没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.comJournal of King Saud University一种基于ANFIS估计器的容错无线传感器网络Sasmita Acharyaa,*,C.R.Tripathyba印度Burla Veer Surendra Sai技术大学计算机应用系b印度布尔拉Veer Surendra Sai技术大学计算机科学与工程系接收日期2016年7月28日;修订日期2016年9月9日;接受日期2016年10月3日2016年10月8日摘要无线传感器网络广泛应用于战场监视、环境监测、森林火灾监测等关键为了降低无线传感器网络的能量消耗,提高网络的生存时间和容错能力,人们进行了大量的研究本文提出了一种基于ANFIS估计的数据聚合方案称为神经模糊优化模型(NFOM)的容错无线传感器网络的设计提出的簇头(CH)充当簇内故障检测和数据聚合管理器。它确定故障的非簇头(NCH)节点在一个集群中的应用所提出的ANFIS估计。然后,CH仅聚合来自该集群中的正常NCH的数据,并将其转发到高能量网关节点。网关节点充当集群间故障检测和数据聚合管理器。他们积极主动地识别故障CH的应用程序提出的ANFIS估计和执行集群间的容错数据聚合。仿真结果证实,所提出的NFOM数据聚合方案可以显着提高网络性能相比,其他现有的计划,就不同的性能指标。©2016作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍*通讯作者。电子邮件地址:talktosas@gmail.com(S.Acharya),crt.yahoo.com(C.R. Tripathy)。沙特国王大学负责同行审查制作和主办:Elsevierhttp://dx.doi.org/10.1016/j.jksuci.2016.10.001无线传感器网络(Wireless Sensor Networks,WSNs)是由大量体积小、成本低、能量有限、自主的传感器节点组成,这些节点随机分布在不同的感兴趣区域传感器节点通常被组织成不同的簇,以便在数据传输中节 省 能 量 并 延 长 网 络 寿 命 。 非 簇 头 传 感 器 节 点(NCH)感知环境中的一些感兴趣的现象,收集数据并将其转发给它们的簇头(CH)。CH节点执行网内数据聚合,然后将聚合的数据转发到基站1319-1578© 2016作者制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词无线传感器网络;容错;数据汇总;ANFIS;估计器基于ANFIS估计器的数据融合方案335站点通过单跳或多跳,这取决于网络拓扑。无线传感器网络广泛应用于搜索和救援行动、战场监视、环境监测、森林火灾监测、家庭自动化和天气监测等领域。通常,无线传感器网络被设计为在恶劣的环境中以最小的人为干预进行操作由于无线传感器网络资源的有限性,传感器节点必须依赖其有限的电池电量有许多因素可能导致无线传感器网络的失败无线传感器网络可能由于其某些组件的故障而失败,这些故障可能是硬件或软件故障、网络通信层或应用层中的故障在WSNs中的故障检测和恢复领域已经发表了许多研究论文(Javanmarti等人,2012; Jiang,2009; Chang等人,2013年; Xu等人,2014年)。但是这些机制中的大多数消耗大量额外的能量用于故障检测和恢复,甚至一些需要额外的硬件和软件资源。当集群具有大量故障NCH节点时,问题出现,这些故障NCH节点将其故障数据发送到CH并最终发送到基站。这使得整个网络在未来的数据传输中变得不可靠,在严重的情况下,网络可能会崩溃。本文提出了一种基于ANFIS估计器的数据聚集方法,称为神经模糊优化模型(NFOM),用于无线传感器网络中的容错数据聚集。该方案采用了自适应神经模糊推理系统(ANFIS)的估计簇内和簇间故障检测不同的故障情况。ANFIS估计器从传感器节点参数中获取一些模糊输入,并通过应用模糊规则生成模糊输出然后将生成的模糊输出馈送到解模糊器,解模糊器返回关于传感器节点状态的清晰输出。CH充当集群内故障检测和数据聚合管理器。它确定故障的NCH节点在一个集群中的应用所提出的ANFIS估计。然后,CH仅从该集群中的正常NCH聚集数据,网关节点充当集群间故障检测和数据聚合管理器。他们确定的应用程序提出的ANFIS估计错误的CH。