专利名称：一种无线传感器网络性能综合评价方法
技术领域：
本发明涉及一种无线传感器网络性能评价方法，尤其是一种基于最小二乘支持向 量回归机的无线传感器网络性能综合评价方法，用以全面合理地评价中小规模无线传感器 网络运行性能，属于无线传感器和网络通信技术领域。
背景技术：
无线传感器网络(WSN)是由大量廉价的、具有计算和通信功能的传感器节点通过 自组织方式组成的完成特定功能的智能网络系统，具有应用灵活、方便等特点，有广阔的应 用前景，主要应用在灾难预警与求助、安全监控、健康监测、医疗卫生、空间探索和军事信息 检测等领域。对于中小规模WSN，由于节点分布密度低、冗余度小，网络运行对单个节点工作依 赖性强，传感器节点往往部署在易受外界不利因素影响的区域，在长期运行的过程中由于 节点本身性能下降和外部环境影响，使得WSN运行质量经常发生变化，对于电池能量、计算 能力和存储能力均有限的WSN，如何充分利用网络正常传输信息及时掌握运行质量，有效监 控网络运行状态，是WSN成功应用亟待解决问题之一。国外研究有2005年HMF AboElFotoh等通过计算可靠性和信息滞后，对分布式 WSN的随机故障进行研究，通过概率图去模拟网络行为，利用传感器实测数据对网络性能进 行分析；2006年A. Shrestha等对WSN基础设施通信的可靠性进行了研究，应用简化二进制 决策图对WSN的可靠性进行仿真分析；2007年ANDRADE-SANCHEZ P等对WSN在不同农业环 境应用中的信号强度(RSSI LQI)、包接收率PRR(packet reception rate)等性能参数进 行测试；CINQUEM等对WSN可靠性模型的研究，包括电源失效模型，通信失效模型等；2009 年P. Barford等提出一套网络性能异常的检测体系，用于检测和定位一般网络运行中出现 的异常情况；F. H. Yahaya等分析了节点收发数据、网络吞吐量和时延三个指标对高端应用 的WSN性能的影响。国内与WSN性能评价直接相关研究有，2009年郑宇锋等通过对ZigBee 协议MAC子层和单跳与多跳传输时延的分析，结合无线传感系统的容量时延性能的指标体 系，提出了一种简单便捷的无线系统的性能评估方法。目前对网络性能的评估和分析，主要从仿真和理论分析两方面展开，研究主要集 中在网络协议、算法或者某单一性能指标对网络性能影响分析，然而在对网络本身进行性 能评价时，单个的指标并不能完全反应网络的整体性能。
发明内容
本发明的目的在于克服上述存在的问题和不足，公开一种无线传感器网络性能综 合评价方法，该方法的最大优势在于它适用于小样本决策，能够进行实时在线监测。实现本发明目的的技术方案是无线传感器网络性能综合评价方法，包括下列步 骤确定网络运行性能指标、采用因子分析法确定独立的网络运行因子值、建立基于LSSVR 的网络性能综合评价模型、低功耗基于LSSVR网络性能综合评价。
本发明所述的无线传感器网络性能评价方法，具体包括如下步骤第一步，确定网络运行性能指标。针对中小规模WSN应用特点，采用系统工程理论对WSN性能影响因素进行分类和 综合评估，确定网络运行性能指标，包括节点能量损耗、信号强度、丢包率、网络时延和网络 链路质量等。第二步，采用因子分析法确定独立的网络运行因子值。因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的 变量归结为少数几个综合因子的一种多变量统计分析方法。由于网络性能指标之间不是完 全独立，并具有一定的相关性，因而所得到的统计数据反映的信息在一定程度上具有重叠 性。利用网络正常运行信息获取性能指标，采用因子分析法将相关的性能参数变换成 独立的性能指标(因子值)，为信号强度、丢包率、网络延迟，使得参与建模的性能指标不再 相关。第三步，建立基于LSSVR的网络性能综合评价模型。最小二乘支持向量机LSSVM，包括最小二乘支持向量回归机LSSVR和最小二乘 支持向量分类机LSSVC，是一种小样本多元数据分析方法，满足结构化风险最小原则。对 WSN运行中的各种状态信息，采用因子分析法处理后得到因子值，作为LSSVR输入，再通过 LSSVR回归训练和学习，确定LSSVR回归模型的核参数和正则化参数，最终建立基于LSSVR 的WSN性能综合评价模型，使得模型的经验风险和置信区间得到较好的平衡，即结构化风 险近似达到最小。