基于神经网络的无线网络故障节点定位技术
杨明莉 陈晓伟 赵军
摘 要： 传统无线网络故障节点定位方法无法有效處理节点功率波动以及模糊环境对故障节点定位精度的干扰。提出基于小波神经网络的无线网络故障节点定位方法，分析了小波神经网络在节点故障定位的三种作用形式，融合形式1和3对冗余节点故障进行定位，将小波神经网络当成预测器，将前一采样时刻的正常输出交叉输入n个小波神经网络，获取节点当前时刻的预测输出值，取节点预测输出值和真实输出值的残差，若该残差值高于阈值，则说明该节点是故障节点。实验结果表明，所提故障节点定位方法能够对节点的附加、倍数以及短路故障进行准确定位。
关键词： 神经网络； 无线网络； 故障节点定位； 干扰处理
中图分类号： TN915?34； TP212 文献标识码： A 文章编号： 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
随着科学技术的高速发展，无线传感网络的应用领域不断扩张。但是无线传感网络中的节点受到自身以及外界因素的干扰，会出现较多的故障，导致传感网络质量降低[1?2]。传统无线网络故障节点定位方法，无法有效处理节点功率波动以及模糊环境对故障节点定位精度的干扰，具有较高的局限性。因此，寻求有效的方法对故障节点进行准确定位，具有重要的应用意义。
1 基于小波神经网络的无线网络故障节点定位技术
1.1 小波神经网络在节点故障定位的作用形式
根据小波神经网络在节点故障定位中作用，将小波神经网络在故障节点定位过程作用划分成如下三种形式：
（1） 将小波神经网络当成分类器，将节点输出当成小波神经网络的输入值，用“1”和“0”描述节点存在故障以及不存在故障，并将节点状态当成网络输出[3]，通过不同的故障模式对小波神经网络实施训练，采用训练好的小波神经网络分类器对无线网络故障节点进行定位。该方法的定位原理如图1所示。
（2） 将小波神经网络当成观测器，基于大量的隐层，小波神经网络可对系统输入/输出样本实施自主学习，逼近真实的动态系统[4]。基于传统观测原理塑造小波神经网络观测器，通过正常工作情况下的数据对小波神经网络进行训练，采用训练好的小波神经网络观测器形成故障残差，完成无线传感故障节点的定位[5]。定位原理如图2所示。
（3） 将小波神经网络当成预测器，通过小波神经网络塑造传感网络节点的预测模型，小波神经网络的输入值为节点的前一时刻输出值，网络输出是节点的输出预测值，对比该预测值同节点的真实输出值，产生残差实施故障节点定位。该方法的定位原理如图3所示。
在对孤立节点进行故障定位时，将小波神经网络当成观测器，将节点当前时刻的输入当成神经网络的输入，逼近节点当前时刻的正常输出为神经网络的输出[6?7]。融合形式1和3定位冗余节点故障，将小波神经网络当成预测器，将前一采样时刻的正常输出当成小波神经网络的输入，预测节点当前采样时刻的输出，获取差值信号，再同预先设置的阈值实施对比，则高于阈值的差值信号对应的节点为故障节点。
1.2 无线传感器网络冗余节点故障定位
无线传感器网络冗余节点故障定位示意图见图4。
其由无线传感网络、小波神经网络预测器以及信息定位方案构成。无线传感网络中有n个检测值存在冗余关系的传感器节点，[x1，x2，…，xn-1，xn]用于描述n个传感器节点的输出值。采用图3描述的结构图，将小波神经网络当成预测器，获取节点后续时刻的正常输出。
本文方法定位无线网络故障节点前，需要塑造n个小波神经网络预测器，并训练这些预测器。在无线传感网络簇中全部节点的运行状态都是正常时，采集训练样本。通过交叉训练方法对训练样本实施训练[8]，交叉训练k个小波神经网络预测器的过程如图5所示。其他预测器的训练方式也采用该交叉训练方式。
由图5可知，若无线传感网络节点的采样时刻是[t0，t1，t2，…，tn]，传感节点在[t0，t1，t2，…，ti（i<n）]时刻正常运行，则基于[t0，t1，t2，…，ti（i<n）]时刻的节点输入
2 实验验证
实验采用本文提出的基于小波神经网络的无线网络故障节点定位方法，对某无线传感测温系统中的温度传感节点故障进行定位分析，检测本文方法的性能，实验设置阈值为0.5 ℃。实验将归一化的检测样本输入到训练好的小波神经网络预测器内，并对其输出进行反归一化处理，同温度节点故障检测样本进行对比，获取温度节点产生1 ℃偏差故障、0.05倍数故障以及短路故障的残差曲线，分别如图6、图7所示。
分析图6可得，无线传感网络温度传感节点存在1 ℃附加故障后，其残差曲线高于报警阈值，有效定位出了故障。能看出当无线传感网络节点存在附加故障，小波神经网络预测器在其残差高于阈值下，准确定位出该故障节点。图7所示的无线传感温度节点的倍数故障是平稳波动的故障，随着采样节点的增加，节点同小波神经网络预测器输出形成的残差也逐渐提升，如果残差高于报警阈值，则小波神经网络预测器可定位出故障节点。
3 结 论
本文提出基于小波神经网络的无线网络故障节点定位方法，其能够对节点的附加、倍数及短路故障进行定位。
参考文献
[1] 王子豪，田杰.基于径向基神经网络的目标测向定位算法[J].中国科技论文，2016，11（14）：1668?1672.
