基于支持向量機(jī)回歸預(yù)測(cè)的無線傳感器網(wǎng)絡(luò)故障檢測(cè)

基于支持向量機(jī)回歸預(yù)測(cè)的無線傳感器網(wǎng)絡(luò)故障檢測(cè)

無線傳感器網(wǎng)絡(luò)（無線傳感器網(wǎng)絡(luò)）是當(dāng)前最流行的環(huán)境探測(cè)技術(shù)。它具有快速部署、自組織、無需基礎(chǔ)設(shè)施支持等優(yōu)點(diǎn)。在環(huán)境評(píng)估領(lǐng)域具有廣闊的應(yīng)用前景。傳感器可靠性低、能量有限、部署環(huán)境無法預(yù)測(cè)等缺點(diǎn)是無線傳感器網(wǎng)絡(luò)技術(shù)必須克服的問題。由于傳感器的低可靠性,傳感器故障廣泛存在.其中數(shù)據(jù)故障危害最大,數(shù)據(jù)故障均表現(xiàn)為采集的數(shù)據(jù)不正常波動(dòng)或者超出合理的取值范圍.出現(xiàn)數(shù)據(jù)故障的傳感器節(jié)點(diǎn)的采集數(shù)據(jù)會(huì)發(fā)生異常,因此傳感器在排除數(shù)據(jù)故障前只保留路由轉(zhuǎn)發(fā)功能.及時(shí)發(fā)現(xiàn)數(shù)據(jù)故障一方面可以通過關(guān)閉數(shù)據(jù)采集功能節(jié)省傳感器的能耗,另一方面,錯(cuò)誤的傳感器數(shù)據(jù)會(huì)大大降低網(wǎng)絡(luò)的服務(wù)質(zhì)量.筆者提出的故障檢測(cè)算法主要針對(duì)數(shù)據(jù)故障.現(xiàn)存的故障檢測(cè)算法普遍存在效率不高的缺點(diǎn),這些算法對(duì)于計(jì)算能力以及能量相對(duì)有限的傳感器節(jié)點(diǎn)來說實(shí)用性不高.此外,以往的故障檢測(cè)算法應(yīng)用范圍局限在小規(guī)模,低故障率的傳感器網(wǎng)絡(luò),實(shí)際應(yīng)用效果十分有限.針對(duì)現(xiàn)存故障檢測(cè)算法的上述不足,提出了基于支持向量機(jī)回歸預(yù)測(cè)的故障檢測(cè)算法.1分布式故障檢測(cè)算法總的來說,節(jié)點(diǎn)故障管理算法分為兩種,集中式的和分布式的.RamanathanN等介紹了Sympathy集中式算法,算法要求所有節(jié)點(diǎn)周期性交換鄰居列表信息,這將帶來較多的能量消耗.當(dāng)信息流量不大的時(shí)候,集中式故障管理簡(jiǎn)單而有效.然而,當(dāng)應(yīng)用于大規(guī)模網(wǎng)絡(luò)的時(shí)候,集中式故障檢測(cè)算法將帶來不可忍受的低效率和高延遲.DingM等描述的算法是一個(gè)分布式本地算法,該算法中節(jié)點(diǎn)將自身的測(cè)量值與其鄰居節(jié)點(diǎn)的測(cè)量值的中值進(jìn)行比較,如果差值的絕對(duì)值大于閾值,則該節(jié)點(diǎn)會(huì)被認(rèn)為是故障的.ChenJ等介紹了一種基于分簇思想的故障檢測(cè)算法,算法選取一些好節(jié)點(diǎn)作為基準(zhǔn)節(jié)點(diǎn),再把節(jié)點(diǎn)跟基準(zhǔn)節(jié)點(diǎn)進(jìn)行比較來判斷節(jié)點(diǎn)是否存在故障.文獻(xiàn)中,簇頭節(jié)點(diǎn)向其成員節(jié)點(diǎn)發(fā)送詢問剩余能量狀態(tài),此后簇頭節(jié)點(diǎn)掌握簇的全局信息并根據(jù)全網(wǎng)信息來計(jì)算子節(jié)點(diǎn)是否處于故障狀態(tài).ImielińskiT等對(duì)SrisathapornphatC等提出的方法作出了改進(jìn),每個(gè)節(jié)點(diǎn)只有p的概率會(huì)向簇頭發(fā)送狀態(tài)信息,這樣的改進(jìn)讓網(wǎng)絡(luò)消息數(shù)大大減少.