基于粒子群優(yōu)化相關(guān)向量機的無線傳感器故障檢測

吳良海

WU Liang-hai

（茂名學(xué)院 實驗教學(xué)部，茂名 525000）

基于粒子群優(yōu)化相關(guān)向量機的無線傳感器故障檢測

Wireless sensor fault detection based on relevance vector machine optimized by particle swarm optimization algorithm

吳良海

WU Liang-hai

（茂名學(xué)院 實驗教學(xué)部，茂名 525000）

及時準(zhǔn)確地對無線傳感器節(jié)點進(jìn)行故障檢測對于確保整個無線傳感器網(wǎng)絡(luò)有著非常重要意義。為了克服支持向量機的缺點，本文提出了一種基于粒子群優(yōu)化相關(guān)向量機(RVM)無線傳感器故障檢測方法。相關(guān)向量機是一種建立在支持向量機上的稀疏概率模型。與支持向量機相比，它不僅具有較高檢測精度,還具有較好的實時性，粒子群優(yōu)化算法用于確定相關(guān)向量機的核參數(shù)。最后結(jié)合試驗將本文提出的方法同支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較，結(jié)果表明，在無線傳感器故障檢測中本文提出的相關(guān)向量機相比于支持向量機、BP神經(jīng)網(wǎng)絡(luò)有著更高的入侵精度。

傳感器；相關(guān)向量機；故障檢測；粒子群

0 引言

由于無線傳感器網(wǎng)絡(luò)通常運行在惡劣、危險的環(huán)境中，其中由于無線傳感器節(jié)點長期暴露在外，難免會發(fā)生各種各樣的故障，將直接造成測量錯誤，致使網(wǎng)絡(luò)節(jié)點某些功能喪失乃致整個網(wǎng)絡(luò)癱瘓。對此，為了保證無線傳感器網(wǎng)絡(luò)安全可靠的運行，及時準(zhǔn)確地對無線傳感器節(jié)點進(jìn)行故障檢測顯得非常重要。

目前，故障檢測理論和技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)是一種常用的無線傳感器故障檢測方法，然而由于其存在收斂速度慢且容易陷入局部極小等問題限制了它的應(yīng)用。支持向量機(Support Vector Machine, SVM)是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法, 它能有效解決非線性、小樣本問題，在故障檢測系統(tǒng)中的應(yīng)用越來越廣泛[3-5]。盡管SVM在實際中取得廣泛應(yīng)用，但也存在不足之處，如SVM的懲罰參數(shù)C必須人為確定且難以選取優(yōu)化的懲罰參數(shù)，此外SVM的核函數(shù)必須符合Mercer條件[6]。相關(guān)向量機(relevance vector machine, RVM)[7-10]是一種建立在支持向量機上的稀疏概率學(xué)習(xí)模型，與支持向量機相比，它需要更少的參數(shù)和核函數(shù)約束。

為此,本文提出了一種基于粒子群優(yōu)化相關(guān)向量機(RVM)無線傳感器故障檢測方法。相關(guān)向量機的訓(xùn)練是在貝葉斯框架下進(jìn)行的，它能產(chǎn)生的具有較高檢測精度的決策函數(shù)，并提高了系統(tǒng)的實時性，粒子群優(yōu)化算法[11,12]用于確定相關(guān)向量機的核參數(shù)。本文建立了基于RVM的無線傳感器故障檢測, 并采用采用150組無線傳感器狀態(tài)數(shù)據(jù)評估本文提出的故障檢測技術(shù)的性能。

1 相關(guān)向量機

1.1 支持向量機理論

支持向量機是一種統(tǒng)計學(xué)習(xí)算法,它基于結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，具有較好的泛化能力。它能利用非線性映射函數(shù)將原始輸入數(shù)據(jù)映射到高維特征空間，然后利用線性分類器在該空間進(jìn)行分類。在高維特征空間中構(gòu)造最優(yōu)分類超平面：

1.2 相關(guān)向量機理論

相關(guān)向量機是由Tipping提出的一種建立在支持向量機上的稀疏概率學(xué)習(xí)模型。它的訓(xùn)練是基于貝葉斯估計理論，能在概率意義下的進(jìn)行合理劃分，使得分類函數(shù)針對于訓(xùn)練集似然函數(shù)值最大。相關(guān)向量機克服了SVM的懲罰參數(shù)C的主觀設(shè)置，以及SVM的核函數(shù)必須符合Mercer條件等問題。

假設(shè)噪聲εi服從均值為零，方差為σ2的高斯分布，則

設(shè)di服從獨立分布，則整個樣本的似然函數(shù)為

為了防止模型中存在過多的相關(guān)向量，進(jìn)而提高模型的泛化能力，RVM為每一個權(quán)值定義了高斯先驗概率分布：

式中，a是決定權(quán)值先驗分布的超參數(shù)，它決定了模型的稀疏特性。

對于非線性分類器，存在一個從向量x到高維空間H的非線性映射函數(shù)使得。RVM分類器可以寫成：

2 RVM分類器參數(shù)確定

在利用RVM分類器進(jìn)行分類以前，需要確定模型的參數(shù)，由于本文選擇RBF高斯函數(shù)為本文的核函數(shù)，因此RBF高斯核的寬度為RVM需要確定的參數(shù)。這里采用遺傳算法與5折交叉驗證準(zhǔn)則進(jìn)行RVM參數(shù)確定。