然后隔离故障这种主动的方法可以防止网络由于错误的集群而划分为不相交的段然后,故障CH被其最近的一跳邻居与最大剩余能量所取代本文还比较了所提出的NFOM方案与分布式故障检测(DFD)Jiang,2009,Low Energy Distributed FaultDetection ( LEDFD ) Xu 等 人 , 2014 年 , 多 数 投 票(MV)Javanmarti等人,2012和基于模糊知识的容错(FTFK)Chang等人, 2013年通过仿真相对于不同的性能指标和仿真结果进行了讨论。相关工作在第2节中介绍。在第3节中,提出了网格簇WSN模型和所提出的故障模型作为系统模型。ANFIS估计器和所提出的基于ANFIS估计器的数据聚合方案NFOM、NFOM机制和算法的概述在第4节中给出。模拟结果在第5节中给出并讨论。第6节预-最后提出结论与未来研究的展望。2. 相关工作本节概述了无线传感器网络中使用的不同分布式故障检测和恢复技术及其相对优缺点。在Manjeshwar和Agrawal(2009)中讨论了用于反应式网络的被称为阈值敏感的能量有效传感器网络协议(TEEN)的路由协议。该协议缺乏处理节点故障的机制,不适合实时应用。Hady等人讨论了无线传感器网络的智能睡眠机制(ISM)。(2013)其中基站根据由集群发送到基站的数据的重要性来决定在特定轮中将哪些集群设置为休眠模式在Jain等人(2008)中讨论的双归属路由(DHR)机制在主簇头(PCH)故障的情况下是有效的,但是在同时向PCH和备份簇头(BCH)节点发送两次数据时 消 耗 大 量 能 量 。 在 Qiu 等 人 ( 2013 ) 中 提 出 的Informer Homed Routing ( IHR ) 机 制 是 对 DHR 的 改进,其中非簇头(NCH)仅向主簇头(PCH)发送数据。Sharma等人讨论了一种用于无线传感器网络路由的基于学习的Q学习技术。(2012年)。Kaur和Saini(2013)提出的低能量自适应聚类层次(LEACH)给出了一种避免微传感器网络中的断电节点故障的机制这种机制只延长了网络的生存时间,但未能减少由于节点故障而导致的数据丢失。Younis和Fahmy ( 2004 ) 提 出 的 混 合 能 量 有 效 分 布 式 聚 类(HEED)聚类算法是对LEACH的改进,其中混合函数用于基于节点的剩余能量及其与其邻居的接近度或节 点 度 来 周 期 性 地 选 择 簇 头 在 Jeevanandam 等 人(2014)、Heinzelman等人(2015)、Heinzelman等人(2016)、Heinzelman等人(2017)和Heinzelman等人( 2017 ) 中 讨 论 了 不 同 的 能 量 高 效 容 错 机 制 。( 2002 ) , Attia et al. ( 2007 年 ) 。 Yu 和 Zhang(2007)讨论了一种针对随机节点故障提供连续传感器服务的方案,称为R-Sentry。该方案的缺点是周期性地增加了哨兵节点和主动节点之间的通信开销此外,发送节点不收集任何数据。Chiasserini和Garetto(2006)讨论了具有睡眠节点的无线传感器网络的分析模型。传感器节点可以进入对应于低功耗或降低的操作能力(如低电池寿命)的睡眠模式。Javanmarti et al.(2012)讨论了一种使用模糊逻辑和多数表决技术的无线传感器网络故障节点检测新方法。Jiang ( 2009 ) 讨 论 了 一 种 改 进 的 分 布 式 故 障 检 测(DFD)方案,用于检查网络中的故障节点。DFD方案通过在网络中的邻居节点之间交换数据和相互测试来工作。但当相邻节点数目较少且节点失效率较高时,DFD方案的故障检测精度会 在Chang等人(2013)中讨论了基于容错模糊知识的控制算法(FTFK),其检测传感器节点之间的故障通信并提供故障信息。336S. Acharya,C.R. 崔帕蒂××××××检测与隔离(FDI)是消除无线传感器网络中节点错误通信行为的一种有效方法.Ranga等人(2015)提出了一种基于模糊逻辑的大规模WSN中的联合簇内和簇间多跳数据分发方法,其中提出了一种基于多准则模糊逻辑的簇内和簇间多跳数据分发协议,以在节点之间进行平衡并选择更稳定的节点作为CH。