然而上述算法面對(duì)大規(guī)模故障時(shí)效果有限,此外,上述算法的運(yùn)行速度也不盡理想.筆者針對(duì)故障檢測(cè)算法的運(yùn)行速度和面對(duì)大片故障的能力上提出了新型的分布式故障檢測(cè)算法.2基于支持向量機(jī)回歸的可靠性分類和錯(cuò)誤檢測(cè)2.1節(jié)點(diǎn)能耗及控制策略無線傳感器被部署為一個(gè)分層網(wǎng)絡(luò)結(jié)構(gòu).在分層網(wǎng)絡(luò)結(jié)構(gòu)下,無線傳感器網(wǎng)絡(luò)根據(jù)節(jié)點(diǎn)的地理位置分為若干個(gè)自組織子網(wǎng)絡(luò),被稱為簇(Cluster).其中,每個(gè)簇中有一個(gè)集中式管理節(jié)點(diǎn),該節(jié)點(diǎn)被稱為簇頭(CH,clusterhead),簇頭掌握著整個(gè)簇的組成情況,是將所有簇內(nèi)傳感器節(jié)點(diǎn)的數(shù)據(jù)上報(bào)到基站(BS,basestation)的傳輸中樞.除此之外的簇內(nèi)節(jié)點(diǎn)被稱為簇成員(CM,clustermember),簇成員是簇內(nèi)進(jìn)行數(shù)據(jù)采集的執(zhí)行主體.無線傳感器節(jié)點(diǎn)可向覆蓋范圍內(nèi)的節(jié)點(diǎn)發(fā)送或接收消息.此外,無線傳感器可開啟高功率發(fā)射模式將發(fā)射半徑大幅擴(kuò)大到最大發(fā)射半徑.假設(shè)所有傳感器節(jié)點(diǎn)具有相同的覆蓋半徑和最大發(fā)射半徑,節(jié)點(diǎn)有專用的信道往基站發(fā)送數(shù)據(jù),且節(jié)點(diǎn)間通信不會(huì)發(fā)生丟包現(xiàn)象.傳感器節(jié)點(diǎn)的低能儲(chǔ)和充能困難的特點(diǎn)很容易成為傳感器網(wǎng)絡(luò)的性能瓶頸,為此,需要一個(gè)準(zhǔn)確高效的能量模型來描述節(jié)點(diǎn)耗能,筆者采用HeinzelmanB等提出的能量模型:ET(k,d)表示傳感器向距離為d的另一個(gè)傳感器發(fā)送k比特?cái)?shù)據(jù)時(shí)消耗的能量其中:表示電子能量,εFS表示發(fā)送放大器在覆蓋范圍內(nèi)發(fā)送數(shù)據(jù)的能耗參數(shù),εMP表示在最大發(fā)射范圍模式下發(fā)送放大器的能耗參數(shù).ER(k)表示相應(yīng)的接收器消耗的能量根據(jù)上述的能量模型,基于能量節(jié)約以及能量均衡原則提出了下面的分簇算法:每個(gè)節(jié)點(diǎn)均向鄰居節(jié)點(diǎn)廣播消息包,包內(nèi)包含了節(jié)點(diǎn)的地理位置和節(jié)點(diǎn)規(guī)模,節(jié)點(diǎn)規(guī)模是一個(gè)常數(shù),一般認(rèn)為節(jié)點(diǎn)規(guī)模越大,該常數(shù)越大,向其他節(jié)點(diǎn)發(fā)送信息的可能性就越大.節(jié)點(diǎn)根據(jù)收集的鄰居節(jié)點(diǎn)的地理位置(xi,yi),求出相對(duì)距離d,計(jì)算出把消息發(fā)送到所有鄰居節(jié)點(diǎn)的總能量消耗占自身能量的比例ES,稱作承載能力.承載能力ES的計(jì)算方法如下其中:ni為收發(fā)節(jié)點(diǎn)的平均連通度,即自身與所有鄰居節(jié)點(diǎn)的節(jié)點(diǎn)度的均值,用于衡量節(jié)點(diǎn)規(guī)模.