基于高斯過(guò)程回歸的鏈路質(zhì)量預(yù)測(cè)模型

舒堅(jiān)，劉滿蘭，尚亞青，陳宇斌，劉琳嵐

?

基于高斯過(guò)程回歸的鏈路質(zhì)量預(yù)測(cè)模型

舒堅(jiān)1，劉滿蘭2，尚亞青2，陳宇斌1，劉琳嵐2

（1. 南昌航空大學(xué)軟件學(xué)院，江西 南昌 330063；2. 南昌航空大學(xué)信息工程學(xué)院，江西 南昌 330063）

基于鏈路質(zhì)量的路由選擇機(jī)制可有效感知當(dāng)前鏈路的變化，且對(duì)無(wú)線傳感器網(wǎng)絡(luò)的可靠通信起著重要作用，基于此，提出基于高斯過(guò)程回歸的鏈路質(zhì)量預(yù)測(cè)模型。通過(guò)灰關(guān)聯(lián)方法計(jì)算鏈路質(zhì)量參數(shù)與分組接收率的關(guān)聯(lián)度，選取鏈路質(zhì)量指示均值和信噪比均值作為模型的輸入?yún)?shù)，以降低計(jì)算復(fù)雜度。采用鏈路質(zhì)量指示均值、信噪比均值和分組接收率構(gòu)建基于組合協(xié)方差函數(shù)的高斯過(guò)程回歸模型預(yù)測(cè)鏈路質(zhì)量。穩(wěn)定場(chǎng)景與不穩(wěn)定場(chǎng)景下的實(shí)驗(yàn)結(jié)果表明，與動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)預(yù)測(cè)模型相比，所提模型具有更好的預(yù)測(cè)精確度。

無(wú)線傳感器網(wǎng)絡(luò)；高斯過(guò)程回歸；鏈路質(zhì)量預(yù)測(cè)；組合協(xié)方差函數(shù)；灰關(guān)聯(lián)算法

1 引言

近年來(lái)，隨著微機(jī)電、無(wú)線通信和嵌入式等技術(shù)的不斷發(fā)展和相互融合，低成本、低功耗、多功能的微型傳感器得到了廣泛應(yīng)用。

無(wú)線傳感器網(wǎng)絡(luò)（WSN, wireless sensor network）是一種由大量廉價(jià)微型傳感器構(gòu)成、具有動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)、以數(shù)據(jù)傳輸為中心的多跳自組織網(wǎng)絡(luò)[1]。節(jié)點(diǎn)部署環(huán)境的復(fù)雜多變導(dǎo)致數(shù)據(jù)傳輸過(guò)程易受周?chē)h(huán)境的干擾和影響，鏈路特性表現(xiàn)為不規(guī)則性、非對(duì)稱(chēng)性和時(shí)空波動(dòng)性[2-4]。鏈路質(zhì)量對(duì)無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)吞吐量、傳輸時(shí)延和能耗等性能具有至關(guān)重要的作用[2]。有效的鏈路質(zhì)量預(yù)測(cè)機(jī)制可以通過(guò)在鄰居列表中選擇高質(zhì)量的鏈路進(jìn)行通信，提高數(shù)據(jù)傳輸?shù)目煽啃訹5]。

本文在分析現(xiàn)有鏈路質(zhì)量預(yù)測(cè)方法的基礎(chǔ)上，采用高斯過(guò)程回歸（GPR, Gaussian process regression）方法建立鏈路質(zhì)量預(yù)測(cè)模型。本文的主要貢獻(xiàn)如下。

1) 通過(guò)灰關(guān)聯(lián)分析法對(duì)分組接收率與接收信號(hào)強(qiáng)度指示均值、鏈路質(zhì)量指示均值、信噪比均值之間的灰關(guān)聯(lián)度進(jìn)行分析計(jì)算，并選取其中與分組接收率關(guān)聯(lián)度大的鏈路質(zhì)量指示均值和信噪比均值作為本文的鏈路質(zhì)量參數(shù)。

2) 結(jié)合SE協(xié)方差函數(shù)和Matern協(xié)方差函數(shù)，構(gòu)建基于組合協(xié)方差函數(shù)的高斯過(guò)程回歸模型C-GPR，采用標(biāo)準(zhǔn)誤差評(píng)價(jià)預(yù)測(cè)的精確度。

2 相關(guān)研究

2.1 鏈路質(zhì)量預(yù)測(cè)

