WSN中一種新穎的基于預(yù)測機制的事件檢測容錯算法

劉耿耿，郭文忠，洪 偉

1(福州大學(xué) 數(shù)學(xué)與計算機科學(xué)學(xué)院，福州 350116) 2(福建省網(wǎng)絡(luò)計算與智能信息處理重點實驗室，福州 350116) E-mail ：guowenzhong@fzu.edu.cn

1 引 言

無線傳感器網(wǎng)絡(luò)(Wireless Sensors Network，WSN)是由大量低能耗、具有感知能力的傳感器節(jié)點組成.節(jié)點通互相協(xié)作地感知，采集和處理監(jiān)測區(qū)域中感興趣事件的信息，然后以無線通信的方式把信息發(fā)送回基站[1].WSN緊密結(jié)合了信息世界與真實的物理世界，實現(xiàn)了信息“無處不在”的模式[2].目前，該技術(shù)被廣泛應(yīng)用在眾多的實際環(huán)境中，如森林火災(zāi)檢測、化學(xué)物質(zhì)泄漏檢測等[3，4].由于傳感器節(jié)點一般部署在偏遠地方，容易受到外界惡劣氣候的干擾，而且節(jié)點自身資源有限，抗干擾能力差，這些特征往往會引起感知信息過程出現(xiàn)錯誤，造成誤檢或者漏檢，進而影響網(wǎng)絡(luò)的性能[5].因此，容錯能力對于WSN正常運行而言是至關(guān)重要的，不僅提高了數(shù)據(jù)融合的準(zhǔn)確性，還促進了網(wǎng)絡(luò)的穩(wěn)定運行.

文獻[6]提出一種基于融合樹的事件區(qū)域檢測容錯算法，根據(jù)已構(gòu)建的融合樹，樹節(jié)點執(zhí)行多元線性回歸，對單個或者多個事件進行檢測，得到相應(yīng)的估計值.文獻[7]利用經(jīng)驗分布和證據(jù)理論相結(jié)合的方法，提出了一種新穎的事件檢測方案.該算法利用Goodness-of-fit(GOF)測試比較節(jié)點的采樣數(shù)據(jù)與經(jīng)驗分布情況，依據(jù)兩者的符合程度來判斷事件發(fā)生的假設(shè)是否成立.以上的算法能夠獲得較好的檢測效果，但是在檢測過程中計算復(fù)雜度太高，無法滿足WSN中的容錯實時性要求.文獻[8]提出了一種分布式貝葉斯事件檢測算法.假設(shè)每個傳感器出錯的概率相同，而且錯誤是時空間相關(guān)的.每個傳感器通過與鄰居節(jié)點的信息交換得到事件發(fā)生的概率，進而使用貝葉斯算法進行分析是故障還是事件；文獻[9]從數(shù)學(xué)角度證明了少數(shù)服從多數(shù)是事件檢測中的最優(yōu)決策模型.利用二進制變量0和1表示傳感器的讀數(shù)，有效地減少了節(jié)點間信息的傳輸能量.并通過實驗表明了算法的有效性.但是這類算法忽略了傳感器節(jié)點的瞬時測量故障，當(dāng)瞬時故障數(shù)量增加的時候，算法的容錯性無法得到保證.文獻[10]提出了一種新穎的對鄰居節(jié)點測量數(shù)據(jù)進行加權(quán)的方法，設(shè)計了一種衡量測量數(shù)據(jù)之間差距的方法，利用中值策略檢測故障節(jié)點，但在節(jié)點故障率較高的系統(tǒng)中算法的性能將會顯著下降.文獻[11]提出一種基于加權(quán)平均值的故障檢測算法，在不同故障率情況下，傳感器節(jié)點的永久性故障識別精度高，但在節(jié)點故障率較高的系統(tǒng)中算法的性能將會顯著下降.文獻[12]利用節(jié)點的空間相關(guān)性提出了一種空間相關(guān)的事件容錯檢測算法.節(jié)點通過自身的歷史數(shù)據(jù)計算節(jié)點的可信水平，然后算法根據(jù)節(jié)點的可信度確定鄰居節(jié)點，并分析節(jié)點的測量值與鄰居節(jié)點的數(shù)據(jù)之間的關(guān)系，綜合判斷事件是否發(fā)生.該算法具有很高的檢測精度和較小的誤判率，但是節(jié)點間互相通信頻繁，會占用很多節(jié)點的能耗.文獻[13]結(jié)合時間和空間特性提出了一種分布式鄰居節(jié)點協(xié)作動態(tài)事件檢測算法.但是該算法只考慮到網(wǎng)絡(luò)能量的有效性，對容錯的能力，事件檢測的精確度未有很大的改善.

