CN107454611B - 基于knn的免疫危险无线传感器网络故障诊断方法 - Google Patents
基于knn的免疫危险无线传感器网络故障诊断方法 Download PDFInfo
- Publication number
- CN107454611B CN107454611B CN201710676068.5A CN201710676068A CN107454611B CN 107454611 B CN107454611 B CN 107454611B CN 201710676068 A CN201710676068 A CN 201710676068A CN 107454611 B CN107454611 B CN 107454611B
- Authority
- CN
- China
- Prior art keywords
- antibody
- affinity
- antigen
- antibody library
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Peptides Or Proteins (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于KNN的免疫危险无线传感器网络故障诊断方法,包括当节点感知到危险信号时在所述节点周围建立危险域,并将危险域中的待检测对象处理成可识别的待检测抗原;根据抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,更新每个记忆抗体库,将更新后的所有记忆抗体库合并为当前抗体库,直到迭代次数达到最终迭代次数时,比较所述待检测抗原与最终抗体库中的抗体,得到故障诊断结果。可知本发明公开的故障诊断方法将免疫危险理论与KNN算法相结合,减少了KNN算法的计算量和计算复杂度,提高了算法结果的准确性。本发明还公开了一种基于KNN的免疫危险无线传感器网络故障诊断装置,同样能达到上述技术效果。
Description
技术领域
本发明涉及无线传感器网络领域,更具体地说,涉及一种基于KNN的免疫危险无线传感器网络故障诊断方法及装置。
背景技术
由于多种无法回避因素的影响,导致无线传感器网络节点出现各种各样的故障,从而降低了无线传感器网络预期要达到的效果、失去应有的功能,甚至整个网络瘫痪造成严重的损失。通过对无线传感器网络即时有效的进行故障诊断,对各种异常情况故障情况给出实时准确的故障诊断报告,可以很好的预防和消除无线传感器网络中故障,同时提高无线传感器网络运行的各种可行性。通过对故障类型的准确判断,可以把故障带来的损失降低,并最终延长其使用时间。实现无线传感器网络节点的远程维护,是保障无线传感器网络提供可靠信息规划、管理节点的有效途径。
在现有技术中,一般采用KNN分类算法诊断节点故障的类型。KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别,导致该方法需要一定数量的样本数才能够达到理想的分类效果,但是当样本数及样本维数比较大时,KNN分类算法的计算量和计算复杂度就会随之增大,造成了算法效率低、结果不理想。
因此,如何保证样本多样性的前提下,减少KNN算法的计算量和计算复杂度是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于KNN的免疫危险无线传感器网络故障诊断方法及装置,在保证样本多样性的前提下,减少了KNN算法的计算量和计算复杂度,提高了算法结果的准确性。
为实现上述目的,本发明实施例提供了如下技术方案:
S101:当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
S102:计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
S103:根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将更新后的所有记忆抗体库合并为当前抗体库;
S104:判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并进入S105;若否,则进入S102;
S105:比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
其中,所述S103包括:
S331:删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
S332:判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则进入S333;
S333:判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,若否,则删除所述第二抗体;
S334:将更新后的所有记忆抗体库合并为当前抗体库。
其中,所述S104之前还包括:
判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
其中,所述当节点感知的危险信号时,在所述节点周围建立危险域包括:
当节点检测到危险属性在单位时间内变化量超过预设的范围时,在所述节点周围建立危险域。
其中,在所述节点周围建立危险域,包括:
