英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

1 简介

随着数字电子技术、无线通信技术和电子技术的不断进步，新技术和创新技术的不断进步，技术在我们的生活中变得越来越普遍了。无线传感器网络（WSN）是这一新技术发展的一个组成部分。无线传感器网络主要是大量的传感器节点，在需要测量时这是密集部署的内部或非常接近的现象。每个节点由一个微型传感器，低功耗信号处理器，本地计算能力，和低成本的无线网络。由于设备结构的性质设备与设备之间的相互作用，鲁棒性是一个主要问题。无线数据传送本质上是错误的和不确定的。节点可以有不当行为和故障导致数据读数故障，不一致或不可靠。无线传感器网络也非常自然的被部署到恶劣的环境中。该硬件传感器承受的条件可能是极端的（在地下发现矿山，部署在城域网，海啸检测和动物监测水下监测都只是一些）。周边的条件可以使传感器技术产品在捕获发送不可靠数据的和不可预知的网络发生了改变。

无线传感器网络应用需要故障检测是非常重要的。传感器被部署到高度敏感的应用领域，需要精确的数据记录。WSN的被利用和在众多的安全平台，开发了智能住宅，军事上的应用和医疗保健领域。因此，故障检测无线传感器网络的成功运作的关键，对所接收的数据做出的决定是最基本的。

许多技术已在传感器技术用于提高可靠性和隔离故障，然而这方面的研究还没有充分的调查。

在本文中，我们探讨了使用经典的技术，在一个定义的真实世界的数据集的故障识别。该技术是从两个过程控制背景，并基于融合聚类数据的使用。能够应付WSN的僵化和统计方法产生的数据的不确定性，我们看上去已经融合硒的方法，通过使用数据驱动的模糊逻辑规则为基础的系统。

本文的研究结果表明，通过使用一个模糊的融合方法，故障检测可以变得非常精确随着假阳性的数量大大减少，而不是使用一个经典的隔离技术的使用。

为了模拟使用模糊融合的方法，找了一个数据集来模拟应用。所使用的数据是基于部署在英特尔伯克利实验室的54个传感器2月25日和2004年4月5日之间收集的信息。网络应用xbowmicra2dot护墙基础节点记录时间戳的温度、湿度、光每个功率数据和残余单元。节点的布局可以在图1中看到。

图1：英特尔实验室展示无线传感器节点位置的示意图

由于原始数据集（超过230万个读数）太大，建立一个易于管理的数据集。数据被分割成一天时间记录的温度读数，在集群形成节点。集群是基于一个单一的传感器节点。从这一点起，这个节点将被称为群集头（通道）。一个特定的算法来选择一个通道和定义集群超出了本文的范围。对于这个特定的实验，在网络中随机选择一个通道。成员的集群，基于4.25m周围半径中国生产的5个节点的集群，在房间的角落或墙壁明显接近传感器进行分离。

2 基于规则的模糊数据融合的应用

使用基于规则的模糊数据融合的方法来提高性能，增加故障检测或获得额外的有效性在数据处理中得到了广泛的认可。在许多不同的应用领域实施这个方法。

斯塔福等人强调了数据融合中模糊逻辑技术的使用。在宾夕法尼亚州立大学他们制造了一种通用的模糊逻辑结构控制传感器用于跟踪、自动目标识别、系统资源和元素控制的数据融合以及自动态势评估。然后被应用到一个自主的车辆。

传感器数据融合也被认定为一种提高定位性能的方法。来自不同来源的传感器信息的组合可以提供一个地方的整体画面。在这方面，在这一领域内的移动机器人与模糊逻辑已经进行了相当数量的研究。捷通等人提出了一种模糊逻辑自适应一个卡尔曼滤波器通过对里程计和声纳传感器融合的使用提高移动机器人的定位。在本文中，他们提出了一种启发式方法的形成模糊逻辑系统，而不是一个数据驱动的模型，根据它的专业知识的过滤器设计师。

基于模糊逻辑的传感器融合在卫生保健领域中也有许多应用。随着更大的无处不在的技术的出现和辅助生活环境必要的扩充，在医院外的病人的监测，已经大大成为常态。medjahed等人探讨一种基于模糊逻辑的家庭环境中的老年人的监护系统的使用。该系统提出使用基于规则的系统来检测遇险的情况。与前面讨论的系统相比，该规则是基于专家系统制定的隶属函数。

模糊逻辑处理不确定性和不精确性的能力也已在图像识别中应用。巴拉和博伊尔在一种基于规则的模糊逻辑方法自动分割脑皮层结构的基础上提出三步融合方案的使用。模糊系统是基于不精确的专家数据的聚集和以前收购的图像，形成了一个更加明确的解释。在这个例子中我们可以看到，巴拉和博伊尔在模糊系统的形成中利用相结合的数据和专家驱动的方法。

