CN101867486A - 一种无线传感器网络故障诊断方法 - Google Patents

Abstract

一种无线传感器网络故障诊断方法，包括下列步骤：采集正常状态和故障状态下无线传感器网络链路质量信号；应用小波变换方法，进行小波包分解和系数重构，提取故障的特征向量；采用纠错输出编码法构造编码矩阵，实现网络故障多分类；利用LSSVC的学习机制，构造多分类问题的决策函数，建立系统状态与特征向量之间关系模型；依据网络运行决策函数值对发生的故障、潜在故障类型和区域进行识别诊断处理。该方法在中小规模WSN应用系统中具有广泛的应用前景。

Description

一种无线传感器网络故障诊断方法

技术领域

本发明涉及一种无线传感器网络故障诊断方法，尤其是一种基于小波包变换和最小二乘支持向量分类机(LSSVC)的无线传感器网络故障诊断方法，用以对WSN发生的故障、潜在故障类型和区域进行识别诊断处理，属于无线传感器和网络故障诊断技术领域。

背景技术

随着无线传感器网络应用越来越广泛，为保证网络运行的可靠稳定，维护系统资源，须建立故障诊断机制。目前WSN网络故障诊断方法的研究主要集中在对节点故障(即硬故障)的诊断，国内外的相关研究如下：

国外研究有：2002年S.Chessa，P.Santi等对WSN的崩溃故障进行了理论研究，在某些假设条件下，提出具有最优的诊断能力和最少的数据交换的诊断协议；2004年L.B.Ruiz提出了使用外部管理器的事件驱动型WSN故障诊断机制；2005年Anmol Sheth等在对故障原因进行分类的基础上提出了一种离散的WSN故障诊断方法，分层实现了故障诊断；2007年Sutharshan Rajasegarar在节约通信开销的同时使用基于四分球SVM方法，实现分布式WSN异常检测；2007年G.Venkataraman针对节点能量损耗型故障提出了一种基于分簇的故障管理算法，当某个节点故障发生时，算法在保证网络的连通性同时具有快速的响应性，延长整个网络寿命。以上研究均为系统级诊断算法，在诊断过程中均需邻居节点之间交互诊断信息。此外，2008年M.H.Lee提出了一种通过比较邻居节点发送数据和向邻居节点传播检测结果进行分布式故障诊断的方法。

国内研究有：2007年雷霖等提出一种基于Rough set(粗糙集)理论WSN节点故障诊断方法，将粗糙集理论用于故障属性简化，降低诊断过程中网络开销，通过消息询问的方式对节点的硬故障进行检测；张劼等提出基于比较的簇节点的WSN故障诊断算法，利用簇头作为簇内故障诊断的集中控制单元，对簇内节点进行集中诊断，同时利用链接所有簇头的逻辑子网，通过在簇头之间传递相关诊断信息的诊断方式对网关进行诊断；中国科学院的高建良考虑WSN中的错误测量数据会导致网络服务质量下降和能量浪费，提出一种通过融合邻居节点的测量数据来实现故障检测的策略；2008年杨云针对WSN数据传输过程中产生的非一致性问题，提出了一种WSN非一致性故障检测机制IFDM(Inconsistent Failures DetectionMechanism)；李千目等通过对Ad hoc网络状态和故障指标的研究，提出一种基于Dempster规则的故障诊断方法(DRNFD)，应用DRNFD诊断故障能有效降低漏报率和误报率，使实时故障诊断成为可能。

从研究现状来看，大多诊断算法针对节点故障的系统级诊断算法，需要节点之间频繁交互诊断信息，节点能耗大，对网络正常低功耗运行影响大。而且目前研究大都是针对大规模WSN，中小规模WSN故障诊断研究较少，远远不能满足WSN技术发展的需要。

