CN107302768A - 一种采用超限学习机综合评估链路质量的方法 - Google Patents
一种采用超限学习机综合评估链路质量的方法 Download PDFInfo
- Publication number
- CN107302768A CN107302768A CN201710644576.5A CN201710644576A CN107302768A CN 107302768 A CN107302768 A CN 107302768A CN 201710644576 A CN201710644576 A CN 201710644576A CN 107302768 A CN107302768 A CN 107302768A
- Authority
- CN
- China
- Prior art keywords
- link
- quality
- mrow
- fuzzy
- learning machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种采用超限学习机综合评估链路质量的方法。该方法是在分析无线传感器网络链路特性基础上,提出的一种综合性的链路质量评估方法。该方法首先对部署的网络链路特性进行研究,考虑链路可靠性、波动性、非对称性以及信道质量作为链路综合评估指标,并提出相应的度量方法;其次,考虑参数间的相互作用力对综合评价的影响,使用基于模糊测度的模糊积分进行评价,根据评分划分链路质量等级;最后,构建并训练超限学习机链路质量评估模型。本发明方法考虑综合评估中,各参数之间相互作用力对综合评价指标的影响,可有效地较全面地评估链路质量,其优点在于可以为无线传感器网络的路由协议奠定基础,减少节点的能耗并提高通信效率。
Description
技术领域
本发明涉及无线传感器网络领域,主要涉及应用机器学习实现无线传感器网络链路质量综合性评估。
背景技术
无线传感器网络是由部署在监测区域内大量的廉价微型传感器节点组成,通过无线通信的方式形成的一个多跳自组织网络。无线传感器网络将逻辑上的信息世界与客观上的物理世界无缝地连接起来,广泛应用于军事、医疗保健、环境监测、智能家居等诸多领域。
目前国内外关于无线传感器网络链路质量评估的研究主要可以分为:基于链路特性的评估、基于物理层参数的评估、基于链路层参数的评估以及综合性的评估。综合性评估方面,Wang Y等人在“Predicting link quality using supervised learning inwireless sensor networks”【ACM SIGMOBILE Mobile Computing and CommunicationsReview,2007,11(3):71-83】提出“4C”综合评估方法。Guo Z Q等人在“Fuzzy Logic BasedMultidimensional Link Quality Estimation for Multi-Hop Wireless SensorNetworks”【IEEE Sensors Journal,2013,13(10):3605-3615】提出考虑链路可靠性、波动性和丢包突发性的链路质量评估指标FLI,与4C对比有了性能上的提高。Baccour N等人在“Reliable link quality estimation in low-power wireless networks and itsimpact on tree-routing”【Ad Hoc Networks,2015,27:1-25】中提出了综合性的评估器F-LQE,获得了较好的评估效果。
上述链路质量综合性评估方法以及评估选择的指标有所不同,但同样都是尽量排除和回避多指标对综合评价指标的影响,在综合评估链路质量时存在一定程度的局限性。
发明内容
为了解决上述链路质量综合评估的问题,本发明的目的在于提供一种采用超限学习机(Extreme Learning Machine,ELM)综合评估链路质量的方法,通过无线传感器网络的链路特性研究,综合考虑链路的可靠性、波动性、非对称性以及信道质量,应用考虑评价指标相互作用力的基于模糊测度的模糊积分方法实现综合评价,并划分链路质量等级,通过模型简单、学习速度快、泛化能力好的超限学习机来构建综合性的链路质量综合评估模型。实现较准确较合理地评估链路质量,提供上层路由协议性能,保证通信质量,延长网络生命周期。、
本发明的技术方案如下:一种采用超限学习机综合评估链路质量的方法,其特征在于:采用基于模糊测度的模糊积分方法实现链路综合评价,进而划分链路质量等级,应用超限学习机算法训练得到链路质量综合评估模型;包括以下步骤:
步骤S1:选择包括:链路可靠性、波动性、非对称性以及信道质量的四项链路特性综合评估链路质量,模型训练数据样本的获得,具体步骤如下:
a)通过部署测试网络,以Sink节点被动侦听感知节点周期性探测包,获得包括包接受率、上下行信噪比等基本链路参数,样本数;
b)根据四项特性指标的度量方法,使用获得的PRR(Packet Received Ratio)以及SNR(Signal to Noise Ratio)来实现特性的度量;
