技术领域
[0001] 本
发明涉及无线
传感器网络
基础协议领域，特别涉及一种应用于
无线传感器网络的链路质量评估方法及其系统。
背景技术
[0002] 无线传感器网络（Wireless Sensor Network，WSN）是一种全分布式系统，众多的传感器
节点随机部署于各个监控区域，传感器节点之间以无线自织方式构成网络，其间的相互通信使用的是低功率的无线射频
信号即
电磁波。
无线电波的各种特性例如波的反射，衍射，以及由于反射所引起的多径效应等，加上其传输所处的环境十分复杂多变以及
干扰信号的存在，使得节点间的通信质量受到严重的影响和制约，从而导致节点间的链路具有随机性和不
稳定性。为了保证网络高效稳定的运行，减少这种由链路的各种因素造成的影响以及提高网络通信的整体性能，这就使得对链路质量进行评估就成为了必须。
[0003] 在无线传感器网络中，链路质量评估（Link Quality Evaluation，LQE）受到许多因素共同影响：链路处于射频过渡区域、
射频通道时变性质、多径干扰、链接不对称、和
硬件差异。无线传感器网络的链路质量评估相比传统无线Mesh网络和Ad-Hoc网络面临更大的挑战：1）、节点的
能量有限，大部分应用不提供能量补给且要求长期工作，如何提高能量效率是链路质量评估面临的主要挑战之一；2）、现有无线传感器网络属于窄带通信，低劣的链路质量估计将导致大于200%的网络减速，链路质量评估需要优先考虑减少网络通信负载；3）、链路质量受节点自身和外界影响因素复杂。
[0004] 目前，从获取链路质量评估参数
角度，可将链路质量评估方法分为三类：基于硬件的链路质量评估（Hardware-Based LQE）、基于
软件的链路质量评估（Software-Based LQE）、以及综合链路质量评估（Hybrid Approach LQE）。
[0005] 基于硬件链路质量评估是利用硬件层提供的链路信息，这些信息有些是硬件
电路通过电平转换直接获取，如RSSI（Received Signal Strength Indication，接收信号强度指示）、SNR（Signal-to-Noise Ratio，
信噪比），有些是通过硬件层对采集信号编码的统计，如CCI（Co-Channel Interference，同道干扰）。它们的共同特点是不需要增加额外的计算，但这些信息受环境因素影响明显，相关实验研究表明通过基于硬件的评估方法精确度不高，这是因为：
[0006] ①仅能从成功接收的包中获取；②基于包中局部比特位
采样获得；③仅能粗糙定性的描述链路质量，无法精确表达链路质量的刻度。
[0007] 基于软件链路质量评估是通过链路中接收节点统计包传递或重传的数量或概率获得，可以分为两类：①基于传输成功概率的统计，如包接收率PRR；②基于包数量的统计，如ETX、RNP。通过在WSN中持续发送一定数量的广播探测包（Boardcast Active Packet，BAP），通过统计包交付率PDR反映链路的质量状况，增大了通信开销且对瞬间链路质量的反映不够灵敏。
[0008] 综合链路评估是借助硬件层提供的廉价且灵敏的信道信息又能通过统计PDR获取较准确的链路质量，其中比较著名的有Four-bit和F-LQE。Four-bit利用信道信息作为链路发现的依据，然后选取少量较好的链路进行PRR计算一定程度上减少了通信开销，但其并未真正综合利用多种信息结合全面考虑链路的其他特性。F-LQE综合利用了RSSI、PRR等多种测量方法能较全面的反映链路质量的准确性、稳定性、非对称性，但没有进一步指出各属性之间对链路质量的贡献度，各属性的平均值并不能适应无线传感器网络复杂多变的情况。
[0009] 综上所述，目前的研究在获取链路质量方法，减少测量误差，提高方法能效等方面取得了一些进展，主要存在以下不足：1）、研究集中在单一性能方面的提高，还没有涉及到在各性能中寻求一个动态平衡；2）、在大规模WSN应用中，通过周期性广播Beacons获得的评估参数并不能反映瞬间链路质量，存在能耗高和易造成网络拥塞等弊端；3）、试图通过精确的模型在限定的场景下获得链路质量，无法回避影响链路质量复杂和变化的因素，尚未提出有效链路质量评估机制对不同场景的自适应能
