CN106068017A - 基于小波神经元网络的无线链路质量预测方法 - Google Patents

Abstract

本发明涉及一种基于小波神经元网络的无线链路质量预测方法，根据其网络模型的预测结果计算出未来一段时间的无线链路质量的置信区间。本预测方法包括小波神经元网络模型训练阶段和基于训练结果的无线链路质量预测阶段，可以随着环境因素的改变，计算无线通信节点间的链路质量的置信区间，以解决链路质量预测精度低的问题，同时也将链路质量中的高频噪声部分纳入了预测范畴，动态地预测链路质量在未来一段时间的变化趋势。与传统的预测模型相比，本方法能够更为有效地对链路质量进行实时估计，并提高了无线传感器网络整体的可靠性和鲁棒性。本发明有效地提高了链路传输的可靠性，实现了对电网中无线链路的实时预测。

Description

基于小波神经元网络的无线链路质量预测方法

技术领域

本发明涉及一种基于小波神经元网络的预测方法，根据其网络模型的预测结果计算出未来一段时间的无线链路质量的置信区间。

技术背景

无线传感器网络以其安装灵活、维护方便、易于扩展等特点在微电网通信研究领域受到了广泛的关注，并被美国“智能电网发展框架和路线图”明确列为推荐的通信标准之一。已有的文献表明，国内外学者都十分关注无线传感器网络技术在微电网中的应用发展。但是，电磁波在传输过程中受外界环境干扰所导致无线通信可靠性不高，是无线传感器网络难以在微电网中广泛应用的主要问题。

无线传感器网络节点之间通常有多个传输路径可供选择，通过预测邻节点间无线链路质量，选择链路最优的邻节点转发数据，不仅可以提高通信的可靠性，而且可以减少因通信失败重新传输导致的延迟。因此，准确地预测无线链路质量是提高无线传感器网络通信可靠性的有效途径。

无线链路质量是一类具有时变性、随机性和非线性的非平稳随机时间序列。目前，对这类时间序列的预测的方法精度都不高，难以应用于无线传感器网络的路由选择算法中。本发明通过对无线传感器网络无线链路质量预测方法的研究，为无线传感器网络路由协议提供一种新的链路质量的评价方法，以提高在网络资源受限、环境条件恶劣的约束下微电网通信的可靠性。

目前国内外对于无线链路质量预测的主要技术方法有：

1、利用滑动窗口模型以及BP人工神经网络对链路质量信号进行预测，虽然具有精度有所提高，但对没考虑无线链路中的高频噪声产生的影响，使得预测结果的工程实用性不高。

刘琳岚，樊佑磊，舒坚，臧超等发表的“一种基于神经网络的链路质量预测方法”(《计算机研究与发展》，2011,212-215)提出一种基于BP人工神经网络的WSNs链路质量预测方法"使用BP神经网络对PRR的序列进行预测,通过设置预测窗口和神经网络的设计两个阶段对链路质量进行预测，虽然在精度上有所提高，但是忽略了链路中包含的高频噪声部分。

2、基于A-TEC算法，先利用滑动窗口模型将质量信号进行粗估计，再使用A-TEC算法进行预测，但由于预测没有更为精确定量的算法，导致预测结果的精确度不高。

高泽鹏，程良伦发表的“一种基于PRR的链路质量预测方法”(《传感器学报》，2011,24(7)：1070-1074)，在移动窗口平均模型下对PRR进行预测，虽然起到良好的效果，但没有从定性和定量上分析算法，同时也缺乏对比实验。而且执行速度慢，工作效率很低。

3、基于支持向量机的预测方法，其方法是以链路质量评估本质为切入点，利用SVC在分类问题上的优势，以实验观察法或者假设法等基本方法为研究方法，根据历史链路质量评估结果完成链路质量预测。

臧超，刘琳岚发表的“基于支持向量机的传感网络链路质量预测机制研究”(《南昌航空大学硕士论文》，2013.5)提出将LQP-SVM模型分为不同层次进行研究，将链路质量评估转化为链路质量等级划分，利用SVC在分类问题上的优势，建立其映射关系，从而实现链路质量的预测。但是对于参 数多、耦合性强的链路层，参数之间的相关性研究的难度高，工作量大。

