基于CP神经网络的车载自组网交叉路口预测路由方法与流程

本发明属于通信
技术领域：
，主要涉及车载自组网中的路由方法，可用于对城市场景中道路交叉口处的路由决策。
背景技术：
：交通环境中，车辆的高速移动，频繁改变的网络拓扑和多种分布的车辆密度，使得节点链路频繁断裂，成为车载自组网路由协议必须面对和解决的问题。现有交叉路口预测路由算法存在如下问题：第一，部分协议没有考虑车辆密度，所选路径频繁出现链路断裂问题，造成数据的丢失或时延增加；第二，通过统计测量的方法或历史统计数据得到平均车辆密度作为最佳路由，车辆密度会随着车辆的高速移动而动态变化，选择的路径有时很差，给路由协议的实时性带来很大的影响。第三、从MAC层来考虑，节点密度越大，发送节点的分组数就会越多，从而节点接入信道的时间就越长，这样就会增加分组的传输时延，反而不利于分组的快速发送。第四、车辆密度大，可以一定程度提高节点间的连通性，但车辆密度分布的不均匀，不能保证节点间一定连通，依据车辆密度信息选择路由可靠性较差。因此，车载自组网路由选择的关键是保证车辆之间的连通性，当整个路段的节点平均链路连通概率越大，路段的节点密度越小，下一交叉口到目的地的距离与当前交叉口到目的地距离的比值越小，则所选择的路段是数据包转发的最佳路段。如果对链路连通概率、节点密度、距离比3个参数设定权值，通过计算相邻路段分值大小来选择路段，每个参量的权重选择会带有很大的盲目性。技术实现要素：本发明的目的在于克服上述已有技术的不足，提出一种基于CP神经网络的车载自组网交叉路口预测路由方法。CP网络是指对向传播神经网络，是将Kohonen特征映射网络与Grossberg基本竟争型网络相结合，发挥各自特长的一种新型特征映射网络。网络分输入层、竟争层和输出层3层，由输入层到竟争层，网络按自组织特征映射神经网络学习规则产生竟争层的获胜神经元，并按这一规则调整相应的输入层至竟争层的连接权，由竟争层到输出层，网络按基本竟争型网络学习规则，得到各输出神经元的实际输出值，并按有导师示教的误差校正方法，调整由竟争层至输出层的连接权。经过这样反复地学习，可以将任意输入映射为输出。本发明首先使用CP神经网络对数据包在交叉路口转发的下一个路段优先级进行分类。根据交叉口节点提供当前hello报文周期内的各相邻路段平均链路连通概率、路段车辆密度和下一交叉口到目的地的距离与当前交叉口到目的地距离的比值作为CP神经网络的输入，由CP神经网络正确预测当前时刻数据包转发的下一个交叉口的优先级。基于CP神经网络的车载自组网交叉路口预测路由方法，具体步骤为：1)使用CP神经网络对数据包在交叉路口转发的下一个路段优先级进行分类。以路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将连通概率分为3个档次，好、中、差，所对应的量化值分别为0.9、0.7、0.5，密度分为3个水平，高、中、低，归一化量化值分别为0.8、0.5、0.3，距离比也分为3个档次，近、中、远，归一化量化值分别为0.2、0.4、0.6。4个期望输出用二进制代码表示，分别为(0000、0001、0010、0011、0100、0101、0110、0111、1000、1001、1010、1011、1100、1101、1110、1111)代表数据包转发路段优先级，共分为15个等级，以连通概率越大，密度越小，距离比越小则数据包转发路段优先级设为越高，第1优先级等级最高，依此类推。2)车载自组网中的节点根据GPS定位信息检查自己是否位于交叉路口，若是，则用自己的节点标识号、位置信息和当前Hello报文周期的各相邻路段的平均链路连通概率、车辆密度和距离比信息构造Hello报文，计算当前Hello报文周期相邻路口密度信息、平均连通概率信息、距离比。若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文，跳转到步骤(6)；3)节点之间的链路连通概率与hello报文周期有一个一一对应的关系，根据链路连通概率向自己的一跳邻居自适应广播hello报文。位于通信半径内的邻居节点接收到Hello报文后，把Hello报文中包含的信息存储于自己的邻居节点链表中，目标节点周期性地向全网广播自己的位置信息；4)在当前Hello报文周期内获得的相邻路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将所有的输入进行归一化处理，代入训练好的CP网络，得到相邻各路段的优先级，选择最高优先级路段作为数据包转发路段；5)当交叉路口车辆稀疏时，数据包要转发到在最高优先级路段上的车辆，若出现找不到转发数据包到相应路段的车辆，则转发到次高优先级路段上的车辆，依此类推，但负责转发的车辆依然保存数据包的副本，寻找合适机会把数据包转发到在更高优先级路段上的车辆，保证数据包以最快速度转发。