專(zhuān)利名稱(chēng)：一種無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種無(wú)線傳感器網(wǎng)絡(luò)性能評(píng)價(jià)方法，尤其是一種基于最小二乘支持向 量回歸機(jī)的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，用以全面合理地評(píng)價(jià)中小規(guī)模無(wú)線傳感器 網(wǎng)絡(luò)運(yùn)行性能，屬于無(wú)線傳感器和網(wǎng)絡(luò)通信技術(shù)領(lǐng)域。
背景技術(shù)：
無(wú)線傳感器網(wǎng)絡(luò)(WSN)是由大量廉價(jià)的、具有計(jì)算和通信功能的傳感器節(jié)點(diǎn)通過(guò) 自組織方式組成的完成特定功能的智能網(wǎng)絡(luò)系統(tǒng)，具有應(yīng)用靈活、方便等特點(diǎn)，有廣闊的應(yīng) 用前景，主要應(yīng)用在災(zāi)難預(yù)警與求助、安全監(jiān)控、健康監(jiān)測(cè)、醫(yī)療衛(wèi)生、空間探索和軍事信息 檢測(cè)等領(lǐng)域。對(duì)于中小規(guī)模WSN，由于節(jié)點(diǎn)分布密度低、冗余度小，網(wǎng)絡(luò)運(yùn)行對(duì)單個(gè)節(jié)點(diǎn)工作依 賴(lài)性強(qiáng)，傳感器節(jié)點(diǎn)往往部署在易受外界不利因素影響的區(qū)域，在長(zhǎng)期運(yùn)行的過(guò)程中由于 節(jié)點(diǎn)本身性能下降和外部環(huán)境影響，使得WSN運(yùn)行質(zhì)量經(jīng)常發(fā)生變化，對(duì)于電池能量、計(jì)算 能力和存儲(chǔ)能力均有限的WSN，如何充分利用網(wǎng)絡(luò)正常傳輸信息及時(shí)掌握運(yùn)行質(zhì)量，有效監(jiān) 控網(wǎng)絡(luò)運(yùn)行狀態(tài)，是WSN成功應(yīng)用亟待解決問(wèn)題之一。國(guó)外研究有2005年HMF AboElFotoh等通過(guò)計(jì)算可靠性和信息滯后，對(duì)分布式 WSN的隨機(jī)故障進(jìn)行研究，通過(guò)概率圖去模擬網(wǎng)絡(luò)行為，利用傳感器實(shí)測(cè)數(shù)據(jù)對(duì)網(wǎng)絡(luò)性能進(jìn) 行分析；2006年A. Shrestha等對(duì)WSN基礎(chǔ)設(shè)施通信的可靠性進(jìn)行了研究，應(yīng)用簡(jiǎn)化二進(jìn)制 決策圖對(duì)WSN的可靠性進(jìn)行仿真分析；2007年ANDRADE-SANCHEZ P等對(duì)WSN在不同農(nóng)業(yè)環(huán) 境應(yīng)用中的信號(hào)強(qiáng)度(RSSI LQI)、包接收率PRR(packet reception rate)等性能參數(shù)進(jìn) 行測(cè)試；CINQUEM等對(duì)WSN可靠性模型的研究，包括電源失效模型，通信失效模型等；2009 年P(guān). Barford等提出一套網(wǎng)絡(luò)性能異常的檢測(cè)體系，用于檢測(cè)和定位一般網(wǎng)絡(luò)運(yùn)行中出現(xiàn) 的異常情況；F. H. Yahaya等分析了節(jié)點(diǎn)收發(fā)數(shù)據(jù)、網(wǎng)絡(luò)吞吐量和時(shí)延三個(gè)指標(biāo)對(duì)高端應(yīng)用 的WSN性能的影響。國(guó)內(nèi)與WSN性能評(píng)價(jià)直接相關(guān)研究有，2009年鄭宇鋒等通過(guò)對(duì)ZigBee 協(xié)議MAC子層和單跳與多跳傳輸時(shí)延的分析，結(jié)合無(wú)線傳感系統(tǒng)的容量時(shí)延性能的指標(biāo)體 系，提出了一種簡(jiǎn)單便捷的無(wú)線系統(tǒng)的性能評(píng)估方法。