CN111988814A - 一种采用改进变分自编码器评估链路质量的方法 - Google Patents

Abstract

一种采用改进变分自编码器评估链路质量的方法，包括：获取多个探测周期内的链路质量参数构建数据集，并对数据集进行预处理得到样本数据；采用PRR划分链路质量等级，得到样本数据对应的链路质量等级标签；采用堆叠受限玻尔兹曼机作为变分自编码器的编码网络与解码网络，构建变分自编码器；采用变分自编码器和softmax分类器构建链路质量评估模型；利用样本数据对变分自编码器进行训练；将训练好的变分自编码器提取的隐变量特征作为softmax分类器的输入，并将链路质量等级标签作为softmax分类器的输出，对softmax分类器进行训练；利用训练好的链路质量评估模型对无线传感器网络链路质量进行评估。

Description

一种采用改进变分自编码器评估链路质量的方法

技术领域

本发明涉及网络技术领域，特别是涉及一种采用改进变分自编码器评估链路质量的方法。

背景技术

无线传感器网络(Wireless Sensor Networks,WSNs)是由大量具有较小体积、低成本、具有无线通信能力、采集处理相关数据的传感器所组成的无线网络，广泛应用于能源、工业、交通控制、生态环境监测与预报等领域。高效而准确的链路质量评估方法能够有效地提高网络传输效率，延长网络寿命。

由于WSNs部署运行时对可靠性和实时性具有较高要求，但节点间均在低功率下进行无线通信，此时无线通信链路易受噪声等的干扰，导致无线通信链路存在波动性，影响节点间通信，而设计有效的链路质量评估模型，准确的评估链路质量是提高WSNs可靠性的重要方法之一。

采用机器学习的方法对链路质量进行评估在现有领域取得了较好的成果。但现有的大多数链路质量评估方法将在一定程度上忽略了链路质量的高阶特征信息，影响了链路质量评估结果的有效性以及准确性。

发明内容

鉴于上述状况，有必要针对现有技术中链路质量评估有效性和准确性差的问题，提供一种采用改进变分自编码器评估链路质量的方法。

一种采用改进变分自编码器评估链路质量的方法，包括：

获取多个探测周期内的链路质量参数构建数据集，并对所述数据集进行预处理得到样本数据；

采用PRR划分链路质量等级，得到所述样本数据对应的链路质量等级标签；

采用堆叠受限玻尔兹曼机作为变分自编码器的编码网络与解码网络，构建变分自编码器；

采用所述变分自编码器和softmax分类器构建链路质量评估模型；

利用所述样本数据对所述链路质量评估模型中的变分自编码器进行训练；

将所述变分自编码器提取的隐变量特征作为softmax分类器的输入，并将所述链路质量等级标签作为所述softmax分类器的输出，对链路质量评估模型中的softmax分类器进行训练；

利用训练好的所述链路质量评估模型对无线传感器网络链路质量进行评估。

进一步的，上述方法，其中，所述对所述数据集进行预处理得到样本数据的步骤包括：

对所述数据集进行缺失值填充，并对缺失值填充后的数据集进行异常值删除处理，得到样本数据。

进一步的，上述方法，其中，所述对缺失值填充后的数据集进行异常值删除处理的步骤包括：

S111，从缺失值填充后的数据集中随机选择Ψ个链路质量样本点作为子样本，放入所构建树的根节点，其中，X＝{x₁,x₂…x_n}为缺失值填充后的数据集；

S112，从所述数据集的d个特征维度中随机指定一个维度，在当前节点数据中产生一个切割点p，切割点产生于当前节点数据中指定特征的最大值与最小值之间；

S113，以此切割样本点p生成一个超平面，然后将当前节点数据空间划分为两个子空间，将当前节点中的数据集合以该切割点为依据，将指定特征维度大于等于p的数据放入右孩子节点，指定特征维度小于p的放入左孩子节点，在孩子节点处重复S111、S112，不断构造新的孩子节点，直到孩子节点只有一个样本，或者孤立树到达指定高度h，其中h＝Ceiling(log₂Ψ)，得到预设数量的孤立树之后结束孤立森林的训练；

