CN116437365A - 一种无线传感器网络链路质量评价方法及系统 - Google Patents
一种无线传感器网络链路质量评价方法及系统 Download PDFInfo
- Publication number
- CN116437365A CN116437365A CN202211726227.5A CN202211726227A CN116437365A CN 116437365 A CN116437365 A CN 116437365A CN 202211726227 A CN202211726227 A CN 202211726227A CN 116437365 A CN116437365 A CN 116437365A
- Authority
- CN
- China
- Prior art keywords
- link quality
- parameters
- wireless sensor
- sensor network
- hidden layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器网络链路质量评价方法及系统,方法包括:获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。本发明评估每条链路的质量并选择合适的链路为路由下一跳提供参考,能够提高整体网络吞吐量,降低节点能耗。
Description
技术领域
本发明涉及一种无线传感器网络链路质量评价方法及系统,属于无线传感器通信技术领域。
背景技术
无线传感器网络是一种多跳自组织网络系统,由大量廉价、低功耗的微型传感器节点通过无线通信部署在监控区域内形成的。网络中的每个节点都感知、收集和处理对象信息,并将收集到的数据传输给观察者。因此,无线传感器网络的三个要素是传感器、感知对象和观察者。无线传感器可以长时间探测大面积区域,在工业自动化、智能医疗、智能家居和智慧城市应用等方面具有广阔的应用前景。
无线传感器网中,网络传感器间距离从几米到几百米的无线通信主要受多径衰落和环境噪声的影响,链路质量呈现波动、不对称等时空特征,节点间通信不稳定。无线传感器网络的链路是有向性的,即无线信号以某个节点为中心发射,在节点的各个方向上接收到的信号强度不同。因此,评估每条链路的质量并选择合适的链路可以为路由下一跳提供参考,从而提高整体网络吞吐量,降低节点能耗。
现有的基于BP神经网络和支持向量机的链路质量评估方法,参数设置复杂、收敛速度慢、泛化能力弱,还存在局部极小过拟合的问题。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种无线传感器网络链路质量评价方法及系统,评估每条链路的质量并选择合适的链路为路由下一跳提供参考,能够提高整体网络吞吐量,降低节点能耗。为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种无线传感器网络链路质量评价方法,包括:
获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;
对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;
根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;
利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
结合第一方面,进一步地,所述获取无线传感器网络的链路质量参数,包括:
获取RSSI接受信号强度指标参数,通过下式计算:
P=RSSI_VAL+RSSI_OFFSET(dBm) (1)
式(1)中,P为RF管脚的功耗值,取值范围为0~-100dBm;RSSI_VAL为通过寄存器获得的值;RSSI_O FFSET为用于转换的经验值,通常取-45dBm;
获取LQI链路质量指标参数,包括:通过DSSS-OQPSK调制,对接收到的数据帧前8位符号码片错误率进行度量,经控制器处理后转换为LQI值,由7位无符号整型LQI_VAL表示,取值范围为50~110;
获取SNR信噪比,通过下式计算:
式(2)中,Psignal为有用信号功率,Pnoise为噪音功率;
在CC2420中,通过下式计算:
10lg(SNR)=PRsSI-Pn (3)
式(3)中,PRSSI为接收设备通信的RSSI,Pn为接收设备在通信环境中的本底噪音;
获取PRR包成功接受率,通过下式计算:
式(4)中,Count_receive_packets为成功接收到的数据包总数,Count_send_packets为节点发送的数据包总数。
结合第一方面,进一步地,所述对获取到的链路质量参数进行预处理为采用卡尔曼滤波进行预处理,包括:
计算卡尔曼增益:Mk=Zk×(Zk+R)-1,其中Mk为卡尔曼增益,Zk为先验估计的误差方差,R为过程白噪声的协方差;
结合第一方面,进一步地,所述根据预处理后的软件参数对无线传感器网络进行链路质量等级划分,包括:
将链路通信范围划分为连接区、过渡区和非连接区;
根据PRR包成功接受率对无线传感器网络进行链路质量等级划分。
结合第一方面,进一步地,所述预先构建的链路质量评价模型是以RSSI接受信号强度指标参数、LQI链路质量指标参数、SNR信噪比作为特征参数,以PRR包成功接受率作为输出变量的模型。