发明内容

本发明的主要目的是为了解决上述的技术方案中对于无线链路质量预测精度不高的缺点，提出一种更为合理的预测方法，解决高频噪声难以预测的问题。

为了实现本发明的目的，本发明提供了一种基于小波神经元网络的无线链路质量预测方法，包括通过无线通信设备采集并保存无线链路质量信号，包括小波神经元网络模型训练阶段和基于训练结果的无线链路质量预测阶段。

步骤1，小波神经元网络模型训练阶段，包括以下步骤：

步骤1.1，在待预测的通信环境下，通过无线通信设备采集并保存第1时刻到第L时刻的无线链路质量信号，组成一段长度为L的原始数据序列x(L)＝{x₁,x₂,...,x_L}作为小波神经元网络模型的训练样本数据序列，其中L表示所采集的训练样本数据序列的末时刻，1000≤L≤9000；

所述的小波神经元网络模型的输入层为1层，输入层节点个数为m，m的数值范围为1-50；隐含层为1层，隐含层节点个数为n，n的数值范围为1-20；输出层为1层，输出层节点个数为1；

步骤1.2,通过数字滤波方法对步骤1.1得到的训练样本数据序列作平滑滤波处理；

将处理后的平滑序列记为:Sx(L)＝{Sx₁,Sx₂,...,Sx_L},作为低频大尺度衰落训练样本数据序列，其中,Sx₁表示平滑序列对应x₁点的低频值；Sx₂表示平滑序列对应x₂点的低频值；Sx_L表示平滑序列对应x_L点的低频值；

将经滤除得到的噪音序列记为：Rx(L)＝{Rx₁,Rx₂,...,Rx_L}，作为高频小尺度衰落训练样本数据序列,其中,Rx₁表示噪音序列对应x₁点的高频值,Rx₂表示噪音序列对应x₂点的高频值，Rx_L表示噪音序列对应x_L点的高频值；

训练样本数据序列的平滑滤波计算方法如式(1-1)、(1-2)所示：

${\mathrm{Sx}}_t=\frac{x_1+x_2+...+x_t}{t},{\mathrm{Rx}}_t=x_t-{\mathrm{Sx}}_t,(t<5)---(1-1)$

${\mathrm{Sx}}_t=\frac{x_{t-4}+x_{t-3}+x_{t-2}+x_{t-1}+x_t}{5},{\mathrm{Rx}}_t=x_t-{\mathrm{Sx}}_t,(t\&GreaterEqual;5)---(1-2)$

在式(1-1)、(1-2)中，t表示训练样本数据序列的任意时刻点，t＝1,2,3,...,L；

步骤1.3,在低频大尺度衰落训练样本数据序列Sx(L)中，将连续的q个数据作为低频大尺度衰落小波神经元网络模型训练的输入子序列，即：{Sx_i,Sx_i+1,...,Sx_i+q-1}，其中，q＝m，将Sx_i+q作为低频大尺度衰落小波神经元网络模型训练的输出数据，其中，i＝1,2,...,L-q；将相对应的输入子序列和输出数据作为一组，则共组成L-q组低频大尺度衰落小波神经元网络模型训练的输入子序列和输出数据；

步骤1.4，采用BP算法，训练低频大尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V_m×n以及隐含层和输出层连接权矩阵Ω_n×1；

步骤1.5,按照滑动窗口模型思想计算高频小尺度衰落训练样本数据序列Rx(L)的方差序列VRx(L)＝{VRx₁,VRx₂,...,VRx_L},方差计算方法如式(2-1)、(2-2)所示:

${\mathrm{VRx}}_t=\frac{1}{t}\underset{i=1}{\overset{t}{\&Sigma;}}{({\mathrm{Rx}}_i-\frac{{\mathrm{Rx}}_1+{\mathrm{Rx}}_2+...+{\mathrm{Rx}}_t}{t})}^2,(1\&le;t\&le;K)---(2-1)$

${\mathrm{VRx}}_t=\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{({\mathrm{Rx}}_{t-K+i}-\frac{{\mathrm{Rx}}_{t-K+1}+{\mathrm{Rx}}_{t-K+2}+...+{\mathrm{Rx}}_t}{K})}^2,(t>K)---(2-2)$

在式(2-1)、(2-2)中，K为滑动窗口的大小，K的取值范围为10-300；

步骤1.6,在高频小尺度衰落训练样本数据序列的方差序列VRx(L)中，将连续的q个方差值作为高频小尺度衰落小波神经元网络模型训练的输入子序列，即：{VRx_i,VRx_i+1,...,VRx_i+q-1}，将VRx_i+q作为高频小尺度衰落小波神经元网络模型训练的输出数据，其中i＝1,2,...,L-q；将相对应的输入子序列和输出数据作为一组，共组成L-q组高频小尺度衰落小波神经元网络模型训练的输入子序列和输出数据；

