無(wú)線傳感器網(wǎng)絡(luò)自適應(yīng)預(yù)測(cè)加權(quán)數(shù)據(jù)融合算法*

余修武,范飛生,周利興,2,張 楓,2

(1.南華大學(xué)環(huán)境保護(hù)與安全工程學(xué)院,湖南 衡陽(yáng) 421001;2.金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 馬鞍山 243000)

?

無(wú)線傳感器網(wǎng)絡(luò)自適應(yīng)預(yù)測(cè)加權(quán)數(shù)據(jù)融合算法*

余修武1,2*,范飛生1,周利興1,2,張 楓1,2

(1.南華大學(xué)環(huán)境保護(hù)與安全工程學(xué)院,湖南 衡陽(yáng) 421001;2.金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 馬鞍山 243000)

為提高無(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)的可靠性及壽命,提出了一種基于分簇的自適應(yīng)的預(yù)測(cè)加權(quán)數(shù)據(jù)融合(AFWDF)算法。AFWDF算法依據(jù)數(shù)據(jù)在時(shí)間上的相關(guān)性,建立預(yù)測(cè)模型。源節(jié)點(diǎn)與簇頭利用前期監(jiān)測(cè)數(shù)據(jù)的變化態(tài)勢(shì)自適應(yīng)調(diào)整預(yù)測(cè)模型參數(shù)對(duì)后期數(shù)據(jù)進(jìn)行預(yù)測(cè),源節(jié)點(diǎn)通過(guò)預(yù)測(cè)值與測(cè)量值比較提取特征值和剔除異常值,簇頭根據(jù)特征值和預(yù)測(cè)值還原監(jiān)測(cè)值,并計(jì)算監(jiān)測(cè)值可信度和權(quán)重進(jìn)行加權(quán)數(shù)據(jù)融合。通過(guò)性能分析及仿真,得出AFWDF可靠性較高,且在模擬環(huán)境下網(wǎng)絡(luò)壽命周期比SAEMDA和BPNDA算法提高了15%左右。

無(wú)線傳感器網(wǎng)絡(luò);數(shù)據(jù)融合;自適應(yīng)預(yù)測(cè)模型;環(huán)境監(jiān)測(cè);可信度

無(wú)線傳感網(wǎng)絡(luò)WSN(Wireless Sensor Network)由大量的無(wú)線傳感器節(jié)點(diǎn)及少數(shù)匯聚節(jié)點(diǎn)組成,具有感知、計(jì)算和無(wú)線通信能力,可用于各種環(huán)境監(jiān)測(cè)領(lǐng)域[1-2],能夠?qū)崟r(shí)動(dòng)態(tài)的進(jìn)行數(shù)據(jù)采集分析,有效的對(duì)環(huán)境參數(shù)進(jìn)行監(jiān)測(cè)預(yù)警。由于傳感器節(jié)點(diǎn)一般隨機(jī)布設(shè),且單個(gè)節(jié)點(diǎn)監(jiān)測(cè)范圍受限,為增加監(jiān)測(cè)數(shù)據(jù)的魯棒性和可靠性,要使多個(gè)節(jié)點(diǎn)監(jiān)測(cè)范圍部分重疊,這勢(shì)必造成了監(jiān)測(cè)數(shù)據(jù)的冗余[3],而WSN能量、存儲(chǔ)、通信帶寬等資源非常有限[4-5],為保證WSN能夠長(zhǎng)期有效運(yùn)行,必須盡量降低其運(yùn)行能耗。且傳感器屬于靈敏元件,在外界環(huán)境的干擾下很容易得到不可靠數(shù)據(jù)。為了增加可靠性和通信效率、降低能耗來(lái)提高節(jié)點(diǎn)以及整個(gè)網(wǎng)絡(luò)壽命,需對(duì)數(shù)據(jù)進(jìn)行融合處理。