步骤S2:使用基于模糊测度的模糊积分方法实现链路的综合评价,划分链路质量等级,具体步骤如下:
a)对样本集归一化处理后,结合熵值法与层次分析法实现特性指标的组合赋权,获得权重;
b)应用λ模糊测度定义综合评价各参数间的相互作用,使用φs权重转化函数获得各特性指标的模糊密度;
c)根据λ模糊测度性质,推导出该环境下特性指标的模糊测度表;
d)采用Choquet模糊积分算子,根据模糊测度表,计算w样本集模糊积分值;
e)将链路质量划分为5个等级,样本积分值归一化后百分制,按评分区间划分链路质量等级;
步骤S3:构建基于超限学习机的链路质量评估模型,使用寻优算法进行优化;具体步骤如下:
a)确定超限学习机的结构,输入层节点为4,即四个特性指标,输入层对应链路质量等级,本发明将链路质量划分为5个等级,输出层节点为5;
b)设计寻优算法代价函数满足确定最佳的隐层节点数;其中:
N是训练样本个数;
m为真实的等级与预测等级相同的样本个数,即accuracy;
nmin和nmax表示的是节点个数的阈值;
β是对应节点数在适应度函数中的比重;
c)采用粒子群-超限学习机算法(即PSO-ELM算法),通过步骤2重构样本空间,将w样本按7:3划分训练测试集,训练链路质量综合评估模型。
所述步骤S1中,对链路综合评估的四项指标的度量方法:使用PRR(PacketReceived Ratio)来度量链路的可靠性;使用稳定系数CV(Coefficient of Variation)来度量链路的波动性,满足以下公式:
式中SNR(Signal to Noise Ratio)为信噪比;使用对称水平ASL(ASymmetryLevel),来度量链路的非对称性,满足以下公式:
式中代表的是上行和下行的链路质量指示均值;使用ASNR(AverageSignal to Noise Ratio)度量信道质量。
所述步骤S2中,考虑评估指标间相互作用力对链路质量综合评估的影响,采用基于λ模糊测度的Choquet模糊积分方法实现多指标链路质量模糊综合评价。
所述步骤S3中,采用超限学习机算法构建链路质量评估模型。
本发明的优点是:首先对部署的网络链路特性进行研究,考虑链路可靠性、波动性、非对称性以及信道质量作为链路综合评估指标,并提出相应的度量方法;其次,考虑参数间的相互作用力对综合评价的影响,使用基于模糊测度的模糊积分进行评价,根据评分划分链路质量等级;最后,构建并训练超限学习机链路质量评估模型。本发明方法考虑综合评估中,各参数之间相互作用力对综合评价指标的影响,可有效地较全面地评估链路质量,其优点在于可以为无线传感器网络的路由协议奠定基础,减少节点的能耗并提高通信效率。
附图说明
图1为本发明的随机节点对链路质量时序图。
图2为本发明的较好环境下的节点对时序图。
图3为本发明的较恶劣环境下的节点对时序图。
图4为本发明的基于ELM的链路质量等级评估图。
图5为本发明的基于SVM的链路质量等级评估图。
具体实施方式
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。本发明提出一种基于超限学习机的无线传感器网络链路质量综合评估方法。通过对链路质量特性的量化,应用基于模糊测度的模糊积分方法对链路质量进行综合性的评价,根据评分规则离散化,再构建并训练超限学习机模型,获得综合性的链路质量综合评估器。具体实施步骤如下:
(1)选择包括:链路可靠性、波动性、非对称性以及信道质量的四项链路特性综合评估链路质量,模型训练数据样本的获得。
1)选择CrossBow公司的TelosB节点收发数据,在室内走廊、小树林以及广场三种应用环境进行部署,收集环境链路质量基本数据,设置探测周期为10s,收集样本w=12000条;
2)根据四项特性指标度量公式,使用探测周期的PRR以及SNR来得到链路可靠性PRR指标、波动性CV指标、非对称性ASL指标以及信道质量SNR指标的值。
(2)使用基于模糊测度的模糊积分方法实现链路的综合评价,划分链路质量等级。
1)结合熵值法与层次分析法实现组合赋权,组合公式满足公式(1)所示:
式中w,n表示的是指标n对应的由熵值法确定的权重,表示的是其对应的由层次分析法确定的权重,α表示依赖因子,表示对主观权重的依赖程度,本发明优选后α=0.4。获得四个特性指标(PRR、CV、ASL、ASNR)对应的权重为(0.4522,0.0613,0.2002,0.2863)。
2)应用λ模糊测度定义综合评价各参数间的相互作用,使用φs权重转化函数获得各特性指标的模糊密度。根据λ模糊测度性质如公式2所示:
gλ(A∪B)=gλ(A)+gλ(B)+λgλ(A)gλ(B) (2)
推理得到对应的模糊测度表如表1所示:
表1链路质量综合评估模糊测度表
3)采用Choquet模糊积分算子,根据模糊测度表,计算w样本集模糊积分值。根据评分区间划分链路质量等级。
(3)构建基于ELM的链路质量评估模型,使用寻优算法进行优化。
超限学习机(Extreme learning machine,ELM)由Huang等人所提出,是一种单隐层前馈神经网络(SLFN)的学习算法,与传统的学习算法需要更新SLFN中的参数不同,ELM只需要更新输出层的网络权值,这使得ELM具有结构简单、学习速度快以及泛化能力强等优点。
