CN102271348B - 信息物理系统链路质量估计系统和方法 - Google Patents

Abstract

本发明涉及一种信息物理系统中链路质量估计方法，应用在信息物理系统的节点设备中，包括如下步骤：401，节点设备在转发数据前，特征因素收集模块收集当前所有影响链路质量变化的特征因素值；402，节点设备将收集的影响链路质量变化的特征因素值输入到预先建立的链路质量估计模型中，链路质量计算模块进行链路质量的估计；403，依据本阶段链路质量的估计，节点设备在完成数据转发后，存储模块分别保存本次收集的特征因素值到历史特征因素存储队列，保存当前链路质量估计值到历史链路质量估计存储队列；404，节点设备检查本次转发是否成功，保存本次转发结果到历史转发结果队列。本发明通过量化分析，显著提高链路质量的估计准确度和精确性。

Description

信息物理系统链路质量估计系统和方法

技术领域

本发明涉及无线通信领域，尤其涉及一种信息物理系统链路质量估计系统和方法。

背景技术

信息物理系统（Cyber Physical System，CPS）是一种集成计算、通信和控制三种功能的融合系统，由传感器、计算部件、通信网络和控制器/执行器四个部分组成。CPS以信息处理任务为核心，计算部件完成计算功能，高性能通信网络完成数据通信，通过开放的大规模循环控制实现对物理实体的监测与控制。CPS包含了无处不在的环境感知、嵌入式计算、网络通信和网络控制等系统工程，使物理系统具有计算、通信、精确控制、远程协作和自治功能。

CPS节点能够感知周边环境信息，并以多跳转发的方式将数据传递到目的节点，链路质量的可靠性对CPS有至关重要的作用。然而，无线通信环境下CPS链路的质量会受到多种特征因素的影响，包括无线信道质量、节点物理间距、信号衰减程度、网络传输模式等，不可能单纯依据一种就判定链路质量的好坏，即使同一特征因素，在不同时间和空间上对链路质量的影响程度也不同，这使链路质量估计更加复杂。

现有相关的链路质量估计方法存在许多问题，具体表现在以下两点：

1.只参考一种特征因素对链路质量进行估计，忽略了链路质量是由多种特征因素共同决定，造成片面分析，引起估计误差；

2.一些估计方法虽然考虑了使用几种特征因素进行链路质量估计，但没有统计量化每种特征因素与链路质量的相关程度，使其只局限于在特定时间或空间范围内使用，并且存在一定估计精度偏差。

发明内容

本发明为了解决上述问题，提供了一种公开的CPS链路质量估计系统和方法，用于估计在多种特征因素影响下的链路质量，本发明可以智能规避估计误差，保障在不同时间、不同空间下链路质量估计的准确性，更好的满足CPS对可靠性的要求。

鉴于本发明的目的，提供一种CPS的链路质量估计系统，应用在CPS节点设备中，所述系统包括：

特征因素收集模块，用于在数据转发前，收集所有可能影响链路质量变化的特征因素值；

存储模块，用于存储前m次数据转发前收集的影响链路质量变化的历史特征因素值，以及对应的受其影响的m个历史数据转发结果值和m个历史链路质量估计值，m为大于0的正整数；

链路质量计算模块，用于通过存储模块中的前m次数据转发前收集的影响链路质量变化的历史特征因素值、以及对应的受其影响的m个历史转发结果值和m个历史链路质量估计值，采用多元逻辑回归分析方法，建立链路质量估计模型；并用于在输入当前收集的特征因素值后，计算下一阶段的链路质量估计值。

进一步的，所述引起链路质量变化的特征因素值分为外部特征因素值和内部特征因素值，所述外部特征因素包括信号强度、下跳空间距离、信噪比、通信带宽；所述内部特征因素包括传输模式、前向转发成功率、后向转发成功率和节点缓存大小。所述特征因素的范围不限于以上内容，可根据实际情况进行添加或取舍。本发明提供的是一种估计系统，本估计系统的核心在于如何运用诸如上如特征因素进行分析，而如何选择特征因素范围，不应当理解为对本发明范围的限定。上述罗列的特征因素是目前最常见的几项，因为实际中受条件影响，导致可能搜集的特征因素范围不同；