步骤1.7，采用BP算法，训练高频小尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V'_m×n以及隐含层和输出层连接权矩阵Ω'_n×1；

步骤2，无线链路质量预测阶段，包括以下步骤：

步骤2.1,在无线通信设备通信过程中，采集并保存长度为W+q的无线链路质量信号，其中，W＝K，q＝m，组成一段长度为W+q的预测序列p(W+q)＝{p₁,p₂,...,p_W+q}；

步骤2.2,通过数字滤波方法对无线链路质量信号的预测序列p(W+q)＝{p₁,p₂,...,p_W+q}作平滑滤波处理；

将滤除噪音后长度为W+q的平滑预测序列作为低频大尺度衰落预测序列，记为：Sp(W+q)＝{Sp₁,Sp₂,...,Sp_W+q}，其中，Sp₁表示平滑预测序列对应第1个点的低频值；Sp₂表示平滑预测序列对应第2个点的低频值；Sp_W+q表示平滑预测序列对应第W+q个点的低频值；

将滤除后的长度为W+q的噪音预测序列作为高频小尺度衰落预测序列， 记为：Rp(W+q)＝{Rp₁,Rp₂,...,Rp_W+q}，其中，Rp₁表示噪音预测序列对应第1个点的高频值，Rp₂表示噪音预测序列对应第2个点的高频值，Rp_W+q表示噪音预测序列对应第W+q个点的高频值；

预测序列平滑滤波的计算方法如式(3-1)、(3-2)所示：

${\mathrm{Sp}}_j=\frac{p_1+p_2+...+p_j}{j},{\mathrm{Rp}}_j=p_j-{\mathrm{Sp}}_j,1<j\&le;5---(3-1)$

${\mathrm{Sp}}_j=\frac{p_{i-4}+p_{i-3}+p_{i-2}+p_{i-1}+p_i}{5},{\mathrm{Rp}}_j=p_j-{\mathrm{Sp}}_j,j>5---(3-2)$

在式(3-1)、(3-2)中，j表示预测序列的任意时刻点，j＝1,2,3,...,W+q；

步骤2.3,在低频大尺度衰落预测数据序列Sp(W+q)中，将序列后q个数据作为低频大尺度衰落小波神经元网络模型预测的输入序列，即：Sp(q)＝{Sp_W+1,Sp_W+2,...,Sp_W+q}，将Sp(q)和步骤1.4所得到的输入层和隐含层连接权矩阵V_m×n以及隐含层和输出层连接权矩阵Ω_n×1代入低频大尺度衰落小波神经元网络模型，计算出低频大尺度衰落小波神经元网络模型的预测输出值Sp_W+q+1；

步骤2.4,计算高频小尺度衰落预测数据序列Rp(W+q)的后q个方差序列VRp(q)＝{VRp_W+1,VRp_W+2,...,VRp_W+q},计算方法如式(4)所示；

${\mathrm{VRp}}_{W+j}=\frac{1}{W}\underset{i=1}{\overset{W}{\&Sigma;}}{({\mathrm{Rp}}_{j+i}-\frac{{\mathrm{Rp}}_{j+1}+{\mathrm{Rp}}_{j+2}+...+{\mathrm{Rp}}_{j+W}}{W})}^2,1\&le;j\&le;q---\left(4\right)$

步骤2.5,将高频小尺度衰落预测数据序列Rp(W+q)的后q个方差值组成的方差序列VRp(q)＝{VRp_W+1,VRp_W+2,...,VRp_W+q}和步骤1.7得到的输入层和隐含层连接权矩阵V'_m×n及隐含层和输出层连接权矩阵Ω'_n×1代入高频小尺度衰落小波神经元网络模型，计算出高频小尺度衰落小波神经元网络模型的方差预测 输出值VRp_W+q+1；

步骤2.6,利用低频大尺度衰落小波神经元网络模型的预测输出值Sp_W+q+1和高频小尺度衰落小波神经元网络模型的方差预测输出值VRp_W+q+1计算出未来在W+q+1时刻无线链路质量置信水平为ξ的置信区间，计算方法如式(5)所示：

[Sp_W+q+1+nVRp_W+q+1,Sp_W+q+1-nVRp_W+q+1] (5)

