一种无线传感器网络的故障检测方法及装置的制造方法

一种无线传感器网络的故障检测方法及装置的制造方法
【专利摘要】本发明实施例公开了一种无线传感器网络的故障检测方法及装置，方法包括：获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列，并对系统参量值进行排序，获得针对每一个传感器节点的系统参量值有序序列，再根据系统参量值有序序列，计算出每一个传感器节点的关系值视图向量，对当前时间窗内的所有关系值视图向量进行聚类处理，得到聚类结果，当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。应用本发明实施例，利用了传感器节点系统参量间存在的关系，解决了如何通过传感器节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
【专利说明】
一种无线传感器网络的故障检测方法及装置
技术领域
[0001] 本发明涉及无线通信技术领域，特别涉及一种无线传感器网络的故障检测方法及 装置。
【背景技术】
[0002] 无线传感器网络(Wireless Sensor Networks，简称为WSN)是一种分布式传感网 络，它的末梢是可以感知和检查外部世界的传感器。WSN中的传感器通过无线方式通信，因 此网络设置灵活，设备位置可以随时更改，还可以跟互联网进行有线或无线方式的连接。通 过无线通信方式形成的一个多跳自组织网络。
[0003] 通常情况下，无线传感器网络由大量低成本且电量有限的传感器节点组成，由于 传感器节点分布于恶劣、不可控制的环境中，因此传感器节点易于出现故障，进而导致无线 传感器网络出现故障。
[0004] 目前，对无线传感器网络进行故障检测，通常利用无线传感器网络中传感器节点 测量值在时间或空间上的关系来判断节点是否出现故障，尚没有利用到节点系统参量间存 在的关系对无线传感器网络进行故障检测，不能通过传感器节点中系统参量间存在的关系 对无线传感器网络进行故障检测。

【发明内容】

[0005] 本发明实施例目的在于提供一种无线传感器网络的故障检测方法及装置，解决如 何通传感器过节点中系统参量间存在的关系对无线传感器网络进行故障检测的问题。
[0006] 为了达到上述目的，本发明实施例提供了一种无线传感器网络的故障检测方法， 方法包括：
[0007] 获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值 序列；
[0008] 对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序，获得针对 每一个传感器节点的所述系统参量的系统参量值有序序列；
[0009] 根据每一个传感器节点的所述系统参量值有序序列，生成针对每一个传感器节点 的关系值视图向量；
[0010] 根据当前时间窗内所有传感器节点的所述关系值视图向量，对当前时间窗内的所 有传感器节点对应的关系值视图向量进行聚类处理，得到聚类结果；
[0011]将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确 定为故障节点。
[0012] 可选的，所述根据每一个传感器节点的所述系统参量值有序序列，生成针对每一 个传感器节点的关系值视图向量，包括：
[0013] 根据每一个传感器节点所述系统参量值有序序列，计算每一个传感器节点所述系 统参量的关系值；
[0014] 根据所述关系值，建立针对每一个传感器节点的关系值视图；
[0015] 根据当前时间窗内每一个传感器节点的所述关系值视图，生成针对每一个传感器 节点的关系值视图向量。
[0016] 可选的，计算传感器节点的所述系统参量的关系值所利用的公式，包括：
[0017]
[0018] 式中，(^,」(1，7)为当前时间窗伸的第1个传感器节点中的系统参量义、7对应的关 系值，W为当前时间窗j的大小，Π / i,x, (j-l)Xw+k和Π / i,y, (j-l)Xw+k分别为系统参量值ΠΗ,χ, (j-l)Xw+k 和nu,y, (j-i)xw+k在系统参量x、y对应的有序序列i,x, j和i,y, j中的秩次， 别为有序序列疒i>x, j和V' i,y, j的平均秩次。
[0019] 可选的，所述传感器节点的关系值视图的表征形式为：
[0020]
[0021] 为当前时间窗j中的第i个传感器节点的关系值视图，其中，1为第i个传感器节 点所包含的系统参量的数量，对于V〇^;a，be[l，l] ;ci,j(a，b)=ci,j(b，a)，ci,j(a，a) = l。
[0022] 可选的，所述根据当前时间窗内所有传感器节点的所述关系值视图向量，对当前 时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理，得到聚类结果，包括：
[0023] a、根据当前时间窗内所有传感器节点的关系值视图向量，分别计算针对当前时间 窗内每一个传感器节点的所述关系值视图向量的k距离邻域N k(p)、逆k距离邻域INk(p)及邻 基局部密度因子NLDFk(p)，其中，所述关系值视图向量的邻基局部密度因子
，式中，k为正整数，| INk(p) |为所述关系值视图向量的逆k距离邻域 中的关系值视图向量数目，|Nk(p) |为所述关系值视图向量的k距离邻域中的关系值视图向 量数目；
[0024] b、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度 因子NLDFk(p)是否大于或等于1，如果是，确定所述关系值视图向量为密邻向量，否则，确定 所述关系值视图向量为疏邻向量；
[0025] c、在当前时间窗内存在密邻向量时，判断目标密邻向量是否属于当前时间窗内已 存在的簇，如果否，建立新簇，将所述目标密邻向量加入所述新簇中，所述簇为当前时间窗 内的多个传感器节点对应的关系值视图向量的集合；
[0026] d、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量，其中，确定 针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式： NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qeNk(p)，式中，NLDFk(q)为关系值视 图向量q的邻基局部密度因子，thr为预设阈值；
[0027] e、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中；
[0028] f、判断新加入的关系值视图向量是否存在密邻向量，
[0029] 如果存在，确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视 图向量，将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可 达向量集，将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系 值视图向量加入到目标密邻向量所处簇中，返回步骤f继续执行；