通過(guò)基于鏈路質(zhì)量的路由選擇機(jī)制，能有效感知當(dāng)前鏈路的變化狀況，選擇一個(gè)最好的轉(zhuǎn)發(fā)者為當(dāng)前節(jié)點(diǎn)的下一跳，可有效減少數(shù)據(jù)重發(fā)次數(shù)?，F(xiàn)有的鏈路質(zhì)量預(yù)測(cè)方法包括基于硬件的鏈路質(zhì)量預(yù)測(cè)方法、基于軟件的鏈路質(zhì)量預(yù)測(cè)方法、綜合性的鏈路質(zhì)量預(yù)測(cè)方法以及基于機(jī)器學(xué)習(xí)理論的鏈路質(zhì)量預(yù)測(cè)方法。

1) 基于硬件的鏈路質(zhì)量預(yù)測(cè)方法主要涉及接收信號(hào)強(qiáng)度指示（ RSSI, received signal strength indication）、鏈路質(zhì)量指示（LQI, link quality indication）、信噪比（SNR, signal-to-noise）等物理層參數(shù)。文獻(xiàn)[1]提出RSSI和LQI均值測(cè)量方法，通過(guò)測(cè)量和計(jì)算RSSI和LQI均值獲得鏈路質(zhì)量信息，若存在多個(gè)干擾，該方法無(wú)法可靠地反映鏈路質(zhì)量狀況。文獻(xiàn)[6]指出當(dāng)RSSI值超過(guò)–87 dBm時(shí)，分組接收率（PRR, packet receive rate）一般高于85%；而當(dāng)RSSI低于–87 dBm時(shí)，鏈路質(zhì)量進(jìn)入灰色區(qū)域。文獻(xiàn)[7]指出LQI相對(duì)于RSSI能夠更直接地展現(xiàn)信號(hào)質(zhì)量，但LQI僅為測(cè)量成功接收數(shù)據(jù)分組的平均相關(guān)性，沒(méi)有考慮數(shù)據(jù)分組的丟失情況。文獻(xiàn)[8]采用高階卡爾曼濾波器對(duì)SNR進(jìn)行處理，提出Effective-SNR鏈路質(zhì)量指標(biāo)，實(shí)驗(yàn)結(jié)果表明該指標(biāo)與PRR相關(guān)性較高。上述研究表明，基于硬件的鏈路質(zhì)量預(yù)測(cè)方法通過(guò)直接從硬件中獲得物理層參數(shù)進(jìn)行預(yù)測(cè)，計(jì)算量小、資源消耗少且對(duì)鏈路變化反映較靈敏，但單個(gè)物理層參數(shù)不能全面反映鏈路質(zhì)量的變化。

2) 基于軟件的鏈路質(zhì)量預(yù)測(cè)方法主要包括PRR、ETX等。文獻(xiàn)[9]采用滑動(dòng)窗口加權(quán)指數(shù)均值（WMEWMA, window mean exponentially weighted moving average）法計(jì)算PRR的值，通過(guò)調(diào)整時(shí)間窗口和權(quán)值系數(shù)，在穩(wěn)定性和靈敏度之間獲得良好的權(quán)衡。文獻(xiàn)[10]提出自適應(yīng)的鏈路質(zhì)量估計(jì)方法EasiLQE，采用基于誤差的濾波器估計(jì)PRR值，實(shí)驗(yàn)表明，在復(fù)雜的網(wǎng)絡(luò)環(huán)境下該方法比WMEWMA準(zhǔn)確性更好、能量消耗更低，適用于突發(fā)較頻繁的鏈路。文獻(xiàn)[11]基于鏈路的分組丟失率和不對(duì)稱(chēng)性提出期望分組傳輸次數(shù)（ETX, expected transmission count）指標(biāo)，其通過(guò)計(jì)算端到端正反向鏈路PRR得到。ETX作為鏈路質(zhì)量度量標(biāo)準(zhǔn)，在匯聚樹(shù)協(xié)議（CTP, convergence tree protocol）和動(dòng)態(tài)原路由（DSR, dynamic source routing）協(xié)議中廣泛使用。相對(duì)物理層參數(shù)，上述方法只基于某一段時(shí)間內(nèi)的PRR值，因此不能快速地反映無(wú)線鏈路的頻繁變化。

