CN111182564B - 一种基于lstm神经网络的无线链路质量预测方法 - Google Patents

Abstract

本发明公开了一种基于LSTM神经网络的无线链路质量预测方法，所述预测方法的步骤包括：无线通信设备采集并保存无线链路质量信噪比信号序列作为通信链路质量原始信号序列，采用均值滤波的方法将通信链路质量原始信号序列分解为平稳序列和噪声序列，噪声序列计算噪声标准差，并分别对两部分设计LSTM神经网络模型进行训练和预测应用，最终计算出所需通信链路的置信区间。通过将预测的下界与智能电网通信可靠性最低要求作对比，判断是否满足通信可靠性最低标准。本发明可以广泛应用于无线传感器网络领域，有效地预测链路质量，提高了链路传输的稳定性和可靠性。

Description

一种基于LSTM神经网络的无线链路质量预测方法

技术领域

本发明涉及一种基于LSTM神经网络的无线链路质量预测方法，尤其是涉及一种基于LSTM神经网络无线通信链路可靠性置信区间的质量预测方法。

技术背景

无线传感器网络节点之间通常有多个传输路径可供选择，通过预测邻节点间无线链路质量，选择链路最优的邻节点转发数据，不仅可以提高通信的可靠性，而且可以减少因通信失败重新传输导致的延迟。因此，准确地预测无线链路质量是提高无线传感器网络通信可靠性的有效途径。

无线链路质量是一类具有时变性、随机性和非线性的非平稳随机时间序列。目前，对这类时间序列的预测的方法精度都不高，难以应用于无线传感器网络的路由选择算法中。本发明通过对无线传感器网络无线链路质量预测方法的研究，为无线传感器网络路由协议提供一种新的链路质量的评价方法，以提高在网络资源受限、环境条件恶劣的约束下微电网通信的可靠性。

目前国内外对于无线链路质量预测的主要技术方法有：

《基于D-FNN的无线物联网链路预测[J]》.电脑知识与技术， 2015，11(33)：120-122。该文提出了基于动态模糊神经网络(DFNN)的预测模型，该模型主要是考虑了输出误差这个重要因素。将ARIMA模型产生的非线性特征用DFNN模型模拟，能够产生比DFNN和ARIMA单个模型更加精确的模型。因此，它的预测结果精度较高。但这种方法不适用于变化较大的通信链路质量预测。

《基于遗传优化BP神经网络的信噪比预测研究[J]》.中国新通信， 2016，18(7)：77-77。该文提出了基于BP神经网络的链路质量预测方法，BP 神经网络的泛化能力和容错能力使预测模型得到了良好的预测结果。但BP 神经网络结构选择不一以及算法收敛速度慢的缺点，导致了预测模型无法满足智能电网对链路预测可靠、高效的要求。

《基于深度信念网络的WSN链路质量预测[J]》.通信学报，2017(S2)。该文提出了基于深度信念模型的链路质量预测方法。虽然在数据平稳部分预测效果较好，但当链路参数受到环境因素干扰而产生波动时，精度大大降低，并且模型的建立复杂度较高。上述所提方法均预测链路质量的准确值，但预测结果总存在偏差无法保证智能电网的可靠性，根本原因是无线通信链路质量具有随机性。

发明内容

本发明的目的是为了解决上述的技术方案中对于无线链路质量预测精度不高的缺点，提出一种更为合理的预测方法。具体的，首先采用均值滤波的方法将通信链路质量原始信号序列分解为平稳序列和噪声序列，噪声序列计算噪声标准差。并分别对两部分设计LSTM神经网络模型进行预测，最终计算出所需通信链路的置信区间。通过将预测的下界与智能电网通信可靠性最低要求作对比，判断是否满足通信可靠性最低标准。当预测结果无法满足可靠性标准时，通过切换到高质量链路或放大信号功率以保证无线物联网通信链路的可靠性，对于提高无线传感器网络整体的可靠性和鲁棒性是非常重要的。

