基于随机森林的链路质量预测

链路质量预测对无线传感器网络的上层协议设计至关重要,通过链路质量预测方法选择高质量的链路通信,可以提高数据传输的可靠性和网络通信的效率。基于无监督聚类的高斯混合模型划分链路质量等级,采用零相位分量分析白化法去除样本间的相关性,计算信噪比、链路质量指示及接收信号强度指示的均值和方差,并将其结果作为链路质量参数;基于随机森林分类算法构建链路质量评估模型,采用随机森林回归算法构建链路质量预测模型,预测下一时刻的链路质量等级。在不同的实验场景下,与指数加权移动平均、三角度量、支持向量回归机和线性回归预测模型相比,所提预测模型具有更高的预测准确率。

基于门控循环单元的链路质量预测

无线传感器网络中,节点传输数据时容易受到环境中噪声的干扰,使传输链路质量变差,导致数据包丢失、消息重发,从而加速节点能量的消耗,缩短网络寿命。链路质量预测可以为上层路由协议选择高质量的无线链路进行通信提供依据,通过链路质量预测选取高质量的链路传输数据,可以提高数据传输效率,减少重传次数。本文提出基于门控循环单元(gate recurrent unit,GRU)的链路质量预测方法。首先,采用Gap Statistic算法优化的Kmeans++算法,依据包接收率的分布自适应划分链路质量等级,获得链路质量样本标签;其次,选择接收信号强度均值、链路质量指示均值及信噪比均值作为输入,借助CatBoost在分类问题上的优势,构建链路质量评估模型,并采用网格搜索法对参数寻优;最后,使用滑动时间窗口构建链路质量等级时序样本集,使用GRU提取链路质量等级时间序列的时序信息,为进一步提高预测的准确率,采用支持向量回归机构建链路质量预测模型,预测下一时刻链路质量等级。本文采用真实场景中的数据进行实验,根据主要干扰源不同,选择实验室、走廊和停车场3个场景收集数据,使用均方误差评价链路质量预测模型的有效性。实验结果表明,与小波神经网络、循环神经网络和随机向量函数链等方法相比,所提方法具有更小的预测误差,可以准确预测链路质量等级。

基于AdaBoost的链路质量预测机制研究

在无线传感器网络中,节点所在环境复杂多变导致其通信链路质量的不可靠,若能提前感知链路质量信息,则能很大程度上降低网络中节点的额外能量消耗。在分析现有链路质量预测方法的基础上,提出基于AdaBoost的链路质量预测机制。通过收集多个实验场景下的链路质量样本,采用基于密度的无监督聚类算法对训练样本划分链路质量等级;采用以支持向量机为弱分类器的AdaBoost算法,构建链路质量预测机制。实验结果表明,所提预测机制具有较高的预测精度。

基于深度信念网络的WSN链路质量预测

在分析现有链路质量预测模型的基础上,提出基于深度信念网络的无线传感器网络链路质量预测模型。采用支持向量分类机对链路质量进行评估,获得链路质量等级;采用深度信念网络提取链路质量特征,并采用softmax预测下一时刻的链路质量。在不同实验场景下,与逻辑回归、BP神经网络以及贝叶斯网络预测模型相比,所提出模型具有更好的预测准确率。

一种基于QoS的改进AODV路由协议设计及其实现

无线自组网是一种特殊的无线移动通信网络,是由一组带有无线收发装置的移动终端组成的一个动态自组织网络系统。随着无线自组网应用领域的日益扩大,提供端到端的服务质量(Qo S)也越来越重要。文中在传统AODV协议基础上进行了改进,引入跨层思想并进行Qo S设计,在一些较关注某些具体性能的应用场景下,可根据所关注的性能指标进行选路以满足对性能的要求,具有更强的实用性,最后在实现中验证了该改进协议的有效性。