技术领域
[0001] 本
发明涉及
无线传感器网络链路质量评估技术领域，特别是涉及一种无线传感器网络链路质量评估方法。
背景技术
[0002] 无线传感器网络(Wireless sensor networks，WSNs)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。在数据收集、传感
云系统、军事医疗等广泛运用。
[0003] 无线传感器网络满足可靠性和实时性等服务质量的要求是部署WSNs的主要挑战之一。然而，由于IEEE802.15.4网络的兼容性，使节点在传输低功率无线电
信号时容易受到噪声等干扰。无线链路通信很容易处于多径失真和干扰等环境条件下，因此，位于WSNs中链路是不可靠的、可变的，而且往往是不对称的。设计有效的链路质量评估模型，较真实评估链路质量是提高WSNs可靠性的重要方法之一。
[0004] 目前为止基于
机器学习的链路质量评估虽然取得很大成果，但在基于机器学习的评估方法中大部分均采用的单一分类
算法，造成评估结果的准确性不高及泛化能力较差。
发明内容
[0005] 为解决上述无线传感器网络中链路质量评估方法存在的问题，本发明提供了一种无线传感器网络链路质量评估方法，具体是基于改进Stacking集成算法的链路质量评估方法。
[0006] 一种无线传感器网络链路质量评估方法，包括如下步骤：
[0007] S1，选取无线传感器网络的链路质量参数并对其进行归一化处理；
[0008] S2，采用无监督聚类为融合方法，建立基于改进Stacking集成算法的链路质量评估模型；
[0009] S3，分别采用准确率和时间复杂度对链路质量评估模型的有效性和计算速度进行评价。
[0010] 与
现有技术相比，本发明在全面选取链路质量特性的
基础上，采用无监督聚类为融合算法，建立了基于改进Stacking集成算法的链路质量评估模型，Stacking集成算法不仅可发挥各分类算法的优势且可避免单一分类算法导致的评估结果准确度不高及泛化能力弱等问题，最后分别采用准确率和时间复杂度对链路质量评估模型的有效性和计算速度进行评价，使得本发明提供的方法能够有效的提高WSNs链路质量评估的全面性、准确性及高效性。
[0011] 上述方法，其中，所述步骤S1具体包括：
[0012] S11，采取SNR表征信道质量；
[0013] S12，通过 表征链路的
稳定性，其中μ(LQI)、σ(LQI)分别为LQI的均值和方差；
[0014] S13，通过ASL＝|LQIup-LQIdown|表征链路的不对称，其中LQIup表示上行LQI；LQIdown表示下行LQI；
[0015] S14，构建样本集空间{SNR,CV,ASL}；
[0016] S15，对输入样本进行归一化处理。
[0017] 上述方法，其中，所述步骤S15具体包括：
[0018] 将所有数据归一化到[0,1]之间，{SNR,CV,ASL}为链路质量的
特征向量，分别遍历各特征向量，将Max和Min的记录下来，并通过Max-Min作为基数，采用以下公式进行数据的归一化处理：
[0019]
[0020] 其中，为某特征向量的某个数值，遍历此特征向量，最大值记为Max，最小值记为Min。
[0021] 上述方法，其中，所述步骤S2具体包括：
[0022] S21，通过K-折交叉验证对N个分类算法分别进行实验，通过数据集将N种不同的分类学习算法训练得到C1,...CN，其中CN表示第N个分类器，N＝6；
[0023] S22，将数据集样本Vj(j＝1,...Q)输入到C1,...CN中，得到分类结果：[C1(Vj),...,CN(Vj)]j＝1,...Q，把N个分类结果加入到Vj(j＝1,...Q)的样本空间中，即{C1(Vj),...,CN(Vj),SNR(Vj),CV(Vj),ASL(Vj)}，其中Ci(Vj)i＝1,...N；j＝1,...Q表示分类器Ci对样本Vj的分类结果；
[0024] S23，根据信息增益比对{C1,...,CN,SNR,CV,ASL}进行排序，信息增益比由高到低排序为：{f1,...,fN+K}，其中fi∈{C1,...,CN,SNR,CV,ASL}，i＝1,...N+K，K＝3，N＝6；
[0025] S24，从N+K个特征中，选取l个特征以来获得最佳聚簇，即：{[c1(Vj),...,cn(Vj),F1(Vj),...,Fk(Vj)]}j＝1,...Q，c1,...cn表示从{C1,...,CN}中选取的n个特征，F1,...,Fk表示从{SNR,CV,ASL}中选取的k个特征，其中n＜N；k＜K；n+k＜N+K；n+k＝l；
[0026] S25，根据n+k个特征使用
聚类算法把样本划分为L个聚簇，其中L＜Q，Q为样本个数；
[0027] S26，从质心集合中寻找与样本距离最短的质心，此质心的链路质量等级即为评估结果。
[0028] 上述方法，其中，所述步骤S21中的分类算法具体包括朴素贝叶斯、J48
决策树、简单逻辑回归。
[0029] 上述方法，其中，所述步骤S24中，样本的分类结果连同已选取的链路质量参数用来聚类，且n＜k，其中2≤n＜k≤3，故n＝2，k＝K＝3，l＝5。
[0030] 上述方法，其中，所述步骤S3具体包括：