目前對(duì)網(wǎng)絡(luò)性能的評(píng)估和分析，主要從仿真和理論分析兩方面展開(kāi)，研究主要集 中在網(wǎng)絡(luò)協(xié)議、算法或者某單一性能指標(biāo)對(duì)網(wǎng)絡(luò)性能影響分析，然而在對(duì)網(wǎng)絡(luò)本身進(jìn)行性 能評(píng)價(jià)時(shí)，單個(gè)的指標(biāo)并不能完全反應(yīng)網(wǎng)絡(luò)的整體性能。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述存在的問(wèn)題和不足，公開(kāi)一種無(wú)線傳感器網(wǎng)絡(luò)性能綜 合評(píng)價(jià)方法，該方法的最大優(yōu)勢(shì)在于它適用于小樣本決策，能夠進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，包括下列步 驟確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)、采用因子分析法確定獨(dú)立的網(wǎng)絡(luò)運(yùn)行因子值、建立基于LSSVR 的網(wǎng)絡(luò)性能綜合評(píng)價(jià)模型、低功耗基于LSSVR網(wǎng)絡(luò)性能綜合評(píng)價(jià)。
本發(fā)明所述的無(wú)線傳感器網(wǎng)絡(luò)性能評(píng)價(jià)方法，具體包括如下步驟第一步，確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)。針對(duì)中小規(guī)模WSN應(yīng)用特點(diǎn)，采用系統(tǒng)工程理論對(duì)WSN性能影響因素進(jìn)行分類(lèi)和 綜合評(píng)估，確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)，包括節(jié)點(diǎn)能量損耗、信號(hào)強(qiáng)度、丟包率、網(wǎng)絡(luò)時(shí)延和網(wǎng)絡(luò) 鏈路質(zhì)量等。第二步，采用因子分析法確定獨(dú)立的網(wǎng)絡(luò)運(yùn)行因子值。因子分析法是從研究變量?jī)?nèi)部相關(guān)的依賴(lài)關(guān)系出發(fā)，把一些具有錯(cuò)綜復(fù)雜關(guān)系的 變量歸結(jié)為少數(shù)幾個(gè)綜合因子的一種多變量統(tǒng)計(jì)分析方法。由于網(wǎng)絡(luò)性能指標(biāo)之間不是完 全獨(dú)立，并具有一定的相關(guān)性，因而所得到的統(tǒng)計(jì)數(shù)據(jù)反映的信息在一定程度上具有重疊 性。利用網(wǎng)絡(luò)正常運(yùn)行信息獲取性能指標(biāo)，采用因子分析法將相關(guān)的性能參數(shù)變換成 獨(dú)立的性能指標(biāo)(因子值)，為信號(hào)強(qiáng)度、丟包率、網(wǎng)絡(luò)延遲，使得參與建模的性能指標(biāo)不再 相關(guān)。第三步，建立基于LSSVR的網(wǎng)絡(luò)性能綜合評(píng)價(jià)模型。最小二乘支持向量機(jī)LSSVM，包括最小二乘支持向量回歸機(jī)LSSVR和最小二乘 支持向量分類(lèi)機(jī)LSSVC，是一種小樣本多元數(shù)據(jù)分析方法，滿足結(jié)構(gòu)化風(fēng)險(xiǎn)最小原則。對(duì) WSN運(yùn)行中的各種狀態(tài)信息，采用因子分析法處理后得到因子值，作為L(zhǎng)SSVR輸入，再通過(guò) LSSVR回歸訓(xùn)練和學(xué)習(xí)，確定LSSVR回歸模型的核參數(shù)和正則化參數(shù)，最終建立基于LSSVR 的WSN性能綜合評(píng)價(jià)模型，使得模型的經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間得到較好的平衡，即結(jié)構(gòu)化風(fēng) 險(xiǎn)近似達(dá)到最小。