基于互信息系数和支持向量机的无线传感器链路质量估计方法研究

准确估计链路质量是提高无线传感器网络(WSN)协议性能的基础，针对目前WSN链路质量估计模型中存在的特征选择以及分类方法没有统一的标准、缺少公开数据集等问题，提出了一种基于支持向量机的WSN链路质量分类估计模型APSO-SVM，利用互信息系数选择模型输入特征，通过APSO粒子群优化算法获得模型的最优超参数，根据输入特征的特点对缺失值进行填充。在多种场景和不同的干扰及竞争条件下进行实验，实验结果表明，与现有算法相比，本文提出的APSO-SVM具有更好的性能，查准率和查全率分别达到97.21%和96.47%。

无线传感器络(Wireless Sensor Networks, WSNs)由部署在监测区域内的一定数量的传感器节点组成， WSN 节点通过自组织方式形成多跳传输网络。

由于传感器节点通常使用电池供电， 为了降低节点的能耗， 通常采用低功率射频信号进行通信，干扰、噪声和多径效应等是影响链路质量的重要因素[1]。在无线传感器网络中，很多机制和网络协议，都需要以链路质量估计(LQE)为基础[2]。例如，路由协议需要以链路质量预测结果作为路径选择的依据；为了最大化网络生存周期，准确的链路质量预测可以有效减少重传数据包的数量，提高网络吞吐量；在维护拓扑稳定性方面，链路质量的评估也起到了重要作用[3]。

当前针对于WSN 链路质量估计的研究主要分为两类：1) 以改进协议或流程的性能为目标的链路质量估计方法研究，2) 提出一种新的或改进现有的链路质量估计器。文献[4]的作者研究了TCP 协议的性能改进方法，提出了一种新的链路质量估计器。文献[5]引入了一种称为四位(4B)的新估计器，将来自物理层(PRR、链路质量指示器(LQI))、链路(ACK 计数)和网络层(路由)的信息组合在一起，并证明其性能优于原有的链路估计器。在文献[6]中，提出了一种基于模糊逻辑的链路质量估计器F-LQE，利用PRR 和信噪比(SNR)的平均值作为输入，输出高质量和低质量两种链路质量等级。研究发现基于PRR 的链路质量估计器中，PRR、WMEWMA 和ETX 高估了链路质量，而RNP 和4B 低估了链路质量。文献[7]引入机器学习对协议进行改进，使用接收信号强度指标(RSSI)、SNR、LQI、WMEWMA 和平滑PRR 作为模型的输入特征，分别训练了基于朴素贝叶斯、神经网络和逻辑回归的三个模型，对下一时刻的链路质量进行预测，实验结果显示，逻辑回归模型具有较高的预测精度，与神经网络模型相比，更适用于资源有限的无线传感器网络，不过，所提出的预测模型4C 的预测均方误差(MSE)仍较高。

根据模型的输入量，可以将现有研究分为单变量输入和多变量输入两类，文献[8]中采用了基于单输入度量的方法，而文献[7]中采用了多个指标作为输入量。单变量输入具有算法简单、对计算能力要求较低的优点，但是容易忽略其他相关信息，导致结果准确率下降。以多种指标作为输入，在一定程度上可以提高估计的准确率，如何选择与输出量相关度高的指标是需要解决的关键问题。根据输出值类型可以将链路估计模型分为两类：分类输出模型和连续值输出模型。例如，文献[9]采用了线性回归的方法对链