进一步的，所述存储模块，包括历史转发结果存储队列，历史特征因素存储队列和历史链路质量估计值存储队列；

所述历史特征因素存储队列，具有固定大小为m的队列长度，用于存储前m次转发前收集的影响链路质量变化的历史特征因素值，

所述历史转发结果存储队列，具有固定大小为m的队列长度，用于存储前m个历史数据转发结果值，所述转发结果值是指转发成功或转发失败的状态；

所述历史链路质量估计值存储队列，具有固定大小为m的队列长度，用于存储前m次数据转发前的链路质量估计值，所述链路质量估计值以概率值表示，代表预测的数据转发成功率；

所述历史转发结果存储队列，历史特征因素存储队列和历史链路质量估计值存储队列分别采用先进先出的规则。

进一步的，所述链路质量计算模块还用于通过计算前m次链路质量估计值的残差均方根来判定链路质量估计误差，决定是否更新链路质量估计模型。

根据本发明的另一方面，提供一种信息物理系统的链路质量估计方法，应用在信息物理系统的节点设备中，包括如下步骤：

A.节点设备在转发数据前，特征因素收集模块收集当前所有影响链路质量变化的特征因素值；

B.节点设备将收集的影响链路质量变化的特征因素值输入到预先建立的链路质量估计模型中，链路质量计算模块进行链路质量的估计；

C.依据本阶段链路质量的估计，节点设备在完成数据转发后，存储模块分别保存本次收集的特征因素值到历史特征因素存储队列，保存当前链路质量估计值到历史链路质量估计存储队列；

D.节点设备检查本次转发是否成功，保存本次转发结果到历史转发结果队列。

进一步的，所述步骤A中当前特征因素值，是指在节点设备在预备转发数据时，利用特征因素收集模块收集的当前环境下的特征因素值，包括信号强度、传输模式、下跳节点空间距离、通信带宽、信噪比、前向/后向转发成功率、节点缓存大小。本发明中，旨在提供种综合多种特征因素，评估链路质量的方法，上述的特征因素只是进行罗列，不能理解为对本发明范围的限制。

进一步的，所述方法还包括如下步骤：

E.节点设备计算前m次的链路质量估计值的估计残差均方根；

F.依据判决门限，节点设备更新或保持现有链路质量估计模型。

具体的，所述步骤b中预先建立的链路质量估计模型，由链路质量计算模块通过使用多元逻辑回归分析方法建立。

具体的，所述判决门限，是所允许的最大链路质量估计误差值，是被预先设定的固定值，作为决定链路质量估计模型更新或保持的临界点；

特别的，所述数据是指一次转发动作中的一组数据包序列。

本发明的有益效果包括：提供了一种信息物理系统的链路质量估计方法，通过量化分析多种特征因素对链路质量的影响程度，显著提高链路质量的估计准确度和精确性，解决因使用单个特征因素而造成链路质量估计值误差偏高的问题；同时，在这套方法下所建立的链路质量估计模型具备智能更新功能，可实时检测估计误差，并有效规避估计误差，提高估计精度；并且，链路质量估计模型的智能更新功能具备自启动/自关闭特征，对降低节点能耗有一定帮助。

附图说明

图1是本发明信息物理系统中链路质量估计系统实施例结构框图；

图2是本发明信息物理系统中链路质量估计系统另一实施例结构框图；

图3是本发明信息物理系统中链路质量估计系统中滑动窗模型示意图；

图4是本发明信息物理系统中链路质量估计方法实施例的流程图；

图5是本发明信息物理系统中链路质量估计方法另一实施例的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

参见图1，为本发明CPS链路质量估计系统实施例的结构框图，所述系统主要包括3个模块，即存储模块、特征因素收集模块和链路质量计算模块，3个模块都位于CPS节点设备内部。特征因素收集模块，用于在数据转发前，收集所有可能影响链路质量变化的特征因素值。存储模块，用于存储前m次数据转发前收集的影响链路质量变化的历史特征因素值，以及对应的受其影响的m个历史数据转发结果值和m个历史链路质量估计值，m为大于0的正整数。链路质量计算模块，用于通过存储模块中的前m次数据转发前收集的影响链路质量变化的历史特征因素值、以及对应的受其影响的m个历史转发结果值和m个历史链路质量估计值，采用多元逻辑回归分析方法，建立链路质量估计模型；并用于在输入当前收集的特征因素值后，计算下一阶段的链路质量估计值。

