CN111314928A - 一种基于改进bp神经网络的无线自组网性能预测方法 - Google Patents

Abstract

本发明公开了一种基于改进BP神经网络回归算法的无线自组网网络性能预测方法。该方法同时涉及无线通信网络和机器学习领域，针对传统BP神经网络回归算法进行改进，并通过改进后算法对时变环境中无线自组网的三个网络性能指标：吞吐量、时延、丢包率，分别进行预测，在保证原有算法预测性能的前提下，有效加速了网络参数的收敛速度。本发明结合实际任务场景以及三种MAC协议(CSMA/CA、DTDMA、ESTDMA)构建经验数据集，每条数据即可代表一个任务场景；并针对传统BP神经网络进行改进，改善了网络参数的收敛速度。本发明的基本思想是：通过分析实际任务信息提取特征构建经验数据集；通过在BP神经网络参数偏置量计算公式中引入放大函数来改善参数收敛速度，并用改进后的算法对经验数据集进行学习，获取学习模型；调用学习模型面向新任务预测网络性能。

Description

一种基于改进BP神经网络的无线自组网性能预测方法

技术领域

本发明属于无线通信网络领域，特别涉及基于改进BP神经网络的无线自组网性能预测方法。

背景技术

本方法同时涉及无线通信网络和机器学习领域，主要是通过BP神经网络回归算法，面向战场情况下各参战节点间的组网情况，预测当前网络性能，包括吞吐量、时延、丢包率三个指标；此外，还针对传统BP神经网络进行改进，实现了BP网络训练过程中收敛速度的提升。

在复杂战场环境中，为实现各参战节点间的实时数据共享，需要构建自组织网络来进行信息传输，而在无线自组网中，MAC协议主要负责控制网络中各节点对无线信道的访问，因此，MAC协议的性能也直接决定着无线自组网的整体性能。由于战场环境复杂，作战任务时变，单一的MAC协议也无法一直保持良好的性能，在面向不同的作战任务以及战场环境时，需要采用不同的MAC协议以保证当前网络的通信质量。因此，本发明提出了一种基于改进BP神经网络、根据实际任务及环境信息预测当前网络性能的预测方法。本方法主要涉及三种MAC协议，分别是：多跳载波检测协议(Carrier Sense Multiple Access withCollision Avoidance，CSMA/CA)、全连通动态时分协议(Dynamic Time DivisionMultiple Access，DTDMA)和多跳自组织时分多址协议(Enhanced Self-organized TimeDivision Multiple Access，ESTDMA)，所要预测的网络性能为吞吐量、时延、丢包率三个指标。

CSMA/CA是一种在载波检测基础上加入冲突避免机制的异步随机接入方法。该协议高度灵活、实现简单，可在多跳范围内自组织组网，适用于节点数量多且易被击毁而需要快速补充的应用场景，例如无人机蜂群网络。采用CSMA/CA接入机制时，节点在发送数据前需要先检测信道状态，如果信道忙，则持续检测直到信道空闲为止；如果信道空闲，则节点采取一定的退避方案尝试接入信道。节点在接入信道前先进行退避目的是为了避免多个节点之间的竞争冲突，典型的退避方法如二进制指数退避法，节点通过在[0，CW-1]的退避窗口内选择一个随机值，并等待相应的时隙数，其中CW表示退避窗口大小。如果该次退避结束发送数据失败，则将竞争窗口扩大2倍，重新选择退避值，因此该方法被称为二进制指数退避法。CSMA/CA协议在单跳范围内应用良好，其退避和预约机制保证了CSMA/CA无需做任何改动即可直接应用于多跳自组织网络，并获得相对较好的性能。该协议下，传输业务模式灵活，实时信息能够高效回传，从而满足突发业务量大的需求。同时，由于节点入网和退网时不需要进行请求和确认，可以满足节点数量时变的应用场景。通过二进制指数退避算法以及载波检测机制，该协议能够有效避免多个发送节点间产生的冲突，从而广泛应用在了无线自组织网络的各种仿真测试中，已成为一种无线通信网络信道接入协议的规范。

