基于神經網絡的無線網絡故障節點定位技術

楊明莉　陳曉偉　趙軍

摘 要： 傳統無線網絡故障節點定位方法無法有效處理節點功率波動以及模糊環境對故障節點定位精度的干擾。提出基于小波神經網絡的無線網絡故障節點定位方法，分析了小波神經網絡在節點故障定位的三種作用形式，融合形式1和3對冗余節點故障進行定位，將小波神經網絡當成預測器，將前一采樣時刻的正常輸出交叉輸入n個小波神經網絡，獲取節點當前時刻的預測輸出值，取節點預測輸出值和真實輸出值的殘差，若該殘差值高于閾值，則說明該節點是故障節點。實驗結果表明，所提故障節點定位方法能夠對節點的附加、倍數以及短路故障進行準確定位。

關鍵詞： 神經網絡； 無線網絡； 故障節點定位； 干擾處理

中圖分類號： TN915?34； TP212 文獻標識碼： 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

隨著科學技術的高速發展，無線傳感網絡的應用領域不斷擴張。但是無線傳感網絡中的節點受到自身以及外界因素的干擾，會出現較多的故障，導致傳感網絡質量降低[1?2]。傳統無線網絡故障節點定位方法，無法有效處理節點功率波動以及模糊環境對故障節點定位精度的干擾，具有較高的局限性。因此，尋求有效的方法對故障節點進行準確定位，具有重要的應用意義。

1 基于小波神經網絡的無線網絡故障節點定位技術

1.1 小波神經網絡在節點故障定位的作用形式

根據小波神經網絡在節點故障定位中作用，將小波神經網絡在故障節點定位過程作用劃分成如下三種形式：

（1） 將小波神經網絡當成分類器，將節點輸出當成小波神經網絡的輸入值，用“1”和“0”描述節點存在故障以及不存在故障，并將節點狀態當成網絡輸出[3]，通過不同的故障模式對小波神經網絡實施訓練，采用訓練好的小波神經網絡分類器對無線網絡故障節點進行定位。該方法的定位原理如圖1所示。

（2） 將小波神經網絡當成觀測器，基于大量的隱層，小波神經網絡可對系統輸入/輸出樣本實施自主學習，逼近真實的動態系統[4]。基于傳統觀測原理塑造小波神經網絡觀測器，通過正常工作情況下的數據對小波神經網絡進行訓練，采用訓練好的小波神經網絡觀測器形成故障殘差，完成無線傳感故障節點的定位[5]。定位原理如圖2所示。

（3） 將小波神經網絡當成預測器，通過小波神經網絡塑造傳感網絡節點的預測模型，小波神經網絡的輸入值為節點的前一時刻輸出值，網絡輸出是節點的輸出預測值，對比該預測值同節點的真實輸出值，產生殘差實施故障節點定位。該方法的定位原理如圖3所示。

在對孤立節點進行故障定位時，將小波神經網絡當成觀測器，將節點當前時刻的輸入當成神經網絡的輸入，逼近節點當前時刻的正常輸出為神經網絡的輸出[6?7]。融合形式1和3定位冗余節點故障，將小波神經網絡當成預測器，將前一采樣時刻的正常輸出當成小波神經網絡的輸入，預測節點當前采樣時刻的輸出，獲取差值信號，再同預先設置的閾值實施對比，則高于閾值的差值信號對應的節點為故障節點。

1.2 無線傳感器網絡冗余節點故障定位

無線傳感器網絡冗余節點故障定位示意圖見圖4。

其由無線傳感網絡、小波神經網絡預測器以及信息定位方案構成。無線傳感網絡中有n個檢測值存在冗余關系的傳感器節點，[x1，x2，…，xn-1，xn]用于描述n個傳感器節點的輸出值。采用圖3描述的結構圖，將小波神經網絡當成預測器，獲取節點后續時刻的正常輸出。endprint

本文方法定位無線網絡故障節點前，需要塑造n個小波神經網絡預測器，并訓練這些預測器。在無線傳感網絡簇中全部節點的運行狀態都是正常時，采集訓練樣本。通過交叉訓練方法對訓練樣本實施訓練[8]，交叉訓練k個小波神經網絡預測器的過程如圖5所示。其他預測器的訓練方式也采用該交叉訓練方式。

由圖5可知，若無線傳感網絡節點的采樣時刻是[t0，t1，t2，…，tn]，傳感節點在[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網絡的無線網絡故障節點定位方法，對某無線傳感測溫系統中的溫度傳感節點故障進行定位分析，檢測本文方法的性能，實驗設置閾值為0.5 ℃。實驗將歸一化的檢測樣本輸入到訓練好的小波神經網絡預測器內，并對其輸出進行反歸一化處理，同溫度節點故障檢測樣本進行對比，獲取溫度節點產生1 ℃偏差故障、0.05倍數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，無線傳感網絡溫度傳感節點存在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。能看出當無線傳感網絡節點存在附加故障，小波神經網絡預測器在其殘差高于閾值下，準確定位出該故障節點。圖7所示的無線傳感溫度節點的倍數故障是平穩波動的故障，隨著采樣節點的增加，節點同小波神經網絡預測器輸出形成的殘差也逐漸提升，如果殘差高于報警閾值，則小波神經網絡預測器可定位出故障節點。

3 結 論

本文提出基于小波神經網絡的無線網絡故障節點定位方法，其能夠對節點的附加、倍數及短路故障進行定位。

參考文獻

[1] 王子豪，田杰.基于徑向基神經網絡的目標測向定位算法[J].中國科技論文，2016，11（14）：1668?1672.

[2] 孫忠閣.無線傳感網絡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.基于改進的粗糙集和神經網絡的WSN故障診斷[J].計算機科學，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網絡的人群異常檢測[J].軟件學報，2015，26（11）：2884?2896.

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

[6] 閆馳.基于PSO?BP神經網絡的無線傳感器網絡定位算法[J].電子科技，2016，29（4）：56?58.

[7] 朱雁斌.基于改進BP神經網絡的接地故障定位研究[J].四川電力技術，2016，39（2）：37?40.

[8] 沈桂鵬，楊店飛，郭宇杰.基于自適應權重粒子群優化BP神經網絡的光伏陣列故障診斷與定位[J].陜西電力，2016，44（8）：23?27.

[9] 嚴鳳，許海梅.基于神經網絡的配電線路綜合故障定位方法[J].電力系統及其自動化學報，2015，27（5）：86?91.

[10] 謝仕義，徐兵，陳有英，等.無線傳感網絡中多目標識別與定位系統設計[J].廣東海洋大學學報，2015，35（6）：82?86.

[11] 劉文進，王曉明，李新春.無線傳感網絡下的固定節點優化定位仿真[J].計算機仿真，2016，33（7）：281?284.