第四步，低功耗基于LSSVR網(wǎng)絡(luò)性能綜合評(píng)價(jià)。網(wǎng)絡(luò)實(shí)際運(yùn)行時(shí)，按照WSN性能綜合評(píng)價(jià)模型進(jìn)行低功耗基于LSSVR網(wǎng)絡(luò)性能綜 合評(píng)價(jià)。本發(fā)明將最小二乘支持向量回歸機(jī)(LSSVR)引入到WSN的性能評(píng)價(jià)中，在LSSVR 回歸模型建立之前對(duì)采樣數(shù)據(jù)進(jìn)行預(yù)處理，使得參與建模的指標(biāo)不再相關(guān)，可以提高訓(xùn)練 速度。本發(fā)明與RBF神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法、模糊綜合評(píng)價(jià)方法相比較，避免了神經(jīng)網(wǎng)絡(luò)方法 可能發(fā)生的收斂于局部極小值的問(wèn)題，其評(píng)價(jià)值接近于需要專(zhuān)家參與的模糊綜合評(píng)價(jià)值， 評(píng)價(jià)可靠，且可以實(shí)時(shí)在線監(jiān)測(cè)。基于LSSVR的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法巧妙地 利用核函數(shù)克服了“維數(shù)災(zāi)難”和“過(guò)學(xué)習(xí)”等傳統(tǒng)困難，非常適合有多個(gè)指標(biāo)的中小規(guī)模 無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)，幫助管理人員及時(shí)準(zhǔn)確把握WSN的運(yùn)行狀況和趨勢(shì)，為網(wǎng) 絡(luò)運(yùn)行評(píng)估和優(yōu)化提供依據(jù)。


圖1是本發(fā)明的WSN性能綜合評(píng)價(jià)方法流程2是本發(fā)明的WSN性能綜合評(píng)價(jià)模型結(jié)構(gòu)3是本發(fā)明具體實(shí)施的網(wǎng)絡(luò)結(jié)構(gòu)4是本發(fā)明WSN性能綜合評(píng)價(jià)法與RBF神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法、模糊綜合評(píng)價(jià)法對(duì)網(wǎng) 絡(luò)性能評(píng)價(jià)值對(duì)比曲線
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。如圖1所示，本發(fā)明的無(wú)線傳感器網(wǎng)絡(luò)綜合性能評(píng)價(jià)方法，包括確定網(wǎng)絡(luò)運(yùn)行性 能指標(biāo)、采用因子分析法確定獨(dú)立的網(wǎng)絡(luò)運(yùn)行因子值、建立基于LSSVR的網(wǎng)絡(luò)性能綜合評(píng) 價(jià)模型、低功耗基于LSSVR網(wǎng)絡(luò)性能綜合評(píng)價(jià)四步。具體步驟如下第一步，采用系統(tǒng)工程理論確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)。針對(duì)中小規(guī)模WSN應(yīng)用特點(diǎn)，采用系統(tǒng)工程理論對(duì)WSN性能影響因素進(jìn)行分類(lèi)和 綜合評(píng)估，確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)有節(jié)點(diǎn)能量損耗、信號(hào)強(qiáng)度、丟包率、網(wǎng)絡(luò)時(shí)延和網(wǎng)絡(luò)鏈 路質(zhì)量等。