Xu等人(2014)提出了一种无线传感器网络低能耗分布式故障检测(LEDFD)算法,该算法利用传感器节点的时间相关和空间相关特性,获得良好的故障检测性能并节省网络功耗。Koushanfar和Potterak(2005)讨论了MICA2传感器微粒中缺失和错误数据的基于马尔可夫链的模型。Liu等人(2013年)讨论了低能耗和高效WSNs的故障管理协议。Lazzerini等人讨论了一种模糊的数据聚合方法,以降低无线传感器网络的功耗。(2006年)。Volosencu和Curiac(2013)中的方法提供了一种技术解决方案,以提高分布式参数系统的基于多传感器无线网络的估计的效率。它实现了一个复杂的结构,基于估计算法与回归和自回归使用三种估计Acharya和Tripathy(2014)回顾了无线传感器和执行器网络的不同交互器连接恢复技术。Acharya和Tripathy(2015)讨论了一种用于设计可靠和容错的WSN的人工神经网络(ANN)方法,该方法提出使用指数双向关联记忆(e-BAM)来训练网络。Acharya和Tripathy(2016)讨论了一种基于模糊知识的传感器节点评估技术,用于在WSN中进行容错数据聚合,该技术使用模糊规则的组合来识别网络中的故障节点。3. 系统模型本节介绍了无线传感器网络模型和提出的故障模型。3.1. WSN网络模型一个典型的33网格集群无线传感器网络如图1所示。在一个33网格簇中,CH位于中心,8个NCH节点位于外围。这种布置使得CH易于监视NCH节点的状态。网格集群的这种3此外,CH与3 × 3网格集群中的所有NCH节点仅一跳。此功能大大节省了能源和通信开销。无线传感器网络模型由一个异构的无线传感器网络组成,其中节点具有不同的能量。在无线传感器网络模型中,无线传感器网络被假定为有成千上万的传感器节点与不同的能量被分组到一个3 - 3网格集群的数量。具有相对低能量的传感器节点形成NCH节点。在簇中,具有最高能量的NCH成为CH。CH旋转在不同的NCH之间按照TDMA调度,以便节省能量。假设基站是静止的。图图1显示了一个3 × 3的网格簇,CH位于中心,NCH位于外围。一个记录表被维护,它记录了数据聚合过程中所有本地决策的历史。簇头的选择概率等于CH的预期数量与网络中传感器节点总数的比率。3.2. 提出的故障模型在所提出的故障模型中,通过观察网络对不同类型故障的反应来评估在所提出的工作中,NCH和CH故障以不同的速率注入到网络中,以模拟不同的故障情况。提出的NFOM数据聚合方案进行了测试,五种情况下,不同的故障类型和不同的节点密度和不同的性能指标记录。然后将所提出方案的仿真结果假设融合中心或数据聚合器事先不知道传感器故障类型。根据传感器节点收集的数据类型,传感器故障分为以下几大类。(a) 固定故障:具有这种故障的传感器收集具有相同读数的数据。这些数据不受环境影响。它们有两种类型--固定在零的故障和固定在一的故障。在前一种情况下,故障传感器节点总是向融合中心发送一个固定的局部判决“0”,而与实际观测值无关;在后一种情况下,它总是向融合中心发送一个固定的局部判决“1”,(b) 随机故障:在这种情况下,一个故障传感器节点随机报告其本地决策的融合中心的真实观察。传感器节点的读数是随机和不确定的。(c) 瞬时故障:由于硬件特性或数据采集过程中环境的影响,可能会出现这些故障 他们可以很容易地纠正使用Javanmarti等人讨论的多数表决技术。(2012年)。(d) 混合故障:它是两种或两种以上故障类型的组合。4. 拟议的NFOM数据汇总方案本节概述ANFIS估计器和建议的NFOM数据聚合方案。描述了NFOM的机制和算法。4.1. ANFIS估计器所 提 出 的 NFOM 数 据 聚 合 方 案 使 用 ANFIS 估 计 器(Volosencu和Curiac,2013)。的基于ANFIS估计器的数据融合方案337ð Þ¼ ðÞ图1一个3× 3网格簇状无线传感器网络。图2 ANFIS估计器的估计和检测结构。估计和检测结构的ANFIS估计器中使用的建议的模型中所示的图。 二、ANFIS是由函数y t f u1;u 2;u 3;u 4定义的非线性估计器,其中u1、u 2、u3和u4是四个输入。它采用基于自适应网络的模糊推理系统和一组模糊规则来产生模糊输出。它使用最小二乘和反向传播梯度下降法的组合来训练隶属函数参数并对给定的输入或输出数据集进行建模。第一层是输入层,其中应用四个输入。第二层表示输入隶属函数,称为模糊化层。神经元表示模糊集,用于确定输入的隶属度。