确定所述危险信号的危险等级,在所述节点周围建立与所述危险等级相对应的危险域。
其中,比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果,包括:
计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力,并按照亲和力由大到小的顺序获取预设数量的抗体;
根据所述预设数量的抗体诊断所述待检测抗原所属的故障类型。
为实现上述目的,本发明实施例还提供了一种基于KNN的免疫危险无线传感器网络故障诊断装置,包括:
建立危险域模块,用于当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
克隆变异模块,用于计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
免疫抑制模块,用于根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将所有的记忆抗体库合并为当前抗体库;
总体迭代模块,用于判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并触发故障诊断模块;若否,则触发克隆变异模块;
故障诊断模块,用于比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
其中,所述免疫抑制模块,包括:
第一删除单元,用于删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
判断单元,用于判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则触发第二删除单元;
第二删除单元,用于判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,若否,则删除所述第二抗体;
合并单元,用于将更新后的所有记忆抗体库合并为当前抗体库。
其中,还包括:
总体免疫抑制模块,用于在判断迭代次数是否达到最终迭代次数之前,判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
其中,所述故障诊断模块,包括:
获取单元,用于计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力,并按照亲和力由大到小的顺序获取预设数量的抗体;
诊断单元,用于根据所述预设数量的抗体诊断所述待检测抗原所属的故障类型。
通过以上方案可知,本发明实施例提供的一种基于KNN的免疫危险理论无线传感器网络故障诊断方法,包括当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将更新后的所有记忆抗体库合并为当前抗体库,直到迭代次数达到最终迭代次数时,将所述当前抗体库确定为最终抗体库,比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
本发明实施例提供的免疫危险无线传感器网络故障诊断方法根据抗原更新抗体库,由于免疫危险理论具有连续学习和进化的能力,在样本量少的情况下,通过进化学习,保持样本的多样性,同时淘汰相识度高的抗体,减少了KNN算法的计算量。由此可知,本发明实施例提供的免疫危险无线传感器网络故障诊断方法,将免疫危险理论与KNN算法相结合,减少了KNN算法的计算量和计算复杂度,提高了算法结果的准确性。本发明实施例还提供了一种基于KNN的免疫危险无线传感器网络故障诊断装置,同样能达到上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于KNN的免疫危险无线传感器网络故障诊断方法的流程图;
图2为本发明实施例公开的一种基于KNN的免疫危险无线传感器网络故障诊断方法的网络结构图;
图3为本发明实施例公开的另一种基于KNN的免疫危险无线传感器网络故障诊断方法的流程图;
图4为本发明实施例公开的又一种基于KNN的免疫危险无线传感器网络故障诊断方法的流程图;
图5为本发明实施例公开的一种基于KNN的免疫危险无线传感器网络故障诊断装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于KNN的免疫危险无线传感器网络故障诊断方法及装置,在保证样本多样性的前提下,减少了KNN算法的计算量和计算复杂度,提高了算法结果的准确性。
参见图1和图2,图1为本发明实施例提供的一种基于KNN的免疫危险无线传感器网络故障诊断方法的流程图,图2为本发明实施例公开的一种基于KNN的免疫危险无线传感器网络故障诊断方法的网络结构图。如图1所示,包括:
S101:当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
本发明实施例提供的故障诊断方法是基于分簇式无线传感网络的,无线传感器节点被均匀的部署在某个区域内,无线传感网络可以划分为若干个簇,每个簇内的节点包括簇头节点和普通节点,簇头节点负责协调和控制簇内的普通节点及其数据的融合,同时簇头节点之间可以通过网关通信。
本发明实施例中的抗原和抗体的概念遵从Perelson与Oster于1979年提出的形态空间模型。在此基础上,用一个二进制字符串表示抗体Ab和抗原Ag。