TDMA(Time division multiple access)协议是经典的时分多址接入协议，各节点时间轴被统一的划分为一系列连续的时隙，并采用某种时隙分配方法将时隙分配给指定的收/发节点对，从而允许各个节点以时分多址的方式接入无线信道。DTDMA是一种在TDMA协议上进行改进的全向规模可扩展动态时分接入协议。它主要应用于所有节点单跳可达的全连通网络中，可执行监视、侦查与情报收集等任务。该协议下，网络规模动态可变，满足突发业务传输以及全连通拓扑控制的需求。如附图1所示为该协议基本时帧结构。该协议将所有节点的时间轴进行同步，将其划分为多个连续、不定长的时帧，每个时帧包含节点同步、时隙请求、时隙分配和数据传输四个阶段。节点同步阶段，网络中所有节点进行分布式网同步，且会产生一个当前时帧中的管理节点。在时隙请求阶段，各节点向管理节点发送信息进行时隙请求。时隙分配阶段，管理节点根据全网所有节点的时隙请求以及请求业务优先级对时隙进行统一分配，并将时隙分配信息以广播的方式告知网络中的所有节点。各节点可据此获知自身所分配到的传输时隙，从而在数据传输阶段完成自身节点的数据传输。此外，该协议能够有效支持节点退网与新节点入网，从而实现网络规模的动态扩展。

自组织时分多址协议(Self-Organized Time-Division Multiple，STDMA)主要应用于单跳场景中，而在多跳无线自组织网络环境中，当收发节点处于彼此传输范围外时，需要经过中间节点多跳转发才能实现互通，因而无法通过分布式的方式产生管理节点并进行统一时隙分配。同时，在类似于航空自组织网络的应用中，节点移动速度快，拓扑变化频繁，STDMA难以获得良好的性能。ESTDMA是一种基于自组织时隙选取的拓扑透明时分接入协议，业务传输模式固定，可执行监视与情报收集任务，适用于数据信息多跳传输、突发业务量少的应用场景。该协议以STDMA协议为基础，将STDMA协议中的时隙划分为首次分配、二次分配、数据传输和收方应答四个阶段。如附图2所示为ESTDMA协议时帧结构。在首次分配阶段，预先选定当前时隙的节点通过预约请求帧(Request to Reserve，RTR)和预约应答帧(Clear to Reserve，CTR)交互预约当前时隙。在二次分配阶段，节点采用基于竞争的时隙二次分配机制。节点通过求解网络吞吐量最大值，获知在二次分配阶段竞争预约时隙的最佳概率，并以该概率竞争预约首次分配阶段产生冲突或保持空闲的时隙。成功预约当前时隙的节点在数据传输阶段传输数据包。接收节点接收到数据包后，在收方应答阶段向发送节点应答ACK帧完成传输。

一个性能良好的MAC协议应该具备高的时空复用度，从而保证数据报文的高效传输。衡量一个MAC协议性能优劣的评价指标主要有吞吐量、时延和丢包率等。

(1)吞吐量

吞吐量是指单位时间在信道中有效传输的数据量。若单位时间内成功传输.数据帧为M，数据帧帧长为L，则当前吞吐量S即可表示为：

S＝ML (1)

(2)时延

时延可分为传播时延与传输时延。传播时延是指数据在信道介质中传播所需要的时间，主要与距离有关；传输时延是指将数据包中所有比特推向链路所需要的时间。时延的大小决定了网络中节点能否及时接收到其他节点发送的信息，是衡量网络性能的重要指标之一。

(3)丢包率

丢包率是指传输数据时所丢失数据包数量占所发送数据组的比率，与所传输的数据包长度以及数据包的发送频率有关。其计算公式为：

神经网络是一个多学科交叉的、非常庞大的学科领域，各相关学科对其的定义也多种多样，其中使用最为广泛的一种定义是：神经网络是具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。在计算机领域通俗来说，就是构建一种类似于生物神经系统消息传递的网络结构，对大量先验样本数据在网络中进行计算，根据计算输出结果与样本数据的总误差来对网络中的一些参数进行调整，从而使最终的网络模型在对未标记的数据进行计算处理时，能够尽可能的逼近真实结果。

