CN109120435A - 网络链路质量预测方法、装置及可读存储介质 - Google Patents

网络链路质量预测方法、装置及可读存储介质 Download PDF

Info

Publication number
CN109120435A
CN109120435A CN201810846612.0A CN201810846612A CN109120435A CN 109120435 A CN109120435 A CN 109120435A CN 201810846612 A CN201810846612 A CN 201810846612A CN 109120435 A CN109120435 A CN 109120435A
Authority
CN
China
Prior art keywords
link
quality
sample data
link quality
model
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
Application number
CN201810846612.0A
Other languages
English (en)
Other versions
CN109120435B (zh
Inventor
刘琳岚
高声荣
舒坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201810846612.0A priority Critical patent/CN109120435B/zh
Publication of CN109120435A publication Critical patent/CN109120435A/zh
Application granted granted Critical
Publication of CN109120435B publication Critical patent/CN109120435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种网络链路质量预测方法、装置及可读存储介质，该方法包括如下步骤：获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对链路质量样本数据进行链路质量等级划分；采用随机森林分类算法对链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从链路质量样本数据中抽取训练集以构建得到组合分类模型；构建随机森林回归树模型，根据链路质量等级值以及组合分类模型的输出结果预测下一时刻的链路质量等级值。本发明可在链路质量预测过程中，有效减少人为干扰，提高了预测效率以及预测精度。

