàn)有的混合遞階遺傳算法,提出了一種混合遞階量子遺傳算法,用于RBF分類器的學習。
　　該故障診斷方案的驗證通過計算機仿真與實物實驗相結合的方式進行,先在計算機上對故障診斷方法中涉及到的各項技術進行逐一仿真驗證,而后整體在無線傳感器網絡實物上進行測試驗證。仿真、實驗表明,該無線傳感器網絡故障診斷方法,能同時對無線傳感器網絡的節(jié)點級與網絡級故障進行診斷,并具有較高的故障檢