如果所选路段出现网络分割，根据车辆快速移动的特点，采用存储-携带-转发的策略完成数据包的转发；6)不在交叉路口上的节点采用贪婪地理路由协议转发数据包；7)节点接收到数据包后，判断数据包上目的节点域是否是自己，若是则直接提交到上层，若不是，返回到步骤(1)。本发明与现有技术相比，具有如下优点：1)本发明在交叉路口选择数据包传输路段时，综合考虑了路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比对数据包传输的影响，使得所选路段在保证节点之间连通性的情况下，避免密度过大的路段，且尽量选择到目的节点近的下一交叉路口。2)如果我们直接对相邻路段平均链路连通概率、路段平均节点密度、距离比3个参数设定权值，在交叉路口的节点根据3个参数之和得到的路段分值大小来选择路段，每个参量的权重选择带有很大的盲目性，而把这3个参数作为输入，使用CP神经网络对数据包转发路段优先级进行分类，节点在交叉口时，在一个Hello周期内可以精确选择数据包转发路段。3)CP网络既汲取了无导师示教型网络分类灵活、算法简练的优点，又采纳了有导师示教型网络分类精细、准确的特点，使两种不同类型的网络有机地结合起来。相比BP神经网络，CP神经网络缩短了样本训练时间，有效了提高了分类正确率。附图说明图1是CP神经网络结构图图2是本发明具体实施的应用场景图图3是本发明的流程图具体实施方式下面结合实施例对本发明作进一步的说明。基于CP神经网络的车载自组网交叉路口预测路由方法，流程图如图3所示，具体步骤为：1)使用CP神经网络对数据包转发的下一个路段优先级进行分类。如图1所示，以路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，如表1所示，将连通概率分为3个档次，好、中、差，所对应的量化值分别为0.9、0.7、0.5，密度分为3个水平，高、中、低，归一化量化值分别为0.8、0.5、0.3，距离比也分为3个档次，近、中、远，归一化量化值分别为0.2、0.4、0.6。4个期望输出用二进制代码表示，分别为(0000、0001、0010、0011、0100、0101、0110、0111、1000、1001、1010、1011、1100、1101、1110、1111)代表数据包转发路段优先级，共分为15个等级，以连通概率越大，密度越小，距离比越小则数据包转发路段优先级设为越高，第1优先级等级最高，依此类推。3个连续值的输入为K＝1,2,3，竟争层使用36个神经元，对应的二值输出向量为输出层有4个神经元，其实际二值输出向量为目标二值输出向量为由输入层到竟争层的连续权值向量为Wj＝(wj1，wj2，wj3)，j＝1，2，…，36，到输出层的连接权向量为V1＝(vl1，vl2，…，vl36)，l＝1,2,3。网络学习和工作规则如下：①初始化，将连接权向量Wj和Vl，赋予区间[0,1]内的随机值；②将第k个输入AK提供给网络的输入层，将连接权值向量Wj按照下式进行归一化处理：要i＝1,2,3③竟争层中每个神经元的加权输入和：j＝1，2，…，36(2)④求连接权向量Wj中与AK距离最近的向量Wg:将神经元g的输出设定为1，其余竟争层神经元的输出设定为0。⑤将连接权向量Wg按照下式进行修正：其中，0≤α≤1为学习速率，取α＝0.6。⑥将连接权向量Wg重新归一化，归一化算法同(4)。⑦按照下式修正竟争层到输出层的连接权向量Vl。Vli(t+1)＝Vli(t)+βbj(cl-cj)，l＝1,2,3,j＝1,2,…,36(5)其中，0≤β≤1为学习速率，取β＝0.6。由⑤将(5)式化简为Vlg(t+1)＝Vlg(t)+βbj(cl-cj)l＝1,2,3在竟争层只需要调整获胜神经元g到输出层神经元的连接权向量Vg，其它连接权向量保持不变。⑧求输出层各神经元的加权输入，并将其作为输出神经元的实际输出值，l＝1,2,3⑨返回②，直到将3个输入全部提供给网络。⑩令t＝t+1,将输入AK重新提供给网络学习，直到预先设定的学习总次数t＝5000。表1数据包转发路段优先等级表连通概率密度距离比输出编号路段优先级好0.9中0.5近0.20000第1优先级好0.9中0.5中0.40001第2优先级好0.9中0.5远0.60010第3优先级好0.9高0.8近0.20011第4优先级好0.9高0.8中0.40100第5优先级好0.9高0.8远0.60101第6优先级中0.7中0.5近0.20110第7优先级中0.7中0.5中0.40111第8优先级中0.7中0.5远0.61000第9优先级中0.7低0.3近0.21001第10优先级中0.7低0.3中0.41010第11优先级中0.7低0.3远0.61011第12优先级差0.5低0.3近0.21100第13优先级差0.5低0.3中0.41101第14优先级差0.5低0.3远0.61110第15优先级2)如图2所示，车载自组网中的节点根据GPS定位信息检查自己是否位于交叉路口，若是，则用自己的节点标识号、位置信息和当前Hello报文周期的各相邻路段的平均链路连通概率、车辆密度和距离比信息构造Hello报文，计算当前Hello报文周期相邻路口密度信息、平均连通概率信息、距离比。