基于神经网络的水下无线传感器网络异常诊断方法技术

本发明专利技术的基于神经网络的水下无线传感器网络异常诊断方法，包括：a).水下传感网络的建立；b).构建神经网络模型；c).数据预处理；d).构建异常诊断模型；e).运行环境构建；f).水下汇聚节点对数据进行分类。本发明专利技术的水下无线传感器网络异常诊断方法，将训练好的异常诊断模型和参数部署于水下汇聚节点上，由水下汇聚节点根据获取的每个水下传感节点的上传数据对其进行实时诊断，当检测出水下传感节点出现失效节点、故障节点、外部攻击节点或内部攻击节点时，则采取相应的应对措施，最大限度地保证水下无线传感器网安全，最大限度地保证其长期稳定运行。

【技术实现步骤摘要】
基于神经网络的水下无线传感器网络异常诊断方法
本专利技术涉及一种水下无线传感器网络异常诊断方法，更具体的说，尤其涉及一种基于神经网络的水下无线传感器网络异常诊断方法。
技术介绍
水下无线传感器网络(UnderwaterWirelessSensorNetworks,UWSNs)具有低成本、自组织、分布式等特点，能够在海洋环境监测、资源开发、灾害预警和海洋军事活动等应用提供技术支持，因此UWSNs被广泛应用于海洋
作为无线传感器网络的分支，UWSNs在体系架构、网络分层、支撑技术等
与陆地无线传感器网络大致相同。但由于水下工作环境的特殊性，UWSNs面临诸多限制和制约，主要表现在以下几方面：(1)能量极度受限：水下传感器节点布置于水下环境，无法进行有线充电，无法采用太阳能电池，不便进行电池更换，因此，能量问题是UWSNs的首要问题；(2)工作环境恶劣：水下环境未知多变，海水腐蚀性、洋流、海洋生物等因素都对水下传感器节点的物理安全造成威胁，导致节点异常，甚至可能影响整个网络寿命；(3)面临安全威胁：对于某些应用，水下传感器节点部署于敌对海域，节点面临被破坏、被破解、恶意攻击者伪装成合法节点等安全威胁。由于受到上述因素制约，UWSNs面临不同的异常状况，根据故障原因可将水下传感器节点分为正常节点、失效节点、故障节点、外部攻击节点、内部攻击节点。(1)正常节点：所述正常节点是指节点未出现异常状况，工作状态正常，能够有效进行数据感知和传输；(2)失效节点：所述失效节点是指节点出现异常状况，无法正常工作，包括能量耗尽、遭受物理性损伤等情况，无法进行数据感知和传输；(3)故障节点：所述故障节点是指节点感知数据在一段时间或持续偏离正常的范围；(4)外部攻击节点：所述外部攻击节点是指不属于网络中的合法节点，可以进行恶意攻击，包括但不限于拥塞攻击、耗尽攻击、虫洞攻击等方式；(5)内部攻击节点：所述内部攻击节点是指原属于网络中的合法节点，但被俘获破解及篡改后，重新注入到网络中，可以进行恶意攻击，包括但不限于黑洞攻击、贪婪攻击、汇聚攻击、耗尽攻击等方式。现有的适用于陆地无线传感器网络的异常诊断方法可分为集中式和分布式两类。所述集中式异常诊断方法是将网络中所有传感器节点的感知数据通过多跳的方式传输到基站，基站通过对节点数据的分析得到节点的故障诊断状态。基于神经网络的异常诊断方法对传感数据或行为进行分类，从而实现对节点的分类。所述的集中式异常诊断方法虽然诊断精度较高，但由于传感器节点需要经由多跳将数据转发至基站，则靠近基站的节点能量会被迅速的消耗，从而使整个网络瘫痪，大大缩短了网络生存期。所述的分布式异常诊断方法能够解决了这一问题，传感器节点对比自身和邻近节点的感知数据，通过相似性来判断邻近节点的状态。所述该种方法不再需要将感知数据转发至基站，只需和邻近节点进行数据交换即可，减少了能量的损耗，但每个传感节点都需和邻近节点进行数据交换，对于UWSNs而言，水声信号的发送和接收能耗巨大，额外的数据交换会消耗过多的能量。基于上述分析可见，现有的适用于陆地无线传感器网络的异常诊断方法，并不适用于UWSNs。
技术实现思路
本专利技术为了克服上述技术问题的缺点，提供了一种基于神经网络的水下无线传感器网络异常诊断方法。本专利技术的基于神经网络的水下无线传感器网络异常诊断方法，其特征在于，通过以下步骤来实现：a).水下传感网络的建立，建立由水下传感节点、水下汇聚节点和水上控制中心组成的水下无线传感器网络，水下传感节点自组成簇，簇首负责簇内传感节点与水下汇聚节点间数据的接收和转发；b).构建神经网络模型，水上控制中心构建由输入层、卷积层、激活函数、池化层、全连接层、分类层和输出层构成的卷积神经网络CNN，卷积神经网络采用inception-v4模型结构；c).数据预处理，水上控制中心将训练用一维数据变换为适合卷积神经网络CNN进行特征学习的灰度图或RGB图，由步骤b)中构建好的卷积神经网络CNN模型进行特征学习和训练；d).构建异常诊断模型，基于迁移学习机制，利用预处理过的数据对构建好的CNN模型进行训练和测试，进行参数优化，构建出异常诊断模型；e).运行环境构建，卷积神经网络CNN模型运行环境选用Tensorflow、Caffe、Theano或MXNet深度学习框架进行模型搭建及实现，并将构建好的异常诊断模型部署于水下汇聚节点；f).水下汇聚节点对数据进行分类，根据对应分类结果诊断节点状态，如出现异常状态，水下汇聚节点根据异常种类根据预设措施采取对应操作。本专利技术的基于神经网络的水下无线传感器网络异常诊断方法，步骤a)所述的水下传感网络的建立具体通过以下步骤来实现：a-1).水下汇聚节点通过有线连接的方式与水上控制中心相连，并通过有线连接进行充电和数据传输；由于水下汇聚节点不受能量因素制约，其计算和存储能力强，用于部署异常诊断模型；水下汇聚节点将水下传感节点的数据进行整合，形成部署于水上控制中心的异常诊断模型的训练数据，并接收水上控制中心的异常诊断模型发送的模型参数对自身的CNN模型进行配置；水上控制中心通过对水下汇聚节点发送的训练数据进行学习，得到卷积神经网络CNN模型最优参数集，并下发给水下汇聚节点；a-2).水下传感节点根据预设的算法自组成簇，根据地理位置、与水下汇聚节点间距离、节点剩余能量、信任值信息，采用基于神经网络的成簇算法选举出最优簇首，邻近节点就近加入簇中，水下传感节点形成多个簇；a-3).水下传感节点负责信息采集及处理，将采集的数据发送至簇首，簇首进行本簇内数据的汇聚、融合、处理，并转发数据至水下汇聚节点；同时，水下汇聚节点发起的通信发送至对应簇，由该簇簇首进行转发或广播。本专利技术的基于神经网络的水下无线传感器网络异常诊断方法，步骤b)所述的构建神经网络模型具体通过以下步骤来实现：b-1).卷积操作，旨在对数据进行特征提取，将上层特征图中不同局部区域内神经元与本层的卷积核进行卷积运算，加上对应偏置后通过激活函数组建本层特征图，用公式描述为：上式中为第l层的第j个特征图，Mi是包含i个输入特征图的集合，用于计算*为卷积运算，为卷积核，为偏置值，f()为激活函数；激活函数f()在除去数据中的冗余信息的同时保留原始数据特征的映射信息，用于加强卷积神经网络CNN模型的非线性表达能力，用以拟合更为复杂的特征；激活函数选用ReLU函数作为激活函数，收敛速度快：Relu(x)＝max(0,x)(2)b-2).池化操作，旨在降低特征纬度及除去冗余特征，加速收敛速度，同时在一定程度上防止过拟合，增强泛化能力，池化操作可以选用最大化池化、均值池化，池化操作可用公式描述为：上式中p()为池化操作，可用求最大值或均值函数，和为偏置值，g()为激活函数，作为优选，选用线性激活函数：s(x)＝x(4)b-3).inception-v4模型构建，将inception-v4模型与残差连接相结合，利用平均池化层代替全连接层，输出层采本文档来自技高网...