力。
发明内容
[0010] 本发明的目的在于提供一种基于动态模糊神经网络的链路质量评估方法及其系统，用于解决
现有技术中复杂度高、准确性低、自适
应力弱、或者
算法复杂度高等问题。
[0011] 为解决上述问题及其他问题，本发明在一方面提供一种基于动态模糊神经网络的链路质量评估方法，应用于无线传感器网络中；所述链路质量评估方法包括：建立汇聚型无线传感器网络，并初始化网络拓扑结构；所述汇聚型无线传感器网络中，包括：作为网关节点的至少一个Sink节点，与所述Sink节点相连的一个或多个的传感节点和路由节点；统计所述Sink节点无线接收的来自所述传感节点或所述路由节点上传的数据包，对所述数据包提取信息并获取链路属性；对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集；根据所述链路属性模糊集，建立动态模糊神经网络模型，以获得代表链路质量的度量输出。
[0012] 可选地，所述链路质量评估方法还包括调度链路质量探测包的步骤，包括：在不破坏应用层提交的数据包内容基础上，对数据包进行封装，加入链路评估探测信息，评估计算，评估类型；按照链路质量评估实时参数，在链路空闲时生成并插入探测包。
[0013] 可选地，在对所述数据包提取信息中，所述信息包括：接收信号强度指示RSSI、链路质量指示LQI、数据包源地址、以及单播/广播属性。
[0014] 可选地，所述链路属性包括：包交付率、链路非对称性、链路稳定性、以及信道质量CQ；所述获取链路属性包括：所述包交付率是通过测量数据包成功接收率并利用WMEWMA算法处理获得：WMEWMA=α·WMEWMA+(1-α)·PRR′iα∈[0,1]，其中，PRR′i代表所述数据包成功接收率的当前测量值，α代表权值；所述链路非对称性表示被测链路中前行链路与反向链路的差异：ASL(w)=|PRRup-PRRdown|，其中，ASL表示链路非对称性值，PRRup表示前行链路包接收率，PRRdown表示反向链路包接收率；所述链路稳定性用于反映链路变化
水平：SFn=COV(PRR0，PRR1，……PRRn)其中，SF表示稳定性，PRR0，PRR1，……PRRn表示PRR序列，COV表示变异系数；所述信道质量CQ表示链路的
射频信号辨识清晰度，通过获取射频的信噪比SNR或链路质量指示LQI而获得。
[0015] 可选地，对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集包括：针对包交付率，包交付率有限集PRR为： 其中，H=高交付，M=中交付，L=低交付，μprr为隶属函数；针对链路非对称性，链路非对称性有限集为： 其中，N=对称，A=非对称，μasl为隶属函数；针对链路稳定性，
链路稳定性有限集为： 其中，S=稳定，V=异变，μsf为隶属函数；针对信
道质量CQ，信道质量CQ有限集为： 其中，G=强，W=弱，C=
无，μcq为隶属函数。
[0016] 可选地，所述动态模糊神经网络模型包括：链路属性测量值
输入层，用于接收各个所述链路属性并根据各个所述链路属性的不同特征采用相应的滤波算法；隶属函数层，用于反映各输入变量模糊化过程中相应的隶属函数；T-泛数层，用于反映神经网络的模糊规则；归一化层，用于将各规则的结果按链接权结合并选择激活函数进行归一输出；链路质量
输出层，用于输出所有信号的
叠加，代表链路质量的度量。
[0017] 可选地，在所述动态模糊神经网络模型中：所述T-泛数层的规则输出信 号为 k为规则序号，第k个规则的链接权为ωk；依据TSK模型则有：k=1,2,3,…,u；输出链路质量为：
其中，LQE表示链路质量评估值。
