本文選題：無線傳感器網(wǎng)絡(luò) + 鏈路質(zhì)量預(yù)測��； 參考：《南昌航空大學(xué)》2017年碩士論文

【摘要】：無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSNs)是由數(shù)量較多的傳感器節(jié)點以多跳自組織方式形成的網(wǎng)絡(luò)。這些傳感器節(jié)點在能量、通信以及計算與存儲等多方面都受限,以及節(jié)點通常部署的環(huán)境復(fù)雜多變且存在各種干擾源,從而導(dǎo)致節(jié)點間通信鏈路質(zhì)量并不可靠。鏈路質(zhì)量預(yù)測機(jī)制是拓?fù)淇刂�、路由協(xié)議和移動管理的基礎(chǔ),對于增強(qiáng)網(wǎng)絡(luò)數(shù)據(jù)吞吐、延長網(wǎng)絡(luò)壽命以及節(jié)省能量也起到相當(dāng)重要的作用。本文旨在研究WSNs鏈路質(zhì)量預(yù)測方法。論文對鏈路特性、鏈路質(zhì)量預(yù)測方法研究現(xiàn)狀、鏈路質(zhì)量度量參數(shù)以及深度學(xué)習(xí)算法進(jìn)行研究。根據(jù)鏈路質(zhì)量的特性結(jié)合深度學(xué)習(xí)特征提取的優(yōu)勢,提出一種基于深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN)的WSNs鏈路質(zhì)量預(yù)測模型。該模型可分為鏈路質(zhì)量評估層和鏈路質(zhì)量預(yù)測層,評估層采用支持向量機(jī)(Support Vector Machine,SVM)對鏈路質(zhì)量進(jìn)行評估,獲得鏈路質(zhì)量等級;預(yù)測層采用DBN對連續(xù)的歷史鏈路質(zhì)量等級進(jìn)行特征提取,并在最后一層加上Softmax回歸器對下一單位時間的鏈路質(zhì)量等級進(jìn)行預(yù)測;最后根據(jù)均方根誤差性能評價指標(biāo)確定DBN模型的結(jié)構(gòu)。根據(jù)WSNs實際應(yīng)用,論文設(shè)定室內(nèi)走廊、小樹林和室外廣場作為收集實驗樣本數(shù)據(jù)的場景。在各場景下的實驗結(jié)果顯示,本文提出的基于DBN的鏈路質(zhì)量預(yù)測模型不管是與基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型對比,還是與基于Logistic預(yù)測模型對比,均具有更好的預(yù)測精度。
[Abstract]:Wireless Sensor Networks (WSNs) is a multi-hop self-organizing network formed by a large number of sensor nodes. These sensor nodes are limited in energy, communication, computation and storage, and the environment in which nodes are usually deployed is complex and has various interference sources, which leads to unreliable quality of communication links between nodes. Link quality prediction mechanism is the basis of topology control, routing protocol and mobile management. It also plays an important role in enhancing network data throughput, prolonging network lifetime and saving energy. The purpose of this paper is to study the link quality prediction method of WSNs. In this paper, the research status of link characteristics, link quality prediction methods, link quality measurement parameters and depth learning algorithm are studied. According to the characteristics of link quality and the advantages of feature extraction from deep learning, a link quality prediction model for WSNs is proposed based on Deep belief Networks (DBN). The model can be divided into link quality evaluation layer and link quality prediction layer. Support vector machine support Vector Machine (SVM) is used to evaluate the link quality, and the link quality level is obtained. The prediction layer uses DBN to extract the features of the continuous historical link quality, and adds Softmax regression to the last layer to predict the link quality level of the next unit time. Finally, the structure of DBN model is determined according to the RMS error performance evaluation index. According to the practical application of WSNs, indoor corridors, mangroves and outdoor squares are selected as the scene of collecting experimental data. The experimental results in various scenarios show that the proposed link quality prediction model based on DBN has better prediction accuracy than that based on BP neural network or Logistic model.
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP212.9;TN929.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃庭培;李棟;張招亮;崔莉;;一種突發(fā)性鏈路感知的自適應(yīng)鏈路質(zhì)量估計方法[J];計算機(jī)研究與發(fā)展;2010年S2期