而Eself為自身的剩余能量.充分交互節(jié)點(diǎn)狀態(tài)后,若自身的ES比所有鄰居的ES值都要大,則宣布自身成為簇頭.若鄰居中沒有簇頭,則加入ER最小的鄰居所屬的簇.否則所有非簇頭節(jié)點(diǎn)都將選擇鄰居簇頭中接收耗能ER最低的簇加入.其中接收耗能由下面的公式確定根據(jù)上述分簇算法,簇頭和簇成員都能保證以最節(jié)能的方式組織簇結(jié)構(gòu),同時(shí)能量高的節(jié)點(diǎn)更可能擔(dān)任高耗能的簇頭,保證了能量節(jié)約和均衡.2.2svm預(yù)測(cè)算法在WSN的研究中,大部分的算法將所有節(jié)點(diǎn)作相同的故障檢測(cè)操作,這種操作往往是復(fù)雜的.但事實(shí)上,對(duì)于大部分具有良好故障檢測(cè)歷史的節(jié)點(diǎn)來說,存在故障的概率很低,因此對(duì)這些可靠的節(jié)點(diǎn)來說復(fù)雜的操作是不必要的,這種無差別的處理將會(huì)帶來巨大的能量和計(jì)算能力上的浪費(fèi).針對(duì)上述問題,筆者提出基于支持向量機(jī)回歸預(yù)測(cè)的故障檢測(cè)算法(SFDA,SVR-basedfaultdetectionalgorithm).SFDA包括5個(gè)步驟:步驟1訓(xùn)練階段.收集長(zhǎng)度為L(zhǎng)的數(shù)據(jù)樣本集合T={(x1,y1),(x2,y2),…,(xL,yL)},一般L為200~300,產(chǎn)生預(yù)測(cè)序列(x1,x2,x3,x4,…,xL),并訓(xùn)練出支持向量機(jī)相關(guān)參數(shù).步驟2回歸預(yù)測(cè).根據(jù)支持向量機(jī)回歸預(yù)測(cè)算法,由T預(yù)測(cè)下一時(shí)刻的采集數(shù)據(jù)值yi+1=f(xi).步驟3信譽(yù)度計(jì)算.把預(yù)測(cè)值yi與實(shí)際值dm=xi+1作比較,計(jì)算出信譽(yù)度λi+1.步驟4信譽(yù)等級(jí)劃分.根據(jù)信譽(yù)度λi+1劃定信譽(yù)等級(jí),并根據(jù)各個(gè)節(jié)點(diǎn)的信譽(yù)等級(jí)調(diào)節(jié)上交數(shù)據(jù)到簇頭進(jìn)行簇頭檢測(cè)的頻率.步驟5基于置信數(shù)據(jù)集的故障檢測(cè)機(jī)制.根據(jù)基于置信數(shù)據(jù)集的故障檢測(cè)機(jī)制,將故障節(jié)點(diǎn)信息上傳至基站.同時(shí),根據(jù)簇頭檢測(cè)的結(jié)果反饋性地調(diào)整各個(gè)簇成員節(jié)點(diǎn)的信譽(yù)等級(jí).在信譽(yù)劃分的過程中,支持向量回歸(SVR,supportvectorregression)預(yù)測(cè)算法是本算法的核心,預(yù)測(cè)結(jié)果的準(zhǔn)確與否關(guān)乎信譽(yù)劃分的權(quán)威性.Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論(SLT,statisticallearningtheory)提出了支持向量機(jī)(SVM,supportvectormachine)學(xué)習(xí)方法.SVM方法基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,在傳感器數(shù)據(jù)預(yù)測(cè)上明顯優(yōu)于基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的人工神經(jīng)網(wǎng)絡(luò)法.