即定义抗原Ag是由m个特征基因组成,Ag={agi|i=1,2,3,...,n}为抗原集合,每个抗原agi={agi1,agi2,agi3,...,agim}表示为第i个抗原。同样可以定义抗体集合:Ab={abi|i=1,2,3,...,n}为抗体集合,每个抗体为abi={abi1,abi2,abi3,...,abim}表示为第i个抗体。其中agim和abim分别为抗原agi和抗体abi的基因。
在某一簇内的某个普通节点感受到危险信号时,需要在该危险节点的周围建立危险域,确定待检测对象的提取范围,减少故障诊断的计算量。
***需要将危险域内的待检测对象预处理成抗原识别组件可识别的数据类型,即待检测抗原。只有处于危险域内被识别的抗原才会激活免疫应答。否则,即使抗原被识别但没有危险信号发生,***将忽略该抗原。处在危险区域的节点把抗原agi={agi1,agi2,agi3,...,agim}提呈给决策节点。
在上述实施例的基础上,作为优选实施方式,所述当节点感知的危险信号时,在所述节点周围建立危险域包括:
当节点检测到危险属性在单位时间内变化量超过预设的范围时,在所述节点周围建立危险域。
在具体实施中,通过监视危险信号在环境中的变化,及时发现及感知潜在的“危险”。“危险”都会产生危险量的变化,任何***(包括身体和网络***),在正常的情况下,一切都是正常运行,不会环境异常的变化。但是变化是相对的,正常的机体和***在正常的范围内变化属于“静止”的,只有超过正常的变化的范围才是危险信号的显现。因此,可以通过监测机体和***相关信号量的变化来感知危险,从而感知危险的存在。在生物免疫***中,如果一个细胞因正常原因死亡(凋亡),在分解之前清除掉细胞实体。但是如果是在异常情况下坏死的细胞(受难细胞),在被清除之前会释放出危险信号。类似的,在本实施例中提出的免疫危险理论中,无线传感器网络节点通过感知自身危险量的变化感知危险的存在,并释放出危险信号,在一般情况下传感器节点在产生故障的情况下感知危险并产生危险信号。
针对某类抗原危险信号,有
其中Dfi为危险属性,如:传感器网络节点TDMA完全失效,传感器节点电源能量DF1下降很快;
其中,Cpower表示在Δt时间内电量的变化量。将每个危险属性归一化,并给一个对应的阈值δi,在t时刻,如果CFi=|DFt-DFt-1|>δi,则认为该属性发生了不正常变化,可能存在危险,感受到危险之后,节点发送危险信号给决策节点,危险信号为:
DS=<Timestamp,{(DFi,Dfi)}>
危险信号检测过程只需要在节点的正常的工作时间,不会产生额外的节点唤醒。
在上述实施例的基础上,作为优选实施方式,在所述节点周围建立危险域,包括:
确定所述危险信号的危险等级,在所述节点周围建立与所述危险等级相对应的危险域。
当决策节点接收到节点感知到危险信号时,就会依据节点感知到的危险信号的大小,在节点周围建立危险域。危险域锁定了故障诊断的区域范围,为决策节点的诊断锁定了区域,从而很大程度提高了无线传感器网络诊断算法的计算量,提高了算法诊断性能和实时性。同时这样是免疫危险理论算法优于传统人工免疫算法的体现。因此危险域的建立决定了故障诊断算法的诊断性能。危险域是一个时间和空间上相关联的集合,当然危险域的建立要与实际应用环境以及危险信号的确定有着密切的关系。
在具体实施中,一旦决策节点接受到传感器节点的危险信号,便要建立一个危险域,危险域是以发出危险信号的节点为中心,覆盖范围称作危险半径,以跳数为单位。危险域的半径域危险程度有关,危险半径为:
其中,nd为单位时间内,决策节点受到的危险信号的个数,ωi为每个危险属性的权重。
当然,也可以根据节点的属性,在所述节点周围建立危险域,对于整个网络而言,承担任务大的节点比承担任务小的节点建立的危险域大。
S102:计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
本发明实施例中亲和度的大小反映了抗原与抗体以及抗体与抗体之间的匹配程度。如果亲和度值越大,则抗体与抗原就越匹配。亲和力函数为:
在免疫危险理论中,为了使抗体具有多样性,要剔除相识度过高的抗体,同时对于优秀的抗体进行克隆,这些优秀的抗体从初始抗体群中进行选择,体现了进化免疫危险网络算法中的进化思想。在本实施例中,选择的方法为对所有抗体与某个抗原之间的亲和力排序,从中选择出钱n(n<N)个高亲和度的抗体进行克隆,其中N为网络中抗体的个数,出线的标准为亲和力超过预设的克隆预设值。
对选择好的抗体进行克隆选择,克隆的数目与亲和度成正比:亲和度越高,克隆复制的数目越多。每个刺激的抗体的克隆数目NC的计算方法如下:
其中,N为抗体数目,f(i,j)为抗体i与抗原j之间的亲和度。
为了增加抗体的多样性,经历过选择克隆之后产生的抗体要经历一个变异过程。变异过程是克隆选择算法的重要组成部分,是实现多样性的基本保障,其主要目的就是形成的与抗原亲和力更高的抗体,变异公式如下:
Ck′=Ck+αk(Ag-Ck),α∝f(i,j)
S103:根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将更新后的所有记忆抗体库合并为当前抗体库;
在具体实施中,为了实现抗体的多样性和避免为成熟收敛,经过克隆选择之后,可以将免疫网络中的记忆抗体进行调整,剔除其中的一部分抗体,即对记忆抗体库进行免疫抑制,免疫抑制的方式可以根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力。