第四步，低功耗基于LSSVR网络性能综合评价。网络实际运行时，按照WSN性能综合评价模型进行低功耗基于LSSVR网络性能综 合评价。本发明将最小二乘支持向量回归机(LSSVR)引入到WSN的性能评价中，在LSSVR 回归模型建立之前对采样数据进行预处理，使得参与建模的指标不再相关，可以提高训练 速度。本发明与RBF神经网络的评价方法、模糊综合评价方法相比较，避免了神经网络方法 可能发生的收敛于局部极小值的问题，其评价值接近于需要专家参与的模糊综合评价值， 评价可靠，且可以实时在线监测。基于LSSVR的无线传感器网络性能综合评价方法巧妙地 利用核函数克服了“维数灾难”和“过学习”等传统困难，非常适合有多个指标的中小规模 无线传感器网络性能综合评价，帮助管理人员及时准确把握WSN的运行状况和趋势，为网 络运行评估和优化提供依据。
图1是本发明的WSN性能综合评价方法流程2是本发明的WSN性能综合评价模型结构3是本发明具体实施的网络结构4是本发明WSN性能综合评价法与RBF神经网络评价法、模糊综合评价法对网 络性能评价值对比曲线
具体实施例方式下面结合附图和具体实施方式
对本发明作进一步详细说明。如图1所示，本发明的无线传感器网络综合性能评价方法，包括确定网络运行性 能指标、采用因子分析法确定独立的网络运行因子值、建立基于LSSVR的网络性能综合评 价模型、低功耗基于LSSVR网络性能综合评价四步。具体步骤如下第一步，采用系统工程理论确定网络运行性能指标。针对中小规模WSN应用特点，采用系统工程理论对WSN性能影响因素进行分类和 综合评估，确定网络运行性能指标有节点能量损耗、信号强度、丢包率、网络时延和网络链 路质量等。第二步，采用因子分析法确定独立的网络运行因子值。采用因子分析法对采集到的网络性能数据进行预处理，具体步骤如下(1)利用网络正常运行信息获取性能指标，采用因子分析法将相关的性能参数变 换成独立的性能指标(因子值)，使得参与建模的性能指标不再相关。为了减少网络负载，利用网络正常运行中传输的数据来获取网络性能数据，放在 一个矩阵中，构造样本阵。该矩阵为
(1)其中，m为网络性能数据样本数，n为节点能量损耗、信号强度、丢包率、网络时延 和网络链路质量等网络性能评价指标个数5。(2)对样本阵元进行标准化变换。
(2)
s)其中，
标准化矩阵Z。(3)对标准化阵Z求相关系数矩阵。 其中， =‘Zii,i, j = 1,2,- -n 0
n-\(4)解样本相关矩阵R的特征方程|R_XIn| =0得n个特征根X」，j = l，2，… n。并对X」，j = 1,2,…n，解方程组Rb =入」b，得到单位特征向量b」。(5)构造新的独立向量。本发明中有5个原始指标节点能量(V)、信号强度 (RSSI)、丢包率(Prr)、网络延迟(Nd)和网络链路质量(LQI)。分别用Xl，x2，x3，x4，x5表示， 转化得到的3个独立指标(因子值)，信号强度(RSSI)、丢包率(Prr)、网络延迟(Nd)分别 用Up u2, u3表示。= luXi+li^+l^Xg+l^+l^XgU2 = laiXi+l^+l^Xg+l^+l^Xg(4)Ug = lgiXi + lg^ + lggXg+lg^+lggXg其中，ln，112，…，135是原有变量与新成分之间相关程度的指标，称为因子荷载。
7
第三步，建立基于LSSVR的网络性能综合评价模型。对WSN运行中的各种状态信息，采用因子分析法处理后得到因子值，作为LSSVR输 入，再通过LSSVR回归训练和学习，确定LSSVR回归模型的核参数和正则化参数，最终建立 基于LSSVR的WSN性能综合评价模型，具体过程是设训练集T= ((UijY1),…，(U1, Y1M,其中Ui e Rn为输入值，YiG R为对应的目 标值，1为样本数。其原始问题的凸二次规划为min
2ni 2trA(5)SAYi-((Wd)(Ui)Hb)=U = I,…，1。引进记号^/=U，Z —J,利用 Lagrange对偶原理，导出其对偶问题的凸二次规划为min(6)
a ^ =ι ；=1 V^ J =1
IS.t. ^ai =0,mm*_('
tia -Ια '·"'α/j。选取i (1 < i < 1)，计算最优超平面系数b得
*Ib ^ Yi-Y^ajKipj,υ)(7)构造决策函数为