BP(error Back Propagation，简称BP)神经网络又称误差逆传播算法，是迄今为止最成功、应用最为广泛的神经网络学习算法。BP网络通过学习大量输入/输出模式的映射关系来获取训练模型，这一过程并不是针对描述其映射关系的数学方程进行学习，而是通过网络总误差，采用梯度下降算法，不断调整网络中各个节点的阈值以及节点之间的权值，从而确定学习模型。一般的，BP神经网络由输入层、隐层和输出层组成；输入层对应每条数据的若干属性；隐层可以是一层或多层，每层有若干节点；输出层可通过若干节点输出的不同结果进行分类。每一个节点自身具有一个阈值，且与下一层各个节点之间都有权值，通过对输入样本数据进行多次迭代最终确定这些参数，从而可以对新数据进行预测。

发明内容

本发明的目的对传统BP神经网络进行改进，改善网络参数收敛速度，并采用改进后的BP神经网络预测复杂环境中采用不同MAC协议组网的无线自组网网络性能。本发明所采用的步骤是：

步骤1：结合实际任务场景构造关于无线自组网性能的经验数据集，无线自组网性能主要包含吞吐量、时延、丢包率三个性能评价指标；根据实际任务及场景信息先提取出八个特征属性，分别是：作战半径、发送功率、组网规模、业务量、负载量、运动性、时敏性、丢包率敏感度；分别为八个特征属性在其取值范围内随机赋值，生成大量随机数据；针对每条数据，分别使用三种MAC协议进行仿真，得到其吞吐量、时延、丢包率，三种MAC协议分别是：多跳载波检测协议(CSMA/CA)、全连通动态时分协议(DTDMA)和多跳自组织时分多址协议(ESTDMA)；根据仿真得到的吞吐量、时延、丢包率三个网络性能评价指标对三种MAC协议进行评估，选择出适合当前任务的最优MAC协议，并将适合该条数据的最优MAC协议也作为特征属性之一；将该条数据在最优MAC协议下进行仿真得到吞吐量、时延、丢包率分别作为学习标签，即可得到三个分别关于吞吐量、时延、丢包率的经验数据集。

步骤2：使用改进后的BP神经网络回归算法分别对三个经验数据集进行学习，获得学习模型；针对传统BP神经网络参数收敛过程中可能存在偏置量趋于0而导致参数收敛速度缓慢的情况，通过引入放大因子，来避免上述情况的出现，从而有效改善参数收敛情况；学习过程分为训练和测试两部分，通过训练初步获得学习模型，通过测试对学习模型中超参数进行调整，优化学习模型。

步骤3：面向新任务预测网络性能；将新任务内容，也就是对应的九个特征属性值作为输入，调用步骤2中的学习模型，即可分别对吞吐量、时延、丢包率进行预测，获知当前网络性能。

按照本发明所述的无线自组网网络性能预测方法，能够根据经验数据集获取学习模型，通过调用训练模型对当前网络的吞吐量、时延、丢包率三个性能指标快速做出预测；此外，按照本发明所述的针对传统BP神经网络的改进方法，有效的改善了BP神经网络的参数收敛过程，并且保持了学习模型的预测性能。附图3、附图4、附图5分别给出了传统BP神经网络和本发明所提出改进后的BP神经网络关于吞吐量、时延、丢包率在训练过程中整体均方误差的下降情况，从图中可以看出，在对三个性能指标进行学习时，随着训练迭代次数增加，改进后BP神经网络的整体均方误差下降更快，有效的加速了网络中参数收敛速度，并且，在经过50000次迭代训练后，其均方误差与传统BP神经网络保持在同一水平，保证了改进后算法对于无线自组网网络性能的预测能力。

附图说明

图1是全连通动态时分组网时帧结构；

图2是自组织时分多址协议时帧结构；

图3是吞吐量迭代训练误差对比；

图4是时延迭代训练误差对比；

图5是丢包率迭代训练误差对比；

图6是BP神经网络回归模型；

图7是Sigmoid函数图像；

图8是f(x)函数图像；

图9是g(x)函数图像；

图10是f(x)·g(x)与f(x)函数图像对比。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

本方法针对传统BP神经网络回归算法进行改进，并通过改进后算法对时变环境中无线自组网的三个网络性能指标：吞吐量、时延、丢包率，分别进行预测，在有效加速了BP神经网络参数收敛速度的同时，保证了原有算法的预测性能。

下面给出智能重构方法的具体实施步骤：

步骤1：结合实际任务场景以及本发明所选取的三种MAC协议，构造关于无线自组网性能的经验数据集，无线自组网性能主要包含吞吐量、时延、丢包率三个性能评价指标。

首先，根据实际任务及场景信息先提取出八个特征属性，分别是：作战半径、发送功率、组网规模、业务量、负载量、运动性、时敏性、丢包率敏感度；其次，分别为八个特征属性在其取值范围内随机赋值，生成大量随机数据；接着，针对每条数据，分别使用三种MAC协议进行仿真，得到其吞吐量、时延、丢包率，三种MAC协议分别是：多跳载波检测协议(CSMA/CA)、全连通动态时分协议(DTDMA)和多跳自组织时分多址协议(ESTDMA)；然后，根据仿真得到的吞吐量、时延、丢包率三个网络性能评价指标对三种MAC协议进行评估，选择出适合当前任务的最优MAC协议，并将适合该条数据的最优MAC协议也作为特征属性之一；最后，将该条数据在最优MAC协议下进行仿真得到吞吐量、时延、丢包率分别作为学习标签，即可得到三个分别关于吞吐量、时延、丢包率的经验数据集。构造经验数据集的具体流程如下：

(1)在军事领域中，常见的作战任务包括例行侦查、战场环境持久监视、抵近干扰、空中信息分发等多种形式，每种作战任务在业务类型、网络规模、天线模型、可用频段等多个方面存在显著差异。表1给出了部分作战任务的特点及描述。

表1常见作战任务极其特征描述

根据表1中不同作战任务的差异，可提取出八个特征属性，其中，六个作为仿真参数输入，分别是：作战半径、发送功率、组网规模、业务量、负载量、运动性，三个作为用户需求，分别是：业务量、时敏性、丢包率敏感度。八个特征属性中，业务量既作为仿真参数输入，也是用户需求。八个属性的定义及取值范围如表2所示。对这些属性在其取值范围内随机赋值，从而得到大量可以代表不同任务的原始仿真数据。

表2各特征属性的定义及取值范围

(2)对上述得到的大量原始数据进行仿真，分别得到每条数据在三种协议下的三个网络性能评价指标：吞吐量、时延、丢包率。并分别进行归一化处理，假设数据的评价指标表示为：

Γ＝(E₁，E₂...，E_M)， (3)

其中，M表示数据总数，E_m(m＝1，2...M)表示每条数据的评价指标，具体表示为：

其中，t表示吞吐量，d表示时延，p表示丢包率，其下标CS、DT、ES分别表示三种MAC协议。归一化公式如下：

其中，E_m(i，j)表示矩阵E中第i行第j列的元素，min(E_m(i，：))表示第i行元素的最小值；若E_m(i，：)为0，则选取第二小的元素作为最小值，依次类推。

(3)综合考虑三种MAC协议的吞吐量、时延、丢包率三个性能指标，对三种协议进行评估，选择出最适合当前任务场景的MAC协议，具体评估方法如下：

采用加权求和的方式对协议性能进行评估，假设协议评估分数表示为S_m＝(s_1，m，s_2，m，s_3，m)，则：

S_m＝ω_m·E_m， (6)

其中ω_m＝(ω_1m，ω_2m，ω_3m)表示权重因子，则式(6)可以重新表示为：

在评价每种MAC协议性能好坏时，不仅要考量吞吐量、时延、丢包率的大小，还要考量任务场景对这三种性能指标的需求；具体来看，业务量越大的场景对吞吐量的需求也就越大，时敏性越高的场景希望时延越低越好，丢包率敏感度越高的场景同样希望丢包率越低越好；因此，业务量与吞吐量成正比例相关，时敏性和时延成反比例相关，丢包率敏感度和丢包率成反比例相关；结合上述分析，权重因子ω_m可以由每种任务场景特征属性中的业务量(TS)、时敏性(R_d)、丢包率敏感度(R_p)表示：

ω_m＝(TS_m，-R_d，m，-R_p，m)， (8)

因此S_m可以重新表示为：

根据上述计算结果，选择评价得分最高的协议作为最适合当前数据的MAC协议。将协议类别也作为特征属性之一加入经验数据集，选择出的最优MAC协议即为该属性取值；令三种协议分别对应于1、2、3，即协议类别的取值范围为{1，2，3}；

