基于改进的否定选择算法的无线传感器网络故障诊断方法

摘要

本发明公开了基于改进的否定选择算法的无线传感器网络故障诊断方法，涉及的无线传感器技术领域；它的方法如下：步骤一、对NSA的原理进行分析和研究以找到算法的改进点；步骤二、对WSN故障节点检测方法进行研究；步骤三、对WSN故障分类方法进行研究；步骤四、使用仿真软件对算法进行验证和比较研究；本发明提高了故障检测的准确率，减少检测过程中消耗的时间和能量；能够节省时间，且便于快速检测。

说明书

技术领域

本发明属于技术领域，具体涉及一种基于改进的否定选择算法的无线传感器网络故障诊断方法。

背景技术

无线传感器网络是具有低电池电量和内存的微型且廉价的传感器节点的集合。每个节点都具有感知数据，处理和发送数据到其余节点或基站的能力，节点之间通过无线介质连接。传感器节点的特性使其可用于各种应用，例如医疗保健监视，森林火灾监视，军事应用，环境监视等。传感器节点部署在无人值守和恶劣的环境中时，容易出现故障。在WSN中可根据行为将故障分为两类，即硬故障和软故障。硬故障被称为永久性故障，表现为传感器节点无法将数据传输到其他传感器节点。软故障分为软性永久性故障，软性间歇性故障和软性瞬态故障。如果传感器节点连续给出错误结果，则称其为软性永久故障。如果传感器节点在有限制的时限内表现为某些时间有故障，而其他时间无故障，则称为软间歇性故障。如果某个传感器节点在某个时刻表现出故障，而在其余时间内无故障，则称其为软瞬态故障。

当网络因节点故障而出现工作能力下降时，其需要在第一时间感知故障的发生并对出现的故障做出正确诊断。

发明内容

为解决背景技术中的问题；本发明的目的在于提供基于改进的否定选择算法的无线传感器网络故障诊断方法。

本发明的基于改进的否定选择算法的无线传感器网络故障诊断方法，它的方法如下：

步骤一、对NSA的原理进行分析和研究以找到算法的改进点：

NSA是AIS中最重要的方法之一，它基于自我/非自我辨别理论的原理；NSA的定义如下：NSA应用在检测空间U上，其中U空间包括自体集合S(Self)与非自体集合N(Non-Self)，其中自体集合与非自体集合满足条件：

U＝S∪N

NSA的检测步骤可以简述为以下几步：

(1)、在空间U中定义一个自体字符串集合S；

(2)、随机产生检测器，将不能与S进行匹配的放入D中，称D为成熟检测器；

(3)、用检测器集合D来检测自体集合，如果发生匹配，说明有入侵情况发生；

步骤二、对WSN故障节点检测方法进行研究：

对WSN的故障检测又分为两个阶段，即检测硬故障和检测软故障；硬故障的检测需要设计算法以识别出WSN中的硬永久性故障节点；软故障的检测使用基于否定选择原理的软故障节点识别算法，也可以分为两个阶段，即检测器生成阶段和匹配阶段；在检测器生成阶段，将随机生成一个检测器集，用于检测故障节点；在此阶段生成的检测器以最少数量的检测器覆盖了非自身空间，检测器可以将故障节点与所有节点区分开；在匹配阶段，选择合适的匹配规则完成检测器与样本数据的匹配；之后设计算法实现WSN的软故障检测；

步骤三、对WSN故障分类方法进行研究：

在此阶段，选择使用SVM对故障节点进行分类；SVM最初旨在执行两种类别的分类；如果需要分两个以上的类，则必须将SVM扩展到多类分类；为了提高检测效率添加了三个故障类，为了对这些故障进行分类，需要将SVM扩展到多类分类；对于多类SVM，有三种扩展方法，分别是一对多(OAA)，一对一(OAO)和纠错输出代码(ECOC)；