4) 基于機(jī)器學(xué)習(xí)理論的鏈路質(zhì)量預(yù)測(cè)方法通過(guò)機(jī)器學(xué)習(xí)算法對(duì)鏈路質(zhì)量參數(shù)建模進(jìn)行預(yù)測(cè)。文獻(xiàn)[14]提出基于邏輯回歸的鏈路質(zhì)量預(yù)測(cè)機(jī)制，以RSSI、LQI和SNR為輸入，下一時(shí)刻PRR為輸出，室內(nèi)、室外的實(shí)驗(yàn)結(jié)果表明，該方法能夠節(jié)省20%~30%的傳輸成本。文獻(xiàn)[15]提出模糊支持向量回歸機(jī)鏈路質(zhì)量預(yù)測(cè)模型，首先采用無(wú)監(jiān)督模糊核聚類(lèi)算法自動(dòng)劃分樣本集獲取樣本隸屬度，然后采用混沌粒子群優(yōu)化算法選擇子模型參數(shù)，實(shí)驗(yàn)結(jié)果表明，該模型比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有更好的預(yù)測(cè)精度。文獻(xiàn)[16]采用非參數(shù)時(shí)間序列對(duì)鏈路質(zhì)量參數(shù)建模，提出基于模型框架的鏈路質(zhì)量預(yù)測(cè)（N-STLP, nonparametric short-term link prediction）方法，結(jié)果表明，N-STLP具有較高的精確度和收斂速度。文獻(xiàn)[17]提出基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN, dynamic Bayesian network）的鏈路質(zhì)量預(yù)測(cè)方法，通過(guò)非對(duì)稱(chēng)貼近度構(gòu)建綜合性的鏈路質(zhì)量等級(jí)指標(biāo)，采用最大期望算法進(jìn)行DBN模型的參數(shù)學(xué)習(xí)，具有較好的預(yù)測(cè)準(zhǔn)確度。相比于傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)方法，機(jī)器學(xué)習(xí)方法在處理復(fù)雜關(guān)系的非線性數(shù)據(jù)建模問(wèn)題上具有優(yōu)勢(shì)[18]。

2.2 高斯過(guò)程回歸

WSN部署環(huán)境復(fù)雜，鏈路質(zhì)量的變化隨自身校準(zhǔn)以及內(nèi)部干擾和外部因素影響而變化，由多種因素共同決定，因此鏈路質(zhì)量預(yù)測(cè)為復(fù)雜非線性問(wèn)題。GPR是一種基于函數(shù)分布的機(jī)器學(xué)習(xí)算法，提供了基于貝葉斯框架的無(wú)參數(shù)核方法，在處理小樣本、高維、線性不可分等復(fù)雜問(wèn)題上具有優(yōu)勢(shì)[19]。文獻(xiàn)[20]采用整體經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD, ensemble empirical mode decomposition），提出基于高斯過(guò)程回歸的飛機(jī)輔助動(dòng)力裝置退化信號(hào)的概率預(yù)測(cè)方法，與GPR相比，EEMD-GPR方法獲得了較高的精度。文獻(xiàn)[21]采用GPR對(duì)具有不可控性和隨機(jī)性的短期風(fēng)速進(jìn)行預(yù)測(cè)。文獻(xiàn)[22]針對(duì)網(wǎng)絡(luò)流量的不確定性、突發(fā)性和混沌性等特性，提出基于GPR的網(wǎng)絡(luò)流量預(yù)測(cè)模型，并取得了良好的預(yù)測(cè)效果。文獻(xiàn)[23]提出基于高斯過(guò)程模型的多步預(yù)測(cè)方法，實(shí)現(xiàn)了對(duì)未來(lái)時(shí)刻環(huán)境監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)，該模型可用于環(huán)境參數(shù)未來(lái)趨勢(shì)分析、異常環(huán)境事件預(yù)警等場(chǎng)景。文獻(xiàn)[24]針對(duì)混沌時(shí)間序列單步和多步預(yù)測(cè)，利用矩陣運(yùn)算和優(yōu)化算法自適應(yīng)地確定協(xié)方差函數(shù)和均值函數(shù)中的超參數(shù)，提出基于復(fù)合協(xié)方差函數(shù)的高斯過(guò)程模型，應(yīng)用該模型能較精確地預(yù)測(cè)混沌時(shí)間序列，且具有穩(wěn)健性。文獻(xiàn)[25]采用高斯過(guò)程回歸的概率預(yù)測(cè)模型對(duì)區(qū)域電網(wǎng)進(jìn)行飽和負(fù)荷預(yù)測(cè)，通過(guò)改進(jìn)混沌粒子群算法優(yōu)化模型的超參數(shù)，在多個(gè)情景下均具有較高的預(yù)測(cè)精度，并且可增強(qiáng)其預(yù)測(cè)的彈性。文獻(xiàn)[26]采用高斯混合模型預(yù)測(cè)復(fù)雜運(yùn)動(dòng)對(duì)象的運(yùn)動(dòng)軌跡，大大縮減了其軌跡預(yù)測(cè)的時(shí)間。文獻(xiàn)[27]提出基于人工蜂群優(yōu)化的高斯過(guò)程分類(lèi)方法，用于腦電信號(hào)的模式識(shí)別。

