基于神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位技術(shù)

楊明莉　陳曉偉　趙軍

摘 要： 傳統(tǒng)無線網(wǎng)絡(luò)故障節(jié)點定位方法無法有效處理節(jié)點功率波動以及模糊環(huán)境對故障節(jié)點定位精度的干擾。提出基于小波神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位方法，分析了小波神經(jīng)網(wǎng)絡(luò)在節(jié)點故障定位的三種作用形式，融合形式1和3對冗余節(jié)點故障進(jìn)行定位，將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成預(yù)測器，將前一采樣時刻的正常輸出交叉輸入n個小波神經(jīng)網(wǎng)絡(luò)，獲取節(jié)點當(dāng)前時刻的預(yù)測輸出值，取節(jié)點預(yù)測輸出值和真實輸出值的殘差，若該殘差值高于閾值，則說明該節(jié)點是故障節(jié)點。實驗結(jié)果表明，所提故障節(jié)點定位方法能夠?qū)?jié)點的附加、倍數(shù)以及短路故障進(jìn)行準(zhǔn)確定位。

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)； 無線網(wǎng)絡(luò)； 故障節(jié)點定位； 干擾處理

中圖分類號： TN915?34； TP212 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）16?0158?03

Abstract： Since the traditional wireless network fault node positioning method is unable to effectively handle node power fluctuation and the fuzzy environment disturbance to the fault node location accuracy， a wireless network fault node localization method based on wavelet neural network is proposed. Three kinds of effect forms of wavelet neural network in the node fault location is analyzed. The fusion forms 1 and 3 are used to locate the redundant node failure. The wavelet neural network is taken as a predictor. The normal output of the previous sampling time is input into n wavelet neural networks in cross form to get node prediction output value of the current time. The residual error between the node prediction output value and actual output value is deduced. If the residual error value is higher than the threshold， it means that the node is fault node. The experimental results indicate that the proposed fault node positioning method can accurately position the node with additional， multiple and short trouble faults.

Keywords： neural network； wireless network； fault node positioning； interference process

隨著科學(xué)技術(shù)的高速發(fā)展，無線傳感網(wǎng)絡(luò)的應(yīng)用領(lǐng)域不斷擴張。但是無線傳感網(wǎng)絡(luò)中的節(jié)點受到自身以及外界因素的干擾，會出現(xiàn)較多的故障，導(dǎo)致傳感網(wǎng)絡(luò)質(zhì)量降低[1?2]。傳統(tǒng)無線網(wǎng)絡(luò)故障節(jié)點定位方法，無法有效處理節(jié)點功率波動以及模糊環(huán)境對故障節(jié)點定位精度的干擾，具有較高的局限性。因此，尋求有效的方法對故障節(jié)點進(jìn)行準(zhǔn)確定位，具有重要的應(yīng)用意義。

1 基于小波神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位技術(shù)

1.1 小波神經(jīng)網(wǎng)絡(luò)在節(jié)點故障定位的作用形式

根據(jù)小波神經(jīng)網(wǎng)絡(luò)在節(jié)點故障定位中作用，將小波神經(jīng)網(wǎng)絡(luò)在故障節(jié)點定位過程作用劃分成如下三種形式：

（1） 將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成分類器，將節(jié)點輸出當(dāng)成小波神經(jīng)網(wǎng)絡(luò)的輸入值，用“1”和“0”描述節(jié)點存在故障以及不存在故障，并將節(jié)點狀態(tài)當(dāng)成網(wǎng)絡(luò)輸出[3]，通過不同的故障模式對小波神經(jīng)網(wǎng)絡(luò)實施訓(xùn)練，采用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)分類器對無線網(wǎng)絡(luò)故障節(jié)點進(jìn)行定位。該方法的定位原理如圖1所示。

（2） 將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成觀測器，基于大量的隱層，小波神經(jīng)網(wǎng)絡(luò)可對系統(tǒng)輸入/輸出樣本實施自主學(xué)習(xí)，逼近真實的動態(tài)系統(tǒng)[4]?；趥鹘y(tǒng)觀測原理塑造小波神經(jīng)網(wǎng)絡(luò)觀測器，通過正常工作情況下的數(shù)據(jù)對小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)觀測器形成故障殘差，完成無線傳感故障節(jié)點的定位[5]。定位原理如圖2所示。

（3） 將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成預(yù)測器，通過小波神經(jīng)網(wǎng)絡(luò)塑造傳感網(wǎng)絡(luò)節(jié)點的預(yù)測模型，小波神經(jīng)網(wǎng)絡(luò)的輸入值為節(jié)點的前一時刻輸出值，網(wǎng)絡(luò)輸出是節(jié)點的輸出預(yù)測值，對比該預(yù)測值同節(jié)點的真實輸出值，產(chǎn)生殘差實施故障節(jié)點定位。該方法的定位原理如圖3所示。

在對孤立節(jié)點進(jìn)行故障定位時，將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成觀測器，將節(jié)點當(dāng)前時刻的輸入當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入，逼近節(jié)點當(dāng)前時刻的正常輸出為神經(jīng)網(wǎng)絡(luò)的輸出[6?7]。融合形式1和3定位冗余節(jié)點故障，將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成預(yù)測器，將前一采樣時刻的正常輸出當(dāng)成小波神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測節(jié)點當(dāng)前采樣時刻的輸出，獲取差值信號，再同預(yù)先設(shè)置的閾值實施對比，則高于閾值的差值信號對應(yīng)的節(jié)點為故障節(jié)點。