[0018] 本发明在另一方面提供一种基于动态模糊神经网络的链路质量评估系统，应用于无线传感器网络中；所述链路质量评估系统包括：无线传感器网络初始化单元，用于建立汇聚型无线传感器网络并初始化网络拓扑结构；所述汇聚型无线传感器网络中，包括：作为网关节点的至少一个Sink节点，与所述Sink节点相连的一个或多个的传感节点和路由节点；链路属性获取单元，用于统计所述Sink节点无线接收的来自所述传感节点或所述路由节点上传的数据包并对所述数据包提取信息并获取链路属性；模糊化处理单元，用于对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集；模糊神经网络模型建立单元，用于根据所述链路属性模糊集，建立动态模糊神经网络模型，以获得代表链路质量的度量输出。
[0019] 可选地，所述链路质量评估系统还包括数据包调度单元，用于：在不破坏应用层提交的数据包内容基础上，对数据包进行封装，加入链路评估探测信息，评估计算，评估类型；按照链路质量评估实时参数，在链路空闲时生成并插入探测包。
[0020] 可选地，所述汇聚型无线传感器网络采用基于IEEE802.15.4的媒体接入控制协议。
[0021] 可选地，对所述数据包提取的信息包括：接收信号强度指示RSSI、链路质量指示LQI、数据包源地址、以及单播/广播属性。
[0022] 可选地，所述链路属性包括：包交付率、链路非对称性、链路稳定性、以及信道质量CQ；所述获取链路属性包括：所述包交付率是通过测量数据包成功接收率并利用WMEWMA算法处理获得：WMEWMA=α·WMEWMA+(1-α)·PRR′i，α∈[0,1]，其中，PRR′i代表所述数据包成功接收率的当前测量值，α代表权值；所述链路非对称性表示被测链路中前行链路与反向链路的差异：ASL(w)=|PRRup-PRRdown|，其中，ASL表示链路非对称性值，PRRup表示前行链路包接收率，PRRdown表示反向链路包接收率；所述链路稳定性用于反映链路变化水平：SFn=COV(PRR0，PRR1，……PRRn)，其中，SF表示稳定性，PRR0，PRR1，……PRRn表示PRR序列，COV变异系数；所述信道质量表示链路的射频信号辨识清晰度，通过获取射频的信噪比SNR或链路质量指示LQI而获得。
[0023] 可选地，对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集包括：针对包交付率，包交付率有限集PRR为： 其中，H=高交付，M=中交付，L=低交付，μprr为隶属函数；针对链路非对称性，链路非对称性有限集为： 其中，N=对称，A=非对称，μasl为隶属函数；针对链路稳定性，
链路稳定性有限集为： 其中，S=稳定，V=异变，μsf为隶属函数；针对信
道质量，信道质量有限集为： 其中，G=强，W=弱，C=无，μcq为隶
属函数。
[0024] 可选地，所述动态模糊神经网络模型包括：链路属性测量值输入层，用于接收各个所述链路属性并根据各个所述链路属性的不同特征采用相应的滤波算法；隶属函数层，用于反映各输入变量模糊化过程中相应的隶属函数；T-泛数层，用于反映神经网络的模糊规则；归一化层，用于将各规则的结果按链接权结合并选择激活函数进行归一输出；链路质量输出层，用于输出所有信号的叠加，代表链路质量的度量。
[0025] 可选地，在所述动态模糊神经网络模型中：所述T-泛数层的规则输出 信号为 k为规则序号，第k个规则的链接权为ωk；依据TSK模型则有：
k=1,2,3,…,u，输出链路质量为：
其中，LQE表示链路质量评估值。
[0026] 本发明提供的基于动态模糊神经网络的链路质量评估方法及其系统，具有如下功效：
[0027] 1、通过对无线接收的数据包进行分析、提取信息并获取多种链路属性，采用多种链路属性进行链路质量评估，以提高链路质量评估的准确性、鲁棒性，以适用于大规模无线传感器网络的多种应用。
[0028] 2、对所述链路属性进行模糊化处理获得链路属性模糊集，并根据链路属性模糊集而建立动态模糊神经网络模型，基于
