CN110061884B - 预测无线传感网络高速链路未来短期内数据包接收率的方法 - Google Patents

预测无线传感网络高速链路未来短期内数据包接收率的方法 Download PDF

Info

Publication number
CN110061884B
CN110061884B CN201910355331.XA CN201910355331A CN110061884B CN 110061884 B CN110061884 B CN 110061884B CN 201910355331 A CN201910355331 A CN 201910355331A CN 110061884 B CN110061884 B CN 110061884B
Authority
CN
China
Prior art keywords
value
data
data packet
receiver
packet
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.)
Active
Application number
CN201910355331.XA
Other languages
English (en)
Other versions
CN110061884A (zh
Inventor
鲁琛
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.)
Wuxi Institute of Technology
Original Assignee
Wuxi Institute of Technology
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 Wuxi Institute of Technology filed Critical Wuxi Institute of Technology
Priority to CN201910355331.XA priority Critical patent/CN110061884B/zh
Publication of CN110061884A publication Critical patent/CN110061884A/zh
Application granted granted Critical
Publication of CN110061884B publication Critical patent/CN110061884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于硬
Figure DEST_PATH_IMAGE002
‑带支持向量回归机的预测无线传感网络高速链路未来短期内数据包接收率的方法，属于无线传感网络技术领域，是一种基于硬
Figure 127239DEST_PATH_IMAGE002
‑带支持向量回归机的、根据少量数据包的信噪比、链路质量指数和数据包接收率预测高速链路未来短期内数据包接收率的方法。包括接收机统计接收数据包的平均信噪比、平均链路质量指数和数据包接收率PRR；计算机线下训练基于硬
Figure 372276DEST_PATH_IMAGE002
‑带的支持向量回归机模型；接收机线上使用基于硬
Figure 152013DEST_PATH_IMAGE002
‑带的支持向量回归机模型预测高速链路未来短期内数据包接收率。本发明克服了其他拟合方法受异常数据点影响较大的缺点，进行了合理的理论创新，实际预测准确率高。

