基于自適應廣義回歸神經網(wǎng)絡的鏈路質量評估

舒 堅 高 素 陳宇斌

(南昌航空大學軟件學院 南昌 330063)

無線傳感器網(wǎng)絡(wireless sensor networks， WSNs)是物聯(lián)網(wǎng)的重要組成部分，用于獲取有關環(huán)境的條件和個人信息，充當物理世界和數(shù)字世界間的重要橋梁.WSNs由大量傳感器節(jié)點組成，其中傳感器節(jié)點可控制或監(jiān)測物理信息及環(huán)境條件，例如聲音、振動、壓力、溫度和污染物的運動，并通過網(wǎng)絡協(xié)同技術傳遞到基站.WSNs廣泛應用于與環(huán)境監(jiān)測、醫(yī)療保健、軍事、國家安全等相關領域中[1].

傳感器節(jié)點大多采用無線射頻進行通信，故WSNs的通信質量易受環(huán)境的影響，例如正在使用某一范圍的頻譜、特定調制方案，以及通信設備本身和隨機信號的干擾.隨著時間的推移，通信質量會發(fā)生變化，節(jié)點之間的鏈路是不可靠的[2].針對鏈路質量評估問題中存在的2個挑戰(zhàn)：1)如何選擇合適的鏈路質量參數(shù).2)如何構建具有較優(yōu)評估性能、較好泛化能力和較低時間復雜度的鏈路質量評估模型.本文提出基于自適應廣義回歸神經網(wǎng)絡的鏈路質量模型.

本文的主要貢獻包括2個方面：

1) 提出基于包裹式的鏈路質量參數(shù)選取算法，采用自適應廣義回歸神經網(wǎng)絡(adaptive general regression neural network， AGRNN)評價各備選子集的重要性，選取鏈路質量參數(shù).

2) 提出基于AGRNN的鏈路質量評估模型，該評估模型可為每個鏈路質量參數(shù)分配不同的光滑因子并進行自適應調整，且具有更低的時間復雜度,能更有效地評估鏈路質量.

1 相關研究

目前，國內外學者對WSNs鏈路質量評估方法進行了探索，主要包括:基于硬度量、軟度量的鏈路質量評估方法;基于混合多層的綜合性鏈路質量評估方法;基于映射關系的鏈路質量評估方法以及基于數(shù)據(jù)驅動的鏈路質量評估方法[3].

1) 基于硬度量、軟度量的鏈路質量評估方法

基于硬度量鏈路的質量評估方法主要采用接收信號強度指示(received signal strength indicator， RSSI)、鏈路質量指示(link quality indicator， LQI)、信噪比(signal to noise ratio， SNR)等物理層參數(shù)對鏈路質量進行評估[2].文獻[4]提出一種快速判斷鏈路質量的評估方法，當lqi≤165時認為鏈路質量較差，當lqi=255時認為鏈路質量較好，實驗表明:與基于RSSI的鏈路質量評估模型相比,基于LQI的鏈路質量評估模型能給出更加準確的評估結果，且穩(wěn)定性相對較好.

基于軟度量鏈路的質量評估方法主要采用包接收率(packet reception ratio， PRR)、需要傳輸次數(shù)(required number of packet retransmissions， RNP)、期望傳輸次數(shù)(expected transmission count， ETX)等統(tǒng)計量對鏈路質量進行評估.文獻[5]提出一種基于增強卡爾曼濾波器的鏈路質量評估方法，根據(jù)每個分組的接收I/Q流的觀察來估計鏈路質量，通過卡爾曼濾波過濾掉測量噪聲，在工業(yè)現(xiàn)場的環(huán)境驗證了基于增強卡爾曼濾波器的鏈路質量評估方法的有效性.

基于硬度量的鏈路質量評估方法可直接從硬件中讀取，消耗能耗較少，容易受噪聲、多徑衰落和干擾等影響，對鏈路質量進行評估具有一定的敏捷性；基于軟度量的評估方法能夠較準確地對鏈路質量進行評估，反映鏈路的穩(wěn)定性，但需發(fā)送大量的探測包，統(tǒng)計結果得到，該方法會消耗較多的能耗.故可知單獨的硬度量或者軟度量均難以較全面的評估鏈路質量.