模糊逻辑神经网络的链路质量评估，解决链路质量评估中无法就多链路属性建立明确的
专家系统的困扰，达到提高链路质量评估的学习能力、自适应能力。
附图说明
[0029] 图1为本发明了基于动态模糊神经网络的链路质量评估系统的架构
框图。
[0030] 图2为本发明所应用的汇聚型无线传感器网络在一个
实施例中的网络框图。
[0031] 图3为基于动态模糊神经网络的链路质量评估方法的流程示意图。
[0032] 图4为本发明建立的动态模糊神经网络模型在一个实施例中的架构框图。
具体实施方式
[0033] 本发明的
发明人发现：现有链路质量评估技术中，仍存在复杂度高、准确性低、自适应力弱、或者算法复杂度高等问题。
[0034] 因此，本发明的发明人对现有技术进行了改进，提出了一种基于动态模糊神经网络的链路质量评估方法及其系统，通过在无线传感器网络中对无线接收的数据包进行分析、提取信息并获取多种链路属性，对所述链路属性进行模糊化处理获得链路属性模糊集，并根据链路属性模糊集而建立动态模糊神经网络模型，用于解决现有技术中复杂度高、准确性低、自适应力弱、或者算法复杂度高等问题。
[0035] 以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本
说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0036] 需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0037] 本发明一方面提供了一种基于动态模糊神经网络的链路质量评估系统。请参阅图1，显示了基于动态模糊神经网络的链路质量评估系统的架构框图。如图1所示，所述链路质量评估系统包括：无线传感器网络初始化单元101、数据包调度单元103、链路属性获取单元
105、模糊化处理单元107、以及模糊神经网络模型建立单元109。
[0038] 无线传感器网络初始化单元101，用于建立汇聚型无线传感器网络并初始化网络拓扑结构。在本实施例中，如图2所示，所述汇聚型无线传感器网络中，包括：至少一个Sink节点20，与Sink节点20相连的一个或多个的传感节点22和路由节点21，每一个节点都有一个
父节点作为信息汇聚的目的和命令分发的来源。传感节点22布设在各个传感处，用于通过传感获得相关的数据，并将所述数据转换为数据包进行上传。路由节点21位于传感节点22和Sink节点20之间，实现路由功能，用于将传感节点22传感的数据包转传至Sink节点20。
Sink节点20用于：收集无线传感器网络中传感节点22传感的数据包或者经由路由节点21转传的数据包，并作为网关节点与远端的中心数据
服务器进行数据交换。特别地，在本发明中，所述汇聚型无线传感器网络采用基于IEEE802.15.4的媒体接入控制协议。
[0039] 数据包调度单元103用于：在不破坏应用层提交的数据包内容基础上，对数据包进行封装，加入链路评估探测信息，评估计算，评估类型；按照链路质量评估实时参数，在链路空闲时生成并插入探测包。特别地，由于本发明所述聚型无线传感器网络采用的是基于IEEE802.15.4的媒体接入控制协议，因此，可以采用将链路质量评估探测信息加入到正常的数据流中，减少广播探测信标（Beacons）的数量，减少由于链路质量评估给无线传感器网络带来的负担。由于数据流是以单播形式射频发送，无线传感器网络中节点MAC层对单播数据包进行了过滤，同时采用的Crossbow-Telosb节点基于开源的TinyOS
操作系统，使得更新MAC层协议成为可能。
