[发明专利]一种结合AdaBoost和支持向量机的链路质量预测方法

权利要求书

1.一种结合AdaBoost和支持向量机的链路质量预测方法，其特征在于，首先通过基于密度的聚类算法DBSCAN对样本进行预处理并得到样本的等级划分；其次，采用AdaBoost方法对样本进行分类，其中AdaBoost选取泛化性能较好的支持向量机作为弱分类器，用来预测下一时刻的链路质量，包括以下步骤：

步骤S1：通过基于密度的聚类算法DBSCAN对样本进行预处理并得到样本的等级划分；

步骤S2：通过AdaBoost方法将弱分类器支持向量机集成，得到最终的强分类器，用来预测下一时刻的链路质量。

2.根据权利要求1所述的一种结合AdaBoost和支持向量机的链路质量预测方法，其特征在于，所述预处理和划分链路质量等级方法为DBSCAN。

3.根据权利要求1所述的一种结合AdaBoost和支持向量机的链路质量预测方法，其特征在于，所述采用AdaBoost方法进行样本分类和预测，弱分类器选取泛化性能较好的支持向量机，通过改变支持向量机核函数RBF的核宽度来得到更好的分类效果，核宽度的改变决定分类精度，变化大小由梯度下降法确定。

4.根据权利要求1所述的一种结合AdaBoost和支持向量机的链路质量预测方法，其特征在于，所述链路质量等级划分和样本预处理采取DBSCAN算法，方法步骤如下：

第一步，输入半径E，给定点在E邻域内成为核心对象的最小邻域点数MinPts集合D；

第二步，判断输入点是否为核心对象；

第三步，找出核心对象的E邻域中的所有直接密度可达点，直到所有输入点都判断完毕；

第四步，针对所有核心对象的E邻域所有直接密度可达点找到最大密度相连对象集合，中间涉及到一些密度可达对象的合并直到所有核心对象的E邻域都遍历完毕；

第五步，输出目标类簇集合。

5.根据权利要求1所述的一种结合AdaBoost和支持向量机的链路质量预测方法，其特征在于，所述步骤S2采用AdaBoost方法集成弱分类器集支持向量机，其内容包括：

第一步，输入带标签的数据训练集{(X₁,Y₁),…,(X_N,Y_N)}.σ的初始值σ_ini和最小值σ_min，步长值σ_step；

第二步，初始化训练样本集的权重初值：w_i＝1/N(i＝1，…N)；

第三步，当σ＞σ_min时，用带权值的训练集训练弱分类器支持向量机，h_t；

第四步，计算训练错误率h_t:y_i≠h_t(x_i)；

第五步，如果ε_t＞0.5,以σ_step减小σ，返回步骤2；

第六步，得到弱分类器h_t的权重值：

第七步，更新训练样本权值：其中C_t是标准化常量，

第八步，输出强分类器