[0031] S31，采用准确率对链路质量评估模型的有效性进行评价，准确率的定义为：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比；
[0032] S32，采用时间复杂度对链路质量评估模型的计算速度进行评价。
[0033] 上述方法，其中，所述时间复杂度分为训练时间复杂度和评估时间复杂度。
[0034] 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
[0035] 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：
[0036] 图1为本发明实施例的无线传感器网络链路质量评估方法中无线传感网络场景的模型图；
[0037] 图2无线传感器网络中5号节点的周期数据图。
具体实施方式
[0038] 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。
[0039] 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，对本发明提供的无线传感器网络链路质量评估方法进行说明，图1是实例实验场景的模型图，共有7个节点，其中一个为Sink节点(Tx)，其余为感知节点(Rx1、Rx2、Rx3、Rx4、Rx5、Rx6)，节点在一条直线上，与Sink最近的感知节点距离为10m，每个感知节点之间距离为5m。分别设置7dBm、19dBm、31dBm三种不同的功率值，可得到3×6种不同状态的链路。为了减少实验所受的干扰，选择第26号信道进行实验，同时把实验安排在晚上，受人为的干扰因素较小。感知节点通过主动监听的方式，每6s为一个探测周期，以0.2s的间隔发送30个数据包，来获得链路相关信息，其中链路的传输速率为250kbits/s，功率值默认为0dBm。
[0040] 本实施提供的无线传感器网络链路质量评估方法具体包括步骤S1～S3：
[0041] S1，较全面的选取无线传感器网络的链路质量参数并对其进行归一化处理，具体包括步骤S11～S15：
[0042] S11，在一个周期内，对30个探测包的SNR求均值即 表征该周期链路信道的质量，其中，感知节点Rx5的周期数据可参阅图2；
[0043] S12，在一个周期内，通过 表征链路的稳定性，其中LQI为LQIup的值，μ(LQI)、σ(LQI)分别为该周期LQI的均值和方差；
[0044] S13，在一个周期内，通过对30个探测包ASL＝|LQIup-LQIdown|求均值，即 表征该周期链路的不对称性，其中LQIup表示每个探测包上行LQI；LQIdown表示每个探测包下行LQI；
[0045] S14，构建样本集空间{SNR,CV,ASL}，记 表征第j个周期链路的质量。
[0046] S15，对 进行最大最小归一化处理，将所有数据归一化到[0,1]之间，其公式如下所示：
[0047]
[0048] 其中 Fj,j＝1,...n表示第j个周期的链路质量，其中，n为探测周期个数，Fij表示第i个链路质量参数在第j周期下的数值；Fij*表示Fij归一化之后的结果；MaxFi，MinFi分别表示第i个链路质量参数在n个周期中的最大最小值。
[0049] S2，采用无监督聚类为融合方法，建立基于改进Stacking集成算法的链路质量评估模型，具体包括步骤S21～S29：
[0050] S21，通过K-折交叉验证对N个分类算法分别进行实验，实验具体采用5折交叉验证，对分类算法：朴素贝叶斯(NB)、基于朴素贝叶斯决策树(NB Tree)、J48决策树(J48Tree)、最佳决策树(BF Tree)、多层感知机(MLP)、简单逻辑回归(SLR)分别进行实验，将数据集分成5份。将其中一份用于测试，剩下的4份被分成2个相等的部分。第一部分用于基分类器的训练，第二部分用于基于改进Stacking集成算法的链路质量评估模型的聚簇构建，其中，NB、J48Tree、SLR为链路质量分类中表现较好的分类算法；
[0051] S22，采用5折交叉验证，轮流将其中4份做训练1份做验证，5次结果的平均准确率作为对算法
精度的估计；
[0052] S23，建立本发明提出的评估模型需要两组数据集，生成基分类器所需的数据集为D1，实现聚类所需要的数据集D2，D1和D2中的样本分别为Xi(i＝1,...p)、Vj(j＝1,...Q)，Xi(i＝1,...p)和Vj(j＝1,...Q)分别由 表示，记为：其中P、Q分别为
数据集D1和D2的样本数，根据PRR将链路分为四个等级，如表1所示，Yi表示Xi(i＝1,...p)中第i个样本的链路质量等级，Yj表示Vj(j＝1,...Q)中第j个样本的链路质量等级，N种不同的分类学习算法通过数据集D1的训练得到分类器C1,...CN，其中N＝3；
[0053] 表1基于PRR的链路质量等级划分
[0054]
[0055] S24，把D2数据集中的样本Vj(j＝1,...Q)作为输入，输入到训练好的N个分类器中，得到分类结果：[C1(Vj),...,CN(Vj)]j＝1,...Q，此时把N个分类结果加入到Vj(j＝1,...Q)的样本空间，即 其中Ci(Vj)i＝1,...N；j＝1,...Q表示分类器Ci(i＝1,...N)对样本Vj(j＝1,...Q)的分类结果；