发明内容

本发明的目的在于克服上述存在的问题和不足，公开一种针对中小规模WSN故障进行诊断的方法。

实现本发明目的的技术方案是：无线传感器网络故障诊断方法，是一种基于小波包变换和最小二乘支持向量分类机(LSSVC)的无线传感器网络故障诊断方法，包括下列步骤：采集正常状态和故障状态下无线传感器网络链路质量信号；应用小波变换方法，进行小波包分解和系数重构，提取故障的特征向量；采用纠错输出编码法构造编码矩阵，实现网络故障多分类；利用LSSVC的学习机制，构造多分类问题的决策函数；建立系统状态与特征向量之间关系模型；依据网络运行决策函数值对发生的故障、潜在故障类型和区域进行识别诊断处理。

上述技术方案，进一步说明具体步骤如下：

第一步，采集无线传感器网络在正常状态和故障状态下的链路质量信号。

数据采集使用异步告警和主动轮询两种方式。以异步告警为主，主动轮询为辅，以便减少网络故障诊断带来的额外负担。

第二步，采用小波包分析对低信噪比的信号进行消噪，提取故障的特征向量。

系统出现故障时，明显会对某些频率成分起着抑制作用，而对另一些频率成分起着增强的作用。与正常系统输出相比，相同频带内信号的能量会有着较大的差别，因此，在各频率成分信号的能量中，包含着丰富的故障信息，某种或某几种频率成分能量的改变即代表一种故障情况。故采用小波包子带能量变化的方法提取故障特征。

通过对WSN运行状态数据进行小波包分解和系数重构，提取各频带范围的信号并求出各个频带信号的总能量，构造故障的特征向量。

第三步，采用LSSVC法构造编码矩阵，实现网络故障多分类。

故障诊断方法不仅要判别是否发生故障还要对故障进行分类，涉及到多分类问题，但LSSVC的基本理论只考虑了二值分类情况，因此须构造一系列两类问题。所用方法有成对分类(one versus one)、一类对余分类(one versus the rest)和纠错输出编码。本发明使用纠错输出编码方法构造一系列的两分类问题，来实现LSSVC多分类问题。

第四步，构造多分类问题的决策函数。

考虑M类分类问题，按照上述纠错编码方法构造L个两类分类问题，这L个两类分类问题的决策函数为f¹(x)，…，f^L(x)，定义L维行向量F(x)＝(f¹(x)，…，f^L(x))，F(x)即为多分类问题的决策函数。

第五步，利用LSSVC的学习机制，建立基于LSSVC故障诊断的系统状态与特征向量之间关系模型。

将经过小波包分解后的数据作为LSSVC的输入，进行训练和学习，建立基于LSSVC故障诊断的系统状态与特征向量之间关系模型。

建立模型之前需要确定正则化参数γ和核函数的参数，本发明中核函数采用高斯径向基函数K(x，x′)＝exp(-‖x-x′‖²/σ²)。γ用来决定拟合最小误差和平滑度之间的平衡，σ²是带宽。

采用LSSVC法，对正常状态和故障状态下的链路质量信号进行分析，建立特征向量与系统状态之间对应关系，并利用纠错输出编码方法构造编码矩阵，编码矩阵中的每个行向量对应网络运行中的一个状态，如：正常(无故障)，某单一故障，多故障并存等。

第六步，WSN运行故障识别诊断

WSN运行中，对当前运行状态数据按照决策函数F(x)得到输出行向量，依据其与编码矩阵的行向量的Hamming距离，识别出WSN故障类型和位置区域。

本发明中，首先应用小波变换方法，对正常状态和故障状态下的运行链路质量信号进行小波包分解和系数重构，提取故障的特征向量；然后采用纠错输出编码法构造编码矩阵，实现网络故障多分类，利用最小二乘支持向量分类机(LSSVC)的学习机制，构造多分类问题的决策函数，建立系统状态与特征向量之间关系模型；最后依据网络运行决策函数值对发生的故障、潜在故障类型和区域进行识别诊断处理。

本发明将小波包分析和LSSVC相结合，建立WSN故障诊断方法。利用小波包频带能量检测技术可以比较容易地提取出特征向量，且小波可以对低信噪比的数据进行消噪。将提取出来的特征量作为LSSVC的输入，进行训练，利用支持向量机的学习机制使得输出尽可能逼近实际输出，保证故障分类的准确性。该方法在中小规模WSN应用系统中具有广泛的应用前景。