2) 基于混合多層的綜合性鏈路質量評估方法

基于混合多層的綜合性鏈路質量評估方法通過混合鏈路的物理層、鏈路層等多層信息對鏈路質量進行評估.文獻[6]提出了一種鏈路質量評估模型——F-LQE(fuzzy link quality estimator)，該模型基于分組傳送、非對稱性、穩(wěn)定性和信道質量4種鏈路質量屬性對鏈路質量進行評估，采用模糊邏輯對各鏈路屬性進行融合.實驗結果表明：基于F-LQE的鏈路質量評估模型具有較好的穩(wěn)定性及可靠性；文獻[7]提出一種混合的鏈路質量評估度量(link verification metric, LVM)，將3個鏈路質量參數(shù)進行融合：

(1)

其中，Mapped表示標準化函數(shù)，實驗結果表明LVM可借助硬件參數(shù)SNR的敏捷性優(yōu)勢較為準確地對具有相似prr值的穩(wěn)定鏈路進行區(qū)分，對于具有相似snr和rssi值的不穩(wěn)定鏈路，LVM主要依賴于PRR表征鏈路質量，LVM是一種低成本的鏈路質量評估度量，未來可在路由決策上扮演重要角色，但是LVM的有效性僅在軟件環(huán)境下被驗證.

基于混合多層的綜合性鏈路質量評估方法混合了多層的鏈路信息，能較準確地評估鏈路質量，但是需要同時收集多層信息，鏈路質量評估的及時性得不到很好保證.

3) 基于映射關系的鏈路質量評估方法

硬度量對環(huán)境變化敏感且耗能低，而軟度量具有一定的穩(wěn)定性，在此基礎上尋找物理層參數(shù)與PRR等鏈路性能參數(shù)之間的直接映射關系得到了廣泛的研究：文獻[8]提出了一種三角鏈路質量度量法和基于最小路徑間干擾的地理多徑路由協(xié)議，三角鏈路質量度量法是一種混合的鏈路質量度量方法，它將snr，lqi，prr幾何地合并為一個穩(wěn)健的估計器，其中snr和lqi的平均值作為直角邊，斜邊的值為度量值，三角鏈路質量度量法提供了必要的鏈路質量特性，可供路由選擇可靠的轉發(fā)節(jié)點，實驗表明：應用三角鏈路質量度量的協(xié)議可以在合理的能源成本下改善網(wǎng)絡壽命，確保高數(shù)據(jù)包傳輸率.

基于映射關系的鏈路質量評估方法綜合考慮了鏈路質量評估的穩(wěn)定性、敏捷性以及能耗等特性，但是融合方法過于簡單，評估動態(tài)不穩(wěn)定鏈路的質量時準確性較差.

4) 基于數(shù)據(jù)驅動的鏈路質量評估

基于數(shù)據(jù)驅動的鏈路質量評估方法是以數(shù)據(jù)為基礎，經過訓練以及逼近真實值等過程形成自動化的鏈路質量評估模型，包括文獻[9]提出基于多項式法(polynomial， Poly)的鏈路質量評估模型，僅以rssi的均值作為輸入，僅當多項式的最高次冪為6時評估性能最佳，在工廠以及室外環(huán)境下驗證了該評估模型的有效性；文獻[10]采用機器學習方法結合WSNs環(huán)境屬性，例如探測到的節(jié)點個數(shù)、成功接收數(shù)據(jù)包個數(shù)、數(shù)據(jù)包間間隔等，對鏈路質量進行評估，實驗結果表明：與回歸樹、線性回歸相比，基于人工神經網(wǎng)絡(artificial neural network， ANN)的評估結果更加接近真實值；文獻[11]采用小波神經網(wǎng)絡得到下一時刻的SNR及其方差，利用SNR與PRR之間的映射關系，計算出PRR的置信區(qū)間，在智能電網(wǎng)環(huán)境下驗證了該方法的有效性；文獻[12]提出了一種基于支持向量分類器(support vector classifier， SVC)的鏈路質量評估算法，選取RSSI和LQI作為鏈路度量，通過實驗法確定徑向基函數(shù)(radialbasis function, RBF)，構建基于SVC的鏈路質量評估模型，實驗表明基于SVC的鏈路質量評估模型的準確率為93.38%，優(yōu)于LQI-PRR和FLI 這2種算法；文獻[13]選取一些最具代表性的機器學習算法分別為：邏輯回歸、隨機森林(random forest， RF)、支持向量分類器、多層感知機、決策樹和多數(shù)算法，對鏈路質量進行評估，實驗結果表明基于RF的鏈路質量評估模型的準確率為95.3%并優(yōu)于其他鏈路質量評估模型.