本文采用GPR預(yù)測(cè)鏈路質(zhì)量，考慮到如果選取過(guò)多的物理層參數(shù)作為預(yù)測(cè)模型的輸入，參數(shù)間具有一定的相關(guān)性，涵蓋的鏈路質(zhì)量信息存在冗余，勢(shì)必導(dǎo)致模型結(jié)構(gòu)復(fù)雜、計(jì)算量增加，因此，采用灰關(guān)聯(lián)分析法量化PRR與各物理層參數(shù)之間的灰關(guān)聯(lián)度，篩選出影響鏈路質(zhì)量的參數(shù)集作為預(yù)測(cè)模型的輸入。為提高模型預(yù)測(cè)精確度，結(jié)合平方指數(shù)（SE，squared exponential）協(xié)方差函數(shù)和Matern協(xié)方差函數(shù)作為GPR模型的協(xié)方差函數(shù)，構(gòu)建基于組合協(xié)方差函數(shù)的高斯過(guò)程回歸模型C-GPR。

3 鏈路質(zhì)量參數(shù)的選取

3.1 鏈路質(zhì)量參數(shù)的相關(guān)性

文獻(xiàn)[28]指出基于CC2420的傳感器節(jié)點(diǎn)的接收功率高于閾值（–87 dBm）時(shí)，RSSI與PRR呈強(qiáng)相關(guān)性，而LQI更能反映中等質(zhì)量鏈路的變化。文獻(xiàn)[29]也證實(shí)，當(dāng)接收功率低于節(jié)點(diǎn)閾值時(shí)，RSSI與分組丟失率之間無(wú)特定關(guān)系。設(shè)置含有背景噪聲、信道干擾及多徑衰減環(huán)境因素的3個(gè)實(shí)驗(yàn)場(chǎng)景，結(jié)果表明，室內(nèi)環(huán)境中均值LQI與PRR之間的Pearson系數(shù)大于RSSI與PRR的Pearson系數(shù)。

文獻(xiàn)[7]指出連通區(qū)中RSSI和LQI均能指示鏈路質(zhì)量狀況，而在灰色區(qū)域中，均值LQI能更好地反映鏈路質(zhì)量狀況。文獻(xiàn)[30]指出，物理層參數(shù)直接從硬件中取出，對(duì)鏈路質(zhì)量變化狀況的反映靈敏，當(dāng)SNR值較低時(shí)，誤比特率（BER, bite error rate）增加，動(dòng)態(tài)網(wǎng)絡(luò)中SNR值更能靈活反映鄰近節(jié)點(diǎn)鏈路質(zhì)量的變化情況。

上述研究表明，物理層參數(shù)與PRR之間存在相關(guān)性，均值化的參數(shù)相比單個(gè)參數(shù)更精確。當(dāng)鏈路質(zhì)量較高時(shí)，各物理層參數(shù)之間存在強(qiáng)相關(guān)性，對(duì)于中等鏈路，各參數(shù)時(shí)間序列變化趨勢(shì)不一致。

3.2 采用灰關(guān)聯(lián)分析法選取鏈路質(zhì)量參數(shù)

通過(guò)灰關(guān)聯(lián)分析法找出影響系統(tǒng)行為的主次元素[31]，系統(tǒng)各因子行為序列變化趨勢(shì)的接近程度反映了相應(yīng)序列之間的關(guān)聯(lián)度[32]。為了消除單位不同帶來(lái)的影響，在計(jì)算灰關(guān)聯(lián)度之前，需要對(duì)原始數(shù)據(jù)進(jìn)行無(wú)量綱化。

灰關(guān)聯(lián)度的計(jì)算步驟描述如下。

Step2 采用式(5)和式(6)求差序列

4 鏈路質(zhì)量預(yù)測(cè)

在高斯過(guò)程回歸模型中，協(xié)方差函數(shù)為半正定矩陣，滿足Mercer條件，故協(xié)方差函數(shù)等價(jià)于核函數(shù)。協(xié)方差函數(shù)影響模型預(yù)測(cè)的精確度，其選取取決于樣本數(shù)據(jù)的分布和樣本輸入與輸出之間的關(guān)系[33]。本文結(jié)合SE協(xié)方差函數(shù)和Matern協(xié)方差函數(shù)，構(gòu)建C-GPR鏈路質(zhì)量預(yù)測(cè)模型，采用標(biāo)準(zhǔn)誤差（RMSE, root mean squared error）[34]評(píng)價(jià)預(yù)測(cè)模型的精確度。

4.1 協(xié)方差函數(shù)的選取

SE協(xié)方差函數(shù)通過(guò)計(jì)算2個(gè)數(shù)據(jù)點(diǎn)之間的空間距離得到協(xié)方差的值，插值能力比較強(qiáng)，Matern協(xié)方差函數(shù)能對(duì)短期不規(guī)則性的時(shí)間序列數(shù)據(jù)進(jìn)行良好的擬合。