S104:判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并进入S105;若否,则进入S102;
对抗体库的更新需要达到预先设定的最终迭代次数,才能保证最终生成的抗体库检测抗原的效果更好。
S105:比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
以抗体作为检测器,比较待检测抗原与最终抗体库中的抗体,待检测抗原与哪种抗体(检测器)相邻数最多,就被视为该类故障。用这种不精确匹配和投票的方式能使有限的抗体识别无限的抗原。
本发明实施例提供的免疫危险无线传感器网络故障诊断方法根据抗原更新抗体库,由于免疫危险理论具有连续学习和进化的能力,在样本量少的情况下,通过进化学习,保持样本的多样性,同时淘汰相识度高的抗体,减少了KNN算法的计算量。由此可知,本发明实施例提供的免疫危险无线传感器网络故障诊断方法,将免疫危险理论与KNN算法相结合,减少了KNN算法的计算量和计算复杂度,提高了算法结果的准确性。
本发明实施例公开了一种具体的基于KNN的免疫危险无线传感器网络故障诊断方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
参见图3,本发明实施例提供的另一种基于KNN的免疫危险无线传感器网络故障诊断方法的流程图。如图3所示,包括:
S301:当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
S302:计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
S331:删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
S332:判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则进入S333,若否,则进入S334;
S333:判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,并进入S334,若否,则删除所述第二抗体,并进入S334;
在过程中,需要计算抗体库中,抗体与抗体之前的亲和力(相识度),亲和力大于一定阈值的将被剔除,同时,与抗原之间亲和力小于一定值的抗体也被剔除。本文用live表示抗体保留或剔除,live取1表示该抗体保留,live取0,表示该抗体受到抑制,要剔除掉,公式如下:
S334:将更新后的所有记忆抗体库合并为当前抗体库。
在上述实施例的基础上,作为优选实施方式,所述S334之后还包括:
判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
在对每个抗原对应的记忆抗体库进行免疫抑制后,还需要对所有记忆抗体库合并之后的当前抗体库进行整体的免疫抑制,免疫抑制的方式与上述方式相同,即从当前抗体库中的第一抗体开始,逐个计算该抗体与当前抗体中的其他抗体之间的亲和力,若大于抗体亲和力预设值,则删除该抗体。
S304:判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并进入S305;若否,则进入S302;
S305:比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
本发明实施例提供的故障诊断方法,可以通过计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力得到故障诊断结果,具体的:
参见图4,本发明实施例提供的又一种基于KNN的免疫危险无线传感器网络故障诊断方法的流程图。如图4所示,包括:
S401:当节点检测到危险属性在单位时间内变化量超过预设的范围时,确定所述危险信号的危险等级,在所述节点周围建立与所述危险等级相对应的危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
S402:计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
S431:删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
S432:判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则进入S433,若否,则进入S434;
S433:判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,并进入S434,若否,则删除所述第二抗体,并进入S434;
S434:将更新后的所有记忆抗体库合并为当前抗体库。
S435:判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
S404:判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并进入S405;若否,则进入S402;
S451:计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力,并按照亲和力由大到小的顺序获取预设数量的抗体;
