[发明专利]一种采用卷积长短期记忆的在线链路质量预测方法

权利要求书

1.一种采用卷积长短期记忆的在线链路质量预测方法，其特征在于，包括以下步骤：

S1：通过斯皮尔曼等级相关系数法选取合适的无线传感器网络链路质量参数并对其进行归一化处理，采用基于密度聚类算法排序点以识别集群结构对链路质量等级进行划分；

S2：构建基于卷积长短期记忆的在线链路质量预测模型，以预测下一时刻的链路质量等级值；

S3：采用滑动窗口内基线错误率比较方式来判断是否要更新模型；

其中，在步骤S1中，划分链路质量等级的方法为基于密度聚类算法OPTICS，其划分等级的过程为：

(1)建立两个队列，待处理队列和已处理队列；

(2)样本数据集都已处理完，则算法结束，否则选取未处理且为核心对象的样本点并找到其所有直接密度可达样本点，若该样本点不在已处理队列中，则将其放入待处理队列并按可达距离排序；

(3)若待处理队列为空，则返回第(2)步，否则选取待处理队列中第一个样本点，将样本点放入已处理队列；

(4)判断该样本点是否为核心对象，若不是则返回第(3)步，若是则找出其所有直接可达样本点并按可达距离放入待处理队列；

(5)迭代第(2)、(3)、(4)步，直至所有样本点都处理完毕；

(6)输出已处理队列的有序样本点；

步骤S2具体包括：

将选取的WSNs参数进行预处理操作后，采用探测周期内通过OPTICS算法得出的链路质量等级值作为分类标签，进行模型训练；

将带有链路质量等级标签的数据输入编码网络，在编码时对数据进行重构，通过卷积操作实现模型内输入与各门之间的信息传递，同时状态与状态之间也换成了卷积运算，在预测时对数据进行解码，输出下一时刻链路质量等级；

具体步骤如下：

(1)输入带标签的训练数据集n为样本数目，m为特征数目，x_i为历史时刻和当前时刻的链路质量等级值，y_i为下一时刻的链路质量等级值；

(2)确定输入内容：i_n＝σ(W_xi*X_n+W_hi*H_n-1+W_cioy_t-1+b_i)，W为各门的权重矩阵，H为隐藏状态，o为Hadamard函数，c为输出，t为时刻，b为偏移，σ为sigmiod函数；

(3)对历史信息进行筛选：f_t＝σ(W_xf*X_k+W_hf*H_t-1+W_cfoy_t-1+b_f)；

(4)计算隐藏状态：H_t＝o_totanh(y_t)；

(5)计算Hadamard函数：o_t＝σ(W_xo*X_t+W_ho*H_t-1+W_cooy_t+b_o)；

(6)输出预测结果：c_t＝f_toy_t-1+i_totanh(W_xc*X_t+W_hc*H_t-1+b_y)；

步骤S3中，当窗口内的预测错误率大于基线错误率时则对模型进行更新；采用滑动窗口模式判断模型决定模型何时再训练，滑动窗口分为固定大小的滑动窗口和动态的滑动窗口，计算当前滑动窗口内数据的预测链路质量错误率；当前预测错误率与基线错误率作为比对，如果预测错误率低于基线则减少滑动窗口大小，同时采用批量方式，将窗口内的链路质量数据用于模型的在线更新；否则增大滑动窗口，使得滑动窗口能够包含更多的链路质量信息；具体步骤如下：

(1)设定基线错误率k,固定窗口大小m和动态窗口大小n；

(2)计算窗口内预测错误率：e为滑动窗口内预测错误数；

(3)比较k与p的大小，若k大于p，则增大动态窗口大小；反之，将滑动窗口内的数据加入到模型训练中，将模型重新进行训练同时减小动态窗口大小。