Description

网络链路质量预测方法、装置及可读存储介质
技术领域
本发明涉及通讯数据处理技术领域，特别涉及一种网络链路质量预测方法、装置及可读存储介质。
背景技术
在电子通讯技术领域中，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而组成，通过无线通信的方式形成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，目前已广泛应用于军事、医疗保健、环境监测以及智能家居等诸多领域。
目前，国内外有关无线传感器网络链路质量预测的研究主要可以分为：基于链路特性的链路质量预测、基于概率估计理论的链路质量预测以及基于智能学习的链路质量预测。其中在智能学习方面，主要采用机器学习、模式匹配等智能学习方法进行建模。采用监督式学习智能算法构建链路预测模型，该链路预测模型将RSSI，LQI以及缓存区大小等多个因素综合考虑作为特征向量进行输入，通过离线训练的方式完成模型建立。实验证明采用机器学习方法在链路预测上具有明显的优势。
然而，现有对链路质量进行预测时，对人工的依赖较大，这在一定程度上将限制网络链路质量的实际预测。
发明内容
基于此，本发明的目的是为了解决现有对链路质量进行预测时，由于对人工的依赖较大，这在一定程度上将限制网络链路质量的实际预测的问题。
本发明提出一种网络链路质量预测方法，其中，所述方法包括如下步骤：
获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分；
采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从所述链路质量样本数据中抽取训练集以构建得到组合分类模型；
构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值。
本发明提出的网络链路质量预测方法，首先在获取多个实验场景下的链路质量样本数据，然后进行链路质量等级划分，再对链路质量样本数据进行计算评估，得到对应的链路质量等级值，为了对下一链路质量等级值进行预测，还需构建随机森林回归树模型，通过该预测模型预测得到下一时刻的链路质量等级值。本发明可在链路质量预测过程中，有效减少人为干扰，提高了预测效率以及预测精度。
另外，本发明提出的网络链路质量预测方法，还可以具有如下附加的技术特征：
所述网络链路质量预测方法，其中，所述获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分的方法包括如下步骤：
选用预设传感器节点，分别布置在预设位置处以收集获取所述链路质量样本数据，所述链路质量样本数据包括包接收率；
根据所述包接收率计算得到对应的概率分布密度，并根据所述概率分布密度对所述链路质量样本数据进行链路质量等级划分。
所述网络链路质量预测方法，其中，所述概率分布密度的表达式为：
其中，p(PRRi)为概率分布密度的高斯混合分布，PRRi为第i个包接收率，ui为第i个高斯模型均值向量，∑j为协方差矩阵，aj为混合系数，
所述网络链路质量预测方法，其中，所述采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值的方法包括如下步骤：
选取确定所述随机森林分类算法中决策树节点的划分属性，其中所述决策树节点以信息增益率作为属性划分标准，所述信息增益率的表达式为：
其中，GR(D,a)为信息增益率，Gain(D,a)为样本集合D中属性a的信息增益，V是属性a的可能取值数目，|D|为全体样本的数目，|Dv|为D中所有在属性a上取值为av的样本，属性a有V个可能的取值a1,a2,...,av。
所述网络链路质量预测方法，其中，所述随机森林分类算法对应有一输入值以及输出值，其中所述输出值为所述链路质量等级值，所述输入值的表达式为：
其中，为物理层参数均值，σ2(PHYi)为物理层参数方差。
所述网络链路质量预测方法，其中，所述从所述链路质量样本数据中抽取训练集以构建得到组合分类模型的方法包括如下步骤：
采用Bootstrap重抽样方法从所述链路质量样本数据中抽取训练集；
根据所述训练集训练多颗决策树，以构建得到所述组合分类模型。
所述网络链路质量预测方法，其中，所述组合分类模型的表达式为：
其中，H(x)为所述组合分类模型，hi(x)为第i颗决策树分类模型，Y为所述链路质量等级值，I(·)为示性函数。
所述网络链路质量预测方法，其中，在所述构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值的步骤中，所述随机森林回归树模型的表达式为：
其中，Yk链路质量组合预测模型，fi(xk)为第i颗决策树预测模型。
本发明还提出一种网络链路质量预测装置，其中，所述装置包括：
数据采样模块，用于获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分；
计算评估模块，用于采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从所述链路质量样本数据中抽取训练集以构建得到组合分类模型；