針對目前在上述方面的不足，本文提出一種基于預(yù)測機制的容錯事件檢測算法.算法主要由改進的事件檢測機制和容錯機制組成.利用事件發(fā)生的具有很強的時空關(guān)聯(lián)性，對事件是否發(fā)生還是節(jié)點異常進行準(zhǔn)確判斷.當(dāng)節(jié)點出現(xiàn)異常的時候，利用KNN-PSOELM預(yù)測機制進行估計，以排除錯誤數(shù)據(jù)對融合結(jié)果的影響，從而在節(jié)點出現(xiàn)故障的時候仍能保持網(wǎng)絡(luò)的可行性.

2 網(wǎng)絡(luò)模型與環(huán)境假設(shè)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)監(jiān)控區(qū)域內(nèi)具有n個同構(gòu)的傳感器節(jié)點，節(jié)點的集合可以表示為Si=(S1，S2，S3，…，Sn)，其中Si表示第i個傳感器節(jié)點.每個節(jié)點通過定位設(shè)備反饋自己的地理位置.傳感器的通信半徑為R，當(dāng)兩個節(jié)點處于通信范圍之內(nèi)，節(jié)點間可以進行通信，否則需要通過多跳的無線連接來保持通信.如圖1所示，網(wǎng)絡(luò)中的節(jié)點采用一定的算法進行非均勻的分簇以及簇首的選擇.在簇內(nèi)，通過構(gòu)建最優(yōu)融合樹的方式，節(jié)點把自身的能量信息以及采集的數(shù)據(jù)發(fā)送給簇首，簇首節(jié)點承擔(dān)對簇內(nèi)節(jié)點發(fā)送來的信息壓縮、融合等數(shù)據(jù)處理任務(wù)以減少數(shù)據(jù)通信量.在簇間，基站通過派遣移動代理的方式，對每個簇的簇首節(jié)點進行信息的收集以此均衡傳感器節(jié)點能耗.

圖1 無線傳感器網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Network structure of wireless sensors network

2.2 能量模型

WSN的能量消耗主要體現(xiàn)在傳感器節(jié)點感知、處理、接受和發(fā)送的任務(wù)上，節(jié)點傳輸能量主要表現(xiàn)有：

(1)

其中，Eti表示源節(jié)點i發(fā)送kbits的數(shù)據(jù)到相距dij的節(jié)點j所需要消耗的能量，Eri表示源節(jié)點i接收kbits數(shù)據(jù)消耗的能量，Eelec表示涉及無線電接收和傳輸數(shù)據(jù)的一個常量，εamp表示與信號衰減相關(guān)的常量，Ecom表示W(wǎng)SN網(wǎng)絡(luò)無線通信消耗總能量.

對于簇首節(jié)點而言，節(jié)點不僅僅承擔(dān)著傳輸能量消耗，同時還需要對簇內(nèi)節(jié)點發(fā)送來的信息進行處理，因此節(jié)點的處理信息能量消耗為：

Efusion=S×q(k)

(2)

其中，q表示平均單位融合代價，它的值取決于融合數(shù)據(jù)類型以及數(shù)據(jù)相關(guān)性.