1)确定模型结构,本发明拟通过PRR,CV,ASL,ASNR来得到对应的链路质量等级值LQL(Link Quality Level),通过步骤S2将对应的四元组样本合并链路质量等级,得到(PRR,CV,ASL,ASNR,LQL)样本集,特性参数作为输入,对应输入层节点数为4,输出为链路质量等级,输出层节点数为5。
2)设计寻优算法代价函数满足确定最佳的隐层节点数,式中N是训练样本个数W×0.7,m为真实的等级与预测等级相同的样本个数,即accuracy,nmin和nmax表示的是节点个数的阈值,设置为4和100,β是对应节点数在适应度函数中的比重,优选设定为0.4,表示更偏向于分类准确性。
3)采用PSO优化ELM,通过步骤2重构样本空间,将w样本按7:3划分训练测试集,训练链路质量综合评估模型,ELM模型数学表达式为公式(3)所示:
式中L表示为隐层节点个数,N为样本的个数,βi为隐层节点到输出节点的权重,也是ELM算法最终确定的值,G(ai,bi,xj)为输入节点到隐层节点的激活函数,本发明确定的激活函数是在浅层神经网络中表现优异的Sigmoid函数,ai,bi为激活函数的权重和偏置,在ELM算法中采用满足高斯分布的自动生成,xj为输入,是N×m的矩阵,m为输入层节点个数,在本发明中,输入为四项指标值,m为4,yi表示的是输出,为综合的评价等级值(LQL)。ELM是监督学习,通过四项指标值和输出值,利用最小二乘法,得到隐层到输出的权重βi。将公式(5)转化为矩阵形式,计算如公式(4)(5)(6)。
Hβ=Y (4)
对获得的数据进行分析:
图1为随机一对节点之间的链路质量时序图,有PRR、Fuzzy以及本发明提出的LQL三个指标,Fuzzy是基于模糊规则推理的综合评价方法得到的评价指标。PRR作为链路质量一个客观的评价指标,从图中可以看出LQL与PRR保持较高的一致性,在整体评价链路质量上具有可靠性。
图2、3为网络环境好的室内走廊以及网络环境较差的小树林场景的链路质量评估时序图,包括参与综合评估的各个指标。可以看出在环境较好的室内走廊,本发明提出的综合评估对比PRR和Fuzzy具有较高的灵敏性,在环境较差的小树林场景下,具有较高的稳定性,取得了一个较好的平衡。
图4为基于ELM方法、图5基于SVM方法的链路质量等级评估图,对比可以看出基于ELM的分类准确性相对而言偏低,但学习速度快,学习效率高。基于PSO优化的ELM分类准确性得到提高,同时简化了模型,如表2所示。
表2 PSO-ELM与ELM对比
Claims (4)
1.一种采用超限学习机综合评估链路质量的方法,其特征在于:采用基于模糊测度的模糊积分方法实现链路综合评价,进而划分链路质量等级,应用超限学习机算法训练得到链路质量综合评估模型;包括以下步骤:
步骤S1:选择包括:链路可靠性、波动性、非对称性以及信道质量的四项链路特性综合评估链路质量,模型训练数据样本的获得,具体步骤如下:
a)通过部署测试网络,以Sink节点被动侦听感知节点周期性探测包,获得包括包接受率、上下行信噪比等基本链路参数,样本数;
b)根据四项特性指标的度量方法,使用获得的包接受率PRR以及信噪比SNR来实现特性的度量;
步骤S2:使用基于模糊测度的模糊积分方法实现链路的综合评价,划分链路质量等级,具体步骤如下:
a)对样本集归一化处理后,结合熵值法与层次分析法实现特性指标的组合赋权,获得权重;
b)应用λ模糊测度定义综合评价各参数间的相互作用,使用φs权重转化函数获得各特性指标的模糊密度;
c)根据λ模糊测度性质,推导出该环境下特性指标的模糊测度表;
d)采用Choquet模糊积分算子,根据模糊测度表,计算w样本集模糊积分值;
e)将链路质量划分为5个等级,样本积分值归一化后百分制,按评分区间划分链路质量等级;
步骤S3:构建基于超限学习机的链路质量评估模型,使用寻优算法进行优化,具体步骤如下:
a)确定超限学习机的结构,输入层节点为4,即四个特性指标,输入层对应链路质量等级,本发明将链路质量划分为5个等级,输出层节点为5;
b)设计寻优算法代价函数满足确定最佳的隐层节点数;其中:
N是训练样本个数;
m为真实的等级与预测等级相同的样本个数,即accuracy;
nmin和nmax表示的是节点个数的阈值;
β是对应节点数在适应度函数中的比重;
c)采用粒子群-超限学习机算法,通过步骤2重构样本空间,将w样本按7:3划分训练测试集,训练链路质量综合评估模型。
2.根据权利要求1所述的一种采用超限学习机综合评估链路质量的方法,其特征是所述步骤S1中,对链路综合评估的四项指标的度量方法:使用包接受率PRR来度量链路的可靠性;使用稳定系数CV来度量链路的波动性,满足以下公式:
<mrow>
<mi>C</mi>
<mi>V</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中SNR为信噪比;使用对称水平ASL来度量链路的非对称性,满足以下公式:
<mrow>
<mi>A</mi>
<mi>S</mi>
<mi>L</mi>
<mo>=</mo>
<mo>|</mo>
<mover>
<mrow>
<msub>
<mi>SNR</mi>
<mrow>
