论文部分内容阅读
近年来，网络技术蓬勃发展，无线传感器网络(Wireless Sensor Networks，简称WSN)作为物联网技术的代表之一也备受关注。WSN从部署之初起，各节点便几乎处于无人管理的状态，其一旦发生故障，就可能给使用者带来巨大的经济损失。因此，及时诊断并排除WSN的故障，提高WSN网络运行的可靠性和生命周期，是保证应用WSN的监控系统完成指定任务的前提条件。
根据WSN的结构特点和功能特性，针对WSN中可能出现的故障，本文给出了故障特征值提取方法和样本数据划分方法，提出了基于PNN的WSN故障诊断方法和基于SVM的WSN故障诊断方法，并与传统BP算法进行了仿真分析对比，结果表明它们有更高的可靠性。此外，本文还对WSN故障诊断系统进行设计与开发。具体内容包括以下几个方面:
(1)研究了WSN的常见故障，包括故障类型、故障带来的危害，并对WSN故障进行分析，确定本文要研究的WSN故障类型和WSN发生故障时的故障特征，并构建故障特征与故障类型之间的对应关系。
(2)考虑到不同故障特征对故障诊断结果的影响程度不同，在仿真前利用MIV算法对故障特征进行筛选、降维，提取出对仿真结果影响因子大的故障特征。考虑到样本数据在空间上的可能存在分布不合理等情况，利用SPXY算法进行样本数据划分，使最终确定的训练集数据和测试集数据都能体现出样本库数据的特征。
(3)研究了WSN故障诊断中几种常见的传统算法，包括BP神经网络、RBF神经网络、贝叶斯网络，通过分析发现这几种传统算法在WSN故障诊断中依然存在诊断精度不高、网络不稳定等缺点，基于此本文提出基于PNN的WSN故障诊断模型和基于SVM的WSN故障诊断模型。并与BP网络进行仿真结果对比，结果表明提出的这两种算法在WSN故障诊断中具有更高的可靠性。
(4)利用Web开发技术，设计了WSN故障诊断系统，包括WSN故障特征值的数据可视化处理、WSN系统通信状态评估和WSN系统故障分析与报告。
根据WSN的结构特点和功能特性，针对WSN中可能出现的故障，本文给出了故障特征值提取方法和样本数据划分方法，提出了基于PNN的WSN故障诊断方法和基于SVM的WSN故障诊断方法，并与传统BP算法进行了仿真分析对比，结果表明它们有更高的可靠性。此外，本文还对WSN故障诊断系统进行设计与开发。具体内容包括以下几个方面:
(1)研究了WSN的常见故障，包括故障类型、故障带来的危害，并对WSN故障进行分析，确定本文要研究的WSN故障类型和WSN发生故障时的故障特征，并构建故障特征与故障类型之间的对应关系。
(2)考虑到不同故障特征对故障诊断结果的影响程度不同，在仿真前利用MIV算法对故障特征进行筛选、降维，提取出对仿真结果影响因子大的故障特征。考虑到样本数据在空间上的可能存在分布不合理等情况，利用SPXY算法进行样本数据划分，使最终确定的训练集数据和测试集数据都能体现出样本库数据的特征。
(3)研究了WSN故障诊断中几种常见的传统算法，包括BP神经网络、RBF神经网络、贝叶斯网络，通过分析发现这几种传统算法在WSN故障诊断中依然存在诊断精度不高、网络不稳定等缺点，基于此本文提出基于PNN的WSN故障诊断模型和基于SVM的WSN故障诊断模型。并与BP网络进行仿真结果对比，结果表明提出的这两种算法在WSN故障诊断中具有更高的可靠性。
(4)利用Web开发技术，设计了WSN故障诊断系统，包括WSN故障特征值的数据可视化处理、WSN系统通信状态评估和WSN系统故障分析与报告。