基于全神經(jīng)網(wǎng)絡(luò)增強算法的WSNs故障預警與檢測

蘭婭勛，蔡 娟，李振坤

(1.廣州科技職業(yè)技術(shù)大學 信息工程學院，廣州 510550；2.廣東工業(yè)大學 計算機學院，廣州 510005)

0 引言

WSNs(無線傳感器網(wǎng)絡(luò))由大量成本較為低廉的傳感器節(jié)點構(gòu)成[1]，節(jié)點采用電池供電且具有一定的感知和信息處理能力，在監(jiān)測區(qū)域內(nèi)節(jié)點之間采用了無線收發(fā)信號和多跳自組織的模式，形成一個互通互聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)[2]。WSNs具有組網(wǎng)便捷、成本低、可隨機部署網(wǎng)絡(luò)、節(jié)點開發(fā)成本低等優(yōu)勢，因此在環(huán)境監(jiān)測[3]、野外作業(yè)[4]、戶外勘測[5]、醫(yī)療護理及軍事偵查等領(lǐng)域都有十分廣泛的應用。但受限于無線傳感器節(jié)點的制造成本、通信功能和電能供應情況等，WSNs鏈路通信的穩(wěn)定性遠低于有線網(wǎng)絡(luò)[6]，而且節(jié)點通常暴露在戶外環(huán)境中更容易損壞或電能耗盡，進而出現(xiàn)網(wǎng)絡(luò)通信故障，影響到區(qū)域內(nèi)的監(jiān)測結(jié)果。由此可見，實時監(jiān)控WSNs的通信情況和網(wǎng)絡(luò)故障狀態(tài)必不可少，能夠確保WSNs始終處于正常的工作狀態(tài)。隨著無線通信技術(shù)、故障在線檢測技術(shù)和計算機軟硬件技術(shù)的不斷進步，各種智能化故障檢測算法被不斷地應用到WSNs故障預警和檢測之中。

WSNs有大量節(jié)點構(gòu)成，網(wǎng)絡(luò)故障的原因源于節(jié)點本身出現(xiàn)故障或節(jié)點之間的通信鏈路或通信協(xié)議等出現(xiàn)故障。現(xiàn)有的國外研究主要圍繞著網(wǎng)絡(luò)節(jié)點的故障檢測展開，具體的檢測方法以人工智能算法、仿生算法及專家系統(tǒng)診斷方法等為主。其中人工智能故障診斷算法包括了人工神經(jīng)網(wǎng)絡(luò)、智能SVM故障分類、遺傳算法等，或基于上述算法的融合算法，能夠規(guī)避單一算法存在的不足；仿生算法以PSO算法、魚群、蜂群等算法為主，借助粒子運動或動物群體智能行為等，判斷WSNs網(wǎng)絡(luò)節(jié)點的分布狀態(tài)。而國內(nèi)相關(guān)的學者對于WSNs節(jié)點故障的研究起步較晚，研究的主要方向為基于信息融合的角度對節(jié)點鏈路通信故障進行研究，或通過網(wǎng)絡(luò)鏈路的負載情況、節(jié)點分簇情況等，來判斷節(jié)點之間的通信是否存在異常。文獻[7]設(shè)計了一種基于通信大數(shù)據(jù)驅(qū)動的 WSN 節(jié)點故障定位于故障診斷算法模型，先通過采集傳感器節(jié)點之間的通信鏈路工作狀態(tài)與通信信息，并構(gòu)建空間范圍內(nèi)的多維向量，判斷通信數(shù)據(jù)流是否存在異常。但多維向量的獲取和狀態(tài)判定難度較大，而且該種算法監(jiān)控難度較大監(jiān)測成本也較高，故障定位、預警和分類檢測準確率有待提升；文獻[8]提出了一種信息融合故障算法，通過融合多個傳感器之間的通信信息，在正常的網(wǎng)絡(luò)通信負載條件下，判斷通信鏈路或傳感器節(jié)點是否存在異常情況。該種無線通信監(jiān)測技術(shù)的應用范圍較為廣泛，技術(shù)成本和相關(guān)的投入也較低。但基于多傳感器融合數(shù)據(jù)監(jiān)控算法工作效率較低，導致網(wǎng)絡(luò)穩(wěn)定性差，數(shù)據(jù)融合處理耗時也相對較長，導致節(jié)點的能耗消耗過快；文獻[9]提出一種基于節(jié)點分簇的故障預警與檢測算法，先根據(jù)節(jié)點分布情況和位置關(guān)系選取簇首節(jié)點和匯聚節(jié)點，再通過對簇首節(jié)點、匯聚節(jié)點和普通節(jié)點之間有效區(qū)域的劃分形成最優(yōu)通信鏈路，進而實現(xiàn)對節(jié)點故障和通信鏈路現(xiàn)存故障的判定和檢測。但基于節(jié)點分簇的故障檢測算法，更適用于規(guī)模較小的無線通信網(wǎng)絡(luò)，如果WSNs的網(wǎng)絡(luò)規(guī)模較大，故障檢測的效率和檢測精度都會同步降低。

