基于D—FNN的無線傳感器網(wǎng)絡(luò)鏈路預(yù)測

曾莉欣

摘要：鏈路質(zhì)量評估對無線傳感器網(wǎng)絡(luò)的路由策略、資源管理和可靠部署等尤為重要，設(shè)計一條好的鏈路能夠提高消息成功傳送的概率，降低信息重傳造成對的能量消耗，減少路由重構(gòu)的次數(shù)。由于鏈路質(zhì)量受多種因素的干擾，以往的方法對突發(fā)鏈路的PRR值預(yù)測的精度不準。本文針對該問題提出一種基于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。D-FNN預(yù)測模型采用 PRR 作為度量標準，網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練中自動調(diào)整，達到穩(wěn)定狀態(tài)，模糊規(guī)則自動產(chǎn)生。實驗結(jié)果表明，基于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的鏈路質(zhì)量評估方法與使用EWMA方法相比，預(yù)測的精度更高。

關(guān)鍵詞：鏈路質(zhì)量評估；動態(tài)模糊神經(jīng)網(wǎng)絡(luò)；PRR值；無線傳感器網(wǎng)絡(luò)

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）33-0120-03

1概述

無線傳感器網(wǎng)絡(luò)[1]是一種全新的計算模式，它集成了傳感器、微電、無線通信和分布式信息處理等技術(shù)。無線傳感器網(wǎng)絡(luò)現(xiàn)如今廣泛應(yīng)用在生態(tài)環(huán)境監(jiān)測、基礎(chǔ)設(shè)施安全、先進制造、物流管理、醫(yī)療健康、工業(yè)傳感、智能交通控制、智能能源及軍事等領(lǐng)域[2-6]。如果數(shù)據(jù)在低質(zhì)量的鏈路上進行傳輸，會造成因傳送失敗而導(dǎo)致的數(shù)據(jù)重傳，增加整個無線傳感器網(wǎng)絡(luò)中的能量消耗。評估后選擇一條合適的鏈路，可以提高傳輸鏈、的穩(wěn)定性、增大網(wǎng)絡(luò)吞吐量、減少能量消耗。在實際應(yīng)用中恰當?shù)卦u估出鏈路質(zhì)量對整個網(wǎng)絡(luò)通信的效率與可靠性，對上層協(xié)議路由選擇[7]具有十分重要的意義。本文在分析現(xiàn)有鏈路質(zhì)量評估方法的基礎(chǔ)上，針對基于PRR 度量評估方法的不足，提出一種基于D-FNN的評估方法。

國內(nèi)外對無線傳感器網(wǎng)絡(luò)的鏈路特性，及鏈路質(zhì)量的評估與預(yù)測方面展開了大量的研究，大體上把鏈路質(zhì)量的評估方法分為三類：基于硬件及基于軟件的評估方法、綜合性評估方法。這些方法對節(jié)點的計算復(fù)雜性及預(yù)測結(jié)果的精確性上各有所長。

本文提出一種基于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的WSN鏈路質(zhì)量的評估方法，D-FNN雖在無線傳感器網(wǎng)絡(luò)的鏈路質(zhì)量評估方面還沒得到應(yīng)用但在其他領(lǐng)域特別是對時間序列的預(yù)測中得到了廣泛的應(yīng)用。

由于無線傳感器鏈路的復(fù)雜性、不穩(wěn)定等因素的存在，以往的預(yù)測方法預(yù)測的精度不高，許多方法很難反映鏈路的內(nèi)在規(guī)律。D-FNN預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)能夠在預(yù)測過程中自動調(diào)整，達到穩(wěn)定狀態(tài)，模糊規(guī)則也在輸入數(shù)據(jù)進來之后產(chǎn)生，它不僅使得預(yù)測效果有所提升，也減少了工作量。本文利用D-FNN 方法進行PRR值進行預(yù)測的步驟是，使用訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，當網(wǎng)絡(luò)結(jié)構(gòu)達到穩(wěn)定以后，穩(wěn)定后的網(wǎng)絡(luò)結(jié)構(gòu)能夠PRR值的內(nèi)在規(guī)律，再用測試數(shù)據(jù)來驗證算法的預(yù)測性能。

2 鏈路質(zhì)量評估度量值分析：

通過基于硬件的鏈路質(zhì)量量度RSSI（接收信號強度指示器）和LQI（鏈路質(zhì)量指示器）對無線傳感器的鏈路質(zhì)量進行評估。硬件評估的優(yōu)點是通信芯片能夠迅速的獲取指標值從而對鏈路的質(zhì)量進行評估，而且該方式的開銷少，它的缺點是單憑依靠硬件進行評估，該測量量度不考慮傳輸中接收和發(fā)送失敗的數(shù)據(jù)包，因此獲取的精度不夠準確，靈敏度沒有基于軟件評估得到的高，穩(wěn)定性較差而且對環(huán)境噪聲的變化不夠敏感。

