CN109787699A - 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 - Google Patents

Abstract

本发明提供一种基于混合深度模型的无线传感器网络路由链路状态预测方法。该方法挖掘节点路由时序信息和局部环境信息，例如链路质量时序信息，环境其他无线电波干扰等，利用深度学习从海量数据中特征抽取的特性，完成链路的建模过程。该方法和传统的方法比，对链路质量的预测比传统的简单模型更加精准，能够为其他方法提供更加细粒度的服务。

Description

一种基于混合深度模型的无线传感器网络路由链路状态预测 方法

技术领域

本发明属于无线自组织网络与传感器网络领域，涉及无线传感器动态路由选择技术，用于帮助无线传感器网络节点路由性能，提升无线传感器网络的数据吞吐量。

背景技术

随着通信技术、传感器技术和嵌入式计算技术的快速发展和日益成熟，具有通信、传感和计算能力的微型传感器节点开始出现，并且被逐渐的应用到生产和生活之中。这种传感器网络能够协调地感知、采集和处理网络覆盖区域内的各种环境或监测对象信息，并发布给需要这些信息的用户。传感器网络将逻辑上的信息世界与真实的物理世界融合在一起，深刻地改变了人与自然的交互方式，可广泛地应用于环境监测、工农业控制、生物医疗、国防军事等诸多领域。

无线传感器网络和环境深入结合，同时也被环境中的一些因素所影响，例如天气的改变，城市的车流和Wi Fi信号等。这些未知的动态性都会对无线传感器网络的无线链路带入不可估量的影响，从而导致系统性能的剧烈波动。

为了适应网络的动态性，动态路由协议在自组织网络中已经被广泛采用。在这类协议中，路由链路周期性的更新，从而保证了全网的路由一致性。因为动态路由协议已经被大规模无线传感器网络广泛采用，那么剧烈波动的系统性能是不可被接受的。协议设计师们从小型的实验床上得出的实验经验来指导动态路由协议的设计，但往往忽视了基础的问题，尤其是路由质量的恶化，很大程度上影响了网络吞吐量，造成大量数据包被丢弃，并导致路由环路的产生。路由环路又分为两类，一类是短暂的路由环路，这类环路可以避免数据包在原先链路不通畅的情况下，暂时在网络中传递，当有数据出口时，可在牺牲时延的情况下送到汇聚点；还有一类是长时间的路由环路，这类环路往往由于网络孤岛或者程序的错误导致，数据包在这类路由环路中传递毫无意义，需要极力避免，从而减少整个网络的能量开销。

然而，探究路由链路质量是非常有挑战性的。首先，大规模传感网系统的部署和数据收集都相对困难，网络管理员很难收集完整的路由决策过程的信息。其次路由决策的影响范围在分布式网络中也很难被估量。再次，由于无线传感器网路自身设备的局限性，往往无法获得精细的数据。所以如果能够获知路由链路质量，均可为节点的路由决策提供帮助，从而大大减少了由于路由切换不合理带来的能量损失。根据局部路由信息和环境状态分析预测路由链路质量，可以优化无线传感器网络的路由策略。本方法即在此范畴内。

发明内容

本发明提供一种基于混合深度模型的无线传感器网络路由链路状态预测方法。该方法挖掘节点路由时序信息和局部环境信息，例如链路质量时序信息，环境其他无线电波干扰等，利用深度学习从海量数据中特征抽取的特性，完成链路的建模过程。该方法和传统的方法比，对链路质量的预测比传统的简单模型更加精准，能够为其他方法提供更加细粒度的服务。

对于路由链路质量的建模，主要是预测链路传输的成功率。本发明方法预测的目标为即当节点从t时刻开始的[t,t+p(t)]时段内，传输的数据包被接收节点成功接收的比率。

本发明使用新型预测模型LCNet进行预测。LCNet整合卷积神经网络(CNN,convolutional network)和长短期记忆网络(LSTM,Long short-term memory network)来预测链路质量。

本发明利用链路传输成功率自身在历史上某些片段上的时序相关性，以及结合环境中的影响因子来训练链路数据传输成功率的模型，从而得到未来链路质量有效估计。

本发明技术方案描述中，各函数的定义如下：

定义链路传输成功率为一系列数据点X＝{x_1,x_2,…x_T}；

历史传输成功率序列样本定义为S＝{<l_k,s_k>}；其中l_k表示历史上某一个时间段{t_0,t_1,…,t_n}的数据传输成功率的取值，s_k表示接下来的是一个时间点t_n+1的数据传输成功率；