Description

预测无线传感网络高速链路未来短期内数据包接收率的方法
技术领域
本发明预测无线传感网络高速链路未来短期内数据包接收率的方法属于无线传感网络技术领域，是一种基于硬
Figure BDA0002045232010000011
-带支持向量回归机的、根据少量数据包的信噪比、链路质量指数预测无线传感网络高速链路未来短期内数据包接收率的方法。
背景技术
数据包接收率(以下简称PRR)是衡量一段特定的时间内链路质量的参数，其时间范围可以是长期的，也可以是短期的。由于无线信号受环境、多径衰落等因素的影响较大，很多无线传感网络节点的接收信号功率随时间剧烈变化，因此统计或预测长期的数据包接收率对预测短期内链路质量并无大的参考价值。虽然如此，短期内无线信号有波动性，表现为短期内链路质量有一定相关性，因此可以用当前获得的数据包的参数预测短期内的链路质量，如PRR。
目前，预测无线传感网络短期内PRR可用以下参量进行预测：信噪比(以下简称SNR)、链路质量指数(以下简称LQI)、当前PRR，这些参量的获取方法以及采用单一的参量预测无线传感网络高速链路数据包接收率存在如下缺点：
1)信噪比SNR
信噪比SNR可由无线射频芯片中获得的参数通过一定计算得到，以CC2420 为例，该芯片有一个内置的接收信号强度指示寄存器RSSI_VAL，接收到数据包后，读取该寄存器，获得的值减去45dB即可得该数据包的接收信号功率，空闲时(在接收数据包的间隙)读取信号强度指示寄存器RSSI_VAL的值减去45dB 可得噪声功率，这两个功率之差就是SNR。SNR和PRR之间有单调增加的对应关系，但实测中只可能统计接收到的数据包的接收信号功率，而无法统计未接收到的数据包的信号功率，因此，统计这一参量预测无线传感网络高速链路未来短期内数据包接收可能性存在固有偏差。
2)链路质量指数LQI
LQI指示接收到的数据包的差错率，CC2420芯片提供了一个平均相关值 Corr，LQI可由(Corr-a)·b计算得到(a和b是常数，在0-255之间)，通常，得到的LQI在50-110之间，但是，相对于接收信号功率，LQI变化更为剧烈，而且实测中也只可能统计接收到的数据包的LQI，因此，统计这一参量预测无线传感网络高速链路未来短期内数据包接收可能性存在更大的固有偏差。
3)当前PRR
对当前一个时间窗口内的数据包接收情况进行统计，将统计得到的PRR 值认为是短期内PRR，这种统计方法的固有缺点是对接收信号功率变化反应很差，而当前接收信号功率的变化恰恰反映了未来短期内接收信号功率的变化趋势。
可见，获取上述的单一参量预测无线传感网络高速链路未来短期内数据包 PRR存在明显的不足。
预测PRR通常采用最小二乘法等方法进行拟合，但实际应用中，这类方法不能有效剔除或减小异常数据点造成的误差，因此拟合误差较大。
发明内容
本发明的目的是针对上述不足之处提供一种预测无线传感网络高速链路未来短期内数据包接收率的方法，是一种基于硬
Figure BDA0002045232010000021
-带支持向量回归机的、将SNR、 LQI和当前PRR融合，仅通过少量数据包就可预测无线传感网络高速链路未来短期内数据包接收率的方法，解决了现有的如下两个问题：1、单一参量预测无线传感网络高速链路未来短期内数据包PRR存在的明显不足；2、不能剔除或减小异常数据点造成的误差，因此拟合误差较大。
本发明是采取以下技术方案实现的。
预测无线传感网络高速链路未来短期内数据包接收率的方法，包括如下步骤：
1)接收机计算t个批次数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR和未来短期内数据包接收率PRR，其中t不小于1000，典型值为2000；
2)计算机线下训练基于硬ε-带的支持向量回归机模型；
2-1)初步生成建模集数据；
2-2)线性回归机模型的建立；
3)接收机线上使用基于硬ε-带的支持向量回归机模型预测高速链路未来短期内数据包接收率；
3-1)接收机计算数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR；
3-2)接收机使用基于硬ε-带的支持向量回归机模型预测高速链路未来短期内数据包接收率。
进一步的，所述步骤(1)接收机的计算过程中，逐一计算第1批次、第2批次，……第t批次数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR 和未来短期内数据包接收率PRR；其中统计第i个批次的数据包的具体过程如下：
其中，i＝1,2,…,t；
当发射机和接收机的位置固定后，
先开启接收机的无线接收模块；
再开启发射机的无线发送模块，发射机发送mi个长度为size个字节的数据包，数据包的发送间隔在5毫秒到50毫秒之间随机取值，此处的i与对应批次的i值相同，mi在10到20之间随机取值，mi的典型值是10，mi的值确定之后需进行保存；size在20到30之间取值，典型值是25，本发明中，所有size均取值为25；每个数据包中的第mdomain个字节记录为mi，其中mdomain在1 到25之间自由取值；
发射机再发送ni个长度为size个字节的数据包，此处size的取值需和上述 size保持一致，ni在10到20之间随机取值，并且应通过与上述保存的mi值进行对比，以确保ni取值与mi不同；数据包的发送间隔在5毫秒到50毫秒之间随机取值，每个数据包中的第ndomain个字节都记录为ni，其中ndomain在1 到25之间自由取值；随后，发射机3秒内不再发送数据包；
接收机开启无线接收模块后立即新建一个接收机噪声基底表，该噪声基底表含NoiseNum个条目，NoiseNum在6到12之间随机取值，典型值是8；接收机以60ms为周期定时采样信道空闲时的接收信号功率，作为一次噪声基底的样本值并用该值替换噪声基底表中最旧的条目；每8次采样后重新计算基底表所有NoiseNum个条目的平均值，以此作为噪声基底值Noise，由本步骤可见，噪声基底值Noise是实时更新的；
对于上述发射机发送的一个字节记录为mi的数据包类型，接收机接收到第 1个该类数据包后解析并记录该数据包中包含的mi的值，设置一个定时器T1并将其触发时间设置为2.5秒；
与此同时，接收机每接收到上述发射机发送的一个字节记录为mi的数据包类型，就读取的该数据包的LQI并将该值累加到第i批次数据包总的LQI值中，并将累加后的LQI值记为TotalLQIi；接收机再读取该数据包的接收信号功率，用读取到的接收信号功率减去上述步骤中实时计算的噪声基底值Noise，得到该数据包的SNR值，将该SNR值累加到第i批次数据包总的SNR值中，并将累加后的SNR值记为TotalSNRi，然后将接收个数增加1，累加后的数据包接收个数记为ToalReceivedi；
对于前述步骤中发射机发送的一个字节记录为ni的数据包类型，接收机接收到第i个该类数据包，就记录该类数据包中保存的ni，每接收到一个该类数据包，就将未来短期内数据包接收数增加1，当前述的定时器T1触发时，未来短期内数据包接收数记为FutureReceivedNumi；
接收机的定时器T1触发后，按下述公式(1)计算第i批次数据包接收率CurrentPRRi；
Figure BDA0002045232010000031
按下述公式(2)计算第i批次数据包平均LQI在[40,110]内的归一化值，该归一化值记为AverageLQIi；
Figure BDA0002045232010000032
按下述公式(3)计算第i批次数据包平均SNR在[-10,50]内的归一化值，该归一化值记为AverageSNRi；
Figure BDA0002045232010000033
按下述公式(4)计算第i批次未来短期内数据包接收率PRR，该值记为FuturePRRi；
Figure BDA0002045232010000034
并将上述得到的CurrentPRRi、AverageLQIi、AverageSNRi和FuturePRRi上传至计算机。
进一步的，所述步骤(2-1)初步生成建模集数据，其具体过程包括：
2-1-1)将步骤(1)中计算机获得的第i批次数据包接收率CurrentPRRi、第 i批次数据包平均LQI归一化值AverageLQIi、第i批次数据包平均SNR归一化值AverageSNRi组成建模集数据的输入量PKTi：
PKTi＝[CurrentPRRi,AverageLQIi,AverageSNRi]
其中，i＝1,2,...,t，符号“[]”表示组成特征向量，再将CurrentPRRi、AverageLQIi、AverageSNRi分别简记为xi1、xi2、xi3，则PKTi＝[xi1,xi2,xi3]。
2-1-2)将步骤(1)中计算机获得的未来短期内数据包接收率PRR值 FuturePRRi简记为Outputi，作为建模集数据的输出量，则0≤FuturePRRi≤1， 0≤Outputi≤1，同样i＝1,2,...,t。
进一步的，所述步骤(2-2)线性回归机模型的建立，采用线性回归机计算回归函数。
