基于支持向量機回歸預(yù)測的無線傳感器網(wǎng)絡(luò)故障檢測

基于支持向量機回歸預(yù)測的無線傳感器網(wǎng)絡(luò)故障檢測

無線傳感器網(wǎng)絡(luò)（無線傳感器網(wǎng)絡(luò)）是當(dāng)前最流行的環(huán)境探測技術(shù)。它具有快速部署、自組織、無需基礎(chǔ)設(shè)施支持等優(yōu)點。在環(huán)境評估領(lǐng)域具有廣闊的應(yīng)用前景。傳感器可靠性低、能量有限、部署環(huán)境無法預(yù)測等缺點是無線傳感器網(wǎng)絡(luò)技術(shù)必須克服的問題。由于傳感器的低可靠性,傳感器故障廣泛存在.其中數(shù)據(jù)故障危害最大,數(shù)據(jù)故障均表現(xiàn)為采集的數(shù)據(jù)不正常波動或者超出合理的取值范圍.出現(xiàn)數(shù)據(jù)故障的傳感器節(jié)點的采集數(shù)據(jù)會發(fā)生異常,因此傳感器在排除數(shù)據(jù)故障前只保留路由轉(zhuǎn)發(fā)功能.及時發(fā)現(xiàn)數(shù)據(jù)故障一方面可以通過關(guān)閉數(shù)據(jù)采集功能節(jié)省傳感器的能耗,另一方面,錯誤的傳感器數(shù)據(jù)會大大降低網(wǎng)絡(luò)的服務(wù)質(zhì)量.筆者提出的故障檢測算法主要針對數(shù)據(jù)故障.現(xiàn)存的故障檢測算法普遍存在效率不高的缺點,這些算法對于計算能力以及能量相對有限的傳感器節(jié)點來說實用性不高.此外,以往的故障檢測算法應(yīng)用范圍局限在小規(guī)模,低故障率的傳感器網(wǎng)絡(luò),實際應(yīng)用效果十分有限.針對現(xiàn)存故障檢測算法的上述不足,提出了基于支持向量機回歸預(yù)測的故障檢測算法.1分布式故障檢測算法總的來說,節(jié)點故障管理算法分為兩種,集中式的和分布式的.RamanathanN等介紹了Sympathy集中式算法,算法要求所有節(jié)點周期性交換鄰居列表信息,這將帶來較多的能量消耗.當(dāng)信息流量不大的時候,集中式故障管理簡單而有效.然而,當(dāng)應(yīng)用于大規(guī)模網(wǎng)絡(luò)的時候,集中式故障檢測算法將帶來不可忍受的低效率和高延遲.DingM等描述的算法是一個分布式本地算法,該算法中節(jié)點將自身的測量值與其鄰居節(jié)點的測量值的中值進行比較,如果差值的絕對值大于閾值,則該節(jié)點會被認為是故障的.ChenJ等介紹了一種基于分簇思想的故障檢測算法,算法選取一些好節(jié)點作為基準(zhǔn)節(jié)點,再把節(jié)點跟基準(zhǔn)節(jié)點進行比較來判斷節(jié)點是否存在故障.文獻中,簇頭節(jié)點向其成員節(jié)點發(fā)送詢問剩余能量狀態(tài),此后簇頭節(jié)點掌握簇的全局信息并根據(jù)全網(wǎng)信息來計算子節(jié)點是否處于故障狀態(tài).ImielińskiT等對SrisathapornphatC等提出的方法作出了改進,每個節(jié)點只有p的概率會向簇頭發(fā)送狀態(tài)信息,這樣的改進讓網(wǎng)絡(luò)消息數(shù)大大減少.然而上述算法面對大規(guī)模故障時效果有限,此外,上述算法的運行速度也不盡理想.筆者針對故障檢測算法的運行速度和面對大片故障的能力上提出了新型的分布式故障檢測算法.2基于支持向量機回歸的可靠性分類和錯誤檢測2.1節(jié)點能耗及控制策略無線傳感器被部署為一個分層網(wǎng)絡(luò)結(jié)構(gòu).