[0030] 如果不存在，判断当前时间窗内是否还存在密邻向量，如果是，返回步骤c继续执 行，如果否，将当前时间窗内已存在的簇确定为聚类结果。
[0031] 为了达到上述目的，本发明实施例还提供了一种无线传感器网络的故障检测装 置，装置包括：
[0032] 第一获得模块，用于获得当前时间窗内每一个传感器节点所包含的任意两个系统 参量的系统参量值序列；
[0033] 第二获得模块，用于对每一个传感器节点的所述系统参量值序列中的系统参量值 进行排序，获得针对每一个传感器节点的所述系统参量的系统参量值有序序列；
[0034] 向量生成模块，用于根据每一个传感器节点的所述系统参量值有序序列，生成针 对每一个传感器节点的关系值视图向量；
[0035] 聚类模块，用于根据当前时间窗内所有传感器节点的所述关系值视图向量，对当 前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理，得到聚类结果；
[0036]确定模块，用于将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的 传感器节点确定为故障节点。
[0037]可选的，所述向量生成模块，包括：
[0038] 计算子模块，用于根据每一个传感器节点所述系统参量值有序序列，计算每一个 传感器节点所述系统参量的关系值；
[0039] 视图建立子模块，用于根据所述关系值，建立针对每一个传感器节点的关系值视 图；
[0040] 向量建立子模块，用于根据当前时间窗内每一个传感器节点的所述关系值视图， 生成针对每一个传感器节点的关系值视图向量。
[0041]可选的，所述计算子模块，计算所述传感器节点所述系统参量的关系值所利用的 公式，包括：
[0042]
-
[0043] 式中，(^,」(1，7)为当前时间窗」中的第;[个传感器节点中的系统参量1、7对应的关 系值，W为当前时间窗j的大小，Π / i,x, (j-l)Xw+k和Π / i,y, (j-l)Xw+k分别为系统参量值ΠΗ,χ, (j-l)Xw+k 和mi,y,G-i)xw+k在系统参量x、y对应的有序序列V' i,x,j和V' i,y,j中的秩次：
分 别为有序序列疒i>x, j和V' i,y, j的平均秩次。
[0044] 可选的，所述视图建立子模块建立的所述传感器节点的关系值视图的表征形式 为：
[0045]
[0046] 为当前时间窗j中的第i个传感器节点的关系值视图，其中，1为第i个传感器节 点所包含的系统参量的数量，对于Va, Z);(i，be[l，1] ;ci,j(a，b)=ci,j(b，a)，ci,j(a，a) = l。
[0047] 可选的，所述聚类模块，具体用于：
[0048] A、根据当前时间窗内所有传感器节点的关系值视图向量，分别计算针对当前时间 窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p)及邻 基局部密度因子NLDF k(p)，其中，所述关系值视图向量的邻基局部密度因子
式中，k为正整数，| INk(p) |为所述关系值视图向量的逆k距离邻域 中的关系值视图向量数目，|Nk(p) |为所述关系值视图向量的k距离邻域中的关系值视图向 量数目；
[0049] B、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度 因子NLDF k(p)是否大于或等于1，如果是，确定所述关系值视图向量为密邻向量，否则，确定 所述关系值视图向量为疏邻向量；
[0050] C、在当前时间窗内存在密邻向量时，判断目标密邻向量是否属于当前时间窗内已 存在的簇，如果否，建立新簇，将所述目标密邻向量加入所述新簇中，所述簇为当前时间窗 内的多个传感器节点对应的关系值向量的集合；
[0051] D、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量，其中，确定 针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式： NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qeNk(p)，式中，NLDFk(q)为关系值视 图向量q的邻基局部密度因子，thr为预设阈值；
[0052] E、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中；
[0053 ] F、判断新加入的关系值视图向量是否存在密邻向量，
[0054] 如果存在，确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视 图向量，将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可 达向量集，将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系 值视图向量加入到目标密邻向量所处簇中，返回步骤F继续执行；
[0055] 如果不存在，判断当前时间窗内是否还存在密邻向量，如果是，返回步骤C继续执 行，如果否，将当前时间窗内已存在的簇确定为聚类结果。
[0056] 本发明实施例公开了一种无线传感器网络的故障检测方法及装置，方法包括:获 得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列，并对系 统参量值进行排序，获得针对每一个传感器节点的系统参量值有序序列，再根据系统参量 值有序序列，计算出每一个传感器节点的关系值视图向量，对当前时间窗内的所有关系值 视图向量进行聚类处理，得到聚类结果，当前时间窗内不属于所述聚类结果中的关系值视 图向量对应的传感器节点确定为故障节点。应用本发明实施例，利用了传感器节点系统参 量间存在的关系，解决了如何通过传感器节点中系统参量间存在的关系对无线传感器网络 进行故障检测的问题。
【附图说明】
[0057]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。
[0058]图1为本发明实施例提供的一种无线传感器网络的故障检测方法的流程示意图；
[0059] 图2为本发明实施例提供的无线传感器网络的故障检测方法中聚类算法的流程示 意图；
[0060] 图3(a)为本发明实施例提供的传感器节点的关系值视图向量的示意图；
[0061] 图3(b)为本发明实施例提供的聚类处理过程中建立新簇的结果示意图；
[0062] 图3(c)为本发明实施例提供的聚类处理过程中将关系值视图向量加入簇的第一 种过程示意图；
[0063] 图3(d)为本发明实施例提供的聚类处理过程中将关系值视图向量加入簇的第二 种过程示意图；
[0064]图3(e)为本发明实施例提供的聚类处理过程中建立另一新簇的结果示意图；
[0065]图3(f)为本发明实施例提供的聚类处理过程中将关系值视图向量加入建立的另 一簇的过程示意图；
[0066]图3(g)为本发明实施例提供的聚类处理的结果示意图；
[0067] 图4为本发明实施例提供的一种无线传感器网络的故障检测装置的结构示意图。
【具体实施方式】
[0068] 下面将结合本发明实施例，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。