步骤四、使用仿真软件对算法进行验证和比较研究：

在仿真阶段需要完成任务如下：

4.1、学习NS-2仿真器的使用方法，搭建模型收集数据；

4.2、通过仿真验证所提出的改进的算法的可行性；

4.3、设定不同的性能指标，例如故障检测准确性(FDA)，能量消耗(EC)，故障分类准确度(FCA)等等来比较算法的性能。

作为优选，所述NSA检测用于WSN故障检测中可分为两个步骤，自身字符串是由WSN中的传感器节点从环境中收集的一组实际值数据，由于WSN最初没有故障，因此收集的数据是准确的；然后在有界范围内随机生成另一组实值数据字符串；WSN的无故障节点和有故障节点分别被视为AIS的自身和非自身；在NSA中，检测器是从无故障节点中随机生成的；使用合适的优化算法对检测器的生成过程进行优化，非随机的生成检测器，在检测器中添加软永久性，软间歇性和软瞬态故障数据，从而提高对故障检测的效率，以达到改进NSA的目的。

作为优选，所述一对多：构造了m个二进制分类器，每个分类器都经过训练以区分一个类和其余m-1个类；在测试阶段，分类级别由二进制分类器确定，该分类器给出最大输出值；

一对一：此方法也称为成对分类；它构造了m(m-1)/2个分类器；与OAA方法相比，该方法更加对称，分类器更大，训练速度更快；

纠错输出代码：通过该方法检查和校正所发送的错误数据；ECOC算法通过编码为各种类别然后转换为相应的代码来提高性能；ECOC算法的本质部分是应准备一个编码矩阵，一般采用Hadamard矩阵；

一对多这种方法缺点是内存需求很高和训练样本大小不平衡。一对一这种方法的缺点是随着分类数的增加，分类器的数目也随之增加；因此选择通过ECOC-SVM设计算法来实现对WSN节点故障的分类。

与现有技术相比，本发明的有益效果为：

一、提高了故障检测的准确率，减少检测过程中消耗的时间和能量；

二、能够节省时间，且便于快速检测。

附图说明

为了易于说明，本发明由下述的具体实施及附图作以详细描述。

图1为本发明中检测器生成阶段的流程图；

图2为本发明中检测阶段的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

本具体实施方式采用以下技术方案：WSN中节点故障的出现会影响传感器数据的传输以及测量数据的准确性，提高故障检测的准确度和速度越来越受到科研工作者的重视，节点故障检测方面，现有的大多数算法需要频繁的与邻居节点交换数据，导致通信开销大，或者需要先验知识，算法的自适应能力差。节点故障诊断方面，现有的大多数算法诊断的准确性依赖于样本的训练数量，或者算法的自身学习能力较弱，难以应对故障多样性挑战。针对这些问题需要完成的主要研究内容如下：

1、分析WSN中造成节点发生故障的原因，总结归纳不同类型的节点故障，梳理和学习目前常见的节点故障检测和诊断算法，分析各种算法的实现思路以及优缺点，针对存在的问题和解决方法进行分析和学习。

2、在WSN中节点故障检测阶段，首先，对节点硬故障的检测算法进行研究学习，设计合适的算法实现节点硬故障检测。然后，对NSA的实现思路和原理进行分析和学习，根据现有研究发现NSA在随机生成检测器阶段花费了许多不必要的计算时间，并且很难判断检测器的数量是否足以满足故障概率，可以针对这个问题，找到合适的优化方法对NSA算法进行改进。

3、在WSN中节点故障诊断阶段。首先，对当前比较流行的算法的优缺点进行比较分析，选择合适的故障诊断算法对节点出现的软故障进行分类，根据现有研究发现支持向量机诊断算法相对适合完成此工作。然后，需要对SVM进行相应的改进以达到对故障的分类效果。

4、在仿真验证阶段。首先，需要学习仿真软件的使用，完成仿真模型搭建，收集相应数据。其次，利用收集到的数据验证所提出的算法的可行性。最后，设定不同的性能指标将所提算法与其他常用算法进行比较。