1) SE協(xié)方差函數(shù)

2) Matern協(xié)方差函數(shù)

4.2 超參數(shù)的優(yōu)化

本文提出的GPR鏈路質(zhì)量預(yù)測(cè)模型中組合協(xié)方差函數(shù)的超參數(shù)通過(guò)極大似然法進(jìn)行優(yōu)化，其訓(xùn)練樣本的負(fù)對(duì)數(shù)邊緣似然函數(shù)為

4.3 C-GPR模型

圖1 高斯過(guò)程回歸模型

4.4 評(píng)價(jià)指標(biāo)

本文從采集的數(shù)據(jù)樣本中隨機(jī)抽出75%的樣本作為訓(xùn)練初始模型的訓(xùn)練集，剩下的樣本作為驗(yàn)證GPR預(yù)測(cè)模型精確度的測(cè)試集。采用標(biāo)準(zhǔn)誤差評(píng)價(jià)預(yù)測(cè)精確度，即

5 實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)場(chǎng)景

本文在2個(gè)實(shí)驗(yàn)場(chǎng)景下以不同距離和方向均部署了9個(gè)節(jié)點(diǎn)組成的網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)場(chǎng)景分別為樹(shù)林和交通干道，8個(gè)節(jié)點(diǎn)為感知節(jié)點(diǎn)，一個(gè)節(jié)點(diǎn)為Sink節(jié)點(diǎn)。

樹(shù)林實(shí)驗(yàn)場(chǎng)景如圖2所示，Sink節(jié)點(diǎn)被放置在中間，在Sink節(jié)點(diǎn)東、西、南、北4個(gè)方向以不同的距離分別在每個(gè)方向部署2個(gè)節(jié)點(diǎn)。實(shí)驗(yàn)過(guò)程中，由于節(jié)點(diǎn)各個(gè)方向的植物和石頭等的分布情況不同，導(dǎo)致各個(gè)方向的節(jié)點(diǎn)受到的反射、折射程度不同。但是樹(shù)林中鮮少有人走動(dòng)，且障礙物處于靜態(tài)，影響信號(hào)傳輸?shù)囊蛩刂饕獮槎鄰叫?yīng)，不受其他信號(hào)及外界的干擾，因此樹(shù)林實(shí)驗(yàn)場(chǎng)景為穩(wěn)定場(chǎng)景。

圖2 樹(shù)林實(shí)驗(yàn)場(chǎng)景

公路實(shí)驗(yàn)場(chǎng)景如圖3所示，該路段為交通主干道，Sink節(jié)點(diǎn)部署在綠化帶中央，道路兩旁分別依次部署4個(gè)節(jié)點(diǎn)。實(shí)驗(yàn)時(shí)間為放學(xué)高峰期，路上的車(chē)輛和行人較多，他們的遮擋以及他們隨身攜帶的電子設(shè)備的信號(hào)干擾都會(huì)對(duì)WSN的鏈路質(zhì)量產(chǎn)生嚴(yán)重的影響，因此公路實(shí)驗(yàn)場(chǎng)景為不穩(wěn)定場(chǎng)景。

圖3 公路實(shí)驗(yàn)場(chǎng)景

表1 穩(wěn)定場(chǎng)景下灰關(guān)聯(lián)度值

表2 不穩(wěn)定場(chǎng)景下灰關(guān)聯(lián)度值

5.3 鏈路質(zhì)量參數(shù)、的有效性

圖4 穩(wěn)定場(chǎng)景下降維前后預(yù)測(cè)結(jié)果對(duì)比

圖5 不穩(wěn)定場(chǎng)景下降維前后預(yù)測(cè)結(jié)果對(duì)比

表3 降維前后的RMSE對(duì)比

5.4 組合協(xié)方差函數(shù)的有效性

采用不同協(xié)方差函數(shù)得到2種場(chǎng)景下的預(yù)測(cè)如表4所示。SE-GPR為采用單一SE協(xié)方差函數(shù)的預(yù)測(cè)模型，C-GPR為采用組合協(xié)方差函數(shù)的預(yù)測(cè)模型。

表4 不同協(xié)方差函數(shù)的RMSE

由表4可知，在穩(wěn)定和不穩(wěn)定2種場(chǎng)景下，C-GPR的分別為0.043 1和0.121 4，而SE-GPR的分別為0.056 4和0.149 6，均高于C-GPR，這表明組合形式的協(xié)方差函數(shù)降低了模型的，更有優(yōu)勢(shì)。在穩(wěn)定場(chǎng)景下，由于鏈路波動(dòng)較小，鏈路呈現(xiàn)較高的相關(guān)性，2種模型的相差并不大，而在波動(dòng)較大的不穩(wěn)定場(chǎng)景下，2種模型的差別顯著，相比于單一協(xié)方差函數(shù)的SE-GPR，C-GPR在這種不規(guī)則的鏈路中具有更好的插值能力和擬合效果。