S114，计算链路质量样本点x_i的异常值分数，当链路质量样本点x_i的异常值分数大于阈值时，则判定为异常样本，将异常样本从所述数据集中删除。

进一步的，上述方法，其中，所述链路质量样本点x_i的异常值分数计算公式如下：

其中E(h(x_i))为单个样本在所有孤立树中的期望，c(Ψ)为给定样本数为Ψ的平均路径长度

其中H(i)为调和数。

进一步的，上述方法，其中，H(i)＝ln(i)+0.5772156649。

进一步的，上述方法，其中，所述对所述链路质量参数采用均值填充方式进行缺失值填充。

进一步的，上述方法，其中，所述链路质量参数包括RSSI_up,LQI_up,SNR_up,CV,ASL,VAR，其中，ASL＝|LQI_up-LQI_down|，

RSSI_up为上行接受信号强度指示，LQI_up为上行链路质量指示，SNR_up为上行信噪比，LQI_up为上行LQI值，LQI_down为下行LQI值；VAR为SNR的方差，CV为LQI的变异系数。

进一步的，上述方法，其中，所述链路质量评估模型中的变分自编码器采用逐层训练的方式进行训练。

本发明中的采用改进变分自编码器评估链路质量的方法，考虑链路质量表征的全面性，选择合适的链路质量参数构建样本，有效表征当前链路的质量；利用变分自编码器有效提取特征的特性，将softmax分类器的与变分自编码器相结合，学习当前链路等级与有效特征间的关系，得到具有更高准确性的链路质量评估模型，进而提高无线传感网络吞吐率，降低能耗，延长网络运行时间。

附图说明

图1为本发明实施例中采用改进变分自编码器评估链路质量的方法的流程图；

图2为链路质量评估模型的结构示意图；

图3为堆叠玻尔兹曼机的结构示意图；

图4为softmax分类器的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

请参阅图1，为本发明实施例中的采用改进变分自编码器评估链路质量的方法，包括步骤S11～17。

步骤S11，获取多个探测周期的链路质量参数的数据集，并对所述数据集进行预处理得到样本数据。

该数据集为在多个探测周期内发送若干次探测包所收到的数据的集合。采用计算探测周期内均值的方式得到原始数据样本，链路质量参数{RSSI_up,LQI_up,SNR_up}表征当前时刻的链路质量，其中，RSSI为接受信号强度指示，LQI为链路质量指示、SNR为信噪比。具体实施时，进行原始数据样本采集时，选择上行接受信号强度指示RSSI_up(即上行波束的接受信号强度)、上行链路质量指示LQI_up和上行信噪比SNR_up。并且，选择链路质量参数{CV,ASL,VAR}表征链路波动性、链路质量不对称性，其中ASL＝|LQI_up-LQI_down|，LQI_up为上行LQI值(即上行波束的LQI值)，LQI_down为下行LQI值(即下行波束的LQI值)；VAR为SNR的方差，用于表征链路的当前链路所受到干扰的变化程度。

为LQI的变异系数，表征当前链路质量的波动。根据获取到的链路质量参数所构建的数据集，该数据集中的一个数据表示如下：

x_i＝{RSSI_up,LQI_up,SNR_up,CV,ASL,VAR}。

对该数据集进行缺失值填充，并对缺失值填充后的数据集进行异常值删除处理，得到样本数据。

进一步的，在本发明的一实施例中，对该数据集进行缺失值填充可采用均值填充方式处理。具体实施时，可对同一个探测周期内的无线传感器网络的链路质量参数进行缺失值填充后，再计算均值RSSI、LQI、SNR与派生特征CV、ASL、VAR，对所有探测周期数据处理完毕后的数据进行异常值检测删除处理，得到样本数据。

进一步的，在本发明的另一实施例中，所述对缺失值填充后的数据集进行异常值删除处理的步骤包括：

S111，从缺失值填充后的数据集中随机选择Ψ个链路质量样本点作为子样本，放入所构建树的根节点，其中，X＝{x₁,x₂…x_n}为缺失值填充后的数据集；

S112，从所述数据集的d个特征维度中随机指定一个维度，在当前节点数据中产生一个切割点p，切割点产生于当前节点数据中指定特征的最大值与最小值之间；

S113，以此切割样本点p生成一个超平面，然后将当前节点数据空间划分为两个子空间，将当前节点中的数据集合以该切割点为依据，将指定特征维度大于等于p的数据放入右孩子节点，指定特征维度小于p的放入左孩子节点，在孩子节点处重复S111、S112，不断构造新的孩子节点，直到孩子节点只有一个样本，或者孤立树到达指定高度h，其中h＝Ceiling(log₂Ψ)，得到预设数量的孤立树之后结束孤立森林的训练；

S114，计算链路质量样本点x_i的异常值分数，当链路质量样本点x_i的异常值分数大于阈值时，则判定为异常样本，将所述异常样本从所述数据集中删除。

其中，该链路质量样本点x_i的异常值分数计算公式如下：

其中E(h(x_i))为单个样本在所有孤立树中的期望，c(Ψ)为给定样本数为Ψ的平均路径长度

其中H(i)为调和数，该值可估计为H(i)＝ln(i)+0.5772156649。

上述步骤中，Ψ＝256，该预设数量的孤立树例如为100棵。该阈值可根据实际需要进行设置，例如为0.8，即其异常值分数s(x_i,Ψ)＞0.8则判定为异常样本，从数据集中删除

步骤S12，采用PRR划分链路质量等级，得到所述样本数据对应的链路质量等级标签。

根据PRR对链路质量等级划分，具体实施时可划分为四个等级，划分如表1所示。

表1基于PRR的链路质量等级划分

链路质量等级	PRR范围	描述
			Ⅰ	0.90<PRR<1.00	链路质量十分好
Ⅱ	0.70<PRR<0.90	链路质量较好
			Ⅲ	0.20<PRR<0.70	链路质量一般
Ⅳ	0<PRR<0.20	链路质量差

步骤S13，采用堆叠受限玻尔兹曼机作为变分自编码器的编码网络与解码网络，构建变分自编码器。

采用堆叠受限玻尔兹曼机作为变分自编码器的编码网络与解码网络，编码网络输入数据为样本数据，输出为提取的隐变量特征z。该隐变量特征z即为提取的样本数据中可用于控制数据生成的有效特征。解码网络的输入为隐变量特征z，输出为重构的输入数据。如图3所示，该变分自编码器的编码网络的堆叠层数为3，可见层节点个数设置为输入数据的维数6，第一个隐藏层节点个数设置为10，将第一层的隐节点作为可见层，第二层隐藏层节点的个数设置为20，第三层隐藏层节点数即变分自编码器隐藏层节点数为4，解码网络的结构与编码网络对称，各隐藏层节点分别为4、20、10、6。

步骤S14，采用所述变分自编码器和softmax分类器构建链路质量评估模型。

将变分自编码器的编码器接入softmax分类器，构建基于变分自编码器的链路质量评估模型，模型结构请参阅图2，softmax分类器的输入为变分自编码器中编码器输出的部分数据，即隐变量特征。

本实施例中的链路质量评估模型包括处于前端的变分自编码器和处于后端的softmax分类器。该变分自编码器的输入为预处理后的数据集，输出为隐变量特征z，该softmax分类器的输入为变分自编码器输出的隐变量特征z，输出为下一时刻的链路质量等级。

步骤S15，将所述样本数据作为所述变分自编码器的输入，对所述链路质量评估模型中的变分自编码器进行训练。

步骤S16，将所述变分自编码器提取的隐变量特征作为softmax分类器的输入，并将所述链路质量等级标签作为所述softmax分类器的输出，对链路质量评估模型中的softmax分类器进行训练。

该链路质量评估模型通过样本数据进行训练，以使该链路质量评估模型能够充分识别该无线传感器网络的链路质量等级。链路质量评估模型进行训练时，该模型的变分自编码器和softmax分类器需分别进行训练。

对变分自编码器进行训练时，采用逐层训练的方式对堆叠玻尔兹曼机进行训练。采用堆叠RBM作为变分自编码器的编码网络与解码网络，堆叠层数为3，从而提取隐变量特征z，对提取到的隐变量特征z作为输入，输入同样由堆叠RBM构建解码网络，堆叠层数为3，输出重构的数据样本。

训练单层RBM过程中，可见层神经元激活概率，隐藏层的神经元的激活概率分别为：

其中v_i为可见层变量，a_i为可见层的偏置量，h_j为隐藏层变量，b_j为隐藏层的偏置量，w_i,j为可见层与隐藏层之间的权重，σ采用sigmoid函数。

依据玻尔兹曼分布理论，当整个网络的能量最小，网络趋于稳定，单层玻尔兹曼机所需要的最小化的对数损失函数为：

其中

为单个样本的损失函数，

为单层的受限玻尔兹曼机的能量函数，采用梯度下降法反向传播误差，对堆叠受限玻尔兹曼机进行逐层训练，直到堆叠玻尔兹曼机趋于稳定。

对softmax分类器进行训练时，解码器利用隐变量特征z作为样本的有效特征，并与原链路质量等级标签一起，作为softmax分类器的输入，对softmax分类器进行训练，softmax分类器结构请参阅图4。

