室内WSN作为WSN一个重要分支,得到越来越多的应用。但在网络长期运行过程中由于节点本身性能下降和外部环境影响,使得WSN性能易发生变化,网络节点和链路故障也时有发生。因此,有效监控网络运行状态并及时准确对故障的发生进行诊断,是WSN成功应用亟待解决关键问题之一。　　 课题在对WSN健康状态评估和传感器节点故障检测诊断研究基础上,以教学楼照明无线控制系统为对象,进一步开展室内WSN性能分析与故障诊断研究。主要研究内容为:以CC2430无线单片机、人体红外传感器HP-708、照度传感器TSL230B以及可调光电子镇流器为基础研制照明控制节点和照明检测节点,在IAR Embedded Workbench(简称EW)环境中开发中心节点和传感器节点程序,通过VC++编写上位机软件,搭建室内WSN实验系统；采用系统工程理论对室内WSN运行性能影响因素分类和评估,确定合理的性能指标,运用被动测量法采集网络运行过程中传输的信号强度、网络时延和丢包率等数据,提出一种基于最小二乘支持向量回归机(LSSVR)的室内WSN性能综合评价方法,建立低功耗的基于最小二乘支持向量机的WSN运行质量综合评价模型；通过主动轮询和异步告警方式采集室内WSN运行时的链路质量信号,运用小波包分析构造出特征向量,利用最小二乘支持向量分类机(LSSVC)对正常状态和故障状态下的特征向量进行分析,建立系统状态与特征向量之间对应的关系模型和WSN链路故障诊断预警机制。　　 试验表明采用LSSVR进行网络性能评价的评价结果与实际值相比,相对误差范围在0.01％～2％之间,而采用RBF神经网络进行评价,相对误差范围在0.1％～15％之间,相对误差最大值比RBF神经网络减少了83.2％,进一步证实在相同条件下,以结构化风险最小化为原则的LSSVR的性能优于以经验风险最小化为原则的神经网络。采用基于LSSVC和小波包分析相结合的方法进行网络故障诊断,其诊断处理结果与预期的故障对比,准确率为96.67％,基本能准确诊断网络中的故障。WSN运行中能及时掌握网络的运行状态,排除各类隐患,提高了WSN运行稳定性和可靠性,这对促进WSN应用推广,具有较大实用和推广价值。