在式(5)中，n为标准正态分布在置信水平为ξ时的分位数；

步骤2.7，重复步骤2.1-步骤2.6的预测过程，连续得出低频大尺度衰落预测序列的预测值和高频小尺度衰落预测序列的方差值，即可得到无线链路的链路质量在未来一段时间内的置信区间。

优选地，所述的小波神经元网络模型的隐含层小波函数为Morlet函数，输出层函数为Sigmoid函数。

与现有技术相比，本发明的有益效果如下：

1、利用小波神经元网络模型进行预测可以避免人工神经网络模型结构设计的盲目性，其收敛速度更快，避免陷入局部最优，又有时频局部分析的特点，其泛化性能好，精度高的特点，具有较强的学习能力；

2、对信号进行尺度分解其目的是使得分解后的低频大尺度衰落信号比链路质量信号更单一、平滑，其稳定性更高；

3、对无线链路质量信号置信区间的计算，弥补了传统的预测方法对于单值预测不精确的缺陷，给出定量的预测范围，在工程应用上具有更大的参考意义。

4、本方法能够计算无线通信节点间的链路质量的置信区间，以解决链路 质量预测精度低的问题，同时也将链路质量中的高频噪声部分纳入了预测范畴，实验结果表明，本发明的方法提高了无线传感器网络整体的可靠性和鲁棒性。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例中小波神经元网络结构图；

图3为本分明实施例中平滑滤波图；

图4为本发明实施例中低频大尺度衰落序列、高频小尺度衰落序列训练部分对比图；

图5为本发明实施例中低频大尺度衰落序列、高频小尺度衰落序列预测部分对比图；

图6为本发明实施例的链路质量置信区间与实测值对比图。

具体实施方式

下面结合附图及实施例对本发明做进一步详细说明。

本发明的基本方法流程示意图如图1所示。由该图可见，本发明包括小波神经元网络模型训练阶段和基于训练结果的无线链路质量预测阶段两部分。

本发明的小波神经元网络模型如图2所示。由该图可见，其模型的隐含层小波函数为Morlet函数，模型输出层函数为Sigmoid函数。输入层为1层，输入层节点数m为8，隐含层为1层，隐含层节点数n为10，输出层为1层，输出层节点数为1。

本实施例的具体步骤如下所述。

步骤1，小波神经元网络模型训练阶段，包括以下步骤：

步骤1.1，在待预测的通信环境下，通过无线通信设备采集并保存第1个时刻到第2431时刻的无线链路质量信号，组成一段长度为2431的原始数据序列x(2431)＝{x₁,x₂,...,x₂₄₃₁}作为小波神经元网络模型的训练样本数据序列，其中，x₁为第1时刻的无线链路质量信号，x₂为第2时刻的无线链路质量信号，x₂₄₃₁为第2431时刻的无线链路质量信号。本实施例中，L＝2431，本实施例中的小波神经元网络模型的训练样本数据序列,如图3中的采样点数(3-1)所示。

步骤1.2,通过数字滤波方法对步骤1.1得到的训练样本数据序列作平滑滤波处理，将处理后的平滑序列记为:Sx(2431)＝{Sx₁,Sx₂,...,Sx₂₄₃₁},作为低频大尺度衰落训练样本数据序列，其中,Sx₁表示平滑序列对应x₁点的低频值；Sx₂表示平滑序列对应x₂点的低频值；Sx₂₄₃₁表示平滑序列对应x₂₄₃₁点的低频值，本实施例中的低频大尺度衰落训练样本数据序列,如图3中的采样点数(3-2)所示。

把滤除的噪音序列,记为Rx(2431)＝{Rx₁,Rx₂,...,Rx₂₄₃₁}，作为高频小尺度衰落训练样本数据序列，其中,Rx₁表示噪音序列对应x₁点的高频值；Rx₂表示噪音序列对应x₂点的高频值；Rx₂₄₃₁表示噪音序列对应x₂₄₃₁点的高频值，本实施例中的高频小尺度衰落训练样本数据序列,如图3中的采样点数(3-3)所示。

训练样本数据序列的平滑滤波计算方法如式(1-1)、(1-2)所示：

${\mathrm{Sx}}_t=\frac{x_1+x_2+...+x_t}{t},{\mathrm{Rx}}_t=x_t-{\mathrm{Sx}}_t,(t<5)---(1-1)$

