[发明专利]基于小波神经元网络的无线链路质量预测方法

摘要

本发明涉及一种基于小波神经元网络的无线链路质量预测方法，根据其网络模型的预测结果计算出未来一段时间的无线链路质量的置信区间。本预测方法包括小波神经元网络模型训练阶段和基于训练结果的无线链路质量预测阶段，可以随着环境因素的改变，计算无线通信节点间的链路质量的置信区间，以解决链路质量预测精度低的问题，同时也将链路质量中的高频噪声部分纳入了预测范畴，动态地预测链路质量在未来一段时间的变化趋势。与传统的预测模型相比，本方法能够更为有效地对链路质量进行实时估计，并提高了无线传感器网络整体的可靠性和鲁棒性。本发明有效地提高了链路传输的可靠性，实现了对电网中无线链路的实时预测。

主权项

1.一种基于小波神经元网络的无线链路质量预测方法，包括通过无线通信设备采集并保存无线链路质量信号，其特征在于,包括小波神经元网络模型训练阶段和基于训练结果的无线链路质量预测阶段；步骤1，小波神经元网络模型训练阶段，包括以下步骤：步骤1.1，在待预测的通信环境下，通过无线通信设备采集并保存第1时刻到第L时刻的无线链路质量信号，组成一段长度为L的原始数据序列x(L)＝{x₁,x₂,...,x_L}作为小波神经元网络模型的训练样本数据序列，其中L表示所采集的训练样本数据序列的末时刻，1000≤L≤9000；所述的小波神经元网络模型的输入层为1层，输入层节点个数为m，m的数值范围为1‑50；隐含层为1层，隐含层节点个数为n，n的数值范围为1‑20；输出层为1层，输出层节点个数为1；步骤1.2,通过数字滤波方法对步骤1.1得到的训练样本数据序列作平滑滤波处理；将处理后的平滑序列记为:Sx(L)＝{Sx₁,Sx₂,...,Sx_L},作为低频大尺度衰落训练样本数据序列，其中,Sx₁表示平滑序列对应x₁点的低频值；Sx₂表示平滑序列对应x₂点的低频值；Sx_L表示平滑序列对应x_L点的低频值；将经滤除得到的噪音序列记为：Rx(L)＝{Rx₁,Rx₂,...,Rx_L}，作为高频小尺度衰落训练样本数据序列,其中,Rx₁表示噪音序列对应x₁点的高频值,Rx₂表示噪音序列对应x₂点的高频值，Rx_L表示噪音序列对应x_L点的高频值；训练样本数据序列的平滑滤波计算方法如式(1‑1)、(1‑2)所示：在式(1‑1)、(1‑2)中，t表示训练样本数据序列的任意时刻点，t＝1,2,3,...,L；步骤1.3,在低频大尺度衰落训练样本数据序列Sx(L)中，将连续的q个数据作为低频大尺度衰落小波神经元网络模型训练的输入子序列，即：{Sx_i,Sx_i+1,...,Sx_i+q‑1}，其中，q＝m，将Sx_i+q作为低频大尺度衰落小波神经元网络模型训练的输出数据，其中，i＝1,2,...,L‑q；将相对应的输入子序列和输出数据作为一组，则共组成L‑q组低频大尺度衰落小波神经元网络模型训练的输入子序列和输出数据；步骤1.4，采用BP算法，训练低频大尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V_m×n以及隐含层和输出层连接权矩阵Ω_n×1；步骤1.5,按照滑动窗口模型思想计算高频小尺度衰落训练样本数据序列Rx(L)的方差序列VRx(L)＝{VRx₁,VRx₂,...,VRx_L},方差计算方法如式(2‑1)、(2‑2)所示:在式(2‑1)、(2‑2)中，t表示训练样本数据序列的任意时刻点，t＝1,2,3,...,L，K为滑动窗口的大小，K的取值范围为10‑300；步骤1.6,在高频小尺度衰落训练样本数据序列的方差序列VRx(L)中，将连续的q个方差值作为高频小尺度衰落小波神经元网络模型训练的输入子序列，即：{VRx_i,VRx_i+1,...,VRx_i+q‑1}，将VRx_i+q作为高频小尺度衰落小波神经元网络模型训练的输出数据，其中i＝1,2,...,L‑q；将相对应的输入子序列和输出数据作为一组，共组成L‑q组高频小尺度衰落小波神经元网络模型训练的输入子序列和输出数据；步骤1.7，采用BP算法，训练高频小尺度衰落小波神经元网络模型，得到输入层和隐含层连接权矩阵V'_m×n以及隐含层和输出层连接权矩阵Ω'_n×1；步骤2，无线链路质量预测阶段，包括以下步骤：步骤2.1,在无线通信设备通信过程中，采集并保存长度为W+q的无线链路质量信号，其中，W＝K，q＝m，组成一段长度为W+q的预测序列p(W+q)＝{p₁,p₂,...,p_W+q}；步骤2.2,通过数字滤波方法对无线链路质量信号的预测序列p(W+q)＝{p₁,p₂,...,p_W+q}作平滑滤波处理；将滤除噪音后长度为W+q的平滑预测序列作为低频大尺度衰落预测序列，记为：Sp(W+q)＝{Sp₁,Sp₂,...,Sp_W+q}，其中，Sp₁表示平滑预测序列对应第1个点的低频值；Sp₂表示平滑预测序列对应第2个点的低频值；Sp_W+q表示平滑预测序列对应第W+q个点的低频值；将滤除后的长度为W+q的噪音预测序列作为高频小尺度衰落预测序列，记为：Rp(W+q)＝{Rp₁,Rp₂,...,Rp_W+q}，其中，Rp₁表示噪音预测序列对应第1个点的高频值，Rp₂表示噪音预测序列对应第2个点的高频值，Rp_W+q表示噪音预测序列对应第W+q个点的高频值；预测序列平滑滤波的计算方法如式(3‑1)、(3‑2)所示：在式(3‑1)、(3‑2)中，j表示预测序列的任意时刻点，j＝1,2,3,...,W+q；步骤2.3,在低频大尺度衰落预测数据序列Sp(W+q)中，将序列后q个数据作为低频大尺度衰落小波神经元网络模型预测的输入序列，即：Sp(q)＝{Sp_W+1,Sp_W+2,...,Sp_W+q}，将Sp(q)和步骤1.4所得到的输入层和隐含层连接权矩阵V_m×n以及隐含层和输出层连接权矩阵Ω_n×1代入低频大尺度衰落小波神经元网络模型，计算出低频大尺度衰落小波神经元网络模型的预测输出值Sp_W+q+1；步骤2.4,计算高频小尺度衰落预测数据序列Rp(W+q)的后q个方差序列VRp(q)＝{VRp_W+1,VRp_W+2,...,VRp_W+q},计算方法如式(4)所示；步骤2.5,将高频小尺度衰落预测数据序列Rp(W+q)的后q个方差值组成的方差序列VRp(q)＝{VRp_W+1,VRp_W+2,...,VRp_W+q}和步骤1.7得到的输入层和隐含层连接权矩阵V'_m×n及隐含层和输出层连接权矩阵Ω'_n×1代入高频小尺度衰落小波神经元网络模型，计算出高频小尺度衰落小波神经元网络模型的方差预测输出值VRp_W+q+1；步骤2.6,利用低频大尺度衰落小波神经元网络模型的预测输出值Sp_W+q+1和高频小尺度衰落小波神经元网络模型的方差预测输出值VRp_W+q+1计算出未来在W+q+1时刻无线链路质量置信水平为ξ的置信区间，计算方法如式(5)所示：[Sp_W+q+1+nVRp_W+q+1,Sp_W+q+1‑nVRp_W+q+1]   (5)在式(5)中，n为标准正态分布在置信水平为ξ时的分位数；步骤2.7，重复步骤2.1‑步骤2.6的预测过程，连续得出低频大尺度衰落预测序列的预测值和高频小尺度衰落预测序列的方差值，即可得到无线链路的链路质量在未来一段时间内的置信区间。