一种结合AdaBoost和支持向量机的链路质量预测方法 |
|||||||
申请号 | CN201710644577.X | 申请日 | 2017-07-31 | 公开(公告)号 | CN107333294A | 公开(公告)日 | 2017-11-07 |
申请人 | 南昌航空大学; | 发明人 | 刘琳岚; 刘满兰; 骆雄辉; 舒坚; | ||||
摘要 | 本 发明 公开了一种结合AdaBoost和 支持向量机 的链路 质量 预测方法。该方法是在无线 传感器 网络动态变化的情况下,提出的一种 无线传感器网络 中链路质量预测的方法。该方法首先通过基于 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。本发明方法可以有效地预测下一时刻的链路质量,其优点在于可以帮助路由选择、拓扑控制提供参考,节省 能量 消耗。 | ||||||
权利要求 | 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: |
||||||
说明书全文 | 一种结合AdaBoost和支持向量机的链路质量预测方法技术领域[0001] 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[0002] 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。 [0003] 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。 [0004] 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。 [0005] 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。 [0006] 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[0007] 本发明的目的在于,针对以上现有方法的不足,提出一种结合AdaBoost和支持向量机的链路质量预测方法。本发明采用DBSCAN算法对数据进行预处理和划分等级,采用AdaBoost方法集成弱分类器支持向量机,得到预测模型。 [0008] 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: [0009] 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; [0010] 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。 [0011] 所述预处理和划分链路质量等级方法为DBSCAN。 [0012] 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。 [0013] 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: [0014] 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; [0015] 第二步,判断输入点是否为核心对象; [0016] 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; [0017] 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; [0018] 第五步,输出目标类簇集合。 [0019] 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: [0020] 第一步,输入带标签的数据训练集{(X1,Y1),…,(XN,YN)}.σ的初始值σini和最小值σmin,步长值σstep; [0021] 第二步,初始化训练样本集的权重初值:wi=1/N(i=1,…N); [0022] 第三步,当σ>σmin时,用带权值的训练集训练弱分类器,ht; [0023] 第四步,计算训练错误率 [0024] 第五步,如果εt>0.5,以σstep减小σ,返回步骤2; [0025] 第六步,得到弱分类器ht的权重值: [0026] 第七步,更新训练样本权值: 其中Ct是标准化常量, [0027] 第八步,输出强分类器 [0029] 图1为实施例1中无线传感网络场景的模型图。 具体实施方式[0030] 下面将结合附图、理论分析和仿真实验对本发明作进一步的详细说明。 [0031] 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,对本发明的一种结合AdaBoost和支持向量机的链路质量预测方法进行说明,图1是实例实验场景的模型图,以sink节点为中心,分别在东、南、西、北4个不同方向,每个方向按照不同距离布置2个节点,一共8个节点,分别预测sink节点到节点1,2,3,4,5,6,7,8的链路质量,其具体的实施方式如下: [0032] 步骤S1: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以及链路质量的等级划分。根据基于密度的聚类算法DBSCAN的特性可知,该算法在聚类的同时能够有效去除数据噪声,聚类相似的数据点划分到不同等级的同时还能舍弃掉数据中影响预测效果的噪声点。具体如下: [0033] 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. [0034] 第二步,判断输入点是否为核心对象. [0035] 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. [0036] 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.[0037] 第五步,输出目标类簇集合. [0038] 步骤S2:采用AdaBoost方法建立预测模型,根据基于结构风险最小化原则的支持向量机具有较高的分类精度和较好的泛化能力,选择支持向量机作为AdaBoost方法的弱分类器,选择径向基函数作为支持向量机的核函数。采用梯度下降算法调整核函数核宽度σ而得到不同的弱分类器,将这些不同的弱分类器集成得到最终的强分类器。其具体的实施方式如下: [0039] 第一步,输入带标签的数据训练集{(X1,Y1),…,(XN,YN)}.σ的初始 [0040] 值σini和最小值σmin,步长值σstep. [0041] 第二步,初始化训练样本集的权重初值:wi=1/N(i=1,…N). [0042] 第三步,当σ>σmin时,用带权值的训练集训练弱分类器支持向量机,ht.[0043] 第四步,计算训练错误率 [0044] 第五步,如果εt>0.5,以σstep减小σ,返回步骤第二步. [0045] 第六步,得到弱分类器ht的权重值: [0046] 第七步,更新训练样本权值: 其中Ct是标准化常量, [0047] 第八步,输出强分类器 [0048] 实验结果如表1所示。 [0049] 表1 [0050] [0051] |