• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于自适应广义回归神经网络的链路质量评估

舒坚, 高素, 陈宇斌

舒坚, 高素, 陈宇斌. 基于自适应广义回归神经网络的链路质量评估[J]. 计算机研究与发展, 2020, 57(12): 2662-2672. DOI: 10.7544/issn1000-1239.2020.20190592
引用本文: 舒坚, 高素, 陈宇斌. 基于自适应广义回归神经网络的链路质量评估[J]. 计算机研究与发展, 2020, 57(12): 2662-2672. DOI: 10.7544/issn1000-1239.2020.20190592
Shu Jian, Gao Su, Chen Yubin. Link Quality Estimator Based on Adaptive General Regression Neural Network[J]. Journal of Computer Research and Development, 2020, 57(12): 2662-2672. DOI: 10.7544/issn1000-1239.2020.20190592
Citation: Shu Jian, Gao Su, Chen Yubin. Link Quality Estimator Based on Adaptive General Regression Neural Network[J]. Journal of Computer Research and Development, 2020, 57(12): 2662-2672. DOI: 10.7544/issn1000-1239.2020.20190592

基于自适应广义回归神经网络的链路质量评估

基金项目: 国家自然科学基金项目(61962037,61762065);江西省自然科学基金重点项目(20202BABL202039, 20181BAB202015);江西省研究生创新专项资金项目(YC2018-S384)
详细信息
  • 中图分类号: TP393.17

Link Quality Estimator Based on Adaptive General Regression Neural Network

Funds: This work was supported by the National Natural Science Foundation of China (61962037, 61762065), the key program of the Natural Science Foundation of Jiangxi Province (20202BABL202039,20181BAB202015), and the Innovation Foundation for Postgraduate Student of Jiangxi Province (YC2018-S384).
  • 摘要: 为选择合适的链路质量参数,进一步提高链路质量评估的性能和泛化能力、降低时间复杂度,确定链路质量参数的备选集M\-{CS}={μ,r,σ\+2},其中μ={μ\-{lqi}, μ\-{rssi},μ\-{snr}},r={r\-{lqi},r\-{rssi},r\-{snr}},σ\+2={σ\+2\-{lqi},σ\+2\-{rssi},σ\+2\-{snr}};提出包裹式链路质量参数选取算法,采用自适应广义回归神经网络(adaptive general regression neural network, AGRNN)评价各备选子集的重要性,选择链路质量参数;借助广义回归神经网络(general regression neural network, GRNN)在分类以及时间上的优势,提出基于AGRNN的链路质量评估模型,该模型为每个链路质量参数分配不同的光滑因子,采用误差反向传播的思想对其进行自适应修正;采用准确率、召回率、泛化误差和计算时间评价链路质量评估模型.室内、公园和公路场景下的{实验}表明:与基于多项式法、随机森林、支持向量分类器的链路质量评估模型相比,基于AGRNN的链路质量评估模型具有更优的评估性能和更好的泛化能力以及更低的时间复杂度.
    Abstract: How to appropriately select link quality metrics and build a link quality estimation model with better performance, generalization capability, and lower time complexity is one of the key challenges in wireless sensor networks. We select M\-{CS}={μ,r,σ\+2}, where μ={μ\-{lqi}, μ\-{rssi},μ\-{snr}},r={r\-{lqi},r\-{rssi},r\-{snr}},σ\+2={σ\+2\-{lqi},σ\+2\-{rssi},σ\+2\-{snr}}, as link quality metric candidate set. A link quality metric selection algorithm based on wrapper is proposed, which employs adaptive general regression neural network (AGRNN) to evaluate the importance of link quality metric candidate subsets so as to select link quality metrics. Taking advantages of general regression neural network (GRNN) in classification and time complexity, this paper proposes a link quality estimation model based on AGRNN which assigns different smoothing factors to each link quality metric and adaptively modifies them by using back propagation. Indexes, such as accuracy, recall, generalization error and computing time, are used to evaluate the link quality estimation models. In scenarios of the indoor scenario, the park scenario and the motorway scenario, the experimental results show that the proposed link quality estimation model can achieve better performance, generalization capability, and lower time complexity, compared with link quality estimation models based on polynomial, support vector classifier and random forest respectively.
  • 期刊类型引用(19)

    1. 胡翰林,刘革平. 走向多模态:虚拟现实学习活动的价值路向. 基础教育. 2024(01): 96-105 . 百度学术
    2. 刘小静,杨佳馨. 智慧教育环境下的儿童认知数据挖掘及应用策略. 新课程导学. 2024(22): 83-86 . 百度学术
    3. 冯艳丽,周宇,黄福兴,万俊岭,袁培森. 基于SF-Transformer的智能教育平台短期电力负荷预测研究. 华东师范大学学报(自然科学版). 2024(05): 173-182 . 百度学术
    4. 李慧. 融合情感特征的在线学习成绩预测研究. 小型微型计算机系统. 2023(07): 1360-1366 . 百度学术
    5. 郑浩东,马华,谢颖超,唐文胜. 融合遗忘因素与记忆门的图神经网络知识追踪模型. 计算机应用. 2023(09): 2747-2752 . 百度学术
    6. 朱彩霞,徐洁. 智能技术赋能小学语文个性化作业设计的内在逻辑与实践路径. 中小学电教. 2023(10): 23-26 . 百度学术
    7. 罗江华,冯瑞. 智能导学系统(ITS)演化逻辑及进化趋势探析. 未来教育研究. 2023(01): 141-155 . 百度学术
    8. 刘铁园,陈威,常亮,古天龙. 基于深度学习的知识追踪研究进展. 计算机研究与发展. 2022(01): 81-104 . 本站查看
    9. 许嘉,韦婷婷,于戈,黄欣悦,吕品. 题目难度评估方法研究综述. 计算机科学与探索. 2022(04): 734-759 . 百度学术
    10. 过珺. 基于翻转课堂的认知诊断在教学中的实践研究. 常州信息职业技术学院学报. 2022(02): 53-57+65 . 百度学术
    11. 严志. 基于密度聚类算法的学情数据可视化分析研究. 现代计算机. 2022(06): 43-47 . 百度学术
    12. 张倍思,陈烨,齐艺,董庆兴. 多源过程性数据驱动的学习者综合评价模型研究. 情报科学. 2022(05): 104-110 . 百度学术
    13. 夏智伦,应若平,甘文波,胡超. 湖南推进教育数字化转型的创新实践. 中国教育信息化. 2022(06): 8-12 . 百度学术
    14. 曾凡智,许露倩,周燕,周月霞,廖俊玮. 面向智慧教育的知识追踪模型研究综述. 计算机科学与探索. 2022(08): 1742-1763 . 百度学术
    15. 王丹萍,王忠,梁宏涛. 基于深度学习的知识追踪研究综述. 计算机测量与控制. 2022(12): 1-10 . 百度学术
    16. 宋清林,谢飞. 基于认知诊断的教学资源个性化推荐. 合肥师范学院学报. 2021(03): 14-16+70 . 百度学术
    17. 梁琨,任依梦,尚余虎,张翼英,王聪. 深度学习驱动的知识追踪研究进展综述. 计算机工程与应用. 2021(21): 41-58 . 百度学术
    18. 孙建文,周建鹏,刘三女牙,何绯娟,唐云. 基于多层注意力网络的可解释认知追踪方法. 计算机研究与发展. 2021(12): 2630-2644 . 本站查看
    19. 彭霁一. 教育大数据的应用模式与政策建议. 科教导刊(中旬刊). 2020(12): 9-10 . 百度学术

    其他类型引用(21)

计量
  • 文章访问数:  592
  • HTML全文浏览量:  3
  • PDF下载量:  198
  • 被引次数: 40
出版历程
  • 发布日期:  2020-11-30

目录

    /

    返回文章
    返回