(4)将(3)中得到的最优MAC协议所对应的吞吐量、时延、丢包率分别作为学习标签，即分别得到关于吞吐量、时延、丢包率的经验数据集。

步骤2：对传统BP神经网络回归算法进行改进，使用改进后的算法分别对三个经验数据集进行学习，获得学习模型。

针对传统BP神经网络参数收敛过程中可能存在偏置量趋于0而导致参数收敛速度缓慢的情况，通过引入放大因子，来避免上述情况的出现，从而有效改善参数收敛情况。学习过程分为训练和测试两部分，通过训练初步获得学习模型，通过测试对学习模型中超参数进行调整，优化学习模型。对传统BP神经网络的改进过程如下：

(1)根据实际任务情况构建传统单隐层BP神经网络回归模型，将输入层节点数设置为9，输出层节点数设置为1，隐层节点数根据试错法设置为合适的值。回归网络模型如附图6所示。

在BP网络的回归模型中，输出层只有一个节点y，因此，其网络均方误差为：

其中，

为网络实际输出，y为期望值。根据均方误差E，可通过梯度下降法对输出层节点与隐层节点间权值w_h、输出层节点阈值θ、隐层节点与输入层节点间权值v_ih、隐层节点阈值γ_h在每次迭代过程中进行更新。以隐层第h个神经元与输出节点的权值w_h为例，其更新估计式为：

w_h←w_h+Δw_h， (11)

其中，Δw_h为w_h的的偏置量，通过均方误差E对参数w_h求导得到。在训练时，每次迭代过程中对每条数据学习时，都会产生误差，也就是说，在每次迭代过程中，每学习一条数据，都会计算网络中参数的偏置量，对网络中参数进行更新。

BP神经网络通过梯度下降法，沿目标负梯度方向计算参数偏置量，从而对参数进行更新。根据式(10)中网络均方误差E，给定学习率η，偏置量Δw_h的计算公式为：

而由附图6可知，均方误差E与输出层节点的实际输出

有关，

与该节点的输入β有关，而β又与参数w_h有关，于是有：

根据式(10)中关于均方误差E的定义，可以得到：

对于网络中每个节点的激活函数Sigmoid函数，有这样一个性质：

f′(x)＝f(x)(1-f(x))， (15)

而

是关于β的Sigmoid函数，于是有：

根据式附图6中β的定义，可知：

将式(13)、式(14)、式(16)、式(17)带入式(12)，可以得到，参数w_h的偏置量Δw_h的计算公式为：

按照同样的方法，用均方误差E分别对θ、v_ih和γ_h求偏导，可计算出另外三类参数每次进行参数更新时的偏置量：

(2)根据上述偏置量Δw_h、Δθ、Δv_ih和Δγ_h，即可在每次迭代过程中，对参数w_h、γ_h、v_ih和θ进行调整。在对无线自组网网络性能进行预测时，由于网络的输入和输出是一些取值范围和量纲都不同的值，而BP神经网络中激活函数Sigmoid函数的值域在(0，1)区间内，因此，需将样本数据的特征属性值和学习标签都进行归一化处理。对于网络输出层的最终输出，其值域也在(0，1)区间内，且在学习过程中，学习标签也是归一化处理过的值，因此，在测试或预测时，还需对网络的输出值进行去归一化处理，才可得到最终的预测值。

本发明采用min-max归一化(Min-Max Normalization)方法对新数据集中的原始数据进行处理，该方法也称离差标准化，是对原始数据的线性转换，可将原始数据转换到[0，1]区间内。对于数据集中任意数值x，其转换方法如下：

其中，

是归一化后的值，x_max是该特征属性所有取值中的最大值，x_min是该特征属性所有取值中的最小值。

在进行测试或者预测时，需要对网络的输出值进行去归一化处理，才能得到最终的测试结果或是预测值。由式(22)的归一化公式，可以推算出，去归一化公式为：

其中，

为网络的实际输出值，y_max为学习标签中的最大值，y_min为学习标签中的最小值，也为去归一化的值，即最终的预测结果。

(3)然而，根据式(18)、式(19)、式(20)、式(21)计算偏置量时，由于Sigmoid函数的值域在(0，1)区间内，其函数图像如附图7所示，若函数输入过大或者过小，会出现Sigmoid函数输出趋于0或1的情况，即