根据通信理论，由于AverageLQIi和AverageSNRi分别和数据包接收率有一定线性正比例关系，CurrentPRRi跟未来短期内数据包接收率也有相关关系，因此本发明中，Outputi与xi1、xi2、xi3有下述函数关系：
ω1·xi1+ω2·xi2+ω3·xi3+η·Outputi+b＝0(5)
其中，ω1、ω2、ω3、η、b都是变量，可在实数范围内任意取值，需要根据不同的模型寻找其最优值，由变量ω1、ω2、ω3、η组成的四维行向量 (ω1,ω2,ω3,η)T是方程为上述(5)的四维超平面的法向量，b是该四维超平面到原点之间的距离，符号“·”表示进行数学上的乘法运算，以下步骤公式中的符号“·”和ω1、ω2、ω3、η、b也具有相同含义。由公式(5)可求出回归函数如下：
Figure BDA0002045232010000041
根据硬
Figure BDA0002045232010000042
-带超平面理论，可用
Figure BDA0002045232010000043
组成新的训练集，其中
Figure BDA0002045232010000044
Figure BDA0002045232010000045
是数据点，符号“{}”表示组成训练集，数据点举例说明如下：
Figure BDA0002045232010000046
表示坐标为
Figure BDA0002045232010000047
的数据点对应的输出量是1，然后用线性分类机对 NewTrainingSet进行分类，最后用得到的分类超平面的表达式得到回归函数。本发明发明针对训练集所有数据点能被超平面正确分类和部分数据点不能被超平面正确分类两种情况建立创新性的线性分类机模型，然后将训练集数据 NewTrainingSet带入模型进行训练，得到分类表达式，进而得到回归函数。
步骤(2-2)线性回归机模型的建立，具体过程包括：
2-2-1)建立训练集所有数据点能被超平面正确分类时的模型；
当所述步骤(2-2)的训练集NewTrainingSet中的所有数据点能被超平面正确分类时，模型建立过程如下：
决策超平面的方程是，
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝0(7)；
第一个支持超平面的方程是，
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝-1(8)；
第二个支持超平面的方程是，
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝1(9)；
经计算，两个支持超平面的间距d表达式如下，
Figure BDA0002045232010000051
其中，
Figure BDA0002045232010000052
因此，当所述步骤(2-2)训练集NewTrainingSet中的所有数据点能被决策超平面正确分类时，本发明的分类机模型是，
Figure BDA0002045232010000053
Figure BDA0002045232010000054
其中，
Figure BDA0002045232010000055
应大于下列最优化问题的最优值εinf：
Figure BDA0002045232010000056
上述模型(13)的含义是：ω1,ω2,ω3,b,ε为变量，在满足 -ε≤Outputi-((ω1·xi1+ω2·xi2+ω3·xi3)+b)≤ε,i＝1,...,t.的约束下，求ε的最小值，记该最小值为εinf。
由于规划问题通常是求最小值，因此将上述模型(11)和(12)改写并省略最后的数字1，得如下形式，
Figure BDA0002045232010000061
Figure BDA0002045232010000062
通常，
Figure BDA0002045232010000063
的取值应满足，
Figure BDA0002045232010000064
一般取，
Figure BDA0002045232010000065
上述模型(14)和(15)的含义是：按上述(17)式给定
Figure BDA0002045232010000066
ω1,ω2,ω3,b为变量，在ω1,ω2,ω3,b满足上述(15)式约束条件下，求表达式(14)的最小值。当模型(14)和(15) 达到最优解时，ω1,ω2,ω3,b对应的取值是
Figure BDA0002045232010000067
将其替换公式(6)中的ω1,ω2,ω3,b，并让公式(6)中η＝-1，得回归函数
Figure BDA0002045232010000068
2-2-2)训练集所有数据点能被超平面正确分类时模型的训练和回归函数的计算；
将训练集所述步骤(2-2)的训练集NewTrainingSet中的所有数据点带入上述模型(13)，求得最优值εinf，
Figure BDA0002045232010000069
按上述公式(17)取值，再将训练集所述步骤(2-2) 的训练集NewTrainingSet中的所有数据点带入上述模型(14)和(15)，求得表达式 (14)达到最小值时，ω1,ω2,ω3,b的取值是
Figure BDA00020452320100000610
用
Figure BDA00020452320100000611
替换公式(6)中的ω1,ω2,ω3,η,b，计算得到回归函数(该函数如上述公式(18)所示)。将步骤(2-1)中xi1、xi2、xi3的定义带入，可得最终的回归函数为
Figure BDA00020452320100000612
2-2-3)建立部分训练集数据点不能被超平面正确分类时的模型；
当训练集所述步骤(2-2)的训练集NewTrainingSet中的部分数据点不能被超平面正确分类时，根据硬
Figure BDA00020452320100000613
-带超平面理论和线性分类机的最大间隔法，决策超平面的方程是，
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝0(20)；
第一个支持超平面的方程是，ω1·x1+ω2·x2+ω3·x3-1·Output+b＝-1(21)；
第二个支持超平面的方程是，
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝1(22)；
经计算，两支持超平面的间距d表达式如下，
Figure BDA0002045232010000071
其中，
Figure BDA0002045232010000072
对于能被第一个支持超平面正确分类(处于第一个支持超平面以上)的训练集数据点
Figure BDA0002045232010000073
满足
Figure BDA0002045232010000074
即
Figure BDA0002045232010000075
对于能被第二个支持超平面正确分类(处于第二个支持超平面以下)的训练集数据点
Figure BDA0002045232010000076
满足
Figure BDA0002045232010000077
即
Figure BDA0002045232010000078
对于不能被第二个支持超平面正确分类(处于第二个支持超平面以上)的训练集数据点
Figure BDA0002045232010000079
满足
Figure BDA00020452320100000710
即
Figure BDA00020452320100000711
对于不能被第一个支持超平面正确分类(处于第一个支持超平面以下)的训练集数据点
Figure BDA00020452320100000712
满足
Figure BDA00020452320100000713
即
Figure BDA00020452320100000714
对于能被正确分类的数据点，设置其惩罚函数φi＝0；对于不能被正确分类的数据点，应对其进行惩罚，设置其惩罚函数为该数据点到决策超平面之间的距离，计算公式如下
Figure BDA00020452320100000715
综合以上，当训练集所述步骤(2-2)的训练集NewTrainingSet中的部分数据点不能被超平面l正确分类时，本发明的分类机模型是
Figure BDA0002045232010000081
其中，取
Figure BDA0002045232010000082
C的取值满足0.01<C<0.2，一般取C＝0.1。
φi按下述公式计算
Figure BDA0002045232010000083
上述公式(35)～(37)中，ω1·xi1+ω2·xi2+ω3·xi3-Outputi+b和
Figure BDA0002045232010000084
的所有关系只有如下一种情况未包含在内：
Figure BDA0002045232010000085
并且
Figure BDA0002045232010000086
此种情况是自相矛盾的，因此不存在。
2-2-4)部分训练集数据点不能被超平面正确分类时模型的训练和回归函数的计算
将训练集所述步骤(2-2)的训练集NewTrainingSet中的所有数据点带入上述模型(13)，求出模型(13)的最优值εinf(其模型求解过程见步骤(2-2-1))，取
