论文部分内容阅读
采用自动配置的无线传感器网络(Wireless Sensor Networks, WSN),是近几年全球范围的新技术研究热点之一。它集成了无线通信技术、传感器技术、微机电系统技术和分布式信息处理技术。它将逻辑上的信息世界与客观上的物理世界融合在一起,改变了人类与自然界的交互方式,在民用和军用等各个领域具有极高的应用价值。WSN已经被认为是极具潜力和影响力的技术之一。尽量延长WSN的使用寿命和保证传递的信息的可靠性分别是WSN的关键技术之一。及时、正确的节点故障诊断可以保证无线传感器网络传递的信息的可靠性,为在上位计算机或中心节点中开展有效的路由规划和节点管理,开展无线传感网络节点的远程维护,延长无线传感器网络的使用寿命起到关键作用。算法融合是近年来国际上流行的一种研究方式。本文提出粗糙集与Hamming神经网络的集成算法来解决能量有限而又具有显著不确定性的WSN节点在线故障诊断问题。首先利用粗糙集理论进行故障诊断决策表的约简,然后用约简后的数据训练神经网络,最后用训练后的Hamming神经网络对WSN节点故障进行诊断和定位。本文算法有效地发扬了粗糙集理论在剔除冗余属性方面的作用,又充分结合了神经网络在并行计算和克服噪声干扰方面的功能。并且,在粗糙集理论约简算法中,本文提出了改进的基于属性重要性的归纳属性约简算法,提高了计算效率;在Hamming神经网络中,本文改进了竞争层网络,避免了竞争层过多的迭代计算。大量仿真实验表明:基于粗糙集与Hamming神经网络集成的故障诊断算法揭示了WSN节点故障特征信息的内在冗余性;能准确快速地解决WSN节点的在线故障诊断问题。在获得的信息不完整或部分信息有误的情况下,也能给出WSN节点的合理故障诊断。与传统的if-then诊断规则相比较,在故障特征数据可靠性降低时,愈加突显出本文算法在诊断正确率上的优势。本文算法有诊断正确率高、通信代价小和能量消耗低的特性。总之,本文算法提高了故障诊断的鲁棒性,增强了能量有限的WSN的实用性。