1）粒子初始化。 由參數(shù) 組成一個粒子，并隨機產(chǎn)生一組粒子的初始位置和速度。確定迭代次數(shù)、慣性權(quán)重、加速系數(shù)等參數(shù)。

2）適應(yīng)度評估。采用5折交叉驗證準(zhǔn)則進(jìn)行適應(yīng)度評估。5折交叉驗證中隨機地將訓(xùn)練樣本分成5等份。對于每一個參數(shù)設(shè)置，訓(xùn)練模型5次，在每次訓(xùn)練中，以4個子集進(jìn)行訓(xùn)練，剩余的一個子集進(jìn)行測試，記錄每一次的分類結(jié)果。最后將5次的分類結(jié)果進(jìn)行平均作為泛化性能的評估。

3） 將每個粒子的適應(yīng)度值與其經(jīng)歷過的最好位置pbest作比較, 如果較好, 則將其作為當(dāng)前的最好位置pbest。

4）將每個粒子的適應(yīng)度值與全局所經(jīng)歷的最好位置gbest作比較，如果較好，則將gbest設(shè)置為最好粒子的當(dāng)前位置。

5）根據(jù)公式(6)和(7)更新粒子的速度和位置。

式中，t為進(jìn)化代數(shù)；rand為0到1之間的隨機數(shù)； ω為慣性權(quán)值，用于平衡全局搜索和局部搜索；β為約束因子，用于控制速度的權(quán)重；c1，c2是學(xué)習(xí)因子。

6）檢驗迭代次數(shù)是否達(dá)到了給定的最大次數(shù)，如果符合，則停止迭代;否則轉(zhuǎn)至2。

3 實驗分析

本文采用4個PSO-RVM識別網(wǎng)絡(luò)的這5種狀態(tài)，包括正常、沖擊、偏置、短路、漂移，這4個PSO-RVM以二叉樹形式布置，以提交計算效率。經(jīng)PSO-RVM 、PSO-SVM 和BPNN三種模型的故障檢測結(jié)果比較，RVM檢測精度為97.143，SVM檢測精度為91.429，BPNN檢測精度為78.571，可以看出在無線傳感器故障檢測中，PSO-RVM檢測精度優(yōu)于PSO-SVM，BPNN，具體非常好的應(yīng)用前景。

4 結(jié)論

本文提出了一種基于粒子群優(yōu)化相關(guān)向量機(RVM)無線傳感器故障檢測方法。一種建立在支持向量機上的稀疏概率學(xué)習(xí)模型，它的訓(xùn)練是在貝葉斯框架下進(jìn)行的，它能產(chǎn)生的具有較高檢測精度的決策函數(shù)，粒子群優(yōu)化算法用于確定相關(guān)向量機的懲罰參數(shù)。本文建立了基于粒子群優(yōu)化RVM的無線傳感器故障檢測模型，并采用150組無線傳感器狀態(tài)數(shù)據(jù)作為本文測試數(shù)據(jù)。從實驗結(jié)果可以看出在無線傳感器故障檢測中，PSO-RVM檢測精度優(yōu)于PSO-SVM，BPNN。

[1] 邱天,劉吉臻.提高傳感器故障檢測能力的研究[J].動力工程,2008,28(1):80-83.

[2] 彭紅星,陳祥光,徐巍,張瑋.多變量過程傳感器故障檢測的SVM方法[J].北京理工大學(xué)學(xué)報,2008,28(8):727-730.

[3] 王強,陳歡歡,王珽. 一種基于多類支持向量機的故障診斷算法[J].電機與控制學(xué)報.2009,13(2):302-306.

[4] 赫英明,王漢杰,姜祝輝.支持向量機在云檢測中的應(yīng)用[J].解放軍理工大學(xué)學(xué)報(自然科學(xué)版),2009,10(2):191-194.

[5] 許少華,何新貴,周繼,王兵.一種過程支持向量機及其在動態(tài)模式分類中的應(yīng)用[J].控制與決策,2009,24(2):309-311.

[6] Sankar Mahadevan, Sirish L.Shah. Fault detection and diag nosis in process data using one-class support vector machines[J].Journal of Process Control.2009,19(10):1627-1639.

[7] 張磊,劉建偉,徐翔,羅雄麟.基于相關(guān)向量機的神經(jīng)活動分類及譯碼[J].計算機工程.2009,35(20):197-199.

[8] Subimal Ghosh,P.P.Mujumdar.Statistical downscaling of GCM simulations to streamflow using relevance vector machine[J].Advances in Water Resources,2008,31(1):132-146.

[9] Clodoaldo A.M. Lima,André L.V.Coelho,Sandro Chagas.Automatic EEG signal classification for epilepsy diagnosis with Relevance Vector Machines [J].Expert Systems with Applications,2009,36(6):10054-10059.

[10]John Flake,Todd K.Moon,Mac McKee,Jacob H.Gunther.Application of the relevance vector machine to canal flow prediction in the Sevier River Basin [J].Agricultural Water Management,2010,97(2):208-214.

[11]陳白帆,蔡自興,袁成.基于粒子群優(yōu)化的移動機器人SLAM方法[J].機器人,2009,31(6):513-517.

[12]S.Suresh,P.B.Sujit,A.K.Rao.Particle swarm optimization approach for multi-objective composite box-beam design[J]. Composite Structures,2007,81(4):598-605.

TH166

A

1009-0134(2010)11(下)-0031-02

10.3969/j.issn.1009-0134.2010.11(下).12

2010-09-13

吳良海（1978 -），男，廣東高州人，講師，碩士，研究方向為計算機應(yīng)用技術(shù)。