无线传感器网络被应用于复杂环境下时，存在缺乏故障数据、监测数据丢失、监测数据可靠性下降、运行环境干扰等诸多不利因素，因此会影响健康管理的可靠性和准确性。本书基于置信规则库专家系统研究无线传感器网络健康管理系统的建模方法，并应用于工程实践。置信规则库专家系统融合了定量数据和定性知识，能处理专家定性知识存在的模糊性和不确定性的问题。为确保建模过程的透明性和可参与性，本书采用证据推理规则作为推理工具，保证推理结果是可解释和可追溯的。 本书可作为高等院校人工智能、网络安全、自动控制等相关专业的本科生或研究生教材，也适合从事无线传感器网络相关工作的工程技术人员阅读参考。本书封面贴有清华大学出版社防伪标签，无标签者不得销售。

李绍华，大连外国语大学，创新创业学院，博士，副教授，硕士生导师，CCF会员。主要从事传感器网络健康管理，证据推理与置信规则库研究。发表学术论文20余篇，主编出版教材4部，主持省部级课题5项，并主持参与多项横向课题的研发。主持获得辽宁省普通高等教育本科教学成果三等奖2次，获得实用新型专利1项，软件著作权8项。指导学生在“互联网+”“挑战杯”“三创赛”“蓝桥杯”“泰迪杯”等竞赛中，取得国家级省级奖项100余项，多次获得优秀指导教师称号。

前言 无线传感器网络（wireless sensor network，WSN）是由分布在不同空间上的若干传感器设备组成的一种计算机网络。健康管理旨在评估、诊断和预测组件故障的发生，从而将复杂系统的意外停机时间降至最低。WSN节点容易由于能量损耗、硬件故障、软件故障、通信故障或网络攻击等原因导致可靠性下降，乃至使系统瘫痪，因此其健康管理是非常重要的。 本书主要的研究成果如下。 (1) 提出基于双置信规则库的WSN健康评估模型。WSN数据传输是通过无线方式实现的，对环境的干扰非常敏感，数据容易出现不规则波动和丢失问题。利用监测指标的历史数据建立基于BRB的丢失数据补偿模型，估算丢失的监测数据；再根据补偿数据和监测数据，建立基于BRB的健康评估模型，对WSN健康状态进行评估。为解决初始BRB丢失数据补偿模型和BRB健康评估模型精度低的问题，提出投影协方差矩阵自适应进化策略（projection covariance matrix adaption evolution strategy，PCMAES），对两个初始模型分别进行优化，提高评估精度。实验表明，双BRB WSN健康评估模型可以准确地评估监测数据的丢失值和WSN健康状态。 (2) 提出基于BRBr的WSN健康评估模型。当被监测系统的运行状态发生变化时，WSN采集到的监测数据可能会受到干扰和破坏，导致监测数据的可靠度下降，影响健康评估的准确性。提出利用属性可靠度来处理不可靠的监测信息，建立基于BRBr（BRB with attribute reliability）的WSN健康评估模型；利用监测数据之间的...