·514· 智能系统学报 第16卷 给出BRB初始参数集合： 第1)步 保持一致，前提属性A2的参考点可描述为 iQ={0,02…,0,BnB42…,fnod,d2,…,8w} A=(S,J,L,M,H,B,T (10) 对于BRB模型的输出结果，确定5个参考 第2)步 确定CMA-ES算法的初始参数 点，分别是正常(、偏移故障(O)、高噪声故障 1 (G)、离群点故障(D)、固定值故障(F。结果Y) 第3)步 确定CMA-ES优化目标 的参考点可描述为 Y=(N,O,G.D,F) (11) 执行样本采样操作生成样本总体 前提属性1、前提属性2和输出结果参考点 第4)步 及其对应参考值设置如表1、2所示。 执行投影操作以满足约束条件： 表1前提属性1、2参考点及参考值 第5)步 V'(1+n.×(1)nF Table 1 Referential points and values of the premise at- /g(1+m×广1)：mAx4×41x Vg(1+n.×(广1)n,×A tributes 1 and 2 参考点 J 第6)步 执行选择操作更新平均值 属性1 -16 -2.70-0.383.15.40 14 18 -Solu 属性2 -1.10-0.80-0.3500.350.801.10 第7)步 执行自适应操作更新协方差矩阵 表2输出结果了（①）参考点及参考值 Table 2 Referential points and values of Y(t) 第8)步 递归执行第1)-7)步直到输出最佳结果 参考点 0 G D F 参考值 1 2 3 4 图2BRB模型优化流程 0 Fig.2 BRB model optimization flow 前提属性和输出结果的参考点及参考值设置 3.1实验定义 合理以后，即可进行置信表的设置，将前提属性1 根据不同的实验要求生成的实验样本集描述 和前提属性2的所有参考点进行充分组合，组成 如下： 置信规则。本文中置信表置信规则数目为2个前 1)数据集1：选取3月1-7日内传感器所有节 提属性参考点数量之积，置信规则数为49条，每 点的温度数据，采样完成后以l0min为间隔求解 条规则对应的5个结果的置信度由专家知识进行 温度数据均值。经过上述处理得到数据集1，共 确定。 包含1008个样本数据。 3.3实验结果分析 2)数据集2：通过对传感器节点进行分簇，选 3.3.1实验结果 择传感器1、2、3、4作为实验节点，节点1为故障 为了使模型具有较强的泛化能力，在实验过程 节点，以6个样本点为步距将1008个温度数据分 中将训练集设置为测试集的一半，在本实验中，将 为168组，每组6个样本点。1~32组为正常样 168组残差、趋势相关性以及结果标签组成测试 本，33~66组为偏移故障，67~100为高噪声故障， 集，则可确定模型训练所需的样本规模为84组。 101~134为离群点故障，135~168为固定值故障。 为验证BRB模型进行传感器节点故障检测 基于故障类型设置相应的故障类型标签0、1、2、 的有效性，重复了10轮实验，每轮最大迭代次数 3、4,并生成数据集2。 为2000次：使用3个指标进行性能描述以准确地 3.2模型参数设置 衡量故障检测方法的性能：均方误差（山）、检测准 为构建基于BRB的WSN节点故障检测模 确率（π）和错检率(p)。经过计算，得到本文方法 型，需要事先确定模型的前提属性。通过分析前 的3个性能衡量指标计算结果为0.14、0.95、 提属性A,和前提属性A2的数值特性与变化趋 0.065。本文所提方法在10轮验证实验过程中， 势，可以确定这2个前提属性的参考点。对于前 具有95%的故障检测准确率，表明本文方法可以 提属性A1,确定其7个参考点，分别是非常低(S)、 将95%的样本节点状态检测准确，故障错检率为 较低()、低(L)、中等()、高(H0、较高(B)、非常 0.065表明方法可以将93.5%的样本故障类型正 高(T)。前提属性A的参考点可描述为 确检测。 