如何增加數(shù)據(jù)可靠性及延長(zhǎng)網(wǎng)絡(luò)壽命是WSN中的一個(gè)關(guān)鍵問(wèn)題[6-10],文獻(xiàn)[8]提出使用信息熵反映節(jié)點(diǎn)數(shù)據(jù)分布的統(tǒng)計(jì)特性,最大尋優(yōu)確定數(shù)據(jù)融合上下限閥值進(jìn)行局部融合、實(shí)現(xiàn)冗余數(shù)據(jù)過(guò)濾,但其融合率低,融合度受到熵值的限制,節(jié)能有限;文獻(xiàn)[9]從驅(qū)動(dòng)事件出發(fā),使用BP神經(jīng)網(wǎng)絡(luò)(BPNDA)對(duì)數(shù)據(jù)融合,動(dòng)態(tài)訓(xùn)練樣本信息,提取特征值,但該算法在不含標(biāo)簽信息時(shí)將無(wú)法訓(xùn)練,且事件驅(qū)動(dòng)訓(xùn)練成本較高;文獻(xiàn)[10]基于深度學(xué)習(xí)模型(SAEMDA)采用自動(dòng)編碼器簇內(nèi)構(gòu)建特征提取分類(lèi)模型,克服了傳統(tǒng)訓(xùn)練方法的不足,一定程度上減少了數(shù)據(jù)轉(zhuǎn)發(fā)能耗。以上算法對(duì)數(shù)據(jù)的可靠性分析較少,單純的以數(shù)據(jù)為中心融合,容易產(chǎn)生不可靠融合數(shù)據(jù),且目前由于能耗的限制,WSN生命周期還較短,為最大限度延長(zhǎng)網(wǎng)絡(luò)生命周期及提高數(shù)據(jù)可靠性,本文使用自適應(yīng)預(yù)測(cè)模型在源節(jié)點(diǎn)即提取數(shù)據(jù)特征值來(lái)判斷數(shù)據(jù)可靠性,并發(fā)送可靠數(shù)據(jù)特征值至融合簇頭,簇頭還原原始數(shù)據(jù)并以數(shù)據(jù)可信度進(jìn)行加權(quán)融合,在保證數(shù)據(jù)的可靠性的基礎(chǔ)上大大降低了通信能耗。

1 自適應(yīng)預(yù)測(cè)模型

監(jiān)測(cè)節(jié)點(diǎn)布設(shè)完成后,通過(guò)分簇機(jī)制自行分簇,選取簇頭節(jié)點(diǎn),在此采用經(jīng)典的LEACH[11]分簇模型。假設(shè)源(S)節(jié)點(diǎn)通過(guò)定位ID位置已知,初始狀態(tài)S節(jié)點(diǎn)數(shù)據(jù)集合為空,當(dāng)監(jiān)控中心給S節(jié)點(diǎn)下達(dá)監(jiān)測(cè)指令,開(kāi)始收集數(shù)據(jù)。若簇內(nèi)有n個(gè)S節(jié)點(diǎn),設(shè)為Si(i為1,2,3…n),Si監(jiān)測(cè)時(shí)間序列數(shù)據(jù)集合為{dij},j為時(shí)間序列(j為1,2,3…)。在WSN中節(jié)點(diǎn)采集的數(shù)據(jù)之間在時(shí)間上存在著相關(guān)性,即后一時(shí)刻的數(shù)據(jù)和前期的監(jiān)測(cè)數(shù)據(jù)有關(guān),且時(shí)間越接近相關(guān)性越大,故可通過(guò)前期數(shù)據(jù)來(lái)預(yù)測(cè)后一時(shí)刻數(shù)據(jù),建立時(shí)間預(yù)測(cè)模型,通過(guò)預(yù)測(cè)值與測(cè)量值求取特征值與可信度來(lái)加權(quán)融合監(jiān)測(cè)數(shù)據(jù)。

預(yù)測(cè)及融合流程如圖1所示。

圖1 AFDWF數(shù)據(jù)融合流程

1.1 預(yù)測(cè)模型的建立

WSN的監(jiān)測(cè)是一個(gè)實(shí)時(shí)在線過(guò)程,數(shù)據(jù)之間存在一定的連貫性。如果在無(wú)強(qiáng)烈的外力的干擾下,如人為干擾產(chǎn)生異常值或者環(huán)境突變而發(fā)生的監(jiān)測(cè)數(shù)據(jù)急劇增加或降低,相鄰的監(jiān)測(cè)數(shù)據(jù)不會(huì)產(chǎn)生劇烈的變化。結(jié)合預(yù)測(cè)模型理論,可用如下平滑預(yù)測(cè)模型進(jìn)行預(yù)測(cè),如式(1)所示[12]:

(1)

(2)

(3)

外界壞境的變化會(huì)使數(shù)據(jù)擁有不同的變化趨勢(shì),為增加預(yù)測(cè)的準(zhǔn)確性,αij需進(jìn)行進(jìn)自適應(yīng)調(diào)整。

1.2 異常值檢測(cè)機(jī)制

由于監(jiān)測(cè)數(shù)據(jù)之間具有相關(guān)性,且相鄰兩監(jiān)測(cè)數(shù)據(jù)之間差距較小,預(yù)測(cè)值趨近于前期數(shù)據(jù),可以認(rèn)為預(yù)測(cè)值趨近于真實(shí)值,當(dāng)測(cè)量值和預(yù)測(cè)值發(fā)生較大誤差時(shí),則用如下機(jī)制確定。

1.3 自適應(yīng)線性變化趨勢(shì)系數(shù)αij

2 自適應(yīng)預(yù)測(cè)加權(quán)數(shù)據(jù)融合算法

自適應(yīng)預(yù)測(cè)加權(quán)數(shù)據(jù)融合算法AFDWF(AdaptiveForecastWeightingDateFusion)是在自適應(yīng)預(yù)測(cè)模型的基礎(chǔ)上,通過(guò)預(yù)測(cè)值與監(jiān)測(cè)值的比較,提取特征值,特征值數(shù)據(jù)比源監(jiān)測(cè)數(shù)據(jù)小的多,根據(jù)特征值排除異常值,并可得出監(jiān)測(cè)值的可信度,進(jìn)而根據(jù)可信度算出權(quán)重,依據(jù)權(quán)重最終對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行融合的一種算法。

2.1 監(jiān)測(cè)數(shù)據(jù)可信度

λi(j+1)=(2.58σ-|ηi(j+1)|)/(2.58σ)

(4)

化簡(jiǎn)得

λi(j+1)=1-|ηi(j+1)|/(2.58σ)

(5)

2.2 加權(quán)融合

其中權(quán)重q計(jì)算公式如下

則最終融合值dj+1如式(6)所示。

(6)

3 算法性能分析及仿真

3.1 可靠性分析

3.1.1 預(yù)測(cè)模型分析

本實(shí)驗(yàn)采用美國(guó)InspectorALERTV2多功能輻射測(cè)氡儀采集了兩組某鈾尾礦庫(kù)內(nèi)兩個(gè)不同時(shí)間段的同一區(qū)域各節(jié)點(diǎn)連續(xù)時(shí)期γ射線輻射劑量率(單位μSv/hr)樣本數(shù)據(jù),分別設(shè)為節(jié)點(diǎn)S1、S2時(shí)間段,在此把同一時(shí)期的各節(jié)點(diǎn)樣本數(shù)據(jù)做均值處理,分別使用上述平滑預(yù)測(cè)型模型進(jìn)行預(yù)測(cè),即

圖2為此兩時(shí)間段測(cè)量與預(yù)測(cè)均值比較。

圖2 S1、S2時(shí)間段節(jié)點(diǎn)平均測(cè)量值與預(yù)測(cè)值

選取實(shí)驗(yàn)樣本測(cè)得2.58σ=0.075,測(cè)量值與預(yù)測(cè)值在S1時(shí)間段有最大相對(duì)誤差εmax

=0.043×100%=6.06%

兩組實(shí)驗(yàn)測(cè)量值與預(yù)測(cè)值平均相對(duì)誤差為

3.1.2 AFWDF可靠性分析

3.2 算法能耗分析

數(shù)據(jù)融合算法的優(yōu)良除了需考慮數(shù)據(jù)可靠性外,另外一個(gè)最重要的因素是系統(tǒng)和節(jié)點(diǎn)的網(wǎng)絡(luò)壽命,節(jié)點(diǎn)的能量消耗主要分為兩個(gè)部分,信號(hào)收發(fā)(通信)和信號(hào)處理,研究表明[13]通信能耗遠(yuǎn)遠(yuǎn)大于信號(hào)處理能耗,故減少收發(fā)數(shù)據(jù)包的大小能夠有效的減少節(jié)點(diǎn)的能量消耗,節(jié)點(diǎn)能量消耗(Econ)模型可用式(7)表示。

Econ=k1Erec+k2Esend(d,εmp)+k3Etrans+Ecollect

(7)

式中:k1、k2和k3分別為節(jié)點(diǎn)接收、發(fā)送和處理數(shù)據(jù)包的大小,Erec和Esend分別為節(jié)點(diǎn)接收、發(fā)送和處理1bit的數(shù)據(jù)包消耗的能量(在環(huán)境一定的情況下為定值),其中Esend和發(fā)送距離d和多徑衰落系數(shù)εmp有關(guān),且Etrans?Esend& Erec,Ecollect為節(jié)點(diǎn)數(shù)據(jù)采集能耗(指定能耗,在此假設(shè)為一固定值)。

AFWDF算法運(yùn)用LEACH協(xié)議對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行分簇。若網(wǎng)絡(luò)數(shù)據(jù)未融合,即源節(jié)點(diǎn)數(shù)據(jù)包直接經(jīng)過(guò)簇頭發(fā)送給匯聚節(jié)點(diǎn),設(shè)每個(gè)節(jié)點(diǎn)數(shù)據(jù)包大小相同且都為k,則一個(gè)簇其除去數(shù)據(jù)采集所需能耗之外的網(wǎng)絡(luò)能耗為E1=nk(2Esend+Erec+Etrans)。通過(guò)AFWDF算法融合之后,其網(wǎng)絡(luò)能耗為E2=nk[(ρ1+ρ2)Esend+ρ1Erec]+ρ3nkEtrans,其中n為簇內(nèi)源節(jié)點(diǎn)數(shù)量,ρ1為特征值提取數(shù)據(jù)包壓縮系數(shù)(0<ρ1<1),如表3所示,特征值的數(shù)據(jù)遠(yuǎn)遠(yuǎn)小于源采集數(shù)據(jù),即0<ρ1?1;ρ2為簇頭數(shù)據(jù)包壓縮系數(shù)(0<ρ2<1),且ρ2≈1/n;ρ3為數(shù)據(jù)處理倍增系數(shù)。

假設(shè)Erec=(3/4)Esend,Etrans=(1/1000)Esend,ρ1=0.1,ρ2=0.1,ρ3=10。則E2≈0.1E1,融合后節(jié)點(diǎn)能耗顯著降低。

3.3 網(wǎng)絡(luò)仿真對(duì)比

為了更好的分析AFWDF算法的性能,在此通過(guò)仿真對(duì)AFWDF算法與BPNDA算法和SAEMDA算法的網(wǎng)絡(luò)消耗和壽命進(jìn)行簡(jiǎn)化比較。為了保持仿真環(huán)境的近似性,采用同種通信能耗模型和LEACH分簇協(xié)議,設(shè)置在100m×100m平面區(qū)域中,設(shè)置初始化參數(shù)如表1所示,布設(shè)50個(gè)節(jié)點(diǎn)。在此使用簡(jiǎn)化能耗模型,即不考慮通信距離、通信多徑衰落、等因素的影響,直接以定值Erec、Etrans、Esend和數(shù)據(jù)包長(zhǎng)度來(lái)模擬,20s計(jì)算一次網(wǎng)絡(luò)能耗。

表1 仿真參數(shù)設(shè)置

由圖3可以看出,在600輪之前AFWDF的匯聚節(jié)點(diǎn)收包率稍低于SAEMDA和BPNDA,600輪之后SAEMDA和BPNDA下降趨勢(shì)明顯,至700輪左右下降至低于AFWDF,1100輪左右收包率趨于零,而AFWDF下降趨勢(shì)相對(duì)于SAEMDA和BPNDA較慢,壽命相對(duì)增加15%左右。這是因?yàn)?AFWDF是由簇頭高度融合的數(shù)據(jù),其相對(duì)于其余兩種算法的數(shù)據(jù)融合率較高,且能夠剔除異常數(shù)據(jù),相應(yīng)的減少了信息通信量,網(wǎng)絡(luò)能耗低;3種算法工作一段時(shí)間后出現(xiàn)死亡節(jié)點(diǎn)或無(wú)效節(jié)點(diǎn),使匯聚節(jié)點(diǎn)接收數(shù)據(jù)量減少,降低了收包率。