[0056] S25，根据以下公式对特征 进行计算，得到各个特征的信息增益比，信息增益比由高到低排序为：{f1,...,fN+K}，其中K＝3，对于任意的fk(k＝1,...N+K)∈{C1,...,CN,F1,...,FK}；
[0057]
[0058] 其中，D为样本集Vj(j＝1,...Q)，a为{C1,...,CN,F1,...,FK}中的任意特征，Gain(D,a)为样本集D基于特征a的信息增益，IV(a)称为属性a的固有值；
[0059] S26，从{f1,...,fN+K}的N+K个特征中，选取l个特征以来获得最佳聚簇，即：{[c1(Vj),...,cn(Vj),F1(Vj),...,Fk(Vj)]}j＝1,...Q，c1,...cn表示从{C1,...,CN}中选取信息增益比高的n个特征，F1,...,Fk表示从{SNR,CV,ASL}中选取信息增益比高的k个特征，当k＝0时，表示仅基分类器的输出结果选入到n+k个特征中以来聚类，假设对某一验证集样本Vj(Vj∈V)，c1,...cn均将其误判为第c(Vj)类，显然Vj与被正确划分为c(Vj)类的其他样本极大可能位于同一个聚簇，为了避免此假设的发生，样本的分类结果应连同已选取的链路质量参数进行聚类且n＜k，即{[c1(Vj),...,cn(Vj),F1(Vj),...,Fk(Vj)]}j＝1,...Q，其中2≤n＜k≤3，l＝n+k，故n＝2，k＝K＝3，l＝5。
[0060] S27，设A(j,λ)＝fλ(Vj)j＝1,..Q，λ＝1,...l，其中fλ(Vj)表示第j个样本在{[c1(Vj),...,cn(Vj),F1(Vj),...,Fk(Vj)]}j＝1,...Q中第λ个特征值，把Q个样本的l个特征值赋给向量A，设初始的链路质量聚簇数为链路质量等级数，即L＝4，计算Kmeans([A(1,1),...A(1,.l)],...[A(Q,1),...A(Q,l)],L)，L不断自增，根据以下公式求不同聚簇数的Kmeans聚类和DBI值，选取DBI局部最小时对应的L值(DBI值越小，表示聚类结果：同簇内部紧密，不同簇分离较远)，即获得最佳聚类结果{P1,...,PL}；
[0061]
[0062] 其中，分子σi(σj)为质心i(j)的聚簇中所有簇中的点到质心点i(j)的平均距离之和，分母d(ci,cj)为两类别质心i、j间的距离，L为聚簇数，i、j为不同的质心；
[0063] S28，Vi*(i＝1,...L)为聚簇Pi的质心，A(j,λ)λ＝1,...l是聚簇集合Pi的元素，其中j∈[1,...,Q]，A(j,λ)λ＝1,...l对应样本 故聚簇集合Pi中元素A(j,λ)λ＝1,...l对应唯一链路质量等级Yj，聚簇集合Pi中占绝大部分的链路质量等级值为质心Vi*的链路质量等级Yi*，即聚类结果为{(V1*,Y1*),...,(VL*,YL*)}；
[0064] S29，从{P1,...PL}的L个聚簇中寻找与测试样本X＝{[c1(X),...,cn(X),F1(X),...,Fk(X)]}最短距离d(X,V*,l)＝mind(X,V1*,l),...,d(X,VL*,l)的质心Vi*，质心Vi*的链路质量等级Yi*为测试样本X的评估结果，其中l表示已经从{f1,...,fN+K}的N+K个特征中，选取的l个特征，即：{[c1(Vj),...,cn(Vj),F1(Vj),...,Fk(Vj)]}j＝1,...Q。
[0065] S3，分别采用准确率和时间复杂度对链路质量评估模型的有效性和计算速度进行评价，具体包括步骤S31～S32：
[0066] a)对链路质量评估模型的有效性进行评价，链路质量评估模型的准确率是指对于给定的测试数据集，分类器正确分类的样本数与总样本数之比；
[0067] b)对链路质量评估模型的计算速度进行评价，本发明提出的评估模型其时间复杂度分为训练时间复杂度和评估时间复杂度，训练时间复杂度：O(i×L×P×(k+n))，其中i:完成聚类所需
迭代次数；L:聚类的聚簇数；P:样本个数；k+n:从链路质量参数
里面选择k个特征，从分类结果{C1(Xi),...,CN(Xi)}里面选择n个特征。评估时间复杂度：O(L×k)。
[0068] 上述方法，本发明在全面选取链路质量特性的基础上，采用无监督聚类为融合算法，建立了基于改进Stacking集成算法的链路质量评估模型，Stacking集成算法不仅可发挥各分类算法的优势且可避免单一分类算法导致的评估结果准确度不高及泛化能力弱等问题，最后分别采用准确率和时间复杂度对链路质量评估模型的有效性和计算速度进行评价，使得本发明提供的方法能够有效的提高WSNs链路质量评估的全面性、准确性及高效性。
[0069] 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。
[0070] 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。
[0071] 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。