参见图2，为本发明CPS链路质量估计系统另一实施例的结构框图。本实施例中存储模块包括历史转发结果存储队列，历史特征因素存储队列，历史链路质量估计值存储队列，三个队列均采用先进先出的原则。由于队列具有先进先出的特征，将三个队列中的m组元素分别一一对应起来，建立了一种包含m组元素的滑动窗模型，随着三个队列中的新元素持续入队和旧元素持续出队，滑动窗内的元素也随之持续更新，因此，整个窗体随时间呈现出一种看似“滑动”的动作，即滑动窗模型由历史转发结果存储队列、历史特征因素存储队列和历史链路质量估计值存储队列三者之间对应关系建立，并随着这三个队列的更新而滑动更新。其中，特征因素收集模块如表1所述，用于收集所有引起或可能引起链路质量变化的特征因素值，包括信号强度、信噪比、下跳空间距离、通信带宽这些外部特征因素，以及缓存大小、传输模式、前向/后向转发成功率等这些内部特征因素。在具体的实施过程中，收集的特征因素不限于表中罗列的范围，可根据实际情况进行添加或取舍。

表1  特征因素示例与参数符号

本实施例中，链路质量计算模块，通过导入滑动窗内的元素，利用多元逻辑回归分析方法建立链路质量估计模型，再通过导入特征因素收集所收集的当前特征因素值，利用已建立的链路质量估计模型估计当前的链路质量。本实施例中，多元逻辑回归分析法表达方式如下：

$h_{\mathrm{\β}}\left(X\right)=\frac{1}{1+e^{-X{\mathrm{\β}}^T}}=\frac{1}{1+e^{-({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+...+{\mathrm{\β}}_p{x}_p)}}$

其中，h_β(X)为链路质量，与特征因素矩阵X相关；

β为包含P+1个元素的逻辑回归系数矩阵，β=[β₀,β₁,…β_p]，β^T表示β的转置；

X为包含P+1个元素的特征因素矩阵，X=[1,x₁,x₂,…,x_p]；

此外，本实施例中链路质量计算模块还具备判定链路质量估计误差，更新链路质量模型的功能。链路质量计算模块根据历史转发结果队列中的m组元素和历史链路质量估计值存储队列中的m组元素的对应关系，计算前m次链路质量估计的参差均方根RMSR如下：

$\mathrm{RMSR}=\sqrt{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[H_i-{\hat{h}}_{\mathrm{\β}}\left(X_i\right)]}^2}$

其中，i为当前的滑动窗模型中的第i个单元；

H_i为当前的滑动窗模型中的第i个单元所对应的保存在历史转发结果存储队列中的的历史转发结果；

为当前的滑动窗模型中的第i个单元所对应的保存在历史链路质量估计值存储队列中的历史链路质量估计值；

参见图3是本发明信息物理系统中链路质量估计系统中滑动窗模型示意图。假设历史特征因素队列、历史转发结果队列和历史链路质量估计值存储队列都包含m个单元，其每个单元中元素各自对应，即每组历史特征因素值都对应于其影响的每个历史转发结果值和历史链路质量估计值，如图3中X_n对应于H_n和将三个队列所对应的每一组值共同存入滑动窗模型，即滑动窗模型便包含了m个单元的m组元素，且每个单元内的元素都有历史特征因素值、历史转发结果值和历史链路质量估计值。于是，随着不断有新的历史特征因素值入队（如X_n+m）和旧的历史特征因素值出队（如X_n-1），不断有新的历史转发结果入队（如H_n+m）和旧的历史转发结果出队（如H_n-1），不断有新的历史链路质量估计值入队和旧的链路质量估计值出队

滑动窗模型中的元素也持续更新，于是，整个窗体随时间呈现出一种看似“滑动”的动作，其实质是滑动窗内的元素随三个队列中的元素变化而更新。

以上基于多元逻辑回归方法的CPS链路质量估计的滑动窗模型建立方法的原理是，由于队列具有先进先出的特征，将历史转发结果存储队列、历史特征因素存储队列和历史链路质量估计值存储队列中的m组元素分别一一对应起来，建立了一种包含m组元素的滑动窗模型，随着三个队列中的新元素持续入队和旧元素持续出队，滑动窗内的元素也随之持续更新，因此，整个窗体随时间呈现出一种看似“滑动”的动作，即滑动窗模型由历史转发结果存储队列、历史特征因素存储队列和历史链路质量估计值存储队列三者之间对应关系建立，并随着这三个队列的更新而滑动更新。

