[发明专利]采用广义回归神经网络评估链路质量的方法

说明书

本发明公开了一种采用广义回归神经网络评估链路质量的方法，包括：S1，采用改进的网格搜索法缩小优化范围，当均方位误差达到理想值时或者达到终止条件均方位误差最小时对应的光滑因子为最优解，从而得到光滑因子，以建立基于广义回归神经网络的链路质量评估模型；S2，采用所述基于广义回归神经网络的链路质量评估模型对链路质量进行评估。本发明能够在全面选取链路质量特性的基础上，通过改进的网格搜索法确定最优光滑因子构建基于GRNN链路质量评估模型，基于GRNN链路质量评估模型能够快速自学习链路质量参数与链路质量的关系，使得本发明提供的方法能够有效的提高WSNs链路质量评估的准确性及高效性。

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广义回归神经网络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。

无线传感器网络满足可靠性和实时性等服务质量的要求是部署WSNs的主要挑战之一。然而，由于IEEE802.15.4网络的兼容性，使节点在传输低功率无线电信号时容易受到噪声等干扰。无线链路通信很容易处于多径失真和干扰等环境条件下，因此，位于WSNs中链路是不可靠的、可变的，而且往往是不对称的。设计有效的链路质量评估模型，较真实评估链路质量是提高WSNs可靠性的重要方法之一。

目前为止链路质量评估虽然有一些解决方案，但目前的链路质量评估方法仍存在计算速度过慢、评估结果准确性不高的缺陷。

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广义回归神经网络(Generalized Regression Neural Network，GRNN)评估链路质量的方法，以提高WSNs链路质量评估的准确性及高效性。

一种采用广义回归神经网络评估链路质量的方法，包括如下步骤：

S1，采用改进的网格搜索法缩小优化范围，当均方位误差达到理想值时或者达到终止条件均方位误差最小时对应的光滑因子为最优解，从而得到光滑因子，以建立基于广义回归神经网络的链路质量评估模型；

S2，采用所述基于广义回归神经网络的链路质量评估模型对链路质量进行评估。

与现有技术相比，本发明能够在全面选取链路质量特性的基础上，通过改进的网格搜索法确定最优光滑因子构建基于GRNN链路质量评估模型，基于GRNN链路质量评估模型能够快速自学习链路质量参数与链路质量的关系，避免了大部分基于机器学习的链路质量评估在参数选取不全面、计算速度过慢造成评估结果的准确性不高及成本较高等缺陷，使得本发明提供的方法能够有效的提高WSNs链路质量评估的准确性及高效性。

上述方法，其中，所述步骤S1具体包括：

S11，根据包接收率的值将样本划分为好、中、差三类，分别建立基于广义回归神经网络的链路质量评估模型，光滑因子用Spread表示，其中Spread＝Spread+x，x为光滑因子的粗粒度步长，A为光滑因子的最小值，Spread≧A，B为光滑因子的最大值，Spread≤B；

S12，观察各基于广义回归神经网络的链路质量评估模型随着光滑因子从A增加到B的过程中，均方误差的变化情况，使得各评估模型均方误差之和最小为最优光滑因子所在范围，缩小最优光滑因子所在的范围为[A，B]；

S13，将x调整为细粒度步长，训练即寻找最优光滑因子的过程，其中光滑因子Spread＝Spread+x，Spread≤B，Spread的初始值定为A，寻找全局最优光滑因子。