S452:根据所述预设数量的抗体诊断所述待检测抗原所属的故障类型。
在具体实施中,首先根据待检测抗原与最终抗体库中抗体的亲和力大小,筛选出前K个与待检测抗原亲和力大的抗体作为检测器,比较待检测抗原与筛选出的K个抗体,待检测抗原与哪种抗体(检测器)相邻数最多,就被视为该类故障。用这种不精确匹配和投票的方式能使有限的抗体识别无限的抗原。
下面对本发明实施例提供的免疫危险无线传感器网络故障诊断装置进行介绍,下文描述的一种基于KNN的免疫危险无线传感器网络故障诊断装置与上文描述的一种基于KNN的免疫危险无线传感器网络故障诊断方法可以相互参照。
参见图5,本发明实施例提供的一种基于KNN的免疫危险无线传感器网络故障诊断装置的结构图。如图5所示,包括:
建立危险域模块501,用于当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
克隆变异模块502,用于计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
免疫抑制模块503,用于根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将所有的记忆抗体库合并为当前抗体库;
总体迭代模块504,用于判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并触发故障诊断模块;若否,则触发克隆变异模块;
故障诊断模块505,用于比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
本发明实施例提供的免疫危险无线传感器网络故障诊断装置根据抗原更新抗体库,由于免疫危险理论具有连续学习和进化的能力,在样本量少的情况下,通过进化学习,保持样本的多样性,同时淘汰相识度高的抗体,减少了KNN算法的计算量。由此可知,本发明实施例提供的无免疫危险无线传感器网络故障诊断装置,将免疫危险理论与KNN算法相结合,减少了KNN算法的计算量和计算复杂度,提高了算法结果的准确性。
在上述实施例的基础上,作为优选实施方式,所述免疫抑制模块,包括:
第一删除单元,用于删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
判断单元,用于判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则触发第二删除单元;
第二删除单元,用于判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,若否,则删除所述第二抗体;
合并单元,用于将更新后的所有记忆抗体库合并为当前抗体库。
在上述实施例的基础上,作为优选实施方式,还包括:
总体免疫抑制模块,用于在判断迭代次数是否达到最终迭代次数之前,判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
在上述实施例的基础上,作为优选实施方式,所述故障诊断模块,包括:
获取单元,用于计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力,并按照亲和力由大到小的顺序获取预设数量的抗体;
诊断单元,用于根据所述预设数量的抗体诊断所述待检测抗原所属的故障类型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于KNN的免疫危险无线传感器网络故障诊断方法,其特征在于,包括:
S101:当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
S102:计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
S103:根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将更新后的所有记忆抗体库合并为当前抗体库;
S104:判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并进入S105;若否,则进入S102;
S105:比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
2.根据权利要求1所述的免疫危险无线传感器网络故障诊断方法,其特征在于,所述S103包括:
S331:删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
S332:判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则进入S333;
S333:判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,若否,则删除所述第二抗体;
S334:将更新后的所有记忆抗体库合并为当前抗体库。
3.根据权利要求2所述的免疫危险无线传感器网络故障诊断方法,其特征在于,所述S104之前还包括:
判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
4.根据权利要求3所述的免疫危险无线传感器网络故障诊断方法,其特征在于,所述当节点感知的危险信号时,在所述节点周围建立危险域包括:
当节点检测到危险属性在单位时间内变化量超过预设的范围时,在所述节点周围建立危险域。
5.根据权利要求4所述的免疫危险无线传感器网络故障诊断方法,其特征在于,在所述节点周围建立危险域,包括:
确定所述危险信号的危险等级,在所述节点周围建立与所述危险等级相对应的危险域。
6.根据权利要求1-5任一项所述的免疫危险无线传感器网络故障诊断方法,其特征在于,比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果,包括:
计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力,并按照亲和力由大到小的顺序获取预设数量的抗体;
根据所述预设数量的抗体诊断所述待检测抗原所属的故障类型。
7.一种基于KNN的免疫危险无线传感器网络故障诊断装置,其特征在于,包括:
建立危险域模块,用于当节点感知到危险信号时,在所述节点周围建立危险域,并将所述危险域中的待检测对象处理成可识别的待检测抗原;
克隆变异模块,用于计算抗原库中的每个抗原与初始抗体库中的抗体之间的亲和力,克隆所述亲和力超过克隆预设值的抗体,并将克隆后的抗体向着与所述抗原亲和力更高的方向变异,生成每个抗原对应的记忆抗体库;
免疫抑制模块,用于根据每个记忆抗体库中的抗体与所述记忆抗体库对应的抗原之间的亲和力,和每个记忆抗体库中的抗体之间的亲和力更新每个记忆抗体库,将所有的记忆抗体库合并为当前抗体库;
总体迭代模块,用于判断迭代次数是否达到最终迭代次数,若是,则将所述当前抗体库确定为最终抗体库,并触发故障诊断模块;若否,则触发克隆变异模块;
故障诊断模块,用于比较所述待检测抗原与所述最终抗体库中的抗体,得到故障诊断结果。
8.根据权利要求7所述的免疫危险无线传感器网络故障诊断装置,其特征在于,所述免疫抑制模块,包括:
第一删除单元,用于删除每个记忆抗体库中与所述记忆抗体库对应的抗原之间的亲和力小于抗原亲和力预设值的抗体;
判断单元,用于判断每个记忆抗体库中第一抗体与第二抗体之间的亲和力是否大于抗体亲和力预设值,若是,则触发第二删除单元;
第二删除单元,用于判断所述第一抗体与所述记忆抗体库对应的抗原之间亲和力是否小于所述第二抗体与所述记忆抗体库对应的抗原之间亲和力,若是,则删除所述第一抗体,若否,则删除所述第二抗体;
合并单元,用于将更新后的所有记忆抗体库合并为当前抗体库。
9.根据权利要求8所述的免疫危险无线传感器网络故障诊断装置,其特征在于,还包括:
总体免疫抑制模块,用于在判断迭代次数是否达到最终迭代次数之前,判断所述当前抗体库中的抗体与所述当前抗体库中的其他抗体之间的亲和力是否大于抗体亲和力预设值,若是,则删除所述抗体。
10.根据权利要求7-9任一项所述的免疫危险无线传感器网络故障诊断装置,其特征在于,所述故障诊断模块,包括:
获取单元,用于计算所述待检测抗原与所述最终抗体库中的抗体之间的亲和力,并按照亲和力由大到小的顺序获取预设数量的抗体;
诊断单元,用于根据所述预设数量的抗体诊断所述待检测抗原所属的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710676068.5A CN107454611B (zh) | 2017-08-09 | 2017-08-09 | 基于knn的免疫危险无线传感器网络故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710676068.5A CN107454611B (zh) | 2017-08-09 | 2017-08-09 | 基于knn的免疫危险无线传感器网络故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107454611A CN107454611A (zh) | 2017-12-08 |
CN107454611B true CN107454611B (zh) | 2020-08-07 |
Family
ID=60491839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710676068.5A Active CN107454611B (zh) | 2017-08-09 | 2017-08-09 | 基于knn的免疫危险无线传感器网络故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107454611B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956885B (zh) * | 2018-07-21 | 2020-06-16 | 翼捷安全设备(昆山)有限公司 | 基于传感器网络的气体检测智能风险预警*** |
CN109376779B (zh) * | 2018-10-19 | 2020-10-27 | 西安交通大学 | 一种复杂机电***服役模式自动识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101415256A (zh) * | 2008-11-28 | 2009-04-22 | 南京航空航天大学 | 基于人工免疫***的无线传感器网络故障诊断方法 |
