本發(fā)明涉及無線傳感網(wǎng)絡(luò)，主要涉及一種結(jié)合adaboost和支持向量機(jī)的鏈路質(zhì)量預(yù)測(cè)方法。
背景技術(shù)：
無線傳感器網(wǎng)絡(luò)(wirelesssensornetwork,wsn)是一種由各種具有感知能力、計(jì)算能力和通信能力的廉價(jià)的微型傳感器節(jié)點(diǎn)通過無線通信的方式以自組織形式形成的網(wǎng)絡(luò)。節(jié)點(diǎn)通過協(xié)作實(shí)時(shí)監(jiān)測(cè)、感知、采集和處理網(wǎng)絡(luò)分布區(qū)域內(nèi)的對(duì)象信息，并將得到的信息發(fā)送給基站。在軍事、環(huán)境監(jiān)測(cè)和智能家居等領(lǐng)域有較為廣泛的應(yīng)用前景。
無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)通過無線電射頻進(jìn)行通信，容易受到電磁波自身的多徑、損耗以及鄰居干擾的影響，這種動(dòng)態(tài)的變化以及不確定性使得鏈路具有方向性、不規(guī)則性、非對(duì)稱性以及通信范圍中過渡區(qū)域的存在。導(dǎo)致鏈路不穩(wěn)定，產(chǎn)生大量的數(shù)據(jù)包丟失，從而鏈路變得不可靠。高質(zhì)量的鏈路對(duì)于維護(hù)網(wǎng)絡(luò)的連通性、建立高效的拓?fù)淇刂茩C(jī)制起著關(guān)鍵性的作用，而可靠的路由可以提高點(diǎn)對(duì)點(diǎn)的通信概率以及網(wǎng)絡(luò)吞吐率，減少因重傳產(chǎn)生的能源消耗，延長(zhǎng)網(wǎng)絡(luò)生命。鏈路質(zhì)量預(yù)測(cè)機(jī)制能有效的感知當(dāng)前鏈路的變化狀況，綜合考慮準(zhǔn)確性以及實(shí)時(shí)性等問題?？蓽p少路由頻繁切換而帶來的額外能量消耗，降低鏈路突發(fā)引起的網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā)次數(shù)，達(dá)到均衡負(fù)載。因此，對(duì)無線傳感器網(wǎng)絡(luò)鏈路質(zhì)量建立良好的預(yù)測(cè)機(jī)制，進(jìn)而動(dòng)態(tài)的調(diào)整路由協(xié)議，保證數(shù)據(jù)正確的傳輸，提高應(yīng)用系統(tǒng)的可靠性顯得十分必要。
目前，國(guó)內(nèi)外研究學(xué)者通過對(duì)鏈路特性進(jìn)行研究，提出了不同的鏈路質(zhì)量預(yù)測(cè)模型。主要有基于鏈路特性的預(yù)測(cè)方法，例如a.woo等人在“evaluationofefficientlinkreliabilityestimatorsforlow-powerwirelessnetworks”【technicalreportnumbertobeassigned,universityofcalifornia,berkeley,2003.04.】中對(duì)信噪比(signaltonoiseratio，snr)的特性進(jìn)行研究分析之后，指出期望包成功接收率(packetsuccessrate,psr)與snr可以通過sigmoid函數(shù)進(jìn)行曲線擬合，并提出通過計(jì)算snr值與拐點(diǎn)的距離，判斷當(dāng)前的鏈路質(zhì)量，但該方法對(duì)鏈路質(zhì)量預(yù)測(cè)的準(zhǔn)確性和靈敏性較低；還有基于概率統(tǒng)計(jì)學(xué)的鏈路質(zhì)量預(yù)測(cè)方法，例如sunw等人在“alinkqualityestimationmodelofwirelesssensornetworksforsmartdistributiongrid”【ifacpapersonline,2015,48(28):432-437】中通過正態(tài)距離路徑損耗模型描述信號(hào)衰減模型，提出一種以數(shù)據(jù)為中心的鏈路質(zhì)量評(píng)估模型，用來預(yù)測(cè)智能配電網(wǎng)系統(tǒng)中的無線傳感網(wǎng)絡(luò)的鏈路質(zhì)量。通過不同場(chǎng)景的實(shí)驗(yàn)驗(yàn)證，該模型得到的prr與實(shí)測(cè)實(shí)驗(yàn)得到的prr非常接近，但是，該模型的計(jì)算量非常大，作者文中提到的實(shí)驗(yàn)均是離線在pc機(jī)上完成，將該模型具體應(yīng)用到節(jié)點(diǎn)上還需要完成許多其他的工作，這將需要很長(zhǎng)一段時(shí)間；還有基于智能學(xué)習(xí)的預(yù)測(cè)方法，該方法主要采用模式匹配、監(jiān)督學(xué)習(xí)等技術(shù)進(jìn)行建模，例如liut等人在“foresee(4c):wirelesslinkpredictionusinglinkfeatures”【informationprocessinginsensornetworks(ipsn),201110thinternationalconferenceon.ieee,2011:294-305.】