3 時空相關(guān)的事件檢測模型

在一定的監(jiān)測區(qū)域內(nèi)，事件的發(fā)生具有很強的時空相關(guān)性.一般情況下，對單個節(jié)點而言，監(jiān)測環(huán)境的數(shù)據(jù)在短時間內(nèi)不會發(fā)生太大的改變，監(jiān)測值是彼此相關(guān)的.只有當(dāng)事件發(fā)生的時候，節(jié)點的監(jiān)測值變化率會產(chǎn)生明顯的變化.變化率的大小可以作為事件是否發(fā)生的依據(jù).但是節(jié)點自身的檢測無法消除固有錯誤，檢測的結(jié)果存在著不可靠性，因此需要利用事件區(qū)域內(nèi)部的節(jié)點以及節(jié)點的近鄰節(jié)點感知信息的關(guān)聯(lián)性檢測[14].

定義1.瞬時測量值故障：由于傳感器受到外界環(huán)境的突變等原因，導(dǎo)致節(jié)點在某一時刻或者某些時刻產(chǎn)生錯誤的讀數(shù).

定義2.固定測量值故障：由于傳感器節(jié)點能量耗盡或者設(shè)備出現(xiàn)故障等原因，導(dǎo)致節(jié)點采樣數(shù)據(jù)與環(huán)境無關(guān)，多個采樣周期內(nèi)持續(xù)采集到異常的數(shù)據(jù).

3.1 時間相關(guān)性檢測

傳感器節(jié)點以T為時間周期進行均勻采樣，為了保證節(jié)點在采樣周期T內(nèi)完成數(shù)據(jù)處理與發(fā)送，T值需要滿足一定的條件.設(shè)傳感器在時刻i的讀數(shù)為Si，傳感器在正常區(qū)域內(nèi)讀數(shù)的期望函數(shù)為En(t)，在事件區(qū)域中的讀數(shù)的期望函數(shù)Ee(t)，則判定異常的閾值的R(t)=(En(t)+Ee(t))/2.當(dāng)Si的值大于事件發(fā)生的期望值R(t)的時候，說明可能有事件發(fā)生或者節(jié)點發(fā)生故障；否則說明區(qū)域正常.

圖2 滑動窗口機制Fig.2 Sliding window mechanism

事件特征的變化規(guī)律與事件發(fā)生的具體時刻無關(guān)，而是與距離事件發(fā)生時刻之后的一段時間有關(guān).每一個時刻傳感器節(jié)點采集數(shù)據(jù)，并對事件進行有效的判斷，并把判斷的值緩存在本地.為了更有效地檢測事件的發(fā)生，本文在節(jié)點內(nèi)部采用雙重滑動窗口技術(shù)，如圖2所示.在傳感器節(jié)點采集到下一時刻的數(shù)據(jù)的時候，移動窗口，執(zhí)行事件檢測算法，從時間相關(guān)性上對事件進行判斷.窗口的長度的L，F(xiàn)lag表示節(jié)點t時刻的狀態(tài).狀態(tài)的值由公式(3)決定.

(3)

當(dāng)滑動窗口的長度為1的時候，F(xiàn)lag=1，則表示事件發(fā)生，否則事件沒發(fā)生；當(dāng)滑動窗口的長度大于1且小于窗口大小的時候，則Flag=1的數(shù)量大于Flag=0的數(shù)量的時候表示事件發(fā)生，否則無事件發(fā)生；當(dāng)窗口的長度與滑動窗口的長度一致的時候，設(shè)定閾值C，F(xiàn)lag=1的數(shù)量大于C的時候，表示事件發(fā)生.

表1 當(dāng)L=3的時候滑動窗口的執(zhí)行過程Table 1 Execution of the sliding window when L=3

表1描述了L=3的時候，節(jié)點內(nèi)部滑動窗口實現(xiàn)的機制.在節(jié)點內(nèi)部建立兩個緩存隊列DATAQUEUE和EVENTQUEUE，分別存放節(jié)點的采樣值xi，以及節(jié)點的事件判斷值yi.節(jié)點每個時刻采集的數(shù)據(jù)采用先進先出的方式存放在DATAQUEUE.對于節(jié)點i而言，首先在DATAQUEUE隊列中執(zhí)行滑動窗口技術(shù)，當(dāng)滿足公式(3)，在EVENTQUEUE中記錄此時的事件的狀態(tài)，在EVENTQUEUE隊列中執(zhí)行周期不同的滑動窗口技術(shù)，當(dāng)達到預(yù)測的條件時候則判斷事件發(fā)生，然后執(zhí)行下一步操作.具體時間相關(guān)的算法檢測流程描述如下：

時間相關(guān)性事件檢測算法eventDetection(k,C) intcount=0; if(k==1)/*當(dāng)窗口內(nèi)僅有1個數(shù)據(jù)*/ if(En(t)C/2) status="NE"; else status="NN"; end elseif(k==C)/*當(dāng)滑動窗口數(shù)據(jù)滿時候*/ forj=1:k if(En(t)=C) status="NE"; else status="NN"; end end

3.2 空間相關(guān)性檢測

雖然傳感器的滑動窗口能夠檢測到事件的發(fā)生，但是，單個節(jié)點檢測的結(jié)果存在著不可靠性，無法將節(jié)點的固定測量值故障排除.由于通常事件都會覆蓋一定的區(qū)域和多數(shù)節(jié)點，物理位置相近的節(jié)點在同一時間段內(nèi)采集的信息又十分相似，所以可以通過節(jié)點之間的空間相關(guān)性進行進一步的事件檢測.

定義3.節(jié)點鄰域：無線傳感器網(wǎng)絡(luò)中節(jié)點通信范圍內(nèi)所有節(jié)點的集合Nb(i)={Sj|distance(i，j)}.

節(jié)點的鄰域節(jié)點在時刻t的采樣的數(shù)據(jù)值分別為{x1，x2，x3，…，xn}.鄰域節(jié)點的位置分布對事件檢測檢測準(zhǔn)確與否有很大的關(guān)系，距離越近的節(jié)點相似程度越大，相關(guān)性也就越強，在事件檢測判斷中起的作用越大，反之越小.如圖3所示，利用節(jié)點間的距離參數(shù)反映對其節(jié)點i決策的影響的權(quán)重wij：

(4)

式中，所有鄰居節(jié)點的加權(quán)和為1.

圖3 節(jié)點空間相關(guān)性模型Fig.3 Spatial correlation model of nodes

節(jié)點i的事件檢測判斷的置信度可以為：

(5)

當(dāng)節(jié)點i自身檢測到事件發(fā)生的時候，節(jié)點i執(zhí)行空間相關(guān)性檢測算法，利用鄰域節(jié)點的信息協(xié)同判斷.根據(jù)鄰域節(jié)點的不同支持度，計算不同的決策信息.如果鄰域節(jié)點也檢測到異常數(shù)據(jù)，支持事件發(fā)生的概率越大，則節(jié)點i判斷事件發(fā)生的概率也就越大，立即傳輸信息回基站，否則，判斷數(shù)據(jù)異常來自測量的故障，進行下一步處理.具體空間相關(guān)的算法檢測流程描述如下所示.

4 基于預(yù)測機制的事件檢測容錯算法

在事件檢測過程中，考慮到環(huán)境的不確定性以及網(wǎng)絡(luò)節(jié)點本身的不可靠性導(dǎo)致傳感器產(chǎn)生錯誤的讀數(shù)，從而影響整個網(wǎng)絡(luò)對事件的檢測.為了提高傳感器對事件狀態(tài)決策的可靠性，本文在事件檢測算法的基礎(chǔ)上，進一步提出一種基于預(yù)測機制的容錯算法.容錯機制是利用基于時間相關(guān)的預(yù)測算法.

