理解论文笔记：基于贝叶斯网络和最大期望算法的可维护性研究

看了与上一篇研究方向一致的文章，上一篇19年的，这一篇22年的更新。若有侵权，请联系删除。

I. INTRODUCTION        介绍

 主要介绍了使用贝叶斯网络和历史数据对无线传感器网络可维护性研究的重要性和必要性，并对下面的各章进行了总结。

本文的其余部分组织如下:第二节论述了WSN维护的相关研究工作。第三节分为两小节。一篇描述了贝叶斯网络模型，另一篇讨论了期望最大化算法。在第四节中，将提出的技术和可维护性模型用于实验和实际推理。第五节得出结论。

II. RELATED WORK IN WSN MAINTTENANCE        WSN维护的相关工作

1、人们在无线传感器网络可靠性方面取得了许多成果

（1）提取了影响传感器网络可靠性的因素，建立了传感器网络可靠性评估模型;

（2）对无线传感器网络可靠性研究分别在节点层、通信层和感知层进行

（3）进行了特殊应用环境下的无线传感器网络的可靠性研究

2、对WSN可靠性的研究的局限性

（1）忽略了各种可靠性影响因素之间的相关性，更谈不上对其进行全寿命周期的综合评价

（2）在大多数研究中，更多的是关注无线传感器网络设计的可靠性。然而，无线传感器网络具有复杂、多态和动态性的特点。无线传感器网络的现场运行很少受到重视。

（3）由于传感器节点的简单性，一些可靠性算法对节点的资源不适应。一些研究利用传感器的移动性，将移动节点引导到期望的位置，以增加传感覆盖。但有时由于缺乏准确的定位能力而无法实现。

可靠性≠可维护性。

III. THE PROPOSED MAINTAINABILITY METHOD        可维护性方法

三个过程。

1、建立基于专家经验的贝叶斯网络模型。

2、利用历史运行信息训练学习数据集作为模型，优化模型参数的条件概率表(CPT)。

3、利用训练好的模型得到可维护性策略。

A. Bayesian networks        贝叶斯网络

        贝叶斯网络，也称为概率有向无环模型。每个节点的CPT可以根据专家经验、历史统计数据或其他方法得到。

B. Expectation-maximum algorithm        最大期望算法

EM 标准背后的思想是分两步迭代估计未知参数：

1、期望 (E) 步骤：对潜在变量的条件概率取完整数据似然的统计期望

2、最大化 (M) 步骤：针对感兴趣的参数最大化上面获得的条件期望。

这两个步骤迭代，直到满足预定的收敛条件。

EM算法用于贝叶斯网络模型的主要思想：

1、期望步骤：根据专家设定的初始CPT值，利用消去法推理算法从贝叶斯网络的已知节点中推导出贝叶斯网络未知节点的状态。即从A、B、C节点可以推出D、E、F节点。

公式如下：

（这个公式好像看懂了，但是为什么可以已知推未知就不懂了）

2、最大化步骤：贝叶斯网络中所有节点的联合概率可以转换成CPT的乘积的特征。

最后，两个步骤重复迭代，直到收敛。

自己的理解：先根据专家经验或者历史数据猜测未知观测点，然后根据概率计算已知观测点，比较已知观测点原有值，再调整比例猜测，当计算的已知观测点数据与原有值误差不大时或者每次调整后计算数据差距不大时，即相当于达到了收敛，即得到未知观测点的数据。

IV. BAYESIAN NETWORK MODEL FOR VERIFICATION OF THE  PROPOSED MAINTAINABILITY METHOD        验证贝叶斯网络模型提出的可维护性方法

        将系统特征变量定义为无线传感器网络底层的基本观测值。故障基是需要维护和改进的最低系统特征变量，在系统运行中一般难以观察到。为了获得基于专家经验和可观测特征变量数据的WSN维护策略，应用贝叶斯网络和EM算法。

        基于专家经验建立贝叶斯网络模型。传感器数据和网络数据作为训练数据集。采用期望最大化算法对模型参数进行优化。最后，将训练好的WSN模型应用到系统维护中。

实验步骤：

（1）根据专家经验，设计无线传感器网络各层系统特征变量与故障基的因果关系图。

节点A(RSSI):接收信号强度指标(RSSI);

节点B(ICMP):拥塞控制的包数;

节点C(Packets):包数;

节点D(Delay):端到端时延;

节点E(Hops):跳数。

（2）对数据进行数学处理，确定系统特征变量和故障基的离散化（量化）方法。

实验数据图：

        在因果图中，对每个节点(特征量)进行量化后，进行离散化。在实验中，采集到的数据被量化为三个值{L, M, H}，分别代表{低，中，高}。换句话说，为该参数的值指定了两个边界，将其划分为三个阈值。该值越大，需要计算的次数越多，维护策略越准确。每个节点离散值的数量可以不同。

（3）把专家的先验信息和历史统计数据转化为贝叶斯网络条件概率表。

        即通过对步骤2中的数据进行训练得到最优CPT。

（4）由上层变量的异常观测数据推断出故障基的状态。（看不太懂）

根据后面语句的理解：使用上述的最大期望算法的E步骤，用已知节点（C、D、E）推断出故障基极端（未知节点A、B），再根据与步骤2中的数据，计算其A、B的准确度，如下：

（5）通过最小化代价函数不断调整故障基，并通过调整基对来推导上层的特征变量，直到性能达到我们的期望。

        找到可维护性性价比最高的可维护策略（即理论上应该是成本函数最低，可维护性最高）。

理解得还是怪怪的。