本发明的目的是这样实现的。一种基于LSTM神经网络的无线链路质量预测方法，包括LSTM神经网络模型训练阶段、基于训练结果的无线链路质量预测应用阶段；

所述LSTM神经网络模型训练阶段和基于训练结果的无线链路质量预测应用阶段，包括以下步骤：

步骤1，LSTM神经网络模型训练阶段

步骤1.1，设置LSTM神经网络模型的结构与参数

设LSTM神经网络模型的输入为本次训练的输入数据x_t、前一次训练的输出数据h_t-1和前一次训练的状态数据c_t-1；

设LSTM神经网络模型的输出为本次训练的输出数据h_t和本次训练的状态数据c_t，本次训练的输出数据h_t和本次训练的状态数据c_t的计算式为：

h_t＝o_ttach(c_t) (2)

其中，

t代表当前时刻，t-1代表前一时刻；

f_t为控制输入数据信息是否遗忘的参数，范围为0-1；

i_t为控制训练信息具体值是否更新的参数，范围为0-1；

为中间状态数据，范围为

o_t为控制数据输出的参数，范围为0-1；

tach(x)为双曲正切函数；

参数f_t、i_t、

o_t的表达式分别如下：

f_t＝θ(W_f[h_t-1，x_t]+b_f) (3)

i_t＝θ(W_i[h_t-1，x_t]+b_i) (4)

o_t＝θ(W_o[h_t-1，x_t]+b_o) (6)

式中，[h_t-1，x_t]代表将前一次训练的输出数据h_t-1和本次训练的输入数据x_t合并为一个行向量；W_f为控制输入数据信息是否遗忘部分对应的权值矩阵，矩阵维度为20×20；W_i为控制训练信息具体值是否更新部分对应的权值矩阵，矩阵维度为20×20；W_c为中间状态数据部分对应的权值矩阵，矩阵维度为20×20；W_o为输入部分对应的权值矩阵，矩阵维度为20×20；b_f为控制输入数据信息是否遗忘部分对应的偏置项；b_i为控制训练信息具体值是否更新部分对应的偏置项；b_c为中间状态数据部分对应的偏置项；b_o为输入部分对应的偏置项；θ(x)为sigmod函数，θ(x)定义如下：

记W＝{W_o，W_c，W_i，W_f}为LSTM神经网络模型的权值参数矩阵、 b＝{b_o，b_c，b_i，b_f}为LSTM神经网络模型的偏置项，设LSTM神经网络模型初始参数状态数据c₀为0、初始输出数据h₀为0、权值参数矩阵W内的值和偏置项b的值均初始化为均值为0、标准差为1的高斯分布的数值，即LSTM神经网络模型中的所有权值参数矩阵和偏置项，通过标准正态分布随机化方法进行初始化；

步骤1.2，在待预测的通信环境下，通过无线通信设备采集并保存第1个时刻到第N时刻的无线链路质量信噪比信号，并记为LSTM神经网络模型的原始信号数据序列X_n，n＝1，2，...N；

步骤1.3，设中值滤波区间参数A＝5，对原始信号数据序列X_n进行中值滤波去噪预处理，并将对原始信号数据序列X_n进行中值滤波去噪预处理后的信号序列记为原始平稳序列f_n、去除的噪声部分记为噪声序列γ_n， n＝1，2，...N；

步骤1.4，对原始平稳序列f_n，取第11数据到第N个数据，按照原来的顺序组成新的序列，记为平稳序列s_k，k＝1，2，...N-10；对于噪声序列γ_n，以10个噪声数据为长度计算其噪声序列的标准差，并作为第11个噪声数据的标准差，将计算结果组成的标准差序列记为噪声标准差序列σ_k， k＝1，2，...N-10；噪声标准差序列σ_k的表达式如下；