中提出一種新的鏈路質(zhì)量預(yù)測(cè)方法4c，該方法結(jié)合了物理層與鏈路層的參數(shù)，主要分為：采集數(shù)據(jù)、計(jì)算prr值、輸入向量、訓(xùn)練4個(gè)步驟，實(shí)驗(yàn)中將貝葉斯分類器、logistic回歸、人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetworks,ann)預(yù)測(cè)的效果作為比較，通過計(jì)算均方根誤差指出4c的精確度最高。
對(duì)于能量、內(nèi)存受限，鏈路質(zhì)量呈時(shí)空性的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)較難獲得良好的性能。而智能學(xué)習(xí)方法卻可以對(duì)鏈路進(jìn)行精度更高的預(yù)測(cè)。其中adaboost方法則能在訓(xùn)練多個(gè)弱分類器下達(dá)到較好的分類能力，被廣泛應(yīng)用于分類與回歸中。因此，本發(fā)明基于adaboost理論，結(jié)合支持向量機(jī)，提出一種結(jié)合adaboost和支持向量機(jī)的鏈路質(zhì)量預(yù)測(cè)方法。
為了更加準(zhǔn)確地評(píng)估與預(yù)測(cè)傳感網(wǎng)絡(luò)的鏈路質(zhì)量，本發(fā)明通過實(shí)驗(yàn)，采用dbscan對(duì)采集的數(shù)據(jù)去噪處理和等級(jí)劃分，采用adaboost方法集成弱分類器支持向量機(jī)，得到最終強(qiáng)分類器作為預(yù)測(cè)模型，從而預(yù)測(cè)傳感網(wǎng)絡(luò)下一時(shí)刻的鏈路質(zhì)量。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于，針對(duì)以上現(xiàn)有方法的不足，提出一種結(jié)合adaboost和支持向量機(jī)的鏈路質(zhì)量預(yù)測(cè)方法。本發(fā)明采用dbscan算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和劃分等級(jí)，采用adaboost方法集成弱分類器支持向量機(jī)，得到預(yù)測(cè)模型。
一種結(jié)合adaboost和支持向量機(jī)的鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，首先通過基于密度的聚類算法dbscan對(duì)樣本進(jìn)行預(yù)處理并得到樣本的等級(jí)劃分；其次，采用adaboost方法對(duì)樣本進(jìn)行分類，其中adaboost選取泛化性能較好的支持向量機(jī)作為弱分類器，用來預(yù)測(cè)下一時(shí)刻的鏈路質(zhì)量。包括以下步驟：
步驟s1：通過基于密度的聚類算法dbscan對(duì)樣本進(jìn)行預(yù)處理并得到樣本的等級(jí)劃分；
步驟s2：通過adaboost方法將弱分類器支持向量機(jī)集成，得到最終的強(qiáng)分類器，用來預(yù)測(cè)下一時(shí)刻的鏈路質(zhì)量。
所述預(yù)處理和劃分鏈路質(zhì)量等級(jí)方法為dbscan。
所述采用adaboost方法進(jìn)行樣本分類和預(yù)測(cè)，弱分類器選取泛化性能較好的支持向量機(jī)，通過改變支持向量機(jī)核函數(shù)rbf的核寬度來得到更好的分類效果，核寬度的改變決定分類精度，變化大小由梯度下降法確定。
所述鏈路質(zhì)量等級(jí)劃分和樣本預(yù)處理采取dbscan算法，方法步驟如下：
第一步，輸入半徑e，給定點(diǎn)在e鄰域內(nèi)成為核心對(duì)象的最小鄰域點(diǎn)數(shù)minpts集合d；
第二步，判斷輸入點(diǎn)是否為核心對(duì)象；
第三步，找出核心對(duì)象的e鄰域中的所有直接密度可達(dá)點(diǎn)，直到所有輸入點(diǎn)都判斷完畢；
第四步，針對(duì)所有核心對(duì)象的e鄰域所有直接密度可達(dá)點(diǎn)找到最大密度相連對(duì)象集合，中間涉及到一些密度可達(dá)對(duì)象的合并直到所有核心對(duì)象的e鄰域都遍歷完畢；
第五步，輸出目標(biāo)類簇集合。
所述步驟s2采用adaboost方法集成弱分類器集支持向量機(jī)，其內(nèi)容包括：
