發(fā)布時(shí)間：2020-12-27 06:08

　　無(wú)線傳感器網(wǎng)絡(luò)（WSN）是通過(guò)對(duì)特定區(qū)域進(jìn)行數(shù)據(jù)采集、處理和匯聚,來(lái)實(shí)現(xiàn)區(qū)域監(jiān)控的一種新興技術(shù)。由于傳感器節(jié)點(diǎn)的能量和傳輸功率有限,在無(wú)線通信過(guò)程中常受到噪聲、多徑效應(yīng)和信號(hào)干擾等因素的影響。網(wǎng)絡(luò)中的鏈路質(zhì)量一般具有很強(qiáng)的不確定性。而使用低質(zhì)量的鏈路進(jìn)行通信會(huì)造成數(shù)據(jù)傳輸失敗和頻繁的數(shù)據(jù)重傳,不僅會(huì)增大網(wǎng)絡(luò)時(shí)延,還會(huì)影響數(shù)據(jù)傳輸質(zhì)量,進(jìn)而增加節(jié)點(diǎn)能耗,縮短網(wǎng)絡(luò)生存周期。因此,本文提出了一種針對(duì)鏈路質(zhì)量未知的應(yīng)用場(chǎng)景的鏈路質(zhì)量估計(jì)模型,并在此基礎(chǔ)上提出了一種基于鏈路質(zhì)量感知的WSN路由算法。本文的主要工作可以總結(jié)為以下幾點(diǎn)。（1）分析了鏈路質(zhì)量估計(jì)和WSN路由協(xié)議的相關(guān)基礎(chǔ)理論�？偨Y(jié)了鏈路質(zhì)量的位置特性、時(shí)間特性和非對(duì)稱(chēng)性,介紹了基于硬件參數(shù)和基于軟件參數(shù)的鏈路質(zhì)量估計(jì)方式。分析闡述了WSN路由協(xié)議的定義、問(wèn)題、分類(lèi)和性能指標(biāo),并且列舉介紹了一些經(jīng)典路由協(xié)議。（2）首先,構(gòu)建了存儲(chǔ)鏈路參數(shù)樣本的鏈路數(shù)據(jù)集,介紹了采集樣本使用的硬件設(shè)備和采集策略。在鏈路數(shù)據(jù)集的預(yù)處理階段,訓(xùn)練基于iForest算法的數(shù)據(jù)降噪模型并對(duì)鏈路數(shù)據(jù)集進(jìn)行數(shù)據(jù)降噪,之后完成數(shù)據(jù)歸一化。最后,使用預(yù)處理過(guò)的鏈路數(shù)據(jù)集... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)驗(yàn)所用的ZigBee節(jié)點(diǎn)Figure3-4ZigBeenodeusedintheexperiment

3鏈路質(zhì)量估計(jì)模型23在完成1m距離下的鏈路數(shù)據(jù)采集后，再以1m為單位逐步增大收發(fā)節(jié)點(diǎn)距離并重復(fù)上述操作。為了方便后續(xù)仿真中模擬場(chǎng)景的調(diào)用，根據(jù)鏈路分區(qū)特性，將采集的鏈路質(zhì)量數(shù)據(jù)分為連通區(qū)鏈路數(shù)據(jù)、過(guò)渡區(qū)鏈路數(shù)據(jù)和非連通區(qū)鏈路數(shù)據(jù)并分別存儲(chǔ)。圖3-5采集數(shù)據(jù)場(chǎng)景Figure3-5Scenarioofdatacollection3.2數(shù)據(jù)降噪（Datadenoising）在采集鏈路數(shù)據(jù)的過(guò)程中，常會(huì)發(fā)生一些不可預(yù)知的突發(fā)事件，比如往來(lái)行人、設(shè)備位移和操作失誤等。在這些情況下，所采集的數(shù)據(jù)集中往往包含一些干擾數(shù)據(jù)，即噪聲點(diǎn)。這些噪聲點(diǎn)作為實(shí)測(cè)數(shù)據(jù)卻不能準(zhǔn)確反映所測(cè)環(huán)境在正常條件下的鏈路特性，是需要仔細(xì)加以剔除的。若不進(jìn)行相應(yīng)的處理，將會(huì)嚴(yán)重限制所訓(xùn)練模型的精度和收斂速度，降低模型的整體性能。為此，本文采用孤立森林（iForest，isolationforest）算法對(duì)數(shù)據(jù)集進(jìn)行降噪處理。3.2.1iForest算法原理孤立森林算法[69]是一種無(wú)監(jiān)督學(xué)習(xí)模式的Bagging算法。Bagging是一類(lèi)集成學(xué)習(xí)算法的統(tǒng)稱(chēng)，它基于自助采樣法，通過(guò)放回抽樣的方式從總數(shù)據(jù)集中隨機(jī)提取樣本建立子數(shù)據(jù)集。使用大量這樣的子數(shù)據(jù)集作為訓(xùn)練集，分別訓(xùn)練對(duì)應(yīng)的基學(xué)習(xí)器。最終，將這些基學(xué)習(xí)器組合在一起，得到增強(qiáng)型的學(xué)習(xí)器。由于每次抽樣都是隨機(jī)的有放回抽樣，在所有樣本被抽中的概率均相等的情況下，最終總會(huì)有一部分?jǐn)?shù)據(jù)未被用來(lái)做為任何一個(gè)基學(xué)習(xí)器的訓(xùn)練數(shù)據(jù)。這樣的數(shù)據(jù)被稱(chēng)為包外數(shù)據(jù)，約占整體數(shù)據(jù)的36.8%。這些包外數(shù)據(jù)為Bagging算法提供了一種被稱(chēng)作包外估計(jì)的泛化性能估計(jì)方式，可以用于檢驗(yàn)?zāi)Ｐ偷男阅�。作為Bagging算法的典型代表，隨機(jī)森林（RF，RandomForest）以決策樹(shù)

3鏈路質(zhì)量估計(jì)模型33圖3-15Anaconda主界面Figure3-15MaininterfaceofAnaconda（2）JupyterNotebook在實(shí)驗(yàn)中，用于具體實(shí)施代碼編寫(xiě)等操作的軟件是JunpyterNotebook。它是一種可以同時(shí)兼容JavaScript和Python等數(shù)十種編程語(yǔ)言的開(kāi)源Web應(yīng)用。其系統(tǒng)結(jié)構(gòu)如圖3-16所示。瀏覽器內(nèi)核存儲(chǔ)磁盤(pán)Notebook服務(wù)器用戶(hù)上傳程序獲取結(jié)果輸入程序輸出結(jié)果編寫(xiě)程序獲取結(jié)果存儲(chǔ)程序加載程序圖3-16JupyterNotebook系統(tǒng)結(jié)構(gòu)Figure3-16SystemstructureofJupyterNotebook系統(tǒng)通過(guò)B/S架構(gòu)，將已連接到服務(wù)器的使用者在Web頁(yè)面上編輯的程序


本文編號(hào)：2941234