[2] 孙忠阁.无线传感网络信道破坏程度与通信效果建模[J].计算机仿真，2015，32（2）：320?323.
[3] 周奚，薛善良.基于改进的粗糙集和神经网络的WSN故障诊断[J].计算机科学，2016，43（11A）：21?25.
[4] 蔡瑞初，谢伟浩，郝志峰，等.基于多尺度時间递归神经网络的人群异常检测[J].软件学报，2015，26（11）：2884?2896.
[5] 刘侃，张伟，张伟东，等.一种基于深度神经网络的无线定位方法[J].计算机工程，2016，42（7）：82?85.
[6] 闫驰.基于PSO?BP神经网络的无线传感器网络定位算法[J].电子科技，2016，29（4）：56?58.
[7] 朱雁斌.基于改进BP神经网络的接地故障定位研究[J].四川电力技术，2016，39（2）：37?40.
[8] 沈桂鹏，杨店飞，郭宇杰.基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位[J].陕西电力，2016，44（8）：23?27.
[9] 严凤，许海梅.基于神经网络的配电线路综合故障定位方法[J].电力系统及其自动化学报，2015，27（5）：86?91.
[10] 谢仕义，徐兵，陈有英，等.无线传感网络中多目标识别与定位系统设计[J].广东海洋大学学报，2015，35（6）：82?86.
[11] 刘文进，王晓明，李新春.无线传感网络下的固定节点优化定位仿真[J].计算机仿真，2016，33（7）：281?284. </n）]时刻正常运行，则基于[t0，t1，t2，…，ti（i
摘 要： 传统无线网络故障节点定位方法无法有效處理节点功率波动以及模糊环境对故障节点定位精度的干扰。提出基于小波神经网络的无线网络故障节点定位方法，分析了小波神经网络在节点故障定位的三种作用形式，融合形式1和3对冗余节点故障进行定位，将小波神经网络当成预测器，将前一采样时刻的正常输出交叉输入n个小波神经网络，获取节点当前时刻的预测输出值，取节点预测输出值和真实输出值的残差，若该残差值高于阈值，则说明该节点是故障节点。实验结果表明，所提故障节点定位方法能够对节点的附加、倍数以及短路故障进行准确定位。
关键词： 神经网络； 无线网络； 故障节点定位； 干扰处理
中图分类号： TN915?34； TP212 文献标识码： A 文章编号： 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
随着科学技术的高速发展，无线传感网络的应用领域不断扩张。但是无线传感网络中的节点受到自身以及外界因素的干扰，会出现较多的故障，导致传感网络质量降低[1?2]。传统无线网络故障节点定位方法，无法有效处理节点功率波动以及模糊环境对故障节点定位精度的干扰，具有较高的局限性。因此，寻求有效的方法对故障节点进行准确定位，具有重要的应用意义。
1 基于小波神经网络的无线网络故障节点定位技术
1.1 小波神经网络在节点故障定位的作用形式
根据小波神经网络在节点故障定位中作用，将小波神经网络在故障节点定位过程作用划分成如下三种形式：
（1） 将小波神经网络当成分类器，将节点输出当成小波神经网络的输入值，用“1”和“0”描述节点存在故障以及不存在故障，并将节点状态当成网络输出[3]，通过不同的故障模式对小波神经网络实施训练，采用训练好的小波神经网络分类器对无线网络故障节点进行定位。该方法的定位原理如图1所示。
（2） 将小波神经网络当成观测器，基于大量的隐层，小波神经网络可对系统输入/输出样本实施自主学习，逼近真实的动态系统[4]。基于传统观测原理塑造小波神经网络观测器，通过正常工作情况下的数据对小波神经网络进行训练，采用训练好的小波神经网络观测器形成故障残差，完成无线传感故障节点的定位[5]。定位原理如图2所示。
（3） 将小波神经网络当成预测器，通过小波神经网络塑造传感网络节点的预测模型，小波神经网络的输入值为节点的前一时刻输出值，网络输出是节点的输出预测值，对比该预测值同节点的真实输出值，产生残差实施故障节点定位。该方法的定位原理如图3所示。