在分層網(wǎng)絡(luò)結(jié)構(gòu)下,無線傳感器網(wǎng)絡(luò)根據(jù)節(jié)點的地理位置分為若干個自組織子網(wǎng)絡(luò),被稱為簇(Cluster).其中,每個簇中有一個集中式管理節(jié)點,該節(jié)點被稱為簇頭(CH,clusterhead),簇頭掌握著整個簇的組成情況,是將所有簇內(nèi)傳感器節(jié)點的數(shù)據(jù)上報到基站(BS,basestation)的傳輸中樞.除此之外的簇內(nèi)節(jié)點被稱為簇成員(CM,clustermember),簇成員是簇內(nèi)進行數(shù)據(jù)采集的執(zhí)行主體.無線傳感器節(jié)點可向覆蓋范圍內(nèi)的節(jié)點發(fā)送或接收消息.此外,無線傳感器可開啟高功率發(fā)射模式將發(fā)射半徑大幅擴大到最大發(fā)射半徑.假設(shè)所有傳感器節(jié)點具有相同的覆蓋半徑和最大發(fā)射半徑,節(jié)點有專用的信道往基站發(fā)送數(shù)據(jù),且節(jié)點間通信不會發(fā)生丟包現(xiàn)象.傳感器節(jié)點的低能儲和充能困難的特點很容易成為傳感器網(wǎng)絡(luò)的性能瓶頸,為此,需要一個準(zhǔn)確高效的能量模型來描述節(jié)點耗能,筆者采用HeinzelmanB等提出的能量模型:ET(k,d)表示傳感器向距離為d的另一個傳感器發(fā)送k比特數(shù)據(jù)時消耗的能量其中:表示電子能量,εFS表示發(fā)送放大器在覆蓋范圍內(nèi)發(fā)送數(shù)據(jù)的能耗參數(shù),εMP表示在最大發(fā)射范圍模式下發(fā)送放大器的能耗參數(shù).ER(k)表示相應(yīng)的接收器消耗的能量根據(jù)上述的能量模型,基于能量節(jié)約以及能量均衡原則提出了下面的分簇算法:每個節(jié)點均向鄰居節(jié)點廣播消息包,包內(nèi)包含了節(jié)點的地理位置和節(jié)點規(guī)模,節(jié)點規(guī)模是一個常數(shù),一般認為節(jié)點規(guī)模越大,該常數(shù)越大,向其他節(jié)點發(fā)送信息的可能性就越大.節(jié)點根據(jù)收集的鄰居節(jié)點的地理位置(xi,yi),求出相對距離d,計算出把消息發(fā)送到所有鄰居節(jié)點的總能量消耗占自身能量的比例ES,稱作承載能力.承載能力ES的計算方法如下其中:ni為收發(fā)節(jié)點的平均連通度,即自身與所有鄰居節(jié)點的節(jié)點度的均值,用于衡量節(jié)點規(guī)模.而Eself為自身的剩余能量.充分交互節(jié)點狀態(tài)后,若自身的ES比所有鄰居的ES值都要大,則宣布自身成為簇頭.若鄰居中沒有簇頭,則加入ER最小的鄰居所屬的簇.否則所有非簇頭節(jié)點都將選擇鄰居簇頭中接收耗能ER最低的簇加入.其中接收耗能由下面的公式確定根據(jù)上述分簇算法,簇頭和簇成員都能保證以最節(jié)能的方式組織簇結(jié)構(gòu),同時能量高的節(jié)點更可能擔(dān)任高耗能的簇頭,保證了能量節(jié)約和均衡.2.2svm預(yù)測算法在WSN的研究中,大部分的算法將所有節(jié)點作相同的故障檢測操作,這種操作往往是復(fù)雜的.但事實上,對于大部分具有良好故障檢測歷史的節(jié)點來說,存在故障的概率很低,因此對這些可靠的節(jié)點來說復(fù)雜的操作是不必要的,這種無差別的處理將會帶來巨大的能量和計算能力上的浪費.針對上述問題,筆者提出基于支持向量機回歸預(yù)測的故障檢測算法(SFDA,SVR-basedfaultdetectionalgorithm).SFDA包括5個步驟:步驟1訓(xùn)練階段.收集長度為L的數(shù)據(jù)樣本集合T={(x1,y1),(x2,y2),…,(xL,yL)},一般L為200~300,產(chǎn)生預(yù)測序列(x1,x2,x3,x4,…,xL),并訓(xùn)練出支持向量機相關(guān)參數(shù).步驟2回歸預(yù)測.根據(jù)支持向量機回歸預(yù)測算法,由T預(yù)測下一時刻的采集數(shù)據(jù)值yi+1=f(xi).步驟3信譽度計算.把預(yù)測值yi與實際值dm=xi+1作比較,計算出信譽度λi+1.步驟4信譽等級劃分.根據(jù)信譽度λi+1劃定信譽等級,并根據(jù)各個節(jié)點的信譽等級調(diào)節(jié)上交數(shù)據(jù)到簇頭進行簇頭檢測的頻率.步驟5基于置信數(shù)據(jù)集的故障檢測機制.根據(jù)基于置信數(shù)據(jù)集的故障檢測機制,將故障節(jié)點信息上傳至基站.同時,根據(jù)簇頭檢測的結(jié)果反饋性地調(diào)整各個簇成員節(jié)點的信譽等級.在信譽劃分的過程中,支持向量回歸(SVR,supportvectorregression)預(yù)測算法是本算法的核心,預(yù)測結(jié)果的準(zhǔn)確與否關(guān)乎信譽劃分的權(quán)威性.Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論(SLT,statisticallearningtheory)提出了支持向量機(SVM,supportvectormachine)學(xué)習(xí)方法.SVM方法基于結(jié)構(gòu)風(fēng)險最小化原理,在傳感器數(shù)據(jù)預(yù)測上明顯優(yōu)于基于經(jīng)驗風(fēng)險最小化原則的人工神經(jīng)網(wǎng)絡(luò)法.經(jīng)驗風(fēng)險最小僅僅能讓預(yù)測值相對于訓(xùn)練數(shù)據(jù)的誤差最小化,而對于數(shù)據(jù)取值范圍廣泛,隨機性大的WSN數(shù)據(jù)預(yù)測來說是遠遠不夠的.而結(jié)構(gòu)風(fēng)險最小則可以保證VC維數(shù)(用于衡量泛化誤差)的上限最小化,這使得SVM具有更好的泛化能力,還能有效地避免“過學(xué)習(xí)”的問題.SVM學(xué)習(xí)方法具有無可比擬的泛化性,非常適合應(yīng)用于WSN,而SVR算法是SVM最重要的應(yīng)用,SVR是一種基于數(shù)據(jù)的機器學(xué)習(xí)方法.SVR算法借助各個傳感器節(jié)點前期的有效數(shù)據(jù)構(gòu)造數(shù)據(jù)樣本,然后找到數(shù)據(jù)內(nèi)在的相互依賴關(guān)系,用于預(yù)測未來的數(shù)據(jù),可以解決區(qū)域節(jié)點大規(guī)模失效的情況下的數(shù)據(jù)預(yù)測.下面介紹對傳感器數(shù)據(jù)進行預(yù)測的SVR算法:假設(shè)歸一化后的傳感器數(shù)據(jù)與相應(yīng)預(yù)測值組成樣本集合(X,Y),該集合上存在某個概率分布F(x,y),選取獨立同分布的樣本點進行處理.然而,由于預(yù)測的過程不可能完全準(zhǔn)確,在SVM理論中,往往用損失函數(shù)來衡量結(jié)構(gòu)風(fēng)險.