激活函数由隶属函数表示。第三层表示模糊规则库。这里,每个神经元对应于模糊规则集中的单个规则。第四层表示由激活函数给出的输出隶属函数第五层表示具有单个输出的去模糊化层。用于该模型的去模糊化方法是质心法。4.2. 拟议的NFOM数据汇总方案的说明本节概述所提出的NFOM数据聚合方案。该模型中的ANFIS估计器监控集群中每个NCH节点的状态表1模糊规则示例。模糊输入模糊输出RNEPDRFR也不NSVLPPPFLPPPFHGGGNM一一一NHVPVPVPFMPVPVPFVLVPVPVPFLVPVPVPFVLPVPVPFVLVPPPFMVPVPVPF338S. Acharya,C.R. 崔帕蒂输入:网络配置、模拟轮数“R”、集群阈值CT、网格大小gd_size、集群总数“n”。输出:容错数据聚合NFOM方案。for//每轮步骤1:初始化网络参数。将节点0初始化为BS,并将级别“t”处的节点gt初始化对于簇k=1,2,...,n,设置count[ck步骤2:应用ANFIS估计器来估计集群中所有节点的节点状态。cluster ck(k =群集C中的节点n[i,j],k/i和j表示网格中的行和列位置。应用ANFIS估计器使用模糊规则估计节点状态NS(n[i,j])步骤3:为群集中的所有节点设置群集故障矩阵(CFM)条目和转发标志(fwd_flag)值对于群集ck(k =如果(NS(n[i,j])==然后CFM(n[i,j])= 1;//故障节点并且fwd_flag(n[i,j])=if(n[i,j])==然后CFM(n[i,j])= 0;//正常节点并且fwd_flag(n[i,j])=为 cluster ck(k =群集ck中的节点n[i,j]如果(CFM(n[i,j])== 1)则count[ck]= count[ck]+1;步骤5:计算每个集群的集群故障指数(CFI),并将其转发到集群ck(k = 1,2,...,n)的网关CFI [ck] =(count[ck] * 100)/gd_size;步骤6:通过网关节点为集群ck(k =1,2,.,n)识别网络中的故障集群if(CFI [ck] CT)//正常聚类thencfwd_flag[ck]=else if(CFI [ck] CT)//故障群集thencfwd_flag[ck]=图3提出的NFOM伪代码。基于ANFIS估计器的数据融合方案339×并通过应用模糊规则将节点状态分配给每个节点。节点状态值可以是0(正常)或1(-故障)。3 × 3网格集群的节点状态存储在集群故障矩阵(CFM)中.为每个群集生成CFM并计算群集故障指数(CFI)。如果CFI值大于或等于群集阈值(CT),则群集被标识为故障群集并被隔离。不允许故障群集参与数据聚合过程。模糊规则是使用四个模糊输入的组合来生成的,这四个模糊输入用于簇间和簇内标准-RNE被给出为每个模拟回合之后剩余的能量PDR被给出为成功发送到CH的数据分组的数目与数据分组的总数的比率。FR被给出为找到NCH的模拟回合数的比率在模拟回合总数中出错。NOR由数据再次传输(重新传输)的次数给出。RNE值从极低(VL)、低(L)和中(M)到高(H)不等,并具有梯形隶属函数。例如,如果NCH节点的残余能量是0.05J,则其可以被分配非常低(VL)水平。梯形MF由四个参数指定。PDR、FR和NOR值从良好(G)、平均(A)和差(P)到非常差(VP)变化,并且具有分配给它们的梯形隶属函数。这些值由CH在每轮模拟结束时更新,存储在记录表中。模糊输出是节点状态(NS),其可以根据模糊规则取值模糊输出NS定期更新到簇内CH和簇间数据聚合过程中的网关节点。NCH的工作是感知环境,收集数据并将其转发给各自的CH。CH作为集群内故障检测和数据聚合管理器。它执行三个重要的功能-聚集的数据然后由CH转发到称为网关节点的高能量节点。网关节点充当集群间故障检测和数据聚合管理器。他们执行三个重要的功能-网关节点具有比CH节点更高的能量。因此,它们被赋予额外的责任,即用具有最高剩余能量的最近的一跳NCH节点替换集群中的故障CH。CH中的这种改变被传送到集群中的所有NCH和基站,并且路由表相应地被更新。最后,将聚合的数据从网关节点转发到基站。4.3. 所提出的NFOM机制和算法本节讨论所提出的NFOM机制并介绍NFOM算法。表2模拟配置参数。