5.5 與DBN模型的對(duì)比

為進(jìn)一步驗(yàn)證C-GPR模型的預(yù)測(cè)性能，采用文獻(xiàn)[17]提出的DBN模型預(yù)測(cè)2種不同場(chǎng)景下的鏈路質(zhì)量，得到如表5所示。

表5 2種預(yù)測(cè)模型的RMSE

由表5可知，在穩(wěn)定場(chǎng)景與不穩(wěn)定場(chǎng)景下，C-GPR的分別為0.043 1和0.121 4，相比DBN模型，預(yù)測(cè)精確度有明顯提高，表明本文提出的模型具有更好的預(yù)測(cè)精確度。

6 結(jié)束語(yǔ)

本文在分析現(xiàn)有鏈路質(zhì)量預(yù)測(cè)方法的基礎(chǔ)上，提出基于高斯過(guò)程回歸的鏈路質(zhì)量預(yù)測(cè)模型C-GPR。

[1] 孫佩剛, 趙海, 羅玎玎, 等. 無(wú)線傳感器網(wǎng)絡(luò)鏈路通信質(zhì)量測(cè)量研究[J]. 通信學(xué)報(bào), 2007, 28(10): 14-22.

SUN P G, ZHAO H, LUO D D, et al. Study on measurement of link communication quality in wireless sensor networks[J]. Journal on Communications, 2007, 28(10): 14-22.

[2] BACCOUR N, KOUB?A A, MOTTOLA L, et al. Radio link quality estimation in wireless sensor networks: a survey[J]. ACM Transactions on Sensor Networks, 2012, 8(4): 1-35.

[3] PENGWON K, KOMOLMIS T, CHAMPRASERT P. Solving asymmetric link problems in WSNs using site link quality estimators and dual-tree topology[C]//International Conference on Electrical Engineering/electronics, Computer, Telecommunications and Information Technology. 2016: 1-4.

[4] BAS C U, ERGEN S C. Spatio-temporal characteristics of link quality in wireless sensor networks[C]//IEEE Wireless Communications and Networking Conference. 2012: 1152-1157.

[5] DEZFOULI B, RADI M, RAZAK S A, et al. Modeling low-power wireless communications[J]. Journal of Network & Computer Applications, 2015, 51(C): 102-126．

[6] SRINIVASAN K, LEVIS P. RSSI is under appreciated[C]//IEEE the Third Workshop on Embedded Networkd Sensors (EmNets). 2006: 239-242.

[7] TANG L, WANG K C, HUANG Y, et al. Channel characterization and link quality assessment of IEEE 802.15.4-compliant radio for factory environments[J]. IEEE Transactions on Industrial Informatics, 2007, 3(2): 99-110.

[8] QIN F, DAI X, MITCHELL J E. Effective-SNR estimation for wireless sensor network using Kalman filter[J]. Ad Hoc Networks, 2013, 11(3): 944-958.

[9] WOO A, CULLER D. Evaluation of efficient link reliability estimators for low-power wireless networks[C]//UCB Technical Report. 2003: 1-20.

[10] 黃庭培, 李棟, 張招亮, 等. 突發(fā)性鏈路感知的自適應(yīng)鏈路質(zhì)量估計(jì)方法[J]. 通信學(xué)報(bào), 2012, 33(6): 30-39.

HUANG T P, LI D, ZHANG Z L, et al. Bursty-link-aware adaptive link quality estimation method[J]. Journal on Communications, 2012, 33(6): 30-39.

[11] COUTO D S J D, AGUAYO D, BICKET J, et al. A high-throughput path metric for multi-hop wireless routing[J]. Wireless Networks, 2005, 11(4): 419-434.

[12] BOANO C A, ZU??IGA M A, VOIGT T, et al. The triangle metric: fast link quality estimation for mobile wireless sensor networks[C]//The 19th International Conference on Computer Communication and Networks. 2010: 1-7.

[13] BACCOUR N, KOUB?A A, YOUSSEF H, et al. F-LQE: a fuzzy link quality estimator for wireless sensor networks[C]//European Conference on Wireless Sensor Networks (EWSN). 2010: 240-255.

[14] LIU T, CERPA A E. Data-driven link quality prediction using link features[J]. ACM Transactions on Sensor Networks, 2014, 10(2): 1-35.

