MRNN:一种新的基于改进型递归神经网络的WSN动态建模方法：应用于故障检测

J4 ›› 2015, Vol. 37 ›› Issue (4): 711-718.

MRNN:一种新的基于改进型递归神经网络的WSN动态建模方法：应用于故障检测

黄旭

（1.山东英才学院计算机电子信息工程学院，山东济南 250104;2.山东大学控制科学与工程学院，山东济南 250061）

收稿日期:2013-10-12 修回日期:2014-04-11 出版日期:2015-04-25 发布日期:2015-04-25
基金资助:
山东省高等学校科技计划项目(J13LN55);济南市高校院所自主创新科技计划项目(201303017);山东英才学院校级科研课题(12YCYBZR01)

MRNN: A novel wireless sensor network
dynamic modeling method for fault detection
using modified recurrent neural network

HUANG Xu

(1.School of Computer,Electronic and Information Engineering,Shandong Yingcai University,Jinan 250104;
2.School of Control Science and Engineering,Shandong University,Jinan 250061,China)

Received:2013-10-12 Revised:2014-04-11 Online:2015-04-25 Published:2015-04-25

摘要/Abstract

摘要：

提出了一种适用于无线传感器网络WSN的故障检测方法，该方法运用改进的递归神经网络MRNN为WSN的节点、节点的动态特性以及节点间的关系建立相关模型，对WSN节点进行识别和故障检测。MRNN的输入选择建模节点的先前输出值及其邻居节点的当前及先前输出值，模型基于一种新的改进的反向传播型神经网络，该神经网络的输入以及传感器网络的拓扑结构基于通用的非线性传感器模型。仿真实验将MRNN方法与卡尔曼滤波法进行了全面的比较。实验表明，MRNN在置信因子较小的情况下与卡尔曼滤波方法相比有较高的故障检测精度。

关键词: 故障检测, 建模, 递归神经网络, 无线传感器网络

Abstract:

We present a novel sensor node fault detection method for wireless sensor network (WSN). Modified Recurrent Neural Network (MRNN) is used to model sensor nodes, the nodes’ dynamics, and the interconnections with other sensor network nodes. An MRNN modeling approach is used for sensor node identification and fault detection in WSN. The input to the MRNN chooses those that include previous output samples of the modeling sensor nodes, and the current and previous output samples of the neighboring sensors. The model is based on a new structure of a backpropagation type neural network. The input to the MRNN and the topology of the network are based on a general nonlinear sensor model. Simulation results demonstrate the effectiveness of the proposed scheme and the MRNN method has higher failure detection accuracy in the case with smaller confidence factors compared with the Kalman filter method.

Key words: fault detection;modeling;recurrent neural networks;wireless sensor network

黄旭. MRNN:一种新的基于改进型递归神经网络的WSN动态建模方法：应用于故障检测[J]. J4, 2015, 37(4): 711-718.

HUANG Xu. MRNN: A novel wireless sensor network
dynamic modeling method for fault detection
using modified recurrent neural network [J]. J4, 2015, 37(4): 711-718.

[1]	黄金河1, 2, 梁家荣1, 2, 黎昌珍3. 无线传感器网络优质虚拟骨干的构建算法[J]. 计算机工程与科学, 2025, 47(7): 1181-1192.
[2]	苏宇杭, 马俊, 樊津瑜, 陈博行, 周家城, 尹博然. 基于GATv2-TCN联合优化的WSN数据流异常检测算法[J]. 计算机工程与科学, 2025, 47(5): 843-850.
[3]	曾涛, 王晶晶, 张涵, 刘一丁. 一种针对对话文本属性级情感信息抽取的词对关系建模方法[J]. 计算机工程与科学, 2024, 46(12): 2239-2251.
[4]	乔珍, 尹传忠, 仇鑫. 基于改进蚁群算法的长航程无人船路径规划[J]. 计算机工程与科学, 2024, 46(10): 1835-1842.
[5]	罗仕杭, 何庆. 多策略融合改进的均衡优化算法及其应用[J]. 计算机工程与科学, 2023, 45(8): 1508-1520.
[6]	刘阳, 粟航, 何倩, 申普, 刘鹏. 基于云-边协同变分自编码神经网络的设备故障检测方法[J]. 计算机工程与科学, 2023, 45(7): 1188-1196.
[7]	姚袭欣, 章博, 陈香兰, 乔磊, 李曦. 一种基于Event-B语言的时间触发系统建模方法[J]. 计算机工程与科学, 2023, 45(4): 613-621.
[8]	邓泽勇, 曹东, 邵海龙. ARINC659总线多余度飞控计算机故障检测策略研究[J]. 计算机工程与科学, 2022, 44(8): 1349-1356.
[9]	赵玉华, 贾向东, 胡海霞, 敬乐天. 无人机辅助的无线传感网络AoI最小化方案研究[J]. 计算机工程与科学, 2022, 44(7): 1216-1222.
[10]	张孟健, 汪敏, 王霄, 覃涛, 杨靖, . 混合粒子群-蝴蝶算法的WSN节点部署研究[J]. 计算机工程与科学, 2022, 44(6): 1013-1022.
[11]	高航, 吴嘉鑫, 陈龙, 武继刚. QoS保障下的无人机传感网安全通信路径规划[J]. 计算机工程与科学, 2022, 44(6): 1037-1045.
[12]	刘雨青, 向军, 曹守启. 基于改进蚁群算法的水下自主航行机器人路径规划[J]. 计算机工程与科学, 2022, 44(3): 536-544.
[13]	张志远, 陈海进. 基于动态矩阵的未知环境地图构建与路径规划[J]. 计算机工程与科学, 2022, 44(3): 563-570.
[14]	苟平章, 原晨, 张芬. 基于软件定义的WSNs非均匀分簇QoS路由算法[J]. 计算机工程与科学, 2022, 44(2): 227-236.
[15]	孙智超, 张策, 江文倩, 刘凯卫, 范苗苗, 李文毓, 温雅菲. 故障检测率对软件可靠性影响实证分析[J]. 计算机工程与科学, 2022, 44(12): 2162-2173.