参数网络规模基站位置传感器节点数集群数网关节点数仿真时间无线电范围发射能量接收能量数据包大小数据包聚合率值(100,100)m450505500 S150米0.66瓦0.395W 2 KB10%1200米×1200米表3平均FND和海航指标。算法FND海航DFD200530LEDFD275600MV300610FTFK310640建议的NFOM330670图4能量成本与传感器故障概率的比较。图5网络寿命与传感器故障概率的比较。340S. Acharya,C.R. 崔帕蒂×图6损失概率与传感器故障概率的比较。4.3.1. NFOM机理拟议的NFOM机制概述如下。(a) 在每个仿真回合开始时,CH采用ANFIS估计器来估计每个NCH节点的状态。(b) 根据不同的簇内标准的模糊规则,NCH被分配为正常(NS= 0)或故障(NS= 1)的节点状态(c) 仅允许正常NCH节点将其数据转发到其相应CH。隔离故障NCH。(d) 为每个集群生成3 × 3集群故障矩阵(CFM),集群故障指数(CFI)计算为CFI=(集群中故障节点的数量/集群中节点的总数)* 100。图7平均节点密度=7时图8平均节点密度=10时基于ANFIS估计器的数据融合方案3412435ð Þ¼图9平均节点密度=20图10平均节点密度=7时CFI值从CH转发到网关节点,以帮助评估集群是正常还是故障。(e) 如果CFI索引小于任何集群的集群阈值(CT),则该集群被视为正常,并且它参与网关节点针对该特定回合的数据聚合过程。(f) 如果任何聚类的CFI指数大于或等于CT值,则考虑该聚类作为故障,并且它不参与网关节点对该特定轮的数据聚集过程。(g) 网关节点然后通过单跳或多跳将聚合数据一个3× 3网格簇的CFM示例由0 1 1给出。000其中每个条目对应于节点状态1 0 0网格集群中的NCH节点这里,“0”表示正常NCH节点,而“1”表示故障NCH节点。表1中给出了模糊规则的示例。它给出了对应于四个模糊输入(RNE,PDR,FR和NOR)的模糊模糊规则为举例来说,的模糊规则f VL;P;P;P F表示如果RNE值很低,PDR、FR和NOR都很差,则节点状态有故障。以类似的方式,模糊输入的不同组合由ANFIS估计器评估以给出模糊输出。在最后一步中,ANFIS估计器将342S. Acharya,C.R. 崔帕蒂图11平均节点密度=10时图12平均节点密度=20时通过解模糊化过程将模糊输出转换为清晰值。在所提出的NFOM数据聚合方案中,使用质心方法进行解模糊。因此,这种机制不仅节省能量,而且防止错误数据到达基站。为了为了确保通过WSN的覆盖和连通性,需要定期用好的簇替换故障簇4.3.2. 提出的NFOM算法图3给出了所提出的NFOM算法的伪代码。所提出的NFOM伪代码将具有仿真轮数“R”、集群阈值CT、网格大小gd_size和集群总数“n”的网络配置作为输入,每一轮模拟。所提出的算法在各自的簇头(CH)运行。该算法的步骤1将节点0作为基站BS,并且将处于层“t”的节点g t作为网关节点。它还将集群中正常节点的数量(count[ck])的计数器值设置为0,用于从1到n的所有集群。步骤2应用所提出的ANFIS估计器,使用网络中每个节点和每个簇的模糊规则来估计节点状态NS。步骤3检查节点状态NS值,并相应地为网络中的每个集群分配集群故障矩阵(CFM)条目和转发标志(fwd_flag)值。CFM值存储在CFM值用于计算如伪代码中所述的集群的集群故障指数(CFI)值。如果ANFIS估计器估计集群中节点的节点状态为故障(“F”),则基于ANFIS估计器的数据融合方案343图13平均节点密度=7时随机故障的FDA和FAR值比较图14平均节点密度=10时随机故障的FDA和FAR值比较相应的CFM条目被设置为另一方面,如果节点状态被ANFIS估计器估计为正常因此,该步骤防止错误数据被发送到CH。步骤4通过检查每个节点的CFM条目来计算集群中故障节点的数量。对于网络中每个群集的故障节点(CFM条目为“1”),此计数增加1步骤5使用伪代码中给出的公式计算每个群集的群集故障指数(CFI)值。CFI值然后由相应的CH到其相应的网关节点,以帮助评估集群是正常还是故障。步骤6最后通过将故障簇的CFI值与在模拟开始时设置的预定义簇阈值CT值进行比较来识别网络中的故障簇如果对于集群,其CFI值小于预定义的CT值,则该集群被标记为正常集群,并且集群转发标志(cfwd_flag)被设置为“Y”,以便通过CH将集群数据转发到网关节点用于向前传输。