[15] 舒堅(jiān), 湯津, 劉琳嵐, 等. 基于模糊支持向量回歸機(jī)的WSNs鏈路質(zhì)量預(yù)測(cè)[J]. 計(jì)算機(jī)研究與發(fā)展, 2015, 52(8): 1842-1851.

SHU J, TANG J, LIU L L, et al. Fuzzy support vector regression-based link quality prediction model for wireless sensor networks[J]. Journal of Computer Research and Development, 2015, 52(8): 1842-1851.

[16] WENG L N, ZHANG P, FENG Z Y, et al. Short-term link quality prediction using nonparametric time series analysis[J]. Science China Information Sciences, 2015, 58(8): 1-15.

[17] 舒堅(jiān), 劉松, 劉琳嵐, 等. 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的WSNs鏈路質(zhì)量預(yù)測(cè)[J]. 工程科學(xué)與技術(shù), 2017, 49(2): 152-159.

SHU J, LIU S, LIU L L, et al. Link quality prediction for WSNs based on dynamic Bayesian networks[J]. Advanced Engineering Sciences, 2017, 49(2): 152-159.

[18] FEOFLUSHING E, KUDELSKI M, NAGI J, et al. Poster abstract: link quality estimation: a case study for on-line supervised learning in wireless sensor networks[C]//The 5th Workshop on Real-World Wireless Sensor Networks. 2014: 97-101.

[19] 夏戰(zhàn)國(guó), 夏士雄, 蔡世玉, 等. 類(lèi)不均衡的半監(jiān)督高斯過(guò)程分類(lèi)算法[J]. 通信學(xué)報(bào), 2013, 34(5): 42-51.

XIA Z G, XIA S X, CAI S Y, et al. Semi-supervised Gaussian process classification algorithm addressing the class imbalance[J]. Journal on Communications, 2013, 34(5): 42-51.

[20] CHEN X, WANG H, HUANG J, et al. APU degradation prediction based on EEMD and Gaussian process regression[C]//IEEE International Conference on Sensing, Diagnostics, Prognostics, and Control. 2017: 98-104.

[21] 孫斌, 姚海濤, 劉婷. 基于高斯過(guò)程回歸的短期風(fēng)速預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(29): 104-109.

SUN B, YAO H T, LIU T. Short-term wind speed forecasting based on Gaussian process regression model[J]. Proceedings of the Chinese Society for Electrical Engineering, 2012, 32(29): 104-109.

[22] 李振剛. 基于高斯過(guò)程回歸的網(wǎng)絡(luò)流量預(yù)測(cè)模型[J]. 計(jì)算機(jī)應(yīng)用, 2014, 34(5): 1251-1254.

LI Z G. Network traffic forecasting model based on Gaussian process regression[J]. Journal of Computer Applications, 2014, 34(5): 1251-1254.

[23] 陳艷, 王子健, 趙澤, 等. 傳感器網(wǎng)絡(luò)環(huán)境監(jiān)測(cè)時(shí)間序列數(shù)據(jù)的高斯過(guò)程建模與多步預(yù)測(cè)[J]. 通信學(xué)報(bào), 2015, 36(10): 252-262.

CHEN Y, WANG Z J, ZHAO Z, et al. Gaussian process modeling and multi-step prediction for time series data in wireless sensor network environmental monitoring[J]. Journal on Communications, 2015, 36(10): 252-262.

[24] 李軍, 張友鵬. 基于高斯過(guò)程的混沌時(shí)間序列單步與多步預(yù)測(cè)[J]. 物理學(xué)報(bào), 2011, 60(7): 143-152.

LI J, ZHANG Y P. Single-step and multiple-step prediction of chaotic time series using Gaussian process model[J]. Acta Physica Sinica, 2011, 60(7): 143-152.

[25] 彭虹橋, 顧潔, 胡玉, 等. 基于混沌粒子群—高斯過(guò)程回歸的飽和負(fù)荷概率預(yù)測(cè)模型[J].電力系統(tǒng)自動(dòng)化, 2017, 41(21): 25-32,155.

PENG H Q, GU J, HU Y, et al. Forecasting model of saturated load based on chaotic particle swarm and optimization-Gaussian process regression[J]. Automation of Electric Power Systems, 2017, 41(21): 25-32,155.

[26] 喬少杰, 金琨, 韓楠, 等. 一種基于高斯混合模型的軌跡預(yù)測(cè)算法[J].軟件學(xué)報(bào), 2015, 26(5): 1048-1063.

QIAO S J, JIN K, HAN N, et al. Trajectory prediction algorithm based on Gaussian mixture model[J]. Journal of Software, 2015, 26(5): 1048-1063.

[27] 耿雪青, 佘青山, 韓笑, 等. 基于人工蜂群優(yōu)化高斯過(guò)程的運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)[J]. 傳感技術(shù)學(xué)報(bào), 2017, 30(3): 378-384.