[0069] 本发明实施例公开了一种无线传感器网络的故障检测方法及装置，方法包括:获 得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列，并对系 统参量值进行排序，获得针对每一个传感器节点的系统参量值有序序列，再根据系统参量 值有序序列，计算出每一个传感器节点的关系值视图向量，对当前时间窗内的所有关系值 视图向量进行聚类处理，得到聚类结果，当前时间窗内不属于所述聚类结果中的关系值视 图向量对应的传感器节点确定为故障节点。
[0070] 下面通过具体实施例，对本发明实施例进行详细说明。
[0071] 图1为本发明实施例提供的一种无线传感器网络的故障检测方法的流程示意图； 所述方法可以包括步骤：
[0072] S100:获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参 量值序列；
[0073] 本领域技术人员可以理解的是，在通信技术领域，时间窗通常是指时间窗口，可以 简单的理解为时间段，举例而言，预设当前时间窗j的大小为《，则时间窗j从时刻（j-l)Xw 持续到时刻j Xw，可以简单的理解为时间窗j为从上一时间窗j-1结束时刻（j-1) Xw的下一 时刻开始到时间窗j结束时刻jXw的时间段，时间段的大小为w;对应第一个时间窗而言，时 间窗j可以理解为从时刻1至时刻jXw的时间段;为例计算的简便，通常时间窗大小的单位 取秒，如，取时间窗3的大小为10秒，此时表示当前时间窗为从(3-1) X 10+1，至3X10时刻结 束，即表示时间段[21，30]，本实施例中时间窗大小的单位取秒仅为一种具体的举例，本申 请不对时间窗大小的单位以及时间窗的大小做进一步限定。
[0074] 可知的是，WSN(Wireless Sensor Networks，无线传感器网络）是一种分布式传感 网络，它的末梢是可以感知和检查外部世界的传感器，WSN由大量的传感器构成，而对于每 一个传感器来说，其包含多个系统参量，通常统参量包括:接收包计数(Packet Received)、 发送包计数(Packet Transmitted)、自转发计数(Packet Self Transmitted)、执行任务数 (Task Executed)、推迟任务数(Task Posted)、失败任务数(Task Failed)和成功任务数 (Task Succeeded)等等，本实施例所提供的方案中，获得当前时间窗内每一个传感器节点 所包含的任意两个系统参量的系统参量值序列，如时间窗内的第i个传感器s 1中系统参量X 对应的系统参量值序列用Vi, X, j表不，假设时间窗大小为10秒，在时间窗内每隔5秒收集一次 系统参量值，则在一个时间窗内将对系统参量值采集两次，获得2个系统参量值，不难得知， 系统参量值序列Vi, x,j中包含2个系统参量值，例Vi,x,j = {12,15}，为了方便后续的计算，本 实施例选取传感器节点中的接收包计数和发送包计数系统参量，分别记为系统参量X和系 统参量y。
[0075] 值得强调的是，在本发明实施例中，对于时间窗内所包含的传感器节点的数目不 做具体的限定，对在时间窗内采集系统参量值的时间间隔也不做明确限定；同时，本实施例 中选取的任意两个系统参量为接收包计数和发送包计数仅为一种具体的示例，本申请并不 对选取的系统参量做进一步的限定。
[0076] S200:对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序，获 得针对每一个传感器节点的所述系统参量的系统参量值有序序列；
[0077]所谓排序，就是使一串记录，按照其中的某个或某些关键字的大小，按照递增或递 减的排列方式排列起来的操作称为排序；同时，排序的方法也有很多种，例如冒泡排序、插 入排序、选择排序、快速排序、堆排序等等。就本发明实施例而言，可以按照升序的排列方式 对每一个传感器节点的系统参量值序列中的系统参量值进行排序，分别得到针对该系统参 量的系统参量值有序序列，当然，也可以按照降序的排列方式对每一个传感器节点的系统 参量值序列中的系统参量值进行排序，可以分别得到针对该系统参量的系统参量值有序序 列。需要说明的是，发明本实施例对排列的具体形式以及排序的方法不做进一步限定。 [00 78] 例如，假设时间窗3中包含有4个传感器节点，分别表不为S1、S2、S3、S4_-个传感 器节点中系统参量X和系统参量y对应的系统参量值序列分别为:Vi, x, j = {12，15}、Vi,y, j = {12,15}、V2，x，j = {11，13}、V2，y，j = {11，13}、V3，x，j = {12,14}、V3，y，j = {12,14}、V4，x，j = {11， 14}和￥4,丫,」={3,2};将上述各个系统参里值序列￥1,\,」、￥1,丫,」、￥2,\,」、￥2,丫,」、￥3,\,」、￥3,丫,」、 ￥4~和￥ 4,^均按照从小到大即升序的方式进行排序，分别得到疒1^={12，15}、疒1^ = {12，15}、V 2，x，j={ll，13}、V 2，y，j={ll，13}、V 3，x，j={12，14}、V 3，y，j={12，14}、V 4，x，j = {11,14}和疒4|」={2,3}。
[0079] S300:根据每一个传感器节点的所述系统参量值有序序列，生成针对每一个传感 器节点的关系值视图向量；
[0080] 本领域技术人员可以理解的是，根据上述获得的每一个传感器节点中对应系统参 量的系统参量值有序序列，可以利用斯皮尔曼秩关系因子计算当前时间窗内传感器节点 Sl 中系统参量X和系统参量y在时间窗j内的关系值，再根据定义的关系值建立传感器节点的 关系值视图，最后根据建立的传感器节点的关系值视图生成针对传感器节点的关系值向 量。
[0081] 实际应用中，步骤S300可以包括：
[0082] 首先，根据每一个传感器节点所述系统参量值有序序列，计算每一个传感器节点 所述系统参量的关系值；
[0083] 可以理解的是，根据上述获得的每一个传感器节点中对应系统参量的系统参量值 有序序列，可以利用斯皮尔曼秩关系因子计算当前时间窗内传感器节点 Sl中系统参量X和 系统参量y在时间窗j内的关系值，具体的，计算所述传感器节点的所述系统参量的关系值 所利用的公式，可以包括：
[0084]
-
[0085]式中，Ci, j (X，y)为当前时间窗j中的第i个传感器节点中的系统参量X、y对应的关 系值，W为当前时间窗j的大小，n/ i,x, (j-l)Xw+k和n/ i,y, (j-l)Xw+k分别为系统参量值ΠΗ,χ, (j-l)Xw+k 和mi,y,(j-i)xw+k在系统参量x、y对应的有序序列V' i,x,j和V' i,y,j中的秩次，' χ y和％ v j分 别为有序序列疒i>x, j和V' i,y, j的平均秩次。
