王建文，裴祥喜，崔炳德，王海暉

(1.河北水利電力學(xué)院 計算機科學(xué)與信息工程學(xué)院，河北 滄州 061001；2.武漢工程大學(xué) 計算機科學(xué)與工程學(xué)院，湖北 武漢 430205)

1 引言

物聯(lián)網(wǎng)具有低功耗、低成本、無線通信與測量等優(yōu)點，被廣泛地應(yīng)用在智能農(nóng)業(yè)、目標跟蹤和環(huán)境監(jiān)測等領(lǐng)域中，可以獲取和跟蹤網(wǎng)絡(luò)中存在的對象信息和環(huán)境信息，用戶在任何環(huán)境、地點和時間內(nèi)都可以通過物聯(lián)網(wǎng)獲取相關(guān)數(shù)據(jù)，因此，物聯(lián)網(wǎng)受到了人們極大的關(guān)注[1]。但是在存儲能力和計算能力方面物聯(lián)網(wǎng)存在一些劣勢，傳感器節(jié)點在工作過程中獲取的能量來自于電池，節(jié)點容易出現(xiàn)能量不足的現(xiàn)象進而出現(xiàn)失效的狀況[2]。物聯(lián)網(wǎng)屬于信息感知網(wǎng)絡(luò)，局部數(shù)據(jù)的處理和傳輸結(jié)果都會受到傳感器節(jié)點失效的影響，甚至?xí)斐晌锫?lián)網(wǎng)崩潰失效。在上述背景下亟需對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記。

孫宇嫣[3]等人提出基于深度學(xué)習(xí)的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法，該算法在涌現(xiàn)原理的基礎(chǔ)上根據(jù)物聯(lián)網(wǎng)的邏輯連接和物理連接生成傳感器節(jié)點故障樣本，構(gòu)建節(jié)點故障診斷模型，根據(jù)診斷結(jié)果實現(xiàn)節(jié)點故障標記，該算法沒有對物聯(lián)網(wǎng)傳感器節(jié)點信息進行零均值歸一化處理，導(dǎo)致算法存在計算復(fù)雜度高的問題。姜少飛[4]等人提出基于XGBoost特征提取的傳感器節(jié)點故障標記算法，該算法利用XGBoost算法建立傳感器節(jié)點故障分裂樹，編碼處理故障樹中存在的葉子節(jié)點對應(yīng)的位置，獲得傳感器節(jié)點的故障信息，實現(xiàn)標記，該算法沒有對傳感器信息進行分類處理，存在標記范圍小的問題。除此之外，還有學(xué)者將SM-SVM方法應(yīng)用至故障標記中，通過提取傳感器節(jié)點信號的方均根值、偏度系數(shù)和峭度指標等特征，并對其進行歸一化處理，通過支持向量機實現(xiàn)傳感器節(jié)點的故障標記，該算法無法消除特征中存在的冗余數(shù)據(jù)，導(dǎo)致算法的虛警率較高。

為了解決上述算法中存在的問題，提出基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法。

2 傳感器節(jié)點信息聚類處理

基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法利用BDPCA聚類方法對物聯(lián)網(wǎng)傳感器節(jié)點的信息進行聚類處理。

設(shè)采集的物聯(lián)網(wǎng)傳感器節(jié)點信息為M個N維的特征向量x=(x1，x2，…，xN)T，xk=(x1k，x2k，…，xMk)T，k=1，2，…，M，可用線性方程描述特征變量之間存在的關(guān)系。

采用BDPCA聚類方法對物聯(lián)網(wǎng)傳感器節(jié)點數(shù)據(jù)信息進行聚類處理的具體過程如下：

1)歸一化、零均值化處理原始傳感器節(jié)點數(shù)據(jù)特征向量xk=(x1k，x2k，…，xNk)T。采用BDPCA進行聚類處理的基礎(chǔ)條件是零均值化，特征量之間存在的差異可以通過歸一化處理得以消除[5]。