圖3 匯聚節(jié)點(diǎn)收包率與實(shí)驗(yàn)輪數(shù)的關(guān)系

圖4 平均節(jié)點(diǎn)能量與實(shí)驗(yàn)時(shí)間的關(guān)系

算法平均節(jié)點(diǎn)能量對(duì)比如圖4所示,在相同的實(shí)驗(yàn)時(shí)間下,AFWDF明顯比SAEMDA和BPNDA平均節(jié)點(diǎn)能量多,而SAEMDA與BPNDA差距不大。與SAEMDA和BPNDA算法相比,AFWDF算法相對(duì)簡(jiǎn)單,利用預(yù)測(cè)減少了數(shù)據(jù)樣本訓(xùn)練的損耗,降低了傳輸至簇頭數(shù)據(jù)包的大小,同時(shí)在簇頭的加權(quán)高度融合下,進(jìn)一步降低了通信量,即明顯降低了平攤到單節(jié)點(diǎn)的能耗。

4 結(jié)束語(yǔ)

AFWDF算法依據(jù)數(shù)據(jù)在時(shí)間上的相關(guān)性,提出在源節(jié)點(diǎn)及簇頭同時(shí)使用自適應(yīng)型預(yù)測(cè)模型進(jìn)行預(yù)測(cè)分析,利用監(jiān)測(cè)數(shù)據(jù)的變化態(tài)勢(shì)動(dòng)態(tài)調(diào)整預(yù)測(cè)模型的參數(shù),源節(jié)點(diǎn)通過(guò)對(duì)預(yù)測(cè)值和測(cè)量值的比較提取特征值并排除異常值,簇頭求取監(jiān)測(cè)值可信度及權(quán)重對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行融合。AFWDF算法屬于高度融合型算法,信息提取度較高,降低了數(shù)據(jù)傳輸能耗,能夠有效的延長(zhǎng)網(wǎng)絡(luò)的整體壽命。同時(shí),由于預(yù)測(cè)模型監(jiān)測(cè)數(shù)據(jù)需建立在相近時(shí)間段的條件下,AFWDF只適用于動(dòng)態(tài)實(shí)時(shí)在線監(jiān)測(cè)系統(tǒng)。對(duì)于數(shù)據(jù)監(jiān)測(cè)間隔時(shí)間較長(zhǎng),時(shí)間相關(guān)性很小的監(jiān)測(cè)系統(tǒng),預(yù)測(cè)模型有待進(jìn)一步研究。

[1] Md Azharuddin,Prasanta KJana. A Distributed Algorithm for Energy Efficient and Fault Tolerant Routing in Wireless Sensor Networks[J]. Wireless Networks,2015,21(1):251-267.

[2] 余修武,范飛生,李睿,等. 基于接受信號(hào)強(qiáng)度分區(qū)礦山無(wú)線定位算法[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù),2015,11(9):70-75.

[3] Azlan Awang,Shobhit Agarwal. Data Aggregation Using Dynamic Selection of Aggregation Points Based on RSSI for Wireless Sensor Networks[J]. Wireless Personal Communications,2015,80(2):611-633.

[4] Arafat A A Shabaneh,Azizi Mohd Ali,Chee Kyun Ng,et al. Review of Energy Conservation Using Duty Cycling Schemes for IEEE 802.15.4 Wireless Sensor Network(WSN)[J]. Wireless Personal Communications,2014,77(1):589-604.

[5] Azlan Awang,Shobhit Agarwal. Data Aggregation Using Dynamic Selection of Aggregation Points Based on RSSI for Wireless Sensor Networks[J]. Wireless Personal Communications,2015,80(2):611- 633.