基于數(shù)據(jù)驅動的鏈路質量評估方法，利用智能的學習算法對鏈路質量參數(shù)與鏈路質量之間的映射關系進行學習，保證了評估的準確性，但是評估模型的時間復雜度會隨著樣本的增加而急劇增加.

廣義回歸神經網(wǎng)絡(general regression neural network，GRNN)是由Specht[14]在1991年提出的.GRNN建立在非參數(shù)回歸的基礎上，以樣本數(shù)據(jù)為后驗條件，執(zhí)行Parzen非參數(shù)估計，依據(jù)最大概率原計算網(wǎng)絡輸出.由于GRNN具有訓練速度快、非線性映射能力強、容錯性高、魯棒性強等特點，已被廣泛應用包括噪聲數(shù)據(jù)處理、函數(shù)逼近、主動振動控制以及故障診斷等回歸以及分類問題[15-16].由于WSNs易受外部環(huán)境的噪聲、電磁波以及多徑效應的影響，GRNN中單一的光滑因子難以適應這種復雜的環(huán)境，而AGRNN可為每個輸入?yún)?shù)分配不同的光滑因子并進行自適應調整，在環(huán)境嘈雜的實驗中進行測試，結果表明AGRNN具有良好的建模性能[17].

基于映射關系的鏈路質量評估方法綜合考慮鏈路質量評估的特性，本文借鑒該方法選取物理層參數(shù)為鏈路質量參數(shù)，根據(jù)PRR劃分鏈路質量等級作為標簽，構建鏈路質量參數(shù)與鏈路質量等級的關系模型；在基于數(shù)據(jù)驅動的鏈路質量評估方法中，人工神經網(wǎng)絡、支持向量分類器、隨機森林、小波神經網(wǎng)絡運用于鏈路質量評估和預測領域取得了較好的效果，AGRNN是一種具有快速學習和良好建模能力的人工神經網(wǎng)絡，故本文采用時間復雜度較低的AGRNN構建鏈路質量評估模型.

2 鏈路質量等級的劃分

鏈路質量等級的劃分主要分為硬劃分和軟劃分.軟劃分一般采用聚類算法對樣本進行聚類，根據(jù)聚簇中prr的范圍確定劃分鏈路質量等級的閾值，樣本的變化可能會導致閾值發(fā)生變化；硬劃分一般借助如平穩(wěn)概率、運行或損失長度等物理參數(shù)來區(qū)分鏈路質量的主要類別，各類別的鏈路質量分別對應一個prr的范圍，即劃分的閾值，閾值不受樣本變化的影響.文獻[18]應用Gilbert-Elliot模型對PRR進行分析，借助物理參數(shù)將prr≥0.8的鏈路劃分為“好”鏈路，將prr<0.2的鏈路劃分為“差”鏈路，余下為“中等”鏈路，在此基礎上文獻[19]采用硬劃分方法劃分鏈路質量等級，評估模型具有較好的準確性.硬劃分方法簡單，且閾值設定合理，故本文借鑒文獻[18]劃分鏈路質量等級，如圖1所示：

Fig. 1 Link quality levels divided by hard division method圖1 基于硬劃分的方法劃分鏈路質量等級

本文主要研究“好”“中等”以及“差”鏈路,若prr值在[0,0.2)內，則視為“差”鏈路；若prr值在[0.2,0.8)內，則視為“中等”鏈路；若prr值在[0.8,1]內，則視為“好”鏈路.

