针对无线传感器网络中链路质量估计模型泛化性能差,准确性不足等问题,提出了一种基于指数加权卡尔曼滤波和梯度提升回归的链路质量估计方法KGBR_LQE(Exponentially Weighted Kalman and Gradient Boosting Regression based Link Qualit...针对无线传感器网络中链路质量估计模型泛化性能差,准确性不足等问题,提出了一种基于指数加权卡尔曼滤波和梯度提升回归的链路质量估计方法KGBR_LQE(Exponentially Weighted Kalman and Gradient Boosting Regression based Link Quality Estimation).对物理层参数进行相关性分析,提取出与包接收率相关性最高的参数组合,利用指数加权卡尔曼滤波器进行降噪处理,将滤波后的物理层和数据链路层参数作为梯度提升回归模型的输入,以预测下一时刻的链路质量,实验结果表明,相比线性回归、随机森林等现有的链路质量估计回归模型,KGBR_LQE可以大幅提高结果的预测精度.在不重新训练的前提下,KGBR_LQE的预测效果仍然优于现有链路质量估计回归模型.展开更多
文摘针对无线传感器网络中链路质量估计模型泛化性能差,准确性不足等问题,提出了一种基于指数加权卡尔曼滤波和梯度提升回归的链路质量估计方法KGBR_LQE(Exponentially Weighted Kalman and Gradient Boosting Regression based Link Quality Estimation).对物理层参数进行相关性分析,提取出与包接收率相关性最高的参数组合,利用指数加权卡尔曼滤波器进行降噪处理,将滤波后的物理层和数据链路层参数作为梯度提升回归模型的输入,以预测下一时刻的链路质量,实验结果表明,相比线性回归、随机森林等现有的链路质量估计回归模型,KGBR_LQE可以大幅提高结果的预测精度.在不重新训练的前提下,KGBR_LQE的预测效果仍然优于现有链路质量估计回归模型.