[0040] 链路属性获取单元105用于统计所述Sink节点无线接收的来自所述传感节点或所述路由节点上传的数据包并对所述数据包提取信息并获取链路属性。在本实施例中，链路属性获取单元105将同时提取单播数据流和广播探测包的信息。提取的所述信息包括：接收信号强度指示RSSI、链路质量指示LQI、数据包源地址、以及单播/广播属性。所述链路属性包括：包交付率、链路非对称性、链路稳定性、以及信道质量CQ；所述获取链路属性包括：所述包交付率是通过测量数据包成功接收率并利用WMEWMA算法处理获得：WMEWMA=α·WMEWMA+(1-α)·PRR′i，α∈[0,1]，其中，PRR′i代表所述数据包成功接收率的当前测量值，α代表权值；所述链路非对称性表示被测链路中前行链路与反向链路的差异：ASL(w)=|PRRup-PRRdown|，其中，ASL表示链路非对称性值，PRRup表示前行链路包接收率，PRRdown表示反向链路包接收率；所述链路稳定性用于反映链路变化水平：SFn=COV(PRR0，PRR1，……PRRn)，其中，SF表示稳定性，PRR0，PRR1，……PRRn表示PRR序列，COV表示变异系数；所述信道质量CQ表示链路的射频信号辨识清晰度，通过获取射频的信噪比SNR或链路质量指示LQI而获得。
[0041] 模糊化处理单元107用于对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集。在本实施例中，对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集包括：针对包交付率，包交付率有限集PRR为：其中，H=高交付，M=中交付，L=低交付，μprr为隶属函数；针
对链路非对称性，链路非对称性有限集为： 其中，N=对称，A=非对
称，μasl为隶属函数；针对链路稳定性，链路稳定性有限集为： 其中，S=
稳定，V=异变，μsf为隶属函数；针对信道质量CQ，信道质量CQ有限集为：
其中，G=强，W=弱，C=无，μcq为隶属函数。
[0042] 模糊神经网络模型建立单元109用于根据所述链路属性模糊集，建立动态模糊神经网络模型，以获得代表链路质量的度量输出。在本实施例中，所述动态模糊神经网络模型（如图4所示）包括：链路属性测量值输入层，用于接收各个所述链路属性并根据各个所述链路属性的不同特征采用相应的滤波算法；隶属函数层，用于反映各输入变量模糊化过程中相应的隶属函数；T-泛数层，用于反映神经网络的模糊规则；归一化层，用于将各规则的结果按链接权结合并选择激活函数进行归一输出；链路质量输出层，用于输出所有信号的叠加，代表链路质量的度量。在所述动态模糊神经网络模型中：所述T-泛数层的规则
输出信号为 k为规则序号，第k个规则的链接权为ωk；依据TSK模型则有：k=1,2,3,…,u；输出链路质量为：
其中，LQE表示链路质量评估值。
[0043] 本发明实施例在另一方面提供一种基于动态模糊神经网络的链路质量评估方法。如图3所示，显示了基于动态模糊神经网络的链路质量评估方法的流程示意图。
[0044] 如图3所示，所述链路质量评估方法包括如下步骤：
[0045] 步骤S301，建立汇聚型无线传感器网络，并初始化网络拓扑结构。在本实施例中，如图2所示，所述汇聚型无线传感器网络中，包括：至少一个Sink节点20，与Sink节点20相连的一个或多个的传感节点22和路由节点21，每一个节点都有一个父节点作为信息汇聚的目的和命令分发的来源。传感节点22布设在各个传感处，用于通过传感获得相关的数据，并将所述数据转换为数据包进行上传。路由节点21位于传感节点22和Sink节点20之间，实现路由功能，用于将传感节点22传感的数据包转传至Sink节点20。Sink节点20用于：收集无线传感器网络中传感节点22传感的数据包或者经由路由节点21转传的数据包，并作为网关节点与远端的中心数据服务器进行数据交换。特别地，在本发明中，所述汇聚型无线传感器网络采用基于IEEE802.15.4的媒体接入控制协议。
[0046] 步骤S303，调度链路质量探测包。在本实施例中，在不破坏应用层提交的数据包内容基础上，对数据包进行封装，加入链路评估探测信息，评估计算，评估类型；按照链路质量评估实时参数，在链路空闲时生成并插入探测包。特别地，由于本发明所述聚型无线传感器网络采用的是基于IEEE802.15.4的媒体接入控制协议，因此，可以采用将链路质量评估探测信息加入到正常的数据流中，减少广播探测信标（Beacons）的数量，减少由于链路质量评估给无线传感器网络带来的负担。由于数据流是以单播形式射频发送，无线传感器网络中节点MAC层对单播数据包进行了过滤，同时采用的Crossbow-Telosb节点基于开源的TinyOS操作系统，使得更新MAC层协议成为可能。