本发明的另一个目的是，提供一种信息物理系统中链路质量估计方法，并结合具体实施例，对本发明方法的具体内容进行详细的说明。

参见图4，是本发明信息物理系统中链路质量估计方法实施例的流程图。应用在信息物理系统的节点设备中，包括如下步骤：

步骤401，节点设备在转发数据前，特征因素收集模块收集当前所有影响链路质量变化的特征因素值；

步骤402，节点设备将收集的影响链路质量变化的特征因素值输入到预先建立的链路质量估计模型中，链路质量计算模块进行链路质量的估计；

步骤403，依据本阶段链路质量的估计，节点设备在完成数据转发后，存储模块分别保存本次收集的特征因素值到历史特征因素存储队列，保存当前链路质量估计值到历史链路质量估计存储队列；

步骤404，节点设备检查本次转发是否成功，保存本次转发结果到历史转发结果队列。

参见图5，是本发明信息物理系统中链路质量估计方法另一实施例的流程图，详细包括如下步骤：

步骤501，在系统的初始化阶段，首先需要建立链路质量估计模型h_β(X)，为了达到这一步，选用多元逻辑回归分析方法来进行建立。

本实施例中，多元逻辑回归分析方法属于一种统计分析方法，用于分析各种特征因素对链路质量的影响程度，为此，需要输入数据作为样本，才能建立具体的链路质量估计模型h_β(X)；

这里的样本数据即采用前面提出的滑动窗模型中的元素，假设X_i表示滑动窗模型中的第i个单元所对应的历史特征因素值，包含其所有的外部特征因素值和内部特征因素值；x_ij表示滑动窗模型中的第i个单元所对应的历史特征因素元素中，第j个特征因素名（参数符号），如表1所示，于是，建立X_i=(x_i1,x_i2,…,xi_p)，其中i=1,2,…m，表示滑动窗模型中第i个单元所对应的特征因素矩阵；同样，用H_i表示滑动窗模型中的第i个单元所对应的历史转发结果值；用

表示在滑动窗模型中的第i个单元所对应的历史链路质量估计值。根据多元逻辑回归原理，在滑动窗模型中的m个样本数据中，令其样本模型关系式仍然满足多元逻辑回归表达式：

$P(H_i=1|X_i;\mathrm{\β})=h_{\mathrm{\β}}\left(X_i\right)=\frac{1}{1+e^{-({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_{i1}+{\mathrm{\β}}_2{x}_{i2}+...+{\mathrm{\β}}_p{x}_{\mathrm{ip}})}}$ i=1,2,…,m

其中，h_β(X_i)为在给定的历史特征因素X_i条件下的历史链路质量估计值的多元逻辑回归表达式，存储于历史链路质量估计值存储队列；

H_i为滑动窗模型中的第i个单元所对应的历史转发结果；

β_j为逻辑回归系数，表示每个特征因素对链路质量的影响程度，其中j=0,1,…,p；

X_i为滑动窗模型中第i个单元所对应的特征因素矩阵，包含该单元内的所有外部特征因素值和内部特征因素值，表示为X_i=(x_i1,x_i2,…,x_ip)；

x_ij为滑动窗模型中的第i个单元的历史特征因素元素中，第j个特征因素名（参数符号），如表1所示，其中j=0,1,…,p；

根据滑动窗模型中的m个样本数据的关系式，进一步建立其联合概率分布的似然函数的对数表达式l(β)如下：

$l\left(\mathrm{\β}\right)=\ln \left[L\left(\mathrm{\β}\right)\right]=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left\{H_i\ln \right[h_{\mathrm{\β}}\left(X_i\right)]+(1-H_i)\ln [1-h_{\mathrm{\β}}\left(X_i\right)\left]\right\}$

进一步的，为了估计逻辑回归系数矩阵β=[β₀,β₁,…β_p]的值以使l(β)取得最大值，将滑动窗内的每一个单元的特征因素矩阵X_i表示成如下的设计矩阵，其中i=1,2,…m：

$\underset{m\×k}{X}\left[\begin{array}{cc}1& X_1\\ 1& X_2\\ .& .\\ .& .\\ .& .\\ 1& X_m\end{array}\right]=\left[\begin{array}{ccccc}1& x_{11}& x_{12}& ...& x_{1p}\\ 1& x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& x_{m1}& x_{m2}& ...& x_{\mathrm{mp}}\end{array}\right]$