在对孤立节点进行故障定位时，将小波神经网络当成观测器，将节点当前时刻的输入当成神经网络的输入，逼近节点当前时刻的正常输出为神经网络的输出[6?7]。融合形式1和3定位冗余节点故障，将小波神经网络当成预测器，将前一采样时刻的正常输出当成小波神经网络的输入，预测节点当前采样时刻的输出，获取差值信号，再同预先设置的阈值实施对比，则高于阈值的差值信号对应的节点为故障节点。
1.2 无线传感器网络冗余节点故障定位
无线传感器网络冗余节点故障定位示意图见图4。
其由无线传感网络、小波神经网络预测器以及信息定位方案构成。无线传感网络中有n个检测值存在冗余关系的传感器节点，[x1，x2，…，xn-1，xn]用于描述n个传感器节点的输出值。采用图3描述的结构图，将小波神经网络当成预测器，获取节点后续时刻的正常输出。
本文方法定位无线网络故障节点前，需要塑造n个小波神经网络预测器，并训练这些预测器。在无线传感网络簇中全部节点的运行状态都是正常时，采集训练样本。通过交叉训练方法对训练样本实施训练[8]，交叉训练k个小波神经网络预测器的过程如图5所示。其他预测器的训练方式也采用该交叉训练方式。
由图5可知，若无线传感网络节点的采样时刻是[t0，t1，t2，…，tn]，传感节点在[t0，t1，t2，…，ti（i<n）]时刻正常运行，则基于[t0，t1，t2，…，ti（i<n）]时刻的节点输入
2 实验验证
实验采用本文提出的基于小波神经网络的无线网络故障节点定位方法，对某无线传感测温系统中的温度传感节点故障进行定位分析，检测本文方法的性能，实验设置阈值为0.5 ℃。实验将归一化的检测样本输入到训练好的小波神经网络预测器内，并对其输出进行反归一化处理，同温度节点故障检测样本进行对比，获取温度节点产生1 ℃偏差故障、0.05倍数故障以及短路故障的残差曲线，分别如图6、图7所示。
分析图6可得，无线传感网络温度传感节点存在1 ℃附加故障后，其残差曲线高于报警阈值，有效定位出了故障。能看出当无线传感网络节点存在附加故障，小波神经网络预测器在其残差高于阈值下，准确定位出该故障节点。图7所示的无线传感温度节点的倍数故障是平稳波动的故障，随着采样节点的增加，节点同小波神经网络预测器输出形成的残差也逐渐提升，如果残差高于报警阈值，则小波神经网络预测器可定位出故障节点。
3 结 论
本文提出基于小波神经网络的无线网络故障节点定位方法，其能够对节点的附加、倍数及短路故障进行定位。
参考文献
[1] 王子豪，田杰.基于径向基神经网络的目标测向定位算法[J].中国科技论文，2016，11（14）：1668?1672.
[2] 孙忠阁.无线传感网络信道破坏程度与通信效果建模[J].计算机仿真，2015，32（2）：320?323.
[3] 周奚，薛善良.基于改进的粗糙集和神经网络的WSN故障诊断[J].计算机科学，2016，43（11A）：21?25.
[4] 蔡瑞初，谢伟浩，郝志峰，等.基于多尺度時间递归神经网络的人群异常检测[J].软件学报，2015，26（11）：2884?2896.
[5] 刘侃，张伟，张伟东，等.一种基于深度神经网络的无线定位方法[J].计算机工程，2016，42（7）：82?85.
[6] 闫驰.基于PSO?BP神经网络的无线传感器网络定位算法[J].电子科技，2016，29（4）：56?58.
[7] 朱雁斌.基于改进BP神经网络的接地故障定位研究[J].四川电力技术，2016，39（2）：37?40.
[8] 沈桂鹏，杨店飞，郭宇杰.基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位[J].陕西电力，2016，44（8）：23?27.
[9] 严凤，许海梅.基于神经网络的配电线路综合故障定位方法[J].电力系统及其自动化学报，2015，27（5）：86?91.
[10] 谢仕义，徐兵，陈有英，等.无线传感网络中多目标识别与定位系统设计[J].广东海洋大学学报，2015，35（6）：82?86.
[11] 刘文进，王晓明，李新春.无线传感网络下的固定节点优化定位仿真[J].计算机仿真，2016，33（7）：281?284. </n）]时刻正常运行，则基于[t0，t1，t2，…，ti（i