结合第一方面,进一步地,采用多隐层、多通道极限学习机对预先构建的链路质量评价模型进行评估,将稀疏表示的结构特点加入网络中,为链路选择提供更为精确的参考。
结合第一方面,进一步地,所述得到链路质量评价优化模型,包括:
将硬件参数和链路质量等级的数据进行分组,取70%用于训练,30%用于验证结果;
训练得到模型表达式如下所示:
式(5)中,N为网络中的隐藏层数,λj为第j个隐藏层上的输出yj对于输出y的贡献因子,yj为第j个隐藏层上的输出,Pj为第j个隐藏层所对应的通路书,为第j个隐藏层的第i个通道的贡献因子,/>为第j个隐藏层的第i个通道的输出,/>为第j个隐藏层的第i个通道的优化参数;/>为第j个隐藏层的第i个通道的输出,通过下式计算:
式(6)中,为第j个隐藏层的第i个通道的激活函数,/>为第j个隐藏层的第i个通道的权值,/>为第j个隐藏层的第i个通道的偏置值,Hj-1为第j-1个隐藏层对应的所有隐藏层输出的级联形式,通过下式计算:
对于(X,Y)的数据集,优化函数为:
求解的迭代公式为:
第二方面,本发明提供了一种无线传感器网络链路质量评价系统,包括:
获取模块:用于获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;
预处理模块:用于对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;
链路质量等级划分模块:用于根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;
输出模型模块:用于利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
第三方面,本发明提供了一种计算设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第四方面,本发明提供了计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明实施例所提供的一种无线传感器网络链路质量评价方法及系统所达到的有益效果包括:
本发明获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。本发明评估每条链路的质量并选择合适的链路为路由下一跳提供参考,能够提高整体网络吞吐量,降低节点能耗;
本发明将链路质量评估转变为基于硬件参数确定链路质量级别的多分类问题,为链路选择提供更为精确的参考。基于极限学习机,将单隐层单通道改为多隐层多通道,增加建模的复杂度以此增加泛化性和准确性,有效解决了极限学习机的固有缺陷,即网络的泛化性能不再依赖于设置隐藏节点的数量。与传统的BP神经网络和支持向量机相比,其参数设置容易,收敛速度快,泛化能力强,同时能够克服局部极小过拟合的问题。
本发明的网络深度可控可调,为未来的无线网络传感器硬件的发展预留一定空间。
附图说明
图1是本发明实施例一提供的一种无线传感器网络链路质量评价方法中无线传感器网络体系结构图;
图2是本发明实施例一提供的一种无线传感器网络链路质量评价方法中极限学习机的示意图;
图3是本发明实施例一提供的一种无线传感器网络链路质量评价方法中采用多隐层多通道极限学习机优化示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
深度学习与稀疏认知学习、计算和识别之间的关系是深刻而本质的。从机器学习中的特征工程(包括人工特征提取和特征筛选)到深度学习中的特征学习,稀疏性在模型中扮演着重要的角色。不可否认,在深度学习中探索稀疏性不仅有助于降低模型的算法复杂度,而且有利于网络的压缩,为探索高性能深度计算模型提供了有效途径。本专利以稀疏表示的形式对极限学习机网络模型进行优化。稀疏表示也可以理解为线性和非线性运算连续组合下的一种“深度”(指迭代次数)网络,但与真正的深度神经网络不同,是一个是每次迭代后的稀疏表示系数都位于相同的特征空间中。基于极限学习机网络,将网络搭建为线性和非线性运算组合下的网络,其网络深度和通道数可控,将为无线传感器网络提供多种深度的网络。
本实施例以稀疏表示的形式对极限学习机网络模型进行优化。首先介绍经典的稀疏表示模型,优化目标函数为:
式(1)中,x为输入数据,D为过完备字典,λ为拉格朗日乘子,α为稀疏表示系数,使用迭代收缩阈值算法可以求解方程(1)为:
α(k+1)=N(L1(x)+L2(α(k)),λ) (2)
式(2)中,N(.)是软阈值非线性函数,L1(.)和L2(.)是线性运算,具体表达式为:
式(3)中,k为迭代次数,u为与阈值相比较的变量,sign(.)为符号函数,且:
稀疏表示也可以理解为线性和非线性运算连续组合下的一种“深度”(指迭代次数)网络,但与真正的深度神经网络不同,稀疏表示的每次迭代后的系数都位于相同的特征空间中。其次,字典和稀疏约束决定了表示系数的逼近能力。也就是说,得到的稀疏表示系数仍然是数据的浅层表示。
极限学习机是一种随机权重的单隐藏层前馈神经网络学习算法。其不需要先验公式,可以模拟人脑处理信息的能力,自动挖掘数据的内在规律,具有很强的非线性映射能力,广泛用于处理具有因果关系的复杂的非确定性多分类问题。其隐藏层的权重和阈值是随机生成的。
基于单隐层前馈网络的ELM结构如图2所示,将X作为输入集合,H为隐藏节点的集合,Y为输出的集合,可得到表达式如下:
式(5)中,H为隐藏层特征,W为权重,b为偏差,是随机采样的赋值,是决策阶段需要学习的参数,X和Y分别是训练样本的输入和输出的矩阵形式,可得到如下所示的简化式:
由式(5)和(6)得到目标表达式:
式(7)中,β为决策阶段需要学习的参数,F为Frobenius范数表示。
该算法对参数设置要求低,模型简单,广泛应用于语言识别、图像识别等多分类问题。与传统的BP神经网络和支持向量机相比,其参数设置容易,收敛速度快,泛化能力强。同时可以克服局部极小过拟合的问题。
本发明提供了一种无线传感器网络链路质量评价方法,包括:
获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;
对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;
根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;
利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
具体步骤包括:
步骤1:获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数。
部署如图1的无线传感器网络体系,进行数据采集。
步骤1.1:在IEEE 802.15.4协议中是物理层的必备信息,本实施例用于研究链路质量的是基于CC2420的传感器节点,从内建的RSSI_VAL寄存器中获得值并不能直接用于表示链路质量,实际作为链路质量参数的RSSI为接收节点的RF管脚功耗值,获取RSSI接受信号强度指标参数,通过下式计算:
P=RSSI_VAL+RSSI_OFFSET(dBm) (8)
式(8)中,P为RF管脚的功耗值,取值范围为0~-100dBm,P的值越大,说明无线电信号强度越高;RSSI_VAL为通过寄存器获得的值;RSSI_O FFSET为用于转换的经验值,通常取-45dBm。
步骤1.2:获取LQI链路质量指标参数,LQI链路质量指标参数能够表征节点所接收数据帧的质量。CC2420芯片提供了LQI链路质量指示,通过DSSS-OQPSK调制,对接收到的数据帧前8位符号码片错误率进行度量,经控制器处理后转换为LQI值,由7位无符号整型LQI_VAL表示,取值范围为50~110。数值越大,说明完成数据帧交付的质量越高。
步骤1.3:获取SNR信噪比,SNR信噪比描述的是接收端得到的有用信号功率(Powerof Signal)与背景噪声功率(Power of Noise)的比值,通过下式计算:
式(9)中,Psignal为有用信号功率,Pnoise为噪音功率;
在CC2420中,通过下式计算:
10lg(SNR)=PRSSI-Pn (10)
式(10)中,PRSSI为接收设备通信的RSSI,Pn为接收设备在通信环境中的本底噪音。
在无线通信过程中,SNR可以表示数据传输中所受干扰的程度以及信道通信质量状况,其值越大说明信号中的噪音越少,通信质量越好,反之则越差。
步骤1.4:PRR描述的是在探测周期内接收节点成功收到包的个数与探测包总数的比值,获取PRR包成功接受率,通过下式计算:
式(11)中,Count_receive_packets为成功接收到的数据包总数,Count_send_packets为节点发送的数据包总数。
步骤2:对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数。
采用卡尔曼滤波进行预处理。
步骤2.1:计算卡尔曼增益:Mk=Zk×(Zk+R)-1,其中Mk为卡尔曼增益,Zk为先验估计的误差方差,R为过程白噪声的协方差。
步骤3:根据预处理后的软件参数对无线传感器网络进行链路质量等级划分。
将链路通信范围划分为连接区、过渡区和非连接区;根据PRR包成功接受率对无线传感器网络进行链路质量等级划分。
步骤4:利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
预先构建的链路质量评价模型是以RSSI接受信号强度指标参数、LQI链路质量指标参数、SNR信噪比作为特征参数,以PRR包成功接受率作为输出变量的模型。
采用多隐层、多通道极限学习机对预先构建的链路质量评价模型进行评估,将稀疏表示的结构特点加入网络中,为链路选择提供更为精确的参考。
具体的,得到链路质量评价优化模型,包括:
如图3所示,将硬件参数和链路质量等级的数据进行分组,取70%用于训练,30%用于验证结果。
训练得到模型表达式如下所示:
式(12)中,N为网络中的隐藏层数,λj为第j个隐藏层上的输出yj对于输出y的贡献因子,yj为第j个隐藏层上的输出,Pj为第j个隐藏层所对应的通路书,为第j个隐藏层的第i个通道的贡献因子,/>为第j个隐藏层的第i个通道的输出,/>为第j个隐藏层的第i个通道的优化参数;/>为第j个隐藏层的第i个通道的输出,通过下式计算:
式(13)中,为第j个隐藏层的第i个通道的激活函数,/>为第j个隐藏层的第i个通道的权值,/>为第j个隐藏层的第i个通道的偏置值,Hj-1为第j-1个隐藏层对应的所有隐藏层输出的级联形式,通过下式计算:
对于(X,Y)的数据集,优化函数为:
求解的迭代公式为:
算法的级别和通道的数量是可变的。随着网络复杂度的增加,其性能会逐渐提升,训练时间也是一种提升。因此,该模型通常需要在路径数量和隐藏节点数量之间进行权衡,以获得更好的泛化性能。
本发明评估每条链路的质量并选择合适的链路为路由下一跳提供参考,能够提高整体网络吞吐量,降低节点能耗。