Figure BDA0002045232010000087
C＝0.1，以ω1,ω2,ω3,b为变量，将训练集所述步骤(2-2)的训练集 NewTrainingSet中的所有数据点代入模型(34)～(37)，计算模型(34)～(37)的最优解。当模型(34)～(37)达到最优解时，ω1,ω2,ω3,b对应的取值是
Figure BDA0002045232010000088
将其替换公式(6)中的ω1,ω2,ω3,b，并将公式(6)中η取-1，得回归函数
Figure BDA0002045232010000089
进一步的，所述步骤(3-1)接收机计算数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR，其具体过程包括：
3-1-1)当发射机和接收机的位置固定后，先开启接收机的无线接收模块，再开启发射机的无线发送模块，发射机发送u个长度为size个字节的数据包，数据包的发送间隔在5毫秒到50毫秒之间随机取值，但数据包的发送间隔须相等，这里记为Period毫秒，u在10到20之间随机取值，size的取值需和上述步骤(1)中的size保持一致，即取值为25，每个数据包中的第udomain个字节记录为u，第pdomain个字节记为Period，第seqdomain个字节记录该数据包的序列号，其中mdomain、pdomain、seqdomain都在1到25之间自由取值，只要是固定值并且互不相等即可，发送的第1个数据包序列号为1，以此类推，最后一个是u；
3-1-2)接收机建立并实时更新噪声基底表，与前述步骤(1)相同；
接收机开启无线接收模块后立即新建一个接收机噪声基底表，该噪声基底表含NoiseNum个条目，NoiseNum在6到12之间随机取值，典型值是8，接收机以60ms为周期定时采样信道空闲时的接收信号功率，作为一次噪声基底的样本值并用该值替换噪声基底表中最旧的条目；每8次采样后重新计算基底表所有NoiseNum个条目的平均值，以此作为噪声基底值Noise，由本步骤可见，噪声基底值Noise是实时更新的；
3-1-3)对于步骤(3-1-1)中发射机发送的一个数据包，接收机接收到第1 个该类数据包后解析并记录该数据包的u的值、该数据包的Period的值、该数据包的序列号(记为seq)，设置一个定时器T3并将其触发时间设置为ftime毫秒，ftime按下述公式计算
ftime＝(m-seq)·Period+10(39)
与此同时，接收机每接收到步骤(3-1-1)中发射机发送的一个数据包，就读取的该数据包的LQI并将该值累加到数据包总的LQI值(该值记为TotalLQI) 中，再读取的该数据包的接收信号功率，用该值减去上述步骤(3-1-2)中实时计算的噪声基底值Noise，得到该数据包的SNR值，将该SNR值累加到数据包总的SNR值(该值记为TotalSNR)中，然后将数据包接收个数(该值记为 ToalReceived)增加1；
3-1-4)接收机的定时器T3触发后，按下述公式(40)计算当前数据包接收率CurrentPRR，
Figure BDA0002045232010000091
按下述公式(41)计算数据平均LQI在[40,110]内的归一化值，该数据平均 LQI的归一化值记为AverageLQI,
Figure BDA0002045232010000092
按下述公式(42)计算数据包平均SNR在[-10,50]内的归一化值，该数据包平均SNR归一化值记为AverageSNR，
Figure BDA0002045232010000093
进一步的，所述步骤(3-2)接收机使用基于硬
Figure BDA0002045232010000094
-带的支持向量回归机模型预测高速链路未来短期内数据包接收率，其具体过程包括：
用所述步骤(3-1-4)中计算得到的当前数据包接收率CurrentPRR、数据平均LQI的归一化值AverageLQI、该数据包平均SNR归一化值AverageSNR分别带入并替换所述步骤(2-2-4)中的公式(38)中的xi1、xi2、xi3，得如下预测未来短期内数据包接收率的公式：
Figure BDA0002045232010000095
其中，Output的值就是预测的未来短期内数据包接收率。
本发明与现有的一些无线传感网络链路质量估计方法相比，有如下优点：
1、本发明克服了其他拟合方法受异常数据点影响较大的缺点
本发明的主要模型(34)～(37)设置了惩罚函数，并且通过设置参数C考虑了异常数据点(不能正确分类的数据点)的影响，但C通常取值较小(一般取C＝0.1)，因此本发明的模型受异常数据点影响较小；
2、本发明进行了合理的理论创新
本发明中，不能被正确分类的数据点的惩罚函数的值设计为该数据点到决策超平面之间的距离(具体计算公式见前述公式(33))，能被正确分类数据点的惩罚函数的值设计为0，具有明显的几何意义：数据点如能被决策超平面正确分类，那么就不“惩罚”了，如不能，则需“惩罚”，而且，距离决策超平面越远，“惩罚”越厉害，最终，通过主要模型(34)～(37)寻找不能被正确分类的数据点距离之和最小的；
3、本发明实际预测准确率较高
实际使用中，线下(计算机)编程使用python语言，用numpy、tensorflow 等包进行建模；无线传感网络节点(此处指发射机和接收机)使用MicaZ，接收机在线使用本发明的模型对未来短期内数据包接收率进行预测，预测500次，和实际测量值的相关系数达到86.5％，使用最小二乘法拟合的方法对未来短期内数据包接收率进行预测，预测500次，和实际测量值的相关系数达到70.8％，本发明的方法优于后者。
附图说明
图1是训练集所有数据点能被超平面正确分类时的示意图。
图2是分训练集数据点不能被超平面正确分类时的示意图。
表达式形如ω1·xi1+ω2·xi2+ω3·xi3+η·Outputi+b＝0的超平面详图应是立体图，此处只需表示数量关系，因此将xi1、xi2、xi3三个坐标轴合并为ω1·xi1+ω2·xi2+ω3·xi3一个坐标轴，简化为图1，简化为图2的原因也与此处相同。图1中，l是超平面，l1和l2分别是支持超平面，图1中，仅标识了有限的几个数据点，所有标识为△的数据点标记为“1”，所有标识为╳的数据点标记为“-1”。
图2是分训练集数据点不能被超平面正确分类时的示意图。其中，l是超平面，l1和l2分别是支持超平面，图2是示意图，只标识了有限的几个数据点，所有标识为△的数据点标记为“1”，所有标识为╳的数据点标记为“-1”。与P11、 P21类似的所有数据点，由于处于支持超平面l1以上，所以能被决策超平面l 正确分类；与P12、P22类似的所有数据点，由于处于支持超平面l2以下，所以也能被决策超平面l正确分类；但是与P32类似的所有数据点，由于处于支持超平面l2以上，所以不能被决策超平面l正确分类；与P41类似的所有数据点，由于处于支持超平面l1以下，所以也不能被决策超平面l正确分类。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参照附图1～2，预测无线传感网络高速链路未来短期内数据包接收率的方法，包括如下步骤：
1)接收机计算t个批次数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR和未来短期内数据包接收率PRR，其中t不小于1000，典型值为2000；
在本步骤中，接收机应逐一计算第1批次、第2批次，……第t批次数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR和未来短期内数据包接收率PRR；其中统计第i个批次的数据包的具体过程包括：
所述的i＝1,2,…,t；
当发射机和接收机的位置固定后，
先开启接收机的无线接收模块；
再开启发射机的无线发送模块，发射机发送mi个长度为size个字节的数据包，数据包的发送间隔在5毫秒到50毫秒之间随机取值，此处的i与对应批次的i值相同，mi在10到20之间随机取值，mi的典型值是10，mi的值确定之后需进行保存；size在20到30之间取值，典型值是25，本发明中，所有size均取值为25；每个数据包中的第mdomain个字节记录为mi，其中mdomain在1 到25之间自由取值；
发射机再发送ni个长度为size个字节的数据包，(size的取值需和上述size 保持一致)，ni在10到20之间随机取值，并且应通过与上述保存的mi值进行对比，以确保ni取值与mi不同；数据包的发送间隔在5毫秒到50毫秒之间随机取值，每个数据包中的第ndomain个字节都记录为ni，其中ndomain在1到 25之间自由取值；随后，发射机3秒内不再发送数据包；
接收机开启无线接收模块后立即新建一个接收机噪声基底表，该噪声基底表含NoiseNum个条目，NoiseNum在6到12之间随机取值，典型值是8；接收机以60ms为周期定时采样信道空闲时的接收信号功率，作为一次噪声基底的样本值并用该值替换噪声基底表中最旧的条目；每8次采样后重新计算基底表所有NoiseNum个条目的平均值，以此作为噪声基底值Noise，由本步骤可见，噪声基底值Noise是实时更新的；
对于上述发射机发送的一个字节记录为mi的数据包类型，接收机接收到第 1个该类数据包后解析并记录该数据包中包含的mi的值，设置一个定时器T1并将其触发时间设置为2.5秒；
与此同时，接收机每接收到上述发射机发送的一个字节记录为mi的数据包类型，就读取的该数据包的LQI并将该值累加到第i批次数据包总的LQI值中，并将累加后的LQI值记为TotalLQIi；
接收机再读取该数据包的接收信号功率，用读取到的接收信号功率减去上述步骤中实时计算的噪声基底值Noise，得到该数据包的SNR值，将该SNR值累加到第i批次数据包总的SNR值中，并将累加后的SNR值记为TotalSNRi，然后将接收个数增加1，累加后的数据包接收个数记为ToalReceivedi；
对于前述步骤中发射机发送的一个字节记录为ni的数据包类型，接收机接收到第i个该类数据包，就记录该类数据包中保存的ni，每接收到一个该类数据包，就将未来短期内数据包接收数增加1，当前述的定时器T1触发时，未来短期内数据包接收数记为FutureReceivedNumi；
接收机的定时器T1触发后，按下述公式(1)计算第i批次数据包接收率CurrentPRRi；
Figure BDA0002045232010000121
按下述公式(2)计算第i批次数据包平均LQI在[40,110]内的归一化值，该归一化值记为AverageLQIi；
Figure BDA0002045232010000122
按下述公式(3)计算第i批次数据包平均SNR在[-10,50]内的归一化值，该归一化值记为AverageSNRi；
Figure BDA0002045232010000123
按下述公式(4)计算第i批次未来短期内数据包接收率PRR，该值记为FuturePRRi；
Figure BDA0002045232010000124
并将上述得到的CurrentPRRi、AverageLQIi、AverageSNRi和FuturePRRi上传至计算机。
2)计算机线下训练基于硬
Figure BDA0002045232010000125
-带的支持向量回归机模型
2-1)初步生成建模集数据
2-1-1)将步骤(1)中计算机获得的第i批次数据包接收率CurrentPRRi、第 i批次数据包平均LQI归一化值AverageLQIi、第i批次数据包平均SNR归一化值AverageSNRi组成建模集数据的输入量PKTi：
PKTi＝[CurrentPRRi,AverageLQIi,AverageSNRi]
其中，i＝1,2,...,t，符号“[]”表示组成特征向量，再将CurrentPRRi、AverageLQIi、AverageSNRi分别简记为xi1、xi2、xi3，则PKTi＝[xi1,xi2,xi3]。
2-1-2)将步骤(1)中计算机获得的未来短期内数据包接收率PRR值 FuturePRRi简记为Outputi，作为建模集数据的输出量，则0≤FuturePRRi≤1， 0≤Outputi≤1，同样i＝1,2,...,ModelingSet；
2-2)线性回归机模型的建立
根据通信理论，由于AverageLQIi和AverageSNRi分别和数据包接收率有一定线性正比例关系，CurrentPRRi跟未来短期内数据包接收率也有相关关系，因此本发明中，Outputi与xi1、xi2、xi3有下述函数关系：
ω1·xi1+ω2·xi2+ω3·xi3+η·Outputi+b＝0(5)
其中，ω1、ω2、ω3、η、b都是变量，可在实数范围内任意取值，需要根据不同的模型寻找其最优值，由变量ω1、ω2、ω3、η组成的四维行向量 (ω1,ω2,ω3,η)T是方程为上述(5)的四维超平面的法向量，b是该四维超平面到原点之间的距离，符号“·”表示进行数学上的乘法运算，以下步骤公式中的符号“·”和ω1、ω2、ω3、η、b也具有相同含义。由公式(5)可求出回归函数如下：
Figure BDA0002045232010000131
根据硬
Figure BDA0002045232010000132
-带超平面理论，可用
Figure BDA0002045232010000133
组成新的训练集，然后用线性分类机对NewTrainingSet进行分类，最后用得到的分类超平面的表达式得到回归函数，其中
Figure BDA0002045232010000134
Figure BDA0002045232010000135
是数据点，符号“{}”表示组成训练集，数据点举例说明如下：
Figure BDA0002045232010000136
表示坐标为
Figure BDA0002045232010000137
的数据点对应的输出量是1。然后用线性分
类机对NewTrainingSet进行分类，最后用得到的分类超平面的表达式得到回归函数。本发明针对训练集所有数据点能被超平面正确分类和部分数据点不能被超平面正确分类两种情况建立创新性的线性分类机模型，然后将训练集数据NewTrainingSet带入模型进行训练，得到分类表达式，进而得到回归函数，具体过程如下；
2-2-1)建立训练集所有数据点能被超平面正确分类时的模型
当所述步骤(2-2)的训练集NewTrainingSet中的所有数据点能被超平面正确分类时，如图1所示，其中，l是超平面，l1和l2分别是支持超平面，图1是示意图，只标识了有限的几个数据点，所有标识为△的数据点标记为“1”，所有标识为╳的数据点标记为“-1”。模型建立过程如下：
为减少变量，设置η＝-1。原因举例说明如下：超平面 2·x1+3·x2-4·x3-1·Output+6＝0和超平面-4·x1-6·x2+8·x3+2·Output-12＝0 表示同一超平面，因此，为减少变量，合理减少运算，可固定η＝-1，让ω1、ω2、ω3、b作为变量即可，以下进行的简化与此原因相同。将η＝-1代入上述公式(5)，得决策超平面l的方程是
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝0(7)
支持超平面l1的方程是
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝-1(8)
支持超平面l2的方程是
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝1(9)
经计算，超平面l1和超平面l2的间距d表达式如下
Figure BDA0002045232010000141
其中，
Figure BDA0002045232010000142
因此，当所述步骤(2-2)的训练集NewTrainingSet中的所有数据点能被超平面l正确分类时，本发明的分类机模型是
Figure BDA0002045232010000143
Figure BDA0002045232010000144
其中，
Figure BDA0002045232010000145
应大于下列最优化问题的最优值εinf：
Figure BDA0002045232010000146
上述模型(13)的含义是：ω1,ω2,ω3,b,ε为变量，在满足 -ε≤Outputi-((ω1·xi1+ω2·xi2+ω3·xi3)+b)≤ε,i＝1,...,t.的约束下，求ε的最小值，记该最小值为εinf。
由于规划问题通常是求最小值，因此将上述模型(11)和(12)改写并省略最后的数字1，得如下形式
Figure BDA0002045232010000147
Figure BDA0002045232010000148
通常，
Figure BDA0002045232010000149
的取值应满足
Figure BDA00020452320100001410
一般取
Figure BDA00020452320100001411
上述模型(14)和(15)的含义是：按上述(17)式给定
Figure BDA00020452320100001412
ω1,ω2,ω3,b为变量，在ω1,ω2,ω3,b满足上述(15)式约束条件下，求表达式(14)的最小值。当模型(14)和(15) 达到最优解时，ω1,ω2,ω3,b对应的取值是
Figure BDA0002045232010000151
将其替换公式(6)中的ω1,ω2,ω3,b，并让公式(6)中η＝-1，得回归函数
Figure BDA0002045232010000152
2-2-2)训练集所有数据点能被超平面正确分类时模型的训练和回归函数的计算
将所述步骤(2-2)的训练集NewTrainingSet中的所有数据点带入上述模型(13)，求得最优值εinf，
Figure BDA0002045232010000153
按上述公式(17)取值，再将训练集NewTrainingSet中的所有数据点带入上述模型(14)和(15)，求得表达式(14)达到最小值时，ω1,ω2,ω3,b的取值是
Figure BDA0002045232010000154
用
Figure BDA0002045232010000155
替换公式(6)中的ω1,ω2,ω3,η,b，计算得到回归函数(该函数如上述公式(18)所示)。将步骤(2-1)中xi1、xi2、xi3的定义带入，可得最终的回归函数为