其中，μ_k为噪声序列的平均值，公式如下所示：

步骤1.5，创建两个步骤1.1中的LSTM神经网络模型，第一个为针对平稳序列训练的模型，记为模型S，第二个为针对噪声标准差序列训练的模型，记为模型

对模型S和模型

均进行l次训练，l＝1，2，..N-19，并在每次训练中采用步骤1.1中所述的公式(3)、(4)、(5)、(6)求解得到权值参数矩阵W和偏置项b；

具体的，每次训练中，模型S和模型

的输入和输出为：

平稳序列s_k更新为平稳输入序列s_l，模型S的输入为s_l，...，s_l+9、输出为 s_l+10；噪声标准差序列σ_k更新为平稳输入序列σ_l，模型

的输入为σ_l，...，σ_l+9、输出为σ_l+10；

当l＝N-19后，训练结束，保存LSTM模型权值参数矩阵W和偏置项b；

步骤2，基于训练结果的无线链路质量预测应用阶段

步骤2.1，在待预测的通信环境下，通过无线通信设备再次采集并保存新的第1时刻到第20个时刻的无线链路质量信噪比信号，记为应用原始信号数据序列

步骤2.2，对应用原始信号数据序列

进行中值滤波去噪预处理，得到应用原始平稳序列

和应用噪声序列

其中中值滤波去噪参数A^Z＝5；

步骤2.3，对于应用原始平稳序列

取第11到20个数据，按照原来的顺序组成新的序列，并记为应用平稳序列

对于应用噪声序列

以10个应用噪声序列的长度计算应用噪声数据标准差，并作为第11个应用噪声数据的标准差，将计算结果组成的标准差序列记为应用噪声标准差序列

计算公式如下所示：

其中，

为应用噪声序列的平均值，公式如下所示：

步骤2.4，将应用平稳序列

和应用噪声标准差序列

输入步骤1.6 中训练完成的两个LSTM神经网络模型，预测得到下一时刻的应用平稳序列值h₁₁和应用噪声标准差序列下一时刻的序列值

步骤2.5，设在置信水平α的情况下，预测的下一时刻应用原始信号数据序列

的下限为

所得应用原始信号置信区间如公式(12)所示：

其中，Z_α为标准高斯分布累积分布函数中α所对应的分位数。

与现有技术相比，本发明的有益效果如下：

1、利用LSTM神经网络模型进行预测可以避免人工神经你网络模型结构设计的盲目性，其具有训练速度快、序列信息记忆长的特点，具有较强的学习能力。

2、对信号进行尺度分解其目的是使得分解后的低频大尺度衰落信号比链路质量信号更单一、平滑，其稳定性更高。

3、对无线链路质量信号置信区间的计算，弥补了传统的预测方法对于单值预测不精确的缺陷，给出定量的预测范围，在工程应用上具有更大的参考意义。

4、本方法能够计算无线通信节点间的链路质量的置信区间，以解决链路质量预测精度低的问题，同时也将链路质量中的高频噪声部分纳入了预测范畴，实验结果表明，本发明的方法提高了无线传感器网络整体的可靠性和鲁棒性。

附图说明

图1为本发明基于LSTM神经网络的无线链路质量预测方法的流程图；

图2为本发明实施例中LSTM神经网络细胞结构图；

图3为本发明实施例步骤1.5中创建的LSTM神经网络预测模型S的结构图；

图4为本发明实施例步骤1.5中创建的LSTM神经网络预测模型

的结构图；

图5为本发明实施例原始序列实例分析图；

图6为本发明实施例平稳序列实例分析图；

图7为本发明实施例噪声序列实例分析图；

图8为本发明实施例噪声标准差序列分析图；

图9为本发明实施例的链路质量预测结果可靠性对比图。

具体实施方式

下面结合附图及实施例对本发明做进一步详细说明。

本发明的基本方法流程示意图如图1所示。由该图可见，本发明包括包括LSTM神经网络模型训练阶段、基于训练结果的无线链路质量预测应用阶段。

本实施例的具体步骤如下所述。

步骤1，LSTM神经网络模型训练阶段

步骤1.1，设置LSTM神经网络模型的结构与参数

设LSTM神经网络模型的输入为本次训练的输入数据x_t、前一次训练的输出数据h_t-1和前一次训练的状态数据c_t-1；

设LSTM神经网络模型的输出为本次训练的输出数据h_t和本次训练的状态数据c_t，本次训练的输出数据h_t和本次训练的状态数据c_t的计算式为：

h_t＝o_ttach(c_t) (2)

