一种用于自适应跳频无线信道质量预测算法.docVIP

一种用于自适应跳频无线信道质量预测算法 　　【摘 要】分析了2.4G频段无线信道增加节点的存储开销、滞后现象、质量丢包现象等缺点以及产生的原因，最大限度解决这些问题，提出了适合无线传感器网络实现的无线信道质量预测算法。算法综合利用RSSI（接收信号强度指示）和LQI（信道质量指示）构造出两个信道质量指标Sm和delta，分析它们的分布特征，通过符号化近似聚合方法把数据包的这两个数据映射到不同的符号，总结信道质量变差之前的符号作为模式，根据样本与模式之间的距离来确定信道质量变化的概率，达到信道质量预测的目的。 　　【关键词】无线传感器网络；信道质量预测；模式匹配；符号化近似聚合 　　目前，有许多工作研究无线传感器网络中链路评估预测的方法，多是检验数据包的到达与否。首先是收集链路数据包得历史数据，然后基于统计得出包接收率。包接收率能够直观地反映当前链路状况，采用统计的数学手段，通过大量样本的采集来计算包接收率。 　　文献[1]指出，传统的基于丢包率或者误包率的链路评估方法的前提是不考虑到分组丢失的相关性，认为各个分组的接收成功与否是独立事件。实验结果也表明，现实情况中链路丢失分组事件存在相关性，特别是在突发状况中更为明显。 　　如果在自适应跳频机制中，能够提供较为准确的信道质量预测，则可以大大降低跳频的盲目性，减少不必要的通信开销，节约网络资源。要实现较为准确的信道质量预测，需要具有需要选择合适的质量度量指标，恰当的信道质量评估方法，以及时间和能量有效的算法。 　　1.信道质量预测方法 　　常用的链路预测技术包括WMEWMA、卡尔曼滤波[2]、RNP、短期预测STLE等。崔莉等提出了一种基于时间序列分析的EasiTOD检测调节机制，通过对周期性环境干扰的统计，构造链路波动期的链路检测模型。这些方法的共同点都是基于时间序列分析，收集历史数据，离线建立信道模型，然后节点根据信道模型和当前信道质量指标去预测下一阶段的信道质量。 　　很多研究表明，无线链路丢包具有爆发特性[4][5][6][7]。也就是说，当链路上出现丢包的时候，网络是连续的丢包。对信道质量的预测，只需要能够了解爆发期的长度。如此一来，就可以对无线传感器网络节点的跳频提供具有重大意义的信息。 　　SAX方法的基本原理是按照一组变量等概率出现划分区间。把随机变量分布的累计密度平分为面积相等的几个部分，然后落在每个区域中的随机变量取值映射为同一个符号。 　　比较样本与模式的相似度通过计算与模式之间的距离得到，样本与模式之间的距离为各对应符号之间的距离之和。定义两个阈值θ1和θ2，如果Sm样本和模式之间的距离θ1θ1，并且delta样本与模式之间的距离θ1θ2，则认为样本和模式相似。 　　2.算法评测 　　为了评估算法的有效性和性能，我们对算法进行了验证。 　　在整个实验数据集中，我们选择了四组夜间实验数据系列，两组用于训练，两组用于算法验证。 　　首先，对训练数据中长度大于100的错误爆发之前的Sm和delta数据进行符号化。为了简化问题，快速发现问题的特征，取窗口大小为50，连续3个数据为一组，得到样本的符号化字符串长度为两行三列的矩阵，共得到模式104个。然后对所有模式，都计算它与其他模式的距离，再取平均值。对数据进行分析发现，按照模式的出现频率降序排列、按照与其他模式的平均距离升序排列，模式的排列次序基本是类似的。在这两个序列中取交集，得到候选模式为BBBDDD，与其他模式的距离方差最小；Sm距离阈值为101，delta的阈值为8.9。 　　错误主要有两种：一种是漏报，也就是没能识别出信道质量较差要维持一段时间；另外一种是错报，指的是预测结果为信道质量要变差一段时间，但是实际情况却没有发生。 　　可以看出，本算法对于信道质量变化漏报的概率在15.33%，而错报的概率仅仅为5.76%。使用这样设计的算法，没有增加过多的存储，而且，计算简单，适合在资源受限的无线传感器网络节点中实施。 　　3.结语 　　首先分析了无线信道质量状态变化的原因，以及质量状态在各种物理数据上的反映根据错误爆发期的分布特征，使用符号近似聚合方法设计了基于模式匹配的信道质量预测算法。 　　引起信道质量变化的原因非常复杂，设计的预测算法具有较高的准确性，而且具有很好的实时性，计算量小，适合在资源受限的无线传感器网络节点上实现。 　　SAX方法中，把Sm和delta分为5个等级，映射到五个符号，这样的设计粒度有些粗糙；对数据变化敏感程度偏低；另外，统计历史数据中，窗口的大小为3，这使得算法容易受到偶然数据的干扰，而影响准确性。 　　信道质量预测在无线传感器网络运行中，可以使得结点预知信道质量将要变差，所以，可以提前改变通信信道，从而提高了通信效率。