If(u) = W · φ(υ)+6 二 Σ α: Kpi ,u) + b(8)
/=1其中，Y是正则化参数。K(Ui;U)是核函数，本发明中核函数选用效果较佳的高斯 径向基函数(RBF)K(Ui; U) = exp(_ Il Ui-U Il 2/σ2)，i = 1，…，1(9)将上述经过预处理后的数据U1, U2, U3,作为LSSVR的输入，对LSSVR进行训练， LSSVR通过回归学习，确定正则化参数γ和核参数σ，得到基于LSSVR评价模型，如图2所 示。其中，输入节点仏(1 = 1，…η)对应输入样本的每个独立指标，η为独立指标个数， 中间节点K (Uj, U) (j = 1，…1)是支持向量和输入向量的内积，其中1是样本个数，权值 ；(/= 1,···,/)为Lagrange乘子，输出f(U)是中间节点的线性节点的线性组合。LSSVR中径 向基函数的中心位置以及中心数目、网络权值都是由训练过程中自动确定的，不需要像神 经网络那样靠经验确定。而且LSSVR是一个二次规划问题求解，而RBF神经网络采用的是 BP训练算法，前者更实用于小样本训练集。第四步，低功耗基于LSSVR网络性能综合评价。如图3所示，本发明具体实施的网络结构图。其中，底层为传感器节点，由无线 Zigbee模块+传感器或执行器组成，单簇最大节点数η为20 ；中间层是簇头节点，采用无线 Zigbee模块，对簇内传感器节点进行管理，并具有路由转发功能，节点数m为5;高层是汇聚 层，由无线Zigbee模块通过串行方式(RS232或USB)同PC机相连，PC机对节点地址、节点 类型、传感器测量值、记录时间、节点能量损耗(ν)、信号强度(RSSI)、丢包率(Prr)、网络延迟(Nd)和网络链路质量(LQI)等进行统一管理。本发明具体实施的网络性能综合评价在PC机上执行，步骤如下(1)采集数据。表1中为采集到的测试样本数据，其中Xi为影响网络性能的第i个指标，Xl，x2, X3, X4, x5分别对应为节点能量(V)、信号强度(RSSI)、丢包率(Prr)、网络延迟(Nd)和网络 链路质量(LQI)等5个性能指标，各个指标值均为某一时刻采集得到的所有节点指标值的 平均值。表1测试样本数据 (2)LSSVR 综合评价。利用训练样本数据集对采用高斯径向基函数的LSSVR进行训练，采用交叉验证法 确定LSSVR回归模型的核参数o 2和正则化参数y。Y = 1423. 1，o 2 = 8. 8时，模型效果 最佳，此时经验风险和置信区间得到较好的平衡，使结构化风险近似达到最小。基于LSSVR的综合评价值&及与对应的模糊综合评价值之间相对误差&见表 2。fE为采用RBF神经网络的评价值。表2综合评价结果及相对误差 模糊综合评价法虽然不能实现在线评价，但是评价值可靠且接近于真值。将评价 值&、fK与fe进行对比，其结果如图4所示。从图中看出，采用RBF神经网络的评价值与fe 对比相对相对误差范围在0. 15%之间，采用基于LSSVVR的评价结果更接近于值， 相对误差范围在0.01% 2%之间，相对误差最大值比RBF神经网络减少了 83. 2%，证实在 相同条件下，以结构化风险最小化为原则的LSSVR的性能优于以经验风险最小化为原则的 神经网络。
权利要求
一种无线传感器网络性能综合评价方法，其特征在于该方法是基于最小二乘支持向量回归机的无线传感器网络性能综合评价方法，包括下列步骤步骤1确定网络运行性能指标；步骤2采用因子分析法确定独立的网络运行因子值；步骤3建立基于LSSVR的网络性能综合评价模型；步骤4低功耗基于LSSVR网络性能综合评价。
2.根据权利要求1所述的无线传感器网络性能综合评价方法，其特征在于所述步骤 1中具体包括针对中小规模WSN应用特点，采用系统工程理论对WSN性能影响因素进行分 类和综合评估，确定网络运行性能的指标包括节点能量损耗、信号强度、丢包率、网络时延 和网络链路质量。