其中，

t代表当前时刻，t-1代表前一时刻；

f_t为控制输入数据信息是否遗忘的参数，范围为0-1；

i_t为控制训练信息具体值是否更新的参数，范围为0-1；

为中间状态数据，范围为

o_t为控制数据输出的参数，范围为0-1；

tach(x)为双曲正切函数；

参数f_t、i_t、

o_t的表达式分别如下：

f_t＝θ(W_f[h_t-1，x_t]+b_f) (3)

i_t＝θ(W_i[h_t-1，x_t]+b_i) (4)

o_t＝θ(W_o[h_t-1，x_t]+b_o) (6)

式中，[h_t-1，x_t]代表将前一次训练的输出数据h_t-1和本次训练的输入数据x_t合并为一个行向量；W_f为控制输入数据信息是否遗忘部分对应的权值矩阵，矩阵维度为20×20；W_i为控制训练信息具体值是否更新部分对应的权值矩阵，矩阵维度为20×20；W_c为中间状态数据部分对应的权值矩阵，矩阵维度为20×20；W_o为输入部分对应的权值矩阵，矩阵维度为20×20；b_f为控制输入数据信息是否遗忘部分对应的偏置项；b_i为控制训练信息具体值是否更新部分对应的偏置项；b_c为中间状态数据部分对应的偏置项；b_o为输入部分对应的偏置项；θ(x)为sigmod函数，θ(x)定义如下：

记W＝{W_o，W_c，W_i，W_f}为LSTM神经网络模型的权值参数矩阵、 b＝{b_o，b_c，b_i，b_f}为LSTM神经网络模型的偏置项，设LSTM神经网络模型初始参数状态数据c₀为0、初始输出数据h₀为0、权值参数矩阵W内的值和偏置项b的值均初始化为均值为0、标准差为1的高斯分布的数值，即LSTM神经网络模型中的所有权值参数矩阵和偏置项，通过标准正态分布随机化方法进行初始化。

步骤1.2，在待预测的通信环境下，通过无线通信设备采集并保存第1个时刻到第N时刻的无线链路质量信噪比信号，并记为LSTM神经网络模型的原始信号数据序列X_n，n＝1，2，...N。

在本实施例中，N＝10000。即在待预测的通信环境下，通过无线通信设备采集并保存第1个时刻到第10000时刻的无线链路质量信噪比信号，作为 LSTM神经网络模型的原始信号数据序列X_n，其中500个序列数据如图5所示。

步骤1.3，设中值滤波区间参数A＝5，对原始信号数据序列X_n进行中值滤波去噪预处理，并将对原始信号数据序列X_n进行中值滤波去噪预处理后的信号序列记为原始平稳序列f_n、去除的噪声部分记为噪声序列γ_n， n＝1，2，...N。

图2为本发明实施例中LSTM神经网络细胞结构图。另外如步骤1.3， N＝10000，其中500个原始平稳序列数据如图6所示，500个噪声序列数据如图7所示。

步骤1.4，对原始平稳序列f_n，取第11数据到第N个数据，按照原来的顺序组成新的序列，记为平稳序列s_k，，k＝1，2，...N-10；对于噪声序列γ_n，以10个噪声数据为长度计算其噪声序列的标准差，并作为第11个噪声数据的标准差，将计算结果组成的标准差序列记为噪声标准差序列σ_k， k＝1，2，...N-10。

在本实施例中，对于原始平稳序列f_n，取第11到10000个数据，按照原来的顺序组成新的序列，作为平稳序列s_k，k＝1，2，…9990。对于噪声序列γ_n，以10个噪声数据为长度计算其噪声序列的标准差，并作为第11个噪声数据的标准差，将计算结果组成的标准差序列记为噪声标准差序列σ_k， k＝1，2，...9990。其中500个噪声标准差序列数据如图8所示。