输入softmax分类器的样本归为第i类的概率为

取其中概率值最大的标签为该样本的链路质量等级标签，对softmax分类器进行训练，采用交叉熵的作为衡量方式，其训练目标为最小化损失函数：

其中

为softmax分类器中的激活函数。

步骤S17，利用训练好的所述链路质量评估模型对所述无线传感器网络链路质量进行评估。

训练好的链路质量评估模型可用于下一时刻无线传感器网络链路质量的评估，其输入为预处理的链路质量参数的数据，输出为链路质量等级。

本发明中的采用改进变分自编码器评估链路质量的方法，考虑链路质量表征的全面性，选择合适的链路质量参数构建样本，有效表征当前链路的质量；利用变分自编码器有效提取特征的特性，将softmax分类器的与变分自编码器相结合，学习当前链路等级与有效特征间的关系，得到具有更高准确性的链路质量评估模型，进而提高无线传感网络吞吐率，降低能耗，延长网络运行时间。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

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 (8)

1.一种采用改进变分自编码器评估链路质量的方法，其特征在于，包括：

获取多个探测周期的链路质量参数的构建数据集，并对所述数据集进行预处理得到样本数据；

采用PRR划分链路质量等级，得到所述样本数据对应的链路质量等级标签；

采用堆叠受限玻尔兹曼机作为变分自编码器的编码网络与解码网络，构建变分自编码器；

采用所述变分自编码器和softmax分类器构建链路质量评估模型；

利用所述样本数据对所述链路质量评估模型中的变分自编码器进行训练；

将所述变分自编码器提取的隐变量特征作为softmax分类器的输入，并将所述链路质量等级标签作为所述softmax分类器的输出，对链路质量评估模型中的softmax分类器进行训练；

利用训练好的所述链路质量评估模型对无线传感器网络链路质量进行评估。

2.如权利要求1所述的方法，其特征在于，所述对所述数据集进行预处理得到样本数据的步骤包括：

对所述数据集进行缺失值填充，并对缺失值填充后的数据集进行异常值删除处理，得到样本数据。

3.如权利要求2所述的方法，其特征在于，所述对缺失值填充后的数据集进行异常值删除处理的步骤包括：

S111，从缺失值填充后的数据集中随机选择Ψ个链路质量样本点作为子样本，放入所构建树的根节点，其中，X＝{x₁,x₂…x_n}为缺失值填充处理后的数据集；

S112，从所述数据集的d个特征维度中随机指定一个维度，在当前节点数据中产生一个切割点p，切割点产生于当前节点数据中指定特征的最大值与最小值之间；

S113，以此切割样本点p生成一个超平面，然后将当前节点数据空间划分为两个子空间，将当前节点中的数据集合以该切割点为依据，将指定特征维度大于等于p的数据放入右孩子节点，指定特征维度小于p的放入左孩子节点，在孩子节点处重复S111、S112，不断构造新的孩子节点，直到孩子节点只有一个样本，或者孤立树到达指定高度h，其中h＝Ceiling(log₂Ψ)，得到预设数量的孤立树之后结束孤立森林的训练；

S114，计算链路质量样本点x_i的异常值分数，当链路质量样本点x_i的异常值分数大于阈值时，则判定为异常样本，将异常样本从所述数据集中删除。

4.如权利要求3所述的方法，其特征在于，所述链路质量样本点x_i的异常值分数计算公式如下：

其中E(h(x_i))为单个样本在所有孤立树中的期望，c(Ψ)为给定样本数为Ψ的平均路径长度

其中H(i)为调和数。

5.如权利要求4所述的方法，其特征在于，H(i)＝ln(i)+0.5772156649。

6.如权利要求2所述的方法，其特征在于，所述对所述链路质量参数采用均值填充方式进行缺失值填充。

7.如权利要求1所述的方法，其特征在于，所述链路质量参数包括RSSI_up,LQI_up,SNR_up,CV,ASL,VAR，其中，

RSSI_up为上行接受信号强度指示，LQI_up为上行链路质量指示，SNR_up为上行信噪比，LQI_up为上行LQI值，LQI_down为下行LQI值；VAR为SNR的方差，CV为LQI的变异系数。

8.如权利要求1所述的方法，其特征在于，所述链路质量评估模型中的变分自编码器采用逐层训练的方式进行训练。

Images