2 黃庭培;李棟;張招亮;崔莉;;突發(fā)性鏈路感知的自適應(yīng)鏈路質(zhì)量估計方法[J];通信學(xué)報;2012年06期

3 徐佑軍,譚敦茂,朱建武,曹文熙;藍(lán)牙無線鏈路質(zhì)量的分析、測試與改善[J];計算機(jī)工程與應(yīng)用;2004年12期

4 王廣杰;曾鵬;肖金超;;面向工業(yè)無線傳感器網(wǎng)絡(luò)的鏈路質(zhì)量實時評估算法[J];小型微型計算機(jī)系統(tǒng);2012年05期

5 郭志強(qiáng);王沁;萬亞東;李默涵;;基于綜合性評估的無線鏈路質(zhì)量分類預(yù)測機(jī)制[J];計算機(jī)研究與發(fā)展;2013年06期

6 陸飛;樂曉波;向峗松;;基于無線網(wǎng)格網(wǎng)的鏈路質(zhì)量測量方案與路由尺度性能研究[J];計算機(jī)應(yīng)用;2007年11期

7 李慕峰;田宇;徐鴻飛;易平;;基于鏈路質(zhì)量的應(yīng)急無線傳感網(wǎng)絡(luò)路由算法研究[J];信息網(wǎng)絡(luò)安全;2014年05期

8 廖欣;;一種鏈路質(zhì)量知曉的多跳無線網(wǎng)絡(luò)路由度量[J];懷化學(xué)院學(xué)報;2014年05期

9 蔣錕;汪蕓;;灰洞檢測:基于鏈路質(zhì)量估計的看門狗算法[J];計算機(jī)與現(xiàn)代化;2014年02期

10 戴靠柱;王潛平;;無線傳感網(wǎng)絡(luò)中基于鏈路質(zhì)量的地理路由[J];計算機(jī)工程與設(shè)計;2011年03期

相關(guān)會議論文 前2條

1 胡丁丁;;Link Quality Control功能分析與優(yōu)化[A];2012全國無線及移動通信學(xué)術(shù)大會論文集（下）[C];2012年

2 李婷婷;毛玉明;于秦;;Ad Hoc網(wǎng)絡(luò)無線鏈路質(zhì)量評估算法研究[A];四川省通信學(xué)會2007年學(xué)術(shù)年會論文集[C];2007年

相關(guān)碩士學(xué)位論文 前10條

1 周安;無線傳感器網(wǎng)絡(luò)鏈路質(zhì)量估計方法研究及應(yīng)用[D];南京信息工程大學(xué);2015年

2 張海洋;WSN中障礙物感知的鏈路質(zhì)量估算方法研究[D];浙江工業(yè)大學(xué);2015年

3 劉松;基于貝葉斯網(wǎng)絡(luò)的鏈路質(zhì)量預(yù)測機(jī)制研究[D];南昌航空大學(xué);2016年

4 谷小樂;基于云模型的無線傳感網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測方法[D];南昌航空大學(xué);2016年

5 趙婷;水下傳感器網(wǎng)絡(luò)基于能量和鏈路質(zhì)量的路徑選擇研究[D];天津大學(xué);2014年

6 尚亞青;基于高斯過程回歸的鏈路質(zhì)量預(yù)測方法[D];南昌航空大學(xué);2017年

7 李越;基于深度信念網(wǎng)絡(luò)的WSNs鏈路質(zhì)量預(yù)測機(jī)制研究[D];南昌航空大學(xué);2017年

8 付逸斐;家庭無線場景下鏈路質(zhì)量評價與中繼機(jī)會判斷[D];華中科技大學(xué);2011年

9 臧超;基于支持向量機(jī)的傳感網(wǎng)絡(luò)鏈路質(zhì)量預(yù)測機(jī)制研究[D];南昌航空大學(xué);2013年

10 胡剛;無線傳感網(wǎng)絡(luò)鏈路質(zhì)量評估參數(shù)優(yōu)選模型研究[D];南昌航空大學(xué);2015年

，

本文編號：2023929