若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文，跳转到步骤(6)；密度信息的获取，将道路分成固定的小区域单元，每个单元内的车辆组成一个簇，将最靠近单元中心的车辆作为簇头，由簇头节点计算本簇内的节点密度，然后，用计算所得本簇内节点密度的结果构造成单元密度分组，通过在簇间传递并更新单元密度分组中的密度值获得整条路段的节点密度。R1的长度D1＝250m，R2的长度D2＝1750m,R3的长度D3＝1100m，节点通信半径为250米，250米内作为一个路段的区域单元，R1路段有1个单元，即N11＝3，R2路段有7个单元，每个单元节点个数为N21＝16，N22＝10，N23＝6，N24＝8，N25＝14，N26＝9，N27＝11。R3路段有5个单元，每个单元节点个数为N31＝6，N31＝10，N31＝16，N31＝12，N31＝7。M是每个单元内的平均节点密度，计算公式为Nc为路段单元个数，Ni单元内节点个数，可得R1的平均节点密度M1＝3，R2的平均节点密度M2＝1/7×(16+10+6+8+14+9+11)＝11，R3的平均节点密度M2＝1/5×(6+10+8+4+7)＝7，计算节点之间的链路连通概率：连通概率其中ua为节点a从状态i出发首达状态R的概率为Ua，R为节点的通信半径，P为一步转移概率。连通概率信息通过计算本节点与邻居节点的平均连通概率信息，再获得整个路段的节点平均连通概率信息。设在某一个Hello周期内，R1的平均连通概率p1＝0.4，R2的平均连通概率p1＝0.9，R1的平均连通概率p3＝0.6，距离比信息采用下一交叉口到目的地的距离与当前交叉口到目的地距离的比值。J1到目的地的距离d1＝2300m，J2到目的地的距离d2＝1900m，J3到目的地的距离d3＝400m，J4到目的地的距离d4＝2000m，J1与J2的距离比d12＝2300/1900＝1.21，J3与J2的距离比d32＝400/1900＝0.21，J4与J2的距离比d42＝2000/1900＝1.05。若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文。3)节点之间的链路连通概率与Hello报文周期有一个一一对应的关系，设最大的广播周期为20秒，对应的连通概率为1，向自己的一跳邻居自适应广播。位于通信半径内的邻居节点接收到Hello报文后，把Hello报文中包含的信息存储于自己的邻居节点链表中，目标节点周期性地向全网广播自己的位置信息；4)以当前hello报文周期内获得的路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将所有的输入AK按(6)式进行归一化处理。i＝1，2，3在当前hello报文周期内，输入AK＝(0.40.220.75，0.90.820.03，0.70.520.68)代入训练好的CP网络，输出C′K＝(1001，0011，1110)，对应第9、3、15优先级，第3优先级最高，所以数据包转发路段选择R2。5)当交叉路口车辆稀疏时，数据包要转发到在最高优先级路段上的车辆，若出现找不到转发数据包到相应路段的车辆，则转发到次高优先级路段上的车辆，依此类推，但负责转发的车辆依然保存数据包的副本，寻找合适机会把数据包转发到在更高优先级路段上的车辆，保证数据包以最快速度转发。如果所选路段出现网络分割，根据车辆快速移动的特点，采用存储-携带-转发的策略完成数据包的转发；6)不在交叉路口上的节点采用贪婪地理路由协议转发数据包。7)节点接收到数据包后，判断数据包上目的节点域是否是自己，若是则直接提交到上层，若不是，返回到步骤(1)。本发明与现有技术相比，具有如下优点：1)本发明在交叉路口选择数据包传输路段时，综合考虑了路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比对数据包传输的影响，使得所选路段在保证节点之间连通性的情况下，避免密度过大的路段，且尽量选择到目的节点近的下一交叉路口。2)如果我们直接对相邻路段平均链路连通概率、路段平均节点密度、距离比3个参数设定权值，在交叉路口的节点根据3个参数之和得到的路段分值大小来选择路段，每个参量的权重选择带有很大的盲目性，而把这3个参数作为输入，使用CP神经网络对数据包转发路段优先级进行分类，节点在交叉口时，在一个Hello周期内可以精确选择数据包转发路段。3)CP网络既汲取了无导师示教型网络分类灵活、算法简练的优点，又采纳了有导师示教型网络分类精细、准确的特点，使两种不同类型的网络有机地结合起来。相比BP神经网络，CP神经网络缩短了样本训练时间，有效了提高了分类正确率。当前第1页1 2 3