论文部分内容阅读
好的链路质量预测机制对低功率无线链路而言至关重要。实时、准确的链路质量预测能够预先感知链路质量的变化情况，快速选择更好的链路进行数据传输，有效提高网络的传输效率，因此更适用于时变的低功率无线传感器网络。然而，在实际的无线传感器网络应用中，现有链路质量预测机制对链路波动的影响缺乏足够的考虑，同时引入了物理层参数与收包率之间的映射误差，使得其预测准确性较低。本文分析了无线链路质量预测的研究背景及意义，然后对链路质量预测的国内外研究现状进行了相关调研。本文的主要研究内容如下：
(1)利用在多个实验场景中获得的不同链路质量的实测数据，对收包率、接收信号强度指示和链路质量指示这三种常见的链路质量参数的统计特性和收敛性进行了分析。
(2)对传统的链路质量预测模型进行了总结。针对现有链路质量预测机制对链路波动的影响缺乏足够考虑的问题，提出了一种在波动较大的链路下更为有效的链路质量预测机制WNN-LQP。与类似方法WNN-LQE相比，WNN-LQP具有更高的预测准确性，特别是在链路波动较大的情况下，因此更适合低功率无线链路。同时，针对小波神经网络自身的局限性，以及WNN-LQP的预测误差仍较大的问题，提出了具有记忆效应的链路质量预测方法RNN-LQP。该机制利用循环神经网络具有短期记忆的特点，能够更为准确地对链路质量进行预测。相比于WNN-LQP，RNN-LQP具有更高的预测准确性和可靠性。
(3)针对传统的链路质量预测方法存在的问题，提出了一种新的链路质量快速预测模型。该模型能够避免使用映射模型引入的误差，从而实现更为准确的PRR预测。基于该模型，提出了一种基于小波神经网络的链路质量快速预测方法WNN-FLQP。通过分别对小时间窗口和大时间窗口下的预测效果进行分析表明，通过消除物理层参数与PRR之间的映射误差，WNN-FLQP在不降低预测敏捷性的前提下，能更为准确地对链路质量进行预测。
(4)为了进一步验证所提快速预测模型的有效性，同时进一步降低WNN-FLQP在不同链路下的预测误差，提出了一种具有记忆效应的链路质量快速预测方法RNN-FLQP。通过分别对小时间窗口和大时间窗口下的预测效果进行分析,进一步验证了所提快速预测模型的有效性。与现有预测方法相比，该方法的预测效果明显更优。最后，对可预测时间进行了相关分析。结果表明，包含的未来时间窗口越长，预测效果明显越差。
(1)利用在多个实验场景中获得的不同链路质量的实测数据，对收包率、接收信号强度指示和链路质量指示这三种常见的链路质量参数的统计特性和收敛性进行了分析。
(2)对传统的链路质量预测模型进行了总结。针对现有链路质量预测机制对链路波动的影响缺乏足够考虑的问题，提出了一种在波动较大的链路下更为有效的链路质量预测机制WNN-LQP。与类似方法WNN-LQE相比，WNN-LQP具有更高的预测准确性，特别是在链路波动较大的情况下，因此更适合低功率无线链路。同时，针对小波神经网络自身的局限性，以及WNN-LQP的预测误差仍较大的问题，提出了具有记忆效应的链路质量预测方法RNN-LQP。该机制利用循环神经网络具有短期记忆的特点，能够更为准确地对链路质量进行预测。相比于WNN-LQP，RNN-LQP具有更高的预测准确性和可靠性。
(3)针对传统的链路质量预测方法存在的问题，提出了一种新的链路质量快速预测模型。该模型能够避免使用映射模型引入的误差，从而实现更为准确的PRR预测。基于该模型，提出了一种基于小波神经网络的链路质量快速预测方法WNN-FLQP。通过分别对小时间窗口和大时间窗口下的预测效果进行分析表明，通过消除物理层参数与PRR之间的映射误差，WNN-FLQP在不降低预测敏捷性的前提下，能更为准确地对链路质量进行预测。
(4)为了进一步验证所提快速预测模型的有效性，同时进一步降低WNN-FLQP在不同链路下的预测误差，提出了一种具有记忆效应的链路质量快速预测方法RNN-FLQP。通过分别对小时间窗口和大时间窗口下的预测效果进行分析,进一步验证了所提快速预测模型的有效性。与现有预测方法相比，该方法的预测效果明显更优。最后，对可预测时间进行了相关分析。结果表明，包含的未来时间窗口越长，预测效果明显越差。