的值可能趋于0或1。参数偏置量Δw_h、Δθ、Δv_ih和Δγ_h的计算公式中均含有因子式：

当

趋于0或1时，将导致偏置量Δw_h、Δθ、Δv_ih和Δγ_h趋于0，也就是相当于在此次更新参数的过程中，参数并没有进行更新，从而降低了网络整体收敛速度。此外，偏置量Δv_ih和Δγ_h的计算公式中还包含有因子式：b_h(1-b_h)，在计算隐层节点的输出b_h时，b_h的值也可能出现趋于0或1的情况，也将导致Δv_ih和Δγ_h趋于0。

针对上述问题，可将导致偏置量可能为0的因子项记作函数f(x)：

f(x)＝x(1-x)，x∈(0，1)， (24)

f(x)即偏置量计算公式中可能导致偏置量趋于0的因子项，其函数图像如附图8所示。其中，x为Sigmoid函数的输出，其定义域为x∈(0，1)，当x趋于0或1时，f(x)趋于0。

考虑到偏置量是一个较小的值，计算偏置量的目的是为了对网络中参数进行更新，通过偏置量更新参数本就是一个对原有网络中参数修改的过程，因此，偏置量的值并不一定要严格按照理论推导出的公式进行计算，可以对函数f(x)进行适当修改，来避免当x趋于0或1时，f(x)趋于0这种情况的发生。修改后的f(x)应当满足以下条件：

1)当x趋于0或1时，f(x)不趋于0，而应是一个极小的、但不趋于0的值；

2)修改后的函数应与原函数f(x)的图像曲线基本保持一致。

基于上述要求，本发明提出了一种引入放大函数的方法来对传统BP网络的偏置量计算方法来进行改进，即，构建一个放大函数g(x)作为因子项，添加到原有的偏置量计算公式中，该函数与f(x)相乘后，应满足当x趋于0或1时，其乘积不再趋于0，而是一个极小的非0常数值。因此，在构建函数g(x)时，g(x)应满足条件如下：

1)g(x)在x趋于0或1时，趋于无穷大，且g(x)与1/f(x)在x趋于0或1时，是等价无穷大；

2)f(x)·g(x)在x趋于0或1时，是一个极小的、但不趋于0的值；

3)f(x)·g(x)的图像应与f(x)的图像基本保持一致。

基于上述要求，可构建函数g(x)如下：

函数g(x)的图像如附图9所示，现对g(x)是否满足上述要求进行验证。

首先，根据函数g(x)定义可知，g(x)的定义域为区间(0，1)，由g(x)函数图像可知，当x趋于0或1时，g(x)趋于无穷大，且根据洛必达法则，有：

由上式可知，g(x)与1/f(x)在x趋于0或1时的比值是一个常数值，即，g(x)与1/f(x)在x趋于0或1时是等价无穷大，因此，g(x)对于条件1是满足的。

同样根据式(26)可知，在x趋于0或1时，f(x)·g(x)的值为1/140，是一个极小的、但不趋于0的值，条件2也满足。

最后，通过附图10中所示f(x)·g(x)的图像可以看出，在乘上放大因子g(x)之后，所得到的新的函数图像与f(x)的图像是非常接近的，不同之处在于：当x趋于0或1时，f(x)的值趋于0，而f(x)·g(x)的值则趋于1/140。这就保证了在计算偏置量时，不会出现因网络输出值

因为趋于0或趋于1而导致偏置量趋于0的情况，从而有效保证了网络的收敛速度。

根据上述论证可知，g(x)即为符合要求的放大函数。在验证函数g(x)符合要求之后，可将g(x)作为因子项添加到原有偏置量计算公式中，用

替换g(x)中的x。此外，由于偏置量Δv_ih和Δγ_h的计算公式中还包含有因子式b_h(1-b_h)，其中，b_h也是Sigmoid函数的输出值，其取值范围也在(0，1)区间之内，b_h也可能出现趋于0或1的情况，进而导致偏置量Δv_ih和Δγ_h趋于0，因此，对于偏置量Δv_ih和Δγ_h，还需再引入一个放大函数g(x)作为因子项，用b_h替换g(x)中的x。于是，原有参数偏置量计算公式可变为：