数据预测模块，用于构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述任意一项所述的网络链路质量预测方法。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提出的网络链路质量预测方法的流程图；
图2为本发明第一实施例中随机森林回归树模型的结构示意图；
图3为本发明第二实施例提出的网络链路质量预测装置的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有对链路质量进行预测时，对人工的依赖较大，这在一定程度上将限制网络链路质量的实际预测。为了解决这一技术问题，本发明提出一种网络链路质量预测方法，请参阅图1与图2，对于本发明第一实施例提出的网络链路质量预测方法，该方法包括如下步骤：
S101，获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分。
在本步骤中，包括如下具体步骤：
(1)选用预设传感器节点，分别布置在预设位置处以收集获取链路质量样本数据，链路质量样本数据包括包接收率。
其中，预设传感器节点为美国Crossbow公司的Telos B节点，预设位置分别为校园广场、校园室内走廊、校园小树林以及校园停车场等四个不同的实验场景。
在本实施例中，在每个实验场景均部署了一小型星型WSNs网络，其中校园广场、校园小树林以及校园停车场部署了9个节点，1个为Sink节点，8个为感知节点；校园室内走廊部署了5个节点，1个为Sink节点，4个为感知节点，节点间距为10m。为了保证数据的多样性以及可靠性，通过连续几天的测量以准确获取不同场景下的链路质量样本数据。
(2)根据包接收率计算得到对应的概率分布密度，并根据概率分布密度对链路质量样本数据进行链路质量等级划分。
在本步骤中，采用GMM高斯混合模型无监督聚类算法，根据包接收率(PRR值)将链路质量样本数据划分为5个等级。GMM高斯混合模型根据高斯概率密度函数的不同(每一个高斯模型都可以看作一种类别，输入一个样本)，通过计算概率密度，与阈值进行判断确定当前样本是否属于该高斯模型。其中，采集得到的链路质量样本数据的样本集D＝{PRR1,PRR2,...PRRm}，该样本集的概率分布密度函数通过加权函数表示为：
其中，p(PRRi)为概率分布密度的高斯混合分布，该分布由k个混合高斯模型组成，PRRi为第i个包接收率，ui为第i个高斯模型均值向量，∑j为协方差矩阵，aj为混合系数，
S102，采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从所述链路质量样本数据中抽取训练集以构建得到组合分类模型。
在本步骤中，具体的，包括如下具体实施步骤：
(1)选取确定随机森林分类算法中决策树节点的划分属性，其中该决策树节点以信息增益率作为属性划分标准，信息增益率的表达式为：
其中，GR(D,a)为信息增益率，Gain(D,a)为样本集合D中属性a的信息增益，V是属性a的可能取值数目，|D|为全体样本的数目，|Dv|为D中所有在属性a上取值为av的样本，属性a有V个可能的取值a1,a2,...,av。
(2)确定随机森林分类算法的结构，其中输入值为物理层参数的均值和方差，输出值为链路质量等级值。
其中，输入值为一输入向量，可表示为：
其中，为物理层参数均值，σ2(PHYi)为物理层参数方差。
(3)采用Bootstrap重抽样方法从原始的链路质量样本数据中抽取训练集。在本步骤中，有63％的样本数据会被重复抽取，而37％的样本数据则从未被抽取。其中，未被抽取的部分数据叫做袋外数据，用袋外数据来检验决策树的分类效果。
(4)根据上述的训练集训练多颗决策树，以构建得到组合分类模型。
其中，该组合分类模型的表达式为：
其中，H(x)为组合分类模型，hi(x)为第i颗决策树分类模型，Y为链路质量等级值，I(·)为示性函数。
S103，构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值。
(1)根据上述组合分类模型的结果，采用滑动窗口方法构建预测模型的样本集，将之前采样获取的的链路质量等级值作为数据集的特征，下一时刻的等级值作为标签值。
(2)构建CART(classification and regression tree)回归树模型，回归树模型的构建采用平方误差最小化原则。
(3)当CART回归树模型构建完成后，将CART回归树模型运用到测试集上进行预测，其中预测模型最终输出的链路质量等级结果值是各决策树模型的均值。
其中，Yk链路质量组合预测模型，fi(xk)为第i颗决策树预测模型。
本发明提出的网络链路质量预测方法，首先在获取多个实验场景下的链路质量样本数据，然后进行链路质量等级划分，再对链路质量样本数据进行计算评估，得到对应的链路质量等级值，为了对下一链路质量等级值进行预测，还需构建随机森林回归树模型，通过该预测模型预测得到下一时刻的链路质量等级值。本发明可在链路质量预测过程中，有效减少人为干扰，提高了预测效率以及预测精度。
请参阅图3，对于本发明第二实施例提出的网络链路质量预测装置，其中，所述装置包括依次连接的数据采样模块11、计算评估模块12以及数据预测模块13；
其中所述数据采样模块11具体用于：
获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分；
所述计算评估模块12具体用于：