[0086] 可以理解的是，例如，对第1个传感器节点S1来说，根据得到的第1个传感器节点S1 的系统参量x、y对应的有序序列V' 1>x,」={12，15}、疒1>y,」={12,15}，不难得到第1个传感器 节点 S1的系统参量x、y对应的有序序列Wx,」和Wy,」中的秩次πΛ,χ,υ-1)Xw+k={l，2}， π/ι,γ,ο-i)Xw+k={l，2};以及平均秩次川丨v ^.二1.5, ' v y.二1.5;之后再利用上述公式，可 计算出第1个传感器节点si的系统参量x、y对应的关系值为〇1,」(1，7) = 1。再如，对第4个传 感器节点S4来说，根据第4个传感器节点S4的系统参量x、y对应的有序序列 14}、￥/4,^={2,3}，不难得到第4个传感器节点84的系统参量1、7对应的有序序列￥ /4,^和 V'4,y, j 中的秩次 n/4,x, (j-l)Xw+k= { 1,2} ,π/4,y, (j-l)Xw+k= {2,1 };以及平均秩次 〃'| γ y - 1.5 f 〃\vJ = 1.5;之后再利用上述公式，可计算出第4个传感器节点S4的系统参量x、y对应的 关系值为 C4,j(x，y)=_l。
[0087] 按照上述求解过程不难得到第2个传感器节点s2的系统参量x、y对应的关系值为 C2,j(x，y) = l;第3个传感器节点S3的系统参量x、y对应的关系值为C3,j(x，y) = l。
[0088] 其次，根据所述关系值，建立针对每一个传感器节点的关系值视图；
[0089] 根据上述在当前时间窗中所获得的针对每一个传感器节点中系统参量的关系值， 建立一个针对每一个传感器节点的关系值视图，例如，当前时间窗内的第2个传感器节点 S2,根据其任意两个系统参量的系统参量值有序序列可以获得针对所选两个系统参量的关 系值，根据这两个系统参量可以建立一个2X2的关系值视图，不难理解的是，如果选取传感 器节点中的任意三个系统参量，最后将计算出选取的三个系统参量对应的关系值，可根据 选取的三个系统参量建立一个3X3的关系值视图。当然本申请不对选取的系统参量做进一 步限定，同时也不对选取的系统参量的数目做明确限定。
[0090] 在实际建立关系值视图时，关系值视图的表征形式可以为：
[0091]
[0092] 为当前时间窗j中的第i个传感器节点的关系值视图，其中，1为第i个个传感器 节点所包含的系统参量的数量，对于分氐h;.a，be [1，1] ;ci,j(a，b) = Ci,j(b，a)，Ci,j(a，a) = 1〇
[0093] 举例说明，假设在大小为10秒的时间窗3内包含有4个传感器节点，分别为S1、S2、sdP S4，假设每一个传感器节点中只包含两个系统参量，如这两个系统参量为接收包计数和发送 包计数，分别称为系统参量X和系统参量y，这里可以认为系统参量X为传感器节点中的第1个 系统参量，系统参量y为传感器节点中的第2个系统参量，假设已计算出传感器节点 S1、S2、S3和 S4针对系统参量X和系统参量y的关系值分别为cij(x，y) = l、C2,j(x，y) = l、C3,j(x，y) = ]^Pc4,j (X，y) =-1;对选取传感器节点中的两个系统参量X和系统参量y来说，可得到对应传感器节 点的2X2的关系值视图；例如，对于传感器节点 S1来说，由上述关系值视图的表征形式不难 确定传感器节点81对应的关系值视图
其中可知的是， (l,l) = ci,j(2,2) = l，ci,j(l，2) = ci,j(2，l) = ci,j(x，y) = l，因此，可得传感器节点si 对应 的关系值视目
，按照传感器节点81对应的关系值视图的求解过程，不难得到 传感器节点S2、S3和S4对应2X2的关系值视图分别为
I:和
[0094] 再如，假设在大小为10秒的时间窗3内包含有4个传感器节点，分别为si、S2、S3和 S4,假设每一个传感器节点中只包含三个系统参量，比如这三个系统参量为接收包计数、发 送包计数和执行任务数，分别称为系统参量X、系统参量y和系统参量z，这里可以认为系统 参量X为传感器节点中的第1个系统参量，系统参量y为传感器节点中的第2个系统参量，系 统参量z为传感器节点中的第3个系统参量，为了使建立关系式视图的过程尽量直观，这里 就以第1个传感器节点Si为例，现从系统参量x、y、z中任意选取两个系统参量，针对选取的 系统参量计算关系值;例如针对系统参量X和系统参量y的关系值为ci, j(x，y) = 1，即cij(l， 2) = 1;针对系统参量X和系统参量z的关系值为ci, j(x，z) = 1，即ci, j( 1，3) = 1;针对系统参 量y和系统参量z的关系值为ci,j(y，z)=-l，即ci,j(2,3)=_l;对选取传感器节点si中的三 个系统参量X和系统参量y和系统参量z来说，可得到传感器节点 81的3乂3的关系值视图；由 上述关系值视图的表征形式不难确定传感器节点S1对应的关系值视图为：
[0095]
[0096] 已知ci,j(l，2) = ci,j(2,1) = 1，ci,j(l，3) = ci,j(3,1) = 1，ci,j(2,3) = ci,j(3,2) = _ 1;〇^(1，1)=(3^(2,2) = (：^(3,3) = 1，代入关系值视图中，可获得传感器节点81对应的关 系值视图为：
[0097]
[0098] 建立时间窗内的其他传感器节点的关系值视图与建立传感器节点81的过程雷同， 本实施例就补 列举。由上例不难得知，本发明实施例在对当前时间窗内的每一个传感 器节点选取系统参量时，选取的系统参量可以任意，同时选取系统参量的数目可以为两个、 三个或更多，因此，本申请并不对选取的系统参量以及系统参量的数目做进一步限定。
[0099] 然后，根据当前时间窗内每一个传感器节点的所述关系值视图，生成针对每一个 传感器节点的关系值视图向量。
[0100] 可以理解的是，上述获得的关系值视图为对称矩阵，为了简化，本实施例中对上述 获得的关系值视图中的上三角矩阵进行提取，生成对应的关系值视图向量，例如:对于上述 根据任意两个系统参量分别建立针对于传感器节点 S1、S2、S3和S4的关系值视图，
来说，进行 上三角矩阵提取后可对应生成关系值视图向量为:pi= {1}、P2= {1}、P3= {1}和P4= {-1}。 再如，对于根据任意三个系统参量建立的针对于传感器节点S1的关系值视图：
|来说，进行上三角矩阵提取后可生成关系值视图向量为:P1=u， 1，-1}〇
[0101] S400:根据当前时间窗内所有传感器节点的所述关系值视图向量，对当前时间窗 内的所有传感器节点对应的关系值视图向量进行聚类处理，得到聚类结果；
[0102] 本领域技术人员可以理解的是，聚类，通常是指将物理或抽象对象的集合分成由 类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与 同一个簇中的对象彼此相似，与其他簇中的对象相异。
[0103] 在对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理时，如 图 2 所示，可以包括步骤：S401、S402、S403、S404、S405、S406、S407、S408 以及 S409，具体的；
[0104] S401:根据当前时间窗内所有传感器节点的关系值视图向量，分别计算针对当前 时间窗内每一个传感器节点的所述关系值视图向量的k距离邻域Nk(p)、逆k距离邻域INk(p) 及邻基局部密度因子NLDF k(p)，其中，所述关系值视图向量的邻基局部密度因子
式中，k为正整数，| INk(p) |为所述关系值视图向量的逆k距离邻域 中的关系值视图向量数目，|Nk(p) |为所述关系值视图向量的k距离邻域中的关系值视图向 量数目；