步骤3：面向新任务预测网络性能；将新任务内容，也就是对应的九个特征属性值作为输入，调用步骤2中得到的三个模型，即可分别对吞吐量、时延、丢包率进行预测，获知当前网络性能。

本发明申请书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (5)

1.一种基于改进BP神经网络的无线自组网性能预测方法，所采用的步骤是：

步骤1：结合实际任务场景构造关于无线自组网性能的经验数据集，无线自组网性能主要包含吞吐量、时延、丢包率三个性能评价指标；根据实际任务及场景信息先提取出八个特征属性，分别是：作战半径、发送功率、组网规模、业务量、负载量、运动性、时敏性、丢包率敏感度；分别为八个特征属性在其取值范围内随机赋值，生成大量随机数据；针对每条数据，分别使用三种MAC协议进行仿真，得到其吞吐量、时延、丢包率，三种MAC协议分别是：多跳载波检测协议(CSMA/CA)、全连通动态时分协议(DTDMA)和多跳自组织时分多址协议(ESTDMA)；根据仿真得到的吞吐量、时延、丢包率三个网络性能评价指标对三种MAC协议进行评估，选择出适合当前任务的最优MAC协议，并将适合该条数据的最优MAC协议也作为特征属性之一；将该条数据在最优MAC协议下进行仿真得到吞吐量、时延、丢包率分别作为学习标签，即可得到三个分别关于吞吐量、时延、丢包率的经验数据集；

步骤2：使用改进后的BP神经网络回归算法分别对三个经验数据集进行学习，获得学习模型；针对传统BP神经网络参数收敛过程中可能存在偏置量趋于0而导致参数收敛速度缓慢的情况，通过引入放大因子，来避免上述情况的出现，从而有效改善参数收敛情况；学习过程分为训练和测试两部分，通过训练初步获得学习模型，通过测试对学习模型中超参数进行调整，优化学习模型；

步骤3：面向新任务预测网络性能；将新任务内容，也就是对应的九个特征属性值作为输入，调用步骤2中的学习模型，即可分别对吞吐量、时延、丢包率进行预测，获知当前网络性能。

2.根据权利要求1所述的一种基于改进BP神经网络的无线自组网性能预测方法，其特征在于构造经验数据集的具体方法为：

(1)根据战场环境信息与实际作战任务提取八个特征属性，六个作为仿真参数输入，分别是：作战半径、发送功率、组网规模、业务量、负载量、运动性，三个作为用户需求，分别是：业务量、时敏性、丢包率敏感度，其中，业务量既作为仿真参数输入，也是用户需求；并规定八个属性的取值范围；对这些属性在其取值范围内随机赋值，从而得到大量可以代表不同任务的原始仿真数据；

(2)对上述得到的大量原始数据进行仿真，分别得到每条数据在三种协议下的三个网络性能评价指标：吞吐量、时延、丢包率；并分别进行归一化处理，假设数据的评价指标表示为：

Γ＝(E₁，E₂...，E_M)， (1)

其中，M表示数据总数，E_m(m＝1，2...M)表示每条数据的评价指标，具体表示为：

其中，t表示吞吐量，d表示时延，p表示丢包率，其下标CS、DT、ES分别表示三种MAC协议；归一化公式如下：

其中，E_m(i，j)表示矩阵E中第i行第j列的元素，min(E_m(i，：))表示第i行元素的最小值；若E_m(i，：)为0，则选取第二小的元素作为最小值，依次类推；

(3)综合考虑三种MAC协议的吞吐量、时延、丢包率三个性能指标，对三种协议进行评估，选择出最适合当前任务场景的MAC协议；并将协议类别也作为特征属性之一加入经验数据集，选择出的最优MAC协议即为该属性取值；令三种协议分别对应于1、2、3，即协议类别的取值范围为{1，2，3}；

