[發(fā)明專利]網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法、裝置及可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810846612.0
• 申請(qǐng)日: 2018-07-27
• 公開（公告）號(hào): CN109120435B
• 公開（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 劉琳嵐;高聲榮;舒堅(jiān)
• 申請(qǐng)（專利權(quán)）人: 南昌航空大學(xué)
• 主分類號(hào): H04L12/24
• 分類號(hào): H04L12/24;H04L12/26;H04W24/06;G06K9/62
• 代理公司: 北京清亦華知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 何世磊

1.一種網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述方法包括如下步驟：

獲取多個(gè)不同實(shí)驗(yàn)場(chǎng)景下的鏈路質(zhì)量樣本數(shù)據(jù)，采用無監(jiān)督聚類算法對(duì)所述鏈路質(zhì)量樣本數(shù)據(jù)進(jìn)行鏈路質(zhì)量等級(jí)劃分；

采用隨機(jī)森林分類算法對(duì)所述鏈路質(zhì)量樣本數(shù)據(jù)進(jìn)行計(jì)算評(píng)估，以得到對(duì)應(yīng)的鏈路質(zhì)量等級(jí)值，并從所述鏈路質(zhì)量樣本數(shù)據(jù)中抽取訓(xùn)練集以構(gòu)建得到組合分類模型；

構(gòu)建隨機(jī)森林回歸樹模型，根據(jù)所述鏈路質(zhì)量等級(jí)值以及所述組合分類模型的輸出結(jié)果預(yù)測(cè)下一時(shí)刻的鏈路質(zhì)量等級(jí)值，

所述隨機(jī)森林回歸樹模型的表達(dá)式為：

其中，Y_k鏈路質(zhì)量組合預(yù)測(cè)模型，f_i(x_k)為第i顆決策樹預(yù)測(cè)模型，w表示為決策樹的數(shù)量。

2.根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述獲取多個(gè)不同實(shí)驗(yàn)場(chǎng)景下的鏈路質(zhì)量樣本數(shù)據(jù)，采用無監(jiān)督聚類算法對(duì)所述鏈路質(zhì)量樣本數(shù)據(jù)進(jìn)行鏈路質(zhì)量等級(jí)劃分的方法包括如下步驟：

選用預(yù)設(shè)傳感器節(jié)點(diǎn)，分別布置在預(yù)設(shè)位置處以收集獲取所述鏈路質(zhì)量樣本數(shù)據(jù)，所述鏈路質(zhì)量樣本數(shù)據(jù)包括包接收率；

根據(jù)所述包接收率計(jì)算得到對(duì)應(yīng)的概率分布密度，并根據(jù)所述概率分布密度對(duì)所述鏈路質(zhì)量樣本數(shù)據(jù)進(jìn)行鏈路質(zhì)量等級(jí)劃分。

3.根據(jù)權(quán)利要求2所述的網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述概率分布密度的表達(dá)式為：

其中，p(PRR_i)為概率分布密度的高斯混合分布，PRR_i為第i個(gè)包接收率，u_i為第i個(gè)高斯模型均值向量，∑_j為協(xié)方差矩陣，a_j為混合系數(shù)，N_j表示第j個(gè)高斯模型的概率密度函數(shù)。

4.根據(jù)權(quán)利要求2所述的網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述采用隨機(jī)森林分類算法對(duì)所述鏈路質(zhì)量樣本數(shù)據(jù)進(jìn)行計(jì)算評(píng)估，以得到對(duì)應(yīng)的鏈路質(zhì)量等級(jí)值的方法包括如下步驟：

選取確定所述隨機(jī)森林分類算法中決策樹節(jié)點(diǎn)的劃分屬性，其中所述決策樹節(jié)點(diǎn)以信息增益率作為屬性劃分標(biāo)準(zhǔn)，所述信息增益率的表達(dá)式為：

其中，G_R(D,a)為信息增益率，Gain(D,a)為樣本集合D中屬性a的信息增益，V是屬性a的可能取值數(shù)目，|D|為全體樣本的數(shù)目，|D^v|為D中所有在屬性a上取值為a^v的樣本，屬性a有V個(gè)可能的取值a¹,a²,...,a^v。

5.根據(jù)權(quán)利要求4所述的網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述隨機(jī)森林分類算法對(duì)應(yīng)有一輸入值以及輸出值，其中所述輸出值為所述鏈路質(zhì)量等級(jí)值，所述輸入值的表達(dá)式為：

其中，為物理層參數(shù)均值，σ²(PHY_i)為物理層參數(shù)方差。

6.根據(jù)權(quán)利要求4所述的網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述從所述鏈路質(zhì)量樣本數(shù)據(jù)中抽取訓(xùn)練集以構(gòu)建得到組合分類模型的方法包括如下步驟：

采用Bootstrap重抽樣方法從所述鏈路質(zhì)量樣本數(shù)據(jù)中抽取訓(xùn)練集；

根據(jù)所述訓(xùn)練集訓(xùn)練多顆決策樹，以構(gòu)建得到所述組合分類模型。

7.根據(jù)權(quán)利要求6所述的網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測(cè)方法，其特征在于，所述組合分類模型的表達(dá)式為：

其中，H(x)為所述組合分類模型，h_i(x)為第i顆決策樹分類模型，Y為所述鏈路質(zhì)量等級(jí)值，I(·)為示性函數(shù)，w表示決策樹的數(shù)量。