隨著人工智能和機器學習技術(shù)不斷頸部和算法功能的不斷增強，神經(jīng)網(wǎng)絡(luò)算法特別是深度學習算法的應用場景不斷增加[10-11]。為進一步利用深度神經(jīng)網(wǎng)絡(luò)在故障定位和數(shù)據(jù)處理方面的優(yōu)勢，本文設(shè)計了一種全神經(jīng)網(wǎng)絡(luò)增強算法，充分發(fā)揮出深度神經(jīng)網(wǎng)絡(luò)在處理海量通信鏈路數(shù)據(jù)和節(jié)點故障數(shù)據(jù)方面的數(shù)據(jù)訓練優(yōu)勢，準確判斷出節(jié)點的故障現(xiàn)象和通信鏈路的故障類型；針對于全連接神經(jīng)網(wǎng)絡(luò)參數(shù)較多及對故障數(shù)據(jù)訓練時間較長的問題，本文對全神經(jīng)網(wǎng)絡(luò)模型進行了優(yōu)化和改進，提升對WSNs故障預警與檢測的精度，并降低算法的復雜度。

1 WSNs網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計與故障分析

1.1 WSNs的網(wǎng)絡(luò)結(jié)構(gòu)與節(jié)點構(gòu)成

構(gòu)成WSNs的節(jié)點包括普通節(jié)點，匯聚節(jié)點(簇首節(jié)點)[12]和任務管理節(jié)點，在目標區(qū)域內(nèi)隨機投放的節(jié)點是普通節(jié)點，負責采集節(jié)點周圍的信息，并傳遞給匯聚節(jié)點。普通節(jié)點之間也能夠?qū)崿F(xiàn)通信和數(shù)據(jù)傳輸。匯聚節(jié)點通過互聯(lián)網(wǎng)與任務管理節(jié)點之間通信，負責將輻射范圍內(nèi)所有普通節(jié)點采集到的信息上傳到任務管理節(jié)點，同時向下傳遞任務管理節(jié)點的指令。無線傳感網(wǎng)絡(luò)的基本結(jié)構(gòu)圖，如圖1所示(設(shè)定WSNs的覆蓋區(qū)域為邊長為3 km正方形，包含了1個任務節(jié)點，3個匯聚節(jié)點和10個普通節(jié)點)：

圖1 WSNs 的網(wǎng)絡(luò)結(jié)構(gòu)

WSNs是一種無線自組織網(wǎng)絡(luò)模型，節(jié)點的部署具有隨機性，而且節(jié)點的位置并不是固定不變的，可以隨著環(huán)境的變化而發(fā)生移動。節(jié)點的初始部署完成后，分屬與不同區(qū)域的節(jié)點之間實現(xiàn)通信，其中能量較多、位置最優(yōu)，且與任務節(jié)點通信距離合適的節(jié)點將成為匯聚節(jié)點，負責匯總各普通節(jié)點的信息并將信息通過互聯(lián)網(wǎng)上傳給任務管理節(jié)點。節(jié)點是構(gòu)成WSNs的基礎(chǔ)，每個節(jié)點(包括普通節(jié)點和匯聚節(jié)點)都是一個小型的嵌入式系統(tǒng)結(jié)構(gòu)，包括以下4個基礎(chǔ)模塊。

研究結(jié)果表明，在恩施煙區(qū)海拔540～1 680 m范圍內(nèi)，中部煙葉煙堿和總氮含量與海拔高度呈正相關(guān)，還原糖和鉀含量以及主要化學成分指標派生值與海拔高度呈負相關(guān)，但均未達顯著水平，而化學成分協(xié)調(diào)性得分則與海拔高度呈顯著負相關(guān)，說明中部煙葉各主要化學成分指標及其派生值與海拔高度的相關(guān)性不甚密切，比較而言，化學成分協(xié)調(diào)性受海拔高度影響相對較大，隨著海拔升高，協(xié)調(diào)性逐漸降低。這一結(jié)果與朱興黨［10］、王彪等［11］、沈燕金等［12］的研究結(jié)果基本一致，而與高林等［8］、曹學鴻等［9］的研究結(jié)果相反，這可能是由于取樣海拔高度的差異造成的。

圖2 WSNs節(jié)點內(nèi)部結(jié)構(gòu)設(shè)計

處理器模塊是節(jié)點的核心部分，包括了CPU單元和內(nèi)存存儲器，在軟件方面還包括了嵌入式的操作系統(tǒng)。處理器能夠控制節(jié)點的運行、能耗管理和信息的收發(fā)等。但受限于成本、體積等，WSNs節(jié)點的運算能力和管理能力都十分有限；電源模塊負責為節(jié)點其他模塊提供能耗，通常情況下節(jié)點會采用電池供電，作為匯聚節(jié)點無論是在電能供應和計算能力方面都要優(yōu)于普通節(jié)點；傳感器模塊內(nèi)置不同類型的傳感器，能夠采集節(jié)點周圍的溫度、濕度、氣壓等信息，并實現(xiàn)數(shù)據(jù)信息的A/D轉(zhuǎn)換[13-14]；無線通信模塊包含信息收發(fā)單元、MAC單元和網(wǎng)絡(luò)通信單元，主要負責與匯聚節(jié)點和其他普通節(jié)點之間的數(shù)據(jù)交互。WSNs節(jié)點的通信距離有限，節(jié)點會根據(jù)有效的通信半徑選擇合適的匯聚節(jié)點，而且通信效果與節(jié)點電池能力密切相關(guān)，隨著電池能耗的不斷降低通信能力和通信質(zhì)量會隨之下降。