【技术保护点】
1.一种基于神经网络的水下无线传感器网络异常诊断方法，其特征在于，通过以下步骤来实现：/na).水下传感网络的建立，建立由水下传感节点、水下汇聚节点和水上控制中心组成的水下无线传感器网络，水下传感节点自组成簇，簇首负责簇内传感节点与水下汇聚节点间数据的接收和转发；/nb).构建神经网络模型，水上控制中心构建由输入层、卷积层、激活函数、池化层、全连接层、分类层和输出层构成的卷积神经网络CNN，卷积神经网络采用inception-v4模型结构；/nc).数据预处理，水上控制中心将训练用一维数据变换为适合卷积神经网络CNN进行特征学习的灰度图或RGB图，由步骤b)中构建好的卷积神经网络CNN模型进行特征学习和训练；/nd).构建异常诊断模型，基于迁移学习机制，利用预处理过的数据对构建好的CNN模型进行训练和测试，进行参数优化，构建出异常诊断模型；/ne).运行环境构建，卷积神经网络CNN模型运行环境选用Tensorflow、Caffe、Theano或MXNet深度学习框架进行模型搭建及实现，并将构建好的异常诊断模型部署于水下汇聚节点；/nf).水下汇聚节点对数据进行分类，根据对应分类结果诊断节点状态，如出现异常状态，水下汇聚节点根据异常种类根据预设措施采取对应操作。/n...