观测到的可能会影响链路质量的环境时序信息表示为E＝{e_1,e_2,….e_W}， W为观测窗口，W通过经验获取；

本发明的技术方案为：

1、通过LSTM模型捕捉链路传输成功率的长期历史规律，定义为R(S)；

2、通过CNN模型对环境因素进行建模和抽取特征，捕捉短期环境对当前链路质量的影响，定义为C(E)；

3、通过特征的聚合形成混合模型对未来链路传输成功率进行预测。

训练函数模型为：

优选的，步骤1中，把每个历史周期{t_0,t_1,…,t_n}的传输成功率时间序列和下一个时间点的传输成功率输入LSTM模型中；

进一步优选的，所述LSTM模型模型中第K个步骤的J个神经元表示为输出表示为此神经元的激活层表示为：

其中是LSTM神经元的输出门，其中，W_o、U_o、V_o是神经网络权重矩阵，其初始值为随机数。

其中[l_k,s_k]中l_k表示历史上某一个时间段{t_0,t_1,…,t_n}的数据传输成功率的取值，s_k表示接下来的下一个时间点t_n+1的数据传输成功率，h_k-1和c_k表示激活层的向量化，δ是logistic sigmoid函数，

更进一步优选的，所述神经元通过部分遗忘历史内容，添加新的记忆来更新所述遗忘更新函数为： 为了计算遗忘哪些历史内容以及确定添加多少新的内容，和的计算如下：

其中W_f、U_f、W_i、U_i是神经网络权重矩阵，其初始值为随机数，V_f和V_i是对角矩阵，；

优选的，所述步骤2中，将观测到的可能会影响链路质量的环境时序信息E＝{e_1,e_2,….e_W}作为CNN的输入，

进一步优选的，所述CNN包括H层1维的卷积叠加，以及激活和池化的方法；

更进一步优选的，最后通过一个最大化的池化方法做为整个CNN的输出；表示为：其中x是m*m阶矩阵，k是n*n阶矩阵， Z矩阵是卷积后的矩阵；

优选的，所述步骤3中特征的聚合包括LSTM的输出层和CNN的输出层，两者组成混合的特征模型；将混合的特征模型输入到汇总模型中得到对未来链路传输成功率的预测，

进一步优选的，所述汇总模型的输出层是一个全连接层，表示为：

其中，W^T和W^C是神经网络权重矩阵，其初始值为随机数。

其中φ表示ReLU激活函数，W^o和b^o是输出层的权重和误差估计，最后引入 L2正则化进行估计。

具体实施方式

下面结合实施例对本发明作进一步说明，但这些实施例不构成对本发明的保护范围限制。

本发明技术方案描述中，各函数的定义如下：

定义链路传输成功率为一系列数据点X＝{x_1,x_2,…x_T}；

历史传输成功率序列样本定义为S＝{<l_k,s_k>}；其中l_k表示历史上某一个时间段{t_0,t_1,…,t_n}的数据传输成功率的取值，s_k表示接下来的是一个时间点t_n+1的数据传输成功率；

观测到的可能会影响链路质量的环境时序信息表示为E＝ {e_1,e_2,….e_W},W为观测窗口，W通过经验获取；

1、通过LSTM模型捕捉链路传输成功率的长期历史规律，

把每个历史周期{t_0,t_1,…,t_n}的传输成功率时间序列和下一个时间点的传输成功率输入LSTM模型中；

所述LSTM模型中第K个步骤的J个神经元表示为输出表示为此神经元的激活层表示为：

其中是LSTM神经元的输出门，其中，W_o、U_o、V_o是神经网络权重矩阵，其初始值为随机数。

其中[l_k,s_k]中，l_k表示历史上某一个时间段{t_0,t_1,…,t_n}的数据传输成功率的取值，s_k表示接下来的下一个时间点t_n+1的数据传输成功率，h_k-1和c_k表示激活层的向量化，δ是logistic sigmoid函数，

神经元记忆细胞通过部分遗忘历史内容，添加新的记忆来更新所述遗忘更新函数为：(W_c、 U_c是神经网络权重矩阵，其初始值为随机数)，为了计算遗忘哪些历史内容以及确定添加多少新的内容，和的计算如下：