假設(shè)損失函數(shù)為Lost(y,f(x)),于是期望結(jié)構(gòu)風(fēng)險可以由下式計算根據(jù)結(jié)構(gòu)風(fēng)險最小化(SRM,structureriskminimization)原理,為了達到最好的預(yù)測效果,需要找出最優(yōu)的預(yù)測函數(shù)f(x),使得R[f]盡可能的小.多種損失函數(shù)都廣泛應(yīng)用于研究之中,其中高斯函數(shù)能夠有效地克服序列內(nèi)的高斯噪聲,同時具有良好的稀疏特性和泛化性,更能排除高斯噪聲干擾,達到更好的預(yù)測效果.高斯損失函數(shù)的表達式如下在統(tǒng)計學(xué)習(xí)理論中,結(jié)構(gòu)風(fēng)險定義為經(jīng)驗風(fēng)險與置信區(qū)間之和.然而WSN中傳感器數(shù)據(jù)隨機性大、變化區(qū)間廣,在誤差較小的區(qū)間內(nèi),普遍認為這些傳感器節(jié)點數(shù)據(jù)對經(jīng)驗風(fēng)險與置信區(qū)間的影響微乎其微,因此其所帶來的結(jié)構(gòu)風(fēng)險往往可以忽略.在此區(qū)間內(nèi)進行結(jié)構(gòu)風(fēng)險的衡量反而很容易因為數(shù)據(jù)的不規(guī)則波動造成誤判,進而錯誤估計了系統(tǒng)的結(jié)構(gòu)風(fēng)險.針對上述問題,提出了針對WSN的ε-不敏感高斯函數(shù)其中:ε是一個常量,表示無線傳感器網(wǎng)絡(luò)中能容忍的最大誤差,在(-ε,ε)內(nèi)的誤差均認為是不會帶來結(jié)構(gòu)風(fēng)險的.ε-不敏感高斯函數(shù)可以在保持原有的抗高斯噪聲的優(yōu)點的同時彌補了原高斯函數(shù)在處理WSN數(shù)據(jù)時容易發(fā)生的“過敏感”問題.損失函數(shù)所表示的結(jié)構(gòu)風(fēng)險在SVM分類問題中的數(shù)學(xué)含義是樣本集中的任意點離超平面的距離.多維空間中的超平面可表示為根據(jù)結(jié)構(gòu)風(fēng)險最小化原理(SRM,structureriskminimization),求損失函數(shù)的最小值等價于調(diào)整超平面的斜率ω使得超平面離樣本集里最靠近的點的距離盡可能大,即使得最大.此時的超平面的劃分具有最高的置信度,稱為最優(yōu)超平面.由于ε為常數(shù),因此求的最大值等價于求的最小值.結(jié)合式(7)ε-不敏感高斯函數(shù),達到結(jié)構(gòu)風(fēng)險最小化的超平面等同于下列規(guī)劃問題的解條件中L表示樣本容量.這是一個凸二次規(guī)劃問題,引入松弛變量ξ和,上述問題可以轉(zhuǎn)化為下列規(guī)劃問題其中:C為懲罰常數(shù),反映了SVR算法中函數(shù)回歸模型的復(fù)雜度和樣本擬合精度之間的折中,C越大,擬合程度越高;ω為超平面的法向量,ξi和ξi*為隨機誤差,b為偏差.約束條件中ε除了表示允許的最大誤差外,還起著控制回歸的支持向量個數(shù)和泛化能力的作用,ε越大,支持向量數(shù)越少.為求解上述規(guī)劃問題,引入Lagrange乘子α=(α1,α2,α3,…,αL)并將上面的問題轉(zhuǎn)化為對偶規(guī)劃問題.定義Lagrange函數(shù),并代入后化簡可得根據(jù)KKT(Karush-Kuhn-Tucker)最優(yōu)化條件:1)Lagrange函數(shù)的偏導(dǎo)數(shù)等于零;2)等式約束等于零;3)不等式約束與相應(yīng)Lagrange乘子的乘積等于零.