通過下述公式對物聯(lián)網(wǎng)傳感器節(jié)點信息進行零均值歸一化處理：

(1)

其中：

(2)

(3)

2)設(shè)C代表的是傳感器節(jié)點信息對應(yīng)的協(xié)方差矩陣，可通過下式計算得到：

(4)

獲取C對應(yīng)的特征方程Cv=λv，其中，v代表的是由特征值構(gòu)成的特征向量；λ代表的是C對應(yīng)的特征值。通過求解特征方程，獲得n個物聯(lián)網(wǎng)傳感器節(jié)點的特征值λi以及n個由特征值構(gòu)成的特征向量vi。按照從大到小的順序?qū)ξ锫?lián)網(wǎng)傳感器節(jié)點的特征值進行排序λ1≥λ2≥…≥λn，獲得對應(yīng)的物聯(lián)網(wǎng)傳感器節(jié)點信息的特征向量v1，v2，…，vn[6]。

3)基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法利用主元選取方法獲取物聯(lián)網(wǎng)傳感器節(jié)點信息的主元[7]，并根據(jù)選取的主元對特征值和特征向量進行排序。

4)通過下式標準化處理序列中的前k個物聯(lián)網(wǎng)傳感器節(jié)點信息的特征向量：

(5)

式中，vbi即為標準化處理后的傳感器節(jié)點信息特征向量。

3 物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法

基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法，在粗糙集理論的基礎(chǔ)上結(jié)合邏輯運算和區(qū)分矩陣對不同類別的傳感器節(jié)點信息進行知識約簡處理，消除傳感器節(jié)點信息中存在的冗余屬性，初步對傳感器節(jié)點的故障進行定位，根據(jù)結(jié)果構(gòu)建傳感器節(jié)點的故障決策初表，對物聯(lián)網(wǎng)傳感器節(jié)點進行故障分類，在分類結(jié)果的基礎(chǔ)上構(gòu)建傳感器節(jié)點的故障決策復(fù)表。并利用貝葉斯決策過程確定物聯(lián)網(wǎng)傳感器節(jié)點的故障，生成最終的決策表，實現(xiàn)物聯(lián)網(wǎng)傳感器節(jié)點的故障標記。

基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法利用粗糙集理論對物聯(lián)網(wǎng)傳感器節(jié)點信息進行約簡的具體過程如下：

設(shè)S=(U，A，V，f)代表的是物聯(lián)網(wǎng)傳感器節(jié)點的決策表系統(tǒng)，與物聯(lián)網(wǎng)傳感器節(jié)點故障診斷決策系統(tǒng)相對應(yīng)，其中，U={x1，x2，…，xn}代表的是論域，在物聯(lián)網(wǎng)傳感器節(jié)點故障標定過程中與被診斷的傳感器節(jié)點構(gòu)成的對象集相對應(yīng)；A=P∪D描述的是傳感器節(jié)點的屬性集合，其中，子集P={a[i]|i=1，2，…，k}代表的是傳感器節(jié)點的條件屬性集，a[i](xj)描述的是在故障征兆屬性a[i]中被診斷的傳感器節(jié)點xj對應(yīng)的值。子集D=bzxxzxf代表的是傳感器節(jié)點的決策屬性集。

設(shè)定區(qū)分矩陣CD，其表達式如下：

(6)

式中，{m[k]|m[k]∈P∧m[k](xj)}。

將布爾函數(shù)引入?yún)^(qū)分矩陣中，構(gòu)建區(qū)分函數(shù)△，用布爾變量a描述物聯(lián)網(wǎng)傳感器節(jié)點的屬性[8]。如果a(x，y)={a1，a2，…，ak}≠?，則用∑a(x，y)表示布爾函數(shù)a1∨a2∨…∨ak；如果a(x，y)=?，則將布爾常量的值設(shè)定為1，通過上述分析構(gòu)建區(qū)分函數(shù)：