<mi>u</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mover>
<mrow>
<msub>
<mi>SNR</mi>
<mrow>
<mi>d</mi>
<mi>o</mi>
<mi>w</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中代表的是上行和下行的链路质量指示均值;使用ASNR度量信道质量。
3.根据权利要求1所述的一种采用超限学习机综合评估链路质量的方法,其特征是所述步骤S2中,考虑评估指标间相互作用力对链路质量综合评估的影响,采用基于λ模糊测度的Choquet模糊积分方法实现多指标链路质量模糊综合评价。
4.根据权利要求1所述的一种采用超限学习机综合评估链路质量的方法,其特征是所述步骤S3中,采用超限学习机算法构建链路质量评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644576.5A CN107302768B (zh) | 2017-07-31 | 2017-07-31 | 一种采用超限学习机综合评估链路质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644576.5A CN107302768B (zh) | 2017-07-31 | 2017-07-31 | 一种采用超限学习机综合评估链路质量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107302768A true CN107302768A (zh) | 2017-10-27 |
CN107302768B CN107302768B (zh) | 2019-10-15 |
Family
ID=60133154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710644576.5A Active CN107302768B (zh) | 2017-07-31 | 2017-07-31 | 一种采用超限学习机综合评估链路质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107302768B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108834170A (zh) * | 2018-07-24 | 2018-11-16 | 南昌航空大学 | 无线传感器网络链路质量评估方法 |
CN109510676A (zh) * | 2019-01-11 | 2019-03-22 | 杭州电子科技大学 | 一种基于量子计算的无线信道预测方法 |
CN109672483A (zh) * | 2018-11-15 | 2019-04-23 | 天津大学青岛海洋技术研究院 | 一种层析式信道质量评估方法 |
CN109981395A (zh) * | 2017-12-28 | 2019-07-05 | 广东电网有限责任公司电力调度控制中心 | 一种光接入网络通道质量评估方法 |
CN110191481A (zh) * | 2019-06-06 | 2019-08-30 | 南昌航空大学 | 一种采用超限快速决策树评估链路质量的方法及系统 |
CN113055245A (zh) * | 2021-03-01 | 2021-06-29 | 珠海格力电器股份有限公司 | 通信链路质量检测方法、装置、设备及计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778417A (zh) * | 2010-03-08 | 2010-07-14 | 南昌航空大学 | 基于cci感知丢包下的无线传感器网络链路质量评估方法 |
CN101867486A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络故障诊断方法 |
CN103581974A (zh) * | 2012-12-26 | 2014-02-12 | 华平信息技术股份有限公司 | 链路质量评估方法及其系统 |
-
2017
- 2017-07-31 CN CN201710644576.5A patent/CN107302768B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778417A (zh) * | 2010-03-08 | 2010-07-14 | 南昌航空大学 | 基于cci感知丢包下的无线传感器网络链路质量评估方法 |
CN101867486A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络故障诊断方法 |
CN103581974A (zh) * | 2012-12-26 | 2014-02-12 | 华平信息技术股份有限公司 | 链路质量评估方法及其系统 |
Non-Patent Citations (1)
Title |
---|
