无线传感器网络链路质量预测方法

摘要

本发明公开了一种无线传感器网络链路质量预测方法，包括如下步骤：S1，采用卡尔曼滤波算法对链路质量参数进行降噪，采用最大最小法对链路质量参数进行标准化处理，并采用模糊C均值聚类算法对链路质量等级进行划分；S2，采用XGBoost算法训练得到链路质量预测模型，通过该预测模型预测下一时刻的链路质量等级。本发明在考虑无线传感器网络链路质量动态变化的情况下，提供了基于XGBoost的无线传感器网络链路质量预测方法，能够有效的预测下一时刻的链路质量，能够提高网络吞吐量，从而提高网络的数据转发效率，并为上层路由协议选择通信链路提供依据，此外，该方法还具有延长网络寿命以及节省节点能量的优点。

说明书

技术领域

本发明涉及无线传感器技术领域，特别是涉及一种无线传感器网络链路质量预测方法。

背景技术

无线传感器网络(Wireless Sensor Networks，WSNs)由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳自组织网络，其目的是协作地感知、采集和处理网络覆盖区域中被感知对象的信息，并发送给观察者。传感器、感知对象和观察者构成了无线传感器网络的三个要素。传感器节点在能量、通信、计算与存储等多方面都受限，部署环境通常复杂多变且存在各种干扰源，从而导致节点间通信链路质量不可靠。链路质量预测机制是拓扑控制、路由协议和移动管理的基础，可提高网络吞吐量、延长网络寿命以及节省节点能量。

相关技术中，对WSNs链路质量的评估预测方法主要有基于链路特性和基于概率估计的预测方法，但这两者方法均存在数据转发效率较低的问题，影响了对下一时刻链路质量的预测。

发明内容

为解决上述无线传感器网络中链路质量预测方法存在的问题，本发明提供了一种无线传感器网络链路质量预测方法，具体是基于XGBoost的链路质量预测方法。

一种无线传感器网络链路质量预测方法，包括如下步骤：

S1，采用卡尔曼滤波算法对链路质量参数进行降噪，采用最大最小法对链路质量参数进行标准化处理，并采用模糊C均值聚类算法对链路质量等级进行划分；

S2，采用XGBoost算法训练得到链路质量预测模型，通过该预测模型预测下一时刻的链路质量等级。

与现有技术相比，本发明的有益效果为：

本发明在考虑无线传感器网络链路质量动态变化的情况下，提供了基于XGBoost的无线传感器网络链路质量预测方法，首先通过卡尔曼滤波算法对链路质量参数进行降噪，采用最大最小法对链路质量参数进行标准化处理，并采用模糊C均值聚类算法对链路质量等级进行划分，然后采用XGBoost算法训练得到链路质量预测模型，并通过该预测模型预测下一时刻的链路质量等级，能够有效的预测下一时刻的链路质量，能够提高网络吞吐量，从而提高网络的数据转发效率，并为上层路由协议选择通信链路提供依据，此外，该方法还具有延长网络寿命以及节省节点能量的优点。

上述方法，其中，所述步骤S1中，采用最大最小法对链路质量参数进行标准化处理中，选择表征链路可靠性、稳定性、非对称性、信道质量的参数作为输入。

上述方法，其中，所述步骤S1中，采用模糊C均值聚类算法对链路质量等级进行划分。

上述方法，其中，所述步骤S1中，采用模糊C均值聚类算法对链路质量等级进行划分的步骤具体包括：

S11，输入样本集{ζ₁,ζ₂,....ζ_n},ζ_i∈R^s，设定欲划分等级数c,2≤c≤n，模糊指数p，迭代次数k＝0，迭代停止阈值ε，初始化聚类中心矩阵A⁽⁰⁾，其中A_s×c＝{a₁,a₂,...,a_c}表示c个聚类中心的集合；

S12，采用以下公式计算u_ij，并更新隶属度矩阵

S13，采用以下公式计算聚类中心a_i，并更新聚类中心矩阵A^(k+1)，

S14，若||U^(k+1)-U^(k)||<ε，则停止迭代并输出聚类中心矩阵A和隶属度矩阵U，其中，U为每个样本点属于每个类的隶属度，根据该矩阵按照模糊集合中的最大隶属原则确定每个样本点的归类，进而对链路质量进行更全面的分类；若||U^(k+1)-U^(k)||≥ε，则令k＝k+1，转向步骤S12，其中||||表示任意测量数据与聚类中心的相似度。

上述方法，其中，所述步骤S2中，采用XGBoost算法训练得到链路质量预测模型的步骤具体包括：

S21，输入带标签的训练数据集n为样本数目，m为特征数目，x_i为历史时刻和当前时刻的链路质量信息，y_i为下一时刻的链路质量信息；

S22，定义目标函数，

其中l为损失函数，模型中采用均方误差作为误差函数，为第i个样本的预测值，y_i为第i个样本的真实值，f_k包括每棵树的结构和叶子权重，用于衡量树的复杂度，其包含了树的叶子节点数和L2正则，其中T为树中叶子数目，ω为叶子的权重，γ,λ为权重参数；

S23，利用损失函数的二阶泰勒展开近似得到损失函数的一阶导数g_i和二阶导数h_i，

其中为第t-1次迭代的预测值，将目标函数转化为

其中I_j为叶子j的实例集；

S24，树节点在进行分裂时，计算每个特征的每个分割点对应的增益

其中I_L、I_R分别为左右叶子结点集合，增益Gain越小表明分裂产生的损失越小；

S25，通过近似算法中的近似直方图算法确定一组候选分裂点，通过遍历所有的候选分裂点来找到最佳分裂点，在寻找切分点时，对特征值进行聚合统计，然后形成若干个桶，将桶边界上的特征值作为候选切分点；