其中W_f、U_f、W_i、U_i是神经网络权重矩阵，其初始值为随机数，V_f和V_i是对角矩阵；

2、通过CNN模型对环境因素进行建模和抽取特征，捕捉短期环境对当前链路质量的影响，观测到的可能会影响链路质量的环境时序信息E作为CNN的输入， CNN包括H层1维的卷积叠加，以及激活和池化的方法。最后通过一个最大化的池化方法做为整个CNN的输出：

其中x是m*m阶矩阵，k是n*n阶矩阵，Z矩阵是卷积后的矩阵。

3、通过特征的聚合形成混合模型对未来链路传输成功率进行预测；

特征的聚合包括LSTM的输出层和CNN的输出层，两者组成混合的特征模型；将混合的特征模型输入到汇总模型中得到对未来链路传输成功率的预测，汇总模型的输出层是一个全连接层，表示为：

其中，W^T和W^C是神经网络权重矩阵，其初始值为随机数。

其中φ表示ReLU激活函数，W^o和b^o是输出层的权重和误差估计(训练后得到输出层和误差估计)，最后引入L2正则化进行估计：

其中W和b分别表示网络的权重和误差估计，λ是正则化的超参数。

以上对本发明所提供的基于混合深度模型的无线传感器网络路由链路状态预测方法进行了详尽介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，对本发明的变更和改进将是可能的，而不会超出附加权利要求所规定的构思和范围，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于混合深度模型的无线传感器网络路由链路状态预测方法，其特征在于，包括如下步骤：

(1)通过LSTM模型捕捉链路传输成功率的长期历史规律，定义为R(S)；

(2)通过CNN模型对环境因素进行建模和抽取特征，捕捉短期环境对当前链路质量的影响，定义为C(E)；

(3)通过特征的聚合形成混合模型对未来链路传输成功率进行预测，

训练函数模型为：

2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，把每个历史周期{t_0,t_1,…,t_n}的传输成功率时间序列和下一个时间点的传输成功率输入LSTM模型中。

3.如权利要求2所述的方法，其特征在于，所述LSTM模型模型中第K个步骤的J个神经元表示为输出表示为此神经元的激活层表示为： 其中是LSTM神经元的输出门， 其中，W_o、U_o、V_o是神经网络权重矩阵，[l_k，s_k]中，l_k表示历史上某一个时间段{t_0,t_1,…,t_n}的数据传输成功率的取值，s_k表示接下来的是一个时间点t_n+1的数据传输成功率，h_k-1和c_k表示激活层的向量化，δ是logistic sigmoid函数。

4.如权利要求3所述的方法，其特征在于，所述神经元通过部分遗忘历史内容，添加新的记忆来更新所述遗忘更新函数为： 为了计算遗忘哪些历史内容以及确定添加多少新的内容，和的计算如下：

其中W_f、U_f、W_i、U_i是神经网络权重矩阵，V_f和V_i是对角矩阵。

5.如权利要求1所述的方法，其特征在于，所述步骤(2)中，将观测到的可能会影响链路质量的环境时序信息E＝{e_1,e_2,….e_W}作为CNN的输入，W为观测窗口，W通过经验获取。

6.如权利要求5所述的方法，其特征在于，所述CNN包括H层1维的卷积叠加，以及激活和池化的方法。

7.如权利要求6所述的方法，其特征在于，所述步骤(2)最后通过一个最大化的池化方法做为整个CNN的输出，表示为：其中x是m*m阶矩阵，k是n*n阶矩阵，Z矩阵是卷积后的矩阵。

8.如权利要求1所述的方法，其特征在于，所述步骤(3)中特征的聚合包括LSTM的输出层和CNN的输出层，两者组成混合的特征模型；将混合的特征模型输入到汇总模型中得到对未来链路传输成功率的预测。

9.如权利要求8所述的方法，其特征在于，所述汇总模型的输出层是一个全连接层，表示为：其中φ表示ReLU激活函数，W^T和W^C是神经网络权重矩阵，W^o和b^o是输出层的权重和误差估计，最后引入L2正则化进行估计。

10.如权利要求9所述的方法，其特征在于，所述L2正则化估算的公式为：其中W和b分别表示网络的权重和误差估计，λ是正则化的超参数。