${\mathrm{Sx}}_t=\frac{x_{t-4}+x_{t-3}+x_{t-2}+x_{t-1}+x_t}{5},{\mathrm{Rx}}_t=x_t-{\mathrm{Sx}}_t,(t\&GreaterEqual;5)---(1-2)$

在式(1-1)、(1-2)中，t表示训练样本数据序列的任意时刻点，t＝1,2,3,...,2431。

步骤1.3,在低频大尺度衰落训练样本数据序列Sx(2431)中，将连续的q个数据作为低频大尺度衰落小波神经元网络模型训练的输入子序列，在本实施例中q＝8，即：{Sx_i,Sx_i+1,...,Sx_i+8-1}，将Sx_i+8作为低频大尺度衰落小波神经元网络模型训练的输出数据，其中，i＝1,2,...,2431-8；将相对应的输入子序列和输出数据作为一组，共组成2423组低频大尺度衰落小波神经元网络模型训练的输入子序列和输出数据。

步骤1.4，采用BP算法，训练低频大尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V_8×10以及隐含层和输出层连接权矩阵Ω_10×1，本实施例中，低频大尺度衰落小波神经元网络模型的训练结果与实测值对比图如图4中的采样数(4-1)所示。

步骤1.5,按照滑动窗口计算高频小尺度衰落训练样本数据序列Rx(2431)的方差序列VRx(2431)＝{VRx₁,VRx₂,...,VRx₂₄₃₁},方差计算方法如式(2-1)、(2-2)所示:

${\mathrm{VRx}}_t=\frac{1}{t}\underset{i=1}{\overset{t}{\&Sigma;}}{({\mathrm{Rx}}_i-\frac{{\mathrm{Rx}}_1+{\mathrm{Rx}}_2+...+{\mathrm{Rx}}_t}{t})}^2,1\&le;t\&le;50---(2-1)$

${\mathrm{VRx}}_t=\frac{1}{50}\underset{i=1}{\overset{50}{\&Sigma;}}{({\mathrm{Rx}}_{t-50+i}-\frac{{\mathrm{Rx}}_{t-50+1}+{\mathrm{Rx}}_{t-50+2}+...+{\mathrm{Rx}}_t}{50})}^2,t>50---(2-2)$

在式(2-1)、(2-2)中，在本实施例中为K为50。

步骤1.6,在高频小尺度衰落训练样本数据序列的方差序列VRx(2431)中，将连续的8个方差值作为高频小尺度衰落小波神经元网络模型训练的输入子序列，即：{VRx_i,VRx_i+1,...,VRx_i+8-1}，将VRx_i+8作为高频小尺度衰落小波神经元网 络模型训练的输出数据，其中i＝1,2,...,2423；将相对应的输入子序列和输出数据作为一组，共组成2423组高频小尺度衰落小波神经元网络模型训练的输入子序列和输出数据。

步骤1.7，采用BP算法，训练高频小尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V_’8×10以及隐含层和输出层连接权矩阵Ω_’10×1，本实施例中，高频小尺度衰落小波神经元网络模型的训练结果与实测值对比图如图4中的采样数(4-2)所示。

步骤2，无线链路质量预测阶段，包括以下步骤：

步骤2.1,在无线通信设备通信过程中，采集并保存长度为50+8的无线链路质量信号，组成一段长度为50+8的预测序列p(50+8)＝{p₁,p₂,...,p₅₀₊₈}。

步骤2.2,通过数字滤波方法对无线链路质量信号的预测序列p(50+8)＝{p₁,p₂,...,p₅₀₊₈}作平滑滤波处理。

将滤除噪音后长度为50+8的平滑预测序列作为低频大尺度衰落预测序列，记为：Sp(50+8)＝{Sp₁,Sp₂,...,Sp₅₀₊₈}，其中，Sp₁表示平滑预测序列对应第1个点的低频值；Sp₂表示平滑预测序列对应第2个点的低频值；Sp₅₀₊₈表示平滑预测序列对应第50+8个点的低频值。

将滤除后的长度为50+8的噪音预测序列作为高频小尺度衰落预测序列，记为：Rp(50+8)＝{Rp₁,Rp₂,...,Rp₅₀₊₈}，其中Rp₁表示噪音预测序列对应第1个点的高频值，Rp₂表示噪音预测序列对应第2个点的高频值，Rp₅₀₊₈表示噪音预测序列对应第50+8个点的高频值。