第二步，采用因子分析法確定獨(dú)立的網(wǎng)絡(luò)運(yùn)行因子值。采用因子分析法對(duì)采集到的網(wǎng)絡(luò)性能數(shù)據(jù)進(jìn)行預(yù)處理，具體步驟如下(1)利用網(wǎng)絡(luò)正常運(yùn)行信息獲取性能指標(biāo)，采用因子分析法將相關(guān)的性能參數(shù)變 換成獨(dú)立的性能指標(biāo)(因子值)，使得參與建模的性能指標(biāo)不再相關(guān)。為了減少網(wǎng)絡(luò)負(fù)載，利用網(wǎng)絡(luò)正常運(yùn)行中傳輸?shù)臄?shù)據(jù)來(lái)獲取網(wǎng)絡(luò)性能數(shù)據(jù)，放在 一個(gè)矩陣中，構(gòu)造樣本陣。該矩陣為
(1)其中，m為網(wǎng)絡(luò)性能數(shù)據(jù)樣本數(shù)，n為節(jié)點(diǎn)能量損耗、信號(hào)強(qiáng)度、丟包率、網(wǎng)絡(luò)時(shí)延 和網(wǎng)絡(luò)鏈路質(zhì)量等網(wǎng)絡(luò)性能評(píng)價(jià)指標(biāo)個(gè)數(shù)5。(2)對(duì)樣本陣元進(jìn)行標(biāo)準(zhǔn)化變換。
(2)
s)其中，
標(biāo)準(zhǔn)化矩陣Z。(3)對(duì)標(biāo)準(zhǔn)化陣Z求相關(guān)系數(shù)矩陣。 其中， =‘Zii,i, j = 1,2,- -n 0
n-\(4)解樣本相關(guān)矩陣R的特征方程|R_XIn| =0得n個(gè)特征根X」，j = l，2，… n。并對(duì)X」，j = 1,2,…n，解方程組Rb =入」b，得到單位特征向量b」。(5)構(gòu)造新的獨(dú)立向量。本發(fā)明中有5個(gè)原始指標(biāo)節(jié)點(diǎn)能量(V)、信號(hào)強(qiáng)度 (RSSI)、丟包率(Prr)、網(wǎng)絡(luò)延遲(Nd)和網(wǎng)絡(luò)鏈路質(zhì)量(LQI)。分別用Xl，x2，x3，x4，x5表示， 轉(zhuǎn)化得到的3個(gè)獨(dú)立指標(biāo)(因子值)，信號(hào)強(qiáng)度(RSSI)、丟包率(Prr)、網(wǎng)絡(luò)延遲(Nd)分別 用Up u2, u3表示。= luXi+li^+l^Xg+l^+l^XgU2 = laiXi+l^+l^Xg+l^+l^Xg(4)Ug = lgiXi + lg^ + lggXg+lg^+lggXg其中，ln，112，…，135是原有變量與新成分之間相關(guān)程度的指標(biāo)，稱(chēng)為因子荷載。
7
第三步，建立基于LSSVR的網(wǎng)絡(luò)性能綜合評(píng)價(jià)模型。對(duì)WSN運(yùn)行中的各種狀態(tài)信息，采用因子分析法處理后得到因子值，作為L(zhǎng)SSVR輸 入，再通過(guò)LSSVR回歸訓(xùn)練和學(xué)習(xí)，確定LSSVR回歸模型的核參數(shù)和正則化參數(shù)，最終建立 基于LSSVR的WSN性能綜合評(píng)價(jià)模型，具體過(guò)程是設(shè)訓(xùn)練集T= ((UijY1),…，(U1, Y1M,其中Ui e Rn為輸入值，YiG R為對(duì)應(yīng)的目 標(biāo)值，1為樣本數(shù)。其原始問(wèn)題的凸二次規(guī)劃為min
2ni 2trA(5)SAYi-((Wd)(Ui)Hb)=U = I,…，1。引進(jìn)記號(hào)^/=U，Z —J,利用 Lagrange對(duì)偶原理，導(dǎo)出其對(duì)偶問(wèn)題的凸二次規(guī)劃為min(6)
a ^ =ι ；=1 V^ J =1
IS.t. ^ai =0,mm*_('
