[发明专利]一种采用超限学习机综合评估链路质量的方法

摘要

本发明公开了一种采用超限学习机综合评估链路质量的方法。该方法是在分析无线传感器网络链路特性基础上，提出的一种综合性的链路质量评估方法。该方法首先对部署的网络链路特性进行研究，考虑链路可靠性、波动性、非对称性以及信道质量作为链路综合评估指标，并提出相应的度量方法；其次，考虑参数间的相互作用力对综合评价的影响，使用基于模糊测度的模糊积分进行评价，根据评分划分链路质量等级；最后，构建并训练超限学习机链路质量评估模型。本发明方法考虑综合评估中，各参数之间相互作用力对综合评价指标的影响，可有效地较全面地评估链路质量，其优点在于可以为无线传感器网络的路由协议奠定基础，减少节点的能耗并提高通信效率。

主权项

1.一种采用超限学习机综合评估链路质量的方法，其特征在于：采用基于模糊测度的模糊积分方法实现链路综合评价，进而划分链路质量等级，应用超限学习机算法训练得到链路质量综合评估模型；包括以下步骤：步骤S1：选择包括：链路可靠性、波动性、非对称性以及信道质量的四项链路特性综合评估链路质量，模型训练数据样本的获得，具体步骤如下：a)通过部署测试网络，以Sink节点被动侦听感知节点周期性探测包，获得包括包接受率、上下行信噪比等基本链路参数，样本数w≥10000；b)根据四项特性指标的度量方法，使用获得的包接受率PRR以及信噪比SNR来实现特性的度量；使用探测周期的PRR以及SNR来得到链路可靠性PRR指标、波动性CV指标、非对称性ASL指标以及信道质量SNR指标的值；步骤S2：使用基于模糊测度的模糊积分方法实现链路的综合评价，划分链路质量等级，具体步骤如下：a)对样本集归一化处理后，结合熵值法与层次分析法实现特性指标的组合赋权，获得权重；式中w’_n表示的是指标n对应的由熵值法确定的权重，表示的是其对应的由层次分析法确定的权重，α表示依赖因子，表示对主观权重的依赖程度，获得四个特性指标(PRR、CV、ASL、ASNR)对应的权重；b)应用λ模糊测度定义综合评价各参数间的相互作用，使用φ_s权重转化函数获得各特性指标的模糊密度；g_λ(A∪B)＝g_λ(A)+g_λ(B)+λg_λ(A)g_λ(B)c)根据λ模糊测度性质，推导出该测试网络下特性指标的模糊测度表；d)采用Choquet模糊积分算子，根据模糊测度表，计算w样本集模糊积分值；e)将链路质量划分为5个等级，样本积分值归一化后百分制，按评分区间划分链路质量等级；步骤S3：构建基于超限学习机的链路质量评估模型，使用寻优算法进行优化，具体步骤如下：a)确定超限学习机的结构，输入层节点为4，即四个特性指标，输入层对应链路质量等级，本发明将链路质量划分为5个等级，输出层节点为5；b)设计寻优算法代价函数满足确定最佳的隐层节点数；其中：N是训练样本个数；m为真实的等级与预测等级相同的样本个数，即accuracy；n_min和n_max表示的是节点个数的阈值；β是对应节点数在适应度函数中的比重；j_i是粒子群算法的适应值，x_i是选取的隐含层节点数；c)采用粒子群‑超限学习机算法，通过步骤S2重构样本空间，将w样本按7：3划分训练测试集，训练链路质量综合评估模型，粒子群‑超限学习机算法公式为：式中L表示为隐层节点个数，N为样本的个数，β_i为隐层节点到输出节点的权重，也是所述粒子群‑超限学习机算法最终确定的值，G(a_i,b_i,x_j)为输入节点到隐层节点的激活函数，a_i,b_i为激活函数的权重和偏置，在所述粒子群‑超限学习机算法中采用满足高斯分布的自动生成，x_j为输入，是N×m的矩阵，m为输入层节点个数，y_i表示的是输出，为综合的评价等级值(LQL)；所述粒子群‑超限学习机算法是监督学习，通过四项指标值和输出值，利用最小二乘法，得到隐层到输出的权重β_i；将所述粒子群‑超限学习机算法转化为矩阵形式，计算下：Hβ＝Y对获得的数据进行分析。