刘松: "基于贝叶斯网络的WSNs链路质量评估机制研究", 《传感器与微系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981395A (zh) * | 2017-12-28 | 2019-07-05 | 广东电网有限责任公司电力调度控制中心 | 一种光接入网络通道质量评估方法 |
CN108834170A (zh) * | 2018-07-24 | 2018-11-16 | 南昌航空大学 | 无线传感器网络链路质量评估方法 |
CN108834170B (zh) * | 2018-07-24 | 2021-04-13 | 南昌航空大学 | 无线传感器网络链路质量评估方法 |
CN109672483A (zh) * | 2018-11-15 | 2019-04-23 | 天津大学青岛海洋技术研究院 | 一种层析式信道质量评估方法 |
CN109510676A (zh) * | 2019-01-11 | 2019-03-22 | 杭州电子科技大学 | 一种基于量子计算的无线信道预测方法 |
CN109510676B (zh) * | 2019-01-11 | 2021-09-21 | 杭州电子科技大学 | 一种基于量子计算的无线信道预测方法 |
CN110191481A (zh) * | 2019-06-06 | 2019-08-30 | 南昌航空大学 | 一种采用超限快速决策树评估链路质量的方法及系统 |
CN113055245A (zh) * | 2021-03-01 | 2021-06-29 | 珠海格力电器股份有限公司 | 通信链路质量检测方法、装置、设备及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107302768B (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107302768A (zh) | 一种采用超限学习机综合评估链路质量的方法 | |
Gupta et al. | Cluster-head election using fuzzy logic for wireless sensor networks | |
CN101867960B (zh) | 一种无线传感器网络性能综合评价方法 | |
CN103987054B (zh) | 一种无线网络传感器网络覆盖的分布式方法 | |
CN100581119C (zh) | 无线传感器网络分布式融合识别方法 | |
CN105207821B (zh) | 一种面向业务的网络综合性能评估方法 | |
CN104468192B (zh) | 一种多尺度多权重链路质量评估的路由方法 | |
CN106549813A (zh) | 一种网络性能的评估方法及系统 | |
CN106934451A (zh) | 一种基于蚁群优化的bp神经网络wsn森林火灾防范系统 | |
CN104320845B (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
CN103581974B (zh) | 链路质量评估方法及其系统 | |
CN104811991B (zh) | 基于动态时间规整算法的无线链路质量预测方法 | |
CN104270807B (zh) | 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 | |
CN103873171B (zh) | 基于多用户互协作的协作频谱感知决策融合方法 | |
CN104394202B (zh) | 一种移动社会网络中的节点活跃度量化方法 | |
CN107333294A (zh) | 一种结合AdaBoost和支持向量机的链路质量预测方法 | |
CN107332631A (zh) | 一种采用多属性群决策理论评价链路质量评估模型的方法 | |
CN105959988A (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
CN106327099A (zh) | 一种通信网络综合性能评定参数权重的确定及调整方法 | |
CN106648089A (zh) | 智能可穿戴产品等级评价方法和系统 | |
CN102612080A (zh) | 基于第二代小波零树编码的最小能耗自适应汇聚路由方法 | |
Xiang et al. | K-terminal reliability of ad hoc networks considering the impacts of node failures and interference | |
Hribar et al. | Utilising correlated information to improve the sustainability of internet of things devices | |
CN106507426A (zh) | 一种新型能耗均衡的传感器网络拓扑演化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |