摘要：傳統無線網絡故障節點定位方法無法有效處理節點功率波動以及模糊環境對故障節點定位精度的干擾。提出基於小波神經網絡的無線網絡故障節點定位方法，分析了小波神經網絡在節點故障定位的三種作用形式，融合形式1和3對冗餘節點故障進行定位，將小波神經網絡當成預測器，將前一採樣時刻的正常輸出交叉輸入n個小波神經網絡，獲取節點當前時刻的預測輸出值，取節點預測輸出值和真實輸出值的殘差，若該殘差值高於閾值，則說明該節點是故障節點。實驗結果表明，所提故障節點定位方法能夠對節點的附加、倍數以及短路故障進行準確定位。
關鍵詞：無線通信論文
隨着科學技術的高速發展，無線傳感網絡的應用領域不斷擴張。但是無線傳感網絡中的節點受到自身以及外界因素的干擾，會出現較多的故障，導致傳感網絡質量降低[12]。傳統無線網絡故障節點定位方法，無法有效處理節點功率波動以及模糊環境對故障節點定位精度的干擾，具有較高的侷限性。因此，尋求有效的方法對故障節點進行準確定位，具有重要的.應用意義。
1基於小波神經網絡的無線網絡故障節點定位技術
1.1小波神經網絡在節點故障定位的作用形式
根據小波神經網絡在節點故障定位中作用，將小波神經網絡在故障節點定位過程作用劃分成如下三種形式：(1)將小波神經網絡當成分類器，將節點輸出當成小波神經網絡的輸入值，用“1”和“0”描述節點存在故障以及不存在故障，並將節點狀態當成網絡輸出[3]，通過不同的故障模式對小波神經網絡實施訓練，採用訓練好的小波神經網絡分類器對無線網絡故障節點進行定位。該方法的定位原理如圖1所示。(2)將小波神經網絡當成觀測器，基於大量的隱層，小波神經網絡可對系統輸入/輸出樣本實施自主學習，逼近真實的動態系統[4]。基於傳統觀測原理塑造小波神經網絡觀測器，通過正常工作情況下的數據對小波神經網絡進行訓練，採用訓練好的小波神經網絡觀測器形成故障殘差，完成無線傳感故障節點的定位[5]。定位原理如圖2所示。絡塑造傳感網絡節點的預測模型，小波神經網絡的輸入值爲節點的前一時刻輸出值，網絡輸出是節點的輸出預測值，對比該預測值同節點的真實輸出值，產生殘差實施故障節點定位。該方法的定位原理如圖3所示。在對孤立節點進行故障定位時，將小波神經網絡當成觀測器，將節點當前時刻的輸入當成神經網絡的輸入，逼近節點當前時刻的正常輸出爲神經網絡的輸出[67]。融合形式1和3定位冗餘節點故障，將小波神經網絡當成預測器，將前一採樣時刻的正常輸出當成小波神經網絡的輸入，預測節點當前採樣時刻的輸出，獲取差值信號，再同預先設置的閾值實施對比，則高於閾值的差值信號對應的節點爲故障節點。
1.2無線傳感器網絡冗餘節點故障定位
無線傳感器網絡冗餘節點故障定位示意圖見圖4.其由無線傳感網絡、小波神經網絡預測器以及信息定位方案構成。無線傳感網絡中有n個檢測值存在冗餘關係的傳感器節點，x1,x2,…,xn-1,xn用於描述n個傳感器節點的輸出值。採用圖3描述的結構圖，將小波神經網絡當成預測器，獲取節點後續時刻的正常輸出。本文方法定位無線網絡故障節點前，需要塑造n個小波神經網絡預測器，並訓練這些預測器。在無線傳感網絡簇中全部節點的運行狀態都是正常時，採集訓練樣本。通過交叉訓練方法對訓練樣本實施訓練[8]，交叉訓練k個小波神經網絡預測器的過程如圖5所示。其他預測器的訓練方式也採用該交叉訓練方式。由圖5可知，若無線傳感網絡節點的採樣時刻是t0,t1,t2,…,tn，傳感節點在t0,t1,t2,…,ti(i<n)時刻正常運行，則基於t0,t1,t2,…,ti(i<n)時刻的節點輸入/輸出塑造訓練樣本，交叉訓練n個小波神經網絡預測器，在對無線傳感網絡的故障節點進行定位[910]。
2實驗驗證
實驗採用本文提出的基於小波神經網絡的無線網絡故障節點定位方法，對某無線傳感測溫系統中的溫度傳感節點故障進行定位分析，檢測本文方法的性能，實驗設置閾值爲0.5℃。實驗將歸一化的檢測樣本輸入到訓練好的小波神經網絡預測器內，並對其輸出進行反歸一化處理，同溫度節點故障檢測樣本進行對比，獲取溫度節點產生1℃偏差故障、0.05倍數故障以及短路故障的殘差曲線，分別如圖6、圖7所示。分析圖6可得，無線傳感網絡溫度傳感節點存在1℃附加故障後，其殘差曲線高於報警閾值，有效定位出了故障。能看出當無線傳感網絡節點存在附加故障，小波神經網絡預測器在其殘差高於閾值下，準確定位出該故障節點。圖7所示的無線傳感溫度節點的倍數故障是平穩波動的故障，隨着採樣節點的增加，節點同小波神經網絡預測器輸出形成的殘差也逐漸提升，如果殘差高於報警閾值，則小波神經網絡預測器可定位出故障節點。
3結論
本文提出基於小波神經網絡的無線網絡故障節點定位方法，其能夠對節點的附加、倍數及短路故障進行定位。