【摘要】：無線傳感器網(wǎng)絡(Wireless Sensor Network,WSN)是一種無線數(shù)據(jù)采集網(wǎng)絡,它由專門部署在特定工作環(huán)境下的大量的,可移動的或可靜止的傳感器節(jié)點通過自組織、分布式的組成形式協(xié)作地進行數(shù)據(jù)采集、分析、整合、上報等工作,并具有自組織、放置靈活、移動性強和擴展簡便等特點,通常應用于惡劣、危險的環(huán)境中,執(zhí)行數(shù)據(jù)的采集等任務。大部分的傳感器網(wǎng)絡環(huán)境中,并不將節(jié)點與節(jié)點間的傳輸可靠性置為首要目標,而是將相關數(shù)據(jù)傳輸?shù)目煽啃灾脼榈谝晃�。大量的資源受限節(jié)點包含于傳感器網(wǎng)絡中,節(jié)點間的信息傳輸通過多跳通信來完成,正因為這些特性導致了網(wǎng)絡中節(jié)點發(fā)生的故障概率要高于傳統(tǒng)網(wǎng)絡,因此需要建立傳感器節(jié)點的故障檢測機制。本文從現(xiàn)有的無線傳感器網(wǎng)絡故障檢測算法著手,并結合現(xiàn)代無線傳感器通信網(wǎng)絡特性、分簇思想進行研究,提出一種基于SVR預測、構造傳感器節(jié)點偏差等級模型、以及節(jié)點偏差等級更新機制的無線傳感器網(wǎng)絡故障檢測算法。面對大規(guī)模無線傳感器網(wǎng)絡環(huán)境采用分簇思想對網(wǎng)絡進行劃分。在分簇過程中,采用一種改進的LEACH分簇算法,引入能量模型對分簇網(wǎng)絡的性能進行描述,使分簇更加均勻,均衡節(jié)點能耗,降低網(wǎng)絡整體能耗。成員節(jié)點在本地執(zhí)行SVR預測算法,根據(jù)預測出的數(shù)據(jù)計算節(jié)點的偏差等級,處于不同偏差等級的成員節(jié)點以不同頻率向簇頭發(fā)送預測樣本數(shù)據(jù)的信息,而簇頭根據(jù)發(fā)送過來的數(shù)據(jù)按照存儲的偏差數(shù)據(jù)集設置的標準進行故障檢測并判別節(jié)點故障。同時,在預測模型中對核函數(shù)的選取進行了仿真分析,基于簇頭節(jié)點的偏差數(shù)據(jù)集反饋機制對節(jié)點的偏差等級實時更新。仿真結果說明,本文所研究的基于SVR預測的故障檢測算法在不同規(guī)模的無線傳感器網(wǎng)絡環(huán)境下的故障檢測效果、故障檢測率、檢測精度、檢測能耗方面均能保持優(yōu)異的性能。圖 [51] 表 [8]
【學位授予單位】：安徽理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN929.5;TP212.9
【圖文】：

仿真主要采用Python語言進行編譯，選擇jupyter notebook為編譯環(huán)境。首先對編譯工具和編譯環(huán)境進行簡要介紹。圖 4.7 Jupyter notebookFig4.7 Jupyter notebook

圖 4.9 Jupyter notebook 編譯環(huán)境Fig4.9 Compilation environment of Jupyter notebookJupyter Notebook 也稱之為 IPython Notebook，它是一種交互式筆記本，能夠支持運行 40 多種編程語言。但它的本質是一種 Web 應用程序，所以它的界面也是一種基于網(wǎng)頁的界面，能夠讓用戶將數(shù)學方程式、代碼、可視化內容、說明文本全部組合到一個方便共享的文檔中。同時，它能夠便于創(chuàng)建和共享文字化程序文檔，支持數(shù)學方程、實時代碼以及可視化和markdown，成為一種數(shù)據(jù)處理的必備工具。因此，jupyter notebook 在數(shù)值模擬、機器學習、數(shù)據(jù)清理和轉換還有統(tǒng)計建模等方面得到了廣泛的應用。1984 年，Donald Knuth 提出一種文字表達化編程的一種形式：notebook。在文字表達化編程中，并沒有另外編寫單獨的文檔，而是直接在代碼的旁邊寫敘述性文檔。用 Donald Knuth 的話來說就是：“讓我們集中精力向人們解釋我們希望計算機做什么，而不是指示計算機做什么。”總而言之，寫代碼并非是給計算機看的，而是給人看的，notebook 正

圖 4.11 線性核函數(shù)預測效果Fig4.11 Prediction effect of linear kernel線性核函數(shù)中沒有特別需要設置的參數(shù)，在回歸預測時設置其懲罰系數(shù) C 1e 3。線性核函數(shù)的優(yōu)點在于：速度快，參數(shù)少，適用于線性可分情況。因此，它無法處理特征為非線性的情況。同時，由于無線傳感器網(wǎng)絡是大規(guī)模的節(jié)點網(wǎng)絡，數(shù)據(jù)集樣本的數(shù)量比特征數(shù)量要多得多，會存在較大的誤差問題，所以不適合使用線性核函數(shù)。從圖中可以看出在 100 至 200節(jié)點處使用線性核函數(shù)預測出的數(shù)值與真實值的偏差較大。

【參考文獻】

相關期刊論文 前4條

1 張一凡;馮愛民;張正林;;支持向量回歸增量學習[J];計算機科學;2014年06期

2 汪海燕;黎建輝;楊風雷;;支持向量機理論及算法研究綜述[J];計算機應用研究;2014年05期

3 朱長成;;支持向量機在網(wǎng)絡故障診斷中的應用[J];計算機仿真;2011年10期

4 馬禮;唐長茂;;一種基于分簇的無線傳感器網(wǎng)絡數(shù)據(jù)存儲管理系統(tǒng)[J];計算機研究與發(fā)展;2011年S1期

本文編號：2789563