其中，

为矩阵X，包含m行k列；

计算梯度

$\▿\∂\left(l\left(\mathrm{\β}\right)\right)=\frac{\∂\left(l\left(\mathrm{\β}\right)\right)}{{\∂\mathrm{\β}}_j}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}[H_i-h_{\mathrm{\β}}\left(X_i\right)]={\underset{k\×m}{X}}^T*\left[\begin{array}{c}{H}_1-h_{\mathrm{\β}}\left(X_1\right)\\ H_2-h_{\mathrm{\β}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-h_{\mathrm{\β}}\left(X_m\right)\end{array}\right]$

其中，

的梯度；

为矩阵X的转置，包含k行m列；

由于h_β(X_i)可以由滑动窗模型中的第i个单元所对应的历史链路质量估计值

近似表示，所以梯度

表示为

$\▿\∂\left(l\left(\mathrm{\β}\right)\right)={\underset{k\×m}{X}}^T*\left[\begin{array}{c}{H}_1-{\hat{h}}_{\mathrm{\β}}\left(X_1\right)\\ H_2-{\hat{h}}_{\mathrm{\β}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-{\hat{h}}_{\mathrm{\β}}\left(X_m\right)\end{array}\right]$

令方阵

其中，

为矩阵W，包含m行m列；

计算海赛矩阵 $\underset{k\×k}{\mathrm{Hesse}}=\frac{{\∂}^2\left(l\left(\mathrm{\β}\right)\right)}{{\∂\mathrm{\β}}_j{\∂\mathrm{\β}}_k}=-{\underset{k\×m}{X}}^T\underset{m\×m}{W}\underset{m\×k}{X}$

其中，

为海赛矩阵Hesse，包含k行k列；

最后根据牛顿—拉斐森迭代法，求得β的值

${\mathrm{\β}}^{(m+1)}={\mathrm{\β}}^{\left(m\right)}+{\left[{\underset{k\×m}{X}}^T\underset{m\×m}{W}\underset{m\×k}{X}\right]}^{-1}*{\underset{k\×m}{X}}^T*\left[\begin{array}{c}{H}_1-{\hat{h}}_{\mathrm{\β}}\left(X_1\right)\\ H_2-{\hat{h}}_{\mathrm{\β}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-{\hat{h}}_{\mathrm{\β}}\left(X_m\right)\end{array}\right]$

其中，β^(m+1)为代表第m+1次转发的逻辑回归系数矩阵；

β^(m)为代表第m次转发的逻辑回归系数矩阵；

为滑动窗模型中的第i个单元所对应的历史链路质量估计值；

上式的基本原理是，通过逐次迭代来更加精确估计逻辑回归系数矩阵β=[β₀,β₁,…β_p]的值。

最终，链路质量估计模型被建立如下：

$h_{\mathrm{\β}}\left(X\right)=\frac{1}{1+e^{-({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+...+{\mathrm{\β}}_p{x}_p)}}$

步骤502，节点设备在预备转发数据包序列时，启动特征因素收集模块，收集当前的特征因素值X_r，包括所有的外部特征因素和内部特征因素；

步骤503，输入收集的当前特征因素值X_r到刚建立的链路质量估计模型h_β(X)中，估计下一阶段链路质量

步骤504，节点设备开始转发数据包序列；

步骤505，节点设备同步保存当前的特征因素值X_r到历史特征因素存储队列，保存当前链路质量估计值

到历史链路质量估计存储队列，同时两个队列移除相应的旧的元素；

步骤506，本次数据包序列转发完成后，节点设备检测转发是否成功，并保存本次转发结果H_i到历史转发结果队列；

步骤507，链路质量计算模块根据滑动窗模型中的m组历史转发结果和m组历史链路质量估计值的对应关系，计算前m次链路质量估计的参差均方根RMSR如下：

$\mathrm{RMSR}=\sqrt{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[H_i-{\hat{h}}_{\mathrm{\β}}\left(X_i\right)]}^2}$

步骤508，根据实际需求设定判决门限τ，当RMSR<τ时，沿用之前的链路质量估计模型继续进行下一步的链路质量估计；否则，当RMSR>τ时，重新输入滑动窗模型中的数据，并返回步骤1，重新构建或更新链路质量估计模型。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.信息物理系统中链路质量估计系统，应用在信息物理系统节点设备中，其特征在于，所述系统包括：

特征因素收集模块，用于在数据转发前，收集所有可能影响链路质量变化的特征因素值；

存储模块，用于存储前m次数据转发前收集的影响链路质量变化的历史特征因素值，以及对应的受其影响的m个历史数据转发结果值和m个历史链路质量估计值，m为大于0的正整数；

