袁旭華， 惠小靜

(延安大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，陜西延安 716000)

隨著農(nóng)業(yè)科學(xué)技術(shù)的發(fā)展，智能節(jié)水灌溉、溫室監(jiān)控、精細(xì)農(nóng)業(yè)和牲畜精細(xì)管理等的應(yīng)用越來(lái)越廣泛。無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks，簡(jiǎn)稱WSNs)通過(guò)對(duì)監(jiān)測(cè)區(qū)域部署各種類型的傳感器節(jié)點(diǎn)，以近距離多跳自組織的形式傳輸數(shù)據(jù)，傳感器節(jié)點(diǎn)感知采集數(shù)據(jù)，并最終將處理后的數(shù)據(jù)反饋給決策者和傳送給所需的用戶[1]。近年來(lái)，農(nóng)業(yè)WSNs的研究主要針對(duì)傳感節(jié)點(diǎn)硬件設(shè)計(jì)、路由協(xié)議、數(shù)據(jù)傳輸、數(shù)據(jù)處理和能量有效等方面，并取得了大量的成果[2]。在精細(xì)農(nóng)業(yè)應(yīng)用領(lǐng)域中，由于須要監(jiān)測(cè)的區(qū)域一般都較大，且節(jié)點(diǎn)所處外界環(huán)境惡劣、復(fù)雜，常常容易出現(xiàn)各種各樣的故障；節(jié)點(diǎn)出現(xiàn)故障，容易出現(xiàn)節(jié)點(diǎn)失效，造成采集的數(shù)據(jù)不可靠或數(shù)據(jù)失真，致使網(wǎng)絡(luò)出現(xiàn)崩潰等問(wèn)題[3]。WSNs節(jié)點(diǎn)發(fā)生硬件故障的概率比其他問(wèn)題高很多，也較嚴(yán)重，因此有必要對(duì)WSNs節(jié)點(diǎn)故障診斷方法展開(kāi)深入研究[4]。

通過(guò)對(duì)傳感節(jié)點(diǎn)進(jìn)行故障診斷，可以及時(shí)準(zhǔn)確地對(duì)傳感節(jié)點(diǎn)出現(xiàn)的各種異常狀況、故障狀態(tài)進(jìn)行預(yù)防診斷，給出預(yù)測(cè)措施；對(duì)傳感網(wǎng)絡(luò)的可靠穩(wěn)定運(yùn)行進(jìn)行指導(dǎo)，以保證網(wǎng)絡(luò)的穩(wěn)定性、可靠性和可用性，把節(jié)點(diǎn)硬件出現(xiàn)的故障損失降低到最低，從而有效地發(fā)揮傳感節(jié)點(diǎn)的最大作用。傳感節(jié)點(diǎn)硬件故障是農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)各種故障的基礎(chǔ)和先決條件，也是農(nóng)業(yè)WSNs故障診斷中亟須解決的問(wèn)題，因此對(duì)其進(jìn)行研究具有重要的意義。

1　節(jié)點(diǎn)硬件故障分類與相關(guān)工作

一般而言，傳感器節(jié)點(diǎn)由電源模塊、中央處理器(central processing unit，簡(jiǎn)稱CPU)控制模塊、傳感模塊、存儲(chǔ)模塊和通信模塊組成，傳感器網(wǎng)絡(luò)主要由終端節(jié)點(diǎn)、路由節(jié)點(diǎn)和匯聚節(jié)點(diǎn)組成。其中終端節(jié)點(diǎn)完成感知數(shù)據(jù)采集，路由節(jié)點(diǎn)負(fù)責(zé)節(jié)點(diǎn)數(shù)據(jù)傳輸，匯聚節(jié)點(diǎn)(Sink)負(fù)責(zé)數(shù)據(jù)收集并上傳到處理中心。終端節(jié)點(diǎn)在整個(gè)數(shù)據(jù)采集過(guò)程中尤為重要，主要由電源模塊、CPU控制模塊、無(wú)線通信模塊、傳感感知模塊和存儲(chǔ)模塊等5個(gè)模塊組成。無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障分類如圖1所示。