tia -Ια '·"'α/j。選取i (1 < i < 1)，計(jì)算最優(yōu)超平面系數(shù)b得
*Ib ^ Yi-Y^ajKipj,υ)(7)構(gòu)造決策函數(shù)為
If(u) = W · φ(υ)+6 二 Σ α: Kpi ,u) + b(8)
/=1其中，Y是正則化參數(shù)。K(Ui;U)是核函數(shù)，本發(fā)明中核函數(shù)選用效果較佳的高斯 徑向基函數(shù)(RBF)K(Ui; U) = exp(_ Il Ui-U Il 2/σ2)，i = 1，…，1(9)將上述經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)U1, U2, U3,作為L(zhǎng)SSVR的輸入，對(duì)LSSVR進(jìn)行訓(xùn)練， LSSVR通過(guò)回歸學(xué)習(xí)，確定正則化參數(shù)γ和核參數(shù)σ，得到基于LSSVR評(píng)價(jià)模型，如圖2所 示。其中，輸入節(jié)點(diǎn)仏(1 = 1，…η)對(duì)應(yīng)輸入樣本的每個(gè)獨(dú)立指標(biāo)，η為獨(dú)立指標(biāo)個(gè)數(shù)， 中間節(jié)點(diǎn)K (Uj, U) (j = 1，…1)是支持向量和輸入向量的內(nèi)積，其中1是樣本個(gè)數(shù)，權(quán)值 ；(/= 1,···,/)為L(zhǎng)agrange乘子，輸出f(U)是中間節(jié)點(diǎn)的線性節(jié)點(diǎn)的線性組合。LSSVR中徑 向基函數(shù)的中心位置以及中心數(shù)目、網(wǎng)絡(luò)權(quán)值都是由訓(xùn)練過(guò)程中自動(dòng)確定的，不需要像神 經(jīng)網(wǎng)絡(luò)那樣靠經(jīng)驗(yàn)確定。而且LSSVR是一個(gè)二次規(guī)劃問(wèn)題求解，而RBF神經(jīng)網(wǎng)絡(luò)采用的是 BP訓(xùn)練算法，前者更實(shí)用于小樣本訓(xùn)練集。第四步，低功耗基于LSSVR網(wǎng)絡(luò)性能綜合評(píng)價(jià)。如圖3所示，本發(fā)明具體實(shí)施的網(wǎng)絡(luò)結(jié)構(gòu)圖。其中，底層為傳感器節(jié)點(diǎn)，由無(wú)線 Zigbee模塊+傳感器或執(zhí)行器組成，單簇最大節(jié)點(diǎn)數(shù)η為20 ；中間層是簇頭節(jié)點(diǎn)，采用無(wú)線 Zigbee模塊，對(duì)簇內(nèi)傳感器節(jié)點(diǎn)進(jìn)行管理，并具有路由轉(zhuǎn)發(fā)功能，節(jié)點(diǎn)數(shù)m為5;高層是匯聚 層，由無(wú)線Zigbee模塊通過(guò)串行方式(RS232或USB)同PC機(jī)相連，PC機(jī)對(duì)節(jié)點(diǎn)地址、節(jié)點(diǎn) 類(lèi)型、傳感器測(cè)量值、記錄時(shí)間、節(jié)點(diǎn)能量損耗(ν)、信號(hào)強(qiáng)度(RSSI)、丟包率(Prr)、網(wǎng)絡(luò)延遲(Nd)和網(wǎng)絡(luò)鏈路質(zhì)量(LQI)等進(jìn)行統(tǒng)一管理。本發(fā)明具體實(shí)施的網(wǎng)絡(luò)性能綜合評(píng)價(jià)在PC機(jī)上執(zhí)行，步驟如下(1)采集數(shù)據(jù)。表1中為采集到的測(cè)試樣本數(shù)據(jù)，其中Xi為影響網(wǎng)絡(luò)性能的第i個(gè)指標(biāo)，Xl，x2, X3, X4, x5分別對(duì)應(yīng)為節(jié)點(diǎn)能量(V)、信號(hào)強(qiáng)度(RSSI)、丟包率(Prr)、網(wǎng)絡(luò)延遲(Nd)和網(wǎng)絡(luò) 鏈路質(zhì)量(LQI)等5個(gè)性能指標(biāo)，各個(gè)指標(biāo)值均為某一時(shí)刻采集得到的所有節(jié)點(diǎn)指標(biāo)值的 平均值。