Figure BDA0002045232010000156
2-2-3)建立部分训练集数据点不能被超平面正确分类时的模型
当训练集NewTrainingSet中的部分数据点不能被超平面正确分类时，如图2 所示，l是超平面，l1和l2分别是支持超平面，图2是示意图，只标识了有限的几个数据点，所有标识为△的数据点标记为“1”，所有标识为╳的数据点标记为“-1”，根据硬
Figure BDA0002045232010000159
-带超平面理论和线性分类机的最大间隔法，与P11、P21类似的所有数据点，由于处于支持超平面l1以上，所以能被决策超平面l正确分类；与P12、P22类似的所有数据点，由于处于支持超平面l2以下，所以也能被决策超平面l正确分类；但是与P32类似的所有数据点，由于处于支持超平面l2以上，所以不能被决策超平面l正确分类；与P41类似的所有数据点，由于处于支持超平面l1以下，所以也不能被决策超平面l正确分类。
数据点P11、P12、P21、P22、P31、P32、P41、P42已经代表了训练集 NewTrainingSet中的所有情况。
决策超平面l的方程是
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝0(20)
支持超平面l1的方程是
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝-1(21)
支持超平面l2的方程是
ω1·x1+ω2·x2+ω3·x3-1·Output+b＝1(22)
经计算，超平面l1和超平面l2的间距d表达式如下
Figure BDA0002045232010000157
其中，
Figure BDA0002045232010000158
对于和图2中的P11、P21类似的训练集数据点
Figure BDA0002045232010000161
由于能被超平面l1正确分类(处于l1以上)，所以满足
Figure BDA0002045232010000162
即
Figure BDA0002045232010000163
对于和图2中的P12、P22类似的训练集数据点
Figure BDA0002045232010000164
由于能被超平面l2正确分类(处于l2以下)，所以满足
Figure BDA0002045232010000165
即
Figure BDA0002045232010000166
对于和图2中的P32类似的训练集数据点
Figure BDA0002045232010000167
由于不能被超平面l2正确分类(处于l2以上)，所以
Figure BDA0002045232010000168
即
Figure BDA0002045232010000169
对于和图2中的P41类似的训练集数据点
Figure BDA00020452320100001610
由于不能被超平面l1正确分类(处于l1以下)，所以
Figure BDA00020452320100001611
即
Figure BDA00020452320100001612
对于和图2中P11、P21、P12、P22类似的能被正确分类的数据点，设置其惩罚函数φi＝0；对于图2中的数据点P32，由于该点不能被正确分类，因此认为P31、P32组成的整体分类错误，应对其进行惩罚，设置其惩罚函数为点P30 到决策超平面之间的距离，计算公式如下
Figure BDA00020452320100001613
同理设置与图2中P32、P41类似的数据点的惩罚函数，其惩罚函数的计算公式同理计算如下
Figure BDA00020452320100001614
综合以上，当所述步骤(2-2)的训练集NewTrainingSet中的部分数据点不能被超平面l正确分类时，本发明的分类机模型是
Figure BDA00020452320100001615
其中，取
Figure BDA00020452320100001616
C的取值满足0.01<C<0.2，一般取C＝0.1。
φi按下述公式计算
Figure BDA0002045232010000171
上述公式(35)～(37)中，ω1·xi1+ω2·xi2+ω3·xi3-Outputi+b和
Figure BDA0002045232010000172
的所有关系只有如下一种情况未包含在内：
Figure BDA0002045232010000173
并且
Figure BDA0002045232010000174
此种情况是自相矛盾的，因此不存在。
2-2-4)部分训练集数据点不能被超平面正确分类时模型的训练和回归函数的计算将训练集NewTrainingSet中的所有数据点带入上述模型(13)，求出模型 (13)的最优值εinf(其模型求解过程见步骤(2-2-1))，取
Figure BDA0002045232010000175
C＝0.1，以ω1,ω2,ω3,b为变量，将训练集NewTrainingSet中的所有数据点代入模型(34)～(37)，计算模型(34)～(37)的最优解。当模型(34)～(37)达到最优解时，ω1,ω2,ω3,b对应的取值是
Figure BDA0002045232010000176
将其替换公式(6)中的ω1,ω2,ω3,b，并将公式(6)中η取-1，得回归函数
Figure BDA0002045232010000177
3)接收机线上使用基于硬
Figure BDA0002045232010000178
-带的支持向量回归机模型预测高速链路未来短期内数据包接收率；
3-1)接收机计算数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR；
3-1-1)当发射机和接收机的位置固定后，先开启接收机的无线接收模块，再开启发射机的无线发送模块，发射机发送u个长度为size个字节的数据包，数据包的发送间隔在5毫秒到50毫秒之间随机取值，但数据包的发送间隔须相等，这里记为Period毫秒，u在10到20之间随机取值，size的取值需和上述步骤(1)中的size保持一致，即取值为25，每个数据包中的第udomain个字节记录为u，第pdomain个字节记为Period，第seqdomain个字节记录该数据包的序列号，其中mdomain、pdomain、seqdomain都在1到25之间自由取值，只要是固定值并且互不相等即可，发送的第1个数据包序列号为1，以此类推，最后一个是u；
3-1-2)接收机建立并实时更新噪声基底表，与前述步骤(1)相同；
接收机开启无线接收模块后立即新建一个接收机噪声基底表，该噪声基底表含NoiseNum个条目，NoiseNum在6到12之间随机取值，典型值是8，接收机以60ms为周期定时采样信道空闲时的接收信号功率，作为一次噪声基底的样本值并用该值替换噪声基底表中最旧的条目；每8次采样后重新计算基底表所有NoiseNum个条目的平均值，以此作为噪声基底值Noise，由本步骤可见，噪声基底值Noise是实时更新的；
3-1-3)对于步骤(3-1-1)中发射机发送的一个数据包，接收机接收到第1 个该类数据包后解析并记录该数据包的u的值、该数据包的Period的值、该数据包的序列号(记为seq)，设置一个定时器T3并将其触发时间设置为ftime毫秒，ftime按下述公式计算
ftime＝(m-seq)·Period+10(39)
与此同时，接收机每接收到步骤(3-1-1)中发射机发送的一个数据包，就读取的该数据包的LQI并将该值累加到数据包总的LQI值(该值记为TotalLQI) 中，再读取的该数据包的接收信号功率，用该值减去上述步骤(3-1-2)中实时计算的噪声基底值Noise，得到该数据包的SNR值，将该SNR值累加到数据包总的SNR值(该值记为TotalSNR)中，然后将数据包接收个数(该值记为 ToalReceived)增加1；
3-1-4)接收机的定时器T3触发后，按下述公式(40)计算当前数据包接收率CurrentPRR，
Figure BDA0002045232010000181
按下述公式(41)计算数据平均LQI在[40,110]内的归一化值，该数据平均 LQI的归一化值记为AverageLQI,
Figure BDA0002045232010000182
按下述公式(42)计算数据包平均SNR在[-10,50]内的归一化值，该数据包平均SNR归一化值记为AverageSNR，
Figure BDA0002045232010000183
3-2)接收机使用基于硬
Figure BDA0002045232010000184
-带的支持向量回归机模型预测高速链路未来短期内数据包接收率；
用所述步骤(3-1-4)中计算得到的当前数据包接收率CurrentPRR、数据平均LQI的归一化值AverageLQI、该数据包平均SNR归一化值AverageSNR分别带入并替换所述步骤(2-2-4)中的公式(38)中的xi1、xi2、xi3，得如下预测未来短期内数据包接收率的公式：
Figure BDA0002045232010000185
其中，Output的值就是预测的未来短期内数据包接收率。