3 鏈路質量參數(shù)的確定

3.1 構建鏈路質量參數(shù)的備選集

本文擬選取物理層參數(shù)為鏈路質量參數(shù).基于硬件的鏈路質量參數(shù)，主要有RSSI、LQI、SNR、噪音等級 (noise level， NL)、信道狀態(tài)信息 (channel state information， CSI)、信號質量 (signal quality， SQ)以及碼片相關度 (chip correlation indicator， CCI)等，其中SQ僅適用于直接序列展頻技術的物理層調制方案[20]；CSI適用于正交頻分復用以及多入多出等技術的物理層調制方案[21]；而RSSI適用于所有可用的IEEE 802.11調制方案中.其他指標，例如LQI，該參數(shù)通常與RSSI一起評估或預測鏈路質量[20]；通常NL不單獨作為鏈路質量參數(shù)，而是與RSSI計算得到SNR；LQI被定義為符號相關度[22]即CCI，文獻[23]指出LQI，RSSI，SNR均與PRR存在著相關性.考慮到指標的通用性以及其與分類目標的相關性，本文選取LQI，RSSI，SNR構建鏈路質量參數(shù)的備選集.

從“好”“中等”以及“差”不同鏈路中隨機選取1個周期并觀察rssi，snr，lqi的變化，如圖2所示.其中，1個探測周期內發(fā)送30個數(shù)據(jù)包，對于丟失的數(shù)據(jù)包，本文采用最小值填充：采用0對snr的缺失值進行填充，采用-100對rssi的缺失值進行填充，采用50對lqi的缺失值進行填充.

Fig. 2 The value of hardware parameters in different links圖2 周期內不同鏈路的硬件參數(shù)值

由圖2(a)可知，“好”鏈路一般位于連通區(qū)，鏈路質量較好，具有較高的lqi，rssi，snr值，同時lqi和rssi處于穩(wěn)定狀態(tài)，相比之下snr具有一定程度的波動；而“中等”鏈路一般位于過渡區(qū)，鏈路質量一般，如圖2(b)所示，lqi，rssi，snr值均有大幅度的波動，相比于連通區(qū)的鏈路，具有較低的lqi，rssi，snr值；“差”鏈路一般位于非連通區(qū)的鏈路，鏈路質量差，如圖2(c)所示，lqi，rssi，snr處于穩(wěn)定狀態(tài)但是數(shù)值幾乎為最小值.由上分析可得出結論：

若lqi，rssi，snr值越高，波動程度越低，則鏈路質量越好.

3.2 鏈路質量參數(shù)的選取

鏈路質量參數(shù)的選取旨在不錯過任何一個有用的鏈路質量參數(shù)的同時又保證鏈路質量參數(shù)之間不存在冗余現(xiàn)象，減少鏈路質量評估模型不必要的時間與空間的復雜度.包裹式方法將特征選擇過程與訓練過程整合在一起，以模型的預測或分類能力作為衡量特征子集的選擇標準，從模型性能的角度出發(fā)，包裹式方法具有更優(yōu)的性能，但是需花費一定的時間開銷[24]，而AGRNN具有快速學習的能力.因此，本文采用包裹式方法，結合AGRNN評價各備選子集的重要性，選取鏈路質量參數(shù)，具體的實現(xiàn)過程如算法1所示:

算法1.基于包裹式的鏈路質量參數(shù)選取算法.

輸入：實驗訓練集樣本D，鏈路質量參數(shù)的備選集MCS={μ,r,σ2}，學習算法ζ為AGRNN，停止條件控制參數(shù)Τ；

輸出：鏈路質量參數(shù)的選取結果M.