1.2 無線傳感網(wǎng)絡(luò)故障類型匯總分析

全神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)的是全連接層，根據(jù)輸入數(shù)據(jù)集的規(guī)模調(diào)整網(wǎng)絡(luò)層數(shù)，并提取節(jié)點故障集和通信鏈路故障集的屬性特征。當網(wǎng)絡(luò)結(jié)果確定以后，利用全神經(jīng)網(wǎng)絡(luò)訓練故障集同時優(yōu)選參數(shù)集，但隨著訓練數(shù)據(jù)集規(guī)模的增大，全神經(jīng)網(wǎng)絡(luò)結(jié)果也不是固定不變的，需要根據(jù)數(shù)據(jù)訓練情況、參數(shù)集優(yōu)選情況、損失函數(shù)變化情況和激活函數(shù)取值情況等，適時調(diào)整全神經(jīng)網(wǎng)絡(luò)的層數(shù)和數(shù)據(jù)訓練能力。如果經(jīng)過一段時間的訓練以后，故障集特征提取準確率低且損失函數(shù)值較大，證明模型在故障集訓練效率較低或全神經(jīng)網(wǎng)絡(luò)模型存在不收斂的情況，導致這種情況發(fā)生的原因包括學習率的取值存在問題，Adam優(yōu)化算法與學習率匹配存在問題等，通過調(diào)整訓練學習率或閾值邊界θ，降低數(shù)據(jù)集的冗余度并解決模型存在的過擬合等問題，改善全神經(jīng)網(wǎng)絡(luò)的故障集訓練效率和故障分類檢測的精度。

傳感器模塊和通信模塊是故障率較高的模塊，首先可以通過判斷傳感器的數(shù)字轉(zhuǎn)換效率和質(zhì)量，判斷出傳感器是否處于故障狀態(tài)。在t時刻采集到的節(jié)點傳感器信號表示為f(t)：

f(t)=ηf′(t)+κ+ε(t)

(1)

其中：f′(t)為傳遞信號的真實值，η為放大倍數(shù)，κ偏置量，ε(t)為信號采集誤差。與傳感器信號相關(guān)的幾個變量，如放大倍數(shù)、偏置量等都可能會影響到信號的采集。通信模塊的故障大都集中于信號的收發(fā)單元，可以通過測量數(shù)據(jù)接收率和發(fā)送率的值，判斷節(jié)點通信模塊是否存在故障。節(jié)點數(shù)據(jù)接受率r的計算過程如下：

(2)

(3)

其中：γ為模型的待更新的平滑參數(shù)，η為全神經(jīng)網(wǎng)絡(luò)的學習率，φt為第t期的偏一階矩估計，xt和xt-1分別為第t期和第t-1期的輸入故障數(shù)據(jù)集。Adam優(yōu)化算法通過多次的迭代，對全神經(jīng)網(wǎng)絡(luò)的神經(jīng)元的權(quán)重集偏置梯度做指數(shù)級的加權(quán)移動評價和平滑處理，Adam優(yōu)化算法將有助于控制故障集訓練過程中出現(xiàn)的梯度波動異常問題，避免了提出震蕩過大現(xiàn)象的發(fā)生。利用Adam優(yōu)化算法控制模型梯度優(yōu)化，首先要對模型和sigmoid函數(shù)進行初始化設(shè)置，每次迭代尋優(yōu)都要更新函數(shù)的梯度值和模型的梯度值，然后根據(jù)模型梯度值的最新更新結(jié)果，調(diào)整偏一階矩估計值作為偏二階矩估計值的參考值，計算一階矩估計修正偏差值，及二階矩估計修正偏差值。最后通過以上兩種值的融合結(jié)果，對模型的參數(shù)集進行持續(xù)更新，并篩選出最佳的模型參數(shù)組合用戶故障集的訓練和測試。與傳統(tǒng)梯度優(yōu)化算法相比，Adam優(yōu)化算法能夠同時實現(xiàn)對一階矩估計和對二階矩估計，從強化對模型梯度消失和梯度膨脹的抑制，模型的優(yōu)化控制效果更加明顯。Adam優(yōu)化算法能夠獨立地設(shè)置與隱含層神經(jīng)元相匹配的學習率，提升神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)訓練性能和模型的收斂速度。sigmoid函數(shù)的輸出值范圍在0～1之間，因此學習率的取值也存在上下限，從另一個層面限制的可用參數(shù)的范圍，避免參數(shù)集取值范圍過大。

2 全神經(jīng)網(wǎng)絡(luò)增強算法模型構(gòu)建與梯度優(yōu)化

實時匯總和分析節(jié)點通信過程中產(chǎn)生的數(shù)據(jù)流，并形成故障數(shù)據(jù)集，通過判斷數(shù)據(jù)集是否存在異常進而實現(xiàn)對WSNs的故障預警和檢測。由于WSNs中節(jié)點通信實時存在，通信故障集的規(guī)模較大，因此實時處理故障數(shù)據(jù)集的難度較大。

2.1 全神經(jīng)網(wǎng)絡(luò)模型的層次結(jié)構(gòu)

在WSNs節(jié)點故障診斷和通信鏈路故障診斷方式上，主要采用周期性數(shù)據(jù)采集和儲存模式，形成具有一定規(guī)模的故障集，再集中對一段時間內(nèi)故障集進行故障預警和檢測。首先，由匯聚節(jié)點采集其他節(jié)點的工作信息和通信鏈路信息，并將相關(guān)的信息存儲于節(jié)點內(nèi)存之中；其次，匯聚節(jié)點將各節(jié)點信息和通信鏈路信息進行匯總和整理，并通過互聯(lián)網(wǎng)上傳到任務管理節(jié)點；最后，由于任務節(jié)點的數(shù)據(jù)處理功能較為強大，可以利用全神經(jīng)網(wǎng)絡(luò)增強算法模型，判斷出一個周期的數(shù)據(jù)集的內(nèi)部是否存在確定的故障點，并同步做出相應的預警和檢測，故障診斷流程如圖4所示。

圖3 全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡圖

在四層次的網(wǎng)絡(luò)結(jié)構(gòu)中上一層次為下一層次的輸入層，每個層次的神經(jīng)元節(jié)點都包含輸入、輸出、權(quán)值、偏置函數(shù)和激活函數(shù)[17]，通過權(quán)值分配完成相應的計算任務，網(wǎng)絡(luò)結(jié)構(gòu)的復雜程度和訓練計算能力成正比，但相應計算代價和參數(shù)集復雜度也有所提升。

2.2 神經(jīng)元結(jié)構(gòu)與激活函數(shù)的選擇

神經(jīng)元節(jié)點是全神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，神經(jīng)元之間的連接鍵決定了節(jié)點之間的關(guān)聯(lián)關(guān)系，設(shè)xi為第i個神經(jīng)元的輸入項，yi為輸出項，神經(jīng)元的WSNs通信數(shù)據(jù)訓練過程描述如下：

(4)

通過對“金口”連頭處精確測量、計算、下料等方面考慮，降低連頭施工中各因素的不利影響，并由經(jīng)驗豐富、技術(shù)水平高而且責任心強的焊工進行施焊，通過制定科學的“金口”施工人員管理制度和激勵機制，并根焊熱焊后加密檢測等質(zhì)量控制措施，從而提升長輸管道“金口”連頭的整體施工效率和質(zhì)量。

術(shù)后第6天，轉(zhuǎn)至我院治療，患者神志模糊，GCS評分 12分（E4V3M5），伴發(fā)熱（38.4℃），專科查體見右外耳道、乳突術(shù)腔干潔，留置紗條1條，無膿性分泌物，耳后傷口干潔。當天腦部CT提示右乳突呈術(shù)后改變；當天血常規(guī)示白細胞升高（10.9×109）;腦脊液示白細胞記數(shù)（35×106/L），紅細胞數(shù)(－)，總蛋白（1.07g/L），葡萄糖（7.14mmol/L）。

(5)

但sigmoid函數(shù)也有一定缺點，即存在梯度過飽和問題會影響到全神經(jīng)網(wǎng)絡(luò)的訓練效率。

2.3 感知機與損失函數(shù)

包括匯聚節(jié)點在內(nèi)的9個傳感器節(jié)點的故障數(shù)據(jù)特征樣本定義為C1-C9(其中匯聚節(jié)點為C1，普通節(jié)點為C2-C9)，節(jié)點故障特征包括4種，處理器故障H1、電源故障H2，傳感器故障H3，通信模塊故障H4，節(jié)點之間通信鏈路故障H5，如果WSNs網(wǎng)絡(luò)沒有出現(xiàn)故障表示為H0。從每個傳感器中分別隨機采集1 000組故障樣本，共9 000組樣本，每組樣本中都包含有少量的H1-H5故障樣本，隨機提取到的故障樣本狀態(tài)如表1所示。

(6)

(7)

其中：κ為全神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)訓練過程中的學習率，用于控制權(quán)重調(diào)整的幅頻。根據(jù)感知機規(guī)則和要求當樣本輸入中間隱含層時神經(jīng)元權(quán)重比例隨之調(diào)整，便于及時觀測輸出值與期望值之間的偏差。WSNs節(jié)點故障和通信故障問題屬于典型的非線性問題，故障集無法被線性分割，感知機在處理該類問題時通常會在多次迭代后趨于收斂，此時根據(jù)收斂結(jié)果確定最合適的權(quán)值向量。基于學習率κ和感知機評價工具能夠?qū)敵鲋岛推谕g的誤差進行評估，為進一步降低全神經(jīng)網(wǎng)絡(luò)的輸出誤差，本文選擇了平方誤差函數(shù)(MSE函數(shù))作為全神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)。MSE函數(shù)主要用于對神經(jīng)網(wǎng)絡(luò)模型的參數(shù)質(zhì)量進行評估，由于全神經(jīng)網(wǎng)絡(luò)模型的規(guī)模較大，參數(shù)系統(tǒng)較為復雜，選擇最優(yōu)的模型參數(shù)能夠有效地提高數(shù)據(jù)集訓練效率，并縮小真實輸出值與期望值之間的偏差，MSE函數(shù)的表達式如下：

(8)

以MSE函數(shù)作為全神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，能夠在感知機的基礎(chǔ)上對參數(shù)集的選擇誤差情況進行有效地評估，進一步完善全神經(jīng)網(wǎng)絡(luò)的功能。

忙出了長壽，不能不令人吃驚而深思。其實，因忙而長壽，蘊含哲理。忙是使命促使，不斷進取，顧不得其它。對待身體，也像對待孩子，越是嬌慣，孩子越是脆弱，而放手或少管，孩子反而會潑辣健壯。尤其老年人，終日閑，會覺得百無聊賴，總想著這痛那癢，甚至為死亡而憂心忡忡，這對長壽有害而無益。不如向方成看齊，來個終日忙，忙得忘記了一切才好。

2.4 對全神經(jīng)網(wǎng)絡(luò)模型的改進與算法增強

全神經(jīng)網(wǎng)絡(luò)模型具有強大的數(shù)據(jù)訓練能力，但其結(jié)構(gòu)和參數(shù)集都過于復雜，導致計算代價較高，而且選擇sigmoid函數(shù)作為模型的激活函數(shù)還容易造成模型的梯度波動、過擬合[18]、梯度爆炸或梯度消失等問題。因此本文從優(yōu)化全神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)和提升模型的梯度優(yōu)化能力等兩個視角對全連接神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化和改進。

對于普通的神經(jīng)網(wǎng)絡(luò)模型而言，隨著網(wǎng)絡(luò)結(jié)構(gòu)復雜度的提升和中間隱含層數(shù)量的增加，網(wǎng)絡(luò)會出現(xiàn)功能退化、計算代價提升、數(shù)據(jù)訓練效率降低及精度下降等問題。為此本文先設(shè)計了一種跳躍結(jié)構(gòu)，提升模型數(shù)據(jù)訓練的準確率。跳躍結(jié)構(gòu)就是在普通層和輸出層之間增加了一個跳躍式網(wǎng)絡(luò)結(jié)構(gòu)，控制網(wǎng)絡(luò)殘差并解決多層網(wǎng)絡(luò)結(jié)構(gòu)的退化問題。如果在輸入層的映射函數(shù)表示為gi(x)，輸出層為yi，則跳躍層結(jié)構(gòu)是位于兩者之間的一種映射函數(shù)：

yi=gi(x)+h(gi(x))

(9)

其中：h(gi(x))即為全連接神經(jīng)網(wǎng)絡(luò)的跳躍結(jié)構(gòu)，負責解決各層次之間的函數(shù)映射恒等問題，即使網(wǎng)絡(luò)結(jié)構(gòu)復雜度較高，各層次集各神經(jīng)元之間的映射關(guān)系也較為清晰，同時也有助于抑制模型梯度波動過高的問題。優(yōu)化的全神經(jīng)網(wǎng)絡(luò)模型選擇了sigmoid函數(shù)作為激活函數(shù)，主要是由于sigmoid函數(shù)的平滑屬性，但sigmoid函數(shù)會引起模型的梯度波動，本文基于Adam優(yōu)化算法對全神經(jīng)網(wǎng)絡(luò)的過擬合問題和梯度波動問題進行優(yōu)化處理。Adam優(yōu)化算法的思路是對梯度指數(shù)進行加權(quán)處理，進而平滑神經(jīng)網(wǎng)絡(luò)的參數(shù)，并使故障數(shù)據(jù)集訓練中的梯度波動的情況得到有效抑制。令vt為第t期的梯度指數(shù)，迭代過程如下：

vt←γvt-1+ηφt

(10)

xt←xt-1+vt

(11)

3 基于全神經(jīng)網(wǎng)絡(luò)增強算法故障檢測的實現(xiàn)

3.1 全神經(jīng)網(wǎng)絡(luò)增強算法的流程

本文提出全神經(jīng)網(wǎng)絡(luò)增強算法中所構(gòu)建的全神經(jīng)網(wǎng)絡(luò)模型，不同于普通的深度神經(jīng)網(wǎng)絡(luò)模型，其包含多個隱含層而且可以根據(jù)數(shù)據(jù)集的規(guī)模與復雜程度，提高隱含層的數(shù)量。每個隱含層中又包含多個神經(jīng)元結(jié)構(gòu)。各隱含層之間神經(jīng)元采用全連接方式，而處于同一層的神經(jīng)元互不連接。當全神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)量較多時，神經(jīng)元之間形成的網(wǎng)絡(luò)結(jié)構(gòu)復雜度就越高，網(wǎng)絡(luò)的數(shù)據(jù)訓練和信息表達能力也就更強，達到檢測算法增強的目的。但全神經(jīng)網(wǎng)絡(luò)由于結(jié)構(gòu)過于復雜，導致參數(shù)集的規(guī)模較大，會面臨參數(shù)調(diào)整和參數(shù)優(yōu)選等問題，因此本文在全連接神經(jīng)網(wǎng)絡(luò)的設(shè)計過程中通過優(yōu)化損失函數(shù)和激活函數(shù)等方式，控制模型的梯度變化并確保神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)訓練和處理能力[15-16]。全神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)設(shè)計，如圖3所示(為簡化設(shè)計，本文以一個四層次的全神經(jīng)網(wǎng)絡(luò)為例)。

圖4 全神經(jīng)網(wǎng)絡(luò)故障預警與檢測流程

3.2 虛預警的判定與冗余信息消除

如果WSNs節(jié)點之間的通信信號不穩(wěn)定，檢測系統(tǒng)會將這些瞬時的信號中斷誤認為通信故障，進而產(chǎn)生大量的偽通信信號冗余，在基于全神經(jīng)網(wǎng)絡(luò)增強算法的故障檢測過程中，還要消除這些冗余信息對故障診斷的影響。設(shè)節(jié)點i發(fā)生真實故障的概率為piA，對應的故障集為A，節(jié)點i發(fā)生瞬時故障的概率為piB，對應的故障集為B：

其中：f為激活函數(shù)(本文選用通用性和兼容性更好的sigmoid函數(shù))，ωi是節(jié)點對應連接權(quán)重，ξ為神經(jīng)元之間的連接閾值。sigmoid函數(shù)的取值區(qū)間在0至1之間，在有效的輸出值區(qū)間范圍內(nèi)sigmoid函數(shù)的優(yōu)勢在于過度平滑容易求導，sigmoid激活函數(shù)表示為：

參考消息網(wǎng)11月19日報道，西媒稱，租用一部高端手機一年，或者每月支付一定費用租用時裝成為中國年輕人的新時尚，這些流行趨勢正在改變中國的消費習慣。

piA=p(A)

(12)

piB=p(B|A)

(13)

當piA的取值范圍在0～1之間時，表明WSNs的節(jié)點或節(jié)點之間的通信鏈路真實發(fā)生了故障，而當piB的概率不為零時，診斷結(jié)果可能為真實的結(jié)果或為虛預警，應對預警結(jié)果做進一步的判斷[19-20]。將節(jié)點的故障周期分割為N個離散的時間段，即t1-tN，給定一個具有參考意義的閾值邊界θ，通過概率判斷節(jié)點為正常狀態(tài)的次數(shù)優(yōu)先達到閾值后，可以證明該節(jié)點的狀態(tài)為正常狀態(tài)(節(jié)點存在虛預警情況)；如果節(jié)點經(jīng)過多次迭代尋優(yōu)后，仍無法達到閾值邊界θ，表明該節(jié)點自身通信存在問題，或與該節(jié)點相關(guān)的通信鏈路也存在一定的問題：

(14)

在公式(14)的情況下，表明節(jié)點的故障診斷和通信鏈路的結(jié)果正常，不存在故障。

(15)

在公式(15)的情況下，表明節(jié)點的故障診斷和通信鏈路的結(jié)果不正常，可以視為已經(jīng)出現(xiàn)了WSNs節(jié)點故障預警。當概率取值在0和θ之間時，需要重復檢測和判斷并調(diào)整閾值范圍，并繼續(xù)利用全神經(jīng)網(wǎng)絡(luò)增強算法訓練故障集，并消除冗余數(shù)據(jù)和虛預警現(xiàn)象。

3.3 全神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化與調(diào)整

WSNs出現(xiàn)度故障主要是節(jié)點故障，而且節(jié)點的幾個組成部分都有可能出現(xiàn)一個或多個故障。首先處理器模塊的故障有溫度過高出現(xiàn)預警和數(shù)據(jù)傳輸失效，處理器由于超頻工作、服役過久或嵌入式系統(tǒng)故障，而導致WSNs局部功能失效；最后由于節(jié)點內(nèi)存老化，讀寫錯誤等導致數(shù)據(jù)存儲功能失效；其次，電源模塊的故障主要表現(xiàn)為電壓降低、電壓波動或不穩(wěn)。通常情況下由于電能消耗節(jié)點供電電壓都會出現(xiàn)一定程度的降低，但如果服役時間較短的節(jié)點供電電壓低于2 V，節(jié)點正常的通信工作將無法完成，或傳遞的數(shù)據(jù)質(zhì)量呈現(xiàn)出顯著下降的趨勢。

4 實驗結(jié)果與分析

4.1 實驗環(huán)境設(shè)置與故障特征樣本提取

為驗證本文提出的全神經(jīng)網(wǎng)絡(luò)增強算法在WSNs故障預警與檢測中的表現(xiàn)，基于MATLAB仿真軟件設(shè)計了一組仿真實驗。實驗中所用PC機的配置如下：CPU intel Core i9 13900ks，CPU最高主頻3.6 GHz，運行內(nèi)存為16 GB，存儲規(guī)格為2 TB，操作系統(tǒng)為Windows2010專業(yè)版。為簡化實驗環(huán)境設(shè)置，在1 km*1 km的仿真區(qū)域內(nèi)隨機布置了1個匯聚節(jié)點和8個普通節(jié)點，如圖5所示。

圖 5 WSNs仿真環(huán)境設(shè)置

無論是匯聚節(jié)點還是普通節(jié)點都被安裝了故障屬性特征檢測器，因此這些節(jié)點都具有有了故障特征提取功能，實驗的步驟設(shè)置如下。

1.4.2 搭建成本分析。對2015年建造避雨棚時所用的搭建成本進行統(tǒng)計，包括用工、肥料、避雨棚膜、架材、苗木等。

1)設(shè)置仿真環(huán)境和仿真區(qū)域，同時在仿真環(huán)境下調(diào)試軟硬件的運行情況。

傷口換藥是外科治療的重要組成部分，換藥質(zhì)量是傷口良好愈合的關(guān)鍵，在臨床工作中發(fā)現(xiàn)，外傷患者其傷口愈合情況與清創(chuàng)縫合術(shù)后首次換藥時間有直接的關(guān)系。首次換藥時間不同，患者表現(xiàn)出的疼痛感、敷料與傷口粘連程度、換藥時所用的鹽水棉球量及時間、新生肉芽組織損傷滲血、傷口周圍紅腫、傷口愈合情況等均有不同。為保護新生肉芽組織，減少痂皮損傷，促進傷口的愈合，我科于2009年10月—2011年10月對清創(chuàng)縫合術(shù)后需要換藥的患者給予不同時間換藥，觀察傷口的愈合情況，現(xiàn)報道如下。

2)基于節(jié)點特征檢測器，提取相關(guān)的故障特征數(shù)據(jù)，構(gòu)建用于檢驗的數(shù)據(jù)集。

3)選擇實驗驗證的數(shù)值指標(故障檢測率、分類檢測、虛預警率等)。

4)提取數(shù)據(jù)并基于進行MATLAB仿真軟件對數(shù)據(jù)的結(jié)果進行分析。

1.中科院化學所研制的晶體材料——納米四氧化三鐵,在核磁共振造影及醫(yī)藥上有廣泛用途,其生產(chǎn)過程的部分流程如下所示。

電子商務平臺和交易的發(fā)展拉動了消費也為社會民眾提供了便利，但對于其中出現(xiàn)的問題要通過法律及時探查并解決，規(guī)則設(shè)置既要考慮到基本法理也要注重電子商務合同的特殊性。

表1 部分故障樣本狀態(tài)分布統(tǒng)計

表1中取值0表示節(jié)點或鏈路狀態(tài)正常，如果取值為1表明存在故障，全部的故障集設(shè)為X，包含了9 000組樣本作為模型的輸入項，輸入數(shù)據(jù)的訓練過程如公式(16)所示：

(16)

其中：X為采集樣本神經(jīng)元的輸入項，Y為模型的輸出項，ωi是節(jié)點對應連接權(quán)重，ξ為神經(jīng)元之間的連接閾值，f為全神經(jīng)網(wǎng)絡(luò)模型的激活函數(shù)，基于輸出樣本的結(jié)果，進行后續(xù)的指標對比分析，數(shù)據(jù)的訓練過程在MATLAB仿真環(huán)境下進行

直接數(shù)字化攝影檢查技術(shù)是依據(jù)非晶硒平板檢測器來轉(zhuǎn)換X線形成數(shù)字圖像，不發(fā)生光學成分失真以及衰減現(xiàn)象[2]，有利于圖像信息真實性和圖像質(zhì)量的保證，直接數(shù)字化攝影技術(shù)的時間減影即為不同時間下兩次數(shù)字攝影胸片相減的結(jié)果，可對病變動態(tài)變化進行充分顯示[3-4]，且能量減影有利于對某些特定組織的顯示，可將肋骨遮擋祛除，進而對肺組織病變以及淋巴結(jié)鈣化進行更好地顯示。直接數(shù)字化攝影檢查具有曝光寬容度大、易于控制、不必洗片、不必重照等優(yōu)勢，可減少輻射，提升工作效率。且存在更高的圖像清晰度以及密度分辨率，擁有豐富的圖像層次，提升圖像質(zhì)量[5-6]。

4.2 各算法故障檢測率、分類檢測率和虛預警率的對比分析

將實驗中形成9 000組故障樣本混合并隨機分為10組，每組樣本中都包含有不同的故障類型，分別利用本文提出的全神經(jīng)網(wǎng)絡(luò)算法和3種傳統(tǒng)算進行故障檢測和故障分類，判斷各算法對于故障異常預警準確率(檢測出的故障樣本數(shù)與每組全體樣本數(shù)的比值)和分類準確率(檢測出的每種樣本數(shù)與實際樣本數(shù)比值，再求5種故障樣本分類準確率均值)，統(tǒng)計結(jié)果如表2和表3所示。