[6] Tarek Sheltami. An Enhanced Energy Saving Approach for WSNs[J]. Procedia Computer Science,2013,21:199-206.

[7] Pinghui Zou,Yun Lin. A Data-Aggregation Scheme for WSN Based on Optimal Weight Allocation[J]. Journal of Networks,2014,9(1):100-107.

[8] 李懷俊,張學(xué)習(xí). 基于二維信息熵的無(wú)線傳感器網(wǎng)絡(luò)簇內(nèi)數(shù)據(jù)融合方法的研究[J]. 計(jì)算機(jī)應(yīng)用研究,2014,31(7):2171-2174.

[9] 侯鑫,張東文,鐘鳴. 基于事件驅(qū)動(dòng)和神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究[J]. 傳感器技術(shù)學(xué)報(bào),2014,27(1):142-148.

[10] 邱麗達(dá),劉天健,林南,等. 基于深度學(xué)習(xí)模型的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J]. 傳感技術(shù)學(xué)報(bào),2014,27(12):1704-1709.

[11] Lee S,Sriram K,Kim K,et al,Vertical Hand off Decision Algorithms for Providing Optimized Performance in Heterogeneous Wireless Networks[J]. IEEE Trans on Vehicular Technology,2009,58(2):865-881.

[12] 魯慶,穆志純. 多層線性模型在碳鋼土壤腐蝕規(guī)律中的應(yīng)用研究[J]. 北京科技大學(xué)學(xué)報(bào),2013,35(11):1458-1464.

[13] Min R,Bhardwaj M,Seonghwan Cho et al.Energy-Centric Enabling Technologies for Wireless Sensor Networks[J]. IEEE Wireless Communications.2002,9(4):28-29.

Adaptive Forecast Weighting Data Fusion Algorithm for Wireless Sensor Network*

YU Xiuwu1,2*,FAN Feisheng1,ZHOU Lixing1,2,ZHANG Feng1,2

(1.Environmental Protection and Safety Engineering Institute,University of South China,Hengyang Hu’nan 421001,China; 2.The State Key Laboratory of Safety and Health for Metal Mines,Maanshan Anhui 243000,China)

In order to improve the reliability and extend lifetime of wireless sensor network(WSN)monitoring system,an adaptive forecast weighting data fusion(AFWDF)algorithm based on clustering is proposed.AFWDF builds a forecast model based on the temporal correlation of data.The source node and the cluster head adaptively adjust the prediction model parameters by using the change trend of the early monitoring data to predict the later data.The source node extracts the eigenvalues and eliminates the abnormal values by comparing the predicted values with the measured values. The cluster head restores the monitored values and calculates the reliability and weight of the monitored values to fuse the them.Through the performance analysis and simulation,it is concluded that the AFWDF algorithm has high reliability,and the network life cycle is about 15% higher than SAEMDA and BPNDA in the simulation environment.

wireless sensor network;data fusion;adaptive forecast model;environmental monitoring;reliability

余修武(1976-),男,江西九江人,博士,副教授,主要研究方向?yàn)榘踩悄鼙O(jiān)測(cè)預(yù)警技術(shù),安全科學(xué)技術(shù),1248575964@qq.c om;

范飛生(1990-),男,江西上饒人,碩士研究生,主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)處理,1098471222@qq.com;

周利興(1993-),男,山西朔州人,碩士研究生,主要研究方向?yàn)闊o(wú)線定位技術(shù);

張 楓(1993-),女,湖南邵陽(yáng)人,碩士研究生,主要研究方向?yàn)?無(wú)線傳感器數(shù)據(jù)融合技術(shù)。

項(xiàng)目來(lái)源:金屬礦山安全與健康國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目(2016JSKSSYS04);湖南省重點(diǎn)研發(fā)項(xiàng)目(2015SK2005);湖南省教育廳科研重點(diǎn)項(xiàng)目(15A161);江西省自然科學(xué)基金項(xiàng)目(20122BAB201050)

2016-09-08 修改日期:2017-01-11

TP393

A

1004-1699(2017)05-0772-05

C:7230

10.3969/j.issn.1004-1699.2017.05.023