GENG X Q, SHE Q S, HAN X, et al. Classification of motor imagery EEG based on Gaussian process optimized with artificial bee colony[J]. Chinese Journal of Sensor and Actuators, 2017, 30(3): 378-384.

[28] SRINIVASAN K, DUTTA P, TAVAKOLI A, et al. An empirical study of low-power wireless[J]. ACM Transactions on Sensor Networks, 2010, 6(2): 1-49.

[29] GUNGOR V C, LU B, HANCKE G P. Opportunities and challenges of wireless sensor networks in smart grid[J]. IEEE Transactions on Industrial Electronics, 2010, 57(10): 3557-3564.

[30] HONG L, LIU X, ZHANG L, et al. Towards sensitive link quality prediction in ad hoc routing protocol based on grey theory[J]. Wireless Networks, 2015, 21(7): 2315-2325.

[31] 梁寧, 耿立艷, 張占福, 等.基于GRA與SVM-mixed的貨運(yùn)量預(yù)測(cè)方法[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2016, 16(6): 94-99.

LIANG N, GENG L Y, ZHANG Z F, et al. A prediction method of railway freight volumes using GRA and SVM-mixed[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(6): 94-99.

[32] 田民, 劉思峰, 卜志坤. 灰色關(guān)聯(lián)度算法模型的研究綜述[J]. 統(tǒng)計(jì)與決策, 2008, 2008(1): 24-27.

TIAN M, LIU S F, BU Z K. Research summary of grey relational model[J]. Statistics and Decision, 2008, 2008(1): 24-27.

[33] 萬(wàn)良勇, 劉開(kāi)云. 公路隧道交通量預(yù)測(cè)的粒子群高斯過(guò)程耦合模型[J]. 北京交通大學(xué)學(xué)報(bào), 2015, 39(1): 33-39.

WAN L Y, LIU K Y. Traffic flow prediction model of highway tunnel based on PSO-Gaussian process coupled algorithm[J]. Journal of Beijing Jiaotong University, 2015, 39(1): 33-39.

[34] 崔瑋, 吳成東, 張?jiān)浦? 等. 基于高斯混合模型的非視距定位算法[J].通信學(xué)報(bào), 2014, 35(1): 99-106.

CUI W, WU C D, ZHANG Y Z, et al. GMM-based localization algorithm under NLOS conditions[J]. Journal on Communications, 2014, 35(1): 99-106.

Link quality prediction model based on Gaussian process regression

SHU Jian1, LIU Manlan2, SHANG Yaqing2, CHEN Yubin1, LIU Linlan2

1. School of Software, Nanchang Hangkong University, Nanchang 330063, China 2. School of Information Engineering, Nanchang Hangkong University, Nanchang 330063, China

Link quality is an important factor of reliable communication and the foundation of upper protocol design for wireless sensor network. Based on this, a link quality prediction model based on Gaussian process regression was proposed. It employed grey correlation algorithm to analyze correlation between link quality parameters and packet receive rate. The mean of the link quality indication and the mean of the signal-to-noise were selected as input parameters so as to reduce the computational complexity. The above parameters and packet receive rate were taken to build Gaussian process regression model with combination of covariance function, so that link quality could be predicted. In the stable and unstable scenarios, the experimental results show that the proposed model has better prediction accuracy than the one of dynamic Bayesian network prediction model.

wireless sensor network, Gaussian process regression, link quality prediction, combination of covariance function, grey correlation algorithm

TP393

A

10.11959/j.issn.1000?436x.2018113

2017?09?18；

2018?05?25

劉琳嵐，liulinlan@nchu.edu.cn

國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61762065, No.61363015, No.61501218, No.61501217）；江西省自然科學(xué)基金資助項(xiàng)目（No.20171BAB202009, No.20171ACB20018）

The National Natural Science Foundation of China (No.61762065, No.61363015, No.61501218, No.61501217), The Natural Science Foundation of Jiangxi Province (No.20171BAB202009, No.20171ACB20018)

舒堅(jiān)（1964?），男，江西南昌人，南昌航空大學(xué)教授、碩士生導(dǎo)師，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、軟件工程等。

劉滿蘭（1992?），女，湖南耒陽(yáng)人，南昌航空大學(xué)碩士生，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)。

尚亞青（1991?），女，河南開(kāi)封人，南昌航空大學(xué)碩士生，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)。

陳宇斌（1977?），男，江西南昌人，南昌航空大學(xué)講師，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、高性能計(jì)算。

劉琳嵐（1968?），女，湖南東安人，南昌航空大學(xué)教授，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、分布系統(tǒng)等。