44、无线传感器网络中基于位置的故障检测调查

无线传感器网络中基于位置的故障检测调查

1. 机器学习和深度学习在提升无线传感器网络容错能力中的应用

在无线传感器网络（WSN）中，故障检测是一个重要的研究领域。机器学习（ML）、深度学习（DL）和时间序列算法在检测WSN中的数据中心故障和系统中心故障方面具有重要应用。在了解这些应用之前，了解WSN中的异常检测是很有必要的。异常是指由于任何故障、离群值、偏差或噪声而可能发生的任何意外事件或观测结果。异常被诊断为与其他数据模式的任何偏差，或感知值与构造值之间的任何差异。

1.1 ML和DL在异常检测中的作用

• 堆叠LSTM网络 ：使用堆叠LSTM网络进行时间序列中的异常/故障检测。该网络在四个不同数据集的无故障数据上进行训练，将训练后的数据作为输入变量，经过多个时间步长。预测误差被建模为多元高斯分布，用于估计异常行为的概率。这种基于LSTM的异常检测在涉及短期和长期时间依赖建模的所有四个数据集上都取得了良好的效果，因为堆叠循环隐藏层能更有效地捕捉时间序列模式。
• BRNN算法 ：Jeong等人使用双向循环神经网络（BRNN）进行传感器数据的异常检测和重建。该算法基于传感器数据之间的时空相关性形成数据驱动模型。对数据集应用随机噪声，通过比较重建误差和阈值来检测异常。与主成分分析（PCA）、最小均方误差（MMSE）、前馈神经网络（FNN）和循环神经网络（RNN）等现有技术相比，BRNN考虑了空间和双向时间相关性，因此效果最佳。
• ML混合模型 ：Vamsi等人提出了一种基于ML的混合模型，用于WSN中的异常和故障检