附图说明

图1是本发明的无线传感器网络故障诊断方法的技术方案图

图2是本发明的无线传感器网络LSSVC故障诊断模型

图3是本发明的小波包分解树结构图

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

如图1所示，一种无线传感器网络故障诊断方法，采集正常状态和故障状态下无线传感器网络链路质量信号；应用小波变换方法，进行小波包分解和系数重构，提取故障的特征向量；采用纠错输出编码法构造编码矩阵，实现网络故障多分类；利用LSSVC的学习机制，构造多分类问题的决策函数，建立系统状态与特征向量之间关系模型；依据网络运行决策函数值对发生的故障、潜在故障类型和区域进行识别诊断处理。

具体实施步骤是：

第一步，采集无线传感器网络在正常状态和故障状态下的链路质量信号。

本发明中数据采集使用异步告警和主动轮询两种方式。以异步告警为主，主动轮询为辅，以便减少网络故障诊断带来的额外负担。

第二步，采用小波包分析对低信噪比的信号进行消噪，提取故障的特征向量。具体步骤如下：

(1)三层小波包分解。三层小波包分解结构如图3所示，分解结构(i，j)表示第i层的第j个结点，其中，i＝0，1，2，3；j＝0，...，7，每个结点都代表一定的信号特征。其中(0，0)结点代表原始链路质量信号x，即采集到的链路质量信号，(1，0)代表小波包分解的第一层低频系数X₁₀，(1，1)结点代表小波包分解第一层的高频系数X₁₁，其它依此类推。

(2)对小波包分解系数重构，提取各频带范围的信号。对第三层的所有结点进行分析，其中S₃₀表示X₃₀的重构信号，其它依此类推，8个频率成分所代表的频率成分见表1所示。则总信号可以表示为：

S＝S₃₀+S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇           (1)

                 表1 各频率成分所代表的频率范围

(3)求各个频带信号的总能量。设S_3j(j＝0，...，7)对应的能量为E_3j(j＝0，...，7)，则有：

$E_{3j}={\∫\left|S_{3j}\left(t\right)\right|}^2\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2---\left(2\right)$

其中x_jk(j＝0，...，7；k＝1，...，n)表示S_3j重构信号的离散点的幅值。

(4)构造特征向量。系统出现故障时，会对各频带内信号的能量有较大的影响，因此，可以用以能量为元素构造一个特征向量。特征向量T构造如下：

T＝[E₃₀，E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇]             (3)

当能量较大时，在数据分析上会带来一些不方便的地方。因此可对T进行归一化处理，令

T′＝[E₃₀/E，E₃₁/E，E₃₂/E，E₃₃/E，E₃₄/E，E₃₅/E，E₃₆/E，E₃₇/E]    (4)

向量T′即为归一化后的特征向量。

第三步，采用LSSVC法构造编码矩阵，实现网络故障多分类。

使用纠错输出编码方法构造一系列的两分类问题，来实现LSSVC多分类问题。

给定M类分类问题的训练集T＝{(x₁，y₁)，…，(x_l，y_l)}，其中x_i∈Rⁿ，y_i∈Y＝{1，…，M}，i＝1，…，l，构造M×L阶编码矩阵B，根据编码矩阵B构造L个两类分类问题，利用两类LSSVC求得上述L个两类分类问题的决策函数f¹(x)，…，f^L(x)，定义L维行向量F(x)＝(f¹(x)，…，f^L(x))，寻找编码矩阵B中与所得行向量F(x)最接近的行，而输入x就应判定属于该行所对应的类别。

在解决实际问题时，构造编码矩阵是一项富有技巧性的工作。当类别数M不大，例如当3≤M≤7时，可以采用无遗编码(exhaustive coding)方法构造编码矩阵。此时的编码矩阵B是一个M×(2^M-1-1)的矩阵，该矩阵的第1行全为1，第i(i＝2，…，M)行为2^M-i个-1和2^M-i个1交替出现。例如当M＝4时的编码矩阵B为：

$B=\left(\begin{array}{ccccccc}1& 1& 1& 1& 1& 1& 1\\ -1& -1& -1& -1& 1& 1& 1\\ -1& -1& 1& 1& -1& -1& 1\\ -1& 1& -1& 1& -1& 1& -1\end{array}\right)---\left(5\right)$