經(jīng)驗(yàn)風(fēng)險(xiǎn)最小僅僅能讓預(yù)測(cè)值相對(duì)于訓(xùn)練數(shù)據(jù)的誤差最小化,而對(duì)于數(shù)據(jù)取值范圍廣泛,隨機(jī)性大的WSN數(shù)據(jù)預(yù)測(cè)來說是遠(yuǎn)遠(yuǎn)不夠的.而結(jié)構(gòu)風(fēng)險(xiǎn)最小則可以保證VC維數(shù)(用于衡量泛化誤差)的上限最小化,這使得SVM具有更好的泛化能力,還能有效地避免“過學(xué)習(xí)”的問題.SVM學(xué)習(xí)方法具有無可比擬的泛化性,非常適合應(yīng)用于WSN,而SVR算法是SVM最重要的應(yīng)用,SVR是一種基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法.SVR算法借助各個(gè)傳感器節(jié)點(diǎn)前期的有效數(shù)據(jù)構(gòu)造數(shù)據(jù)樣本,然后找到數(shù)據(jù)內(nèi)在的相互依賴關(guān)系,用于預(yù)測(cè)未來的數(shù)據(jù),可以解決區(qū)域節(jié)點(diǎn)大規(guī)模失效的情況下的數(shù)據(jù)預(yù)測(cè).下面介紹對(duì)傳感器數(shù)據(jù)進(jìn)行預(yù)測(cè)的SVR算法:假設(shè)歸一化后的傳感器數(shù)據(jù)與相應(yīng)預(yù)測(cè)值組成樣本集合(X,Y),該集合上存在某個(gè)概率分布F(x,y),選取獨(dú)立同分布的樣本點(diǎn)進(jìn)行處理.然而,由于預(yù)測(cè)的過程不可能完全準(zhǔn)確,在SVM理論中,往往用損失函數(shù)來衡量結(jié)構(gòu)風(fēng)險(xiǎn).假設(shè)損失函數(shù)為L(zhǎng)ost(y,f(x)),于是期望結(jié)構(gòu)風(fēng)險(xiǎn)可以由下式計(jì)算根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM,structureriskminimization)原理,為了達(dá)到最好的預(yù)測(cè)效果,需要找出最優(yōu)的預(yù)測(cè)函數(shù)f(x),使得R[f]盡可能的小.多種損失函數(shù)都廣泛應(yīng)用于研究之中,其中高斯函數(shù)能夠有效地克服序列內(nèi)的高斯噪聲,同時(shí)具有良好的稀疏特性和泛化性,更能排除高斯噪聲干擾,達(dá)到更好的預(yù)測(cè)效果.高斯損失函數(shù)的表達(dá)式如下在統(tǒng)計(jì)學(xué)習(xí)理論中,結(jié)構(gòu)風(fēng)險(xiǎn)定義為經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信區(qū)間之和.然而WSN中傳感器數(shù)據(jù)隨機(jī)性大、變化區(qū)間廣,在誤差較小的區(qū)間內(nèi),普遍認(rèn)為這些傳感器節(jié)點(diǎn)數(shù)據(jù)對(duì)經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信區(qū)間的影響微乎其微,因此其所帶來的結(jié)構(gòu)風(fēng)險(xiǎn)往往可以忽略.在此區(qū)間內(nèi)進(jìn)行結(jié)構(gòu)風(fēng)險(xiǎn)的衡量反而很容易因?yàn)閿?shù)據(jù)的不規(guī)則波動(dòng)造成誤判,進(jìn)而錯(cuò)誤估計(jì)了系統(tǒng)的結(jié)構(gòu)風(fēng)險(xiǎn).