本发明将链路质量评估转变为基于硬件参数确定链路质量级别的多分类问题,为链路选择提供更为精确的参考。基于极限学习机,将单隐层单通道改为多隐层多通道,增加建模的复杂度以此增加泛化性和准确性,有效解决了极限学习机的固有缺陷,即网络的泛化性能不再依赖于设置隐藏节点的数量。与传统的BP神经网络和支持向量机相比,其参数设置容易,收敛速度快,泛化能力强,同时能够克服局部极小过拟合的问题。
本发明的网络深度可控可调,为未来的无线网络传感器硬件的发展预留一定空间。
实施例二:
本发明实施例提供了一种无线传感器网络链路质量评价系统,包括:
获取模块:用于获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;
预处理模块:用于对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;
链路质量等级划分模块:用于根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;
输出模型模块:用于利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
实施例三:
本发明实施例提供了一种计算机设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
实施例四:
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种无线传感器网络链路质量评价方法,其特征在于,包括:
获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;
对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;
根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;
利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
2.根据权利要求1所述的无线传感器网络链路质量评价方法,其特征在于,所述获取无线传感器网络的链路质量参数,包括:
获取RSSI接受信号强度指标参数,通过下式计算:
P=RSSI_VAL+RSSI_OFFSET(dBm) (1)
式(1)中,P为RF管脚的功耗值,取值范围为0~-100dBm;RSSI_VAL为通过寄存器获得的值;RSSI_O FFSET为用于转换的经验值,通常取-45dBm;
获取LQI链路质量指标参数,包括:通过DSSS-OQPSK调制,对接收到的数据帧前8位符号码片错误率进行度量,经控制器处理后转换为LQI值,由7位无符号整型LQI_VAL表示,取值范围为50~110;
获取SNR信噪比,通过下式计算:
式(2)中,Psignal为有用信号功率,Pnoise为噪音功率;
在CC2420中,通过下式计算:
10lg(SNR)=PRSSI-Pn (3)
式(3)中,PRSSI为接收设备通信的RSSI,Pn为接收设备在通信环境中的本底噪音;
获取PRR包成功接受率,通过下式计算:
式(4)中,Count_receive_packets为成功接收到的数据包总数,Count_send_packets为节点发送的数据包总数。
4.根据权利要求2所述的无线传感器网络链路质量评价方法,其特征在于,所述根据预处理后的软件参数对无线传感器网络进行链路质量等级划分,包括:
将链路通信范围划分为连接区、过渡区和非连接区;
根据PRR包成功接受率对无线传感器网络进行链路质量等级划分。
5.根据权利要求2所述的无线传感器网络链路质量评价方法,其特征在于,所述预先构建的链路质量评价模型是以RSSI接受信号强度指标参数、LQI链路质量指标参数、SNR信噪比作为特征参数,以PRR包成功接受率作为输出变量的模型。
6.根据权利要求5所述的无线传感器网络链路质量评价方法,其特征在于,采用多隐层、多通道极限学习机对预先构建的链路质量评价模型进行评估,将稀疏表示的结构特点加入网络中,为链路选择提供更为精确的参考。
7.根据权利要求1所述的无线传感器网络链路质量评价方法,其特征在于,所述得到链路质量评价优化模型,包括:
将硬件参数和链路质量等级的数据进行分组,取70%用于训练,30%用于验证结果;
训练得到模型表达式如下所示:
式(5)中,N为网络中的隐藏层数,λj为第j个隐藏层上的输出yj对于输出y的贡献因子,yj为第j个隐藏层上的输出,Pj为第j个隐藏层所对应的通路书,为第j个隐藏层的第i个通道的贡献因子,/>为第j个隐藏层的第i个通道的输出,/>为第j个隐藏层的第i个通道的优化参数;/>为第j个隐藏层的第i个通道的输出,通过下式计算:
式(6)中,为第j个隐藏层的第i个通道的激活函数,/>为第j个隐藏层的第i个通道的权值,/>为第j个隐藏层的第i个通道的偏置值,Hj-1为第j-1个隐藏层对应的所有隐藏层输出的级联形式,通过下式计算:
对于(X,Y)的数据集,优化函数为:
求解的迭代公式为:
8.一种无线传感器网络链路质量评价系统,其特征在于,包括:
获取模块:用于获取无线传感器网络的链路质量参数;所述链路质量参数包括软件参数和硬件参数;
预处理模块:用于对获取到的链路质量参数进行预处理,得到预处理后的硬件参数和软件参数;
链路质量等级划分模块:用于根据预处理后的软件参数对无线传感器网络进行链路质量等级划分;
输出模型模块:用于利用预处理后的硬件参数和链路质量等级,对预先构建的链路质量评价模型进行训练和验证,得到链路质量评价优化模型,所述链路质量评价优化模型用于对无线传感器网络的链路质量进行评价。
