CN110662232B - 一种采用多粒度级联森林评估链路质量的方法 - Google Patents
一种采用多粒度级联森林评估链路质量的方法 Download PDFInfo
- Publication number
- CN110662232B CN110662232B CN201910913356.7A CN201910913356A CN110662232B CN 110662232 B CN110662232 B CN 110662232B CN 201910913356 A CN201910913356 A CN 201910913356A CN 110662232 B CN110662232 B CN 110662232B
- Authority
- CN
- China
- Prior art keywords
- link quality
- link
- model
- forest
- samples
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种采用多粒度级联森林评估链路质量的方法,该方法通过利用无线传感网络的链路特性与多粒度级联森林(gcForest,multi‑Grained Cascade forest)模型相结合,提出了一种无线传感器网络链路质量评估的方法。该方法首先获取实验场景下的样本数据,运用步长和中心点优化的聚类算法对样本数据划分链路质量等级;利用分层抽样获取链路中三个区域的样本进行训练,结合级联森林堆叠结构建立多粒度级联森林链路质量评估模型;最后通过准确性、稳定性和敏捷性评价整个链路质量评估模型的性能。本发明优点在于运用链路区域特性与分层抽样改善不平衡链路质量数据集对评估模型性能的影响,提高评估结果的准确性和稳定性,为给上层协议的优化奠定基础。
Description
技术领域
本发明涉及无线传感器网络链路质量评估技术领域,特别是涉及一种采用多粒度级联森林评估链路质量的方法。
背景技术
无线传感器网络(Wireless sensor networks,WSNs)是一种由各种具有感知能力、计算能力和通信能力的廉价的微型传感器节点通过无线通信的方式以自组织形式形成的网络。节点通过协作实时监测、感知、采集和处理网络分布区域内的对象信息,并将得到的信息发送给基站。在数据收集、传感云系统、军事医疗等广泛运用。
无线传感网络中的链路易发生质量波动且具有弱连接性,因此非常不可靠。尽管难以测量链路质量,但准确的链路质量信息的潜在好处是相当大的。链路质量可以反映真实的链路状态,避免不必要的路由重选和数据重传造成的能耗。因此,构建良好的链路质量评估模型可提高数据包的传输效率、节约传感器节点能耗、延长网络使用寿命。
随着大数据时代的来临,一些浅层的机器学习模型在某些问题上已经很难取得更高的精度了。相关技术中,已有不同的分类算法应用在链路质量评估上,例如:逻辑回归、随机森林、及支持向量机等。但是这些模型都存有弱点,当数据量大到一定程度时,这些浅层算法学习能力较差,影响链路质量评估准确性和稳定性。
发明内容
为解决上述无线传感器网络中链路质量评估方法存在的问题,本发明提供了一种采用多粒度级联森林(gcForest,multi-Grained Cascade forest)评估链路质量的方法,以提高链路质量评估准确性和稳定性。
一种采用gcForest的链路质量评估方法,首先获取实验场景下的样本数据,使用步长和中心点优化(INCK,Increasing K-medoids)聚类算法对链路质量等级进行有效划分;其次运用链路的区域特性通过分层抽样提取链路质量数据特征,并构建gcForest链路质量评估模型;最后通过准确性、稳定性和敏捷性评价模型的性能,整个链路质量评估过程具体步骤如下:
步骤S1:设计实验场景模拟链路的多种状态,获取样本数据。采用基于步长增加和中心优化的K-Medoids聚类算法对链路质量等级进行划分;
步骤S2:依据链路的不对称级别和信噪比(SNR,Signal to Noise Ratio)划分连通、过渡和未连通区域链路的样本,将三层样本进行分层抽样训练后得到的特征向量输入级联森林,构建基于gcForest的链路质量评估模型,将链路质量等级作为模型的输出结果。
步骤S3:通过定义的准确率以及自定义的稳定性和敏捷性对模型的性能进行评估。
具体的,在步骤S1中,所述划分链路质量等级的方法为步长和中心点优化 (INCK,Increasing K-medoids)聚类算法。
具体的,在步骤S2中,所述采用gcForest方法构建链路质量评估模型。
具体的,在步骤S1中,所述划分链路质量等级的方法为INCK聚类算法,其划分等级的过程为:
第一步:输入样本集D={x1,x2,...,xn}包含n个对象,每个对象xi∈Rm包含m 个属性,设置划分的链路质量等级数K,设定伸缩因子λ。
第二步:计算样本集D中每对对象之间的距离,对象xi和对象xj之间的距离 dist(xi,xj)表示为
第三步:计算所有样本与平均值之间的方差σ
其中是样本集内所有对象的均值,并计算对象xi与其他所有对象之间的方差σi
根据方差σ和方差σi的定义,可定义候选中心点子集Sm,以排除链路的异常值和孤立点对聚类效果的影响。
Sm={xi|σi≤λσi,i=1,...,n}
第四步:先将链路质量等级划分为两个等级,即选出两个初始中心点 O={o1,o2},假设中心点位于候选中心点子集Sm的最大密度区域,可得第一个初始中心点o1为与其他对象距离最小的点,为确保真实数据集中簇中距离较小的对象被分在不同的簇内,第二个初始中心点o2为Sm中与o1距离最大的点。将其余对象分配在距离最近中心点的簇内。
第五步:增加新的簇的数量时,在每一个簇内选择一个与oj距离最远的点作为候选中心点o'j,其中距离最远的oj与o'j为最佳划分,o'j为新的中心点,重新为其余对象分配到距离最近中心点的簇内。重复第五步直至划分的簇数等于应划分的链路质量等级数K时。
第六步:并计算K个簇C1,C2,...,CK的总成本,为每个簇寻找新的中心点,使簇内总距离最小,从而得到效果较好的链路质量等级分类。更新总成本,重复第六步,直至总成本不会得到更优结果时结束。
具体的,在步骤S2中,所述采用gcForest构建链路质量评估模型,具体包括:
第一步:为链路质量样本添加标签,将链路质量各等级作为模型的分类类别,设置gcForest模型的中的随机森林和完全随机森林的个数,以及各森林中树的棵数。
第二步:设定不对称级别的阈值,根据链路的不对称级别划分出过渡区域样本,不对称级别较高的为过渡区域样本φt。再设定SNR的阈值,在剩下的样本中依据SNR的值划分连通区域和未连通区域的样本,高于SNR阈值的为连通区域样本φc,低于SNR阈值的为未连通区域样本φu。共得到三层样本数据,依照各层比例随机抽取各层中的数据特征,组成多组序列数据特征向量,经过完全随机森林A和随机森林B变换输出类别概率向量,合并所有的类别概率向量生成新的特征组成多组序列数据特征向量,经过完全随机森林A和随机森林B 变换输出新的向量,合并所有向量生成新的特征。
第三步:将第二步中得到的新的特征作为输入,输入到级联森林中,将每个森林生成的类向量通过K折交叉验证降低过拟合。经过一层层的级联结构训练,直到这一层的结果无显著的性能增益时停止,输出最大类别概率的链路质量等级作为最终的评估结果。
具体的,在步骤S3中:
准确率的定义为:使用正确评估的正例样本数除以全部评估为正例样本数的精确率作为横坐标,使用正确评估的样本数除以正例样本总数的召回率为纵坐标,画出准确率-召回率(P-R,Precision-Recall)曲线验证模型的准确性能;
稳定性的定义为:链路可能会显示瞬态链路能量波动,链路质量评估模型的稳定性定义为评估模型抵御波动的能力,通过对无线链路长时间的评估,观察评估模型是否会受到噪声的影响随之瞬态波动,提供稳定的链路质量估计。
敏捷性的定义为:(1)在深度学习链路质量评估模型中,对于大量的链路质量样本处理时间的长短,花费较短时间的模型敏捷性更好。(2)在相对较少的链路质量样本的情况下,快速反映链路质量的同时对链路质量能准确评估的模型性能更佳。
与现有技术相比,本发明提供的方法,采用gcForest评估链路质量,可以准确地评估无线传感网络的链路质量,通过结合无线链路特性优化模型使其更加贴合实际的链路质量评估,能提高链路质量评估准确性和稳定性。其优点在于可提高数据包的传输效率、节约传感器节点能耗、延长网络使用寿命,给上层协议的优化带来益处。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明提供的采用gcForest的链路质量评估方法的流程图;
图2为本发明结合链路特性进行分层抽样的示意图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。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。
请参阅图1和图2,本发明的优选实施例以基于CC2530芯片的无线传感器网络节点及组成网络为例,提供一种采用gcForest的链路质量评估方法,其具体的实施方式如下:设计无线链路质量较好实验场景、无线链路干扰较多的实验场景、无线链路干扰中等的实验场景、和干扰较少的实验场景。将传感器节点布置在预设位置处来收集获取链路质量样本数据,链路质量样本数据包括链路的物理层参数SNR、信号接收强度指示(RSSI,ReceivedSignal Strength Indicator)、链路质量指示(LQI,Link Quality Indicator)和包接收率。每个实验场景下部署8个节点,其中1个Sink节点,7个感知节点,节点之间的间距为10m。为了保证样本数据的可靠性以及多样性,通过测量温度相近天气下几天时间内的三个相同时间段(上午、中午、下午),以准确获取不同场景下的链路质量样本数据。
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。
在步骤S1中,所述划分链路质量等级的方法为SOK-Medoids聚类算法,其划分等级的过程为:
第一步:输入样本集D={x1,x2,...,xn}包含n个对象,每个对象xi∈Rm包含m 个属性,设置划分的链路质量等级数K,2≤K≤n,设定伸缩因子λ。
第二步:计算样本集D中每对对象之间的距离,对象xi和对象xj之间的距离 dist(xi,xj)表示为
第三步:计算所有样本与平均值之间的方差σ
异常值往往远离中心区域,所以方差很大。方差越大,成为中心点的概率越小。根据方差σ和方差σi的定义,可定义候选中心点子集Sm,以排除链路的异常值和孤立点对聚类效果的影响。
Sm={xi|σi≤λσi,i=1,...,n}
第四步:先将链路质量等级划分为两个等级,即选出两个初始中心点 O={o1,o2},假设中心点位于候选中心点子集Sm的最大密度区域,可得第一个初始中心点o1为与其他对象距离最小的点。两个初始中心点之间应尽量远离,以确保真实数据集中簇中距离较小的对象被分在不同的簇内,因此,第二个初始中心点o2为Sm中与o1距离最大的点。将其余对象分配在距离最近中心点的簇内。
第五步:增加新的簇的数量时,在每一个簇内选择一个与oj距离最远的点作为候选中心点o'j,其中距离最远的oj与o'j为最佳划分,o'j为新的中心点,重新为其余对象分配到距离最近中心点的簇内。重复第五步直至划分的簇数等于应划分的链路质量等级数K时。
第六步:并计算K个簇C1,C2,...,CK的总成本E
为每个簇寻找新的中心点,使簇内总距离最小,从而得到效果较好的链路质量等级分类。更新总成本E,重复第六步,直至E不会得到更优结果时结束。
步骤S2:采用gcForest构建链路质量评估模型,其具体的步骤包括:
第一步:为链路质量样本添加标签,将链路质量各等级作为模型的分类类别,设置gcForest模型的中的随机森林和完全随机森林的个数,以及各森林中树的棵数。
第二步:设定不对称级别的阈值,根据链路的不对称级别划分出过渡区域样本,过渡区域样本不对称性较高。再设定SNR的阈值,依据SNR的值划分连通区域和未连通区域的样本。随机抽取各层中的数据特征,组成多组序列数据特征向量,经过完全随机森林A和随机森林B变换输出类别概率向量,合并所有的类别概率向量生成新的特征组成多组序列数据特征向量,经过完全随机森林A和随机森林B变换输出新的向量,合并所有向量生成新的特征。
第三步:经过多个森林多层级联得出链路质量评估结果。输入第二步生成的特征,样本数据遍历随机森林和完全随机森林,在树中,节点随机选择个特征(d为输入特征的数量),然后选择基尼系数最大特征作为该节点划分的条件,并生成子节点,直到每个叶子节点只包含同一类的实例而停止。为降低过拟合的风险,每个森林生成的类向量通过K折交叉验证生成。每个样本用作K-1 次训练数据,将产生k-1个类向量,然后将其平均作为下一级级联的增强特征。得出的类别概率向量,连接本阶段原始数据作为下一层输出。扩展新的级别后,验证整个级联的性能,若无显著的性能增益,则训练过程停止。对多个森林的类别概率向量取平均值,最终输出最大的类别概率为链路质量评估结果。
步骤S3:完成链路质量评估后,通过定义的准确性和自定义稳定性和敏捷性对模型进行评价,具体内容包括:
准确率的定义为:使用正确评估的正例样本数除以全部评估为正例样本数的精确率作为横坐标,使用正确评估的样本数除以正例样本总数的召回率为纵坐标,画出P-R曲线验证模型的准确性能;
稳定性的定义为:链路可能会显示瞬态链路能量波动,链路质量评估模型的稳定性定义为评估模型抵御波动的能力。通过对无线链路一天的评估,观察评估模型是否会受到突发噪声的影响随之瞬态波动。能忽略突发噪声保持长久稳定的评估模型稳定性更好。
敏捷性的定义为:(1)在深度学习链路质量评估模型中,对于大量链路质量样本处理时间的长短。(2)在相对较少的链路质量样本的情况下,快速反映链路质量的同时对链路质量能准确评估的模型性能更佳。
上述方法,采用gcForest评估链路质量,可以准确地评估无线传感网络的链路质量,通过结合无线链路特性优化模型使其更加贴合实际的链路质量评估,能提高链路质量评估准确性和稳定性。其优点在于可提高数据包的传输效率、节约传感器节点能耗、延长网络使用寿命,给上层协议的优化带来益处。
以上所述实施例仅表达了本发明的一种或几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种采用多粒度级联森林评估链路质量的方法,其特征在于,首先获取实验场景下的样本数据,然后使用步长和中心点优化聚类算法划分样本的链路质量等级;然后运用链路的区域特性通过分层抽样提取链路质量数据特征,构建贴合链路质量评估的多粒度级联森林模型;最后通过准确性、稳定性和敏捷性评价模型的性能,具体包括以下步骤:
步骤S1:设计实验场景模拟链路的多种状态,获取样本数据,采用步长增加和中心点优化的K-Medoids聚类算法对链路质量等级进行划分;
步骤S2:依据链路的不对称级别和信噪比划分连通、过渡和未连通区域链路的样本,将三层样本进行分层抽样训练后得到的特征向量输入级联森林,构建基于多粒度级联森林的链路质量评估模型,将链路质量等级作为模型的输出结果;
步骤S3:通过定义的准确率以及自定义的稳定性和敏捷性对模型的性能进行评价;
其中,在步骤S1中,采用步长增加和中心点优化的K-Medoids聚类算法对链路质量等级进行划分的具体过程为:
第一步:输入样本集D={x1,x2,...,xn}包含n个对象,每个对象xi∈Rm包含m个属性,设置划分的链路质量等级数K,设定伸缩因子λ;
第二步:计算样本集D中每对对象之间的距离,对象xi和对象xj之间的距离dist(xi,xj)表示为
第三步:计算所有样本与平均值之间的方差σ
根据方差σ和方差σi的定义,定义候选中心点子集Sm,以排除链路的异常值和孤立点对聚类效果的影响:
Sm={xi|σi≤λσi,i=1,...,n};
第四步:先将链路质量等级划分为两个等级,即选出两个初始中心点O={o1,o2},假设中心点位于候选中心点子集Sm的最大密度区域,得第一个初始中心点o1为与其他对象距离最小的点,第二个初始中心点o2为Sm中与o1距离最大的点,将其余对象分配在距离最近中心点的簇内;
第五步:增加新的簇的数量时,在每一个簇内选择一个与oj距离最远的点作为候选中心点o'j,其中距离最远的oj与o'j为最佳划分,o'j为新的中心点,重新为其余对象分配到距离最近中心点的簇内,重复第五步直至划分的簇数等于应划分的链路质量等级数K时;
第六步:并计算K个簇C1,C2,...,CK的总成本,为每个簇寻找新的中心点,使簇内总距离最小,更新总成本,重复第六步,直至总成本不会得到更优结果时结束;
在步骤S2中,采用多粒度级联森林构建链路质量评估模型,具体包括:
第一步:为链路质量样本添加标签,将链路质量各等级作为模型的分类类别,设置gcForest模型的中的随机森林和完全随机森林的个数,以及各森林中树的棵数;
第二步:设定不对称级别的阈值,根据链路的不对称级别划分出过渡区域样本,不对称级别较高的为过渡区域样本φt;再设定SNR的阈值,在剩下的样本中依据SNR的值划分连通区域和未连通区域的样本,高于SNR阈值的为连通区域样本φc,低于SNR阈值的为未连通区域样本φu,共得到三层样本数据,依照各层比例随机抽取各层中的数据特征,组成多组序列数据特征向量,经过完全随机森林A和随机森林B变换输出类别概率向量,合并所有的类别概率向量生成新的特征组成多组序列数据特征向量,经过完全随机森林A和随机森林B变换输出新的向量,合并所有向量生成新的特征;
第三步:将第二步中得到的新的特征作为输入,输入到级联森林中,将每个森林生成的类向量通过K折交叉验证降低过拟合,经过一层层的级联结构训练,直到这一层的结果无显著的性能增益时停止,输出最大类别概率的链路质量等级作为最终的评估结果。
2.根据权利要求1所述的采用多粒度级联森林评估链路质量的方法,其特征在于,在步骤S3中:
准确率的定义为:使用正确评估的正例样本数除以全部评估为正例样本数的精确率作为横坐标,使用正确评估的样本数除以正例样本总数的召回率为纵坐标,画出准确率-召回率曲线验证模型的准确性能;
稳定性的定义为:评估模型抵御波动的能力,通过对无线链路长时间的评估,观察评估模型是否会受到噪声的影响随之瞬态波动,提供稳定的链路质量估计;
敏捷性的定义为:(1)在深度学习链路质量评估模型中,对于大量的链路质量样本处理时间的长短,花费较短时间的模型敏捷性更好;(2)在相对较少的链路质量样本的情况下,快速反映链路质量的同时对链路质量能准确评估的模型性能更佳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913356.7A CN110662232B (zh) | 2019-09-25 | 2019-09-25 | 一种采用多粒度级联森林评估链路质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913356.7A CN110662232B (zh) | 2019-09-25 | 2019-09-25 | 一种采用多粒度级联森林评估链路质量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110662232A CN110662232A (zh) | 2020-01-07 |
CN110662232B true CN110662232B (zh) | 2020-06-30 |
Family
ID=69039192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910913356.7A Active CN110662232B (zh) | 2019-09-25 | 2019-09-25 | 一种采用多粒度级联森林评估链路质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110662232B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950166B (zh) * | 2020-08-26 | 2021-04-02 | 广州博依特智能信息科技有限公司 | 一种基于数据挖掘的生活用纸造纸机成本优化方法 |
CN112633368B (zh) * | 2020-12-21 | 2022-07-01 | 四川大学 | 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法 |
CN113569482B (zh) * | 2021-07-29 | 2024-02-06 | 石家庄铁道大学 | 隧道服役性能的评估方法、装置、终端及存储介质 |
CN114757225B (zh) * | 2022-03-31 | 2023-05-30 | 北京百度网讯科技有限公司 | 信号采样质量的确定方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108141792A (zh) * | 2015-10-12 | 2018-06-08 | 瑞典爱立信有限公司 | 通信网络中的数据业务的负载均衡 |
CN109120435A (zh) * | 2018-07-27 | 2019-01-01 | 南昌航空大学 | 网络链路质量预测方法、装置及可读存储介质 |
WO2019101193A1 (en) * | 2017-11-27 | 2019-05-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for predicting a quality of experience of a service in a wireless network |
-
2019
- 2019-09-25 CN CN201910913356.7A patent/CN110662232B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108141792A (zh) * | 2015-10-12 | 2018-06-08 | 瑞典爱立信有限公司 | 通信网络中的数据业务的负载均衡 |
WO2019101193A1 (en) * | 2017-11-27 | 2019-05-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for predicting a quality of experience of a service in a wireless network |
CN109120435A (zh) * | 2018-07-27 | 2019-01-01 | 南昌航空大学 | 网络链路质量预测方法、装置及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
A link prediction approach based on deep learning for opportunistic sensor network;Shu,Jian 等;《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》;20170430;第13卷(第4期);全文 * |
Detection and Classification of Multiple Power Quality Disturbances based on Temporal Deep Learning;Mohammadi Mohammad等;《IEEE》;20190801;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110662232A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110662232B (zh) | 一种采用多粒度级联森林评估链路质量的方法 | |
CN109949176B (zh) | 一种基于图嵌入的社交网络中异常用户检测方法 | |
CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN105629198B (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
CN106326923B (zh) | 一种顾及位置重复和密度峰值点的签到位置数据聚类方法 | |
CN103888541A (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN113190939B (zh) | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 | |
CN113157922A (zh) | 基于图的网络实体行为评估、可视化方法 | |
CN113297429A (zh) | 一种基于神经网络架构搜索的社交网络链路预测方法 | |
CN112508408B (zh) | 一种边缘计算下无线资源管理指标的映射模型构建方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN111865690A (zh) | 基于网络结构和时序的机会网络链路预测方法 | |
Lentzakis et al. | Time-dependent partitioning of urban traffic network into homogeneous regions | |
CN114430530B (zh) | 空间划分方法、装置、设备、介质和程序产品 | |
Creusefond et al. | Finding compact communities in large graphs | |
CN115169501A (zh) | 基于公共邻居节点聚类熵紧密相似性的社区检测方法 | |
CN103051476A (zh) | 基于拓扑分析的网络社区发现方法 | |
Fu et al. | Managing your trees: Insights from a metropolitan-scale low-power wireless network | |
CN116744305B (zh) | 一种基于5g数据通信过程安全管控的通信系统 | |
CN110610205A (zh) | 社交网络中的社区识别方法 | |
Liu et al. | Multi-feature sensor similarity search for the Internet of Things | |
CN111797281A (zh) | 基于中心节点的二层相异性社区发现算法研究 | |
CN115102909B (zh) | 一种基于ihho-fcm算法的网络流量分类方法 | |
Nga et al. | Entropy correlation-based clustering method for representative data aggregation in wireless sensor networks |
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 |