Claims (6)

1.一种预测无线传感网络高速链路未来短期内数据包接收率的方法，其特征在于，包括如下步骤：
1)接收机计算t个批次数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR和未来短期内数据包接收率PRR，其中t不小于1000，典型值为2000；
2)计算机线下训练基于硬
Figure FDA0003300889350000011
-带的支持向量回归机模型；
2-1)初步生成建模集数据；
2-2)线性回归机模型的建立；
3)接收机线上使用基于硬
Figure FDA0003300889350000012
-带的支持向量回归机模型预测高速链路未来短期内数据包接收率；
3-1)接收机计算数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR；
3-2)接收机使用基于硬
Figure FDA0003300889350000013
-带的支持向量回归机模型预测高速链路未来短期内数据包接收率；
所述步骤1)接收机的计算过程中，逐一计算第1批次、第2批次，……第t批次数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR和未来短期内数据包接收率PRR；
其中统计第i个批次的数据包的具体过程如下：
其中，i＝1,2,…,t；
当发射机和接收机的位置固定后，先开启接收机的无线接收模块；
接收机开启无线接收模块后立即新建一个接收机噪声基底表，该噪声基底表含NoiseNum个条目，NoiseNum在6到12之间随机取值，典型值是8；接收机以60ms为周期定时采样信道空闲时的接收信号功率，作为一次噪声基底的样本值并用该值替换噪声基底表中最旧的条目；每8次采样后重新计算基底表所有NoiseNum个条目的平均值，以此作为噪声基底值Noise，所述噪声基底值Noise是实时更新的；再开启发射机的无线发送模块，发射机发送zi个长度为size个字节的数据包，数据包的发送间隔在5毫秒到50毫秒之间随机取值，此处的i与对应批次的i值相同，zi在10到20之间随机取值，zi的典型值是10，zi的值确定之后需进行保存；size在20到30之间取值，典型值是25，每个数据包中的第mdomain个字节记录为mi，mi是发射机本批次发送的数据包的个数对应的数值，mi与zi相等，其中mdomain在1到25之间自由取值；
发射机再发送ki个长度为size个字节的数据包，此处size的取值需和上述size保持一致，ki在10到20之间随机取值，并且应通过与上述保存的zi值进行对比，以确保ki取值与zi不同；数据包的发送间隔在5毫秒到50毫秒之间随机取值，每个数据包中的第ndomain个字节都记录为ni，ni是发射机本批次发送的数据包的个数对应的数值，ni与ki相等，其中ndomain在1到25之间自由取值；随后，发射机3秒内不再发送数据包；
对于上述发射机发送的一个字节记录为mi的数据包类型，接收机接收到第1个该类数据包后解析并记录该数据包中包含的mi的值，设置一个定时器T1并将其触发时间设置为2.5秒；
与此同时，接收机每接收到上述发射机发送的一个字节记录为mi的数据包类型，就读取该数据包的LQI并将该值累加到第i批次数据包总的LQI值中，并将累加后的LQI值记为TotalLQIi；接收机再读取该数据包的接收信号功率，用读取到的接收信号功率减去上述步骤中实时计算的噪声基底值Noise，得到该数据包的SNR值，将该SNR值累加到第i批次数据包总的SNR值中，并将累加后的SNR值记为TotalSNRi，然后将接收个数增加1，累加后的数据包接收个数记为ToalReceivedi；
对于前述步骤中发射机发送的一个字节记录为ni的数据包类型，接收机接收到第i个该类数据包，就记录该类数据包中保存的ni，每接收到一个该类数据包，就将未来短期内数据包接收数增加1，当前述的定时器T1触发时，未来短期内数据包接收数记为FutureReceivedNumi；
接收机的定时器T1触发后，按下述公式⑴计算第i批次数据包接收率CurrentPRRi；
Figure FDA0003300889350000031
按下述公式⑵计算第i批次数据包平均LQI在[40,110]内的归一化值，该归一化值记为AverageLQIi；
Figure FDA0003300889350000041
按下述公式⑶计算第i批次数据包平均SNR在[-10,50]内的归一化值，该归一化值记为AverageSNRi；
Figure FDA0003300889350000042
按下述公式⑷计算第i批次未来短期内数据包接收率PRR，该值记为FuturePRRi；
Figure FDA0003300889350000043
并将上述得到的CurrentPRRi、AverageLQIi、AverageSNRi和FuturePRRi上传至计算机。
2.根据权利要求1所述的预测无线传感网络高速链路未来短期内数据包接收率的方法，其特征在于，所述步骤2-1)初步生成建模集数据，其具体过程包括：
2-1-1)将步骤1)中计算机获得的第i批次数据包接收率CurrentPRRi、第i批次数据包平均LQI归一化值AverageLQIi、第i批次数据包平均SNR归一化值AverageSNRi组成建模集数据的输入量PKTi：
PKTi＝[CurrentPRRi,AverageLQIi,AverageSNRi]
其中，i＝1,2,...,t，符号“[]”表示组成特征向量，再将CurrentPRRi、AverageLQIi、AverageSNRi分别简记为xi1、xi2、xi3，则PKTi＝[xi1,xi2,xi3]；
2-1-2)将步骤1)中计算机获得的未来短期内数据包接收率PRR值FuturePRRi简记为Outputi，作为建模集数据的输出量，则0≤FuturePRRi≤1，0≤Outputi≤1，同样i＝1,2,...,t。
3.根据权利要求2所述的预测无线传感网络高速链路未来短期内数据包接收率的方法，其特征在于，所述步骤2-2)线性回归机模型的建立，采用线性回归机计算回归函数；
Outputi与xi1、xi2、xi3的函数关系如下，
ω1·xi1+ω2·xi2+ω3·xi3+η·Outputi+b＝0⑸
其中，ω1、ω2、ω3、η、b都是变量，在实数范围内任意取值，需要根据不同的模型寻找其最优值，由变量ω1、ω2、ω3、η组成的四维行向量(ω1,ω2,ω3,η)T是方程为上述公式⑸的四维超平面的法向量，b是该四维超平面到原点之间的距离，符号“·”表示进行数学上的乘法运算，以下步骤公式中的符号“·”和ω1、ω2、ω3、η、b也具有相同含义；由公式⑸求出回归函数如下：
Figure FDA0003300889350000051
根据硬
Figure FDA0003300889350000052
-带超平面理论，用
Figure FDA0003300889350000053
组成新的训练集，其中
Figure FDA0003300889350000054
Figure FDA0003300889350000055
Figure FDA0003300889350000056
是数据点，符号“{}”表示组成训练集，数据点举例说明如下：
Figure FDA0003300889350000061
表示坐标为
Figure FDA0003300889350000062
的数据点对应的输出量是1，然后用线性分类机对NewTrainingSet进行分类，最后用得到的分类超平面的表达式得到回归函数；针对训练集所有数据点能被超平面正确分类和部分数据点不能被超平面正确分类两种情况建立创新性的线性分类机模型，然后将训练集数据NewTraining Set带入模型进行训练，得到分类表达式，进而得到回归函数。
4.根据权利要求3所述的预测无线传感网络高速链路未来短期内数据包接收率的方法，其特征在于，步骤2-2)线性回归机模型的建立，具体过程包括：
2-2-1)建立训练集所有数据点能被超平面正确分类时的模型；
当所述步骤2-2)训练集NewTrainingSet中的所有数据点能被决策超平面正确分类时，分类机模型是，
Figure FDA0003300889350000063
Figure FDA0003300889350000064
其中，
Figure FDA0003300889350000065
应大于下列最优化问题的最优值εinf：
Figure FDA0003300889350000066
Figure FDA0003300889350000067
一般取，
Figure FDA0003300889350000071
上述模型(13)的含义是：ω1,ω2,ω3,b,ε为变量，在满足-ε≤Outputi-((ω1·xi1+ω2·xi2+ω3·xi3)+b)≤ε,i＝1,...,t.的约束下，求ε的最小值，记该最小值为εinf；
上述模型(14)和(15)的含义是，按上述(17)式给定
Figure FDA0003300889350000072
ω1,ω2,ω3,b为变量，在ω1,ω2,ω3,b满足上述(15)式约束条件下，求表达式(14)的最小值；当模型(14)和(15)达到最优解时，ω1,ω2,ω3,b对应的取值是
Figure FDA0003300889350000073
回归函数是
Figure FDA0003300889350000074
2-2-2)训练集所有数据点能被超平面正确分类时模型的训练和回归函数的计算；
将所述步骤2-2)的训练集NewTrainingSet中的所有数据点带入上述模型(13)，求得最优值εinf，
Figure FDA0003300889350000075
按上述公式(17)取值，再将所述步骤2-2)的训练集NewTrainingSet中的所有数据点带入上述模型(14)和(15)，求得表达式(14)达到最小值时，ω1,ω2,ω3,b的取值是
Figure FDA0003300889350000076
得回归函数为
Figure FDA0003300889350000077
2-2-3)建立部分训练集数据点不能被超平面正确分类时的模型；
当训练集所述步骤2-2)的训练集NewTrainingSet中的部分数据点不能被超平面l正确分类时，分类机模型是
Figure FDA0003300889350000078
其中，取
Figure FDA0003300889350000081
C的取值满足0.01＜C＜0.2，一般取C＝0.1；
φi按下述公式计算
Figure FDA0003300889350000082
上述公式(35)～(37)中，ω1·xi1+ω2·xi2+ω3·xi3-Outputi+b和
Figure FDA0003300889350000083
的所有关系只有如下一种情况未包含在内：
Figure FDA0003300889350000084
并且
Figure FDA0003300889350000085
此种情况是自相矛盾的，因此不存在；
2-2-4)部分训练集数据点不能被超平面正确分类时模型的训练和回归函数的计算；
将训练集所述步骤2-2)的训练集NewTrainingSet中的所有数据点带入上述模型(13)，求出模型(13)的最优值εinf，其模型求解过程见步骤2-2-1)，取
Figure FDA0003300889350000086
C＝0.1，以ω1,ω2,ω3,b为变量，将训练集所述步骤2-2)的训练集NewTrainingSet中的所有数据点代入模型(34)～(37)，计算模型(34)～(37)的最优解；当模型(34)～(37)达到最优解时，ω1,ω2,ω3,b对应的取值是
Figure FDA0003300889350000087
得回归函数
Figure FDA0003300889350000088
5.根据权利要求1所述的预测无线传感网络高速链路未来短期内数据包接收率的方法，其特征在于，所述步骤3-1)接收机计算数据包的平均信噪比SNR、平均链路质量指数LQI、数据包接收率PRR，其具体过程包括：
3-1-1)当发射机和接收机的位置固定后，先开启接收机的无线接收模块，再开启发射机的无线发送模块，发射机发送g个长度为size个字节的数据包，数据包的发送间隔在5毫秒到50毫秒之间随机取值，但数据包的发送间隔须相等，这里记为Period毫秒，g在10到20之间随机取值，size的取值为25，每个数据包中的第udomain个字节记录为u，u是发射机本批次发送的数据包的个数对应的数值，u与g相等，第pdomain个字节记为Period，第seqdomain个字节记录该数据包的序列号，其中mdomain、pdomain、seqdomain都在1到25之间自由取值，只要是固定值并且互不相等即可，发送的第1个数据包序列号为1，以此类推，最后一个序列号等于g；
3-1-2)接收机建立并实时更新噪声基底表；
接收机开启无线接收模块后立即新建一个接收机噪声基底表，该噪声基底表含NoiseNum个条目，NoiseNum在6到12之间随机取值，典型值是8，接收机以60ms为周期定时采样信道空闲时的接收信号功率，作为一次噪声基底的样本值并用该值替换噪声基底表中最旧的条目；每8次采样后重新计算基底表所有NoiseNum个条目的平均值，以此作为噪声基底值Noise，噪声基底值Noise是实时更新的；
3-1-3)对于步骤3-1-1)中发射机发送的一个数据包，接收机接收到第1个该类数据包后解析并记录该数据包的u的值、该数据包的Period的值、该数据包的序列号seq，设置一个定时器T3并将其触发时间设置为ftime毫秒，ftime按下述公式计算
ftime＝(u-seq)·Period+10 (39)；
与此同时，接收机每接收到步骤3-1-1)中发射机发送的一个数据包，就读取该数据包的LQI并将该值累加到数据包总的LQI值中，并将累加后的LQI值记为TotalLQI，再读取的该数据包的接收信号功率，用该值减去上述步骤3-1-2)中实时计算的噪声基底值Noise，得到该数据包的SNR值，将该SNR值累加到数据包总的SNR值中，并记为TotalSNR，然后将数据包接收个数增加1，增加后的数据包接收个数记为ToalReceived；
3-1-4)接收机的定时器T3触发后，按下述公式(40)计算当前数据包接收率CurrentPRR，
Figure FDA0003300889350000101
按下述公式(41)计算数据平均LQI在[40,110]内的归一化值，该数据平均LQI的归一化值记为AverageLQI,
Figure FDA0003300889350000102
按下述公式(42)计算数据包平均SNR在[-10,50]内的归一化值，该数据包平均SNR归一化值记为AverageSNR，
Figure FDA0003300889350000103
6.根据权利要求5所述的预测无线传感网络高速链路未来短期内数据包接收率的方法，其特征在于，所述步骤3-2)接收机使用基于硬
Figure FDA0003300889350000104
-带的支持向量回归机模型预测高速链路未来短期内数据包接收率，其具体过程包括：
用所述步骤3-1-4)中计算得到的当前数据包接收率CurrentPRR、数据平均LQI的归一化值AverageLQI、该数据包平均SNR归一化值AverageSNR分别带入并替换所述步骤2-2)中得到的部分训练集数据点不能被超平面正确分类时的回归函数，即得到预测未来短期内数据包接收率的公式。
CN201910355331.XA 2019-04-29 2019-04-29 预测无线传感网络高速链路未来短期内数据包接收率的方法 Active CN110061884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910355331.XA CN110061884B (zh) 2019-04-29 2019-04-29 预测无线传感网络高速链路未来短期内数据包接收率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910355331.XA CN110061884B (zh) 2019-04-29 2019-04-29 预测无线传感网络高速链路未来短期内数据包接收率的方法

