基于链路质量感知的WSN路由算法

发布时间：2020-12-27 06:08

　　无线传感器网络（WSN）是通过对特定区域进行数据采集、处理和汇聚,来实现区域监控的一种新兴技术。由于传感器节点的能量和传输功率有限,在无线通信过程中常受到噪声、多径效应和信号干扰等因素的影响。网络中的链路质量一般具有很强的不确定性。而使用低质量的链路进行通信会造成数据传输失败和频繁的数据重传,不仅会增大网络时延,还会影响数据传输质量,进而增加节点能耗,缩短网络生存周期。因此,本文提出了一种针对链路质量未知的应用场景的链路质量估计模型,并在此基础上提出了一种基于链路质量感知的WSN路由算法。本文的主要工作可以总结为以下几点。（1）分析了链路质量估计和WSN路由协议的相关基础理论。总结了链路质量的位置特性、时间特性和非对称性,介绍了基于硬件参数和基于软件参数的链路质量估计方式。分析阐述了WSN路由协议的定义、问题、分类和性能指标,并且列举介绍了一些经典路由协议。（2）首先,构建了存储链路参数样本的链路数据集,介绍了采集样本使用的硬件设备和采集策略。在链路数据集的预处理阶段,训练基于iForest算法的数据降噪模型并对链路数据集进行数据降噪,之后完成数据归一化。最后,使用预处理过的链路数据集... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

实验所用的ZigBee节点Figure3-4ZigBeenodeusedintheexperiment

3链路质量估计模型23在完成1m距离下的链路数据采集后，再以1m为单位逐步增大收发节点距离并重复上述操作。为了方便后续仿真中模拟场景的调用，根据链路分区特性，将采集的链路质量数据分为连通区链路数据、过渡区链路数据和非连通区链路数据并分别存储。图3-5采集数据场景Figure3-5Scenarioofdatacollection3.2数据降噪（Datadenoising）在采集链路数据的过程中，常会发生一些不可预知的突发事件，比如往来行人、设备位移和操作失误等。在这些情况下，所采集的数据集中往往包含一些干扰数据，即噪声点。这些噪声点作为实测数据却不能准确反映所测环境在正常条件下的链路特性，是需要仔细加以剔除的。若不进行相应的处理，将会严重限制所训练模型的精度和收敛速度，降低模型的整体性能。为此，本文采用孤立森林（iForest，isolationforest）算法对数据集进行降噪处理。3.2.1iForest算法原理孤立森林算法[69]是一种无监督学习模式的Bagging算法。Bagging是一类集成学习算法的统称，它基于自助采样法，通过放回抽样的方式从总数据集中随机提取样本建立子数据集。使用大量这样的子数据集作为训练集，分别训练对应的基学习器。最终，将这些基学习器组合在一起，得到增强型的学习器。由于每次抽样都是随机的有放回抽样，在所有样本被抽中的概率均相等的情况下，最终总会有一部分数据未被用来做为任何一个基学习器的训练数据。这样的数据被称为包外数据，约占整体数据的36.8%。这些包外数据为Bagging算法提供了一种被称作包外估计的泛化性能估计方式，可以用于检验模型的性能。作为Bagging算法的典型代表，随机森林（RF，RandomForest）以决策树

3链路质量估计模型33图3-15Anaconda主界面Figure3-15MaininterfaceofAnaconda（2）JupyterNotebook在实验中，用于具体实施代码编写等操作的软件是JunpyterNotebook。它是一种可以同时兼容JavaScript和Python等数十种编程语言的开源Web应用。其系统结构如图3-16所示。浏览器内核存储磁盘Notebook服务器用户上传程序获取结果输入程序输出结果编写程序获取结果存储程序加载程序图3-16JupyterNotebook系统结构Figure3-16SystemstructureofJupyterNotebook系统通过B/S架构，将已连接到服务器的使用者在Web页面上编辑的程序


本文编号：2941234