预测序列平滑滤波的计算方法如式(3-1)、(3-2)所示：

${\mathrm{Sp}}_j=\frac{p_1+p_2+...+p_j}{j},{\mathrm{Rp}}_j=p_j-{\mathrm{Sp}}_j,1<j\&le;5---(3-1)$

${\mathrm{Sp}}_j=\frac{p_{i-4}+p_{i-3}+p_{i-2}+p_{i-1}+p_i}{5},{\mathrm{Rp}}_j=p_j-{\mathrm{Sp}}_j,j>5---(3-2)$

在式(3-1)、(3-2)中，j表示预测序列的任意时刻点，j＝1,2,3,...,50+8。

步骤2.3,在低频大尺度衰落预测数据序列Sp(50+8)中，将序列后8个数据作为低频大尺度衰落小波神经元网络模型预测的输入序列，即：Sp(8)＝{Sp₅₀₊₁,Sp₅₀₊₂,...,Sp₅₀₊₈}，将Sp(8)和步骤1.4所得到的输入层和隐含层连接权矩阵V_8×10以及隐含层和输出层连接权矩阵Ω_10×1代入低频大尺度衰落小波神经元网络模型，计算出低频大尺度衰落小波神经元网络模型的预测输出值Sp₅₀₊₈₊₁。

步骤2.4,计算高频小尺度衰落预测数据序列Rp(50+8)的后8个方差序列VRp(8)＝{VRp₅₀₊₁,VRp₅₀₊₂,...,VRp₅₀₊₈},计算方法如式(4)所示：

${\mathrm{VRp}}_{50+j}=\frac{1}{50}\underset{i=1}{\overset{50}{\&Sigma;}}{({\mathrm{Rp}}_{j+i}-\frac{{\mathrm{Rp}}_{j+1}+{\mathrm{Rp}}_{j+2}+...+{\mathrm{Rp}}_{j+50}}{50})}^2,1\&le;j\&le;8---\left(4\right)$

步骤2.5,将高频小尺度衰落预测数据序列Rp(50+8)的后8个方差值组成的方差序列VRp(8)＝{VRp₅₀₊₁,VRp₅₀₊₂,...,VRp₅₀₊₈}，将步骤1.7得到的输入层和隐含层连接权矩阵V'_8×10及隐含层和输出层连接权矩阵Ω'_10×1代入小波神经元网络模型，计算出高频小尺度衰落小波神经元网络模型的方差预测输出值VRp₅₀₊₈₊₁。

步骤2.6,利用低频大尺度衰落小波神经元网络模型的预测输出值Sp₅₀₊₈₊₁和高频小尺度衰落小波神经元网络模型的方差预测输出值VRp₅₀₊₈₊₁计算出未来在50+8+1时刻无线链路质量置信水平为ξ的置信区间，计算方法如式(5) 所示：

[Sp₅₀₊₈₊₁+1.96VRp₅₀₊₈₊₁,Sp₅₀₊₈₊₁-1.96VRp₅₀₊₈₊₁] (5)

本实施例中ξ为0.95，其对应的n为1.96。

步骤2.7，重复步骤2.1-步骤2.6的预测过程，连续得出低频大尺度衰落预测序列的预测值和高频小尺度衰落预测序列的方差值可以得到无线链路的链路质量在未来一段时间内的置信区间。图5中的采样数(5-1)为连续528组低频大尺度衰落小波神经元网络模型的预测对比图，图5中的采样数(5-2)为连续528组高频小尺度衰落小波神经元网络模型的预测结果对比图。

图6为本发明实施例的连续528组链路质量置信区间的融合图,实验结果中链路质量置信区间的估计与实际测量结果的对比，可以看出未来链路质量的结果有高达95％的可能性分布在该区间。根据该结果与智能电网通信可靠性需求下界相比较，以期在数据发送前对多条无线通信链路质量的可靠性进行预判，以能满足智能电网通信的最低可靠性要求。

Claims (2)

1.一种基于小波神经元网络的无线链路质量预测方法，包括通过无线通信设备采集并保存无线链路质量信号，其特征在于,包括小波神经元网络模型训练阶段和基于训练结果的无线链路质量预测阶段；

步骤1，小波神经元网络模型训练阶段，包括以下步骤：

步骤1.1，在待预测的通信环境下，通过无线通信设备采集并保存第1时刻到第L时刻的无线链路质量信号，组成一段长度为L的原始数据序列x(L)＝{x₁,x₂,...,x_L}作为小波神经元网络模型的训练样本数据序列，其中L表示所采集的训练样本数据序列的末时刻，1000≤L≤9000；