目前，許多專家學(xué)者已開(kāi)始對(duì)傳感節(jié)點(diǎn)進(jìn)行故障診斷研究，并取得了一些成果。雷霖等針對(duì)無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障診斷問(wèn)題，提出基于粗糙集理論的故障診斷方法，有效地對(duì)傳感節(jié)點(diǎn)的各個(gè)模塊進(jìn)行具體診斷和定位，且診斷準(zhǔn)確率較高[5]。馮志剛等針對(duì)傳感器的故障診斷問(wèn)題展開(kāi)研究，提出一種基于小波包和支持向量機(jī)的故障診斷方法，能有效地應(yīng)用于傳感器的感知診斷[6]。Jiang提出一種改進(jìn)的分布式故障診斷(distributed fault detection，簡(jiǎn)稱DFD)節(jié)點(diǎn)故障診斷方法，大幅提高了節(jié)點(diǎn)故障診斷的精度[7]。莊夏等提出一種基于人工免疫和模糊K均值的傳感器節(jié)點(diǎn)故障診斷方法，將求解故障診斷問(wèn)題轉(zhuǎn)化為求取目標(biāo)函數(shù)最優(yōu)解問(wèn)題，引入智能優(yōu)化算法，準(zhǔn)確地實(shí)現(xiàn)節(jié)點(diǎn)故障診斷[8]。以上方法部分提高了節(jié)點(diǎn)硬件故障的診斷精度，但其算法較為復(fù)雜、收斂速度較差，且以犧牲網(wǎng)絡(luò)能量的方式來(lái)提高故障診斷精度。本研究利用極限學(xué)習(xí)機(jī)學(xué)習(xí)時(shí)間短、參數(shù)設(shè)置少、泛化能力好等特點(diǎn)，將采集的節(jié)點(diǎn)硬件故障樣本數(shù)據(jù)引入訓(xùn)練好的極限學(xué)習(xí)機(jī)中，以期實(shí)現(xiàn)節(jié)點(diǎn)硬件故障的識(shí)別。

2　極限學(xué)習(xí)機(jī)原理

2006年，Huang等提出一種新的極限學(xué)習(xí)機(jī)(extreme learning machine，簡(jiǎn)稱ELM)算法[9]。ELM網(wǎng)絡(luò)模型主要由輸入層m、隱含層M、輸出層n等3個(gè)網(wǎng)絡(luò)層以及ELM網(wǎng)絡(luò)輸入權(quán)值ω和輸出權(quán)值β組成。g(x)是ELM的隱含層神經(jīng)元激活函數(shù)，參數(shù)bi是ELM的閾值。圖2為極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)模型[10]。

假定有N個(gè)不同樣本(xi，ti)，1≤i≤N，其中ELM的輸入層節(jié)點(diǎn)個(gè)數(shù)xi=[xi1，xi2，…，xim]T∈Rm，ELM的輸出層節(jié)點(diǎn)個(gè)數(shù)ti=[ti1，ti2，…，tin]T∈Rn。其中參數(shù)m、n分別為網(wǎng)絡(luò)輸入層、輸出層的節(jié)點(diǎn)個(gè)數(shù)，極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)模型可以用數(shù)學(xué)表達(dá)式表示為

(1)

式中：ωi=[ωi1，ωi2，…，ωim]T，表示ELM的輸入權(quán)值向量；βi=[βi1，βi2，…，βin]T，表示ELM的輸出權(quán)值向量；Oj=[Oj1，Oj2，…，Ojn]T，表示ELM的網(wǎng)絡(luò)輸出值[11]。

極限學(xué)習(xí)機(jī)的代價(jià)函數(shù)E表示為

(2)