本具体实施方式的具体方法如下：

一、对NSA的原理进行分析和研究以找到算法的改进点：

人体的免疫系统(AIS)具有自我防御机制，可以保护人体免受各种细菌或病毒的攻击。免疫系统的主要目的是找出体内的所有细胞或分子并将其分类为自我(无故障)和非自我(有故障)。自我通常是指可接受或无故障的数据，非自我是指测得的数据。NSA是AIS中最重要的方法之一，它基于自我/非自我辨别理论的原理。NSA的定义如下：NSA应用在检测空间U上，其中U空间包括自体集合S(Self)与非自体集合N(Non-Self)，其中自体集合与非自体集合满足条件：

U＝S∪N

NSA的检测步骤可以简述为以下几步：

(1)、在空间U中定义一个自体字符串集合S。

(2)、随机产生检测器，将不能与S进行匹配的放入D中，称D为成熟检测器。

(3)、用检测器集合D来检测自体集合，如果发生匹配，说明有入侵情况发生。

NSA检测用于WSN故障检测中可分为两个步骤，如图1和图2所示。自身字符串是由WSN中的传感器节点从环境中收集的一组实际值数据，由于WSN最初没有故障，因此收集的数据是准确的。然后在有界范围内随机生成另一组实值数据字符串，例如，在固定的时间段内从温度传感器记录的温度值。在图1中，自身字符串和随机生成的字符串之间存在匹配，根据NSA原则，匹配的字符串将被删除，不匹配的字符串将移至检测器组。在图2中，受保护的字符串与检测器集中的字符串匹配，被匹配的字符串被标识为非自身，其余部分再次被匹配，直到检测到故障节点。

WSN的无故障节点和有故障节点分别被视为AIS的自身和非自身。在NSA中，检测器是从无故障节点中随机生成的。这里可以使用合适的优化算法对检测器的生成过程进行优化，非随机的生成检测器，在检测器中添加软永久性，软间歇性和软瞬态故障数据，从而提高对故障检测的效率，以达到改进NSA的目的。

二、对WSN故障节点检测方法进行研究：

对WSN的故障检测又分为两个阶段，即检测硬故障和检测软故障。硬故障的检测需要设计算法以识别出WSN中的硬永久性故障节点。软故障的检测使用基于否定选择原理的软故障节点识别算法，也可以分为两个阶段，即检测器生成阶段和匹配阶段。在检测器生成阶段，将随机生成一个检测器集，用于检测故障节点。在此阶段生成的检测器以最少数量的检测器覆盖了非自身空间，检测器可以将故障节点与所有节点区分开。在匹配阶段，选择合适的匹配规则完成检测器与样本数据的匹配。之后设计算法实现WSN的软故障检测。

三、对WSN故障分类方法进行研究：

在此阶段，选择使用SVM对故障节点进行分类。SVM最初旨在执行两种类别的分类。如果需要分两个以上的类，则必须将SVM扩展到多类分类。为了提高检测效率添加了三个故障类，为了对这些故障进行分类，需要将SVM扩展到多类分类。对于多类SVM，有三种扩展方法，分别是一对多(OAA)，一对一(OAO)和纠错输出代码(ECOC)。

OAA：构造了m个二进制分类器，每个分类器都经过训练以区分一个类和其余m-1个类。在测试阶段，分类级别由二进制分类器确定，该分类器给出最大输出值。

OAO：此方法也称为成对分类。它构造了m(m-1)/2个分类器。与OAA方法相比，该方法更加对称，分类器更大，训练速度更快。

ECOC：通过该方法检查和校正所发送的错误数据。ECOC算法通过编码为各种类别然后转换为相应的代码来提高性能。ECOC算法的本质部分是应准备一个编码矩阵,一般采用Hadamard矩阵。

OAA这种方法缺点是内存需求很高和训练样本大小不平衡。OAO这种方法的缺点是随着分类数的增加，分类器的数目也随之增加。因此选择通过ECOC-SVM设计算法来实现对WSN节点故障的分类。

四、使用仿真软件对算法进行验证和比较研究：

在仿真阶段需要完成任务如下：

4.1、学习NS-2仿真器的使用方法，搭建模型收集数据。

4.2、通过仿真验证所提出的改进的算法的可行性。

4.3、设定不同的性能指标，例如故障检测准确性(FDA)，能量消耗(EC)，故障分类准确度(FCA)等等来比较算法的性能。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。