專利名稱：一種無線傳感器網(wǎng)絡性能綜合評價方法
技術領域：
本發(fā)明涉及一種無線傳感器網(wǎng)絡性能評價方法，尤其是一種基于最小二乘支持向 量回歸機的無線傳感器網(wǎng)絡性能綜合評價方法，用以全面合理地評價中小規(guī)模無線傳感器 網(wǎng)絡運行性能，屬于無線傳感器和網(wǎng)絡通信技術領域。
背景技術：
無線傳感器網(wǎng)絡(WSN)是由大量廉價的、具有計算和通信功能的傳感器節(jié)點通過 自組織方式組成的完成特定功能的智能網(wǎng)絡系統(tǒng)，具有應用靈活、方便等特點，有廣闊的應 用前景，主要應用在災難預警與求助、安全監(jiān)控、健康監(jiān)測、醫(yī)療衛(wèi)生、空間探索和軍事信息 檢測等領域。對于中小規(guī)模WSN，由于節(jié)點分布密度低、冗余度小，網(wǎng)絡運行對單個節(jié)點工作依 賴性強，傳感器節(jié)點往往部署在易受外界不利因素影響的區(qū)域，在長期運行的過程中由于 節(jié)點本身性能下降和外部環(huán)境影響，使得WSN運行質量經(jīng)常發(fā)生變化，對于電池能量、計算 能力和存儲能力均有限的WSN，如何充分利用網(wǎng)絡正常傳輸信息及時掌握運行質量，有效監(jiān) 控網(wǎng)絡運行狀態(tài)，是WSN成功應用亟待解決問題之一。國外研究有2005年HMF AboElFotoh等通過計算可靠性和信息滯后，對分布式 WSN的隨機故障進行研究，通過概率圖去模擬網(wǎng)絡行為，利用傳感器實測數(shù)據(jù)對網(wǎng)絡性能進 行分析；2006年A. Shrestha等對WSN基礎設施通信的可靠性進行了研究，應用簡化二進制 決策圖對WSN的可靠性進行仿真分析；2007年ANDRADE-SANCHEZ P等對WSN在不同農(nóng)業(yè)環(huán) 境應用中的信號強度(RSSI LQI)、包接收率PRR(packet reception rate)等性能參數(shù)進 行測試；CINQUEM等對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. Barford等提出一套網(wǎng)絡性能異常的檢測體系，用于檢測和定位一般網(wǎng)絡運行中出現(xiàn) 的異常情況；F. H. Yahaya等分析了節(jié)點收發(fā)數(shù)據(jù)、網(wǎng)絡吞吐量和時延三個指標對高端應用 的WSN性能的影響。國內與WSN性能評價直接相關研究有，2009年鄭宇鋒等通過對ZigBee 協(xié)議MAC子層和單跳與多跳傳輸時延的分析，結合無線傳感系統(tǒng)的容量時延性能的指標體 系，提出了一種簡單便捷的無線系統(tǒng)的性能評估方法。目前對網(wǎng)絡性能的評估和分析，主要從仿真和理論分析兩方面展開，研究主要集 中在網(wǎng)絡協(xié)議、算法或者某單一性能指標對網(wǎng)絡性能影響分析，然而在對網(wǎng)絡本身進行性 能評價時，單個的指標并不能完全反應網(wǎng)絡的整體性能。

發(fā)明內容
本發(fā)明的目的在于克服上述存在的問題和不足，公開一種無線傳感器網(wǎng)絡性能綜 合評價方法，該方法的最大優(yōu)勢在于它適用于小樣本決策，能夠進行實時在線監(jiān)測。實現(xiàn)本發(fā)明目的的技術方案是無線傳感器網(wǎng)絡性能綜合評價方法，包括下列步 驟確定網(wǎng)絡運行性能指標、采用因子分析法確定獨立的網(wǎng)絡運行因子值、建立基于LSSVR 的網(wǎng)絡性能綜合評價模型、低功耗基于LSSVR網(wǎng)絡性能綜合評價。