噪声标准差序列σ_k的表达式如下；

其中，μ_k为噪声序列的平均值，公式如下所示：

步骤1.5，创建两个步骤1.1中的LSTM神经网络模型，第一个为针对平稳序列训练的模型，记为模型S，第二个为针对噪声标准差序列训练的模型，记为模型

对模型S和模型

均进行l次训练，l＝1，2，..N-19，并在每次训练中采用步骤1.1中所述的公式(3)(4)(5)(6)求解得到权值参数矩阵W和偏置项b。

具体的，每次训练中，模型S和模型

的输入和输出为：

平稳序列s_k更新为平稳输入序列s_l，模型S的输入为s_l，...，s_l+9、输出为 s_l+10；噪声标准差序列σ_k更新为平稳输入序列σ_l，模型

的输入为σ_l，...，σ_l+9、输出为σ_l+10。

当l＝N-19后，训练结束，保存每次训练后得到的LSTM模型权值参数矩阵W和偏置项b。

图3为模型S的结构图，图4为本发明实施例步骤1.5中创建的LSTM 神经网络预测模型6的结构图，其中l＝1，2，...9981。

步骤2，基于训练结果的无线链路质量预测应用阶段

步骤2.1，在待预测的通信环境下，通过无线通信设备再次采集并保存新的第1时刻到第20个时刻的无线链路质量信噪比信号，记为应用原始信号数据序列

步骤2.2，对应用原始信号数据序列

进行中值滤波去噪预处理，得到应用原始平稳序列

和应用噪声序列

其中中值滤波去噪参数A^Z＝5。

步骤2.3，对于应用原始平稳序列

取第11到20个数据，按照原来的顺序组成新的序列，并记为应用平稳序列

对于应用噪声序列

以10个应用噪声序列的长度计算应用噪声数据标准差，并作为第11个应用噪声数据的标准差，将计算结果组成的标准差序列记为应用噪声标准差序列

计算公式如下所示：

其中，

为应用噪声序列的平均值，公式如下所示：

步骤2.4，将应用平稳序列

和应用噪声标准差序列

输入步骤1.6 中训练完成的两个LSTM神经网络模型，预测得到下一时刻的应用平稳序列值h₁₁和应用噪声标准差序列下一时刻的序列值

步骤2.5，设在置信水平α的情况下，预测的下一时刻应用原始信号数据序列

的下限为

所得应用原始信号置信区间如公式(12)所示：

其中，Z_α为标准高斯分布累积分布函数中α所对应的分位数。

在本实施例中，重复进行步骤二，最后组成连续100组链路质量置信区间的融合图，如图9所示。

Claims (1)

1.一种基于LSTM神经网络的无线链路质量预测方法，其特征在于，包括LSTM神经网络模型训练阶段、基于训练结果的无线链路质量预测应用阶段；

所述LSTM神经网络模型训练阶段和基于训练结果的无线链路质量预测应用阶段，包括以下步骤：

步骤1，LSTM神经网络模型训练阶段

步骤1.1，设置LSTM神经网络模型的结构与参数

设LSTM神经网络模型的输入为本次训练的输入数据x_t、前一次训练的输出数据h_t-1和前一次训练的状态数据c_t-1；

设LSTM神经网络模型的输出为本次训练的输出数据h_t和本次训练的状态数据c_t，本次训练的输出数据h_t和本次训练的状态数据c_t的计算式为：

h_t＝o_ttach(c_t) (2)

其中，

t代表当前时刻，t-1代表前一时刻；

f_t为控制输入数据信息是否遗忘的参数，范围为0-1；

i_t为控制训练信息具体值是否更新的参数，范围为0-1；

为中间状态数据，范围为

o_t为控制数据输出的参数，范围为0-1；

tach(x)为双曲正切函数；

参数f_t、i_t、

o_t的表达式分别如下：

f_t＝θ(W_f[h_t-1，x_t]+b_f) (3)

i_t＝θ(W_i[h_t-1，x_t]+b_i) (4)

o_t＝θ(W_o[h_t-1，x_t]+b_o) (6)

式中，[h_t-1，x_t]代表将前一次训练的输出数据h_t-1和本次训练的输入数据x_t合并为一个行向量；W_f为控制输入数据信息是否遗忘部分对应的权值矩阵，矩阵维度为20×20；W_i为控制训练信息具体值是否更新部分对应的权值矩阵，矩阵维度为20×20；W_c为中间状态数据部分对应的权值矩阵，矩阵维度为20×20；W_o为输入部分对应的权值矩阵，矩阵维度为20×20；b_f为控制输入数据信息是否遗忘部分对应的偏置项；b_i为控制训练信息具体值是否更新部分对应的偏置项；b_c为中间状态数据部分对应的偏置项；b_o为输入部分对应的偏置项；θ(x)为sigmod函数，θ(x)定义如下：