① 初始化最小損失誤差Emin=，T=|MCS|，M=?，t=1；

② for allmu,υ∈MCS,u≠υdo

③ 計算mu與mυ的相關系數(shù)Corruυ；

④ ifCorruυ>0.8

⑤ deletedmu,updateMCS；

⑥ end if

⑦ end for

⑧ whilet≤Tdo

⑨A=MCS-M；

⑩ for allmp∈Ado

AGRNN分類性能指標E為Loss損失誤差.序列前向選擇策略只能加入特征而不能剔除特征，即便后面加入的特征與已選入的特征存在冗余，基于此本文在進行鏈路質量參數(shù)選取之前利用皮爾遜相關系數(shù)去除冗余參數(shù)，如步驟②～⑦，其中判斷參數(shù)之間是否冗余的閾值設定為經驗值0.8，而后采用序列前向選擇策略選取鏈路質量參數(shù)，如步驟⑧～.

4 鏈路質量評估

本文采用自適應廣義回歸神經網(wǎng)絡構建鏈路質量評估模型，AGRNN為每個鏈路質量參數(shù)分配不同的光滑因子，借鑒誤差反向傳播的思想對光滑因子進行修正，能夠快速自適應WSNs中動態(tài)鏈路環(huán)境，提高鏈路質量評估準確性的同時具有較快的學習速度.

4.1 模型結構的確定

Fig. 3 The structure of LQE model based on AGRNN圖3 基于AGRNN鏈路質量評估模型結構

(2)

鏈路質量評估值的輸出為

(3)

本文采用的Loss損失函數(shù)為

(4)

本文則借鑒誤差反向傳播的思想對光滑因子進行修正為

(5)

其中，η為學習速率因子，一般為很小的正數(shù).

4.2 模型的構建

基于AGRNN的鏈路質量評估模型的訓練實質就是尋找最優(yōu)光滑因子o=(o1,…,oj,…,od)的過程，模型的訓練與評估如算法2所示:

算法2.基于AGRNN的鏈路質量評估模型.

輸入：訓練集樣本D，測試集樣本V，o0為默認光滑因子的值(本文設為經驗值0.04)，KFold為交叉函數(shù)，d為鏈路質量參數(shù)的個數(shù)，學習算法ζ為AGRNN；

① 將訓練集與測試集樣本的輸入歸一化；

② 將訓練集樣本的輸出轉換為one-hot編碼形式；

③ for allDt′?KFold(n_splits=5).split(D) do

④ 將Dt′中的鏈路質量參數(shù)作為輸入，余下D-Dt′分別為模式層神經元對應的樣本，此時r′為Dt′的樣本數(shù)，n為D-Dt′樣本數(shù)；

⑤ forq=1,2,…,r′ do

⑥ fori=1,2,…,ndo

⑦ forj=1,2,…,ddo

⑧ ifq==1 then

⑩ else

AGRNN為第j個鏈路質量參數(shù)分配光滑因子oj，并進行自適應修正，為了使得光滑因子不陷入局部最優(yōu)，本文采用5折交叉驗證，對5次訓練得到的光滑因子求均值，最優(yōu)光滑因子o如步驟③～.若沒有給定光滑因子一個界限，oj可能出現(xiàn)負值或者過大等情況，這樣會對評估結果造成較大的影響，故使oj∈[omin,omax]來保證評估的準確性如步驟.模型訓練結束后得到最優(yōu)光滑因子o，通過步驟可得到測試集V=的鏈路質量評估結果.

4.3 模型的評價

本文基于AGRNN構建M與鏈路質量等級的關系模型，從而對鏈路質量進行評估，并采用常見指標：準確率Accuracy、召回率Recall對評估模型的分類性能進行評價；采用泛化誤差(generalization error,GR)對評估模型的泛化能力進行評價；采用計算時間對評估模型的時間復雜度進行評價.

