[发明专利]一种采用多粒度级联森林评估链路质量的方法

权利要求书

1.一种采用多粒度级联森林评估链路质量的方法，其特征在于，首先获取实验场景下的样本数据，然后使用步长和中心点优化聚类算法划分样本的链路质量等级；然后运用链路的区域特性通过分层抽样提取链路质量数据特征，构建贴合链路质量评估的多粒度级联森林模型；最后通过准确性、稳定性和敏捷性评价模型的性能，具体包括以下步骤：

步骤S1：设计实验场景模拟链路的多种状态，获取样本数据，采用步长增加和中心点优化的K-Medoids聚类算法对链路质量等级进行划分；

步骤S2：依据链路的不对称级别和信噪比划分连通、过渡和未连通区域链路的样本，将三层样本进行分层抽样训练后得到的特征向量输入级联森林，构建基于多粒度级联森林的链路质量评估模型，将链路质量等级作为模型的输出结果；

步骤S3：通过定义的准确率以及自定义的稳定性和敏捷性对模型的性能进行评价；

其中，在步骤S1中，采用步长增加和中心点优化的K-Medoids聚类算法对链路质量等级进行划分的具体过程为：

第一步：输入样本集D＝{x₁,x₂,...,x_n}包含n个对象，每个对象x_i∈R^m包含m个属性，设置划分的链路质量等级数K，设定伸缩因子λ；

第二步：计算样本集D中每对对象之间的距离，对象x_i和对象x_j之间的距离dist(x_i,x_j)表示为

第三步：计算所有样本与平均值之间的方差σ

其中是样本集内所有对象的均值，并计算对象x_i与其他所有对象之间的方差σ_i；

根据方差σ和方差σ_i的定义，定义候选中心点子集S_m，以排除链路的异常值和孤立点对聚类效果的影响：

S_m＝{x_i|σ_i≤λσ_i,i＝1,...,n}；

第四步：先将链路质量等级划分为两个等级，即选出两个初始中心点O＝{o₁,o₂}，假设中心点位于候选中心点子集S_m的最大密度区域，得第一个初始中心点o₁为与其他对象距离最小的点，第二个初始中心点o₂为S_m中与o₁距离最大的点，将其余对象分配在距离最近中心点的簇内；

第五步：增加新的簇的数量时，在每一个簇内选择一个与o_j距离最远的点作为候选中心点o'_j，其中距离最远的o_j与o'_j为最佳划分，o'_j为新的中心点，重新为其余对象分配到距离最近中心点的簇内，重复第五步直至划分的簇数等于应划分的链路质量等级数K时；

第六步：并计算K个簇C₁,C₂,...,C_K的总成本，为每个簇寻找新的中心点，使簇内总距离最小，更新总成本，重复第六步，直至总成本不会得到更优结果时结束；

在步骤S2中，采用多粒度级联森林构建链路质量评估模型，具体包括：

第一步：为链路质量样本添加标签，将链路质量各等级作为模型的分类类别，设置gcForest模型的中的随机森林和完全随机森林的个数，以及各森林中树的棵数；

第二步：设定不对称级别的阈值，根据链路的不对称级别划分出过渡区域样本，不对称级别较高的为过渡区域样本φ_t；再设定SNR的阈值，在剩下的样本中依据SNR的值划分连通区域和未连通区域的样本，高于SNR阈值的为连通区域样本φ_c，低于SNR阈值的为未连通区域样本φ_u，共得到三层样本数据，依照各层比例随机抽取各层中的数据特征，组成多组序列数据特征向量，经过完全随机森林A和随机森林B变换输出类别概率向量，合并所有的类别概率向量生成新的特征组成多组序列数据特征向量，经过完全随机森林A和随机森林B变换输出新的向量，合并所有向量生成新的特征；

第三步：将第二步中得到的新的特征作为输入，输入到级联森林中，将每个森林生成的类向量通过K折交叉验证降低过拟合，经过一层层的级联结构训练，直到这一层的结果无显著的性能增益时停止，输出最大类别概率的链路质量等级作为最终的评估结果。

2.根据权利要求1所述的采用多粒度级联森林评估链路质量的方法，其特征在于，在步骤S3中：

准确率的定义为：使用正确评估的正例样本数除以全部评估为正例样本数的精确率作为横坐标，使用正确评估的样本数除以正例样本总数的召回率为纵坐标，画出准确率-召回率曲线验证模型的准确性能；

稳定性的定义为：评估模型抵御波动的能力，通过对无线链路长时间的评估，观察评估模型是否会受到噪声的影响随之瞬态波动，提供稳定的链路质量估计；

敏捷性的定义为：(1)在深度学习链路质量评估模型中，对于大量的链路质量样本处理时间的长短，花费较短时间的模型敏捷性更好；(2)在相对较少的链路质量样本的情况下，快速反映链路质量的同时对链路质量能准确评估的模型性能更佳。