3 传统故障检测方法

故障检测与误差分析是跨越多个应用领域的研究领域。在本文中，我们将看到两个分析误差的经典方法。

3.1 统计过程控制

可以通过变异的概念来了解一个过程是否以受控的方式行事。这是基于在统计过程控制（SPC）的基础上。最初创建作为控制在制造厂生产的一种手段，SPC已进展到其他很多领域（管理、医疗保健、教育、政治等）。需要它的方法的SPC的结构已经被应用到许多领域的故障和异常检测。叶等人利用基于SPC的方法来协助在系统体系结构一种基于主机的入侵检测系统（入侵检测系统）。在这个系统中一种基于SPC的Shewhart控制图基于卡方距离度量用于异常检测。

汤姆森等人同样使用了一种统计过程控制方法，在感测环境中提供故障检测。SPC的应用在热电联产（CHP）单位允许的系统自动区分随机分配偏差之间通过基于标准偏差的估计控制限应用。

通过在不同应用领域的使用显然SPC有许多可用于检测故障的工具，其中一个是控制图的使用。控制图是特定类型的运行图，如果一个过程是稳定的或如果记录的变化是不被控制的，可以通过设置阈值和分析数据表明。可以通过使用条款概述：

bull;共同的原因变化-在过程中固有的变化

bull;特殊原因的变化-这是由于在过程中的实际变化的变化

要分析故障定义的数据集，建立了一个合并控制图的模型。通过对特殊原因的变异鉴定，我们能够突出显示在该系统的控制范围以外的数据集内的改变。

为了建立这个模型，使用定义的数据集从一个单一的24小时的时间内产生模拟。在最初的实验中，对故障检测的重点放在通道。结果是数据集被减少到仅包含该节点。在SPC方法中的决定是基于过去的经验，所以基于以上的决定大量的以前的数据进行累计计算范围。为了能够充分吸收数据集的滑动时间窗口被用来结合30个数据点，创建一个动态的分组在每个单独的数据点。总结此数据，取每个时间间隔的分组的平均值。

在每个数据点的动态分组的基础上定义上限和下限的阈值范围。极限的子群结合plusmn;3标准偏差的定义（sigma;）。在图2中可以看到结果。

图2：应用统计过程控制的故障检测

图3：使用SPC的故障检测开始

统计过程控制方法在数据集的若干领域中表现出故障检测。许多故障发生在开始和结束的集合。这些事件的特殊原因的变化，由一个小幅度的误差范围以外的阈值下降。很明显一个较低的标准偏差的分组，因此阈值范围的缩小，导致突出错误读数更高的可能性。也有人认为，高比例的结果是假阳性。通过图3可以看到，虽然结果这是在阈值的变化外，仍然是在价值预期范围的常见原因的变异。

SPC的方法静态自然无法应付在现实世界的传感器记录的不确定性。在数据集内产生的变化超出了SPC方法的能力有效解释。然而，数据驱动和经验为导向的方法能够为进一步发展提供了基础。

3.2 基于集群的协方差

传感器融合的协方差的使用是一个很好的定义过程。卡尔曼滤波器在许多应用程序中使用，以融合数据，并消除噪音或不确定性。使用一个协方差测度这个过程是必要的。此外，协方差交叉（词）是一种方法，用于结合两者或更多的变量之间的相关性时，它们是未知的。

在本文中，我们提出了一个修改的协方差的融合方法，即集群协方差意味着融合（分子）技术。该算法的形成是基于计算使用集群内可用节点和簇头（通道）之间的协方差。

在一个正方向的节点平均运动表明，在通道中的读数变化是通过群集组的互换。一个负数表明集群的温度读数在相反方向移动或者正稳定着，同时通道在波动。图4中可以看出使用定义的数据集的模拟的结果。

图4：聚类协方差均值融合的故障检测

聚类协方差均值融合方法使用周围节点任一单一节点的变化读数被纳入协方差读数。虽然通过利用均值聚类节点的协方差减少了它的影响，这种方法仍然受到这个过程的影响。当协方差的计算中只有一个单一节点被使用时，聚类协方差均值融合容易出现问题。如果时间间隔仅产生一个单一的节点与簇头的协方差这就会发生。如果通道有一个稳定的温度和单节点内有变化，将会产生负数的聚类协方差均值融合值。

整个聚类协方差均值融合方法能够根据单个节点的周围节点的状态产生故障检测。这种方法不同于SPC方法，它能综合考虑位置和节点之间的关系。但是SPC方法采用数据驱动的基于知识的方法，形成了从信息收集到的数据在系统本身。这两种方法都能提供一个在系统中遇到的单独的视图的问题，另外两个都有缺陷，都会导致假阳性产生。这些方法的结合和一个过程的结合来处理无线传感网络中所产生的不确定性，将能够提供一个故障检测方法，减少误报，并协助在必要的决策过程。