式中：S=(ωi，bi)，i=1，2，…，M，ωi和bi分別為網(wǎng)絡(luò)輸入權(quán)值、隱層節(jié)點(diǎn)閾值；β表示輸出權(quán)值矩陣；tj表示輸出層節(jié)點(diǎn)個(gè)數(shù)。根據(jù)Huang等指出的極限學(xué)習(xí)機(jī)方法[9]，對(duì)ELM算法訓(xùn)練的最終目的是尋找最佳S、β值，從而保證輸入值與對(duì)應(yīng)輸出值的差值最小，即min[E(S，β)]的數(shù)學(xué)計(jì)算公式為

(3)

式中：參數(shù)H為ELM隱層輸出矩陣；β為ELM輸出權(quán)值矩陣；T為訓(xùn)練樣本集中的ELM目標(biāo)值矩陣。參數(shù)H、β、T的計(jì)算公式分別為

(4)

(5)

(6)

3　極限學(xué)習(xí)機(jī)在節(jié)點(diǎn)故障診斷中的應(yīng)用

利用極限學(xué)習(xí)機(jī)故障診斷方法迭代運(yùn)算50次后，得到傳感節(jié)點(diǎn)硬件故障診斷模型；將感知節(jié)點(diǎn)采集的故障樣本數(shù)據(jù)進(jìn)行匯總分類，并對(duì)其進(jìn)行分組測(cè)試和訓(xùn)練；將訓(xùn)練好的診斷模型對(duì)測(cè)試組節(jié)點(diǎn)硬件故障數(shù)據(jù)樣本進(jìn)行故障診斷。極限學(xué)習(xí)機(jī)在傳感節(jié)點(diǎn)硬件故障診斷算法中的具體實(shí)現(xiàn)步驟如下：

步驟1：收集傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件的5種故障歷史的數(shù)據(jù)和信息，并對(duì)傳感節(jié)點(diǎn)硬件故障表現(xiàn)出來(lái)的征兆與5種硬件故障類型進(jìn)行整理分類，建立無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障樣本數(shù)據(jù)庫(kù)，并初步建立故障樣本決策表。

步驟2：對(duì)收集到的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障樣本決策表建立相應(yīng)的決策矩陣，簡(jiǎn)化節(jié)點(diǎn)硬件故障樣本決策表。

步驟3：將收集到的節(jié)點(diǎn)硬件故障樣本分為訓(xùn)練樣本和測(cè)試樣本等2組，運(yùn)用極限學(xué)習(xí)機(jī)故障診斷方法對(duì)訓(xùn)練樣本的故障數(shù)據(jù)進(jìn)行訓(xùn)練，提高本研究算法的故障診斷精度。

步驟4：將訓(xùn)練好的極限學(xué)習(xí)機(jī)節(jié)點(diǎn)硬件故障診斷方法應(yīng)用到樣本測(cè)試中，測(cè)試本研究算法的故障診斷精度。

引入極限學(xué)習(xí)機(jī)方法的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷流程如圖3所示。

4　仿真試驗(yàn)與結(jié)果分析

本研究主要從節(jié)點(diǎn)硬件故障診斷精度和不同節(jié)點(diǎn)故障率對(duì)網(wǎng)絡(luò)診斷精度(虛警率)的影響等2個(gè)方面進(jìn)行對(duì)比分析。

4.1　節(jié)點(diǎn)硬件模塊故障診斷

對(duì)監(jiān)測(cè)區(qū)域的傳感器節(jié)點(diǎn)進(jìn)行節(jié)點(diǎn)硬件故障診斷試驗(yàn)，假定大多普通節(jié)點(diǎn)正常工作；對(duì)監(jiān)測(cè)區(qū)域的環(huán)境信息和目標(biāo)信息進(jìn)行監(jiān)測(cè)，實(shí)時(shí)采集感知數(shù)據(jù)，媒體介入層(media access control，簡(jiǎn)稱MAC)協(xié)議采用競(jìng)爭(zhēng)方式使用共享機(jī)制的無(wú)線信道。本研究提出的極限學(xué)習(xí)機(jī)節(jié)點(diǎn)故障診斷方法運(yùn)行在Sink節(jié)點(diǎn)中，不考慮Sink節(jié)點(diǎn)的能耗問(wèn)題。無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障診斷一般通過(guò)節(jié)點(diǎn)故障表現(xiàn)出來(lái)的征兆得出對(duì)應(yīng)的故障類型。感知節(jié)點(diǎn)出現(xiàn)故障表現(xiàn)出來(lái)的征兆主要有收到的數(shù)據(jù)異常、系統(tǒng)工作不正常、節(jié)點(diǎn)無(wú)線通信不正常、節(jié)點(diǎn)能量不夠、發(fā)射功率低于設(shè)置的門(mén)限閾值等。對(duì)采集數(shù)據(jù)建立的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障征兆和對(duì)應(yīng)的屬性值如表1所示。

表1　傳感器節(jié)點(diǎn)故障征兆及屬性值

無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障主要由5個(gè)模塊組成，因此可以從模塊化的思路來(lái)分析節(jié)點(diǎn)硬件故障診斷、節(jié)點(diǎn)故障類型及其相應(yīng)征兆(表2)。

由表1可知，傳感節(jié)點(diǎn)各模塊發(fā)生故障的表現(xiàn)具有多樣性和相關(guān)性，同時(shí)，節(jié)點(diǎn)故障表現(xiàn)出的故障征兆可以被實(shí)時(shí)讀取。本研究定義節(jié)點(diǎn)硬件故障征兆初始取值為0，表示節(jié)點(diǎn)一切功能正常；當(dāng)某個(gè)模塊出現(xiàn)故障時(shí)，定義為1。因此，根據(jù)表2可以得到如表3所示的節(jié)點(diǎn)硬件故障樣本決策。

表2　傳感器節(jié)點(diǎn)故障診斷經(jīng)驗(yàn)征兆樣本

表3　傳感節(jié)點(diǎn)故障樣本決策

從表3可以看出，傳感節(jié)點(diǎn)樣本決策分類冗余、效率低、決策規(guī)則不夠簡(jiǎn)潔，從而降低節(jié)點(diǎn)硬件故障診斷效率。另外，由表1、表2可以看出，節(jié)點(diǎn)硬件故障征兆具有多樣性和相關(guān)性，故障診斷決策表現(xiàn)出模糊性和不確定性，而極限學(xué)習(xí)機(jī)方法具有學(xué)習(xí)時(shí)間短、參數(shù)設(shè)置少、泛化能力好等特點(diǎn)，因此將采集的節(jié)點(diǎn)硬件故障樣本數(shù)據(jù)引入到訓(xùn)練好的極限學(xué)習(xí)機(jī)中，可以實(shí)現(xiàn)節(jié)點(diǎn)硬件故障的識(shí)別。

對(duì)本研究算法進(jìn)行試驗(yàn)驗(yàn)證，將表3中的節(jié)點(diǎn)硬件故障征兆樣本數(shù)據(jù)作為采樣數(shù)據(jù)，對(duì)400組不同節(jié)點(diǎn)硬件故障現(xiàn)象反饋的數(shù)據(jù)進(jìn)行分類。極限學(xué)習(xí)機(jī)參數(shù)設(shè)置：選擇網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為10，以20為周期增加隱層節(jié)點(diǎn)數(shù)，直至200。另外，ELM的隱含層激活函數(shù)根據(jù)需要選擇Hardlim函數(shù)進(jìn)行學(xué)習(xí)?？紤]外界不同環(huán)境對(duì)節(jié)點(diǎn)通信的影響和干擾，將傳感節(jié)點(diǎn)采集數(shù)據(jù)的可靠性設(shè)置為98%，節(jié)點(diǎn)硬件故障診斷精度如表4所示。

表4　節(jié)點(diǎn)故障診斷測(cè)試數(shù)據(jù)精度判斷　%

將本研究算法分別與BP(back propagation)神經(jīng)網(wǎng)絡(luò)、改進(jìn)的徑向基函數(shù)(radical basis function，簡(jiǎn)稱RBF)神經(jīng)網(wǎng)絡(luò)和粒子群算法(particle swarm optimization，簡(jiǎn)稱PSO)進(jìn)行試驗(yàn)對(duì)比分析。從圖4可以看出，BP神經(jīng)網(wǎng)絡(luò)算法、變精度粗糙集(variable precision rough set，簡(jiǎn)稱VPRS)和RBF神經(jīng)網(wǎng)絡(luò)結(jié)合(VPRS-RBF)算法、粒子群算法算法和極限學(xué)習(xí)機(jī)算法等4種無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障診斷方法的正確率分別為79.1%、84.3%、88.1% 、93.9%。本研究算法故障診斷精度比其他3種算法分別高14.8、9.6、5.8百分點(diǎn)，能較好地適用于WSNs節(jié)點(diǎn)硬件故障診斷。

4.2　故障率對(duì)故障診斷精度的影響

不同故障率情形下對(duì)傳感網(wǎng)絡(luò)的影響不同。本研究采用MATLAB 2014b對(duì)WSNs節(jié)點(diǎn)硬件故障診斷進(jìn)行算法仿真試驗(yàn)及結(jié)果分析，節(jié)點(diǎn)硬件故障診斷精度采用節(jié)點(diǎn)故障診斷檢測(cè)率(fault detection rate，簡(jiǎn)稱FDR)和故障診斷虛警率(false alarm rate，簡(jiǎn)稱FAR)等2個(gè)指標(biāo)來(lái)衡量，節(jié)點(diǎn)的其他參數(shù)設(shè)置與文獻(xiàn)[12]相同，本研究的節(jié)點(diǎn)硬件故障率為0.05～0.30，分析不同算法故障診斷效果之間的差異。將本研究算法與文獻(xiàn)[12]中BP算法的節(jié)點(diǎn)故障診斷方法、文獻(xiàn)[13]中提出的基于VPRS-RBF神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)故障診斷方法、文獻(xiàn)[14]中提出的基于粒子群算法的節(jié)點(diǎn)故障診斷等3種方法進(jìn)行對(duì)比分析。

從圖5可以看出，傳感節(jié)點(diǎn)的故障率較低時(shí)，4種故障診斷算法均能較好地對(duì)節(jié)點(diǎn)硬件故障進(jìn)行診斷，其診斷精度差別不大。隨著傳感節(jié)點(diǎn)硬件故障率的逐漸增加，4種算法的故障診斷精度均逐漸下降，其中文獻(xiàn)[12]中提出的BP神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷方法診斷精度的下降幅度最大，從0.96下降到0.71；文獻(xiàn)[13]中提出的基于VPRS-RBF神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷方法的診斷精度下降幅度也較大，從0.96下降到 0.77；文獻(xiàn)[14]中提出的基于粒子群算法節(jié)點(diǎn)故障診斷方法的精度下降幅度較小，從0.98下降到0.85，而本研究的極限學(xué)習(xí)機(jī)算法的故障診斷精度下降幅度最小，從0.98下降到0.93。

從圖6可以看出，節(jié)點(diǎn)故障率較低時(shí)，4種算法的故障診斷虛警率均較低；隨著節(jié)點(diǎn)故障率的增加，4種故障診斷算法的診斷虛警率均逐漸增大，其中BP神經(jīng)網(wǎng)絡(luò)故障診斷方法的增加幅度最大，改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷方法的虛警率增加幅度較大，基于粒子群算法節(jié)點(diǎn)故障診斷方法的虛警率增加幅度較小，極限學(xué)習(xí)機(jī)故障診斷方法的虛警率增加幅度最小。

從圖5和圖6可以看出，本研究提出的基于極限學(xué)習(xí)機(jī)的節(jié)點(diǎn)硬件故障診斷方法能有效地對(duì)傳感節(jié)點(diǎn)故障進(jìn)行診斷，提高節(jié)點(diǎn)魯棒性，提升網(wǎng)絡(luò)穩(wěn)定性和可靠性。

