[发明专利]基于时间加权K-近邻法的无线传感器网络故障诊断方法

摘要

本发明涉及一种基于时间加权K‑近邻法的无线传感器网络故障诊断方法，先建立K‑近邻法训练库；按时离散采样WSN状态特征值并组成特征向量，每个特征向量代表无线传感器网络该采样时刻的状态；K‑近邻法对WSN特征向量作预诊断，启动判断时间相关性机制；如符合条件，则启动加权修改规则，最后输出结果。本发明针对无线传感器网络(WSN)系统故障的诊断问题，按照系统故障机理确立特征值，根据WSN系统故障的时间相关性，设计基于时间加权的故障诊断分类规则和参数，并结合K‑近邻法建立系统故障诊断模型，达到以诊断历史修改当前诊断结果的目的。本发明能对WSN实现故障自诊断和自更新，具备分布式计算特征，保证诊断正确率和低功耗。

主权项

1.一种基于时间加权K‑近邻法的无线传感器网络故障诊断方法，其特征在于先建立K‑近邻法训练库；按时离散采样WSN状态特征值并组成特征向量，每个特征向量代表无线传感器网络该采样时刻的状态；K‑近邻法对WSN特征向量作预诊断，启动判断时间相关性机制；如符合条件，则启动加权修改规则，最后输出结果；基于时间加权K‑近邻法的无线传感器网络故障诊断方法具体包括如下步骤：1)建立K‑近邻法训练库用于算法预诊断；2)离散采样无线传感器网络状态特征值：误码率，丢包率，吞吐量，信噪比并组成特征向量，特征向量代表该采集时刻的WSN状态；3)把采集的无线传感器网络特征向量与训练库组成矩阵，并将数据归一化使数据映射到0至1的区间，变为无量纲形式；4)利用K‑近邻法对无线传感器网络状态特征预诊断，即在N个训练样本中，有n1个D1类故障的样本，有n2个D2类故障的样本…有nc个Dc类故障样本，设d1，d2…dc分别为特征向量X与每类故障特征向量样本K个近邻欧氏距离的求和,当d1，d2…dc存在di(i＝1,2...c)＝min(d1,d2...dc)，则特征向量X归为Di类故障；5)所谓判断时间相关性机制是当连续采样的特征向量通过K‑近邻法被诊断出超过R次相同结果时，类别标志位Rflag是一个1*4的向量,类别标志位Rflag在对应类别位设置为“1”，且预诊断结果与上一时刻的特征向量不符则进入加权权利，修改相关参数；6)若进入加权权利，则启动加权修改规则，否则跳到步骤7)；加权修改规则如下：在N个训练样本中，有n1个D1类故障的样本，有n2个D2类故障的样本…有nc个Dc类故障样本，设d1，d2…dc分别为特征向量X与每类故障特征向量样本K个近邻欧氏距离的求和，根据分类规则：当d1，d2…dc存在di(i＝1,2...c)＝min(d1,d2...dc)，则特征向量X归为Di类故障，其中，dm＝ω·SR+1‑Tflag(dm),当Rflag≠(0,0,0,0)且maxTflag＝R，m为X在前一个采样时刻特征向量对应故障类别，即，当X诊断故障类别与前一个采样时刻不同且进入加权权利时，X与前一个采样时刻的故障类别的K个近邻欧氏距离的求和将被加权修改，最后重新根据分类规则对X进行分类；7)输出结果并返回步骤2)循环诊断检测；其中，R为最大加权回合，Rflag为类别标志位，Tflag为加权次数标志位，加权次数标志位Tflag是算法是否进入加权权利的标准，同时记录每类相关性类别的可加权次数，最大值由最大加权次数R决定，最小值为0，ω为权值，S为衰减系数，衰减系数S>1。