但是,如果对于任何簇,CFI值大于或等于CT值,则该簇被识别为故障簇,并且cfwd_flag被设置为“N”,以便防止故障簇数据向前传输。因此,所提出的NFOM数据聚合方案主动地在集群内和集群间级别将错误数据344S. Acharya,C.R. 崔帕蒂图15平均节点密度=20时随机故障的FDA和FAR值比较图16平均节点密度为7和105. 模拟结果和讨论本节介绍了仿真模型、WSN网络的ANFIS建模、性能指标,并将所提出的NFOM的性能与DFD(Jiang,2009)、LEDFD(Xu et al.,2014)、MV(Javanmarti等人,2012)和FTFK(Chang等人,2013)算法通过模拟五种不同的情况。使用MATLAB 7.8.0进行仿真。5.1. 仿真模型为了比较不同节点密度的不同故障检测算法的性能,考虑以下五种情况案例一:仅固定故障在变化的平均节点密度情况2:仅偏移故障在变化的平均节点密度情况3:仅随机故障在变化的平均节点密度情况4:仅在不同平均节点密度下的瞬时故障情况5:不同平均节点密度下的混合故障模拟设置的配置细节如表2所示。它为不同的仿真参数指定值,无线传感器网络进行了测试,450个传感器节点被组织成50个集群。50个集群的状态由5个网关节点监控,使得每个网关节点被分配10个集群。这些模拟细节如表2所示。基于ANFIS估计器的数据融合方案345分组聚合比(PAR)被定义为分组在其中被聚合的节点的数量与分组通过其被传输到基站的节点的总数的比率。在模拟中,PAR值被限制为10%在模拟中假设基站是静止的,并且其位置固定在(100,100)m处。5.2. 无线传感器网络的ANFIS建模ANFIS模型是利用MATLAB模糊逻辑编程开发的,它是一个Sugeno型ANFIS模型。对于网络操作,70%的数据集被随机分配为训练集。剩下的30%用于测试ANFIS估计器的性能。无线传感器网络的输出参数取决于四个输入参数,即剩余节点能量(RNE)、分组传递率(PDR)、故障率(FR)和图17平均节点密度=20时瞬时故障的FAR值比较重 传 ( NOR ) 。 唯 一 的 输 出 参 数 是 节 点 状 态(NS)。提出的NFOM算法使用适当的训练数据集进行训练,以便可以基于输入输出数据估计输出采用最小二乘法和反向传播梯度下降法相结合的混合算法对数据进行训练,以辨识Sugeno型模糊推理系统的参数用于测量网络性能的标准是网络寿命、能量成本、丢失概率、故障检测准确度(FDA)和虚警率(FAR),如第5.3节中详细概述的。5.3. 性能度量将 所 提 出 的 NFOM 数 据 聚 合 方 案 的 性 能 与 DFD(Jiang,2009)、LEDFD(Xu等人,2014)、MV(Javanmarti等人,2012)和FTFK(Chang等人,2013年)通过模拟关于以下指标。(a) 第 一 个 节 点 死 亡 ( FND ) 和 一 半 节 点 存 活(HNA ): FND和 HNA 指标用 于估计网 络寿命。FND给出了第一个节点死亡的模拟回合。它是用来估计网络的生命周期稀疏部署的无线传感器网络。HNA给出了一轮模拟,在这轮模拟中,网络中有一半的节点消失。(b) 网络生存时间(分钟):网络中的簇头发生故障,直到网络完全被分割的时间(c) 能量成本(焦耳):它是不同算法消耗的能量(d) 丢失概率:它由丢弃的数据分组的数量(d)与在基站处接收的数据分组的数量(r)和直到仿真结束时丢弃的数据分组的数量的总和的比率给出损失概率=d/(r+d)。图18平均节点密度=7346S. Acharya,C.R. 崔帕蒂(e) 故障检测精度(FDA):它是由正确识别的故障节点的数量与实际故障节点的总数之比给出的。令“A”表示实际故障节点的集合,并且“F”表示由故障检测算法检测到的故障节点的集合。然后,FDA由下式给出:FDA<$jF\Aj jAj(f) 虚警率(FAR):它由被误认为故障节点的正常节点的数量与正常节点总数的比率给出。 设' F '表示由故障检测算法检测到的故障节点的集合,' A'表示实际故障节点的集合,' N '表示网络中节点的总数。然后,FAR由下式给出:FAR¼ jF-AjN- jAj5.4. 结果和讨论本节介绍了不同性能指标的模拟结果,以供比较。