采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从所述链路质量样本数据中抽取训练集以构建得到组合分类模型；
所述数据预测模块13具体用于：
构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述任意一项所述的网络链路质量预测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种网络链路质量预测方法，其特征在于，所述方法包括如下步骤：
获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分；
采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从所述链路质量样本数据中抽取训练集以构建得到组合分类模型；
构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值。
2.根据权利要求1所述的网络链路质量预测方法，其特征在于，所述获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分的方法包括如下步骤：
选用预设传感器节点，分别布置在预设位置处以收集获取所述链路质量样本数据，所述链路质量样本数据包括包接收率；
根据所述包接收率计算得到对应的概率分布密度，并根据所述概率分布密度对所述链路质量样本数据进行链路质量等级划分。
3.根据权利要求2所述的网络链路质量预测方法，其特征在于，所述概率分布密度的表达式为：
其中，p(PRRi)为概率分布密度的高斯混合分布，PRRi为第i个包接收率，ui为第i个高斯模型均值向量，∑j为协方差矩阵，aj为混合系数，
4.根据权利要求2所述的网络链路质量预测方法，其特征在于，所述采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值的方法包括如下步骤：
选取确定所述随机森林分类算法中决策树节点的划分属性，其中所述决策树节点以信息增益率作为属性划分标准，所述信息增益率的表达式为：
其中，GR(D,a)为信息增益率，Gain(D,a)为样本集合D中属性a的信息增益，V是属性a的可能取值数目，|D|为全体样本的数目，|Dv|为D中所有在属性a上取值为av的样本，属性a有V个可能的取值a1,a2,...,av。
5.根据权利要求4所述的网络链路质量预测方法，其特征在于，所述随机森林分类算法对应有一输入值以及输出值，其中所述输出值为所述链路质量等级值，所述输入值的表达式为：
其中，为物理层参数均值，σ2(PHYi)为物理层参数方差。
6.根据权利要求4所述的网络链路质量预测方法，其特征在于，所述从所述链路质量样本数据中抽取训练集以构建得到组合分类模型的方法包括如下步骤：
采用Bootstrap重抽样方法从所述链路质量样本数据中抽取训练集；
根据所述训练集训练多颗决策树，以构建得到所述组合分类模型。
7.根据权利要求6所述的网络链路质量预测方法，其特征在于，所述组合分类模型的表达式为：
其中，H(x)为所述组合分类模型，hi(x)为第i颗决策树分类模型，Y为所述链路质量等级值，I(·)为示性函数。
8.根据权利要求1所述的网络链路质量预测方法，其特征在于，在所述构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值的步骤中，所述随机森林回归树模型的表达式为：
其中，Yk链路质量组合预测模型，fi(xk)为第i颗决策树预测模型。
9.一种网络链路质量预测装置，其特征在于，所述装置包括：
数据采样模块，用于获取多个不同实验场景下的链路质量样本数据，采用无监督聚类算法对所述链路质量样本数据进行链路质量等级划分；
计算评估模块，用于采用随机森林分类算法对所述链路质量样本数据进行计算评估，以得到对应的链路质量等级值，并从所述链路质量样本数据中抽取训练集以构建得到组合分类模型；
数据预测模块，用于构建随机森林回归树模型，根据所述链路质量等级值以及所述组合分类模型的输出结果预测下一时刻的链路质量等级值。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至8任意一项所述的网络链路质量预测方法。
CN201810846612.0A 2018-07-27 2018-07-27 网络链路质量预测方法、装置及可读存储介质 Active CN109120435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810846612.0A CN109120435B (zh) 2018-07-27 2018-07-27 网络链路质量预测方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810846612.0A CN109120435B (zh) 2018-07-27 2018-07-27 网络链路质量预测方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN109120435A true CN109120435A (zh) 2019-01-01
CN109120435B CN109120435B (zh) 2021-05-18