根據(jù)KKT條件第1)條,L(ω,b)分別對ω,b取偏導(dǎo)并令其等于0此外,根據(jù)KKT條件第2)條又能得到式(15)的含義在于,只有當(dāng)αi,αi*取0時,約束條件才起約束作用.實際上,只有若干αi,αi*不為0,此時的約束條件g(xi),h(xi)等于0,也就是說回歸樣本點落在了約束邊界上,這樣的約束向量被稱為支持向量(SV,supportvector).把式(14)代入式(13),可以得到但是式(16)中的φ〈xi,xj〉=φ(xi)·φ(xj)是一個高維度特征空間上的映射之間的內(nèi)積,具有很大的處理難度.在SVM理論中,解決這個內(nèi)積計算的辦法是核技巧.即尋找一個核函數(shù)K(xi,xj),使得K(xi,xj)=〈xi,xj〉=φ(xi)·φ(xj),通過核函數(shù)替代巧妙地避免了計算高維內(nèi)積所需的計算代價.由于SVR算法雖然把結(jié)構(gòu)風(fēng)險最小化問題轉(zhuǎn)化為求高維度超平面的問題,旨在把常規(guī)維度上難以處理的非線性不可分問題轉(zhuǎn)化為高維度線性可分問題,然而算法的最后會把高維度向量ω約去,因此問題最后又回到常規(guī)維度上,換而言之核技巧處理是合理的.核技巧是整個SVM理論的核心.用核函數(shù)K(xi,xj)替代高維度內(nèi)積,最終轉(zhuǎn)化為一個嚴(yán)格凸函數(shù)的對偶二次規(guī)劃問題由于這個二次規(guī)劃并沒有關(guān)于x的不等式約束,因此可以簡單地用線性方程求解,解上述凸二次規(guī)劃問題可以求得αi,αi*.選取研究成果最為成熟的高斯徑向基核函數(shù)核函數(shù)K(xi,xj)以及式(14)代入超平面表達式(8)中,則得到最優(yōu)超平面,即結(jié)構(gòu)風(fēng)險最小的WSN傳感器數(shù)據(jù)預(yù)測函數(shù)根據(jù)SVR預(yù)測函數(shù)的預(yù)測結(jié)果與實際值的偏差可以定義信譽系數(shù).然而僅由一次預(yù)測的數(shù)據(jù)來判定一個節(jié)點的信譽容易發(fā)生“長期誤信”,即當(dāng)一個低信譽度節(jié)點被誤判為高信譽度節(jié)點后,在一個長時間內(nèi)都不會得到修正的現(xiàn)象.考慮到的歷史數(shù)據(jù)和當(dāng)前的預(yù)測結(jié)果符合邏輯回歸模型,因此可結(jié)合Logistic回歸模型來評價節(jié)點的信譽度,Logistic回歸模型的核心是sigmoid曲線,引入歷史信譽系數(shù)的線性加權(quán)作為Pn的輸入,最后得到動態(tài)的信譽系數(shù)的表達式如下根據(jù)可以把節(jié)點分成5個信譽度等級,分別為確信、良好、一般、可疑、故障.簇成員節(jié)點根據(jù)自身的信譽度等級,將選擇相應(yīng)的對簇頭的故障數(shù)據(jù)上報頻率,而處于最低信譽級別的節(jié)點將被認為是故障節(jié)點.同時,簇頭也會根據(jù)信譽度的不同來對簇成員進行不同的處理,信譽度等級劃分標(biāo)準(zhǔn)及處理詳情如表1所示.需要指出的是,簇頭節(jié)點有權(quán)限根據(jù)基于置信數(shù)據(jù)集的故障檢測算法結(jié)果發(fā)送指令更改簇成員的信譽等級.2.3基于置信數(shù)據(jù)集的故障檢測機制分簇算法把地理位置接近的節(jié)點分為一個簇,這個簇的覆蓋范圍有其實際意義.因為在簇的覆蓋范圍內(nèi),可以認為傳感器檢測的物理量差別較小,在訓(xùn)練階段可以得到簇頭數(shù)據(jù)差別量的閾值Uthres.