基于D—FNN的无线传感器网络链路预测

曾莉欣

摘要：链路质量评估对无线传感器网络的路由策略、资源管理和可靠部署等尤为重要，设计一条好的链路能够提高消息成功传送的概率，降低信息重传造成对的能量消耗，减少路由重构的次数。由于链路质量受多种因素的干扰，以往的方法对突发链路的PRR值预测的精度不准。本文针对该问题提出一种基于动态模糊神经网络的预测模型。D-FNN预测模型采用 PRR 作为度量标准，网络结构在训练中自动调整，达到稳定状态，模糊规则自动产生。实验结果表明，基于动态模糊神经网络的链路质量评估方法与使用EWMA方法相比，预测的精度更高。

关键词：链路质量评估；动态模糊神经网络；PRR值；无线传感器网络

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）33-0120-03

1概述

无线传感器网络[1]是一种全新的计算模式，它集成了传感器、微电、无线通信和分布式信息处理等技术。无线传感器网络现如今广泛应用在生态环境监测、基础设施安全、先进制造、物流管理、医疗健康、工业传感、智能交通控制、智能能源及军事等领域[2-6]。如果数据在低质量的链路上进行传输，会造成因传送失败而导致的数据重传，增加整个无线传感器网络中的能量消耗。评估后选择一条合适的链路，可以提高传输链、的稳定性、增大网络吞吐量、减少能量消耗。在实际应用中恰当地评估出链路质量对整个网络通信的效率与可靠性，对上层协议路由选择[7]具有十分重要的意义。本文在分析现有链路质量评估方法的基础上，针对基于PRR 度量评估方法的不足，提出一种基于D-FNN的评估方法。

国内外对无线传感器网络的链路特性，及链路质量的评估与预测方面展开了大量的研究，大体上把链路质量的评估方法分为三类：基于硬件及基于软件的评估方法、综合性评估方法。这些方法对节点的计算复杂性及预测结果的精确性上各有所长。

本文提出一种基于动态模糊神经网络的WSN链路质量的评估方法，D-FNN虽在无线传感器网络的链路质量评估方面还没得到应用但在其他领域特别是对时间序列的预测中得到了广泛的应用。

由于无线传感器链路的复杂性、不稳定等因素的存在，以往的预测方法预测的精度不高，许多方法很难反映链路的内在规律。D-FNN预测模型的网络结构能够在预测过程中自动调整，达到稳定状态，模糊规则也在输入数据进来之后产生，它不仅使得预测效果有所提升，也减少了工作量。本文利用D-FNN 方法进行PRR值进行预测的步骤是，使用训练数据训练网络，当网络结构达到稳定以后，稳定后的网络结构能够PRR值的内在规律，再用测试数据来验证算法的预测性能。

2 链路质量评估度量值分析：

通过基于硬件的链路质量量度RSSI（接收信号强度指示器）和LQI（链路质量指示器）对无线传感器的链路质量进行评估。硬件评估的优点是通信芯片能够迅速的获取指标值从而对链路的质量进行评估，而且该方式的开销少，它的缺点是单凭依靠硬件进行评估，该测量量度不考虑传输中接收和发送失败的数据包，因此获取的精度不够准确，灵敏度没有基于软件评估得到的高，稳定性较差而且对环境噪声的变化不够敏感。

基于软件的链路质量量度RNP（所需数量的数据包）通过统计一个周期内传送和转发数据包的个数与成功接收数据包之和的比值来衡量链路的质量，但它忽略了节点之间链路的方向问题，无法较为准确地告诉我们某条链路的接收节点接收数据包之前是否转发过这个数据包。基于软件评估量度的另一项指标PRR（包接收率）通过统计一个周期内节点成功接收数据包的个数与总发送次数的比值来衡量链路的质量，是反映链路质量最直观的度量。它的缺点是忽略了转发中的接受包，时效性不是很好，而且因为所需统计的数据包的数量太大，因此它对突发链路反应不够灵敏。

本文使用PRR作为无线传感器网络链路质量的评估量度，因为基于软件的链路质量评估量度在时效性方面虽然稍差于LQI和RSSI，但比它们更能准确的描述链路的状况，并且克服后期校正硬件而导致的不足之处。加之，PRR相比于RNP，复杂度更低，计算相对简单。

通过在一个周期内的产生的数据包选定的能够构成等时间间距的PRR数值，适合建立动态模糊神经网络的预测模型。

3 基于D-FNN的链路质量评估模型

3.1动态模糊神经网络时间序列预测模型

大多数现有的神经网络（如使用最为普遍的BP神经网络）在进行训练时一般都使用反向传播的学习算法。该算法的缺点是学习速度慢，易陷入局部极小点。而动态模糊神经网络的网络结构不需要预先定义，模糊规则是在学习过程中逐步增长的，它的结构紧凑，能够避免过拟合和过训练的现象，具有很好的泛化能力和学习能力。因此使用起来非常的便利。如今，D-FNN多用在静态函数逼近、动态非线性系统识别、时间序列预测及人脸识别等领域。

4 结语

本文通过对WSN链路的软硬件评估值的分析比较，选择了PRR量度来表示链路质量，提出了基于动态模糊神经网络的无线传感器网络链路质量评估机制。从实验可以看出，本文提出的方法预测的精度值高，误差小，学习算法简单有效，速度快，可以根据输入的节点个数自动的产生模糊规则。此外，DFNN模型比EWMA模型在精确度和稳定性上有了改进。但是由于链路的复杂性和不稳定性的因素，得出的PRR值不准确，下一步打算从更多的角度计算PRR值从而进行链路质量的评估。

参考文献：

[1] 任丰原，黄海宁，林闯.无线传感器网络[J].软件学报，2003，14（7）：1282-1291.

[2] 龚本灿，李腊元.无线传感器网络路由协议研究[J].微计算机信息， 2011，27（1）：25-27.

[3] Evans J J， Janek J F， Gum A， et al. Wireless sensor network design for flexible enuiron mental monitoring[J].Journal of Enginerring Tcchnology，2008，25（1）：46-52.

[4] Gong P.Wireless sensor network as a new ground remote sensing technology for environmental monitoring[J].Journal of Remote Sensing，2007，11（4）：545-511.

[5] Hill J， Horton M， Kling R， et al. The Platforms Enabling Wireless Networks[J].Communication of the ACM，2004，47（6）：41-46.

[6] Perrig A， Stankovic J， Wagner D. Security in Wirless Sensor Networks[J]. Communications of the ACM，2004，47（6）：53-57.

[7] Wang Y， Martonosi M， Peh 1.Prediction link quality using supervised learning in wireless sensor networks. ACMSIGMOBILE Mobile Computing and Communications Review，2007，11（3）：71-83.