CN102374936A (zh) * | 2010-08-23 | 2012-03-14 | 太原理工大学 | 一种基于复杂免疫网络算法的机械故障诊断方法 |
CN105897577A (zh) * | 2016-05-19 | 2016-08-24 | 东华大学 | 一种可充电无线传感器网络免疫路由修复方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009006560B4 (de) * | 2009-01-27 | 2011-06-16 | Freie Universität Berlin | Verfahren und Sensornetz zur Merkmalsauswahl für eine Ereigniserkennung |
-
2017
- 2017-08-09 CN CN201710676068.5A patent/CN107454611B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101415256A (zh) * | 2008-11-28 | 2009-04-22 | 南京航空航天大学 | 基于人工免疫***的无线传感器网络故障诊断方法 |
CN102374936A (zh) * | 2010-08-23 | 2012-03-14 | 太原理工大学 | 一种基于复杂免疫网络算法的机械故障诊断方法 |
CN105897577A (zh) * | 2016-05-19 | 2016-08-24 | 东华大学 | 一种可充电无线传感器网络免疫路由修复方法 |
Non-Patent Citations (1)
Title |
---|
"基于免疫危险理论的无线传感器网络节点故障诊断";赵锡恒等:;《传感技术学报》;20140531;第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107454611A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147387B (zh) | 一种根因分析方法、装置、设备及存储介质 | |
CN105404890B (zh) | 一种顾及轨迹时空语义的犯罪团伙判别方法 | |
JP6019778B2 (ja) | 運用監視装置、運用監視装置における原因事象の判定方法、及び情報通信ネットワークシステム | |
Wu et al. | Oscillation resolution for mobile phone cellular tower data to enable mobility modelling | |
CN107454611B (zh) | 基于knn的免疫危险无线传感器网络故障诊断方法 | |
CN109218321A (zh) | 一种网络入侵检测方法及*** | |
CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
CN109116299B (zh) | 一种指纹定位方法、终端、计算机可读存储介质 | |
CN106124929A (zh) | 一种配电网物理故障与信息故障辨识方法 | |
CN102592093A (zh) | 一种基于生物免疫机制的主机入侵检测方法 | |
CN106027317A (zh) | 信任感知的Web服务质量预测***及方法 | |
CN103533571A (zh) | 基于投票策略的容错事件检测方法 | |
EP3855345A1 (en) | Image recognition method, device and system and computing device | |
CN103237308A (zh) | 一种车载自组织网络的分布式入侵检测方法 | |
Gul et al. | A combination of double sided neighbor distance and genetic algorithm in cooperative spectrum sensing against malicious users | |
CN107371175B (zh) | 一种使用协作预测的自组织网络故障检测方法 | |
CN114726740A (zh) | 台区拓扑识别方法、***及智能融合终端 | |
CN104955068A (zh) | 一种基于关联模式的数据聚合传输方法 | |
CN107371125B (zh) | 基于粒子群算法的无线传感器网络故障修复方法及装置 | |
CN112235376B (zh) | 电动车信息监控方法、装置及电动车管理*** | |
CN116203365B (zh) | 基于野马算法优化pnn的gis设备局部放电检测方法 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN106406082B (zh) | 一种***控制方法、装置,控制器及控制*** | |
CN109309586B (zh) | 一种食品加工远程控制***入侵检测方法 | |
CN116192530A (zh) | 一种基于欺骗性防御的未知威胁自适应检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |