[发明专利]一种采用多粒度级联森林评估链路质量的方法

说明书

本发明公开了一种采用多粒度级联森林评估链路质量的方法，该方法通过利用无线传感网络的链路特性与多粒度级联森林(gcForest，multi‑Grained Cascade forest)模型相结合，提出了一种无线传感器网络链路质量评估的方法。该方法首先获取实验场景下的样本数据，运用步长和中心点优化的聚类算法对样本数据划分链路质量等级；利用分层抽样获取链路中三个区域的样本进行训练，结合级联森林堆叠结构建立多粒度级联森林链路质量评估模型；最后通过准确性、稳定性和敏捷性评价整个链路质量评估模型的性能。本发明优点在于运用链路区域特性与分层抽样改善不平衡链路质量数据集对评估模型性能的影响，提高评估结果的准确性和稳定性，为给上层协议的优化奠定基础。

技术领域

本发明涉及无线传感器网络链路质量评估技术领域，特别是涉及一种采用多粒度级联森林评估链路质量的方法。

背景技术

无线传感器网络(Wireless sensor networks，WSNs)是一种由各种具有感知能力、计算能力和通信能力的廉价的微型传感器节点通过无线通信的方式以自组织形式形成的网络。节点通过协作实时监测、感知、采集和处理网络分布区域内的对象信息，并将得到的信息发送给基站。在数据收集、传感云系统、军事医疗等广泛运用。

无线传感网络中的链路易发生质量波动且具有弱连接性，因此非常不可靠。尽管难以测量链路质量，但准确的链路质量信息的潜在好处是相当大的。链路质量可以反映真实的链路状态，避免不必要的路由重选和数据重传造成的能耗。因此，构建良好的链路质量评估模型可提高数据包的传输效率、节约传感器节点能耗、延长网络使用寿命。

随着大数据时代的来临，一些浅层的机器学习模型在某些问题上已经很难取得更高的精度了。相关技术中，已有不同的分类算法应用在链路质量评估上，例如：逻辑回归、随机森林、及支持向量机等。但是这些模型都存有弱点，当数据量大到一定程度时，这些浅层算法学习能力较差，影响链路质量评估准确性和稳定性。

发明内容

为解决上述无线传感器网络中链路质量评估方法存在的问题，本发明提供了一种采用多粒度级联森林(gcForest，multi-Grained Cascade forest)评估链路质量的方法，以提高链路质量评估准确性和稳定性。

一种采用gcForest的链路质量评估方法，首先获取实验场景下的样本数据，使用步长和中心点优化(INCK，Increasing K-medoids)聚类算法对链路质量等级进行有效划分；其次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，并构建gcForest链路质量评估模型；最后通过准确性、稳定性和敏捷性评价模型的性能，整个链路质量评估过程具体步骤如下：

步骤S1：设计实验场景模拟链路的多种状态，获取样本数据。采用基于步长增加和中心优化的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(SNR，Signal to Noise Ratio)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gcForest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估。

具体的，在步骤S1中，所述划分链路质量等级的方法为步长和中心点优化 (INCK，Increasing K-medoids)聚类算法。

具体的，在步骤S2中，所述采用gcForest方法构建链路质量评估模型。

具体的，在步骤S1中，所述划分链路质量等级的方法为INCK聚类算法，其划分等级的过程为：