針對(duì)上述問題,提出了針對(duì)WSN的ε-不敏感高斯函數(shù)其中:ε是一個(gè)常量,表示無線傳感器網(wǎng)絡(luò)中能容忍的最大誤差,在(-ε,ε)內(nèi)的誤差均認(rèn)為是不會(huì)帶來結(jié)構(gòu)風(fēng)險(xiǎn)的.ε-不敏感高斯函數(shù)可以在保持原有的抗高斯噪聲的優(yōu)點(diǎn)的同時(shí)彌補(bǔ)了原高斯函數(shù)在處理WSN數(shù)據(jù)時(shí)容易發(fā)生的“過敏感”問題.損失函數(shù)所表示的結(jié)構(gòu)風(fēng)險(xiǎn)在SVM分類問題中的數(shù)學(xué)含義是樣本集中的任意點(diǎn)離超平面的距離.多維空間中的超平面可表示為根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(SRM,structureriskminimization),求損失函數(shù)的最小值等價(jià)于調(diào)整超平面的斜率ω使得超平面離樣本集里最靠近的點(diǎn)的距離盡可能大,即使得最大.此時(shí)的超平面的劃分具有最高的置信度,稱為最優(yōu)超平面.由于ε為常數(shù),因此求的最大值等價(jià)于求的最小值.結(jié)合式(7)ε-不敏感高斯函數(shù),達(dá)到結(jié)構(gòu)風(fēng)險(xiǎn)最小化的超平面等同于下列規(guī)劃問題的解條件中L表示樣本容量.這是一個(gè)凸二次規(guī)劃問題,引入松弛變量ξ和,上述問題可以轉(zhuǎn)化為下列規(guī)劃問題其中:C為懲罰常數(shù),反映了SVR算法中函數(shù)回歸模型的復(fù)雜度和樣本擬合精度之間的折中,C越大,擬合程度越高;ω為超平面的法向量,ξi和ξi*為隨機(jī)誤差,b為偏差.約束條件中ε除了表示允許的最大誤差外,還起著控制回歸的支持向量個(gè)數(shù)和泛化能力的作用,ε越大,支持向量數(shù)越少.為求解上述規(guī)劃問題,引入Lagrange乘子α=(α1,α2,α3,…,αL)并將上面的問題轉(zhuǎn)化為對(duì)偶規(guī)劃問題.定義Lagrange函數(shù),并代入后化簡(jiǎn)可得根據(jù)KKT(Karush-Kuhn-Tucker)最優(yōu)化條件:1)Lagrange函數(shù)的偏導(dǎo)數(shù)等于零;2)等式約束等于零;3)不等式約束與相應(yīng)Lagrange乘子的乘積等于零.根據(jù)KKT條件第1)條,L(ω,b)分別對(duì)ω,b取偏導(dǎo)并令其等于0此外,根據(jù)KKT條件第2)條又能得到式(15)的含義在于,只有當(dāng)αi,αi*取0時(shí),約束條件才起約束作用.實(shí)際上,只有若干αi,αi*不為0,此時(shí)的約束條件g(xi),h(xi)等于0,也就是說回歸樣本點(diǎn)落在了約束邊界上,這樣的約束向量被稱為支持向量(SV,supportvector).把式(14)代入式(13),可以得到但是式(16)中的φ〈xi,xj〉=φ(xi)·φ(xj)是一個(gè)高維度特征空間上的映射之間的內(nèi)積,具有很大的處理難度.在SVM理論中,解決這個(gè)內(nèi)積計(jì)算的辦法是核技巧.即尋找一個(gè)核函數(shù)K(xi,xj),使得K(xi,xj)=〈xi,xj〉=φ(xi)·φ(xj),通過核函數(shù)替代巧妙地避免了計(jì)算高維內(nèi)積所需的計(jì)算代價(jià).由于SVR算法雖然把結(jié)構(gòu)風(fēng)險(xiǎn)最小化問題轉(zhuǎn)化為求高維度超平面的問題,旨在把常規(guī)維度上難以處理的非線性不可分問題轉(zhuǎn)化為高維度線性可分問題,然而算法的最后會(huì)把高維度向量ω約去,因此問題最后又回到常規(guī)維度上,換而言之核技巧處理是合理的.核技巧是整個(gè)SVM理論的核心.