[发明专利]一种基于机器学习的AP自适应优化选择方法

权利要求书

1.一种基于机器学习的AP自适应优化选择方法，其特征在于：所述方法包括步骤：

步骤1，收集当前环境中的连接设备数据，建立训练数据集，特征集，确定阈值；

步骤2，根据数据集及ID3算法确认是否为单结树；

设有k个类C_k，若训练数据集中所有实例属于同一类C_k，则决策树为单结点树，并将类C_k作为结点的类标记，返回决策树；若特征集为空集，则决策树为单结点树，并将训练数据集中实例数最大的类C_k作为该结点的类标记，返回决策树；否则，按算法ID3计算特征集中各特征对训练数据集的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则置决策树为单结点树，并将训练数据集中实例数最大的类C_k作为该节点的类标记，返回决策树；

所述步骤1中，所述建立的特征集中，包括连接时的时间、信号强度、移动设备型号、是否为公共AP、是否加密、连接设备数量；

具体的，输入：训练数据集D，特征集A包括连接时的时间、信号强度、移动设备型号、是否为公共AP、是否加密、连接设备数量，阈值ε；输出：决策树T；建立数据集时，要了解每个功能如何影响连接时间成本，使用坐标轴可视化来显示每个功能的连接时间成本差异；

步骤3，若非单结树，则分割子集构建子结点生成树；

所述步骤3中，具体地，在确认是否为单结树之后对Ag的每一可能值ai，依Ag＝ai将训练数据集分割为若干非空子集Di，将Di中实例数最大的类作为标记，构建子结点，由结点及子结点构成决策树，返回该决策树；

步骤4，递归调用以上步骤 2 、步骤 3 ，直至生成完整的决策树，以将AP分类为fast集和slow集，选择fast集最快的AP建立连接；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归地调用，得到子树Ti，返回Ti。

2.根据权利要求1所述的一种基于机器学习的AP自适应优化选择方法，其特征在于：所述步骤1中，所述建立的特征集中，包括但不仅限于连接时的时间、信号强度、移动设备型号、是否为公共AP、是否加密、连接设备数量，使用算法包括但不限于ID3、C4.5决策树算法。

3.根据权利要求1所述的一种基于机器学习的AP自适应优化选择方法，其特征在于：所述步骤2中，所述ID3算法计算信息增益的步骤如下：

步骤2-1，计算数据集D的经验熵H(D)；

步骤2-2，计算特征A对数据集D的经验条件熵H(D|A)；

步骤2-3，计算信息增益g(D,A)；

g(D,A)＝H(D)-H(D|A)。

4.根据权利要求1所述的一种基于机器学习的AP自适应优化选择方法，其特征在于：所述步骤3中，具体地，在确认是否为单结树之后对Ag的每一可能值ai，依Ag＝ai将训练数据集分割为若干非空子集Di，将Di中实例数最大的类作为标记，构建子结点，由结点及子结点构成决策树，返回该决策树。