比较了DFD、LEDFD、MV、FTFK和NFOM四种算法的性能5.4.1. FND与HNA表3给出了每个模拟算法- DFD、LEDFD、MV、FTFK和NFOM(建议)的平均FND和HNA的模拟轮次模拟是在图19平均节点密度=10图20平均节点密度=20基于ANFIS估计器的数据融合方案347一个固定在零、一个偏移和一个随机故障的组合。从 表 3 可 以 看 出 , FND 和 HNA 值 对 于 所 提 出 的NFOM算法是最高的,而对于DFD算法是最低的。MV和FTFK算法的性能接近NFOM的性能,LEDFD的性能优于DFD。表3证实了所提出的NFOM方案大大提高了WSN的网络寿命。5.4.2. 能量成本与传感器故障概率图图4描绘了针对每个模拟算法的变化的传感器故障概率的能量成本,以焦耳为单位。模拟是在一个固定在零,一个偏移量和一个随机故障的组合上进行的。它清楚地表明,能量成本是最大的DFD算法和最小的建议NFOM算法。对于MV算法,能量成本的变化在很大程度上是均匀的。FTFK算法的能量成本与所提出的NFOM算法匹配,直到0.25传感器故障概率,并随着传感器故障概率的逐渐增加,它变得略高于所提出的NFOM。在所提出的NFOM算法的情况下的能量节省归因于其使用的智能ANFIS估计器和更长的网络寿命。5.4.3. 网络寿命与传感器故障概率图图5示出了针对每个模拟算法的不同传感器故障概率的网络寿命(以分钟为单位)。模拟是在一个固定在零,一个偏移量和一个随机故障的组合上进行的。它清楚地表明,网络寿命是最大的建议NFOM算法和最小的DFD算法。对于其余三种算法- LEDFD、MV和FTFK,随着传感器故障概率的变化,网络生存期的变化NFOM算法的最大网络寿命归因于其容易识别故障节点的应用ANFIS估计器,隔离故障节点和转发数据,只有正常节点。5.4.4. 损失概率与传感器故障概率图图6示出了每个模拟算法的不同传感器故障概率的损失概率。模拟是在一个固定在零,一个偏移量和一个随机故障的组合上进行的。它清楚地表明,所提出的NFOM算法的丢失概率是最低的,而DFD算法的丢失概率是最高的。损失概率随传感器故障概率的变化对于LEDFD和MV算法是相似的,FTFK算法的性能介于这两个所提出的NFOM算法的最低丢失概率是由于其通过智能ANFIS估计器的应用而早期识别故障节点,隔离故障节点并仅从正常节点转发数据。5.4.5. FDA和FAR的比较(病例1)图图7 -9比较了情况1的FDA和FAR值,即,对于每个模拟算法,固定故障具有不同的平均节点密度。它清楚地表明,在所有三个对于情况1的图,对于所提出的NFOM算法,FDA值最高,还观察到DFD算法的性能随着平均节点密度的增加而增加其他三种算法的性能介于这两个极端之间所提出的NFOM算法的最佳性能是由于其早期检测到的故障节点的智能ANFIS估计器的应用程序和隔离的故障节点的数据聚合过程。5.4.6. FDA和FAR的比较(病例2)图图10 -12比较了情况2的FDA和FAR值,即,对于每个模拟算法,偏移故障具有不同的平均节点密度。它清楚地表明,在案例2的所有三个图中,FDA值最高,而FAR值最低。还观察到DFD算法的性能随着平均节点密度的增加而增加。其他三种算法的性能介于这两个极端之间。所提出的NFOM算法的最佳性能是由于其早期检测到的故障节点的智能ANFIS估计器的应用程序和隔离的故障节点的数据聚合过程。5.4.7. FDA和FAR的比较(病例3)图图13-15比较了情况3的FDA和FAR值,即对于每个模拟算法,具有不同平均节点密度的随机故障。它清楚地表明,在情况3的所有三个图中,对于所提出的NFOM算 法 , FDA 值 最 高 , FAR 值 最 低 还 观 察 到 DFD 和LEDFD算法的性能随着平均节点密度的增加而恶化另外两种算法MV和FTFK的性能所提出的NFOM算法的最佳性能是由于其通过智能ANFIS估计器的应用及早检测到故障节点,并将故障节点与数据聚合过程隔离。5.4.8. FAR的比较(案例4)图图16和图17比较了情况4的FAR值,即对于每个模拟算法,具有不同平均节点密度的瞬时故障。FDA值尚未给出,因为瞬时故障很容易通过应用MV技术进行校正(Javanmarti等人, 2012)通过与相邻传感器节点的读数进行比较。 它清楚地表明,在这两个图。如图16和17所示,MV算法的FAR值最高,紧随其后的是DFD算法,而所提出的NFOM算法的FAR值最低。还观察到,其他两种算法- LEDFD和FTFK的性能所提出的NFOM算法的最佳性能是由于其早期检测到的故障节点的智能ANFIS估计器的应用,隔离故障节点和选择性转发的数据从只有正常的节点到基站。