(7)

用貝葉斯決策過程確定物聯(lián)網(wǎng)傳感器節(jié)點故障的過程為：用[x]描述傳感器節(jié)點對象，并對其進行ri決策，用P(wj|[x])描述[x]的狀態(tài)為wj時對應(yīng)的概率，可通過下述全概率公式計算物聯(lián)網(wǎng)傳感器節(jié)點[x]在決策ri下的風(fēng)險條件R(ri|[x])[9]：

(8)

式中，λ(ri|wj)代表的是傳感器節(jié)點采取決策ri時產(chǎn)生的風(fēng)險。

用τ(x)描述物聯(lián)網(wǎng)傳感器節(jié)點的決策規(guī)則，用R描述在規(guī)則條件下物聯(lián)網(wǎng)傳感器節(jié)點的期望總體風(fēng)險，R(τ(x)|[x])描述在決策規(guī)則τ(x)下物聯(lián)網(wǎng)傳感器節(jié)點對應(yīng)的條件風(fēng)險率，在此基礎(chǔ)上，對物聯(lián)網(wǎng)傳感器節(jié)點的總體風(fēng)險R進行計算：

(9)

為了使物聯(lián)網(wǎng)傳感器節(jié)點的總體風(fēng)險最小，需要最小化每個傳感器節(jié)點在物聯(lián)網(wǎng)中的條件風(fēng)險率R(τ(x)|[x])。

如果存在兩種以及以上的決策條件可以最小化物聯(lián)網(wǎng)傳感器節(jié)點的條件風(fēng)險，需要根據(jù)實際標定條件選取決策條件[10]。

設(shè)u代表的是存在故障的傳感器節(jié)點，w代表的是傳感器節(jié)點的故障類型，利用w將傳感器節(jié)點劃分為存在故障的節(jié)點w′和不存在故障的節(jié)點w′′，并用正域pos(w)描述存在故障需要替換或維修的傳感器節(jié)點構(gòu)成的集合，用負域neg(w)描述存在故障但不需要處理的傳感器節(jié)點構(gòu)成的集合。

在故障表現(xiàn)[x]下每種傳感器節(jié)點都存在以下決策可能：

1)r1=[x]→pos(w)；

2)r2=[x]→neg(w)。

令A(yù)={r1，r2}，設(shè)λ(ri|w)代表實際存在故障的傳感器節(jié)點在ri決策條件下對應(yīng)的風(fēng)險，λ(ri|w′)代表實際沒有故障的傳感器被判定為存在故障時，在ri決策條件下對應(yīng)的風(fēng)險，P(w|[x])代表在故障現(xiàn)象[x]下傳感器節(jié)點不存在故障的概率。

可利用全概率公式計算在故障現(xiàn)象[x]下傳感器節(jié)點采取ri決策時對應(yīng)的條件風(fēng)險概率R(ri|[x])：

R(ri|[x])=λ(ri|w)+λ(ri|w′)

(10)

最小風(fēng)險規(guī)則可根據(jù)貝葉斯決策過程獲得：

1)r1：[x]→pos(w)，R(r1|[x])≤R(r2|[x])；

2)r2：[x]→neg(w)，R(r2|[x])≤R(r1|[x])。

如果在實際標定過程中無法確定物聯(lián)網(wǎng)傳感器節(jié)點的故障類型，此時對物聯(lián)網(wǎng)傳感器節(jié)點不標定的風(fēng)險小于對物聯(lián)網(wǎng)傳感器節(jié)點標定的風(fēng)險。針對正常不存在故障的傳感器節(jié)點，進行標定的風(fēng)險較小。

基于上述分析通過下述公式實現(xiàn)物聯(lián)網(wǎng)傳感器節(jié)點的標定：

aprα(w)=pos(w)∪P(w|[x])

(11)

式中，aprα(w)代表的是物聯(lián)網(wǎng)傳感器節(jié)點存在故障的概率，當概率較大時對其進行標記，實現(xiàn)物聯(lián)網(wǎng)傳感器節(jié)點故障標記。