【技术特征摘要】
1.一种基于神经网络的水下无线传感器网络异常诊断方法，其特征在于，通过以下步骤来实现：
a).水下传感网络的建立，建立由水下传感节点、水下汇聚节点和水上控制中心组成的水下无线传感器网络，水下传感节点自组成簇，簇首负责簇内传感节点与水下汇聚节点间数据的接收和转发；
b).构建神经网络模型，水上控制中心构建由输入层、卷积层、激活函数、池化层、全连接层、分类层和输出层构成的卷积神经网络CNN，卷积神经网络采用inception-v4模型结构；
c).数据预处理，水上控制中心将训练用一维数据变换为适合卷积神经网络CNN进行特征学习的灰度图或RGB图，由步骤b)中构建好的卷积神经网络CNN模型进行特征学习和训练；
d).构建异常诊断模型，基于迁移学习机制，利用预处理过的数据对构建好的CNN模型进行训练和测试，进行参数优化，构建出异常诊断模型；
e).运行环境构建，卷积神经网络CNN模型运行环境选用Tensorflow、Caffe、Theano或MXNet深度学习框架进行模型搭建及实现，并将构建好的异常诊断模型部署于水下汇聚节点；
f).水下汇聚节点对数据进行分类，根据对应分类结果诊断节点状态，如出现异常状态，水下汇聚节点根据异常种类根据预设措施采取对应操作。


2.根据权利要求1所述的基于神经网络的水下无线传感器网络异常诊断方法，其特征在于，步骤a)所述的水下传感网络的建立具体通过以下步骤来实现：
a-1).水下汇聚节点通过有线连接的方式与水上控制中心相连，并通过有线连接进行充电和数据传输；由于水下汇聚节点不受能量因素制约，其计算和存储能力强，用于部署异常诊断模型；水下汇聚节点将水下传感节点的数据进行整合，形成部署于水上控制中心的异常诊断模型的训练数据，并接收水上控制中心的异常诊断模型发送的模型参数对自身的CNN模型进行配置；水上控制中心通过对水下汇聚节点发送的训练数据进行学习，得到卷积神经网络CNN模型最优参数集，并下发给水下汇聚节点；
a-2).水下传感节点根据预设的算法自组成簇，根据地理位置、与水下汇聚节点间距离、节点剩余能量、信任值信息，采用基于神经网络的成簇算法选举出最优簇首，邻近节点就近加入簇中，水下传感节点形成多个簇；
a-3).水下传感节点负责信息采集及处理，将采集的数据发送至簇首，簇首进行本簇内数据的汇聚、融合、处理，并转发数据至水下汇聚节点；同时，水下汇聚节点发起的通信发送至对应簇，由该簇簇首进行转发或广播。


3.根据权利要求1或2所述的基于神经网络的水下无线传感器网络异常诊断方法，其特征在于，步骤b)所述的构建神经网络模型具体通过以下步骤来实现：
b-1).卷积操作，旨在对数据进行特征提取，将上层特征图中不同局部区域内神经元与本层的卷积核进行卷积运算，加上对应偏置后通过激活函数组建本层特征图，用公式描述为：



上式中为第l层的第j个特征图，Mi是包含i个输入特征图的集合，用于计算*为卷积运算，为卷积核，为偏置值，f()为激活函数；
激活函数f()在除去数据中的冗余信息的同时保留原始数据特征的映射信息，用于加强卷积神经网络CNN模型的非线性表达能力，用以拟合更为复杂的特征；激活函数选用ReLU函数作为激活函数，收敛速度快：
Relu(x)＝max(0,x)(2)
b-2).池化操作，旨在降低特征纬度及除去冗余特征，加速收敛速度，同时在一定程度上防止过拟合，增强泛化能力，池化操作可以选用最大化池化、均值池化，池化操作可用公式描述为：



上式中p()为池化操作，可用求最大值或均值函数，和为偏置值，g()为激活函数，作为优选，选用线性激活函数：
s(x)＝x(4)
b-3).inception-v4模型构建，将inception-v4模型与残差连接相结合，利用平均池化层代替全连接层，输出层采用Softmax函数进行多分类，将多分类的结果以概率的形式展现出来，类标签数量y为5，即对节点的5种不同情况进行分类，类标签有k个不同的值，给定数据集{(x1,y1),(x2,y2),...,(xi,yi)}，其中i∈{1,2,...,k}，则Softmax分类对于给定的样本向量x可估计出其在k类标签中每一类的概率，可表示为：



上式中，W表示对概率分布的归一化。


4.根据权利要求1或2所述的基于神经网络的水下无线传感器网络异常诊断方法，其...

【专利技术属性】
技术研发人员：杨光，戴礼娥，
申请(专利权)人：山东交通学院，
类型：发明
国别省市：山东;37