基于动态贝叶斯网络的WSNs链路质量预测

无线传感器网络中,链路质量预测为数据可靠传输和上层网络协议性能的提高提供支撑。为进一步提高链路质量预测的准确性,提出基于动态贝叶斯网络（dynamic Bayesian networks,DBN）的链路质量预测机制。为避免单一评价指标的片面性,从链路信号质量、链路稳定性及非对称性3方面综合评价链路质量;采用K-means聚类算法对参数进行离散化预处理,得到各参数的离散区间;采用熵值法确定各参数的权重,以消除参数权重计算中主观因素的干扰;为避免最大隶属原则的缺陷,采用非对称贴近度分析法构建综合性的链路质量等级指标;借助贝叶斯网络（Bayesian networks,BN）处理不确定性问题的优势和BN分类器在分类上的良好性能,确定DBN的初始网络和转移网络,采用EM算法进行DBN模型的参数学习,从而构建了基于DBN的链路质量预测模型。实验结果表明了采用非对称贴近度分析法划分链路质量等级的合理性与DBN链路质量预测模型的合理性;与4C及FLI预测模型相比,本文模型具有更高的预测准确度。采用链路信号质量、链路稳定性及非对称性3个指标评价链路质量,采用DBN构建预测模型,可得到更准确及鲁棒性更好的链路质量预测结果。     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于门控循环单元神经网络的燃料电池系统故障监测

质子交换膜燃料电池运行机理复杂,对工作环境要求高,在运行中可能出现多种类型故障.为了对燃料电池进行故障监测,保障系统正常运行,提高安全可靠性,采用门控循环单元神经网络建立燃料电池系统的输入输出模型,将燃料电池系统实际输出电压与门控循环单元神经网络的预测电压进行比较产生电压残差,对电压残差进行评价判断燃料电池系统有无故障.结果表明,该方法可以很好地拟合燃料电池的输入输出模型,合理选取电压残差阈值可有效监测燃料电池的运行状态是否正常.不同神经网络的实验表明,门控循环单元神经网络在网络参数规模上比全连接神经网络大大减少,比简单循环神经网络更容易训练.     

基于动态直觉模糊多属性的链路质量参数优选

为选择有代表性的、较全面反映链路质量的参数,提出了基于动态直觉模糊多属性决策的链路质量参数优选方法.从链路质量评估的稳定性和敏捷性出发,以4种不同链路质量等级下的决策矩阵作为优选依据,采用优劣解距离法得到备选参数集的排序,并进行筛选,根据贴近度对筛选后的备选参数集进行加权平均融合,得到优选的基于动态直觉模糊多属性的链路质量参数.实验结果表明,与平滑后的包接收率、模糊链路质量评估器(F-LQE)相比,采用优选的链路质量参数具有较强的稳定性和敏捷性.     

无线传感器网络中邻居发现及链路通信质量预测技术

采用主动探测和被动监听技术发现无线传感器网络中节点的入邻居和出邻居,并采用WMEWMA(Window Mean Exponentially Weighted Moving Average Estimator)预测邻居间链路最近通信质量．为减轻非对称链路对算法的影响,提出了链路数据转发服务,来发现由于单向链路而不能被发现的出邻居．通过理论分析和在无线传感器网络模拟器TOSSIM上的模拟表明,这种算法可有效进行邻居发现和邻居间链路通信质量的预测,使多于40%的节点发现更多的出邻居节点,多发现的出邻居节点在14%到100%之间．     

基于超限快速决策树的链路质量评估

为了准确、快速评估无线传感器网络的链路质量,提出了基于改进超限快速决策树的链路质量评估方法.通过分析不同时间段内物理层参数与包接收率之间的关系,选取接收信号强度指示均值、链路质量指示均值以及信噪比均值作为链路质量参数;采用依据包接收率划分的链路质量等级作为评价指标;基于超限快速决策树评估链路质量,采用基尼指数作为决策节点的启发式度量,并依据决策节点的高度改进决策节点寻找最优属性样本数的计算方法.室内、走廊、停车场3种场景下的实验表明,与模糊逻辑、快速决策树、超限快速决策树等方法相比,提出的方法具有较好的评估准确率和更低的时间复杂度.     

基于门控循环单元与主动学习的协同过滤推荐算法

针对传统协同过滤推荐算法存在无法反映用户短时兴趣的问题,提出一种基于门控循环单元(gated recurrent unit, GRU)神经网络与主动学习的协同过滤推荐算法。在采用GRU神经网络的基础上,将数据进行时序化处理,反映用户兴趣变化,并利用主动学习动态采样数据中的高质量的数据进行GRU神经网络的训练,使模型快速建立。在MovieLens1M数据集上的试验结果表明:加入主动学习的GRU模型的推荐算法比基于用户的协同过滤推荐算法(user-based collaborative filtering, UCF)、基于马尔科夫模型的协同过滤推荐算法(markov chain, MC)、基于隐语义模型的协同过滤推荐算法(latent factor model, LFM)算法有更高的短时预测率、召回率、项目覆盖率以及用户覆盖数,能够有效预测用户短时兴趣,提升精度,发掘长尾物品,且与原始GRU模型相比能够以更少的迭代次数达到相同效果。     

基于改进最小二乘支持向量回归机的链路质量预测

为了准确地预测链路质量,提出基于改进最小二乘支持向量回归机的无线传感器网络链路质量预测模型.采用粗糙集理论约简链路质量参数,以提取出有效反映链路质量的特征参数;利用遗传算法优化最小二乘支持向量回归机的惩罚因子和核函数宽度.实验结果表明,与Experts Advice预测模型相比,提出的预测模型具有更高的精度.     

基于超限学习机的WSNs链路质量评估方法

提出基于超限学习机的链路质量评估方法.选择非对称性指标、信噪比变异系数、均值信噪比为链路质量参数,以包接收率为链路质量评价指标,划分链路质量等级;采用粒子群算法优化超限学习机的输入层权重和偏置参数,构建链路质量评估模型.不同场景下的实验结果表明,与支持向量分类机评估方法相比,所提方法具有更高的评估准确率.     

基于卷积门控循环网络的齿轮箱故障诊断

为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型。CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别。两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86%和99.85%,与其它现有模型的结果对比体现了本文模型的有效性和优越性。     

基于网络表示学习的机会网络链路预测

针对机会网络的多维链路属性和网络结构动态变化的特点,提出基于网络表示学习的链路预测方法。设置切片时长,将机会网络转化为网络快照序列,利用多维链路属性表示每个快照内的链路状态。采用网络表示学习方法聚合邻居节点的多维链路属性,并映射为低维的属性嵌入矩阵;采用基于注意力机制改进的循环神经网络学习网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征;在输出层建立时序特征与链路状态之间的映射关系,实现下一时刻整网的链路预测。在Infocom-05和Hyccups等数据集上的实验结果表明,与现有同类方法相比,所提方法具有更高的预测精度。     

基于学习自动机与萤火虫算法的链路预测

为了探索便携交换网络的演化规律,研究其网络行为预测中的链路预测问题.便携交换网络具有节点移动性、节点间间歇性连接、高延迟等特点,其链路预测面临的挑战是节点相遇的机会性和拓扑的时变性,获得其高质量链路预测的关键是如何较全面地获取节点的属性.作者提出基于学习自动机和萤火虫算法的链路预测方法(link prediction ...     

基于拟合HOSBM的邮件网络稳定链接的预测方法

为提高邮件通联网络中稳定链接预测的准确度,针对邮件通联网络中议题小组结构所具有的可重叠性和层次性特点,提出一种邮件通联网络边演化模型框架HOSBM,并给出HOSBM的似然估计函数;结合使用马尔科夫链蒙特卡洛算法,通过计算生成链接的可信度对邮件通联网络中的稳定链接进行预测.Enron邮件数据集上的实验结果表明,相比基于邻近度CN的链接预测法,基于拟合HOSBM的预测方法具有较高的预测精度和预测准确性.     

信息融合相似性算法下的虚拟社区链接预测

针对传统的基于节点相似性的链接预测方法存在链接预测指标仅考虑网络结构信息或者节点属性信息,以及链接预测指标静态处理节点之间关系的问题,提出了一种基于信息融合相似性算法的链接预测指标（similarity based on network evolution and user generated content , SNEUGC）,该指标结合用户生成内容信息和网络演化信息对含权网络进行链接预测,以解决现有链接预测指标在含权网络环境下链接预测准确率低的问题。实验证明,该方法的准确率达到了80％,具有一定的可行性。     

S3LQA: A Link Quality Assessment Metric for WSNs Based on Symbol Error and Received Signal Strength

With the rapid evolution of WSNs technology, it is very important to evaluate link quality quickly and accurately, so that the routing protocols can take relevant strategies in time to keep the entire network working steadily and efficiently. However, the issue of improving link quality assessment methods on physical layer is still open to research. To tackle this issue, a novel link quality assessment metric called S³LQA is proposed, which estimates the link quality of wireless sensor networks by CC2420 wireless radio frequency transceiver principles and free space propagation theory. The metric adopts both complete and incomplete packages to improve the evaluation performance effectively based on IEEE802.15.4 frame format and DSSS-O-QPSK mechanism. The experimental results show that the proposed method can improve energy cost and achieves better real-timing performance than traditional counting-based (PRR) link quality assessment metric.