根據(jù)信譽級別的不同,節(jié)點會以不同的頻率向簇頭發(fā)送數(shù)據(jù),而簇頭根據(jù)這些數(shù)據(jù)與置信數(shù)據(jù)集(DDS,dependabledataset)內(nèi)的數(shù)據(jù)進行比較來判定節(jié)點是否出現(xiàn)故障,這個機制稱為基于置信數(shù)據(jù)集的故障檢測機制.置信數(shù)據(jù)集由3個數(shù)據(jù)集通過與操作得到:簇頭數(shù)據(jù)以及簇成員節(jié)點中具有“確信”和“良好”信譽度的成員節(jié)點上報的數(shù)據(jù),如下式表示其中SCH為簇頭數(shù)據(jù)集Ssure和Sgood分別為“確信”和“良好”簇成員節(jié)點上報的數(shù)據(jù)集.若檢測數(shù)據(jù)與SDDS中數(shù)據(jù)的均值之差大于Uthres則判定為故障,若大于0.7Uthres則信譽等級下降1級,若差值小于0.3Uthres則信譽度上升1級.信譽度的調(diào)整會通過信譽度調(diào)整消息傳達到相應(yīng)的簇成員節(jié)點.基于置信數(shù)據(jù)集的故障檢測機制運作流程圖如圖1所示.3模擬結(jié)果與分析首先根據(jù)3.1節(jié)中的算法對節(jié)點進行分簇,然后再進行故障檢測.參照HeinzelmanB中能量模型,仿真參數(shù)取值如表2所示.3.1基于svr預(yù)測的信譽度劃分算法本節(jié)驗證SVR算法的預(yù)測效果.SVR模型的回歸預(yù)測效果由如下3個指標(biāo)來評價:精度A,均方誤差MSE和相關(guān)系數(shù)ρ.首先通過訓(xùn)練提高SVR模型的回歸預(yù)測效果,獲取模型最優(yōu)參數(shù).對訓(xùn)練數(shù)據(jù)進行歸一化處理,可以得到取值范圍在[-1,+1]之間的訓(xùn)練序列T.對SVR模型進行訓(xùn)練,得到最優(yōu)參數(shù):ε-不敏感高斯函數(shù)的最大允許誤差ε=512.0,高斯核函數(shù)中σ=8.0.實際測量值序列如圖2所示.圖中黑色實心圓形節(jié)點表示無故障且測量值隨機誤差極小的節(jié)點,空心圓形節(jié)點表示無故障且測量值隨機誤差在允許范圍內(nèi)的節(jié)點,紅色實心方形節(jié)點表示故障節(jié)點.若采用經(jīng)典線性回歸算法———最小二乘法進行預(yù)測,并把預(yù)測值代入式(20)計算節(jié)點的信譽度,可以得到回歸劃分的效果圖如圖3(a)所示.其中綠色區(qū)域表示最小二乘法劃分的高信譽度區(qū)域,藍色區(qū)域表示中信譽度區(qū)域,紅色區(qū)域表示低信譽度區(qū)域.圖中可以看出,信譽度的劃分出現(xiàn)了大量的誤劃分點.經(jīng)統(tǒng)計,劃分的正確節(jié)點數(shù)為201/248,正確率約為81%.若用SVR回歸預(yù)測算法,根據(jù)訓(xùn)練參數(shù)ε=512.0以及σ=8.0代入第3節(jié)中式(17)~式(21)對傳感器節(jié)點的采集數(shù)據(jù)進行預(yù)測,并與實際測量值進行比較計算出信譽度系數(shù).根據(jù)進行信譽度等級的劃分,可得到信譽等級劃分如圖3(b)所示.顯而易見,圖3(b)中誤劃分點顯著減少.經(jīng)統(tǒng)計,基于SVR預(yù)測的信譽度劃分算法的正確劃分點數(shù)為240/248,信譽度劃分正確率高達96.8%.上述仿真說明,基于SVR預(yù)測的