4 實驗與分析

為了驗證基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法的整體有效性，需要對基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法進行測試。

將虛警率作為指標對基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法(算法1)、基于深度學(xué)習(xí)的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法(算法2)、基于XGBoost特征提取的傳感器節(jié)點故障標記算法(算法3)和基于SM-SVM的傳感器節(jié)點故障標記算法(算法4)進行測試，虛警率越高，表明算法的節(jié)點故障標定結(jié)果誤差越大，不同算法的測試結(jié)果如圖1所示。

圖1 不同算法的虛警率

對圖1進行分析可知，采用算法1對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記時，在多次實驗中的虛警率均在10%以下，采用算法2對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記時，在多次實驗中的虛警率均在30%附近波動，采用算法3對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記時，在多次實驗中的虛警率雖然低于算法2，但也高達25%。采用算法4對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記時，獲得的虛警率最高，均在40%以上。對比算法1、算法2、算法3和算法4的測試結(jié)果可知，算法1的虛警率最低，表明采用該算法可精準地實現(xiàn)物聯(lián)網(wǎng)傳感器節(jié)點的故障標記，因為該算法在故障標記之前對物聯(lián)網(wǎng)傳感器節(jié)點信息進行了零均值歸一化，提高了信息的標準化，利用處理后的信息對節(jié)點故障進行標記，降低了算法的虛警率。

將計算復(fù)雜度作為指標，對上述算法進行測試，測試結(jié)果如表1所示。

表1 不同算法的計算復(fù)雜度

根據(jù)表1中的數(shù)據(jù)可知，在多次迭代中采用算法1對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記時的復(fù)雜度均在1%左右，遠遠低于算法2、算法3和算法4對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記時的復(fù)雜度。因為算法1對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記之前，消除了傳感器信息特征向量之間存在的冗余數(shù)據(jù)，減少了數(shù)據(jù)計算量，進而降低了算法對物聯(lián)網(wǎng)傳感器節(jié)點進行標定時的計算復(fù)雜度。

分別采用算法1、算法2、算法3和算法4對物聯(lián)網(wǎng)傳感器節(jié)點進行標記，對比不同算法的標記范圍，測試結(jié)果如圖2所示。

圖2 不同算法的標記范圍

圖2中的漸變區(qū)域面積越大表明算法的標記范圍越大，根據(jù)圖2可知，算法1獲取的漸變區(qū)域面積遠遠大于算法2、算法3和算法4獲取的漸變區(qū)域面積，表明算法1的標記范圍遠遠大于其他算法的標記范圍。因為算法1采用BDPCA聚類方法對物聯(lián)網(wǎng)傳感器節(jié)點信息進行了聚類處理，可以對不同類型的物聯(lián)網(wǎng)傳感器節(jié)點進行故障標記，進而提高了算法1的標記范圍。

5 結(jié)束語

當傳感器節(jié)點在物聯(lián)網(wǎng)中出現(xiàn)故障時，通過節(jié)點獲取的數(shù)據(jù)存在誤差，物聯(lián)網(wǎng)根據(jù)誤差數(shù)據(jù)會作出錯誤的決策和判斷，信息的準確性在高精度應(yīng)用領(lǐng)域中是極為重要的，因此，需要對物聯(lián)網(wǎng)傳感器節(jié)點進行故障標定。目前物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法存在虛警率高、計算復(fù)雜度高和標記范圍小的問題，提出基于BDPCA聚類的物聯(lián)網(wǎng)傳感器節(jié)點故障標記算法，對物聯(lián)網(wǎng)傳感器節(jié)點信息進行聚類處理，再通過貝葉斯決策實現(xiàn)故障節(jié)點的標記，解決了目前方法中存在的問題，為物聯(lián)網(wǎng)的安全穩(wěn)定運行奠定了基礎(chǔ)。