所述的小波神经元网络模型的输入层为1层，输入层节点个数为m，m的数值范围为1-50；隐含层为1层，隐含层节点个数为n，n的数值范围为1-20；输出层为1层，输出层节点个数为1；

步骤1.2,通过数字滤波方法对步骤1.1得到的训练样本数据序列作平滑滤波处理；

将处理后的平滑序列记为:Sx(L)＝{Sx₁,Sx₂,...,Sx_L},作为低频大尺度衰落训练样本数据序列，其中,Sx₁表示平滑序列对应x₁点的低频值；Sx₂表示平滑序列对应x₂点的低频值；Sx_L表示平滑序列对应x_L点的低频值；

将经滤除得到的噪音序列记为：Rx(L)＝{Rx₁,Rx₂,...,Rx_L}，作为高频小尺度衰落训练样本数据序列,其中,Rx₁表示噪音序列对应x₁点的高频值,Rx₂表示噪音序列对应x₂点的高频值，Rx_L表示噪音序列对应x_L点的高频值；

训练样本数据序列的平滑滤波计算方法如式(1-1)、(1-2)所示：

${\mathrm{Sx}}_t=\frac{x_1+x_2+\mathrm{...}+x_t}{t},{\mathrm{Rx}}_t=x_t-{\mathrm{Sx}}_t,(t<5)---(1-1)$

${\mathrm{Sx}}_t=\frac{x_{t-4}+x_{t-3}+x_{t-2}+x_{t-1}+x_t}{5},{\mathrm{Rx}}_t=x_t-{\mathrm{Sx}}_t,(t\&GreaterEqual;5)---(1-2)$

在式(1-1)、(1-2)中，t表示训练样本数据序列的任意时刻点，t＝1,2,3,...,L；

步骤1.3,在低频大尺度衰落训练样本数据序列Sx(L)中，将连续的q个数据作为低频大尺度衰落小波神经元网络模型训练的输入子序列，即：{Sx_i,Sx_i+1,...,Sx_i+q-1}，其中，q＝m，将Sx_i+q作为低频大尺度衰落小波神经元网络模型训练的输出数据，其中，i＝1,2,...,L-q；将相对应的输入子序列和输出数据作为一组，则共组成L-q组低频大尺度衰落小波神经元网络模型训练的输入子序列和输出数据；

步骤1.4，采用BP算法，训练低频大尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V_m×n以及隐含层和输出层连接权矩阵Ω_n×1；

步骤1.5,按照滑动窗口模型思想计算高频小尺度衰落训练样本数据序列Rx(L)的方差序列VRx(L)＝{VRx₁,VRx₂,...,VRx_L},方差计算方法如式(2-1)、(2-2)所示:

${\mathrm{VRx}}_t=\frac{1}{t}\underset{i=1}{\overset{t}{\&Sigma;}}{({\mathrm{Rx}}_i-\frac{{\mathrm{Rx}}_1+{\mathrm{Rx}}_2+\mathrm{...}+{\mathrm{Rx}}_t}{t})}^2,(1\&le;t\&le;K)---(2-1)$

${\mathrm{VRx}}_t=\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{({\mathrm{Rx}}_{t-K+i}-\frac{{\mathrm{Rx}}_{t-K+1}+{\mathrm{Rx}}_{t-K+2}+\mathrm{...}+{\mathrm{Rx}}_t}{K})}^2,(t>K)---(2-2)$

在式(2-1)、(2-2)中，K为滑动窗口的大小，K的取值范围为10-300；

步骤1.6,在高频小尺度衰落训练样本数据序列的方差序列VRx(L)中，将连续的q个方差值作为高频小尺度衰落小波神经元网络模型训练的输入子序列，即：{VRx_i,VRx_i+1,...,VRx_i+q-1}，将VRx_i+q作为高频小尺度衰落小波神经元网络模型训练的输出数据，其中i＝1,2,...,L-q；将相对应的输入子序列和输出数据作为一组，共组成L-q组高频小尺度衰落小波神经元网络模型训练的输入子序列和输出数据；

步骤1.7，采用BP算法，训练高频小尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V'_m×n以及隐含层和输出层连接权矩阵Ω'_n×1；

步骤2，无线链路质量预测阶段，包括以下步骤：

步骤2.1,在无线通信设备通信过程中，采集并保存长度为W+q的无线链路质量信号，其中，W＝K，q＝m，组成一段长度为W+q的预测序列p(W+q)＝{p₁,p₂,...,p_W+q}；

