[发明专利]一种基于混合深度模型的无线传感器网络路由链路状态预测方法

权利要求书

1.一种基于混合深度模型的无线传感器网络路由链路状态预测方法，其特征在于，包括如下步骤：

(1)通过LSTM模型捕捉链路传输成功率的长期历史数据传输成功率规律，该LSTM模型定义为R(S)，R(S)中，历史传输成功率序列样本定义为S＝{l_k，s_k}；其中l_k表示历史上某一个时间段{t_0,t_1,…,t_n}的数据传输成功率的取值，s_k表示接下来的下一个时间点t_n+1的数据传输成功率，所述LSTM模型R(S)中第k个步骤的第j个神经元表示为输出表示为此神经元的激活层表示为：其中是LSTM神经元的输出门，其中，W_o、U_o、V_o是神经网络权重矩阵，h_k-1和c_k表示激活层的向量化，δ是logistic sigmoid函数，把l_k和s_k值输入上述LSTM模型R(S)中，得到R(S)函数的输出，即为长期历史数据传输成功率规律；

(2)通过CNN模型对环境因素进行建模，定义为C(E)，其中，将观测到的可能会影响链路质量的环境因素时序信息E＝{e_1,e_2,....e_W}作为CNN的输入，W为观测窗口，W通过经验获取，所述CNN模型包括H层1维的卷积叠加，以及激活和池化的方法，其通过一个最大化的池化方法做为整个CNN模型的输出层，表示为：其中x是m*m阶矩阵，k是n*n阶矩阵，Z矩阵是卷积后的矩阵；

(3)通过特征的聚合形成混合模型对未来链路传输成功率进行预测，

混合模型为：所述特征的聚合包括定义为R(S)的LSTM函数的输出层和定义为C(E)的CNN函数的输出层，两者组成混合模型，所述混合模型的输出层是一个全连接层，表示为：其中φ表示ReLU激活函数，W^T和W^C是神经网络权重矩阵，W^O和b^O是输出层的权重和误差估计，最后引入L2正则化进行估算。

2.如权利要求1所述的方法，其特征在于，所述神经元通过部分遗忘历史内容，添加新的记忆来更新为了计算遗忘哪些历史内容以及确定添加多少新的内容，和的计算如下：

其中W_f、U_f、W_i、U_i是神经网络权重矩阵，V_f和V_i是对角矩阵。

3.如权利要求1所述的方法，其特征在于，所述L2正则化估算的公式为：其中W和b分别表示网络的权重和误差估计，λ是正则化的超参数。