5　結(jié)論

農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷是一個(gè)亟須解決的問(wèn)題。本研究首先對(duì)節(jié)點(diǎn)故障分類與故障原因進(jìn)行深入分析，并分析節(jié)點(diǎn)硬件故障所存在的問(wèn)題，之后提出一種基于極限學(xué)習(xí)機(jī)的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)硬件故障診斷算法，該算法可以針對(duì)節(jié)點(diǎn)各個(gè)模塊的故障特性快速、準(zhǔn)確、可靠地對(duì)WSNs節(jié)點(diǎn)硬件故障進(jìn)行診斷，并提出相應(yīng)的修復(fù)意見(jiàn)，有效地降低節(jié)點(diǎn)故障概率，提高網(wǎng)絡(luò)運(yùn)行可靠性和容錯(cuò)性。同時(shí)本研究提出的算法具有實(shí)現(xiàn)容易、學(xué)習(xí)速率快、故障診斷精度高等特點(diǎn)。但本研究所提出的方法仍存在一些缺陷，即不適用于大規(guī)模農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)出現(xiàn)故障較高等情況。

參考文獻(xiàn)：

[1]Hu L，Zhang Z Y，Wang F，et al. Optimization of the deployment of temperature nodes based on linear programing in the internet of things[J]Tsinghua Science and Technology，2013，18(3)：250-258

[2]Hou L，Bergmann N W. Novel industrial wireless sensor networks for machine condition monitoring and fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement，2012，61(10)：2787-2798.

[3]Yue Y G，Li J Q，F(xiàn)an H H，et al. Optimization-based artificial bee colony algorithm for data collection in large-scale mobile wireless sensor networks[J]. Journal of Sensors，2016，2016：1-12.

[4]Panda M，Khilar P M. Distributed self fault diagnosis algorithm for large scale wireless sensor networks using modified three sigma edit test[J]. Ad Hoc Networks，2015，25：170-184.

[5]雷霖，代傳龍，王厚軍. 基于Rough set理論的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷[J]. 北京郵電大學(xué)學(xué)報(bào)，2007，30(4)：69-73.

[6]馮志剛，王祁，徐濤，等. 基于小波包和支持向量機(jī)的傳感器故障診斷方法[J]. 南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，32(5)：609-614.

[7]Jiang P. A new method for node fault detection in wireless sensor networks[J]. Sensors，2009，9(2)：1282-1294.

[8]莊夏，戴敏，何元清. 基于人工免疫和模糊K均值的傳感器節(jié)點(diǎn)故障診斷[J]. 計(jì)算機(jī)測(cè)量與控制，2013，21(3)：611-613.

[9]Huang G B，Zhu Q Y，Siew C K，et al. Extreme learning machine：theory and applications[J]. Neurocomputing，2006，70(1/2/3)：489-501.

[10]Pan C，Park D S，Yang Y，et al. Leukocyte image segmentation by visual attention and extreme learning machine[J]. Neural Computing and Applications，2012，21(6)：1217-1227.

[11]Yang Y M，Wang Y N，Yuan X F. Bidirectional extreme learning machine for regression problem and its learning effectiveness[J]. IEEE Transactions on Neural Networks and Learning Systems，2012，23(9)：1498-1505

[12]李智敏，陳祥光. 無(wú)線傳感器節(jié)點(diǎn)模塊級(jí)故障診斷方法的研究[J]. 儀器儀表學(xué)報(bào)，2013，34(12)：2763-2769.

[13]謝迎新，陳祥光，余向明，等. 基于VPRS和RBF神經(jīng)網(wǎng)絡(luò)的WSN節(jié)點(diǎn)故障診斷[J]. 北京理工大學(xué)學(xué)報(bào)，2010，30(7)：807-811.

[14]余成波，李芮，何強(qiáng)，等. 基于粒子群算法及高斯分布的WSN節(jié)點(diǎn)故障診斷[J]. 振動(dòng)、測(cè)試與診斷，2013，33(1)：149-152，172.