4 无线传感器网络故障检测的模糊融合

在本文中，我们提出了一个模糊的数据驱动的融合（fuzzyddf）方法来分析无线传感器网络数据集内的故障检测。要产生这种融合方法，结合SPC法和聚类协方差均值融合方法，产生一种新的检测技术。使用SPC和聚类协方差均值融合模拟方法产生的相同的仿真软件，通过结合使用MATLAB软件建模仿真产生一个模糊数据驱动融合。

模糊数据驱动融合的基础是模糊逻辑系统，用于融合两者的统计过程控制（SPC）的输出方法和聚类方差平均融合技术。

为了形成必要的数据集来构造模糊逻辑系统，建立了一个24小时周期的SPC和CCMF输出。这些结果相结合，形成一个单一的数据集。在30秒的时间内整合的数据是基于连续时间的SPC读数和最近的可比的CCMF结果。

通过使用MATLAB软件来处理模糊逻辑系统的建设。由于其执行的性质和对整个系统的影响，每一个输入分别以不同的方式构建。SPC的方法利用这套基于数据的动态阈值的方法。因此，每个隶属函数（MF）的SPC也同样需要对每个输入是动态的。SPC的隶属函数被定义为低（S）、中（G）和高（S）。每一个是通过提取的滚动的30件样品均值被定义。然后用样本的标准差偏差形（sigma;）形成。低隶属函数被定义为minus;3sigma;，高隶属函数被定义为 3sigma;。图5显示了模糊逻辑系统的隶属函数。

图5：统计过程控制隶属函数

聚类协方差均值融合是用刚性的制度规定。定义为三个隶属函数：低型（S），中型（G）和高型（S）。

表1

基于表1中所列的规则，产生的输出是5个隶属函数（MF）形成的。包括很低（S）、低（G）、中（G）、高（G）、很高（S）。随着模糊化的过程，产生一个整体的故障检测的隶属度。图6中可以看到这些研究的整体结果。

图6：基于模糊数据驱动的故障检测方法

总体而言，结果是在一个集中的模式之间的隶属度为0.3和0.5。结果产生了两个非常独特的峰值在时间段08:02-09:31和14:20-14:47。这些故障检测峰值和SPC读数变化或CCMF值的减少相关。然而由于融合的方法，要考虑系统中读数的不确定性。很明显，相比SPC和CCMF技术，fuzzyddf方法能够提供更深入的信息。

从fuzzyddf结果设定一个清晰的输出，阈值被设定为隶属度为0.9。从而一个非常独特的故障检测点突出了这种方法。这一点在SPC和CCMF系统中突出了故障在时间段8:02:17。从这些结果可以推断，通过融合SPC和CCMF技术，检测到较少的故障。由于在无线传感器网络中固有的不确定性被删除的模糊系统，可以描述一个更稳定的fuzzyddf数据集。

识别相同的结果确定的较低的阈值为0.9，但是，减少的阈值产生更大的假阳性。在本文的结果阈值0.6显示误报数量。与隔离的经典方法相比，这减少了阈值只确定了2.46%的结果不正确。SPC方法识别78.45%的时间段的假阳性，CCMF方法产生的结果是12.88%。

在本文中测试的三种方法检测到的不同数量的假阳性显示在表2中。

表2

在数据集中确定的，只有一个真正的故障事件的时间段8:02:17。这是通过三个系统确定的，但显而易见的是，SPC法和CCMF方法被加上了大量的假阳性。

5 结论

本文展示了一种新的模糊数据驱动的融合方法的背景下，无线传感器网络的使用。这方法是结合使用经典方法，统计过程控制（SPC）和群集的协方差法。在结合这些方法，该技术能够分离的情况下失败的定义的数据集内较少的感知测试CES的误报和比传统方法更高的精度。

使用SPC表现突出在多领域跨数据集的故障。虽然这种方法性质简单，允许其通过进入了大量的应用程序，但当应用到不确定和噪声数据，其缺乏的复杂性产生了大量的假阳性。

使用的协方差为基础的方法强调了在无线传感器网络（无线传感器网络）的故障检测的可能的方法的变化。通过融合一个传感器读数从节点环绕在一个簇头，这种方法给出了一种基于位置和时间的基础上使用附加的传感器信息融合的方法。由于SPC技术，产生了大量的误报导致设置的阈值缺乏灵活性。

6 未来的工作

为了加强在本文中进行的工作，在模拟环境中已经产生的发展正在实验的真实世界的传感器网络被复制。我们坚信通过建立一个控制的现实世界可以建立一个“地面真理”，在这里可以引入不确定的事件如假阳性和假阴性（在这项工作中分析的数据集缺乏的事件。这将会对所提出的技术

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[153720]，资料为PDF文档或Word文档，PDF文档可免费转换为Word