[0105] 在聚类算法中，通常是对于一个数据集来说的，本发明实施例将当前时间窗内包 含的所有的传感器节点对应的关系值视图向量作为一个数据集D，其中每一个传感器节点 对应的关系值视图向量均作为一个对象，计算数据集D中每个对象p的k距离邻域、逆k距离 邻域和邻基局部密度因子。其中，对象P的k距离和k距离邻域定义如下：
[0106] 定义1:(对象p的k距离)对于任意正整数k和数据集D中的对象p，p的k距离，记作k-distance(p)，定义为p与对象〇之间的距离d(p，o)，其中〇eD，并满足：
[0107] (1)至少存在k个对象c/ ￡D\{p}，使得d(p，c/ ) < d(p，o)，以及
[0108] (2)至多存在k_l个对象c/ eD\{p}，使得d(p，c/ )<d(p，o)。
[0109] 定义2:(对象p的k距离邻域)给定对象p的k距离，对象p的k距离邻域，记作Nk(p)， 包含的对象满足，其到口的距离不超过口的1^距离。即化（？）= {(1已〇\{?}|(1(?，(1)<1^-distance(p)}，其中q称为p的k近邻。
[0110]对象P的逆k距离邻域定义如下：
[0111] 定义3:(对象p的逆k距离邻域)对象p的逆k距离邻域，记作INk(p)，包含的对象满 足，其k距离邻域中包含对象p。即INk(p) = {q e D\ {p} | p eNk(q)}，其中q称为p的逆k近邻。
[0112] 对象p的邻基局部密度因子定义如下：
[0113] 定义4:(对象p的邻基局部密度因子)给定正整数k，对象p的邻基局部密度因子，记 作NLDFk(p)，定义为：
[0114]
[0115] 其中，|lNk(p) |为对象p的逆k距离邻域中的对象数目，|Nk(p) |为对象p的k距离邻 域中的对象数目；
[0116] 举例而言:假设当前时间窗内包含有8个传感器节点，则可已建立一个数据集D如 图3(8)所示，包含有口142、......、P8共8个对象;令k=2,通过上述关系式可得N2(pi) = {p2、 P3}，N2(P2) = {pi、P3}，......，N2(P8) = {p5、P6、P7};
进而 有NLDF2 (P1) = 1 · 5，NLDF2 (p2) = 1 · 5，……，NLDF2 (p8) = 0;上述中的k为预设的数值，实际计 算时可具体设定，本申请不对其做明确限定。
[0117] 值得强调的是，图3(a)仅为具体的示例，本申请不对当前时间窗内所包含的传感 器数目做明确规定，但是，数据集D中包含的对象数目与时间窗内所包含的传感器节点是一 一对应的。
[0118] S402:判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密 度因子NLDFk(p)是否大于或等于1，如果是，确定所述关系值视图向量为密邻向量，否则，确 定所述关系值视图向量为疏邻向量；
[0119] 根据计算得到的数据集D中每一个对象的邻基局部密度因子NLDFk(p)与1的大小 关系，判断每一个对象的属性，即对象为密邻对象还是疏邻对象。
[0120] 定义5:(密邻对象)给定正整数k，对象p是密邻对象，当且仅当NLDFk(p) 2 1。
[0121 ] 定义6:(疏邻对象)给定正整数k，对象p是疏邻对象，当且仅当NLDFk(p) < 1。
[0122] 将上述数据集D中每一个对象的邻基局部密度因子NLDFk(p)与1进行比较，不难得 到，NLDF2 (pi) > 1，NLDF2 (P2) > 1，NLDF2 (P3) > 1，NLDF2 (P4) < 1，NLDF2 (P5) > 1，NLDF2 (P6) > 1， NLDF2(p7)<l，NLDF2(p8)<l;有上述的定义5、定义6可以判定数据集D中的对象中密邻对象 有:口1、口2、口3、口5和口6;密邻对象有：口4、口7和口8。
[0123] S403:在当前时间窗内存在密邻向量时，判断目标密邻向量是否属于当前时间窗 内已存在的簇，如果否，建立新簇，将所述目标密邻向量加入所述新簇中，所述簇为当前时 间窗内的多个传感器节点对应的关系值视图向量的集合；
[0124] 由上述可知的是，数据集D中每一个关系值视图向量均对应作为一个对象，上述已 判断的密邻对象有:口142 43 45、和口6和，密邻对象有$4 47和口8;也就是说，传感器节点81、 S2、S3、S5、和S6和对应的关系值视图向量均为密邻向量，传感器节点S4、S7和S8对应的关系值 视图向量均为疏邻向量。
[0125] 根据上述的判定结果，显然的在时间窗内存在密邻对象，对于数据集D来说，假设 之前没有形成任何簇，则目标密邻对象如Pl·，不属于任何簇，此时，建立一个新簇，如图3(b) 所示，实线圈为新建立的簇，同时将目标密邻对象口:加入到新建立的簇中。值得一提的是， 这里的目标密邻对象可以选择上述数据集D中已经判定为密邻对象中的任意一个，图3(b) 仅为一种具体的聚类过程展示，本发明实施例不对所选择的目标密邻对象做进一步限定。
[0126] S404:确定针对目标密邻向量的所有直接局部密度可达关系值视图向量，其中，确 定针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达 式:NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qeNk(p)，式中，NLDFk(q)为关系值 视图向量q的邻基局部密度因子，thr为预设阈值；
[0127] 聚类运算的关键步骤就是要找到与簇中对象相似的其他对象，可以理解的，本发 明实施例中，以上述已经建立的新簇中的目标密邻对象为基准，搜索相似的关系值视图向 量，在目标密邻对象的邻域内，与目标密邻对象的邻基密度因子NLDF k(p)相近的对象称作 直接局部密度可达对象，即直接密度可达关系值视图向量。具体的，可通过下述表达式进行 判断，表达式为:NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qENk(p)，式中，NLDFk (q)为关系值视图向量q的邻基局部密度因子，thr为预设阈值。
[0128] 例如，对上述已经建立的新簇中的目标密邻向量如P1进行直接密度可达关系值视 图向量搜索，假定，预设thr = 0.1，根据上述的表达式可以求得目标密邻对象P1的直接局部 密度可达对象为p2、p 3,如图3(c)所示，对象p2、p3分别箭头指向目标密邻对象P1，其中，已知 的是，对象P2、P3均为密邻对象，即密邻向量。当然，上述预设阈值thr的取值本申请并不对其 做进一步限定。
[0129] S405:将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中；
[0130] 可以理解的，将上述针对目标密邻对象?1获得的直接局部密度可达对象p2、p3加入 到目标密邻对象P1m处簇中，此时目标密邻对象P1所处簇将增加2个对象，目标密邻对象 ?1 所处簇扩大，如图3(c)中的虚线圈所示。
[0131] S406:判断新加入的关系值视图向量是否存在密邻向量，