A=(S,J.L,M.H,B.T) (9) 3.3.2对比实验 前提属性2参考点的选取方式与前提属性1 在本节设置对比实验验证置信规则库(BRB)给出 BRB 初始参数集合： Ω={θ1 , θ2 , … , θL , βn, 1, βn, 2, … , βn, L , δ1 , δ2 , … , δM} 确定 CMA-ES 算法的初始参数 确定 CMA-ES 优化目标 执行样本采样操作生成样本总体 执行自适应操作更新协方差矩阵 递归执行第 1)~7) 步直到输出最佳结果 第 1) 步 第 2) 步 第 3) 步 第 4) 步 第 5) 步 第 6) 步 第 7) 步 第 8) 步 执行投影操作以满足约束条件： V g+1 i (1+ne×( j−1):ne×j)= V g+1 (1+ne×( j−1):ne×j)−AT×(Ae×AT ) −1× V g+1 i (1+ne×( j−1):ne×j)×Ae i e e 执行选择操作更新平均值 ψ g+1=ΣSolui V g+1 i:λ τ i=1 图 2 BRB 模型优化流程 Fig. 2 BRB model optimization flow 3.1 实验定义 根据不同的实验要求生成的实验样本集描述 如下： 1) 数据集 1：选取 3 月 1−7 日内传感器所有节 点的温度数据，采样完成后以 10 min 为间隔求解 温度数据均值。经过上述处理得到数据集 1，共 包含 1008 个样本数据。 2) 数据集 2：通过对传感器节点进行分簇，选 择传感器 1、2、3、4 作为实验节点，节点 1 为故障 节点，以 6 个样本点为步距将 1 008 个温度数据分 为 168 组，每组 6 个样本点。1~32 组为正常样 本，33~66 组为偏移故障，67~100 为高噪声故障， 101~134 为离群点故障，135~168 为固定值故障。 基于故障类型设置相应的故障类型标签 0、1、2、 3、4，并生成数据集 2。 3.2 模型参数设置 A1 A2 A1 A1 为构建基于 BRB 的 WSN 节点故障检测模 型，需要事先确定模型的前提属性。通过分析前 提属性 和前提属性 的数值特性与变化趋 势，可以确定这 2 个前提属性的参考点。对于前 提属性 ，确定其 7 个参考点，分别是非常低 (S)、 较低 (J)、低 (L)、中等 (M)、高 (H)、较高 (B)、非常 高 (T)。前提属性 的参考点可描述为 A1 = {S, J,L, M,H,B,T} (9) 前提属性 2 参考点的选取方式与前提属性 1 保持一致，前提属性 A2 的参考点可描述为 A2 = {S, J,L, M,H,B,T} (10) bY(t) 对于 BRB 模型的输出结果，确定 5 个参考 点，分别是正常 (N)、偏移故障 (O)、高噪声故障 (G)、离群点故障 (D)、固定值故障 (F)。结果 的参考点可描述为 bY = {N,O,G,D,F} (11) 前提属性 1、前提属性 2 和输出结果参考点 及其对应参考值设置如表 1、2 所示。 表 1 前提属性 1、2 参考点及参考值 Table 1 Referential points and values of the premise at￾tributes 1 and 2 参考点 S J L M H B T 属性1 −16 −2.70 −0.38 3.1 5.40 14 18 属性2 −1.10 −0.80 −0.35 0 0.35 0.80 1.10 表 2 输出结果bY (t) 参考点及参考值 Table 2 Referential points and values of bY (t) 参考点 N O G D F 参考值 0 1 2 3 4 前提属性和输出结果的参考点及参考值设置 合理以后，即可进行置信表的设置，将前提属性 1 和前提属性 2 的所有参考点进行充分组合，组成 置信规则。本文中置信表置信规则数目为 2 个前 提属性参考点数量之积，置信规则数为 49 条，每 条规则对应的 5 个结果的置信度由专家知识进行 确定。 3.3 实验结果分析 3.3.1 实验结果 为了使模型具有较强的泛化能力，在实验过程 中将训练集设置为测试集的一半，在本实验中，将 168 组残差、趋势相关性以及结果标签组成测试 集，则可确定模型训练所需的样本规模为 84 组。 ψ τ ρ 为验证 BRB 模型进行传感器节点故障检测 的有效性，重复了 10 轮实验，每轮最大迭代次数 为 2 000 次；使用 3 个指标进行性能描述以准确地 衡量故障检测方法的性能：均方误差 ( )、检测准 确率 ( ) 和错检率 ( )。经过计算，得到本文方法 的 3 个性能衡量指标计算结果为 0.14、 0.95、 0.065。本文所提方法在 10 轮验证实验过程中， 具有 95% 的故障检测准确率，表明本文方法可以 将 95% 的样本节点状态检测准确，故障错检率为 0.065 表明方法可以将 93.5% 的样本故障类型正 确检测。 3.3.2 对比实验 在本节设置对比实验验证置信规则库 (BRB) ·514· 智 能 系 统 学 报 第 16 卷