用核函數(shù)K(xi,xj)替代高維度內(nèi)積,最終轉(zhuǎn)化為一個(gè)嚴(yán)格凸函數(shù)的對(duì)偶二次規(guī)劃問題由于這個(gè)二次規(guī)劃并沒有關(guān)于x的不等式約束,因此可以簡(jiǎn)單地用線性方程求解,解上述凸二次規(guī)劃問題可以求得αi,αi*.選取研究成果最為成熟的高斯徑向基核函數(shù)核函數(shù)K(xi,xj)以及式(14)代入超平面表達(dá)式(8)中,則得到最優(yōu)超平面,即結(jié)構(gòu)風(fēng)險(xiǎn)最小的WSN傳感器數(shù)據(jù)預(yù)測(cè)函數(shù)根據(jù)SVR預(yù)測(cè)函數(shù)的預(yù)測(cè)結(jié)果與實(shí)際值的偏差可以定義信譽(yù)系數(shù).然而僅由一次預(yù)測(cè)的數(shù)據(jù)來判定一個(gè)節(jié)點(diǎn)的信譽(yù)容易發(fā)生“長(zhǎng)期誤信”,即當(dāng)一個(gè)低信譽(yù)度節(jié)點(diǎn)被誤判為高信譽(yù)度節(jié)點(diǎn)后,在一個(gè)長(zhǎng)時(shí)間內(nèi)都不會(huì)得到修正的現(xiàn)象.考慮到的歷史數(shù)據(jù)和當(dāng)前的預(yù)測(cè)結(jié)果符合邏輯回歸模型,因此可結(jié)合Logistic回歸模型來評(píng)價(jià)節(jié)點(diǎn)的信譽(yù)度,Logistic回歸模型的核心是sigmoid曲線,引入歷史信譽(yù)系數(shù)的線性加權(quán)作為Pn的輸入,最后得到動(dòng)態(tài)的信譽(yù)系數(shù)的表達(dá)式如下根據(jù)可以把節(jié)點(diǎn)分成5個(gè)信譽(yù)度等級(jí),分別為確信、良好、一般、可疑、故障.簇成員節(jié)點(diǎn)根據(jù)自身的信譽(yù)度等級(jí),將選擇相應(yīng)的對(duì)簇頭的故障數(shù)據(jù)上報(bào)頻率,而處于最低信譽(yù)級(jí)別的節(jié)點(diǎn)將被認(rèn)為是故障節(jié)點(diǎn).同時(shí),簇頭也會(huì)根據(jù)信譽(yù)度的不同來對(duì)簇成員進(jìn)行不同的處理,信譽(yù)度等級(jí)劃分標(biāo)準(zhǔn)及處理詳情如表1所示.需要指出的是,簇頭節(jié)點(diǎn)有權(quán)限根據(jù)基于置信數(shù)據(jù)集的故障檢測(cè)算法結(jié)果發(fā)送指令更改簇成員的信譽(yù)等級(jí).2.3基于置信數(shù)據(jù)集的故障檢測(cè)機(jī)制分簇算法把地理位置接近的節(jié)點(diǎn)分為一個(gè)簇,這個(gè)簇的覆蓋范圍有其實(shí)際意義.因?yàn)樵诖氐母采w范圍內(nèi),可以認(rèn)為傳感器檢測(cè)的物理量差別較小,在訓(xùn)練階段可以得到簇頭數(shù)據(jù)差別量的閾值Uthres.根據(jù)信譽(yù)級(jí)別的不同,節(jié)點(diǎn)會(huì)以不同的頻率向簇頭發(fā)送數(shù)據(jù),而簇頭根據(jù)這些數(shù)據(jù)與置信數(shù)據(jù)集(DDS,dependabledataset)內(nèi)的數(shù)據(jù)進(jìn)行比較來判定節(jié)點(diǎn)是否出現(xiàn)故障,這個(gè)機(jī)制稱為基于置信數(shù)據(jù)集的故障檢測(cè)機(jī)制.置信數(shù)據(jù)集由3個(gè)數(shù)據(jù)集通過與操作得到:簇頭數(shù)據(jù)以及簇成員節(jié)點(diǎn)中具有“確信”和“良好”信譽(yù)度的成員節(jié)點(diǎn)上報(bào)的數(shù)據(jù),如下式表示其中SCH為簇頭數(shù)據(jù)集Ssure和Sgood分別為“確信”和“良好”簇成員節(jié)點(diǎn)上報(bào)的數(shù)據(jù)集.若檢測(cè)數(shù)據(jù)與SDDS中數(shù)據(jù)的均值之差大于Uthres則判定為故障,若大于0.7Uthres則信譽(yù)等級(jí)下降1級(jí),若差值小于0.3Uthres則信譽(yù)度上升1級(jí).信譽(yù)度的調(diào)整會(huì)通過信譽(yù)度調(diào)整消息傳達(dá)到相應(yīng)的簇成員節(jié)點(diǎn).基于置信數(shù)據(jù)集的故障檢測(cè)機(jī)制運(yùn)作流程圖如圖1所示.3模擬結(jié)果與分析首先根據(jù)3.1節(jié)中的算法對(duì)節(jié)點(diǎn)進(jìn)行分簇,然后再進(jìn)行故障檢測(cè).參照HeinzelmanB中能量模型,仿真參數(shù)取值如表2所示.3.1基于svr預(yù)測(cè)的信譽(yù)度劃分算法本節(jié)驗(yàn)證SVR算法的預(yù)測(cè)效果.SVR模型的回歸預(yù)測(cè)效果由如下3個(gè)指標(biāo)來評(píng)價(jià):精度A,均方誤差MSE和相關(guān)系數(shù)ρ.首先通過訓(xùn)練提高SVR模型的回歸預(yù)測(cè)效果,獲取模型最優(yōu)參數(shù).對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理,可以得到取值范圍在[-1,+1]之間的訓(xùn)練序列T.對(duì)SVR模型進(jìn)行訓(xùn)練,得到最優(yōu)參數(shù):ε-不敏感高斯函數(shù)的最大允許誤差ε=512.0,高斯核函數(shù)中σ=8.0.實(shí)際測(cè)量值序列如圖2所示.圖中黑色實(shí)心圓形節(jié)點(diǎn)表示無故障且測(cè)量值隨機(jī)誤差極小的節(jié)點(diǎn),空心圓形節(jié)點(diǎn)表示無故障且測(cè)量值隨機(jī)誤差在允許范圍內(nèi)的節(jié)點(diǎn),紅色實(shí)心方形節(jié)點(diǎn)表示故障節(jié)點(diǎn).若采用經(jīng)典線性回歸算法———最小二乘法進(jìn)行預(yù)測(cè),并把預(yù)測(cè)值代入式(20)計(jì)算節(jié)點(diǎn)的信譽(yù)度,可以得到回歸劃分的效果圖如圖3(a)所示.其中綠色區(qū)域表示最小二乘法劃分的高信譽(yù)度區(qū)域,藍(lán)色區(qū)域表示中信譽(yù)度區(qū)域,紅色區(qū)域表示低信譽(yù)度區(qū)域.圖中可以看出,信譽(yù)度的劃分出現(xiàn)了大量的誤劃分點(diǎn).經(jīng)統(tǒng)計(jì),劃分的正確節(jié)點(diǎn)數(shù)為201/248,正確率約為81%.若用SVR回歸預(yù)測(cè)算法,根據(jù)訓(xùn)練參數(shù)ε=512.0以及σ=8.0代入第3節(jié)中式(17)~式(21)對(duì)傳感器節(jié)點(diǎn)的采集數(shù)據(jù)進(jìn)行預(yù)測(cè),并與實(shí)際測(cè)量值進(jìn)行比較計(jì)算出信譽(yù)度系數(shù).根據(jù)進(jìn)行信譽(yù)度等級(jí)的劃分,可得到信譽(yù)等級(jí)劃分如圖3(b)所示.顯而易見,圖3(b)中誤劃分點(diǎn)顯著減少.經(jīng)統(tǒng)計(jì),基于SVR預(yù)測(cè)的信譽(yù)度劃分算法的正確劃分點(diǎn)數(shù)為240/248,信譽(yù)度劃分正確率高達(dá)96.8%.上述仿真說明,基于SVR預(yù)測(cè)的