1.2 無線傳感器網(wǎng)絡(luò)冗余節(jié)點故障定位

無線傳感器網(wǎng)絡(luò)冗余節(jié)點故障定位示意圖見圖4。

其由無線傳感網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)預(yù)測器以及信息定位方案構(gòu)成。無線傳感網(wǎng)絡(luò)中有n個檢測值存在冗余關(guān)系的傳感器節(jié)點，[x1，x2，…，xn-1，xn]用于描述n個傳感器節(jié)點的輸出值。采用圖3描述的結(jié)構(gòu)圖，將小波神經(jīng)網(wǎng)絡(luò)當(dāng)成預(yù)測器，獲取節(jié)點后續(xù)時刻的正常輸出。endprint

本文方法定位無線網(wǎng)絡(luò)故障節(jié)點前，需要塑造n個小波神經(jīng)網(wǎng)絡(luò)預(yù)測器，并訓(xùn)練這些預(yù)測器。在無線傳感網(wǎng)絡(luò)簇中全部節(jié)點的運行狀態(tài)都是正常時，采集訓(xùn)練樣本。通過交叉訓(xùn)練方法對訓(xùn)練樣本實施訓(xùn)練[8]，交叉訓(xùn)練k個小波神經(jīng)網(wǎng)絡(luò)預(yù)測器的過程如圖5所示。其他預(yù)測器的訓(xùn)練方式也采用該交叉訓(xùn)練方式。

由圖5可知，若無線傳感網(wǎng)絡(luò)節(jié)點的采樣時刻是[t0，t1，t2，…，tn]，傳感節(jié)點在[t0，t1，t2，…，ti（i

2 實驗驗證

實驗采用本文提出的基于小波神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位方法，對某無線傳感測溫系統(tǒng)中的溫度傳感節(jié)點故障進(jìn)行定位分析，檢測本文方法的性能，實驗設(shè)置閾值為0.5 ℃。實驗將歸一化的檢測樣本輸入到訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)預(yù)測器內(nèi)，并對其輸出進(jìn)行反歸一化處理，同溫度節(jié)點故障檢測樣本進(jìn)行對比，獲取溫度節(jié)點產(chǎn)生1 ℃偏差故障、0.05倍數(shù)故障以及短路故障的殘差曲線，分別如圖6、圖7所示。

分析圖6可得，無線傳感網(wǎng)絡(luò)溫度傳感節(jié)點存在1 ℃附加故障后，其殘差曲線高于報警閾值，有效定位出了故障。能看出當(dāng)無線傳感網(wǎng)絡(luò)節(jié)點存在附加故障，小波神經(jīng)網(wǎng)絡(luò)預(yù)測器在其殘差高于閾值下，準(zhǔn)確定位出該故障節(jié)點。圖7所示的無線傳感溫度節(jié)點的倍數(shù)故障是平穩(wěn)波動的故障，隨著采樣節(jié)點的增加，節(jié)點同小波神經(jīng)網(wǎng)絡(luò)預(yù)測器輸出形成的殘差也逐漸提升，如果殘差高于報警閾值，則小波神經(jīng)網(wǎng)絡(luò)預(yù)測器可定位出故障節(jié)點。

3 結(jié) 論

本文提出基于小波神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)故障節(jié)點定位方法，其能夠?qū)?jié)點的附加、倍數(shù)及短路故障進(jìn)行定位。

參考文獻(xiàn)

[1] 王子豪，田杰.基于徑向基神經(jīng)網(wǎng)絡(luò)的目標(biāo)測向定位算法[J].中國科技論文，2016，11（14）：1668?1672.

[2] 孫忠閣.無線傳感網(wǎng)絡(luò)信道破壞程度與通信效果建模[J].計算機仿真，2015，32（2）：320?323.

[3] 周奚，薛善良.基于改進(jìn)的粗糙集和神經(jīng)網(wǎng)絡(luò)的WSN故障診斷[J].計算機科學(xué)，2016，43（11A）：21?25.

[4] 蔡瑞初，謝偉浩，郝志峰，等.基于多尺度時間遞歸神經(jīng)網(wǎng)絡(luò)的人群異常檢測[J].軟件學(xué)報，2015，26（11）：2884?2896.

[5] 劉侃，張偉，張偉東，等.一種基于深度神經(jīng)網(wǎng)絡(luò)的無線定位方法[J].計算機工程，2016，42（7）：82?85.

[6] 閆馳.基于PSO?BP神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)定位算法[J].電子科技，2016，29（4）：56?58.

[7] 朱雁斌.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的接地故障定位研究[J].四川電力技術(shù)，2016，39（2）：37?40.

[8] 沈桂鵬，楊店飛，郭宇杰.基于自適應(yīng)權(quán)重粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷與定位[J].陜西電力，2016，44（8）：23?27.

[9] 嚴(yán)鳳，許海梅.基于神經(jīng)網(wǎng)絡(luò)的配電線路綜合故障定位方法[J].電力系統(tǒng)及其自動化學(xué)報，2015，27（5）：86?91.

[10] 謝仕義，徐兵，陳有英，等.無線傳感網(wǎng)絡(luò)中多目標(biāo)識別與定位系統(tǒng)設(shè)計[J].廣東海洋大學(xué)學(xué)報，2015，35（6）：82?86.

[11] 劉文進(jìn)，王曉明，李新春.無線傳感網(wǎng)絡(luò)下的固定節(jié)點優(yōu)化定位仿真[J].計算機仿真，2016，33（7）：281?284.