準確率Accuracy為測試集樣本中被正確識別的樣本數(shù)與測試集樣本總數(shù)之比：

(6)

召回率Recall指的是對于某一鏈路質量等級測試樣本，分類正確的正樣本與真實正樣本數(shù)之比，其中真實正樣本數(shù)為：TP以及真實標簽為該等級但未被正確識別為該等級的樣本數(shù)FN之和，通常用來衡量分類器的查全率：

(7)

若計算“好”鏈路的召回率，TP與FN之和表示測試集樣本中真實的鏈路質量等級為“好”的樣本數(shù)，TP表示測試集樣本中被評估為“好”鏈路且被正確識別的樣本數(shù).

學習方法的泛化能力是指模型適應新樣本的能力，通常采用GR進行評價，GR表示測試誤差與訓練誤差的差異程度[25].

文獻[26]采用模型的學習時間作為評價指標，在此基礎上本文增加評估所花費的時間對模型的時間復雜度進行評價，即計算時間(computing time， CT)，該指標由評估模型訓練和評估所花費的總時間進行表征.

5 實驗結果與分析

本文實驗在TelosB節(jié)點上進行，采用實驗室自主研發(fā)的鏈路質量測試平臺對節(jié)點間的鏈路質量信息進行收集、展示以及離線分析，采用Python進行實驗床實驗，選取基于多項式法、隨機森林、支持向量分類器的鏈路質量評估模型與本文提出的鏈路質量評估模型進行對比，并對不同場景下各模型的評價結果進行分析.

5.1 實驗場景

本文分別在室內、公園和公路實驗場景下部署8～9個節(jié)點組成網(wǎng)絡進行實驗，如圖4所示，位于中間的節(jié)點為Sink節(jié)點，Node表示感知節(jié)點，實驗參數(shù)設置如表1所示.

Fig. 4 The experiment scenarios圖4 實驗場景圖

室內實驗場景如圖4(a)所示，Sink節(jié)點被放置在中間，在Sink節(jié)點前、后2個方向分別部署4個和5個等距的感知節(jié)點，該場景設置在研究生實驗室外的廊道.公園實驗場景如圖4(b)所示，Sink節(jié)點被放置在中間，在Sink節(jié)點上、下、左、右4個方向分別部署2個感知節(jié)點，該場景設置在校園的小樹林.公路實驗場景如圖4(c)所示，節(jié)點擺放與公園場景類似，該場景設置在流量較大的路段.具體實驗參數(shù)設置如表1所示：

Table 1 The Setting of Experimental Parameters表1 實驗參數(shù)設置

5.2 模型的驗證與對比

為驗證基于AGRNN的鏈路質量評估模型具有較優(yōu)的評估性能、較好的泛化能力以及較低的時間復雜度，本文分別在室內、公園以及公路3個場景中收集實驗樣本，選取M={m1,…,mj,…,md}作為評估模型的輸入，真實的鏈路質量等級為標簽，選取準確率、召回率、泛化誤差、計算時間為評價指標.采用交叉驗證的方法優(yōu)化SVC參數(shù)從而構建基于SVC的鏈路質量評估模型[12]；采用網(wǎng)格搜索法確定變化維度從而構建基于多項式回歸的鏈路質量評估模型[9]；采用Bagging集成的思想構建基于隨機森林的鏈路質量評估模型[13]，將上述評估模型與本文提出的基于AGRNN的鏈路質量評估模型進行對比.

1) 準確率對比分析

基于AGRNN的評估值為所有訓練集樣本的加權平均，權重因子為訓練集樣本與測試集樣本對應輸入的歐氏距離平方指數(shù)，網(wǎng)絡收斂于樣本量積聚最多的優(yōu)化回歸面，AGRNN在分類能力上具有較強優(yōu)勢，如圖5所示：