第四步，构造多分类问题的决策函数

LSSVC是标准支持向量分类机(SVM)的一种变形，利用等式约束代替SVM的不等式约束，目标函数借鉴最小二乘的思想，结合Lagrange对偶原理将二次规划的求解问题转化为线性方程组的求解问题，大大简化了问题的计算量和存储量，使得训练速度提高。

给定训练集T＝{(x₁，y₁)，…，(x_l，y_l)}∈(Rⁿ×Y)^l，其中x_i∈Rⁿ，y_i∈Y＝{1，-1}，i＝1，…，l，LSSVC的原始问题是凸二此规划：

$\underset{w,b,\mathrm{\η}}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\η}}_i^2---\left(6\right)$

s.t.y_i((w·Φ(x_i))+b)＝1-η_i，i＝1，…，l.

引进记号

利用Lagrange对偶原理，导出其对偶问题的凸二次规划为：

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(K(x_i,x_j)+\frac{{\mathrm{\δ}}_{\mathrm{ij}}}{\mathrm{\γ}})-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i,---\left(7\right)$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0$

设

为对偶问题(7)的任一解，则原始问题对(w，b)的解为：

$w=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i\mathrm{\Φ}\left(x_i\right)$

$b=y_i(1-\frac{{\mathrm{\α}}_i^{*}}{\mathrm{\γ}})-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j{y}_{j}K(x_j,x_i),\∀i=1,\·\·\·,l.$

构造决策函数：

f(x)＝sgn(g(x))                               (8)

其中，

K(x_i，x)是核函数，γ是正则化参数。

对于一个M类分类问题，先根据上述方法构造一系列两类分类问题，然后分别求出这些两类问题的决策函数，最后根据这些决策函数构造出M类分类问题的决策函数。

第五步，利用LSSVC的学习机制，建立基于LSSVC故障诊断的系统状态与特征向量之间关系模型。

采用LSSVC法，对正常状态和故障状态下的链路质量信号x进行分析，建立特征向量与系统状态之间对应关系，并利用纠错输出编码方法构造编码矩阵，编码矩阵中的每个行向量对应网络运行中的一个状态，如：正常(无故障)，某单一故障，多故障并存等。

建立模型之前需要确定正则化参数γ和核函数的参数，本发明中核函数采用高斯径向基函数K(x，x′)＝exp(-‖x-x′‖²/σ²)。γ用来决定拟合最小误差和平滑度之间的平衡，σ²是带宽。

如图2所示，建立基于LSSVC故障诊断的系统状态与特征向量之间关系模型具体分为两个阶段：学习阶段和故障模式识别阶段。

(3)学习阶段

①根据专家经验，将网络故障分为4种聚类，分别是：网络正常无故障、节点故障、通信协议软件故障和文件传输软件故障，然后建立训练集；

②按照Mercer定理，选择合适的核函数K(x，x′)，并完成正则化参数γ和核参数的选取。常用核函数有3种：线性核函数、多项式核函数、Gauss径向基核函数。本发明中使用Gauss径向基核函数。

③构造矩阵H＝(K(x_i，x_j))_l×l，求解拉格朗日系数α_i，i＝1，…，l。

④将归一化以后的向量E作为LSSVC的输入进行训练，求解分类超平面系数b。最终建立最优决策分类超平面g(x)，完成训练。

(4)故障模式识别阶段

①载入LSSVC学习阶段的训练集，拉格朗日系数，最优分类超平面系数。

②根据公式(8)，计算新输入特征数据x的决策输出值g(x)，并根据决策函数f(x)得到一个L维行向量，通过判断这个行向量与B中行向量的Hamming距离来作出分类决策。

第六步，依据决策函数，对已发生的故障和潜在故障进行识别。

以网络正常无故障、节点故障、通信协议软件故障和文件传输软件故障等4类故障识别为例进行说明。考虑4类分类问题，构造7个两类分类问题，此时得到的是一个以1和-1为元素的4×7阶编码矩阵B，如式(5)和表2所示。然后构造7个两类问题的分类决策函数f^j(j＝1，…，7)。