[0132] S407:如果存在，确定针对新加入的每一个密邻向量的所有直接局部密度可达关 系值视图向量，将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为 直接可达向量集，将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可 达关系值视图向量加入到目标密邻向量所处簇中，返回步骤S406继续执行；
[0133] 如图3(d)所示，显然目标密邻对象?1所处的簇，即实线圈中的对象p2、p3均为密邻 对象，根据上述的求解直接局部密度可达对象的表达式可分别得到对象P2的直接局部密度 可达对象为P3、P4,对象P3无直接局部密度可达对象，可以将直接局部密度可达对象为P3、P4 确定为直接可达向量集；图3(d)中所示对象p2的直接局部密度可达对象P3、P4分别箭头指向 密邻对象P2，其中，已知的是，对象P3为密邻对象，即密邻向量;对象P4为疏邻对象，即疏邻向 量。直观的可以得知，直接可达向量集中的对象P3已经属于目标密邻对象口:所处的簇中，而 直接可达向量集中的对象P4不属于目标密邻对象 ？1所处的簇，因此将对象P4加入到目标密 邻对象Pi所处的簇中，此时，目标密邻对象处的簇又增加1个对象，目标密邻对象?:所处 的簇扩大为图3(d)中所示的虚线圈。
[0134] 如图3(e)所示，新加入的对象P4为疏邻对象，可见目标密邻对象?1所处的簇中新加 入的对象中没有密邻对象了，因此，目标密邻对象P1所处的簇生成，可将已生成的簇命名为 Clo
[0135] S408:如果不存在，判断当前时间窗内是否还存在密邻向量，如果是，返回步骤 S403继续执行；
[0136] S409:如果否，将当前时间窗内已存在的簇确定为聚类结果。
[0137] 如图3(e)所示，可见簇C1中已经没有未计算直接局部密度可达对象的密邻对象 了，而数据集D中却依然存在密邻对象，可知的还有对象p 5、p6为密邻对象，所以需要返回步 骤S403继续执行聚类过程，可以理解的如图3(e)所示，此时，取密邻对象p 5为目标密邻对 象，由于目标密邻对象p5不属于已经建立的簇C1，因此重新建立一个新簇，并将目标密邻对 象P5加入到新建立的簇中，形成如图3(e)中所示的包含目标密邻对象p 5的实线圈。
[0138] 依次的，根据上述求解直接局部密度可达对象的表达式，可得到新建立簇中的目 标密邻对象p5的直接局部密度可达对象为P6、P7,其中，直接局部密度可达P6为密邻对象，直 接局部密度可达对象P7为疏邻对象，如图3(f)所示，直接局部密度可达对象p 6、p7分别箭头 指向目标密邻对象P5。
[0139] 由上述簇C1的聚类过程可以容易的得知，将上述求得的直接局部密度可达对象 p6、P7加入到目标密邻对象口5所处簇中，新加入的直接局部密度可达对象P6、P7中，密邻对象 P6没有直接局部密度可达对象，而直接局部密度可达对象P7为疏邻对象，所以生成新簇，将 其命名为C2,如图3(g)中的实线圈C2所示。
[0140] 此时，当前数据集D中仅剩下对象P8,且对象P8为疏邻对象，所以当前数据集D中不 存在密邻对象，因此，将数据集D中已经建立的簇C1、C2确定为聚类结果，如图3(g)所示，其 中，簇C1中包含对象PI、P2、P3、P4 ;簇C2中包含对象P5、P6、P7。
[0141] S500:将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节 点确定为故障节点。
[0142] 不难理解的是，在上述的聚类结果中已经形成两个簇，分别为簇Cl、簇C2,如图3 (g)所示，其中，簇C1中包含对象口142 43 44;簇02中包含对象口5、口6 47。在数据集0中，显而 易见的有对象P8既不属于簇C1，也不属于簇C2,因此可以确定数据集D中存在对象P8为异常 对象，进一步的，异常对象P8所对应的传感器节点即为故障节点。
[0143] 值得强调的是，上述图3(a)-图3(g)中所展示的各对象间的关系仅为本发明实施 例中的一种具体示例，本申请并不对聚类的结果做进一步限定，只要满足上述聚类规则均 在本发明实施例的保护范围内。
[0144] 需要说明的是，上述以簇C1、簇C2以及关系值视图向量Pl、p2、……、p8为例进行说 明，仅为本发明的一具体实例，并不够成对本发明的限定。
[0145] 应用本发明图1所示实施例，通过获得当前时间窗内每一个传感器节点所包含的 任意两个系统参量的系统参量值序列，并对系统参量值进行排序，获得针对每一个传感器 节点的系统参量值有序序列，再根据系统参量值有序序列，计算出每一个传感器节点的关 系值视图向量，对当前时间窗内的所有关系值视图向量进行聚类处理，得到聚类结果，当前 时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。有 效的利用了传感器节点系统参量间存在的关系，解决了如何通过传感器节点中系统参量间 存在的关系对无线传感器网络进行故障检测的问题。
[0146] 图4为本发明实施例提供的一种无线传感器网络的故障检测装置的结构示意图； 所述装置可以包括:第一获得模块100，第二获得模块200，向量生成模块300，聚类模块400， 确定模块500;
[0147] 其中，第一获得模块100,用于获得当前时间窗内每一个传感器节点所包含的任意 两个系统参量的系统参量值序列；
[0148] 第二获得模块200,用于对每一个传感器节点的所述系统参量值序列中的系统参 量值进行排序，获得针对每一个传感器节点的所述系统参量的系统参量值有序序列；
[0149] 向量生成模块300,用于根据每一个传感器节点的所述系统参量值有序序列，生成 针对每一个传感器节点的关系值视图向量；
[0150] 实际应用中，向量生成模块300可以包括:计算子模块，视图建立子模块以及向量 建立子模块(图中未不出）；
[0151]其中，计算子模块，用于根据每一个传感器节点所述系统参量值有序序列，计算每 一个传感器节点所述系统参量的关系值；
[0152] 可以理解的，计算子模块，在计算传感器节点系统参量的关系值时所利用的公式， 可以包括：
[0153]
[0154] 式中，(^,」(1，7)为当前时间窗」中的第;[个传感器节点中的系统参量1、7对应的关 系值，W为当前时间窗j的大小，Π / i,x, (j-l)Xw+k和Π / i,y, (j-l)Xw+k分别为系统参量值ΠΗ,χ, (j-l)Xw+k 和mi，y，(j-i)xw+k在系统参量x、y对应的有序序列V7 i，x，j和V7 i，y，j中的秩次，·. ·和/??. ·分 "少，/ 别为有序序列疒i,x, j和V' i,y, j的平均秩次。
[0155] 视图建立子模块，用于根据所述关系值，建立针对每一个传感器节点的关系值视 图；
[0156] 视图建立子模块在实际建立的传感器节点的关系值视图的表征形式可以为：
[0157]
[0158] 为当前时间窗j中的第i个传感器节点的关系值视图，其中，1为第i个传感器节 点所包含的系统参量的数量，对于Va, h;a，be[l，1] ;ci,j(a，b)=Ci,j(b，a)，Ci,j(a，a) = l。
[0159] 向量建立子模块，用于根据当前时间窗内每一个传感器节点的所述关系值视图， 生成针对每一个传感器节点的关系值视图向量。