Fig. 5 The accuracy of different LQEs in different scenarios圖5 不同場景下鏈路質量評估模型的準確率

圖5為不同場景下鏈路質量評估模型的準確率，可知公路實驗場景下的評估準確率遠低于室內實驗場景的準確率，可能是由于收集公路實驗場景的鏈路信息時處于流量高峰期，存在移動障礙物影響和干擾，鏈路具有動態(tài)、不穩(wěn)定的特點使得評估模型在訓練過程中難以得到最優(yōu)解，但是基于AGRNN的鏈路質量評估模型獲得了最高的準確率，為82.1%，主要是因為AGRNN可自適應地為每個鏈路質量參數(shù)分配不同的光滑因子，使該評估模型能較為準確地評估鏈路質量.在公園實驗場景下，基于AGRNN的鏈路質量評估模型的準確率(87.8%)遠高于基于Poly和基于SVC的鏈路質量評估模型(85.8%，84.5%)，略高于基于RF的鏈路質量評估模型的準確率(86.9%)，主要是因為在公園實驗場景下，電腦處于無源狀態(tài)，如圖4(b)所示，Sink節(jié)點插在電腦上，故收集的實驗數(shù)據(jù)量(852條)遠少于室內場景(2 018條)，僅通過少量的訓練集樣本，單一的分類器難以準確地評估該實驗場景下的鏈路質量，基于RF的鏈路質量評估模型是以隨機樹為基分類器的一種集成學習模型，評估該實驗場景下的鏈路質量更具優(yōu)勢，而AGRNN在樣本數(shù)據(jù)較少時仍具有較好的分類或預測能力[14]，故此在該實驗場景下能相對較準確地評估鏈路質量.在室內場景下，基于AGRNN以及基于SVC的鏈路質量評估模型均具有較高的準確率分別為93.6%和93.2%.

在不同的實驗場景中，基于AGRNN的鏈路質量評估模型其準確率優(yōu)于基于RF、基于Poly、基于SVC的3個鏈路質量評估模型，且在樣本數(shù)據(jù)較少的情況下仍能較準確地評估鏈路質量.

2) 召回率對比分析

本文采用召回率來評價各鏈路質量評估模型正確識別“好”“中等”以及“差”鏈路的能力，評價結果如圖6所示.

Fig. 6 The recall of different LQEs in different scenarios圖6 不同實驗場景下鏈路質量評估模型的召回率

圖6中Level 1，Level 2，Level 3分別表示鏈路質量等級1，2，3，對應“好”“中等”以及“差”鏈路.由圖6(a)可知，在室內實驗場景中，基于AGRNN及基于RF的2個鏈路質量評估模型在等級1和3下的召回率相似且具有較高值分別為96%和70%，但在等級2下基于AGRNN的鏈路質量評估模型的召回率比基于RF的鏈路質量評估模型高了7.7個百分點，可知在該實驗場景下基于AGRNN的鏈路質量評估模型具有更高的召回率.如圖6(b)所示，在公園實驗場景下基于Poly的鏈路質量評估模型在等級1和3下的召回率為0，可能是因為收集該場景下的實驗樣本時鏈路質量主要集中在等級2上，基于AGRNN以及基于RF的2個鏈路質量評估模型在鏈路質量等級3下的召回率均為23%，且AGRNN的鏈路質量評估模型在鏈路質量等級1下的召回率較RF高了7.9個百分點，可知基于AGRNN的鏈路質量評估模型正確識別少數(shù)類樣本的能力較強.在公路實驗場景下，如圖6(c)所示，基于AGRNN的鏈路質量評估模型在不同鏈路質量等級下的召回率均最優(yōu)分別為95%，90%，60%.

綜上可知基于AGRNN的鏈路質量評估模型能夠更好地識別少數(shù)類樣本同時在不同鏈路質量等級下具有更高的查全率.

通過對各評估模型的準確率和召回率的分析可知：在不同實驗場景下，基于AGRNN的鏈路質量評估模型具有較高的準確率和召回率，即具有更優(yōu)的評估性能.