課題組在前期工作中，為了優(yōu)化移動代理的行程，采用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)進行優(yōu)化，并加入了自適應(yīng)融合策略以及數(shù)據(jù)分流策略.鑒于傳統(tǒng)SVM模型[15]、反向傳播神經(jīng)網(wǎng)絡(luò) (Back Propagation Neural Network，BPNN)[16]、極限學(xué)習(xí)機(Extreme Learning Machine，ELM)[17]、PSO和BP神經(jīng)網(wǎng)絡(luò)方法相結(jié)合所提出一種PSO-BPNN預(yù)測模型[18]等所存在預(yù)測精度不足的問題，課題組考慮傳感器節(jié)點周期性采集的數(shù)據(jù)具有時間相關(guān)性，利用K-Nearest Neighbor(KNN)與PSO優(yōu)化的極限學(xué)習(xí)機網(wǎng)絡(luò)建立能夠反應(yīng)采集數(shù)據(jù)中動態(tài)依存的數(shù)學(xué)模型，減少節(jié)點中冗余數(shù)據(jù)的傳輸，引入流行學(xué)習(xí)中的局部線性重構(gòu)的思想，結(jié)合改進的極限學(xué)習(xí)機，提出了KNN- PSOELM數(shù)據(jù)預(yù)測模型[19].優(yōu)化之后的模型不僅使得原始非線性的傳感器數(shù)據(jù)具有局部線性的特征，而且避免了由異常數(shù)據(jù)樣本引起的病態(tài)隱層輸出矩陣，使模型具有更高的預(yù)測精度與泛化能力.

空間相關(guān)性檢測算法faultDetection(r) fori=1:N if(dij<=r) weight=calculatetheweightwij; end end fori=1:N if(neighbor'status==NE) NEVALUE=calculate(i,weight); else NNVALUE=calculate(i,weight); end end if(NEVALUE>NNVALUE) status="Event"; Send("EventDetected!"); else status="Fault"; Send("FaultEquipment"); end end

傳感器的初始狀態(tài)為NN，每隔T周期采集一次樣本，在采集的過程中同時執(zhí)行基于事件時間相關(guān)性的檢測與空間相關(guān)性的檢測.當(dāng)某個時刻傳感器y讀數(shù)大于R(t)的時候，即自身檢測到事件，將傳感器的的狀態(tài)置為NE.此刻，節(jié)點進入空間相關(guān)性檢測，向鄰居廣播消息，收集鄰域節(jié)點的狀態(tài)，從而確定自身的狀態(tài).如果節(jié)點的狀態(tài)與鄰域節(jié)點的狀態(tài)一致，說明傳感器位于事件區(qū)域，需要發(fā)送事件發(fā)生信息回基站.反之，節(jié)點的狀態(tài)與鄰域節(jié)點的狀態(tài)并不同，則認為自身發(fā)生了錯誤，此刻需要執(zhí)行容錯算法KNN-PSOELM.因此，本文的事件檢測容錯算法的流程圖如圖4所示.

圖4 基于預(yù)測機制的事件檢測容錯算法的流程圖Fig.4 Flow chart of the proposed prediction-based fault-tolerant aggregation algorithm

5 仿真實驗

5.1 實驗基本設(shè)置

本節(jié)采用Matlab軟件進行仿真實驗，對WSN事件檢測與容錯性能進行評估.假設(shè)傳感器節(jié)點隨機分布在100m×100m的區(qū)域內(nèi)，感知的數(shù)據(jù)類型是溫度數(shù)據(jù).通常情況下，傳感器的感知數(shù)據(jù)在[Tmin，Tmax]內(nèi)是連續(xù)的而且服從正態(tài)分布.因此，本文隨機產(chǎn)生一組數(shù)據(jù)，使其服從正態(tài)分布φ(i)，其中Tmin=25℃、Tmax=40℃、E(i)=32.5℃、τ=2.5℃.其分布曲線圖如5所示.

圖5 正態(tài)分布的溫度數(shù)據(jù)Fig.5 Temperature data of normal distribution

5.2 仿真實驗1

本節(jié)探討節(jié)點通信半徑，EVENTQUEUE的長度和平均事件檢測數(shù)的關(guān)系，其中節(jié)點的密度為100.實驗結(jié)果如圖6所示，隨著節(jié)點的通信半徑的增加，平均事件檢測的數(shù)量下降，這是因為通信范圍的擴大，使得節(jié)點的領(lǐng)域節(jié)點數(shù)量增加，空間的相關(guān)性得到提高，使得節(jié)點異常數(shù)據(jù)被判定為事件的幾率減少.當(dāng)通信半徑一定的時候，EVENTQUEUE的長度對事件的檢測同樣產(chǎn)生影響.EVENTQUEUE的長度增加，提高了事件的檢測的準(zhǔn)確度，排除瞬時值的故障測量引發(fā)的錯誤事件，因此降低了平均事件檢測數(shù)量.