基于軟件的鏈路質(zhì)量量度RNP（所需數(shù)量的數(shù)據(jù)包）通過統(tǒng)計一個周期內(nèi)傳送和轉(zhuǎn)發(fā)數(shù)據(jù)包的個數(shù)與成功接收數(shù)據(jù)包之和的比值來衡量鏈路的質(zhì)量，但它忽略了節(jié)點之間鏈路的方向問題，無法較為準確地告訴我們某條鏈路的接收節(jié)點接收數(shù)據(jù)包之前是否轉(zhuǎn)發(fā)過這個數(shù)據(jù)包?；谲浖u估量度的另一項指標PRR（包接收率）通過統(tǒng)計一個周期內(nèi)節(jié)點成功接收數(shù)據(jù)包的個數(shù)與總發(fā)送次數(shù)的比值來衡量鏈路的質(zhì)量，是反映鏈路質(zhì)量最直觀的度量。它的缺點是忽略了轉(zhuǎn)發(fā)中的接受包，時效性不是很好，而且因為所需統(tǒng)計的數(shù)據(jù)包的數(shù)量太大，因此它對突發(fā)鏈路反應(yīng)不夠靈敏。

本文使用PRR作為無線傳感器網(wǎng)絡(luò)鏈路質(zhì)量的評估量度，因為基于軟件的鏈路質(zhì)量評估量度在時效性方面雖然稍差于LQI和RSSI，但比它們更能準確的描述鏈路的狀況，并且克服后期校正硬件而導(dǎo)致的不足之處。加之，PRR相比于RNP，復(fù)雜度更低，計算相對簡單。

通過在一個周期內(nèi)的產(chǎn)生的數(shù)據(jù)包選定的能夠構(gòu)成等時間間距的PRR數(shù)值，適合建立動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。

3 基于D-FNN的鏈路質(zhì)量評估模型

3.1動態(tài)模糊神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測模型

大多數(shù)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)（如使用最為普遍的BP神經(jīng)網(wǎng)絡(luò)）在進行訓(xùn)練時一般都使用反向傳播的學(xué)習算法。該算法的缺點是學(xué)習速度慢，易陷入局部極小點。而動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)不需要預(yù)先定義，模糊規(guī)則是在學(xué)習過程中逐步增長的，它的結(jié)構(gòu)緊湊，能夠避免過擬合和過訓(xùn)練的現(xiàn)象，具有很好的泛化能力和學(xué)習能力。因此使用起來非常的便利。如今，D-FNN多用在靜態(tài)函數(shù)逼近、動態(tài)非線性系統(tǒng)識別、時間序列預(yù)測及人臉識別等領(lǐng)域。

4 結(jié)語

本文通過對WSN鏈路的軟硬件評估值的分析比較，選擇了PRR量度來表示鏈路質(zhì)量，提出了基于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)鏈路質(zhì)量評估機制。從實驗可以看出，本文提出的方法預(yù)測的精度值高，誤差小，學(xué)習算法簡單有效，速度快，可以根據(jù)輸入的節(jié)點個數(shù)自動的產(chǎn)生模糊規(guī)則。此外，DFNN模型比EWMA模型在精確度和穩(wěn)定性上有了改進。但是由于鏈路的復(fù)雜性和不穩(wěn)定性的因素，得出的PRR值不準確，下一步打算從更多的角度計算PRR值從而進行鏈路質(zhì)量的評估。

參考文獻：

[1] 任豐原，黃海寧，林闖.無線傳感器網(wǎng)絡(luò)[J].軟件學(xué)報，2003，14（7）：1282-1291.

[2] 龔本燦，李臘元.無線傳感器網(wǎng)絡(luò)路由協(xié)議研究[J].微計算機信息， 2011，27（1）：25-27.

[3] Evans J J， Janek J F， Gum A， et al. Wireless sensor network design for flexible enuiron mental monitoring[J].Journal of Enginerring Tcchnology，2008，25（1）：46-52.

[4] Gong P.Wireless sensor network as a new ground remote sensing technology for environmental monitoring[J].Journal of Remote Sensing，2007，11（4）：545-511.

[5] Hill J， Horton M， Kling R， et al. The Platforms Enabling Wireless Networks[J].Communication of the ACM，2004，47（6）：41-46.

[6] Perrig A， Stankovic J， Wagner D. Security in Wirless Sensor Networks[J]. Communications of the ACM，2004，47（6）：53-57.

[7] Wang Y， Martonosi M， Peh 1.Prediction link quality using supervised learning in wireless sensor networks. ACMSIGMOBILE Mobile Computing and Communications Review，2007，11（3）：71-83.