3) 泛化誤差對比分析

本文采用GR來評價各評估模型的泛化能力，若GR越小說明模型評估未知數(shù)據(jù)的能力越強.本文分別計算各評估模型在不同實驗場景下的GR值，如表2所示：

Table 2 GR of Different LQEs in Different Scenarios表2 不同實驗場景下各鏈路質量評估模型的GR值

由表2可知，基于Poly的鏈路質量評估模型在室內、公路實驗場景下的泛化能力優(yōu)于其他評估模型，但是在公園實驗場景下其泛化誤差(0.308)為基于SVC的鏈路質量評估模型泛化誤差的18倍；基于SVC的鏈路質量評估模型在公園場景下泛化誤差為0.017，可知在該場景下其泛化性能力相比于其他評估模型具有較大的優(yōu)勢，但是在室內和公路實驗場景下，其泛化誤差分別為基于Poly的鏈路質量評估模型泛化誤差的17.5倍和2.5倍，并沒有體現(xiàn)出其較好的泛化能力；基于AGRNN的鏈路質量評估模型在室內和公路實驗場景下的泛化誤差分別為基于Poly的鏈路質量評估模型泛化誤差的13倍和1.87倍，且在公園實驗場景下基于AGRNN的鏈路質量評估模型的泛化誤差僅為基于SVC的鏈路質量評估模型泛化誤差的4.6倍.

綜合3個實驗場景下各評估模型的泛化誤差可知：基于AGRNN的鏈路質量評估模型的泛化誤差一直較為穩(wěn)定且接近最小值，具有較好的泛化能力.

4) 計算速度對比分析

本文采用計算時間評價各鏈路質量評估模型的時間復雜度.實驗樣本從1 000條增加到10 000條，其中步長設為1 000，作為各鏈路質量評估模型的輸入.在訓練基于RF的鏈路質量評估模型時決策樹個數(shù)為500.采用5折交叉驗證對基于AGRNN以及SVC鏈路質量評估模型進行訓練，并對測試集樣本進行評估，最后得到計算時間，如圖7所示：

Fig. 7 Computing time of different LQEs圖7 各鏈路質量評估模型的計算時間圖

由圖7可知，計算時間隨著實驗數(shù)據(jù)量的增加而增加.基于RF的鏈路質量評估模型，其計算時間呈線性增加，且其計算時間遠遠大于其他評估模型，可能是因為該方法是基于Boosting集成的思想，而其他評估模型都是單分類器；在實驗樣本大于5 000時基于SVC的鏈路質量評估模型其計算時間顯著增加，而基于AGRNN的鏈路質量評估模型，其計算時間均在250 s以內，略高于基于Poly的鏈路質量評估模型，但仍處于一個較低的水平，該結果驗證了自適應廣義回歸神經網(wǎng)絡具有快速學習的能力——它與鏈路質量評估相結合可以減少模型的計算時間，降低時間復雜度.

6 總 結

如何選擇合適的鏈路質量參數(shù)，構建具有較優(yōu)評估性能、較好泛化能力和較低時間復雜度的鏈路質量評估模型，仍是一個具有挑戰(zhàn)的任務.本文提出了基于包裹式的鏈路質量參數(shù)選取算法，采用AGRNN評價各備選子集的重要性，選取鏈路質量參數(shù)；在鏈路質量的評估問題中，人工神經網(wǎng)絡取得顯著效果且基于映射關系的鏈路質量評估方法綜合考慮鏈路質量評估的特性，本文采用AGRNN構建鏈路質量參數(shù)與鏈路質量等級的關系模型，提出基于AGRNN的鏈路質量評估模型.與基于SVC、基于Poly、基于RF的3個鏈路質量評估模型對比可知：在3個不同的實驗場景下，本文提出的評估模型其準確率高于其他評估模型；對于少數(shù)類樣本來說，本文提出的模型能更全面地找出該類樣本同時在不同鏈路質量等級下具有更高的召回率.綜合3個實驗場景下各評估模型的泛化誤差可知：基于AGRNN的鏈路質量評估模型具有較好的泛化性；隨著樣本數(shù)的增加，本文提出的模型其計算時間雖略高于基于Poly的鏈路質量評估模型，但遠遠低于其他2個鏈路質量評估模型.基于AGRNN的鏈路質量評估模型具有較快的學習速度以及較強自適應能力，未來可將該模型運用于在線的鏈路質量評估.