本發(fā)明所述的無線傳感器網(wǎng)絡性能評價方法，具體包括如下步驟第一步，確定網(wǎng)絡運行性能指標。針對中小規(guī)模WSN應用特點，采用系統(tǒng)工程理論對WSN性能影響因素進行分類和 綜合評估，確定網(wǎng)絡運行性能指標，包括節(jié)點能量損耗、信號強度、丟包率、網(wǎng)絡時延和網(wǎng)絡 鏈路質量等。第二步，采用因子分析法確定獨立的網(wǎng)絡運行因子值。因子分析法是從研究變量內部相關的依賴關系出發(fā)，把一些具有錯綜復雜關系的 變量歸結為少數(shù)幾個綜合因子的一種多變量統(tǒng)計分析方法。由于網(wǎng)絡性能指標之間不是完 全獨立，并具有一定的相關性，因而所得到的統(tǒng)計數(shù)據(jù)反映的信息在一定程度上具有重疊 性。利用網(wǎng)絡正常運行信息獲取性能指標，采用因子分析法將相關的性能參數(shù)變換成 獨立的性能指標(因子值)，為信號強度、丟包率、網(wǎng)絡延遲，使得參與建模的性能指標不再 相關。第三步，建立基于LSSVR的網(wǎng)絡性能綜合評價模型。最小二乘支持向量機LSSVM，包括最小二乘支持向量回歸機LSSVR和最小二乘 支持向量分類機LSSVC，是一種小樣本多元數(shù)據(jù)分析方法，滿足結構化風險最小原則。對 WSN運行中的各種狀態(tài)信息，采用因子分析法處理后得到因子值，作為LSSVR輸入，再通過 LSSVR回歸訓練和學習，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性能綜合評價模型，使得模型的經(jīng)驗風險和置信區(qū)間得到較好的平衡，即結構化風 險近似達到最小。第四步，低功耗基于LSSVR網(wǎng)絡性能綜合評價。網(wǎng)絡實際運行時，按照WSN性能綜合評價模型進行低功耗基于LSSVR網(wǎng)絡性能綜 合評價。本發(fā)明將最小二乘支持向量回歸機(LSSVR)引入到WSN的性能評價中，在LSSVR 回歸模型建立之前對采樣數(shù)據(jù)進行預處理，使得參與建模的指標不再相關，可以提高訓練 速度。本發(fā)明與RBF神經(jīng)網(wǎng)絡的評價方法、模糊綜合評價方法相比較，避免了神經(jīng)網(wǎng)絡方法 可能發(fā)生的收斂于局部極小值的問題，其評價值接近于需要專家參與的模糊綜合評價值， 評價可靠，且可以實時在線監(jiān)測。基于LSSVR的無線傳感器網(wǎng)絡性能綜合評價方法巧妙地 利用核函數(shù)克服了“維數(shù)災難”和“過學習”等傳統(tǒng)困難，非常適合有多個指標的中小規(guī)模 無線傳感器網(wǎng)絡性能綜合評價，幫助管理人員及時準確把握WSN的運行狀況和趨勢，為網(wǎng) 絡運行評估和優(yōu)化提供依據(jù)。


圖1是本發(fā)明的WSN性能綜合評價方法流程2是本發(fā)明的WSN性能綜合評價模型結構3是本發(fā)明具體實施的網(wǎng)絡結構4是本發(fā)明WSN性能綜合評價法與RBF神經(jīng)網(wǎng)絡評價法、模糊綜合評價法對網(wǎng) 絡性能評價值對比曲線
具體實施例方式下面結合附圖和具體實施方式
對本發(fā)明作進一步詳細說明。如圖1所示，本發(fā)明的無線傳感器網(wǎng)絡綜合性能評價方法，包括確定網(wǎng)絡運行性 能指標、采用因子分析法確定獨立的網(wǎng)絡運行因子值、建立基于LSSVR的網(wǎng)絡性能綜合評 價模型、低功耗基于LSSVR網(wǎng)絡性能綜合評價四步。具體步驟如下第一步，采用系統(tǒng)工程理論確定網(wǎng)絡運行性能指標。針對中小規(guī)模WSN應用特點，采用系統(tǒng)工程理論對WSN性能影響因素進行分類和 綜合評估，確定網(wǎng)絡運行性能指標有節(jié)點能量損耗、信號強度、丟包率、網(wǎng)絡時延和網(wǎng)絡鏈 路質量等。第二步，采用因子分析法確定獨立的網(wǎng)絡運行因子值。采用因子分析法對采集到的網(wǎng)絡性能數(shù)據(jù)進行預處理，具體步驟如下(1)利用網(wǎng)絡正常運行信息獲取性能指標，采用因子分析法將相關的性能參數(shù)變 換成獨立的性能指標(因子值)，使得參與建模的性能指標不再相關。為了減少網(wǎng)絡負載，利用網(wǎng)絡正常運行中傳輸?shù)臄?shù)據(jù)來獲取網(wǎng)絡性能數(shù)據(jù)，放在 一個矩陣中，構造樣本陣。該矩陣為
(1)其中，m為網(wǎng)絡性能數(shù)據(jù)樣本數(shù)，n為節(jié)點能量損耗、信號強度、丟包率、網(wǎng)絡時延 和網(wǎng)絡鏈路質量等網(wǎng)絡性能評價指標個數(shù)5。(2)對樣本陣元進行標準化變換。
(2)
s)其中，
標準化矩陣Z。(3)對標準化陣Z求相關系數(shù)矩陣。 其中， =‘Zii,i, j = 1,2,- -n 0
n-\(4)解樣本相關矩陣R的特征方程|R_XIn| =0得n個特征根X」，j = l，2，… n。并對X」，j = 1,2,…n，解方程組Rb =入」b，得到單位特征向量b」。(5)構造新的獨立向量。本發(fā)明中有5個原始指標節(jié)點能量(V)、信號強度 (RSSI)、丟包率(Prr)、網(wǎng)絡延遲(Nd)和網(wǎng)絡鏈路質量(LQI)。分別用Xl，x2，x3，x4，x5表示， 轉化得到的3個獨立指標(因子值)，信號強度(RSSI)、丟包率(Prr)、網(wǎng)絡延遲(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程度的指標，稱為因子荷載。
7
第三步，建立基于LSSVR的網(wǎng)絡性能綜合評價模型。對WSN運行中的各種狀態(tài)信息，采用因子分析法處理后得到因子值，作為LSSVR輸 入，再通過LSSVR回歸訓練和學習，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性能綜合評價模型，具體過程是設訓練集T= ((UijY1),…，(U1, Y1M,其中Ui e Rn為輸入值，YiG R為對應的目 標值，1為樣本數(shù)。其原始問題的凸二次規(guī)劃為min
2ni 2trA(5)SAYi-((Wd)(Ui)Hb)=U = I,…，1。引進記號^/=U，Z —J,利用 Lagrange對偶原理，導出其對偶問題的凸二次規(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)，計算最優(yōu)超平面系數(shù)b得
*Ib ^ Yi-Y^ajKipj,υ)(7)構造決策函數(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)過預處理后的數(shù)據(jù)U1, U2, U3,作為LSSVR的輸入，對LSSVR進行訓練， LSSVR通過回歸學習，確定正則化參數(shù)γ和核參數(shù)σ，得到基于LSSVR評價模型，如圖2所 示。其中，輸入節(jié)點仏(1 = 1，…η)對應輸入樣本的每個獨立指標，η為獨立指標個數(shù)， 中間節(jié)點K (Uj, U) (j = 1，…1)是支持向量和輸入向量的內積，其中1是樣本個數(shù)，權值 ；(/= 1,···,/)為Lagrange乘子，輸出f(U)是中間節(jié)點的線性節(jié)點的線性組合。LSSVR中徑 向基函數(shù)的中心位置以及中心數(shù)目、網(wǎng)絡權值都是由訓練過程中自動確定的，不需要像神 經(jīng)網(wǎng)絡那樣靠經(jīng)驗確定。而且LSSVR是一個二次規(guī)劃問題求解，而RBF神經(jīng)網(wǎng)絡采用的是 BP訓練算法，前者更實用于小樣本訓練集。第四步，低功耗基于LSSVR網(wǎng)絡性能綜合評價。如圖3所示，本發(fā)明具體實施的網(wǎng)絡結構圖。其中，底層為傳感器節(jié)點，由無線 Zigbee模塊+傳感器或執(zhí)行器組成，單簇最大節(jié)點數(shù)η為20 ；中間層是簇頭節(jié)點，采用無線 Zigbee模塊，對簇內傳感器節(jié)點進行管理，并具有路由轉發(fā)功能，節(jié)點數(shù)m為5;高層是匯聚 層，由無線Zigbee模塊通過串行方式(RS232或USB)同PC機相連，PC機對節(jié)點地址、節(jié)點 類型、傳感器測量值、記錄時間、節(jié)點能量損耗(ν)、信號強度(RSSI)、丟包率(Prr)、網(wǎng)絡延遲(Nd)和網(wǎng)絡鏈路質量(LQI)等進行統(tǒng)一管理。本發(fā)明具體實施的網(wǎng)絡性能綜合評價在PC機上執(zhí)行，步驟如下(1)采集數(shù)據(jù)。表1中為采集到的測試樣本數(shù)據(jù)，其中Xi為影響網(wǎng)絡性能的第i個指標，Xl，x2, X3, X4, x5分別對應為節(jié)點能量(V)、信號強度(RSSI)、丟包率(Prr)、網(wǎng)絡延遲(Nd)和網(wǎng)絡 鏈路質量(LQI)等5個性能指標，各個指標值均為某一時刻采集得到的所有節(jié)點指標值的 平均值。表1測試樣本數(shù)據(jù) (2)LSSVR 綜合評價。利用訓練樣本數(shù)據(jù)集對采用高斯徑向基函數(shù)的LSSVR進行訓練，采用交叉驗證法 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，模型效果 最佳，此時經(jīng)驗風險和置信區(qū)間得到較好的平衡，使結構化風險近似達到最小?；贚SSVR的綜合評價值&及與對應的模糊綜合評價值之間相對誤差&見表 2。fE為采用RBF神經(jīng)網(wǎng)絡的評價值。表2綜合評價結果及相對誤差 模糊綜合評價法雖然不能實現(xiàn)在線評價，但是評價值可靠且接近于真值。將評價 值&、fK與fe進行對比，其結果如圖4所示。從圖中看出，采用RBF神經(jīng)網(wǎng)絡的評價值與fe 對比相對相對誤差范圍在0. 15%之間，采用基于LSSVVR的評價結果更接近于值， 相對誤差范圍在0.01% 2%之間，相對誤差最大值比RBF神經(jīng)網(wǎng)絡減少了 83. 2%，證實在 相同條件下，以結構化風險最小化為原則的LSSVR的性能優(yōu)于以經(jīng)驗風險最小化為原則的 神經(jīng)網(wǎng)絡。
權利要求
一種無線傳感器網(wǎng)絡性能綜合評價方法，其特征在于該方法是基于最小二乘支持向量回歸機的無線傳感器網(wǎng)絡性能綜合評價方法，包括下列步驟步驟1確定網(wǎng)絡運行性能指標；步驟2采用因子分析法確定獨立的網(wǎng)絡運行因子值；步驟3建立基于LSSVR的網(wǎng)絡性能綜合評價模型；步驟4低功耗基于LSSVR網(wǎng)絡性能綜合評價。
2.根據(jù)權利要求1所述的無線傳感器網(wǎng)絡性能綜合評價方法，其特征在于所述步驟 1中具體包括針對中小規(guī)模WSN應用特點，采用系統(tǒng)工程理論對WSN性能影響因素進行分 類和綜合評估，確定網(wǎng)絡運行性能的指標包括節(jié)點能量損耗、信號強度、丟包率、網(wǎng)絡時延 和網(wǎng)絡鏈路質量。
3.根據(jù)權利要求1所述的無線傳感器網(wǎng)絡性能綜合評價方法，其特征在于所述步驟2 具體包括以下步驟(1)利用網(wǎng)絡正常運行中傳輸?shù)臄?shù)據(jù)來獲取網(wǎng)絡性能數(shù)據(jù)，放在一個矩陣中，構造樣本 陣；該矩陣為X=(Xij)mxn⑴其中，m為網(wǎng)絡性能數(shù)據(jù)樣本數(shù)，η為包括節(jié)點能量損耗、信號強度、丟包率、網(wǎng)絡時延 和網(wǎng)絡鏈路質量在內的網(wǎng)絡性能評價指標個數(shù)；(2)對樣本陣元進行標準化變換 其中，i = l，2，...，m;j = l，2，...,η ，得到標準 化矩陣Z ；(3)對標準化陣Z求相關系數(shù)矩陣 (3)其中 (4)解樣本相關矩陣R的特征方程IR-λ In I =0得n個特征根λ」，」= 1，2，…η ；并 對λ」，j = 1,2,…n，解方程組Rb = λ》，得到單位特征向量bj ；(5)構造新的獨立向量設定5個原始指標節(jié)點能量(ν)、信號強度(RSSI)、丟包率 (Prr)、網(wǎng)絡延遲(Nd)和網(wǎng)絡鏈路質量(LQI)，分別用X1, x2，x3，x4，X5表示，轉化得到的3個 獨立指標信號強度(RSSI)、丟包率(Prr)、網(wǎng)絡延遲(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程度的指標，稱為因子荷載。