S26，计算一棵树的结构分数

通过结构分数找到一颗最优结构树并加入模型中，若不满足停止条件则返回步骤S24迭代；

S27，预测输出为

其中f_m(x_i)为每棵树的预测结果，为回归树空间。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的无线传感器网络链路质量预测方法中实验场景的模型图。

具体实施方式

为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

本发明的优选实施例以基于CC2530芯片的无线传感器网络节点及组成网络为例，对本发明的提出的无线传感器网络链路质量预测方法进行说明，图1是实施例实验场景的模型图，以Sink节点为中心，在Sink节点周围布置24个传感器节点，这些传感器节点分为三组，每组包括八个节点，均放置在Sink节点外的圆弧上，针对不同方向信号功率的不同对链路质量产生的影响，第一个圆弧的半径为1米，第二个圆弧的半径为5米，第三个圆弧的半径为10米，针对距离的不同对链路质量产生的影响。通过预测模型预测Sink节点到各个传感器节点的链路质量，本实施例提供的方法至少包括步骤S1～S2：

步骤S1：采用卡尔曼滤波算法对链路质量参数进行降噪，采用最大最小法对链路质量参数进行标准化处理，并采用模糊C均值聚类算法(FCM)对链路质量等级进行划分；

其中，根据无线传感网络中数据传输的特点，首先对采集到的数据进行去噪处理。在采用最大最小法对链路质量参数进行标准化处理中，选择表征链路可靠性、稳定性、非对称性、信道质量的参数作为输入。等级划分时，采用模糊C均值聚类算法对链路质量等级进行划分。

根据模糊C均值聚类算法的性能可知，该算法将没有类别标记的样本集按某种准则划分为若干个类，使相似的样本尽可能的归为一类，而将不相似的样本尽量划分到不同的类中，具体包括步骤S11～S14：

S11：输入样本集{ζ₁,ζ₂,....ζ_n},ζ_i∈R^s，设定欲划分等级数c＝5，模糊指数p＝2，迭代次数k＝0，迭代停止阈值(即收敛精度)ε，初始化聚类中心矩阵A⁽⁰⁾,其中A_s×c＝{a₁,a₂,...,a_c}表示c个聚类中心的集合；

S12，采用以下公式计算u_ij，并更新隶属度矩阵

S13，采用以下公式计算聚类中心a_i，并更新聚类中心矩阵A^(k+1)，

S14，若||U^(k+1)-U^(k)||<ε，则停止迭代并输出聚类中心矩阵A和隶属度矩阵U，U表示的是每个样本点属于每个类的隶属度，根据该矩阵按照模糊集合中的最大隶属原则就能够确定每个样本点归为哪个类，从而对链路质量进行更全面的分类；若||U^(k+1)-U^(k)||≥ε，令k＝k+1，转向步骤S12，其中||||表示任意测量数据与聚类中心的相似度。

步骤S2：采用XGBoost算法训练得到链路质量预测模型，通过该预测模型预测下一时刻的链路质量等级。

其中，采用XGBoost算法构建链路质量预测模型，通过计算每一个分裂节点的增益并采用近似算法快速找到最优切分点，通过计算结构一棵树的结构分数判断一棵树结构的好坏，从而判断是否需要继续分裂。通过不停地迭代更新得到最终的预测模型。具体通过步骤S21～S27得到链路质量预测模型：

S21，输入带标签的训练数据集n为样本数目，m为特征数目，x_i为历史时刻和当前时刻的链路质量信息，y_i为下一时刻的链路质量信息；

S22，定义目标函数

其中l为损失函数，模型中采用均方误差作为误差函数，为第i个样本的预测值，y_i为第i个样本的真实值，f_k包括每棵树的结构和叶子权重，用于衡量树的复杂度，其包含了树的叶子节点数和L2正则，其中T为树中叶子数目，ω为叶子的权重，γ,λ为权重参数；

S23，利用损失函数的二阶泰勒展开近似得到损失函数的一阶导数g_i和二阶导数h_i，

其中为第t-1次迭代的预测值，将目标函数转化为

其中I_j为叶子j的实例集；

S24：树节点在进行分裂时，计算每个特征的每个分割点对应的增益

其中I_L、I_R分别为左右叶子结点集合，增益Gain越小表明分裂产生的损失越小；

S25，为了提高寻找最佳切分点的效率，通过近似算法中的近似直方图算法确定一组候选分裂点，通过遍历所有的候选分裂点来找到最佳分裂点，在寻找切分点的时候，不会枚举所有的特征值，而会对特征值进行聚合统计，然后形成若干个桶(bucket)，只将桶边界上的特征值作为候选切分点，从而获得性能提升。

S26，计算一棵树的结构分数(structure score)

结构分数越小代表一棵树结构质量越好，通过结构分数找到一颗最优结构树并加入模型中，若不满足停止条件则返回步骤S24迭代；

S27，预测输出为

其中f_m(x_i)为每棵树的预测结果，为回归树空间。

本发明实施例在考虑无线传感器网络链路质量动态变化的情况下，提供了基于XGBoost的无线传感器网络链路质量预测方法，首先通过卡尔曼滤波算法对链路质量参数进行降噪，采用最大最小法对链路质量参数进行标准化处理，并采用模糊C均值聚类算法对链路质量等级进行划分，然后采用XGBoost算法训练得到链路质量预测模型，并通过该预测模型预测下一时刻的链路质量等级，能够有效的预测下一时刻的链路质量，能够提高网络吞吐量，从而提高网络的数据转发效率，并为上层路由协议选择通信链路提供依据，此外，该方法还具有延长网络寿命以及节省节点能量的优点。

以上所述实施例仅表达了本发明的一种或几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。