步骤2.2,通过数字滤波方法对无线链路质量信号的预测序列p(W+q)＝{p₁,p₂,...,p_W+q}作平滑滤波处理；

将滤除噪音后长度为W+q的平滑预测序列作为低频大尺度衰落预测序列，记为：Sp(W+q)＝{Sp₁,Sp₂,...,Sp_W+q}，其中，Sp₁表示平滑预测序列对应第1个点的低频值；Sp₂表示平滑预测序列对应第2个点的低频值；Sp_W+q表示平滑预测序列对应第W+q个点的低频值；

将滤除后的长度为W+q的噪音预测序列作为高频小尺度衰落预测序列，记为：Rp(W+q)＝{Rp₁,Rp₂,...,Rp_W+q}，其中，Rp₁表示噪音预测序列对应第1个点的高频值，Rp₂表示噪音预测序列对应第2个点的高频值，Rp_W+q表示噪音预测序列对应第W+q个点的高频值；

预测序列平滑滤波的计算方法如式(3-1)、(3-2)所示：

${\mathrm{Sp}}_j=\frac{p_1+p_2+\mathrm{...}+p_j}{j},{\mathrm{Rp}}_j=p_j-{\mathrm{Sp}}_j,1<j\&le;5---(3-1)$

${\mathrm{Sp}}_j=\frac{p_{i-4}+p_{i-3}+p_{i-2}+p_{i-1}+p_i}{5},{\mathrm{Rp}}_j=p_j-{\mathrm{Sp}}_j,j>5---(3-2)$

在式(3-1)、(3-2)中，j表示预测序列的任意时刻点，j＝1,2,3,...,W+q；

步骤2.3,在低频大尺度衰落预测数据序列Sp(W+q)中，将序列后q个数据作为低频大尺度衰落小波神经元网络模型预测的输入序列，即：Sp(q)＝{Sp_W+1,Sp_W+2,...,Sp_W+q}，将Sp(q)和步骤1.4所得到的输入层和隐含层连接权矩阵V_m×n以及隐含层和输出层连接权矩阵Ω_n×1代入低频大尺度衰落小波神经元网络模型，计算出低频大尺度衰落小波神经元网络模型的预测输出值Sp_W+q+1；

步骤2.4,计算高频小尺度衰落预测数据序列Rp(W+q)的后q个方差序列VRp(q)＝{VRp_W+1,VRp_W+2,...,VRp_W+q},计算方法如式(4)所示；

${\mathrm{VRp}}_{W+j}=\frac{1}{W}\underset{i=1}{\overset{W}{\&Sigma;}}{({\mathrm{Rp}}_{j+i}-\frac{{\mathrm{Rp}}_{j+1}+{\mathrm{Rp}}_{j+2}+\mathrm{...}+{\mathrm{Rp}}_{j+W}}{W})}^2,1\&le;j\&le;q---\left(4\right)$

步骤2.5,将高频小尺度衰落预测数据序列Rp(W+q)的后q个方差值组成的方差序列VRp(q)＝{VRp_W+1,VRp_W+2,...,VRp_W+q}和步骤1.7得到的输入层和隐含层连接权矩阵V'_m×n及隐含层和输出层连接权矩阵Ω'_n×1代入高频小尺度衰落小波神经元网络模型，计算出高频小尺度衰落小波神经元网络模型的方差预测输出值VRp_W+q+1；

步骤2.6,利用低频大尺度衰落小波神经元网络模型的预测输出值Sp_W+q+1和高频小尺度衰落小波神经元网络模型的方差预测输出值VRp_W+q+1计算出未来在W+q+1时刻无线链路质量置信水平为ξ的置信区间，计算方法如式(5)所示：

[Sp_W+q+1+nVRp_W+q+1,Sp_W+q+1-nVRp_W+q+1] (5)

在式(5)中，n为标准正态分布在置信水平为ξ时的分位数；

步骤2.7，重复步骤2.1-步骤2.6的预测过程，连续得出低频大尺度衰落预测序列的预测值和高频小尺度衰落预测序列的方差值，即可得到无线链路的链路质量在未来一段时间内的置信区间。

2.根据权利要求1所述的基于小波神经元网络的无线链路质量预测方法，其特征在于，所述的小波神经元网络模型的隐含层小波函数为Morlet函数，输出层函数为Sigmoid函数。