基于人工蜂群的WSN故障数据挖掘算法-论文.pdf

《基于人工蜂群的WSN故障数据挖掘算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2015年1月四川大学学报(自然科学版)Jan．2015第52卷第1期JournalofSichuanUniversity(NaturalScienceEdition)Vo1．52No．1doi：103969／j．issn．0490—6756．2015．01．011基于人工蜂群的WSN故障数据挖掘算法宋正江，李晓晨(浙江工业职业技术学院，绍兴312000)摘要：为了有效提高无线传感器网络中故障数据的判别能力，本文结合人工蜂群算法提出了一种新的挖掘算法FDMA(FaultDataMiningAlgorithm)．该算法首先利用小波变换降低故障数据的突发性，以达到对故障数据的标准化处

2、理．其次，基于关联系数来划分故障数据分布区间，并建立了数据挖掘的目标函数，同时利用人工蜂群算法对目标函数进行优化．最后，通过实际传感器样本数据进行仿真实验，对比研究了FDMA算法与其它算法之间的性能状况(包括吞吐量、延迟时间、丢包率和能耗)，结果发现FDMA算法具有较好的适应性．关键词：无线传感器网络；故障；数据挖掘；分布区间；人工蜂群；小波变换中图分类号：TP309文献标识码：A文章编号：0490—6756(2015)01—0051—06ThefaultdataminingalgorithmforWSNbasedonartificialbeecolonySONGZheng—Ji

3、ang，LJXiao—Chen(ZhejiangIndustryPolytechnicCollege，Shaoxing312000，China)Abstract：Inordertoeffectivelyimprovetheidentificationabilityforfaultdataofwirelesssensornet-work，anewminingalgorithmFDMA(FaultDataMiningAlgorithm)isproposedbyartificialbeecolo-ny．Inthisalgorithm，theburstoffaultdataisreduc

4、edtobestandardizationwithwavelettransform。andthedistributionrangeisdividedbycorrelationcoefficient．Then，theobjectivefunctionisbuilttominingfaultdata，anditisoptimizedwithartificialbeecolony．Finally，asimulationwithactualsensorssampledatawasconductedtostudytheperformancebetweenFDMAandotheralgori

5、thm，suchasthroughput，timedelay，packetdroppingrateandenergyconsumption．Theresultsshowthat，FDMAhasbetteradaptability．Keywords：Wirelesssensornetwork；Fault；Datamining；Distributionrange；Artificialbeecolony；Wave1ettransforill别是当无线传感器网络出现故障时，主要是依据引嗣其数据状态及参数的变化来找出故障发生的部位．随着数据挖掘技术的日趋成熟，无线传感器目前诊断的主要思想是

6、将通过已有的故障知识加网络(WirelessSensorNetwork，WSN)的故障数工成智能系统所能接受的语言或语法，并将待诊据处理已经得到广泛应用引．由于信息量的飞速样本与系统所记忆的故障知识的匹配过程，常用增长，一些不同类型和属性的故障数据存储于同的方法包括专家系统、模糊诊断和其它人工智能等一数据库中，这给故障划分带来了不小困难．特方法[4]．但由于故障样本等先验信息获取困难，收稿日期：2014—04-05基金项目：浙江省自然科学基金(y1080023)作者简介：宋正江(1982一)，男，讲师，硕士，研究方向为数据挖掘和云计算．E—mail：songzj1982@163．

7、corn52四川大学学报(自然科学版)第52卷从而严重影响故障诊断的有效性．因此，如何快际样本数据验证算法的有效性；第6节对论文进速有效地对故障数据进行划分和挖掘成为目前研行总结．究的重点和热点．2故障数据分类目前，数据挖掘常用方法【9有：(1)模糊(Fuzzy)方法：根据前提和规则推理得到结论，它假设WSN故障数据x：[，z，⋯，]，把握结论的趋势，是近似的结果．在模糊方法中，为了能够有效将故障数据X进行分类，这里利用关系就是模糊集合，找关系便是找隶属度函数，关联系数来构造分类