判断测试点x₀属于第几类故障的步骤如下：

            表2 4类故障识别的7个两类分类问题

                                                                   

故障类别

0(正常)                1     1     1     1     1    1    1

1(节点故障)            -1    -1    -1    -1    1    1    1

2(通讯协议软件故障)    -1    -1    1     1     -1   -1   1

3(文件传输软件故障)    -1    1     -1    1     -1   1    -1

                                                                     

(1)用构造的7个两分类决策函数得到一个7维行向量F(x₀)＝(f¹(x₀)，…，f⁷(x₀))；

(2)判定输入x₀属于第J类故障。其中，J＝arg_k mind(F(x₀)，B_k)，这里B_k是编码矩阵B的第k行组成的向量，d(F(x₀)，B_k)是F(x₀)与B_k的Hamming距离。

Claims (8)

1.一种无线传感器网络故障诊断方法，是一种基于小波包变换和最小二乘支持向量分类机(LSSVC)的无线传感器网络故障诊断方法，其特征在于，该方法包括下列步骤：

步骤1采集正常状态和故障状态下无线传感器网络链路质量信号；

步骤2应用小波变换方法，进行小波包分解和系数重构，提取故障的特征向量；

步骤3采用纠错输出编码法构造编码矩阵，实现网络故障多分类；

步骤4利用LSSVC的学习机制，构造多分类问题的决策函数；

步骤5建立基于LSSVC故障诊断的系统状态与特征向量之间关系模型；

步骤6依据网络运行决策函数值对发生的故障、潜在故障类型和区域进行识别诊断处理。

2.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤1中，使用异步告警和主动轮询两种方式，以异步告警为主，主动轮询为辅，采集正常状态和故障状态下无线传感器网络链路质量信号。

3.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤2中，具体包括以下步骤：

(1)三层小波包分解：三层小波包分解结构(i，j)表示第i层的第j个结点，其中，i＝0，1，2，3；j＝0，…，7，每个结点都代表一定的信号特征。其中(0，0)结点代表原始链路质量信号x，即采集到的链路质量信号，(1，0)代表小波包分解的第一层低频系数X₁₀，(1，1)结点代表小波包分解第一层的高频系数X₁₁，其它依此类推；

(2)对小波包分解系数重构，提取各频带范围的信号：对第三层的所有结点进行分析，其中S₃₀表示X₃₀的重构信号，其它依此类推，8个频率成分所代表的频率成分见表1所示，则总信号可以表示为：

S＝S₃₀+S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇          (1)

               表1 各频率成分所代表的频率范围

                                                                

信号       频率范围        信号        频率范围

S₃₀        0～0.125        S₃₄         0.500～0.625

S₃₁        0.125～0.250    S₃₅         0.625～0.750

S₃₂        0.250～0.375    S₃₆         0.750～0.875

S₃₃        0.375～0.500    S₃₇         0.875～1.000

                                                                  

(3)求各个频带信号的总能量：设S_3j(j＝0，…，7)对应的能量为E_3j(j＝0，…，7)，则有：

$E_{3j}=\∫{\left|S_{3j}\left(t\right)\right|}^2\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2---\left(2\right)$

其中x_jk(j＝0，…，7；k＝1，…，n)表示S_3j重构信号的离散点的幅值；

(4)构造特征向量：用以能量为元素构造一个特征向量；特征向量T构造如下：

T＝[E₃₀，E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇]             (3)

对T进行归一化处理，令

T′＝[E₃₀/E，E₃₁/E，E₃₂/E，E₃₃/E，E₃₄/E，E₃₅/E，E₃₆/E，E₃₇/E]     (4)

向量T′即为归一化后的特征向量。

4.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤3中具体包括下列步骤：给定M类分类问题的训练集T＝{(x₁，y₁)，…，(x_l，y_l)}，其中x_i∈Rⁿ，y_i∈Y＝{1，…，M}，i＝1，…，l，构造M×L阶编码矩阵B，根据编码矩阵B构造L个两类分类问题，利用两类LSSVC求得上述L个两类分类问题的决策函数f¹(x)，…，f^L(x)，定义L维行向量F(x)＝(f¹(x)，…，f^L(x))，寻找编码矩阵B中与所得行向量F(x)最接近的行，而输入x就应判定属于该行所对应的类别；