圖6 通信范圍、窗口長度和平均事件檢測數(shù)的關(guān)系Fig.6 Relationship among communication range，window length and average event detection

從圖7可以看出事件區(qū)域的檢測數(shù)量隨著節(jié)點的密度增加而逐漸遞減.同理，節(jié)點總數(shù)的增加導(dǎo)致節(jié)點的密度增加，使得參與協(xié)作決策的成員數(shù)量增加，從而，瞬時值故障測量值或者固定值故障測量值被判定為事件的幾率減少.

圖7 節(jié)點密度、通信范圍和平均事件檢測數(shù)的關(guān)系Fig.7 Relationship among node density，communication range and average event detection

5.3 仿真實驗2

本節(jié)實驗結(jié)合事件檢測機制與容錯機制，對于出現(xiàn)故障的節(jié)點采取了基于預(yù)測的KNN-PSOELM容錯機制，并將KNN-PSOELM模型分別與BPNN、SVR、ELM和PSOBPNN進行對比[19]，同時將本文的事件檢測容錯算法與基于加權(quán)中值法的事件檢測容錯算法[10]、基于自適應(yīng)加權(quán)平均法的事件檢測容錯算法[11]進行比較與分析.

圖8 五種數(shù)據(jù)預(yù)測模型預(yù)測結(jié)果對比Fig.8 Comparison of prediction results of five data forecasting models

一方面本節(jié)實驗將KNN-PSOELM模型分別與BPNN[16]、SVR[15]、ELM[17]和PSOBPNN[18]進行對比，實驗結(jié)果如圖8所示[19].由圖8可以明顯看出，本文模型的預(yù)測值與真實值十分接近，效果明顯優(yōu)于其他算法.為了更好地說明KNN-PSOELM模型的優(yōu)越性，下面對預(yù)測成功率進行分析.從圖9可以看出在不同的預(yù)設(shè)閾值下不同預(yù)測機制預(yù)測數(shù)據(jù)的成功率[19].KNN-PSOELM模型預(yù)測的成功率都優(yōu)于其他幾個預(yù)測模型，當(dāng)預(yù)設(shè)閾值達到0.4的時候，預(yù)測的成功率到達100%.此刻傳感器節(jié)點無需發(fā)送數(shù)據(jù)，節(jié)省了能量.

圖9 不同閾值下五種數(shù)據(jù)預(yù)測模型的預(yù)測成功率Fig.9 Prediction success ratio of five data prediction models under different thresholds

另一方面，將本文的事件檢測容錯算法與基于加權(quán)中值法的事件檢測容錯算法[10]、基于自適應(yīng)加權(quán)平均法的事件檢測容錯算法[11]進行比較與分析.其中節(jié)點密度為100，通訊半徑為20，EVENTQUEUE的長度為4，簇首融合的數(shù)據(jù)來源于簇內(nèi)的3個節(jié)點.為了更好地可視化傳感器讀數(shù)，本文采用了多項式插值方法對原始的數(shù)據(jù)進行擬合，并對簇內(nèi)其中一個節(jié)點做產(chǎn)生錯誤數(shù)據(jù)處理.