[0047] 步骤S305，统计所述Sink节点无线接收的来自所述传感节点或所述路由节点上传的数据包，对所述数据包提取信息并获取链路属性。在本实施例中，同时提取单播数据流和广播探测包的信息。提取的所述信息包括：接收信号强度指示RSSI、链路质量指示LQI、数据包源地址、以及单播/广播属性。所述链路属性包括：包交付率、链路非对称性、链路稳定性、以及信道质量CQ；所述获取链路属性包括：所述包交付率是通过测量数据包成功接收率并利用WMEWMA算法处理获得：WMEWMA=α·WMEWMA+(1-α)·PRR′i，α∈[0,1]，其中，PRR′i代表所述数据包成功接收率的当前测量值，α代表权值；所述链路非对称性表示被测链路中前行链路与反向链路的差异：ASL(w)=|PRRup-PRRdown|，其中，ASL表示链路非对称性值，PRRup表示前行链路包接收率，PRRdown表示反向链路包接收率；所述链路稳定性用于反映链路变化水平：SFn=COV(PRR0，PRR1，……PRRn)，其中，SF表示稳定性，PRR0，PRR1，……PRRn表示PRR序列，COV表示变异系数；所述信道质量CQ表示链路的射频信号辨识清晰度，通过获取射频的信噪比SNR或链路质量指示LQI而获得。
[0048] 步骤S307，对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集。在本实施例中，对所述链路属性进行模糊化处理以建立与所述链路属性对应的链路属性模糊集包括：针对包交付率，包交付率有限集PRR为：其中，H=高交付，M=中交付，L=低交付，μprr为隶属函数；针
对链路非对称性，链路非对称性有限集为： 其中，N=对称，A=非对
称，μasl为隶属函数；针对链路稳定性，链路稳定性有限集为： 其中，S=
稳定，V=异变，μsf为隶属函数；针对信道质量CQ，信道质量CQ有限集为：
其中，G=强，W=弱，C=无，μcq为隶属函数。
[0049] 步骤S309，根据所述链路属性模糊集，建立动态模糊神经网络模型，以获得代表链路质量的度量输出。在本实施例中，所述动态模糊神经网络模型包括：链路属性测量值输入层，用于接收各个所述链路属性并根据各个所述链路属性的不同特征采用相应的滤波算法；隶属函数层，用于反映各输入变量模糊化过程中相应的隶属函数；T-泛数层，用于反映神经网络的模糊规则；归一化层，用于将各规则的结果按链接权结合并选择激活函数进行归一输出；链路质量输出层，用于输出所有信号的叠加，代表链路质量的度量。在所述动态模糊神经网络模型中：所述T-泛数层的规则输出信号为 k为规则序号，第k个规则的链接权为ωk；依据TSK模型则有： k=1,2,3,…,u；输出链路质量为： 其中，LQE表示链路质量评估值。
[0050] 本发明提供的基于动态模糊神经网络的链路质量评估方法及其系统，具有如下功效：
[0051] 1、通过对无线接收的数据包进行分析、提取信息并获取多种链路属性，采用多种链路属性进行链路质量评估，以提高链路质量评估的准确性、鲁棒性，以适用于大规模无线传感器网络的多种应用。
[0052] 2、对所述链路属性进行模糊化处理获得链路属性模糊集，并根据链路属性模糊集而建立动态模糊神经网络模型，基于模糊逻辑神经网络的链路质量评估，解决链路质量评估中无法就多链路属性建立明确的专家系统的困扰，达到提高链路质量评估的学习能力、自适应能力。
[0053] 上述实施例仅列示性说明本发明的原理及功效，而非用于限制本发明。任何熟悉此项技术的人员均可在不违背本发明的精神及范围下，对上述实施例进行
修改。因此，本发明的权利保护范围，应如
权利要求书所列。