9.一种计算机设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726227.5A CN116437365A (zh) | 2022-12-30 | 2022-12-30 | 一种无线传感器网络链路质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726227.5A CN116437365A (zh) | 2022-12-30 | 2022-12-30 | 一种无线传感器网络链路质量评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116437365A true CN116437365A (zh) | 2023-07-14 |
Family
ID=87080343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211726227.5A Pending CN116437365A (zh) | 2022-12-30 | 2022-12-30 | 一种无线传感器网络链路质量评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116437365A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692940A (zh) * | 2024-02-04 | 2024-03-12 | 北京大业桥科技股份有限公司 | 一种基于微波链路的微波系统性能检测方法 |
-
2022
- 2022-12-30 CN CN202211726227.5A patent/CN116437365A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692940A (zh) * | 2024-02-04 | 2024-03-12 | 北京大业桥科技股份有限公司 | 一种基于微波链路的微波系统性能检测方法 |
CN117692940B (zh) * | 2024-02-04 | 2024-04-26 | 北京大业桥科技股份有限公司 | 一种基于微波链路的微波系统性能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN111401553B (zh) | 一种基于神经网络的缺失数据填充方法及系统 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN116437365A (zh) | 一种无线传感器网络链路质量评价方法及系统 | |
CN113723556B (zh) | 基于熵加权-多模态域对抗神经网络的调制方式识别方法 | |
CN107333294A (zh) | 一种结合AdaBoost和支持向量机的链路质量预测方法 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN112307927A (zh) | 基于bp网络针对非合作通信中mpsk信号的识别研究 | |
CN112182961A (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN104660356A (zh) | 一种具有可靠虚警性能的半盲协作式频谱感知方法 | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
CN109618288B (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
CN109033952B (zh) | 基于稀疏自编码器的m序列识别方法 | |
CN110290466A (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN115545198B (zh) | 一种基于深度学习模型的边缘智能协同推断方法及系统 | |
CN112949385B (zh) | 一种基于光视觉的水面目标检测与识别方法 | |
CN113890633B (zh) | 一种基于深度神经网络的水声通信体制自适应选取方法 | |
CN112731567B (zh) | 一种用于超高频微波的时空协同干湿增强判别方法 | |
CN114143210A (zh) | 一种基于深度学习的指挥控制网络关键节点识别方法 | |
CN110311744A (zh) | 一种基于Catboost算法的信道环境自适应频谱感知方法 | |
CN114915526B (zh) | 通信信号调制识别方法、装置及系统 | |
CN117320150B (zh) | 基于移动蜂窝网络多特征的室外指纹定位方法、计算机及存储介质 | |
CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 | |
Pethunachiyar et al. | Fast and accurate primary user detection with machine learning techniques for cognitive radio 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 |