记W＝{W_o，W_c，W_i，W_f}为LSTM神经网络模型的权值参数矩阵、b＝{b_o，b_c，b_i，b_f}为LSTM神经网络模型的偏置项，设LSTM神经网络模型初始参数状态数据c₀为0、初始输出数据h₀为0、权值参数矩阵W内的值和偏置项b的值均初始化为均值为0、标准差为1的高斯分布的数值，即LSTM神经网络模型中的所有权值参数矩阵和偏置项，通过标准正态分布随机化方法进行初始化；

步骤1.2，在待预测的通信环境下，通过无线通信设备采集并保存第1个时刻到第N时刻的无线链路质量信噪比信号，并记为LSTM神经网络模型的原始信号数据序列X_n，n＝1，2，...N；

步骤1.3，设中值滤波区间参数A=5，对原始信号数据序列X_n进行中值滤波去噪预处理，并将对原始信号数据序列X_n进行中值滤波去噪预处理后的信号序列记为原始平稳序列f_n、去除的噪声部分记为噪声序列γ_n，n＝1，2，...N；

步骤1.4，对原始平稳序列f_n，取第11数据到第N个数据，按照原来的顺序组成新的序列，记为平稳序列s_k，k＝1，2，...N-10；对于噪声序列γ_n，以10个噪声数据为长度计算其噪声序列的标准差，并作为第11个噪声数据的标准差，将计算结果组成的标准差序列记为噪声标准差序列σ_k，k＝1，2，...N-10；噪声标准差序列σ_k的表达式如下；

其中，μ_k为噪声序列的平均值，公式如下所示：

步骤1.5，创建两个步骤1.1中的LSTM神经网络模型，第一个为针对平稳序列训练的模型，记为模型S，第二个为针对噪声标准差序列训练的模型，记为模型

对模型S和模型

均进行l次训练，l＝1，2，..N-19，并在每次训练中采用步骤1.1中所述的公式(3)、(4)、(5)、(6)求解得到权值参数矩阵W和偏置项b；

具体的，每次训练中，模型S和模型б的输入和输出为：

平稳序列s_k更新为平稳输入序列s_l，模型S的输入为s_l，...，s_l+9、输出为s_l+10；噪声标准差序列σ_k更新为平稳输入序列σ_l，模型

的输入为σ_l，...，σ_l+9、输出为σ_l+10；

当l＝N-19后，训练结束，保存LSTM模型权值参数矩阵W和偏置项b；

步骤2，基于训练结果的无线链路质量预测应用阶段

步骤2.1，在待预测的通信环境下，通过无线通信设备再次采集并保存新的第1时刻到第20个时刻的无线链路质量信噪比信号，记为应用原始信号数据序列

p＝1，2，...20；

步骤2.2，对应用原始信号数据序列

进行中值滤波去噪预处理，得到应用原始平稳序列

和应用噪声序列

其中中值滤波去噪参数A^Z＝5；

步骤2.3，对于应用原始平稳序列

取第11到20个数据，按照原来的顺序组成新的序列，并记为应用平稳序列

d＝1，2，...10；对于应用噪声序列

以10个应用噪声序列的长度计算应用噪声数据标准差，并作为第11个应用噪声数据的标准差，将计算结果组成的标准差序列记为应用噪声标准差序列

d＝1，2，...10，计算公式如下所示：

其中，

为应用噪声序列的平均值，公式如下所示：

步骤2.4，将应用平稳序列

和应用噪声标准差序列

输入步骤1.5中训练完成的两个LSTM神经网络模型，预测得到下一时刻的应用平稳序列值h₁₁和应用噪声标准差序列下一时刻的序列值

步骤2.5，设在置信水平α的情况下，预测的下一时刻应用原始信号数据序列

的下限为

所得应用原始信号置信区间如公式(12)所示：

其中，Z_α为标准高斯分布累积分布函数中α所对应的分位数。

Images