Family

ID=64862364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810846612.0A Active CN109120435B (zh) 2018-07-27 2018-07-27 网络链路质量预测方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN109120435B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135482A (zh) * 2019-04-30 2019-08-16 中国地质大学（武汉） 一种基于卷积神经网络的网络拓扑推断方法及系统
CN110233684A (zh) * 2019-07-04 2019-09-13 中国联合网络通信集团有限公司 信噪比评估方法、装置、设备及存储介质
CN110278131A (zh) * 2019-07-16 2019-09-24 迈普通信技术股份有限公司 链路质量评估方法、装置、电子设备及可读存储介质
CN110516376A (zh) * 2019-08-29 2019-11-29 合肥工业大学 一种基于随机森林模型的集成电路x值灵敏度预测方法
CN110662232A (zh) * 2019-09-25 2020-01-07 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
WO2021147251A1 (zh) * 2020-01-20 2021-07-29 平安科技（深圳）有限公司 物联网设备连接测试方法、装置、计算机设备及存储介质
CN113408094A (zh) * 2021-08-20 2021-09-17 南京迈一勤电子科技有限公司 基于物理层参数的无线链路质量快速预测方法
CN116170360A (zh) * 2022-12-08 2023-05-26 中国联合网络通信集团有限公司 网络质量评估方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107333294A (zh) * 2017-07-31 2017-11-07 南昌航空大学 一种结合AdaBoost和支持向量机的链路质量预测方法
CN108076158A (zh) * 2018-01-08 2018-05-25 苏州大学 基于朴素贝叶斯分类器的最小负载路由选择方法及系统
CN108231067A (zh) * 2018-01-13 2018-06-29 福州大学 基于卷积神经网络与随机森林分类的声音场景识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107333294A (zh) * 2017-07-31 2017-11-07 南昌航空大学 一种结合AdaBoost和支持向量机的链路质量预测方法
CN108076158A (zh) * 2018-01-08 2018-05-25 苏州大学 基于朴素贝叶斯分类器的最小负载路由选择方法及系统
CN108231067A (zh) * 2018-01-13 2018-06-29 福州大学 基于卷积神经网络与随机森林分类的声音场景识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STACEY J. WINHAM 等: "A weighted random forests approach to improve predictive performance", 《STATISTICAL ANALY DATA MINING》 *
舒坚 等: "基于AdaBoost的链路质量预测机制研究", 《通信学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135482A (zh) * 2019-04-30 2019-08-16 中国地质大学（武汉） 一种基于卷积神经网络的网络拓扑推断方法及系统
CN110233684A (zh) * 2019-07-04 2019-09-13 中国联合网络通信集团有限公司 信噪比评估方法、装置、设备及存储介质
CN110233684B (zh) * 2019-07-04 2021-09-07 中国联合网络通信集团有限公司 信噪比评估方法、装置、设备及存储介质
CN110278131A (zh) * 2019-07-16 2019-09-24 迈普通信技术股份有限公司 链路质量评估方法、装置、电子设备及可读存储介质
CN110516376A (zh) * 2019-08-29 2019-11-29 合肥工业大学 一种基于随机森林模型的集成电路x值灵敏度预测方法
CN110516376B (zh) * 2019-08-29 2023-03-24 合肥工业大学 一种基于随机森林模型的集成电路x值灵敏度预测方法
CN110662232A (zh) * 2019-09-25 2020-01-07 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
CN110662232B (zh) * 2019-09-25 2020-06-30 南昌航空大学 一种采用多粒度级联森林评估链路质量的方法
WO2021147251A1 (zh) * 2020-01-20 2021-07-29 平安科技（深圳）有限公司 物联网设备连接测试方法、装置、计算机设备及存储介质
CN113408094A (zh) * 2021-08-20 2021-09-17 南京迈一勤电子科技有限公司 基于物理层参数的无线链路质量快速预测方法
CN116170360A (zh) * 2022-12-08 2023-05-26 中国联合网络通信集团有限公司 网络质量评估方法、装置及存储介质

Also Published As

Publication number Publication date
CN109120435B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN109120435A (zh) 网络链路质量预测方法、装置及可读存储介质
CN107016464B (zh) 基于动态贝叶斯网络的威胁估计方法
CN106991666B (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN107247938A (zh) 一种高分辨率遥感影像城市建筑物功能分类的方法
CN104035996B (zh) 基于Deep Learning的领域概念抽取方法
Wu et al. A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology
CN106997669A (zh) 一种基于特征重要性的判断交通拥堵成因的方法
CN111931505A (zh) 一种基于子图嵌入的跨语言实体对齐方法
CN103324954A (zh) 一种基于树结构的图像分类方法及其系统
Hamidi et al. Analysis of plot-level volume increment models developed from machine learning methods applied to an uneven-aged mixed forest
CN110348526A (zh) 一种基于半监督聚类算法的设备类型识别方法和装置
CN110363049A (zh) 图形元素检测识别和类别确定的方法及装置
CN109785618A (zh) 一种基于组合逻辑的短时交通流预测方法
CN108805193A (zh) 一种基于混合策略的电力缺失数据填充方法
CN105654136A (zh) 一种基于深度学习的大规模遥感影像目标自动识别方法
CN110213003A (zh) 一种无线信道大尺度衰落建模方法及装置
CN106656357A (zh) 一种工频通信信道状态评估系统和方法
Ullah et al. Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids
CN116010813A (zh) 基于图神经网络融合标签节点影响度的社区检测方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN104463252A (zh) 一种基于自适应极限学习机的地基云分类方法
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN114372631A (zh) 一种基于小样本学习和lstm的缺资料地区径流预测方法
CN116777046A (zh) 交通预训练模型构建和交通预测方法、装置及电子设备
Wu et al. Identifying potential standard essential patents based on text mining and generative topographic mapping

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