表1測(cè)試樣本數(shù)據(jù) (2)LSSVR 綜合評(píng)價(jià)。利用訓(xùn)練樣本數(shù)據(jù)集對(duì)采用高斯徑向基函數(shù)的LSSVR進(jìn)行訓(xùn)練，采用交叉驗(yàn)證法 確定LSSVR回歸模型的核參數(shù)o 2和正則化參數(shù)y。Y = 1423. 1，o 2 = 8. 8時(shí)，模型效果 最佳，此時(shí)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間得到較好的平衡，使結(jié)構(gòu)化風(fēng)險(xiǎn)近似達(dá)到最小。基于LSSVR的綜合評(píng)價(jià)值&及與對(duì)應(yīng)的模糊綜合評(píng)價(jià)值之間相對(duì)誤差&見(jiàn)表 2。fE為采用RBF神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)值。表2綜合評(píng)價(jià)結(jié)果及相對(duì)誤差 模糊綜合評(píng)價(jià)法雖然不能實(shí)現(xiàn)在線評(píng)價(jià)，但是評(píng)價(jià)值可靠且接近于真值。將評(píng)價(jià) 值&、fK與fe進(jìn)行對(duì)比，其結(jié)果如圖4所示。從圖中看出，采用RBF神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)值與fe 對(duì)比相對(duì)相對(duì)誤差范圍在0. 15%之間，采用基于LSSVVR的評(píng)價(jià)結(jié)果更接近于值， 相對(duì)誤差范圍在0.01% 2%之間，相對(duì)誤差最大值比RBF神經(jīng)網(wǎng)絡(luò)減少了 83. 2%，證實(shí)在 相同條件下，以結(jié)構(gòu)化風(fēng)險(xiǎn)最小化為原則的LSSVR的性能優(yōu)于以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為原則的 神經(jīng)網(wǎng)絡(luò)。
權(quán)利要求
一種無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，其特征在于該方法是基于最小二乘支持向量回歸機(jī)的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，包括下列步驟步驟1確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)；步驟2采用因子分析法確定獨(dú)立的網(wǎng)絡(luò)運(yùn)行因子值；步驟3建立基于LSSVR的網(wǎng)絡(luò)性能綜合評(píng)價(jià)模型；步驟4低功耗基于LSSVR網(wǎng)絡(luò)性能綜合評(píng)價(jià)。
2.根據(jù)權(quán)利要求1所述的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，其特征在于所述步驟 1中具體包括針對(duì)中小規(guī)模WSN應(yīng)用特點(diǎn)，采用系統(tǒng)工程理論對(duì)WSN性能影響因素進(jìn)行分 類(lèi)和綜合評(píng)估，確定網(wǎng)絡(luò)運(yùn)行性能的指標(biāo)包括節(jié)點(diǎn)能量損耗、信號(hào)強(qiáng)度、丟包率、網(wǎng)絡(luò)時(shí)延 和網(wǎng)絡(luò)鏈路質(zhì)量。