4.根據(jù)權利要求1所述的無線傳感器網(wǎng)絡性能綜合評價方法，其特征在于所述步驟3具體包括以下步驟對WSN運行中的各種狀態(tài)信息，采用因子分析法處理后得到因子值， 作為LSSVR輸入，再通過LSSVR回歸訓練和學習，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性能綜合評價模型。
5.根據(jù)權利要求4所述的無線傳感器網(wǎng)絡性能綜合評價方法，其特征在于所述步驟3 更具體包括以下步驟設訓練集T= {(U^Yi)，…，叫。)}，其中UiERn為輸入值，YiER 為對應的目標值，1為樣本數(shù)；其原始問題的凸二次規(guī)劃為 s.t.= Hi, i = 1,…，1，引進記號 利用 Lagrange對偶原理，導出其對偶問題的凸二次規(guī)劃為 選取i (1 ≤ i ≤1)，計算最優(yōu)超平面系數(shù)b得 構造決策函數(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)過預處理后的數(shù)據(jù)U” U2，U3，作為LSSVR的輸入，對LSSVR進行訓練，LSSVR 通過回歸學習，確定正則化參數(shù)、和核參數(shù)o，得到基于LSSVR評價模型，其中，輸入節(jié)點 lUi = 1，…n)對應輸入樣本的每個獨立指標，n為獨立指標個數(shù)，中間節(jié)點K(Uj，U) (j = 1，…1)是支持向量和輸入向量的內積，其中1是樣本個數(shù)，權值二 1,‘“,0為Lagrange 乘子，輸出f(U)是中間節(jié)點的線性節(jié)點的線性組合；LSSVR中徑向基函數(shù)的中心位置以及 中心數(shù)目、網(wǎng)絡權值都是由訓練過程中自動確定的。
6.根據(jù)權利要求1所述的無線傳感器網(wǎng)絡性能綜合評價方法，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)采集到測試樣本數(shù)據(jù)Xi，包括對應為節(jié)點能量(v)、信號強度(RSSI)、丟包率(Prr)、網(wǎng) 絡延遲(Nd)和網(wǎng)絡鏈路質量(LQI)性能指標，各個指標值均為某一時刻采集得到的所有節(jié) 點指標值的平均值；(2)綜合評價利用訓練樣本數(shù)據(jù)集對采用高斯徑向基函數(shù)的LSSVR進行訓練，采用交叉驗證法確定LSSVR回歸模型的核參數(shù)σ 2和正則化參數(shù)Y，當Y = 1423. 1，σ 2 = 8. 8時，依據(jù)此綜合評價模型進行網(wǎng)絡性能綜合評價。
全文摘要
本發(fā)明公開一種無線傳感器網(wǎng)絡性能綜合評價方法，涉及一種基于最小二乘支持向量回歸機LSSVR的無線傳感器網(wǎng)絡性能綜合評價方法，用以全面合理地評價中小規(guī)模無線傳感器網(wǎng)絡運行性能，屬于無線傳感器和網(wǎng)絡通信技術領域。其特點是包括確定網(wǎng)絡運行性能指標、采用因子分析法確定獨立的網(wǎng)絡運行因子值、建立基于LSSVR的網(wǎng)絡性能綜合評價模型、低功耗基于LSSVR網(wǎng)絡性能綜合評價四步。該方法巧妙地利用核函數(shù)克服了“維數(shù)災難”和“過學習”等傳統(tǒng)困難，非常適合有多個指標的中小規(guī)模無線傳感器網(wǎng)絡性能綜合評價，幫助管理人員及時準確把握WSN的運行狀況和趨勢，為網(wǎng)絡運行評估和優(yōu)化提供依據(jù)。
文檔編號H04W84/18GK101867960SQ20101019495
公開日2010年10月20日 申請日期2010年6月8日 優(yōu)先權日2010年6月8日
發(fā)明者原瑾, 張世慶, 張西良, 張鋒, 趙麗娟 申請人:江蘇大學