链路质量计算模块，用于通过存储模块中的前m次数据转发前收集的影响链路质量变化的历史特征因素值、以及对应的受其影响的m个历史转发结果值和m个历史链路质量估计值，采用多元逻辑回归分析方法，建立链路质量估计模型；并用于在输入当前收集的特征因素值后，计算下一阶段的链路质量估计值；

所述链路质量计算模块，建立链路质量估计模型，所采用的多元逻辑回归分析方法的函数表达式为：

$h_{\mathrm{\&beta;}}\left(X\right)=\frac{1}{1+e^{-X{\mathrm{\&beta;}}^T}}=\frac{1}{1+e^{-({\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+...+{\mathrm{\&beta;}}_p{x}_p)}}$

其中，X为包含P个元素的特征因素矩阵，X=[1,x₁,x₂,…x_p]；

β为包含P+1个元素的逻辑回归系数矩阵，β=[β₀,β₁,…β_p]，详细的计算过程如下：

（1）建立对数似然函数如下：

$l\left(\mathrm{\&beta;}\right)=\ln \left[L\left(\mathrm{\&beta;}\right)\right]=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left\{H_i\ln \right[h_{\mathrm{\&beta;}}\left(X_i\right)]+(1-H_i)\ln [1-h_{\mathrm{\&beta;}}\left(X_i\right)\left]\right\}$

其中，h_β(X_i)为在给定的历史特征因素X_i条件下的历史链路质量估计值

的多元逻辑回归表达式，

存储于历史链路质量估计值存储队列；

H_i为历史转发结果存储队列中的第i个单元所对应的历史转发结果；

β_j为逻辑回归系数，表示每个特征因素对链路质量的影响程度，其中j=0,1,…,p；

X_i为历史特征因素存储队列中的第i个单元所对应的特征因素矩阵，包含该单元内的所有外部特征因素值和内部特征因素值，表示为X_i=(x_i1,x_i2,…,x_ip)；

x_ij为历史特征因素存储队列中的第i个单元的历史特征因素元素中，第j个特征因素名（参数符号），如表1所示，其中j=0,1,…,p；

（2）建立设计矩阵

$\underset{m\&times;k}{X}=\left[\begin{array}{cc}1& X_1\\ 1& X_2\\ .& .\\ .& .\\ .& .\\ 1& X_m\end{array}\right]=\left[\begin{array}{ccccc}1& x_{11}& x_{12}& ...& x_{1p}\\ 1& x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& x_{m1}& x_{m2}& ...& x_{\mathrm{mp}}\end{array}\right]$

其中，

为矩阵X，包含m行k列；

（3）计算梯度

$\&dtri;\&PartialD;\left(l\left(\mathrm{\&beta;}\right)\right)=\frac{\&PartialD;\left(l\left(\mathrm{\&beta;}\right)\right)}{\&PartialD;{\mathrm{\&beta;}}_j}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}}[H_i-h_{\mathrm{\&beta;}}\left(X_i\right)]=\underset{k\&times;m}{X^T}*\left[\begin{array}{c}{H}_1-h_{\mathrm{\&beta;}}\left(X_1\right)\\ H_2-h_{\mathrm{\&beta;}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-h_{\mathrm{\&beta;}}\left(X_m\right)\end{array}\right]=\underset{k\&times;m}{X^T}*\left[\begin{array}{c}{H}_1-{\hat{h}}_{\mathrm{\&beta;}}\left(X_1\right)\\ H_2-{\hat{h}}_{\mathrm{\&beta;}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-{\hat{h}}_{\mathrm{\&beta;}}\left(X_m\right)\end{array}\right]$

其中，

为l(β)的梯度；

为矩阵X的转置，包含k行m列；

为历史链路质量估计值存储队列中的第i个单元所对应的历史链路质量估计值，i=1,2,…m；

（4）令方阵

其中，

为矩阵W，包含m行m列；

（5）计算海赛矩阵

$\underset{k\&times;k}{\mathrm{Hesse}}=\frac{{\&PartialD;}^2\left(l\left(\mathrm{\&beta;}\right)\right)}{{\&PartialD;\mathrm{\&beta;}}_j\&PartialD;{\mathrm{\&beta;}}_k}=-{\underset{k\&times;m}{X}}^T\underset{m\&times;m}{W}\underset{m\&times;k}{K}$