当类别数M不大，采用无遗编码方法构造编码矩阵，此时的编码矩阵B是一个M×(2^M-1-1)的矩阵，该矩阵的第1行全为1，第i(i＝2，…，M)行为2^M-i个-1和2^M-i个1交替出现。

5.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤4中具体包括下列步骤：给定训练集T＝{(x₁，y₁)，…，(x_l，y_l)}∈(Rⁿ×Y)^l，其中x_i∈Rⁿ，y_i∈Y＝{1，-1}，i＝1，…，l，LSSVC的原始问题是凸二此规划：

$\underset{w,b,\mathrm{\η}}{\min }\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\η}}_i^2---\left(6\right)$

s.t.y_i((w·Φ(x_i))+b)＝1-η_i，i＝1，…，l.

引进记号利用Lagrange对偶原理，导出其对偶问题的凸二次规划为：

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(K(x_i,x_j)+\frac{{\mathrm{\δ}}_{\mathrm{ij}}}{\mathrm{\γ}})-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i,---\left(7\right)$

$s.t.\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=0$

设

为对偶问题(7)的任一解，则原始问题对(w，b)的解为：

$w=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i\mathrm{\Φ}\left(x_i\right)$

$b=y_i(1-\frac{{\mathrm{\α}}_i^{*}}{\mathrm{\γ}})-\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_j{y}_{j}K(x_j,x_i),\∀i=1,\·\·\·,l.$

构造决策函数：

f(x)＝sgn(g(x))                        (8)

其中，K(x_i，x)是核函数，γ是正则化参数；

对于一个M类分类问题，先根据上述方法构造一系列两类分类问题，然后分别求出这些两类问题的决策函数，最后根据这些决策函数构造出M类分类问题的决策函数。

6.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤5中具体包括下列步骤：采用LSSVC法，对正常状态和故障状态下的链路质量信号x进行分析，建立特征向量与系统状态之间对应关系，并利用纠错输出编码方法构造编码矩阵，编码矩阵中的每个行向量对应网络运行中的一个状态；

建立模型之前确定正则化参数γ和核函数的参数，其中，核函数采用高斯径向基函数K(x，x′)＝exp(-‖x-x′‖²/σ²)，γ用来决定拟合最小误差和平滑度之间的平衡，σ²是带宽。

7.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤5具体分为两个阶段：学习阶段和故障模式识别阶段；

(1)学习阶段

①根据专家经验，将网络故障分为4种聚类，分别是：网络正常无故障、节点故障、通信协议软件故障和文件传输软件故障，然后建立训练集；

②按照Mercer定理，选择合适的核函数K(x，x′)，Gauss径向基核函数，并完成正则化参数γ和核参数的选取；

③构造矩阵H＝(K(x_i，x_j))_l×l，求解拉格朗日系数α_i，i＝1，…，l；

④将归一化以后的向量E作为LSSVC的输入进行训练，求解分类超平面系数b，最终建立最优决策分类超平面g(x)，完成训练；

(2)故障模式识别阶段

①载入LSSVC学习阶段的训练集，拉格朗日系数，最优分类超平面系数；

②根据上述公式(8)，计算新输入特征数据x的决策输出值g(x)，并根据决策函数f(x)得到一个L维行向量，通过判断这个行向量与B中行向量的Hamming距离来作出分类决策。

8.根据权利要求1所述的无线传感器网络故障诊断方法，其特征在于：上述步骤6具体包括下列两步骤：

(1)用构造的7个两分类决策函数得到一个7维行向量F(x₀)＝(f¹(x₀)，…，f⁷(x₀))；

(2)判定输入x₀属于第J类故障，其中，J＝arg_k mind(F(x₀)，B_k)，这里B_k是编码矩阵B的第k行组成的向量，d(F(x₀)，B_k)是F(x₀)与B_k的Hamming距离。

Images