5.4.9. FDA和FAR的比较(病例5)图图18-20比较了情况5的FDA和FAR值,即,对于每个情况,对于不同的平均节点密度,混合故障348S. Acharya,C.R. 崔帕蒂的模拟算法。情况5是一个固定在零的故障和一个随机故障的组合。它清楚地表明,在情况5的所有三个图中,对于所提出的NFOM算法,FDA值最高,FAR值最低还观察到DFD和LEDFD算法的性能随着平均节点密度的增加而恶化。另外两种算法MV和FTFK的性能所提出的NFOM算法的最佳性能是由于其早期检测到的故障节点的智能ANFIS估计器的应用,隔离故障节点和选择性转发的数据从只有正常的节点到基站。6. 结论和今后的工作本文提出了一种基于ANFIS估计器的数据聚合方案,称 为 神经 模 糊 优化 模 型 (NFOM ) 。 该方 案 使 用ANFIS估计器来识别簇中的故障传感器节点和网络中的故障簇,并将它们与数据聚集过程隔离。该论文进一步研究了不同故障情况的组合,并且还比较了所提出的NFOM算法与分布式故障检测(DFD)的相对性能 。 Jiang , 2009 , Low Energy Distributed FaultDetection ( LEDFD ) Xu 等 人 , 2014 年 , Major- ityVoting(MV)Javanmarti等人, 2012和基于模糊知识的容错(FTFK)Chang等人,2013算法通过仿真相对于不同的性能metrics。所提出的NFOM数据聚合方案被观察到是最好的能源成本,网络寿命,丢失概率,故障检测精度和误报率相比,其他现有的算法。针对基站的不同可能位置,计算所提出的NFOM算法是一个有趣的课题,可以作为未来的研究工作。此外,这项工作可能会进一步扩展,在未来设计安全的数据聚合方案,使用密码技术的容错无线传感器网络的设计。引用阿查里亚河,特里帕蒂,C.R.,2014.无线传感器行动者网络中的行动者间连通性恢复:综述。载于:基督教团结国际第48届年会,第1卷。智能系统与计算进展,第248卷。Springer International Publishing Switzerland,pp. 351-360阿查里亚河,特里帕蒂,C.R.,2015.一种用于容错无线传感器网络的人工神经网络方法。载于:基督教团结国际第49届年会,第2卷。Advances in Intelligent Systems and Computing,vol. 338,Springer International Publishing Switzerland,pp. 475-483阿查里亚河,特里帕蒂,C.R.,2016.无线传感器网络中基于模糊 知 识 的 传 感 器 节 点 评 估 技 术 。 In : ComputationalIntelligence in Data Mining , vol. 2. Advances in IntelligentSystems and Computing,vol. 411,Springer India,pp. 59比69Attia,S.B.,Cunha,A.,Koubaa,A.,阿尔维斯,M.,2007年Zigbee无线传感器网络的容错机制,技术。代表,IPP-HURRAY研究小组,波尔图理工学院。张,S.,Chung,P.,黄,T.,2013.无线传感器网络中一种基于容错模糊知识的控制算法。J. 《融合信息技术》(联合信息技术委员会)8(2)。基亚塞里尼角F.、Garetto,M.,2006.具有休眠节点的无线传感器网络解析模型。IEEE传输移动Comput. 5(12),1706-1718。哈迪,匿名戒酒会,El-kader,S.M.A.,Eissa,H.S.,2013.无线传感器网络的智能休眠机制。埃及Inf. J. 14(2),109- 115.Heinzelman, W.R. , Chandrakasan , A.P. , Balakrishnan , H. ,2002.无线微感测器网路之应用特定协定架构。IEEE Trans.Wireless Commun. 1(4),660-670.Jain,N.,Vokkarane,V.M.,王,J.P.,
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功