圖10 容錯之后融合結(jié)果對比Fig.10 Comparison of fusion results after fault tolerance

當(dāng)節(jié)點出現(xiàn)故障的時候，節(jié)點利用歷史的時間序列數(shù)據(jù)估計當(dāng)前周期內(nèi)的數(shù)據(jù).由圖10可以看出，節(jié)點發(fā)生故障的時候，節(jié)點數(shù)據(jù)融合的結(jié)果容易造成很大的偏差，自適應(yīng)加權(quán)平均法(AdaptiveWeightedAverage)雖然能夠有效地降低錯誤節(jié)點的權(quán)重，逐漸提高數(shù)據(jù)融合的精度.但是，權(quán)重的調(diào)整過程需要耗費一定的時間，容易導(dǎo)致前期的數(shù)據(jù)失去有效性.同時加權(quán)中值法(AggregateMedian)檢測在節(jié)點故障率較高的系統(tǒng)中算法的性能將會顯著下降.本文提出的基于預(yù)測的容錯算法很好地解決兩個對比算法的不足.通過對時間歷史數(shù)據(jù)分析建模，然后預(yù)測得到最新的估計值.排除了錯誤數(shù)據(jù)的影響，保證數(shù)據(jù)融合的準(zhǔn)確度.如圖10所示，運用本文的容錯算法，簇首節(jié)點融合的結(jié)果與實際的真實結(jié)果十分相近，證明了本文的容錯算法的實用性和高效性.

6 結(jié) 論

針對傳感器節(jié)點自身設(shè)備不穩(wěn)定以及監(jiān)測環(huán)境惡劣等原因造成的錯誤檢測結(jié)果，影響數(shù)據(jù)融合的結(jié)果，從而發(fā)生錯誤事件檢測判斷，本文在已建立的有效的數(shù)據(jù)預(yù)測機制上，提出了無線傳感器網(wǎng)絡(luò)中一種新穎基于預(yù)測技術(shù)的事件檢測容錯算法.利用事件的時空關(guān)聯(lián)性對監(jiān)測區(qū)域進行事件檢測，有效地提高事件檢測的準(zhǔn)確度.同時采用基于時間預(yù)測的算法進容錯的計算，排除錯誤數(shù)據(jù)對網(wǎng)絡(luò)的影響，在網(wǎng)絡(luò)故障的時候，系統(tǒng)仍能給出正確信息的能力,保證系統(tǒng)的可靠性.仿真實驗結(jié)果表明了算法的正確性和有效性.

[1] Yick J，Mukherjee B，Ghosal D.Wireless sensor network survey[J].Computer Networks，2008，52(12)：2292-2330.

[2] Ren Feng-yuan，Huang Hai-ning，Lin Chuang.Wireless sensor networks [J].Journal of Software，2003，14(7)：1282-1291.

[3] Zhang Ji-jun，Liu Yun-fei，Zhao Xin.Review of data aggregation system structure in wireless sensor networks[J].Transducer and Microsystem Technologies，2009，28(10)：1-4.

[4] Wang Yao-nan，Li Shu-tao.Multisensor information fusion and its application：a survey [J].Control and Decision，2001，16(5)：518-522.

[5] Singhal S，Gankotiya A K，Agarwal S，et al.An investigation of wireless sensor network：a distributed approach in smart environment[C].Advanced Computing & Communication Technologies (ACCT)，2012 Second International Conference on.IEEE，2012：522-529.

[6] Zhang Shu-kui，Wang Yi-huai，Cui Zhi-ming，et al.Event region fault-tolerant detection algorithm based on aggregation tree [J].Journal on Communications，2010,31(9)：74-87.

[7] Nguyen-Thanh N，Koo I.Empirical distribution-based event detection in wireless sensor networks：an approach based on evidence theory [J].Sensors Journal，IEEE，2012，12(6)：2222-2228.

[8] Krishnamachari B，Iyengar S.Distributed Bayesian algorithms for fault-tolerant event region detection in wireless sensor networks [J].Computers，IEEE Transactions on，2004，53(3)：241-250.

[9] Chen J，Kher S，Somani A.Distributed fault detection of wireless sensor networks[C].Proceedings of the 2006 Workshop on Dependability Issues in Wireless Ad Hoc Networks and Sensor Networks (DIWANS)，ACM，2006：65-72.

[10] Gao Jian-liang，Xu Yong-jun，Li Xiao-xiong.Weighted-median based distributed fault detection for wireless sensor networks[J].Journal of Software，2007，18(5)：1208-1217.