其中，

为海赛矩阵Hesse，包含k行k列；

（6）最后用牛顿—拉斐森迭代得到

${\mathrm{\&beta;}}^{(m+1)}={\mathrm{\&beta;}}^{\left(m\right)}+{\left[{\underset{k\&times;m}{X}}^T\underset{m\&times;m}{W}\underset{m\&times;k}{X}\right]}^{-1}*{\underset{k\&times;m}{X}}^T*\left[\begin{array}{c}{H}_1-{\hat{h}}_{\mathrm{\&beta;}}\left(X_1\right)\\ H_2-{\hat{h}}_{\mathrm{\&beta;}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-{\hat{h}}_{\mathrm{\&beta;}}\left(X_m\right)\end{array}\right]$

其中，β^(m+1)为代表第m+1次转发的逻辑回归系数矩阵；

β^(m)为代表第m次转发的逻辑回归系数矩阵。

2.根据权利要求1所述信息物理系统中链路质量估计系统，其特征在于，所述引起链路质量变化的特征因素值分为外部特征因素值和内部特征因素值，所述外部特征因素包括信号强度、下跳空间距离、信噪比、通信带宽；所述内部特征因素包括传输模式、前向转发成功率、后向转发成功率和节点缓存大小。

3.根据权利要求1或2所述信息物理系统中链路质量估计系统，其特征在于，所述存储模块，包括历史特征因素存储队列，历史转发结果存储队列和历史链路质量估计值存储队列；

所述历史特征因素存储队列，具有固定大小为m的队列长度，用于存储前m次转发前收集的影响链路质量变化的历史特征因素值，

所述历史转发结果存储队列，具有固定大小为m的队列长度，用于存储前m个历史数据转发结果值，所述转发结果值是指转发成功或转发失败的状态；

所述历史链路质量估计值存储队列，具有固定大小为m的队列长度，用于存储前m次数据转发前的链路质量估计值，所述链路质量估计值以概率值表示，代表预测的数据转发成功率；

所述历史特征因素存储队列、历史转发结果存储队列和历史链路质量估计值存储队列分别采用先进先出的规则。

4.根据权利要求3所述信息物理系统中链路质量估计系统，其特征在于，所述链路质量计算模块还用于通过计算前m次链路质量估计值的残差均方根来判定链路质量估计误差，决定是否更新链路质量估计模型。

5.信息物理系统中链路质量估计方法，应用在信息物理系统的节点设备中，其特征在于，包括如下步骤：

A.节点设备在转发数据前，特征因素收集模块收集当前所有影响链路质量变化的特征因素值；

B.节点设备将收集的影响链路质量变化的特征因素值输入到预先建立的链路质量估计模型中，链路质量计算模块进行链路质量的估计；预先建立的链路质量估计模型，由链路质量计算模块通过使用多元逻辑回归分析方法建立，所采用的多元逻辑回归分析方法的函数表达式为：

$h_{\mathrm{\&beta;}}\left(X\right)=\frac{1}{1+e^{-X{\mathrm{\&beta;}}^T}}=\frac{1}{1+e^{-({\mathrm{\&beta;}}_0+{\mathrm{\&beta;}}_1{x}_1+{\mathrm{\&beta;}}_2{x}_2+...+{\mathrm{\&beta;}}_p{x}_p)}}$

其中，X为包含P个元素的特征因素矩阵，X=[1,x₁,x₂,…x_p]；

β为包含P+1个元素的逻辑回归系数矩阵，β=[β₀,β₁,…β_p]，详细的计算过程如下：

（1）建立对数似然函数如下：

$l\left(\mathrm{\&beta;}\right)=\ln \left[L\left(\mathrm{\&beta;}\right)\right]=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\left\{H_i\ln \right[h_{\mathrm{\&beta;}}\left(X_i\right)]+(1-H_i)\ln [1-h_{\mathrm{\&beta;}}\left(X_i\right)\left]\right\}$