[0160] 聚类模块400,用于根据当前时间窗内所有传感器节点的所述关系值视图向量，对 当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类处理，得到聚类结果； [0 161]实际应用中，聚类模块400,具体用于：
[0162] A、根据当前时间窗内所有传感器节点的关系值视图向量，分别计算针对当前时间 窗内每一个传感器节点的所述关系值视图向量的k距离邻域N k(p)、逆k距离邻域INk(p)及邻 基局部密度因子NLDFk(p)，其中，所述关系值视图向量的邻基局部密度因子
式中，k为正整数，|lNk(p)|为所述关系值视图向量的逆k距离邻域 τη、」大亦η且wmp」里3又目，|Nk(p) |为所述关系值视图向量的1^距离邻域中的关系值视图向 量数目；
[0163] B、判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度 因子NLDFk(p)是否大于或等于1，如果是，确定所述关系值视图向量为密邻向量，否则，确定 所述关系值视图向量为疏邻向量；
[0164] C、在当前时间窗内存在密邻向量时，判断目标密邻向量是否属于当前时间窗内已 存在的簇，如果否，建立新簇，将所述目标密邻向量加入所述新簇中，所述簇为当前时间窗 内的多个传感器节点对应的关系值向量的集合；
[0165] D、确定针对目标密邻向量的所有直接局部密度可达关系值视图向量，其中，确定 针对所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式： NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qeNk(p)，式中，NLDFk(q)为关系值视 图向量q的邻基局部密度因子，thr为预设阈值；
[0166] E、将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中；
[0167] F、判断新加入的关系值视图向量是否存在密邻向量，
[0168]如果存在，确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视 图向量，将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可 达向量集，将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系 值视图向量加入到目标密邻向量所处簇中，返回步骤F继续执行；
[0169]如果不存在，判断当前时间窗内是否还存在密邻向量，如果是，返回步骤C继续执 行，如果否，将当前时间窗内已存在的簇确定为聚类结果。
[0170]确定模块500,用于将当前时间窗内不属于所述聚类结果中的关系值视图向量对 应的传感器节点确定为故障节点。
[0171]应用本发明图4所示实施例，通过获得当前时间窗内每一个传感器节点所包含的 任意两个系统参量的系统参量值序列，并对系统参量值进行排序，获得针对每一个传感器 节点的系统参量值有序序列，再根据系统参量值有序序列，计算出每一个传感器节点的关 系值视图向量，对当前时间窗内的所有关系值视图向量进行聚类处理，得到聚类结果，当前 时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为故障节点。有 效的利用了传感器节点系统参量间存在的关系，解决了如何通过传感器节点中系统参量间 存在的关系对无线传感器网络进行故障检测的问题。
[0172]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实 体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存 在任何这种实际的关系或者顺序。而且，术语"包括"、"包含"或者其任何其他变体意在涵盖 非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要 素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备 所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在 包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0173] 本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部 分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实 施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例 的部分说明即可。
[0174] 本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可 以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中， 这里所称得的存储介质，如:R0M/RAM、磁碟、光盘等。
[0175] 以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在 本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围 内。
【主权项】
1. 一种无线传感器网络的故障检测方法，其特征在于，所述方法包括： 获得当前时间窗内每一个传感器节点所包含的任意两个系统参量的系统参量值序列； 对每一个传感器节点的所述系统参量值序列中的系统参量值进行排序，获得针对每一 个传感器节点的所述系统参量的系统参量值有序序列； 根据每一个传感器节点的所述系统参量值有序序列，生成针对每一个传感器节点的关 系值视图向量； 根据当前时间窗内所有传感器节点的所述关系值视图向量，对当前时间窗内的所有传 感器节点对应的关系值视图向量进行聚类处理，得到聚类结果； 将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感器节点确定为 故障节点。2. 根据权利要求1所述的方法，其特征在于，所述根据每一个传感器节点的所述系统参 量值有序序列，生成针对每一个传感器节点的关系值视图向量，包括： 根据每一个传感器节点所述系统参量值有序序列，计算每一个传感器节点所述系统参 量的关系值； 根据所述关系值，建立针对每一个传感器节点的关系值视图； 根据当前时间窗内每一个传感器节点的所述关系值视图，生成针对每一个传感器节点 的关系值视图向量。3. 根据权利要求2所述的方法，其特征在于，计算传感器节点的所述系统参量的关系值 所利用的公式，包括：式中，cu(X，y)为当前时间窗j中的第i个传感器节点中的系统参量x、y对应的关系值， W为当前时间窗j的大小，Π!' i,x, (j-l)Xw+k和n/ i,y, (j-l)Xw+k分别为系统f"_ θ k和 nu,y, (j-i)xw+k在系统参量x、y对应的有序序列i,x,j和i,y, j中的秩次 卜别 为有序序列，i,x, j和疒i,y, j的平均秩次。4. 