• 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

基于模糊支持向量回归机的WSNs链路质量预测

舒坚, 汤津, 刘琳岚, 胡刚, 刘松

舒坚, 汤津, 刘琳岚, 胡刚, 刘松. 基于模糊支持向量回归机的WSNs链路质量预测[J]. 计算机研究与发展, 2015, 52(8): 1842-1851. DOI: 10.7544/issn1000-1239.2015.20140670
引用本文: 舒坚, 汤津, 刘琳岚, 胡刚, 刘松. 基于模糊支持向量回归机的WSNs链路质量预测[J]. 计算机研究与发展, 2015, 52(8): 1842-1851. DOI: 10.7544/issn1000-1239.2015.20140670
shu
Shu Jian, Tang Jin, Liu Linlan, Hu Gang, Liu Song. Fuzzy Support Vector Regression-Based Link Quality Prediction Model for Wireless Sensor Networks[J]. Journal of Computer Research and Development, 2015, 52(8): 1842-1851. DOI: 10.7544/issn1000-1239.2015.20140670
Citation: Shu Jian, Tang Jin, Liu Linlan, Hu Gang, Liu Song. Fuzzy Support Vector Regression-Based Link Quality Prediction Model for Wireless Sensor Networks[J]. Journal of Computer Research and Development, 2015, 52(8): 1842-1851. DOI: 10.7544/issn1000-1239.2015.20140670
shu
舒坚, 汤津, 刘琳岚, 胡刚, 刘松. 基于模糊支持向量回归机的WSNs链路质量预测[J]. 计算机研究与发展, 2015, 52(8): 1842-1851. CSTR: 32373.14.issn1000-1239.2015.20140670
引用本文: 舒坚, 汤津, 刘琳岚, 胡刚, 刘松. 基于模糊支持向量回归机的WSNs链路质量预测[J]. 计算机研究与发展, 2015, 52(8): 1842-1851. CSTR: 32373.14.issn1000-1239.2015.20140670
shu
Shu Jian, Tang Jin, Liu Linlan, Hu Gang, Liu Song. Fuzzy Support Vector Regression-Based Link Quality Prediction Model for Wireless Sensor Networks[J]. Journal of Computer Research and Development, 2015, 52(8): 1842-1851. CSTR: 32373.14.issn1000-1239.2015.20140670
Citation: Shu Jian, Tang Jin, Liu Linlan, Hu Gang, Liu Song. Fuzzy Support Vector Regression-Based Link Quality Prediction Model for Wireless Sensor Networks[J]. Journal of Computer Research and Development, 2015, 52(8): 1842-1851. CSTR: 32373.14.issn1000-1239.2015.20140670
shu

基于模糊支持向量回归机的WSNs链路质量预测

  • (南昌航空大学软件学院 南昌 330063)(liulinlan@nchu.edu.cn)

基金项目: 国家自然科学基金项目(61262020,61363015)；航空科学基金项目(2012ZC56006)
详细信息

  • 中图分类号: TP393

Fuzzy Support Vector Regression-Based Link Quality Prediction Model for Wireless Sensor Networks

  • (School of Software, Nanchang Hangkong University, Nanchang 330063)

摘要

    摘要
  • 摘要: 在无线传感器网络中，链路是实现节点互连和多跳通信的基本元素，链路质量是拓扑控制、路由协议和移动管理的基础，准确的链路质量预测不仅可以提高整个网络的数据吞吐率，降低节点能耗，还可延长整个网络的工作时间.在分析现有链路质量预测方法的基础上，提出一种基于模糊支持向量回归机(fuzzy support vector regression, FSVR)的链路质量预测模型，以降低噪声与孤立点对预测性能的影响.通过收集不同场景下的链路质量样本，考虑不稳定链路中数据分布的特点，该模型采用无监督模糊核聚类算法(kernel fuzzy c-means, KFCM)自动划分样本集，并获得样本隶属度；采用混沌粒子群优化算法(chaos particle swam optimization, CPSO)选择子模型参数.实验结果表明，与基于经验风险的BP神经网络相比，基于模糊支持向量回归机的链路质量预测模型具有更好的预测精度和泛化能力.
    Abstract: In wireless sensor networks (WSNs), link is a key element to achieve interconnects and multi-hop communication. Link quality is the fundamental of upper protocols, such as topology control, routing, and mobile management. The effective link quality prediction (LQP) can not only improve networks throughput and decrease node energy consumption, but also prolong network life time. In this paper, we give a concrete analysis about the related works on WSNs link quality prediction. A novel model, fuzzy support vector regression (FSVR), is proposed to predict link quality, which makes the impact of noise and outliers get high accuracy. The link quality samples are collected from three different scenarios. Taking the character of data distribution in unstable links into consideration, a kernel fuzzy c-means (KFCM) algorithm as an unsupervised learning algorithm, is applied to cluster the training set automatically in terms of partition coefficient and exponential separation (PCAES). The membership degree of samples is obtained to get fuzzy set for FSVR. The chaos particle swarm optimization (CPSO) algorithm is employed on each cluster in order to choose the suitable parameter combination for the model. The experimental results show that compared with the empirical risk-based BP neural network prediction methods, the proposed prediction model achieves higher accuracy and better generalization ability.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(54)

  • 期刊类型引用(21)

    1. 李禹纬，付锐，刘帆. 改进YOLOv7的轻量化交通标志检测算法. 太原理工大学学报. 2024(01): 195-203 . 百度学术
    2. 李旭东 ，廖婷婷 ，乐文毅 ，曾小信 ，陈思墨 ，李宗平 . 基于YOLOv3的袋式除尘器滤袋破损自动检测方法. 烧结球团. 2024(01): 99-105 . 百度学术
    3. 江金懋，钟国韵. 基于双向嵌套级联残差的交通标志检测方法. 现代电子技术. 2024(05): 176-181 . 百度学术
    4. 韩长江，刘丽娟. 基于Transformer改进YOLOv5的交通标志检测算法. 信息技术. 2024(11): 21-27 . 百度学术
    5. 张京淇，李超，李晓磊. 基于改进YOLOv8s的交通标志检测算法. 电脑知识与技术. 2024(30): 31-34 . 百度学术
    6. 胡昭华，王莹. 改进YOLOv5的交通标志检测算法. 计算机工程与应用. 2023(01): 82-91 . 百度学术
    7. 金晓康，吴瑶，施莹娟，沈才有. 基于YOLO框架的实时交通标志识别算法研究与系统实现. 软件. 2023(01): 20-23 . 百度学术
    8. 刘翀豪，潘理虎，杨帆，张睿. 改进YOLOv5的轻量化口罩检测算法. 计算机工程与应用. 2023(07): 232-241 . 百度学术
    9. 王能文，张涛. 改进YOLOX-S实时多尺度交通标志检测算法. 计算机工程与应用. 2023(21): 167-175 . 百度学术
    10. 方猛，邹亚洲. 基于车载点云数据的道路交通指示标志检测方法. 北京测绘. 2023(08): 1121-1127 . 百度学术
    11. 王浩，雷印杰，陈浩楠. 改进YOLOV3实时交通标志检测算法. 计算机工程与应用. 2022(08): 243-248 . 百度学术
    12. 刘万军，李嘉欣，曲海成. 基于多尺度卷积神经网络的交通标示识别研究. 计算机应用研究. 2022(05): 1557-1562 . 百度学术
    13. 张上，王恒涛，冉秀康. 基于YOLOv5的轻量化交通标志检测方法. 电子测量技术. 2022(08): 129-135 . 百度学术
    14. 刘宇宸，石刚，崔青，刘明辉，郑秋萍. 改进MobileNetv3-YOLOv3交通标志牌检测算法. 东北师大学报(自然科学版). 2022(02): 53-60 . 百度学术
    15. 高宇鹏，梁世军. 交通禁令标志自动图像识别方法设计与仿真. 计算机仿真. 2022(06): 123-126+145 . 百度学术
    16. 闵锋，侯泽铭. 铁路接触网主要部件检测方法. 计算机工程与设计. 2022(10): 2911-2917 . 百度学术
    17. 马宇，张丽果，杜慧敏，毛智礼. 卷积神经网络的交通标志语义分割. 计算机科学与探索. 2021(06): 1114-1121 . 百度学术
    18. 马永杰，程时升，马芸婷，马义德. 卷积神经网络及其在智能交通系统中的应用综述. 交通运输工程学报. 2021(04): 48-71 . 百度学术
    19. 张力天，孔嘉漪，樊一航，范灵俊，包尔固德. 基于宏微观因素的概率级别的车辆事故预测. 计算机研究与发展. 2021(09): 2052-2061 . 本站查看
    20. 陈燕，杨志刚. 自然场景建筑工程标志信息逐级细化识别算法. 计算机仿真. 2021(08): 450-454 . 百度学术
    21. 任坤，黄泷，范春奇，高学金. 基于多尺度像素特征融合的实时小交通标志检测算法. 信号处理. 2020(09): 1457-1463 . 百度学术

    其他类型引用(33)

    • 资源附件(0)
计量
  • 文章访问数:  1046
  • HTML全文浏览量:  0
  • PDF下载量:  637
  • 被引次数: 54
出版历程
  • 发布日期:  2015-07-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(54)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计