3.根據(jù)權(quán)利要求1所述的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，其特征在于所述步驟2 具體包括以下步驟(1)利用網(wǎng)絡(luò)正常運(yùn)行中傳輸?shù)臄?shù)據(jù)來(lái)獲取網(wǎng)絡(luò)性能數(shù)據(jù)，放在一個(gè)矩陣中，構(gòu)造樣本 陣；該矩陣為X=(Xij)mxn⑴其中，m為網(wǎng)絡(luò)性能數(shù)據(jù)樣本數(shù)，η為包括節(jié)點(diǎn)能量損耗、信號(hào)強(qiáng)度、丟包率、網(wǎng)絡(luò)時(shí)延 和網(wǎng)絡(luò)鏈路質(zhì)量在內(nèi)的網(wǎng)絡(luò)性能評(píng)價(jià)指標(biāo)個(gè)數(shù)；(2)對(duì)樣本陣元進(jìn)行標(biāo)準(zhǔn)化變換 其中，i = l，2，...，m;j = l，2，...,η ，得到標(biāo)準(zhǔn) 化矩陣Z ；(3)對(duì)標(biāo)準(zhǔn)化陣Z求相關(guān)系數(shù)矩陣 (3)其中 (4)解樣本相關(guān)矩陣R的特征方程IR-λ In I =0得n個(gè)特征根λ」，」= 1，2，…η ；并 對(duì)λ」，j = 1,2,…n，解方程組Rb = λ》，得到單位特征向量bj ；(5)構(gòu)造新的獨(dú)立向量設(shè)定5個(gè)原始指標(biāo)節(jié)點(diǎn)能量(ν)、信號(hào)強(qiáng)度(RSSI)、丟包率 (Prr)、網(wǎng)絡(luò)延遲(Nd)和網(wǎng)絡(luò)鏈路質(zhì)量(LQI)，分別用X1, x2，x3，x4，X5表示，轉(zhuǎn)化得到的3個(gè) 獨(dú)立指標(biāo)信號(hào)強(qiáng)度(RSSI)、丟包率(Prr)、網(wǎng)絡(luò)延遲(Nd)，分別用U1, U2，U3表示，Ul — 1 HxI + 112X2+ll3X3+ll4X4+ll5X5U2 — l21Xl + l22X2+l23X3+l24X4+l25X5(4)U3 — 131Χι + 132Χ2+133Χ3+134Χ4+ 35Χ5其中，I11, I12,…，I35是原有變量與新成分之間相關(guān)程度的指標(biāo)，稱(chēng)為因子荷載。
4.根據(jù)權(quán)利要求1所述的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，其特征在于所述步驟3具體包括以下步驟對(duì)WSN運(yùn)行中的各種狀態(tài)信息，采用因子分析法處理后得到因子值， 作為L(zhǎng)SSVR輸入，再通過(guò)LSSVR回歸訓(xùn)練和學(xué)習(xí)，確定LSSVR回歸模型的核參數(shù)和正則化參 數(shù)，最終建立基于LSSVR的WSN性能綜合評(píng)價(jià)模型。
5.根據(jù)權(quán)利要求4所述的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，其特征在于所述步驟3 更具體包括以下步驟設(shè)訓(xùn)練集T= {(U^Yi)，…，叫。)}，其中UiERn為輸入值，YiER 為對(duì)應(yīng)的目標(biāo)值，1為樣本數(shù)；其原始問(wèn)題的凸二次規(guī)劃為 s.t.= Hi, i = 1,…，1，引進(jìn)記號(hào) 利用 Lagrange對(duì)偶原理，導(dǎo)出其對(duì)偶問(wèn)題的凸二次規(guī)劃為 選取i (1 ≤ i ≤1)，計(jì)算最優(yōu)超平面系數(shù)b得 構(gòu)造決策函數(shù)為 其中，、是正則化參數(shù)。K(Ui，U)是核函數(shù)，本發(fā)明中核函數(shù)選用效果較佳的高斯徑向 基函數(shù)(RBF)K(Ui，U) = exp(_ || U「U || 2/o2)，i = 1，...，1(9)將上述經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)U” U2，U3，作為L(zhǎng)SSVR的輸入，對(duì)LSSVR進(jìn)行訓(xùn)練，LSSVR 通過(guò)回歸學(xué)習(xí)，確定正則化參數(shù)、和核參數(shù)o，得到基于LSSVR評(píng)價(jià)模型，其中，輸入節(jié)點(diǎn) lUi = 1，…n)對(duì)應(yīng)輸入樣本的每個(gè)獨(dú)立指標(biāo)，n為獨(dú)立指標(biāo)個(gè)數(shù)，中間節(jié)點(diǎn)K(Uj，U) (j = 1，…1)是支持向量和輸入向量的內(nèi)積，其中1是樣本個(gè)數(shù)，權(quán)值二 1,‘“,0為L(zhǎng)agrange 乘子，輸出f(U)是中間節(jié)點(diǎn)的線性節(jié)點(diǎn)的線性組合；LSSVR中徑向基函數(shù)的中心位置以及 中心數(shù)目、網(wǎng)絡(luò)權(quán)值都是由訓(xùn)練過(guò)程中自動(dòng)確定的。
6.根據(jù)權(quán)利要求1所述的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，其特征在于所述步驟4 具體包括以下步驟(1)采集數(shù)據(jù)采集到測(cè)試樣本數(shù)據(jù)Xi，包括對(duì)應(yīng)為節(jié)點(diǎn)能量(v)、信號(hào)強(qiáng)度(RSSI)、丟包率(Prr)、網(wǎng) 絡(luò)延遲(Nd)和網(wǎng)絡(luò)鏈路質(zhì)量(LQI)性能指標(biāo)，各個(gè)指標(biāo)值均為某一時(shí)刻采集得到的所有節(jié) 點(diǎn)指標(biāo)值的平均值；(2)綜合評(píng)價(jià)利用訓(xùn)練樣本數(shù)據(jù)集對(duì)采用高斯徑向基函數(shù)的LSSVR進(jìn)行訓(xùn)練，采用交叉驗(yàn)證法確定LSSVR回歸模型的核參數(shù)σ 2和正則化參數(shù)Y，當(dāng)Y = 1423. 1，σ 2 = 8. 8時(shí)，依據(jù)此綜合評(píng)價(jià)模型進(jìn)行網(wǎng)絡(luò)性能綜合評(píng)價(jià)。
全文摘要
本發(fā)明公開(kāi)一種無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，涉及一種基于最小二乘支持向量回歸機(jī)LSSVR的無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)方法，用以全面合理地評(píng)價(jià)中小規(guī)模無(wú)線傳感器網(wǎng)絡(luò)運(yùn)行性能，屬于無(wú)線傳感器和網(wǎng)絡(luò)通信技術(shù)領(lǐng)域。其特點(diǎn)是包括確定網(wǎng)絡(luò)運(yùn)行性能指標(biāo)、采用因子分析法確定獨(dú)立的網(wǎng)絡(luò)運(yùn)行因子值、建立基于LSSVR的網(wǎng)絡(luò)性能綜合評(píng)價(jià)模型、低功耗基于LSSVR網(wǎng)絡(luò)性能綜合評(píng)價(jià)四步。該方法巧妙地利用核函數(shù)克服了“維數(shù)災(zāi)難”和“過(guò)學(xué)習(xí)”等傳統(tǒng)困難，非常適合有多個(gè)指標(biāo)的中小規(guī)模無(wú)線傳感器網(wǎng)絡(luò)性能綜合評(píng)價(jià)，幫助管理人員及時(shí)準(zhǔn)確把握WSN的運(yùn)行狀況和趨勢(shì)，為網(wǎng)絡(luò)運(yùn)行評(píng)估和優(yōu)化提供依據(jù)。
文檔編號(hào)H04W84/18GK101867960SQ20101019495
公開(kāi)日2010年10月20日 申請(qǐng)日期2010年6月8日 優(yōu)先權(quán)日2010年6月8日
發(fā)明者原瑾, 張世慶, 張西良, 張鋒, 趙麗娟 申請(qǐng)人:江蘇大學(xué)