仿真數(shù)據(jù)分析結(jié)果顯示：無論是故障預警與檢測率，還是多種不同故障的分類檢測率值，全神經(jīng)網(wǎng)絡(luò)增強算法都要優(yōu)于3種傳統(tǒng)算法。這表明全神經(jīng)網(wǎng)絡(luò)增強算法模型的數(shù)據(jù)訓練能力和分類檢測能力均較強。全神經(jīng)網(wǎng)絡(luò)增強算法，還對WSNs中的偽故障特征和冗余特征進行了處理，有效控制了虛預警率，檢測各算法的虛預警率變化情況，如圖6所示。

表2 故障預警與檢測準確率

表3 不同類型故障分類檢測率

圖6 虛預警率變化曲線對比

當故障樣本集規(guī)模超過6 000以后，3種傳統(tǒng)算法的虛預警率開始增加，當樣本量超過8 000以后虛預警率快速增加，表明傳統(tǒng)故障檢測算法在應對大規(guī)模數(shù)據(jù)集時的檢測率衰減過快；而全神經(jīng)網(wǎng)絡(luò)增強算法的虛預警率得到較好的控制，這與算法在數(shù)據(jù)訓練中剔除了大量冗余故障數(shù)據(jù)密切相關(guān)，降低了數(shù)據(jù)訓練的難度和數(shù)據(jù)集的規(guī)模。

4.3 檢測耗時及各節(jié)點的剩余能耗分析

故障定位預警與故障檢測的效率對于WSNs網(wǎng)絡(luò)穩(wěn)定運行至關(guān)重要，如果WSNs中包含了大量節(jié)點，意味了獲取到的故障集規(guī)模更大，且節(jié)點發(fā)生故障的概率更高，無論是從成本視角考慮還是從實用性角度考慮，都有必要降低節(jié)點故障預警與檢測的耗時，在4.1節(jié)設(shè)定的仿真環(huán)境下，分析不同算法對于每組故障數(shù)據(jù)集檢測耗時情況，統(tǒng)計分析結(jié)果如圖7所示。

圖7 各組數(shù)據(jù)的故障檢測耗時情況分析

全神經(jīng)網(wǎng)絡(luò)增強算法處理每組數(shù)據(jù)的耗時在10 s左右，而其他3種傳統(tǒng)算法的耗時都超過了20 s，當節(jié)點眾多和故障集的規(guī)模較大時，全神經(jīng)網(wǎng)絡(luò)增強算法的優(yōu)勢會更加明顯。最后，分析各算法模型處理完成故障集后，各節(jié)點剩余能耗情況，節(jié)點的能耗與WSNs網(wǎng)絡(luò)壽命密切相關(guān)，節(jié)點能耗消耗過快與不合理的鏈路匹配及數(shù)據(jù)冗余有關(guān)，節(jié)點剩余能耗的統(tǒng)計分析結(jié)果，如表4所示。

分析處理各組故障集完畢后，在全神經(jīng)網(wǎng)絡(luò)增強算法控制下WSNs未出現(xiàn)死亡節(jié)點，每個節(jié)點剩余能量占比也要優(yōu)于3種傳統(tǒng)算法；而3種傳統(tǒng)算法控制下都出現(xiàn)了能量耗盡的死亡節(jié)點，會WSNs的功能產(chǎn)生一定的不利影響，加速網(wǎng)絡(luò)通信功能的衰減。

綜上所述，在計算能機網(wǎng)絡(luò)中進行安全管理，不僅需要管理者加強對網(wǎng)絡(luò)安全的重視，培養(yǎng)安全意識，還需要積極進行對網(wǎng)絡(luò)技術(shù)的發(fā)展，不斷的進行對技術(shù)層次上的漏洞進行防范，提高網(wǎng)絡(luò)安全的系數(shù)，促進計算機網(wǎng)絡(luò)的安全運行。

實例 3：“I advised Mr.Darcy,and Lizzy,and Kitty,said Mrs.Bennet,to walk to Oakham Mount this morning.It is a nice long walk,and Mr.Darcy has never seen the view.”

5 結(jié)束語

隨著網(wǎng)絡(luò)通信技術(shù)的發(fā)展，WSNs的應用場景越來越多，WSNs具有組網(wǎng)便捷和適應性強等特點，尤其在野外和相對惡劣的環(huán)境下優(yōu)勢更加明顯。但受限于節(jié)點的成本和功能，WSNs的網(wǎng)絡(luò)穩(wěn)定性有待強化，因此實時對網(wǎng)絡(luò)運行狀態(tài)進行監(jiān)控并及時排除故障，能夠確保WSNs的基礎(chǔ)功能正常發(fā)揮。為提升對通信故障集分類檢測的準確率，本文設(shè)計了一種全神經(jīng)網(wǎng)絡(luò)增強算法模型，從網(wǎng)絡(luò)總體層次結(jié)構(gòu)設(shè)計、激活函數(shù)選擇、梯度異常波動抑制和虛預警率控制等多個方面，全面優(yōu)化WSNs的性能。仿真結(jié)果顯示，全神經(jīng)網(wǎng)絡(luò)增強算法的故障分類檢測率更高，耗時較少，通信效率高且網(wǎng)絡(luò)的穩(wěn)定性較強。