Publications (2)

Publication Number Publication Date
CN110061884A CN110061884A (zh) 2019-07-26
CN110061884B true CN110061884B (zh) 2021-11-23

Family

ID=67321583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910355331.XA Active CN110061884B (zh) 2019-04-29 2019-04-29 预测无线传感网络高速链路未来短期内数据包接收率的方法

Country Status (1)

Country Link
CN (1) CN110061884B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408094B (zh) * 2021-08-20 2022-01-14 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
CN113644994B (zh) * 2021-10-13 2022-01-14 南京迈一勤电子科技有限公司 一种轻量级多参数融合链路质量估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239516A (zh) * 2014-09-17 2014-12-24 南京大学 一种不平衡数据分类方法
CN105868900A (zh) * 2016-03-28 2016-08-17 大连理工大学 基于支持向量机的企业预合作伙伴分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898214A (zh) * 2018-06-29 2018-11-27 山东师范大学 一种在线序列数据预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239516A (zh) * 2014-09-17 2014-12-24 南京大学 一种不平衡数据分类方法
CN105868900A (zh) * 2016-03-28 2016-08-17 大连理工大学 基于支持向量机的企业预合作伙伴分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LU CHEN等;Rolling bearing fault diagnosis: A data-based method using EEMD,;《2016 12th World Congress on Intelligent Control and Automation》;20161215;全文 *
基于支持向量机的传感网络链路质量预测机制研究;臧超;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20140415;全文 *

Also Published As

Publication number Publication date
CN110061884A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110061884B (zh) 预测无线传感网络高速链路未来短期内数据包接收率的方法
EP4082174B1 (en) System and method for estimation of quality of experience (qoe) for video streaming
CN100461756C (zh) 无线通信网络的信道质量估计
CN102077530B (zh) 检查无线业务及减缓分组删除以避免无线饱和的方法和设备
CN104919757B (zh) 用于估计有效带宽的系统和方法
JP5465723B2 (ja) 経時変化するトランスポートメディアによるデータのストリーミング
CN109995562B (zh) 网络业务量预测方法、装置、设备及介质
CN110991875A (zh) 一种平台用户质量评估系统
CN104320805B (zh) 通过少量数据包估计无线传感网络链路质量的方法
CN103731173A (zh) 在无线通信网络中操作的收发机、网络传输系统和方法
CN109831802B (zh) 基于支持向量机的预测数据包接收可能性的方法
CN112888004B (zh) 一种物联网中多源节点信息更新的信息年龄优化方法
WO2007057857A1 (en) Adaptive, distributed solution for enhanced co-existence and qos for multimedia traffic over rlans
CN113610331B (zh) 基于信息瀑布的成本核算方法、装置及存储介质
CN110972150A (zh) 网络扩容方法、装置、电子设备及计算机存储介质
CN101911518A (zh) 通信装置以及通信系统
CN116708134B (zh) 基于流量控制的点对点网络传输系统
Hu et al. Balancing data freshness and distortion in real-time status updating with lossy compression
CN102611521B (zh) 一种信道质量指示的调整方法
CN113587520B (zh) 冰箱化霜系统异常检测方法及装置
Naresh et al. Sac-abr: Soft actor-critic based deep reinforcement learning for adaptive bitrate streaming
Modi et al. QoS driven channel selection algorithm for opportunistic spectrum access
CN111901134A (zh) 一种基于循环神经网络模型rnn的预测网络质量的方法和装置
Luís et al. Characterization of the opportunistic service time in cognitive radio networks
CN111010695A (zh) 基于信道空闲时长预测的信道分配方法

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