[发明专利]基于时延梯度信息的输入时延自适应平滑处理方法

权利要求书

1.基于时延梯度信息的输入时延自适应平滑处理方法，其特征在于，包括以下步骤：

①将IP网络定位系统中每个节点保存在最近一段时间内与其他节点间直接测量获得的时延值记录；

②将该记录输入到一个有限次窗口的基于时延梯度信息的自适应平滑滤波器中；

③经滤波器处理后的输出值作为IP网络定位系统的输入延时，实现时延值的非直接测量；

其中自适应平滑滤波器将某个时刻节点直接测量到与参考节点间的时延值，利用所存储的历史记录的时延值和当前的时延值进行加权计算，滤波器窗口内的当前时刻和前一时刻时延值的差值，作为当前时刻网络时延值的梯度信息，滤波器窗口的权值大小是当前梯度的单调递减函数，窗口内的所有的时延值和权值相乘并累积求和，最后除以调制因子，作为网络距离测度空间的输入时延值。

2.根据权利要求1所述的基于时延梯度信息的输入时延自适应平滑处理方法，其特征在于，具体步骤如下；

①变量定义：

自适应滤波器的窗口长度H值应当不小于3，即H≥3；

为平滑前的原始时延直接测量值，为第k次迭代平滑后滤波器的输出值；

节点N以直接测量的方式从邻居节点Neigh获得时延样本R，并将其储存到自己的时延历史记录窗口中，节点N所存储的关于节点Neigh的最近H次的时延样本历史记录为向量[R_T-h+1，R_T-h+2，...，R_T]_Neigh，该时延样本向量中，时延梯度表征时延测量值的不连续性，即t时刻的时延样本与t-1时刻时延样本的差值，其表达式为f′_T(R)＝R_T-R_T-1，k次迭代后时延梯度的表达式则为k次迭代后最近H次的时延样本的加权系数的表达式如下：

wT(k)(R)=Φ(fT′(k)(R))=exp[-|fT′(k)(R)|22α2]]]>

wT-1(k)(R)=Φ(fT-1′(k)(R))=exp[-|fT-1′(k)(R)|22α2]]]>

...

wT-H+1(k)(R)=Φ(fT-H+1′(k)(R))=exp[-|fT-H+1′(k)(R)|22α2]]]>

其中，f′_T(R)为时延值的梯度；

②滤波器输出值计算：

a、在系统初始时刻t₀，当前时延样本仅一个，则不做任何判断地默认当前数据R_t0为真实时延值；

b、t₁时刻，节点采集到第2个时延样本时，窗口中当前数据仅2个，若R_t0≥θ·Rt₁，则认为R_t0异常，并用Rt₁更新R_t0(即R_t0←R_t1)；反之计算[R_t0，R_t1]的标准误差σ，与实现设定的阈值χ比较，若σ≥χ，则R_t1视为异常，令R_t1←R_t0，即保持初始时刻的记录值，若σ≤χ，R_t1保留在时延记录中；

c、t_k时刻若节点采集的时延样本数目大于3但未填满整个窗口时，计算[R_t0，R_t1，...，R_tk]的标准误差并与阈值比较，若σ≥χ，则R_tk为异常，令R_tk←R_tk-1；若σ≤χ，R_t1保留在时延记录中；

RT(k+1)=1WT(k)Σi=0H-1RT-i(k)wT-i(k)]]>

其中为调制因子，即k次迭代后滤波器窗口权值的总和，表达式如下：

WT(k)=Σi=0H-1wT-i(k)(R)]]>

k从0开始进行迭代运算，当k＝K时，即完成迭代卷积次数时，滤波器输出即为RTT_ID，即

其中θ为滤波器中仅有两个时延测量值时，判断最近的测量值是否过于偏大的阈值；χ为滤波器中时延测量值大于2而小于滤波器窗口长度时，判断时延记录向量方差大小是否异常的阈值；K为滤波器与原始测量的时延值的迭代卷积次数；RTT_ID为滤波器输入时延测量值经滤波器处理后的输出值，也就是IP网络坐标系统的输入时延值。