论文部分内容阅读
无线传感器网络(Wirelss Sensor Network,WSN)技术作为当前的新技术研究热点之一,在军用和民用等许多领域都具有极高的研究价值和广泛的应用前景。但是随着WSN系统的自动化程度不断提高,WSN系统的结构也变得越来越复杂,并且因为WSN主要工作于复杂条件和恶劣环境中,WSN节点要承受风吹、日晒、雨淋等诸多不利因素的影响,很容易发生故障,导致WSN节点不能按预定的设计完成原有的任务功能,更何况WSN的大多数节点的工作环境的条件差异不大,多数节点一同发生故障的概率较高,以致于造成WSN的整个网络瘫痪。因此,实时地对WSN节点的工作状态进行监控,准确及时的进行WSN节点的故障诊断,能有效提高WSN运行的可靠性和安全性,保证WSN能有效发挥设计潜能完成预定的监控任务。本文首先对WSN节点的故障特点、故障类型及故障模型进行研究;然后在深入研究Rough Sets理论和神经网络算法各自特点的基础上,分析Rough Sets理论与神经网络算法集成的可能性,并深入研究Rough Sets理论与神经网络算法集成的主要方式。根据WSN节点故障诊断特点选择BP神经网络模型作为神经网络的典型代表与Rough Sets算法相集成,由于传统BP网络算法存在易陷入局部极小以及收敛速度慢的固有缺陷,本文在深入分析BP网络算法原理的基础上,提出一种附加动量项的自适应学习率的BP算法(Additional Momentum Self-Adaptive BP, AMSABP),并针对WSN实际应用中故障监测系统的输入条件属性值为连续数值的情况,创新性的提出了基于Rough Sets属性约简算法与AMSABP算法相集成的故障诊断算法,即RS-AMSABP故障诊断算法,RS-AMSABP算法首先利用Rough Sets的属性约简算法对WSN节点的故障诊断决策表进行约简,得到WSN节点的最简故障诊断决策表,并由该决策表建立决策规则,最后根据决策规则建立AMSABP网络模型;WSN节点故障诊断仿真实验表明,与其他故障诊断算法相比,本文提出的RS-AMSABP算法在大大提高了网络收敛速度的情况下,故障诊断的正确率也大幅提高,故障诊断正确率达到99.74%,并且该算法具有很好的容错性。由于WSN实际工作于复杂及恶劣的环境中,要承受天气条件、环境干扰诸多不利因素的影响,WSN节点发生故障时,节点的故障监测系统的输入条件属性值极有可能为区间数,本文提出基于含有区间数的粗糙元神经网络(Interval-NumbersRough Neural Network, INRNN)故障诊断算法,该算法创新性引入含有区间数的粗糙决策分析方法,并提出采用区间数的上、下限端点值作为粗糙神经元的输入构造粗糙神经元,从而可以用含有区间数的粗糙元神经网络解决含有区间数的WSN节点故障诊断问题,基于INRNN网络的WSN节点故障诊断实验表明,与其他故障诊断算法相比,INRNN算法的网络收敛速度快,故障诊断正确率高达99.57%。本文针对WSN节点的故障诊断问题,提出了一整套有效的解决方案,采用本文提出的RS-AMSABP算法和INRNN算法开发WSN节点的故障诊断软件系统,可以有效解决WSN实际应用中的节点故障问题,具有很好的实用价值。