第一步，輸入帶標(biāo)簽的數(shù)據(jù)訓(xùn)練集{(x1,y1),…,(xn,yn)}.σ的初始值σini和最小值σmin，步長(zhǎng)值σstep；
第二步，初始化訓(xùn)練樣本集的權(quán)重初值：wi＝1/n(i＝1，…n)；
第三步，當(dāng)σ＞σmin時(shí)，用帶權(quán)值的訓(xùn)練集訓(xùn)練弱分類器，ht；
第四步，計(jì)算訓(xùn)練錯(cuò)誤率
第五步，如果εt＞0.5,以σstep減小σ，返回步驟2；
第六步，得到弱分類器ht的權(quán)重值：
第七步，更新訓(xùn)練樣本權(quán)值：
第八步，輸出強(qiáng)分類器
本發(fā)明的優(yōu)點(diǎn)：本發(fā)明方法可以有效地預(yù)測(cè)下一時(shí)刻的鏈路質(zhì)量，其優(yōu)點(diǎn)在于可以幫助路由選擇、拓?fù)淇刂铺峁﹨⒖迹?jié)省能量消耗。
附圖說明
圖1為實(shí)施例1中無線傳感網(wǎng)絡(luò)場(chǎng)景的模型圖。
具體實(shí)施方式
下面將結(jié)合附圖、理論分析和仿真實(shí)驗(yàn)對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
本發(fā)明的優(yōu)選實(shí)施例以基于cc2530芯片的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)及組成網(wǎng)絡(luò)為例，對(duì)本發(fā)明的一種結(jié)合adaboost和支持向量機(jī)的鏈路質(zhì)量預(yù)測(cè)方法進(jìn)行說明，圖1是實(shí)例實(shí)驗(yàn)場(chǎng)景的模型圖，以sink節(jié)點(diǎn)為中心，分別在東、南、西、北4個(gè)不同方向，每個(gè)方向按照不同距離布置2個(gè)節(jié)點(diǎn)，一共8個(gè)節(jié)點(diǎn)，分別預(yù)測(cè)sink節(jié)點(diǎn)到節(jié)點(diǎn)1，2，3，4，5，6，7，8的鏈路質(zhì)量，其具體的實(shí)施方式如下：
步驟s1：根據(jù)無線傳感網(wǎng)絡(luò)中數(shù)據(jù)傳輸?shù)奶攸c(diǎn)，首先對(duì)采集到的數(shù)據(jù)進(jìn)行去噪處理以及鏈路質(zhì)量的等級(jí)劃分。根據(jù)基于密度的聚類算法dbscan的特性可知，該算法在聚類的同時(shí)能夠有效去除數(shù)據(jù)噪聲，聚類相似的數(shù)據(jù)點(diǎn)劃分到不同等級(jí)的同時(shí)還能舍棄掉數(shù)據(jù)中影響預(yù)測(cè)效果的噪聲點(diǎn)。具體如下：
第一步，輸入半徑e，給定點(diǎn)在e鄰域內(nèi)成為核心對(duì)象的最小鄰域點(diǎn)數(shù)minpts集合d.
第二步，判斷輸入點(diǎn)是否為核心對(duì)象.
第三步，找出核心對(duì)象的e鄰域中的所有直接密度可達(dá)點(diǎn)，直到所有輸入點(diǎn)都判斷完畢.
第四步，針對(duì)所有核心對(duì)象的e鄰域所有直接密度可達(dá)點(diǎn)找到最大密度相連對(duì)象集合，中間涉及到一些密度可達(dá)對(duì)象的合并直到所有核心對(duì)象的e鄰域都遍歷完畢.
第五步，輸出目標(biāo)類簇集合.
步驟s2：采用adaboost方法建立預(yù)測(cè)模型，根據(jù)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)具有較高的分類精度和較好的泛化能力，選擇支持向量機(jī)作為adaboost方法的弱分類器，選擇徑向基函數(shù)作為支持向量機(jī)的核函數(shù)。采用梯度下降算法調(diào)整核函數(shù)核寬度σ而得到不同的弱分類器，將這些不同的弱分類器集成得到最終的強(qiáng)分類器。其具體的實(shí)施方式如下：
第一步，輸入帶標(biāo)簽的數(shù)據(jù)訓(xùn)練集{(x1,y1),…,(xn,yn)}.σ的初始
值σini和最小值σmin，步長(zhǎng)值σstep.
第二步，初始化訓(xùn)練樣本集的權(quán)重初值：wi＝1/n(i＝1，…n).
第三步，當(dāng)σ＞σmin時(shí)，用帶權(quán)值的訓(xùn)練集訓(xùn)練弱分類器支持向量機(jī)，ht.
第四步，計(jì)算訓(xùn)練錯(cuò)誤率
第五步，如果εt＞0.5,以σstep減小σ，返回步驟第二步.
第六步，得到弱分類器ht的權(quán)重值：
第七步，更新訓(xùn)練樣本權(quán)值：
第八步，輸出強(qiáng)分類器
實(shí)驗(yàn)結(jié)果如表1所示。
表1