[发明专利]一种基于决策树分类器的跳数矩阵恢复方法

说明书

本发明公开了一种基于决策树分类器的跳数矩阵恢复方法，其包括步骤如下：S1：通过泛洪过程，获取的跳数矩阵中含有缺失项；S2：根据跳数矩阵中部分被观测到的跳数之间的关系构建训练集，将跳数矩阵中观测到的跳数值建模为训练集的标签，最大跳数值表示为类别数；S3：根据步骤S2中得到的训练样本集合训练决策树分类器；S4：为没有观测到的跳数值构造特征，得到未知样本；将未知样本输入到训练好的决策树分类器，得到未知样本的类别，即得到矩阵中对应位置的缺失的跳数值，从而恢复出完整的跳数矩阵H。本发明对缺失跳数的预测结果更为准确，对跳数矩阵的恢复能力大大提高。

技术领域

本发明涉及无线传感器网络技术领域，更具体的，涉及一种基于决策树分类器的跳数矩阵恢复方法。

背景技术

物联网广泛应用于社会的各个领域，对于电子医疗、军事监测、农业生产等都具有重要意义。无线传感器网络作为物联网的基础，包含了大量的体积小、价格便宜的传感器节点。传感器节点随机分布在监控区域，无线传感器网络的核心功能是感知和报告数据，只有知道数据产生的位置，观测到的数据才有意义。因此，获取节点的位置信息是节点部署后的首要任务，这对于理解应用背景起着至关重要的作用。由于传统的全球定位系统(GlobalPosition System,GPS)系统需要昂贵的硬件设施和较大的能耗，基于GPS的定位方法不适合大规模的无线传感器网络。另外，GPS的室内定位能力很弱，不能满足无线传感器网络的多种应用场景。

目前，无线传感器网络定位方案可分为两大类：基于测距的定位方案和基于非测距的定位方案。在实际场景中，用于非测距定位方案的跳数矩阵比用于测距定位方案的距离矩阵更容易获得，因为距离测量会受到噪声、多径效应、信号衰落或阴影的影响。在非测距定位方案中，传感器节点在泛洪过程中记录自身和其他节点的跳数信息，跳数矩阵是在泛洪结束后构造的。即使可以通过这样一个简单的方法获得跳数矩阵，在实施过程中观测到的跳数矩阵仍然可能包含一些缺失的项目。

众所周知，传感器节点的能量非常有限，甚至一些具有监测任务的传感器都具有能量采集功能。在泛洪过程中，节点需要不断地发送和接收数据，这需要大量的能量消耗。由于部分节点能量有限，在很多情况下，在跳数矩阵收敛之前必须终止泛洪，只能利用网络中的部分跳数值。此外，监控区域内恶意节点的攻击也会污染跳数信息，恶意节点在泛洪过程中会伪装成正常节点篡改转发的信息，这将极大地危害节点的定位。尽管许多现有的方案能够检测到恶意节点，并且排除受污染的跳数值，但它们并没有恢复这些缺失的跳数值。因此，在很多情况下，我们只能得到一个不完整的跳数矩阵。若采用不完整的跳数矩阵进行定位，将大大降低定位精度。

一般来说，如果获得的跳数矩阵中含有缺失项，为了保证定位性能，一般选择第二次泛洪获得新的跳数矩阵。然而，传感器节点的能量本身是有限的，非测距定位方案中泛洪过程的高能量消耗是一个众所周知的缺陷，这种方法会带来大量的能量损失。因此，如何在不影响定位性能的情况下恢复出跳数矩阵，避免第二次泛洪造成的能量损失，是非测距定位方案中亟待解决的问题。

现有技术如：基于朴素贝叶斯的跳数矩阵补全方法[Zhao,Y.,Liu,X.,Han,F.,Han,G.(2020).Recovery of hop count matrices for the sensing nodes in internetof things.IEEE Internet of Things Journal,7,5128-5139]，其对网络中节点之间的跳数进行学习，利用单个特征来对缺失的跳数进行预测，使用朴素贝叶斯分类器来学习矩阵中的跳数和邻居节点跳数的关系。

然而该现有技术依旧存在以下不足：

1.通过构造单一的特征来对跳数矩阵中缺失的值进行判断，单一的特征对于类别的判别能力有限，所以矩阵恢复的效果不好。

2.跳数矩阵中所包含的节点之间的信息虽然部分缺失了，但是不同节点之间存在的关系仍然被观测到，该现有技术中没有很好的利用被观测到的部分信息。