3.根据权利要求1所述的无线传感器网络性能综合评价方法，其特征在于所述步骤2 具体包括以下步骤(1)利用网络正常运行中传输的数据来获取网络性能数据，放在一个矩阵中，构造样本 阵；该矩阵为X=(Xij)mxn⑴其中，m为网络性能数据样本数，η为包括节点能量损耗、信号强度、丢包率、网络时延 和网络链路质量在内的网络性能评价指标个数；(2)对样本阵元进行标准化变换 其中，i = l，2，...，m;j = l，2，...,η ，得到标准 化矩阵Z ；(3)对标准化阵Z求相关系数矩阵 (3)其中 (4)解样本相关矩阵R的特征方程IR-λ In I =0得n个特征根λ」，」= 1，2，…η ；并 对λ」，j = 1,2,…n，解方程组Rb = λ》，得到单位特征向量bj ；(5)构造新的独立向量设定5个原始指标节点能量(ν)、信号强度(RSSI)、丢包率 (Prr)、网络延迟(Nd)和网络链路质量(LQI)，分别用X1, x2，x3，x4，X5表示，转化得到的3个 独立指标信号强度(RSSI)、丢包率(Prr)、网络延迟(Nd)，分别用U1, U2，U3表示，Ul — 1 HxI + 112X2+ll3X3+ll4X4+ll5X5U2 — l21Xl + l22X2+l23X3+l24X4+l25X5(4)U3 — 131Χι + 132Χ2+133Χ3+134Χ4+ 35Χ5其中，I11, I12,…，I35是原有变量与新成分之间相关程度的指标，称为因子荷载。
4.根据权利要求1所述的无线传感器网络性能综合评价方法，其特征在于所述步骤3具体包括以下步骤对WSN运行中的各种状态信息，采用因子分析法处理后得到因子值， 作为LSSVR输入，再通过LSSVR回归训练和学习，确定LSSVR回归模型的核参数和正则化参 数，最终建立基于LSSVR的WSN性能综合评价模型。
5.根据权利要求4所述的无线传感器网络性能综合评价方法，其特征在于所述步骤3 更具体包括以下步骤设训练集T= {(U^Yi)，…，叫。)}，其中UiERn为输入值，YiER 为对应的目标值，1为样本数；其原始问题的凸二次规划为 s.t.= Hi, i = 1,…，1，引进记号 利用 Lagrange对偶原理，导出其对偶问题的凸二次规划为 选取i (1 ≤ i ≤1)，计算最优超平面系数b得 构造决策函数为 其中，、是正则化参数。K(Ui，U)是核函数，本发明中核函数选用效果较佳的高斯径向 基函数(RBF)K(Ui，U) = exp(_ || U「U || 2/o2)，i = 1，...，1(9)将上述经过预处理后的数据U” U2，U3，作为LSSVR的输入，对LSSVR进行训练，LSSVR 通过回归学习，确定正则化参数、和核参数o，得到基于LSSVR评价模型，其中，输入节点 lUi = 1，…n)对应输入样本的每个独立指标，n为独立指标个数，中间节点K(Uj，U) (j = 1，…1)是支持向量和输入向量的内积，其中1是样本个数，权值二 1,‘“,0为Lagrange 乘子，输出f(U)是中间节点的线性节点的线性组合；LSSVR中径向基函数的中心位置以及 中心数目、网络权值都是由训练过程中自动确定的。
6.根据权利要求1所述的无线传感器网络性能综合评价方法，其特征在于所述步骤4 具体包括以下步骤(1)采集数据采集到测试样本数据Xi，包括对应为节点能量(v)、信号强度(RSSI)、丢包率(Prr)、网 络延迟(Nd)和网络链路质量(LQI)性能指标，各个指标值均为某一时刻采集得到的所有节 点指标值的平均值；(2)综合评价利用训练样本数据集对采用高斯径向基函数的LSSVR进行训练，采用交叉验证法确定LSSVR回归模型的核参数σ 2和正则化参数Y，当Y = 1423. 1，σ 2 = 8. 8时，依据此综合评价模型进行网络性能综合评价。
全文摘要
本发明公开一种无线传感器网络性能综合评价方法，涉及一种基于最小二乘支持向量回归机LSSVR的无线传感器网络性能综合评价方法，用以全面合理地评价中小规模无线传感器网络运行性能，属于无线传感器和网络通信技术领域。其特点是包括确定网络运行性能指标、采用因子分析法确定独立的网络运行因子值、建立基于LSSVR的网络性能综合评价模型、低功耗基于LSSVR网络性能综合评价四步。该方法巧妙地利用核函数克服了“维数灾难”和“过学习”等传统困难，非常适合有多个指标的中小规模无线传感器网络性能综合评价，帮助管理人员及时准确把握WSN的运行状况和趋势，为网络运行评估和优化提供依据。
文档编号H04W84/18GK101867960SQ20101019495
公开日2010年10月20日 申请日期2010年6月8日 优先权日2010年6月8日
发明者原瑾, 张世庆, 张西良, 张锋, 赵丽娟 申请人:江苏大学