(4)将步骤(3)中得到的最优MAC协议所对应的吞吐量、时延、丢包率分别作为学习标签，即分别得到关于吞吐量、时延、丢包率的经验数据集。

3.根据权利要求1所述的一种基于改进BP神经网络的无线自组网性能预测方法，其特征在于改进传统BP神经网络的具体方法为：

(1)先采用传统单隐层BP神经网络对吞吐量、时延、丢包率分别进行回归预测，将输入层节点设置为9，输出层节点设置为1，根据试错法将隐层节点数量设置为合适的值；传统BP神经网络在训练学习模型的过程中涉及到四类参数的调整，分别是：输出层节点与隐层节点间权值w_h、输出层节点阈值θ、隐层节点与输入层节点间权值v_ih、隐层节点阈值γ_h，其中，下标i表示第i各输入层节点，下标h表示第h各隐层节点；在迭代训练过程中根据梯度下降法计算每个参数的偏置量，其计算公式为：

其中，η为学习率，

为BP神经网络实际输出值，y为学习标签，b_h为隐层第h个节点的输出，x_i为输入层第i个节点的输出；

(2)上述偏置量计算公式(4)、(5)、(6)、(7)中均包含因子式

其中

取值范围为(0，1)，当其取值趋于0或1时，将导致参数偏置量趋于0，从而降低参数收敛速度；本发明在偏置量计算公式中引入放大函数g(x)来避免这一情况出现，g(x)表达式为：

公式(6)、(7)中还包含有因子式b_h(1-b_h)，还需引入一个额外的放大函数g(x)，引入放大函数后偏置量计算公式将变为：

4.根据权利要求1或2所述的一种基于改进BP神经网络的无线自组网性能预测方法，其特征在于特征属性提取的具体方法为：

在军事领域中，常见的作战任务包括例行侦查、战场环境持久监视、抵近干扰、空中信息分发等多种形式，每种作战任务在业务类型、网络规模、天线模型、可用频段等多个方面存在显著差异；下面给出了部分作战任务的特点及描述：

例行侦察：业务需求以图像为主，小规模组网，宽带传输，天线类型为全向，时敏性要求低，丢包率要求低；

抵近干扰：业务需求以干扰信息为主，中等规模组网，窄带传输，天线类型为全向，时敏性要求低，丢包率要求低；

蜂群攻击：业务需求以控制指令为主，大规模组网，宽带传输，天线类型为全向，时敏性要求高，丢包率要求高；

隐身突击：业务需求以控制指令为主，小规模组网，窄带传输，天线类型为定向，时敏性要求高，丢包率要求中等；

针对上述作战任务特点及描述，本发明从中提取出八个特征属性，分别为：作战半径、发送功率、组网规模、业务量、负载量、运动性、时敏性和丢包率敏感度；此外，由于MAC协议的性能直接决定了无线自组网的性能，将MAC协议类别也作为特征属性之一；本发明涉及到三种MAC协议类别，分别是：多跳载波检测协议(CSMA/CA)、全连通动态时分协议(DTDMA)和多跳自组织时分多址协议(ESTDMA)。

5.根据权利要求1或2所述的一种基于改进BP神经网络的无线自组网性能预测方法，其特征在于MAC协议评估的具体方法为：

(1)采用加权求和的方式对协议性能进行评估，假设协议评估分数表示为S_m＝(s_1，m，s_2，m，s_3，m)，则：

S_m＝ω_m·E_m， (13)

其中ω_m＝(ω_1m，ω_2m，ω_3m)表示权重因子，则式(13)可以重新表示为：

(2)在评价每种MAC协议性能好坏时，不仅要考量吞吐量、时延、丢包率的大小，还要考量任务场景对这三种性能指标的需求；具体来看，业务量越大的场景对吞吐量的需求也就越大，时敏性越高的场景希望时延越低越好，丢包率敏感度越高的场景同样希望丢包率越低越好；因此，业务量与吞吐量成正比例相关，时敏性和时延成反比例相关，丢包率敏感度和丢包率成反比例相关；结合上述分析，权重因子ω_m可以由每种任务场景特征属性中的业务量(TS)、时敏性(R_d)、丢包率敏感度(R_p)表示：

ω_m＝(TS_m，-R_d，m，-R_p，m)， (15)

因此S_m可以重新表示为：

根据上述计算结果，选择评价得分最高的协议作为最适合当前数据的MAC协议。

Images