[发明专利]一种结合AdaBoost和支持向量机的链路质量预测方法

说明书

技术领域

本发明涉及无线传感网络，主要涉及一种结合AdaBoost和支持向量机的链路质量预测方法。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是一种由各种具有感知能力、计算能力和通信能力的廉价的微型传感器节点通过无线通信的方式以自组织形式形成的网络。节点通过协作实时监测、感知、采集和处理网络分布区域内的对象信息，并将得到的信息发送给基站。在军事、环境监测和智能家居等领域有较为广泛的应用前景。

无线传感器网络节点通过无线电射频进行通信，容易受到电磁波自身的多径、损耗以及邻居干扰的影响，这种动态的变化以及不确定性使得链路具有方向性、不规则性、非对称性以及通信范围中过渡区域的存在。导致链路不稳定，产生大量的数据包丢失，从而链路变得不可靠。高质量的链路对于维护网络的连通性、建立高效的拓扑控制机制起着关键性的作用，而可靠的路由可以提高点对点的通信概率以及网络吞吐率，减少因重传产生的能源消耗，延长网络生命。链路质量预测机制能有效的感知当前链路的变化状况，综合考虑准确性以及实时性等问题。可减少路由频繁切换而带来的额外能量消耗，降低链路突发引起的网络数据转发次数，达到均衡负载。因此，对无线传感器网络链路质量建立良好的预测机制，进而动态的调整路由协议，保证数据正确的传输，提高应用系统的可靠性显得十分必要。

目前，国内外研究学者通过对链路特性进行研究，提出了不同的链路质量预测模型。主要有基于链路特性的预测方法，例如A.Woo等人在“Evaluation of Efficient Link Reliability Estimators for Low-Power Wireless Networks”【Technical Report number to be assigned,University of California,Berkeley,2003.04.】中对信噪比(Signal To Noise Ratio，SNR)的特性进行研究分析之后，指出期望包成功接收率(Packet Success Rate,PSR)与SNR可以通过sigmoid函数进行曲线拟合，并提出通过计算SNR值与拐点的距离，判断当前的链路质量，但该方法对链路质量预测的准确性和灵敏性较低；还有基于概率统计学的链路质量预测方法，例如Sun W等人在“A Link Quality Estimation model of Wireless Sensor Networks for Smart Distribution Grid”【IfacPapersonline,2015,48(28):432-437】中通过正态距离路径损耗模型描述信号衰减模型，提出一种以数据为中心的链路质量评估模型，用来预测智能配电网系统中的无线传感网络的链路质量。通过不同场景的实验验证，该模型得到的PRR与实测实验得到的PRR非常接近，但是，该模型的计算量非常大，作者文中提到的实验均是离线在PC机上完成，将该模型具体应用到节点上还需要完成许多其他的工作，这将需要很长一段时间；还有基于智能学习的预测方法，该方法主要采用模式匹配、监督学习等技术进行建模，例如Liu T等人在“Foresee(4C):Wireless link prediction using link features”【Information Processing in Sensor Networks(IPSN),2011 10th International Conference on.IEEE,2011:294-305.】中提出一种新的链路质量预测方法4C，该方法结合了物理层与链路层的参数，主要分为：采集数据、计算PRR值、输入向量、训练4个步骤，实验中将贝叶斯分类器、Logistic回归、人工神经网络(Artificial Neural Networks,ANN)预测的效果作为比较，通过计算均方根误差指出4C的精确度最高。

对于能量、内存受限，链路质量呈时空性的无线传感器网络节点较难获得良好的性能。而智能学习方法却可以对链路进行精度更高的预测。其中AdaBoost方法则能在训练多个弱分类器下达到较好的分类能力，被广泛应用于分类与回归中。因此，本发明基于AdaBoost理论，结合支持向量机，提出一种结合AdaBoost和支持向量机的链路质量预测方法。

为了更加准确地评估与预测传感网络的链路质量，本发明通过实验，采用DBSCAN对采集的数据去噪处理和等级划分，采用AdaBoost方法集成弱分类器支持向量机，得到最终强分类器作为预测模型，从而预测传感网络下一时刻的链路质量。

发明内容