其中，h_β(X_i)为在给定的历史特征因素X_i条件下的历史链路质量估计值

的多元逻辑回归表达式，

存储于历史链路质量估计值存储队列；

H_i为历史转发结果存储队列中的第i个单元所对应的历史转发结果；

β_j为逻辑回归系数，表示每个特征因素对链路质量的影响程度，其中j=0,1,…,p；

X_i为历史特征因素存储队列中的第i个单元所对应的特征因素矩阵，包含该单元内的所有外部特征因素值和内部特征因素值，表示为X_i=(x_i1,x_i2,…,x_ip)；

x_ij为历史特征因素存储队列中的第i个单元的历史特征因素元素中，第j个特征因素名（参数符号），如表1所示，其中j=0,1,…,p；

（2）建立设计矩阵

$\underset{m\&times;k}{X}=\left[\begin{array}{cc}1& X_1\\ 1& X_2\\ .& .\\ .& .\\ .& .\\ 1& X_m\end{array}\right]=\left[\begin{array}{ccccc}1& x_{11}& x_{12}& ...& x_{1p}\\ 1& x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& x_{m1}& x_{m2}& ...& x_{\mathrm{mp}}\end{array}\right]$

其中，

为矩阵X，包含m行k列；

（3）计算梯度

$\&dtri;\&PartialD;\left(l\left(\mathrm{\&beta;}\right)\right)=\frac{\&PartialD;\left(l\left(\mathrm{\&beta;}\right)\right)}{\&PartialD;{\mathrm{\&beta;}}_j}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}}[H_i-h_{\mathrm{\&beta;}}\left(X_i\right)]=\underset{k\&times;m}{X^T}*\left[\begin{array}{c}{H}_1-h_{\mathrm{\&beta;}}\left(X_1\right)\\ H_2-h_{\mathrm{\&beta;}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-h_{\mathrm{\&beta;}}\left(X_m\right)\end{array}\right]=\underset{k\&times;m}{X^T}*\left[\begin{array}{c}{H}_1-{\hat{h}}_{\mathrm{\&beta;}}\left(X_1\right)\\ H_2-{\hat{h}}_{\mathrm{\&beta;}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-{\hat{h}}_{\mathrm{\&beta;}}\left(X_m\right)\end{array}\right]$

其中，

为l(β)的梯度；

为矩阵X的转置，包含k行m列；

为历史链路质量估计值存储队列中的第i个单元所对应的历史链路质量估计值，i=1,2,…m；

（4）令方阵

其中，为矩阵W，包含m行m列；

（5）计算海赛矩阵

$\underset{k\&times;k}{\mathrm{Hesse}}=\frac{{\&PartialD;}^2\left(l\left(\mathrm{\&beta;}\right)\right)}{{\&PartialD;\mathrm{\&beta;}}_j\&PartialD;{\mathrm{\&beta;}}_k}=-{\underset{k\&times;m}{X}}^T\underset{m\&times;m}{W}\underset{m\&times;k}{K}$

其中，

为海赛矩阵Hesse，包含k行k列；

（6）最后用牛顿—拉斐森迭代得到

${\mathrm{\&beta;}}^{(m+1)}={\mathrm{\&beta;}}^{\left(m\right)}+{\left[{\underset{k\&times;m}{X}}^T\underset{m\&times;m}{W}\underset{m\&times;k}{X}\right]}^{-1}*{\underset{k\&times;m}{X}}^T*\left[\begin{array}{c}{H}_1-{\hat{h}}_{\mathrm{\&beta;}}\left(X_1\right)\\ H_2-{\hat{h}}_{\mathrm{\&beta;}}\left(X_2\right)\\ .\\ .\\ .\\ H_m-{\hat{h}}_{\mathrm{\&beta;}}\left(X_m\right)\end{array}\right]$

其中，β^(m+1)为代表第m+1次转发的逻辑回归系数矩阵；

β^(m)为代表第m次转发的逻辑回归系数矩阵；

C.依据本阶段链路质量的估计，节点设备在完成数据转发后，存储模块分别保存本次收集的特征因素值到历史特征因素存储队列，保存当前链路质量估计值到历史链路质量估计存储队列；

D.节点设备检查本次转发是否成功，保存本次转发结果到历史转发结果队列。

6.如权利要求5所述信息物理系统中链路质量估计方法，其特征在于，所述步骤A中当前特征因素值，是指在节点设备在预备转发数据时，利用特征因素收集模块收集的当前环境下的特征因素值，包括信号强度、传输模式、下跳节点空间距离、通信带宽、信噪比、前向/后向转发成功率、节点缓存大小。

7.如权利要求6所述信息物理系统中链路质量估计方法，其特征在于，所述方法还包括如下步骤：

E.节点设备计算前m次的链路质量估计值的估计残差均方根；

F.依据判决门限，节点设备更新或保持现有链路质量估计模型；所述判决门限，是指所允许的最大链路质量估计误差值，是被预先设定的固定值，作为决定链路质量估计模型更新或保持的临界点。

Images