[11] Ding M，Chen D，Thaeler A，et al.Fault-tolerant target detection in sensor networks [C].Proceedings of 2005 IEEE Wireless Communications and Networking Conference (WCNC) ,IEEE，2005：2362-2368.

[12] Huang Ri-mao，Qiu Xue-song，Gao Zhi-peng，et al.A neighbor-data analysis method for fault detection in wireless sensor networks [J].Journal of Beijing University of Posts and Telecommunications，2011，34(3)：31-34.

[13] Enemark H J，Zhang Y，Dragoni N，et al.Energy-efficient fault-tolerant dynamic event region detection in wireless sensor networks[C].Proceedings of the 81st Vehicular Technology Conference (VTC Spring)，IEEE，2015：1-5.

[14] Xu Xiao-long，Geng Wei-jian，Yang Geng，et al.An efficient fault-tolerant event and event boundary detection algorithm for wireless sensor networks [J].Journal of Computer Research and Development，2015，51(5)：997-1008.

[15] Guo Yi-nan，Cheng Jian，Yang Mei.Selection method for hyper-parameters of support vector regression by chaotic cultural algorithm [J].Control and Decision，2010，25(4)：525-530.

[16] Takayama K，F(xiàn)ujikawa M，Nagai T.Artificial neural network as a novel method to optimize pharmaceutical formulations[J].Pharmaceutical Research，1999，16(1)：1-6.

[17] Huang G B，Zhou H，Ding X，et al.Extreme learning machine for regression and multiclass classification[J].Systems，Man，and Cybernetics，Part B：Cybernetics，IEEE Transactions on，2012，42(2)：513-529.

[18] Lin J，Guo W Z，Chen G L，et al.A PSO-BPNN-based model for energy saving in wireless sensor networks[C].International Conference on Machine Learning and Cybernetics (ICMLC)，IEEE，2009，2：948-952.

[19] Hong Wei，Guo Kun，Guo Wen-zhong.Prediction model in wireless sensor network based on optimized extreme learning machine regression [J].Journal of Chinese Computer Systems，2016，37(11)：2478-2482.

附中文參考文獻：

[2] 任豐原，黃海寧，林 闖.無線傳感器網(wǎng)絡(luò)[J].軟件學(xué)報，2003，14(7)：1282-1291.

[3] 趙繼軍，劉云飛，趙 欣.無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合體系結(jié)構(gòu)綜述[J].傳感器與微系統(tǒng)，2009，28(10)：1-4.

[4] 王耀南，李樹濤.多傳感器信息融合及其應(yīng)用綜述[J].控制與決策，2001，16(5)：518-522.

[6] 張書奎，王宜懷，崔志明，等.基于融合樹的事件區(qū)域檢測容錯算法[J].通信學(xué)報，2010，31(9)：74-87.

[10] 高建良，徐勇軍，李曉雄.基于加權(quán)中值的分布式傳感器網(wǎng)絡(luò)故障檢測[J].軟件學(xué)報，2007，18(5)：1208-1217.

[12] 黃日茂，邱雪松，高志鵬，等.無線傳感器網(wǎng)絡(luò)中鄰居數(shù)據(jù)分析的故障檢測方法[J].北京郵電大學(xué)學(xué)報，2011，34(3)：31-34.

[14] 徐小龍，耿衛(wèi)建，楊 庚，等.高效容錯的無線傳感網(wǎng)事件及其邊界檢測算法[J].計算機研究與發(fā)展，2015，51(5)：997-1008.

[15] 郭一楠，程 健，楊 梅.支持向量回歸超參數(shù)的混沌文化優(yōu)化選擇方法[J].控制與決策，2010，25(4)：525-530.

[19] 洪 偉，郭 昆，郭文忠.無線傳感器網(wǎng)絡(luò)中極限學(xué)習(xí)機回歸優(yōu)化預(yù)測模型[J].小型微型計算機系統(tǒng)，2016，37(11)：2478-2482.