根据权利亜:或太的古、比甘牲紅龙丰日(^太佑咸奥书占的主玄估项1图的表;征开多式；Ci,j为当前时间窗j中的第i个传感器节点的夫糸值视图，其中，1为第i个传感器节点所 包含的系统参量的数量，对于Vd,l);:a，be[l，1] ;ci,j(a，b)=Ci,j(b，a)，Ci,j(a，a) = l。5. 根据权利要求4所述的方法，其特征在于，所述根据当前时间窗内所有传感器节点的 所述关系值视图向量，对当前时间窗内的所有传感器节点对应的关系值视图向量进行聚类 为： 处理，得到聚类结果，包括：a、 根据当前时间窗内所有传感器节点的关系值视图向量，分别计算针对当前时间窗内每 一个传感器节点的所述关系值视图向量的k距离邻域N k(p)、逆k距*SM密 度因子NLDFk(p)，其中，所述关系值视图向量的邻基局部密度因丨 式 中，k为正整数，I INk(p) I为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目， |Nk(p) I为所述关系值视图向量的k距离邻域中的关系值视图向量数目； b、 判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子 NLDFk(P)是否大于或等于1，如果是，确定所述关系值视图向量为密邻向量，否则，确定所述 关系值视图向量为疏邻向量； c、 在当前时间窗内存在密邻向量时，判断目标密邻向量是否属于当前时间窗内已存在 的簇，如果否，建立新簇，将所述目标密邻向量加入所述新簇中，所述簇为当前时间窗内的 多个传感器节点对应的关系值视图向量的集合； d、 确定针对目标密邻向量的所有直接局部密度可达关系值视图向量，其中，确定针对 所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式： NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qeNk(p)，式中，NLDFk(q)为关系值视 图向量q的邻基局部密度因子，thr为预设阈值； e、 将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中； f、 判断新加入的关系值视图向量是否存在密邻向量， 如果存在，确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向 量，将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向 量集，将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系值视 图向量加入到目标密邻向量所处簇中，返回步骤f继续执行； 如果不存在，判断当前时间窗内是否还存在密邻向量，如果是，返回步骤c继续执行，如 果否，将当前时间窗内已存在的簇确定为聚类结果。6. -种无线传感器网络的故障检测装置，其特征在于，所述装置包括： 第一获得模块，用于获得当前时间窗内每一个传感器节点所包含的任意两个系统参量 的系统参量值序列； 第二获得模块，用于对每一个传感器节点的所述系统参量值序列中的系统参量值进行 排序，获得针对每一个传感器节点的所述系统参量的系统参量值有序序列； 向量生成模块，用于根据每一个传感器节点的所述系统参量值有序序列，生成针对每 一个传感器节点的关系值视图向量； 聚类模块，用于根据当前时间窗内所有传感器节点的所述关系值视图向量，对当前时 间窗内的所有传感器节点对应的关系值视图向量进行聚类处理，得到聚类结果； 确定模块，用于将当前时间窗内不属于所述聚类结果中的关系值视图向量对应的传感 器节点确定为故障节点。7. 根据权利要求6所述的装置，其特征在于，所述向量生成模块，包括： 计算子模块，用于根据每一个传感器节点所述系统参量值有序序列，计算每一个传感 器节点所述系统参量的关系值； 视图建立子模块，用于根据所述关系值，建立针对每一个传感器节点的关系值视图； 向量建立子模块，用于根据当前时间窗内每一个传感器节点的所述关系值视图，生成 针对每一个传感器节点的关系值视图向量。8. 根据权利要求7所述的装置，其特征在于，所述计算子模块，计算所述传感器节点所 述系统参量的关系值所利用的公式，包括：式中，Ci, j U，y)为当前时丨0」W j中的弟i个传感器节点中的糸统参量X、y对应的夫糸值， W为当前时间窗j的大小，Π !' i,x, (j-l)Xw+k和n/ i,y, (j-l)Xw+k分别为系统参量值ΠΗ,Χ, G-l)Xw+k和 m"，。-1)Xw+k在系统参量x、y对劍勺有赫列 为有序序列，i,x, j和疒i,y, j的平均秩次。9. 根据权利要求8所述的装置，其特征在于，所述视图建立子模块建立的所述传感器节 点的关系值视图的表征形式为：C1,j为当前时间窗j中的第i个传感器节点的关系值视图，其中，1为第i个传感器节点所 包含的系统参里的数莖，对于Vft:，fi:;:a，be[l，l];ci,j(a，b)=Ci,j(b，a)，Ci,j(a，a) = l。10. 根据权利要求9所述的装置，其特征在于，所述聚类模块，具体用于： A、 根据当前时间窗内所有传感器节点的关系值视图向量，分别计算针对当前时间窗内每 一个传感器节点的所述关系值视图向量的k距离邻域N k(p)、逆k距离邻域INk(p)及邻基局部密 度因子NLDFk(P)，其中，所述关系值视图向量的邻基局部密度因1式 中，k为正整数，I INk(p) I为所述关系值视图向量的逆k距离邻域中的关系值视图向量数目， |Nk(p) I为所述关系值视图向量的k距离邻域中的关系值视图向量数目； B、 判断当前时间窗内每一个传感器对应的所述关系值视图向量的邻基局部密度因子 NLDFk(P)是否大于或等于1，如果是，确定所述关系值视图向量为密邻向量，否则，确定所述 关系值视图向量为疏邻向量； C、 在当前时间窗内存在密邻向量时，判断目标密邻向量是否属于当前时间窗内已存在 的簇，如果否，建立新簇，将所述目标密邻向量加入所述新簇中，所述簇为当前时间窗内的 多个传感器节点对应的关系值向量的集合； D、 确定针对目标密邻向量的所有直接局部密度可达关系值视图向量，其中，确定针对 所述目标关系值视图向量的所有直接局部密度可达关系值视图向量通过下述表达式： NLDFk(p)/(l+thr)<NLDFk(q)<NLDFk(p)X(l+thr)，qeNk(p)，式中，NLDFk(q)为关系值视 图向量q的邻基局部密度因子，thr为预设阈值； E、 将所述直接局部密度可达关系值视图向量加入到目标密邻向量所处簇中； F、 判断新加入的关系值视图向量是否存在密邻向量， 如果存在，确定针对新加入的每一个密邻向量的所有直接局部密度可达关系值视图向 量，将所有新加入的密邻向量的所有直接局部密度可达关系值视图向量确定为直接可达向 量集，将所述直接可达向量集中不属于目标密邻向量所处簇的直接局部密度可达关系值视 图向量加入到目标密邻向量所处簇中，返回步骤F继续执行； 如果不存在，判断当前时间窗内是否还存在密邻向量，如果是，返回步骤C继续执行，如 果否，将当前时间窗内已存在的簇确定为聚类结果。
【文档编号】H04W24/04GK105897469SQ201610202851
【公开日】2016年8月24日
【申请日】2016年4月1日
【发明人】李贺, 杨杨, 邱雪松, 高志鹏, 刘倩, 李文璟
【申请人】北京邮电大学