CN110717511A - 一种移动自组织网络节点移动方式分类方法 - Google Patents

一种移动自组织网络节点移动方式分类方法 Download PDF

Info

Publication number
CN110717511A
CN110717511A CN201910830940.6A CN201910830940A CN110717511A CN 110717511 A CN110717511 A CN 110717511A CN 201910830940 A CN201910830940 A CN 201910830940A CN 110717511 A CN110717511 A CN 110717511A
Authority
CN
China
Prior art keywords
node
neighbor
network
nodes
new
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910830940.6A
Other languages
English (en)
Inventor
洪洁
张德海
郑晓萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Space Science Center of CAS
Original Assignee
National Space Science Center of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Space Science Center of CAS filed Critical National Space Science Center of CAS
Priority to CN201910830940.6A priority Critical patent/CN110717511A/zh
Publication of CN110717511A publication Critical patent/CN110717511A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动自组织网络节点移动方式分类方法，所述方法包括：从节点i的邻居节点中根据节点有效传输范围获取其所有的一跳邻居节点；更新节点i的邻居节点信息列表中所有的一跳邻居节点的信息；所述节点i为网络中的任一节点；根据节点i的邻居节点信息列表信息，计算节点i与所有一跳邻居节点的拓扑变化向量，由此计算T时间内全网拓扑变化向量和全网平均拓扑变化向量；将全网平均拓扑变化向量输入预先训练好的分类器，其输出为该网络节点的移动方式。本发明的方法能够为整个网络的自适应处理策略和性能提升提供可靠依据。

Description

一种移动自组织网络节点移动方式分类方法
技术领域
本发明涉及移动自组织网络领域，特别涉及一种移动自组织网络节点移动方式分类方法。
背景技术
节点移动性是影响移动自组织网络性能的重要因素之一。移动模型是用来将真实世界中的节点运动方式抽象为数学模型并用以辅助MANET网络研究的有效工具。一方面，在真实的复杂任务场景中，节点的移动性往往不是事先规定好的，而是由任务的变化所驱动。另一方面，不同的移动方式下网络协议的性能表现差异很大。因此，及时感知并判断节点的移动方式对于保证网络性能至关重要。
文献[1](Jie Hong,Dehai Zhang.Topology Change Degree:a Mobility MetricDescribing Topology Changes in MANETs and Distinguishing Different MobilityPatterns[J].Ad hoc&Sensor Wireless Networks.Vol.44,2019.pp.153-171.)提出了一种拓扑变化感知方法，能够区分几种不同的移动方式，但是仍存在一些局限性。由于它是将影响拓扑变化的因素进行简单线性叠加，因此是哪种因素的变化引发的网络拓扑变化不得而知。此外，在文献[2](Jie Hong,Dehai Zhang.TARCS:A Topology Change Aware-BasedRoutingProtocol Choosing Scheme of FANETs.Electronics 2019,8,274)中利用此拓扑变化感知方法进行移动方式判别时，个体移动与群体移动的区分效果较好，但是当节点在群体移动时，群组数目不同的移动方式之间的区分效果欠佳。为了解决上述两个问题，需要改进文献[1]中提出的拓扑变化感知方法，并提出新的更为有效的移动模型分类方法。
机器学习中的支持向量机是机器学习领域中一种有监督的学习模型，在解决非线性、多维小样本分类中表现出许多独特优势(参考文献[3]：Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297)。目前支持向量机已广泛应用于模式识别、生物信息、计算机视觉、信息检索、文本/图像分类、航空航天和无线通信等诸多领域。在移动自组织网络中，支持向量机目前主要用于入侵检测(参考文献[4]:JohnFelix Charles Joseph,Bu-Sung Lee,Amitabha Das,Boon-Chong Seet.Cross-LayerDetection of Sinking Behavior in Wireless Ad Hoc Networks Using SVM andFDA.IEEE Transactions on Dependable and Secure Computing(Volume:8,Issue:2,March-April 2011)Page(s):233–245.DOI:10.1109/TDSC.2009.48)、异常状态检测(参考文献[5]:Chunhua Zhang,Kangqiang Chen,Xin Zeng,Xiaoping Xue.MisbehaviorDetection Based on Support Vector Machine and Dempster-Shafer Theory ofEvidence in VANETs.IEEE ACCESS.Volume 6,2018.DOI:10.1109/ACCESS.2018.2875678)、拥塞检测(参考文献[6]:Xiaoming Liu,Henry Nyongesa,JamesConnan.WMCD:A Situation Aware Multicast Congestion Detection Scheme UsingSupport Vector Machines in MANETs.12th International Conference on MachineLearning and Applications.4-7 Dec.2013.Miami,FL,USA.DOI:10.1109/ICMLA.2013.45)等，还可用于簇首节点选举、恶意节点识别、移动异常节点识别、调制方式识别、接收信号识别等领域，但尚未发现有文献将支持向量机用于节点移动性区分。
发明内容
本发明的目的在于克服现有技术仅从一维角度表征网络拓扑变化，无法明确反映不同维度的拓扑变化并有效区分节点多种不同移动方式的情况，从而提供一种准确反映网络拓扑变化，并利用支持向量机有效区分节点不同移动方式的方法。本发明的方法将影响网络拓扑变化的多个因素统一为一个多维向量——拓扑变化向量。它可以从节点间距离变化、方向变化、速率变化和邻居节点数目变化等多个维度反映节点间拓扑变化，利用支持向量机对不同的移动方式进行准确区分，以便为网络自适应处理策略提供可靠依据。
为了实现上述目的，本发明提出了一种移动自组织网络节点移动方式分类方法，所述方法包括：
从节点i的邻居节点中根据节点有效传输范围获取其所有的一跳邻居节点；更新节点i的邻居节点信息列表中所有的一跳邻居节点的信息；所述节点i为网络中的任一节点；
根据节点i的邻居节点信息列表信息，计算节点i与所有一跳邻居节点的拓扑变化向量，由此计算T时间内全网拓扑变化向量和全网平均拓扑变化向量；
将全网平均拓扑变化向量输入预先训练好的分类器，其输出为该网络节点的移动方式。
作为上述方法的一种改进，所述方法还包括：分类器的训练步骤，具体包括：
建立样本数据：计算出多种移动方式下的全网平均拓扑变化向量，其标签为对应的移动方式；将样本数据分为训练数据和测试数据；
利用机器学习中的支持向量机，将多个分类方法和多个核函数分别进行组合，构造多个分类器；使用k-折交叉验证法，使用训练数据对每个分类器分别进行训练，再利用测试数据对所有分类器进行测试，由此选择一个训练好的分类器。
作为上述方法的一种改进，所述移动方式包括：随机游走移动模型、随机路点移动模型、高斯马尔科夫移动模型、游牧移动模型、曼哈顿移动模型、追踪模型和参考点群组移动模型。
作为上述方法的一种改进，所述分类方法包括：C-classification、one-classification和nu-classification；所述核函数包括：线性核函数，多项式核函数，高斯径向基核函数和反曲核函数。
作为上述方法的一种改进，所述从节点i的邻居节点中根据节点有效传输范围获取其所有的一跳邻居节点，具体为：
获取节点i及其邻居节点j的移动速度和位置：
节点i在t时刻的位置为
Figure BDA0002190683770000031
邻居节点j在t时刻的位置为
Figure BDA0002190683770000032
节点i在时刻的瞬时速度向量为
Figure BDA0002190683770000033
节点j在t时刻的瞬时速度向量为
Figure BDA0002190683770000034
计算节点i与邻居节点j的距离并根据节点有效传输范围判断邻居j是否为节点i的一跳邻居；
节点i与邻居节点j之间的距离
Figure BDA0002190683770000036
为：
Figure BDA0002190683770000037
比较
Figure BDA0002190683770000038
与节点i一跳传输距离dth的关系，由此判断邻居节点j是否属于节点i的一跳邻居节点集合Ni：
Figure BDA0002190683770000039
作为上述方法的一种改进，所述更新节点i的邻居节点信息列表中所有的一跳邻居节点的信息，具体为：
如果邻居节点信息列表中无节点j的任何信息，则添加该节点及其信息至邻居节点列表中；
如果邻居节点信息列表中有节点j的历史记录，则更新节点j的信息；
如果邻居节点信息列表中有节点j的历史感知信息，但是节点j不是一跳邻居节点，则修改节点j在节点i的邻居节点列表中的邻居标识字段。
作为上述方法的一种改进，所述邻居节点信息列表的表项包括：邻居节点序号、感知时刻、邻居新速度、邻居新位置、瞬时新距离、瞬时新相对速度、瞬时新夹角、邻居旧速度、邻居旧位置、瞬时旧距离、瞬时旧相对速度、瞬时旧夹角和邻居存在标志。
作为上述方法的一种改进，所述添加该节点及其信息至邻居节点信息列表中，具体包括：添加邻居节点序号、感知时刻、邻居新速度、邻居新位置、瞬时新距离、瞬时新相对速度和瞬时新夹角；将邻居存在志设置为true；其中：
瞬时新相对速度
Figure BDA0002190683770000041
为t时刻节点i与节点j的速率之差：
t时刻节点i的速率为
Figure BDA0002190683770000042
节点j的速率为
Figure BDA0002190683770000043
则t时刻两节点的相对速率
Figure BDA0002190683770000044
为：
瞬时新夹角
Figure BDA0002190683770000046
为t时刻节点i与节点j之间的夹角：
Figure BDA0002190683770000047
作为上述方法的一种改进，所述更新节点j的信息，具体为：在节点j的表项下，更新感知时刻，改邻居新速度为邻居旧速度，改邻居新位置为邻居旧位置，改新瞬时新相对速率为瞬时旧相对速率，改新瞬时新距离为瞬时旧距离，改瞬时新夹角为瞬时旧夹角，添加邻居新速度，添加邻居新位置，计算新瞬时距离，计算新瞬时相对速率，计算新瞬时夹角。
作为上述方法的一种改进，所述计算节点i与所有一跳邻居节点的拓扑变化向量，由此计算T时间内全网拓扑变化向量和全网平均拓扑变化向量；具体包括：
节点i与其邻居节点j在时刻t到t+T间的拓扑变化向量λi,j为：
λi，j＝(δdi，j，δθi，j，δvi，j，n)
距离变化度δdi,j为：
Figure BDA0002190683770000048
速率变化度δvi,j为：
Figure BDA0002190683770000051
方向变化度δθi,j为：
Figure BDA0002190683770000052
其中，n＝1；
若节点i的一跳邻居数目为m，则节点i与所有邻居的拓扑变化向量λi,nbrs为：
Figure BDA0002190683770000053
在上式中，
Figure BDA0002190683770000054
表示节点i与其所有一跳邻居的距离变化之和；表示节点i与其所有一跳邻居节点的方向变化之和；
Figure BDA0002190683770000057
表示节点i与其所有一跳邻居节点的速率变化之和；
Figure BDA0002190683770000058
表示节点i的所有一跳邻居数目；
若网络的节点总数为N，则从t时刻到t+T全网拓扑变化向量λntwrk为：
Figure BDA0002190683770000059
在上式中，
Figure BDA00021906837700000510
表示网络中所有节点在时刻t到时刻t+T内与其所有一跳邻居的距离变化之和的平均值；
Figure BDA00021906837700000511
表示网络所有节点在时刻t到时刻t+T内与其所有一跳邻居节点的方向变化之和的平均值；
Figure BDA00021906837700000512
表示网络所有节点在时刻t到时刻t+T内与其所有一跳邻居节点的速率变化之和的平均值；
Figure BDA00021906837700000513
表示网络中所有节点在时刻t至时刻t+T之内的平均一跳邻居节点数目；
若网络在某时间周期内共进行了h次感知，则该网络所有节点在该时间周期内在此移动方式下的全网平均拓扑变化向量
Figure BDA00021906837700000514
为：
本发明的优点在于：
1、本发明的方法提出的网络拓扑变化向量从多维角度反映节点间的局部拓扑变化和网络全局拓扑变化情况；仿真结果表明，与仅使用一维、二维和三维向量表征拓扑变化并区分移动方式相比，所述的四维全网平均拓扑变化向量在区分多种不同的节点移动方式时得到的准确率更高；
2、本发明的方法适用于移动自组织网络中复杂任务场景，可以实现对网络局部拓扑变化、全网整体拓扑变化的准确度量度量和表征；
3、本发明的方法使用了支持向量机，通过将不同的分类方法与多种核函数相组合构造分类器，采用k折交叉验证法训练并测试了多种移动模型的拓扑变化向量，实验证明不同的组合能够不同程度地区分移动移动模型。其中，带有径向基核函数的nu-classification分类器的分类结果最佳(精确度和kappa系数最高)；
4、本发明的方法适用于识别和区分不同移动模型，通过训练数据得到移动模型分类器，在有拓扑变化向量数据却未知其移动方式时，对数据进行分类测试，便可节点的移动方式。
附图说明
图1是本发明的移动自组织网络节点移动方式分类方法的计算流程图；
图2是本发明使用k折交叉验证法的分类训练和测试的完整流程图；
图3是本发明的方法在节点以不同移动方式和不同平均移动速度下的全网平均拓扑变化向量比较示意图；
图4是本发明的方法使用不同分类器的分类结果准确度比较；
图5是本发明的方法使用不同分类器的分类结果kappa系数比较。
具体实施方式
现结合附图对本发明作进一步的描述。
本发明提供一种用于移动自组织网络节点移动方式分类方法，包括：在感知时刻t至时刻t+T计算网内节点i与一跳邻居节点j间的距离变化、移动方向变化、相对速率变化和一跳邻居数；以上述四个参量为基础，分别定义节点i与其一跳邻居节点j间的拓扑变化向量、节点i与其一跳内所有邻居节点的拓扑变化向量、全网瞬时拓扑变化向量以及某时间段内全网平均拓扑变化向量。
依照上述计算方法，计算出不同移动方式下节点以不同平均速度运动时的全网平均拓扑变化向量。
选择合适的分类器和核函数构造分类器。利用10折交叉验证法，选取样本数据进行移动模式分类训练，使用测试数据进行移动模式分类测试。
如图1所示，本发明提出了一种移动自组织网络节点移动方式分类方法，包括以下步骤：
S01、在时刻t得到每个节点及其邻居节点位置、速度和方向；
S02、若节点j是节点i的一跳邻居节点，则计算二者间的拓扑变化向量；
S03、计算某时间段内全网平均拓扑变化向量；
S04、计算节点以多种移动方式移动时全网的平均拓扑变化向量；
S05、选择合适的分类方法和核函数，构造分类器；
S06、利用支持向量机，和10折交叉验证法对得到的拓扑变化向量数据进行分类训练和分类测试。
如图2所示，所述方法具体包括：
步骤S01、获取节点i及其邻居节点的移动速度和位置。这两个参数既可以通过位置辅助设备获得(准确度高)，也可以通过多普勒频移测算(准确度低)；
获取节点i在t时刻的位置信息
Figure BDA0002190683770000071
邻居节点j在t时刻的位置信息
Figure BDA0002190683770000072
节点i在时刻的瞬时速度向量
Figure BDA0002190683770000073
节点j在t时刻的瞬时速度向量
步骤S02、根据步骤S01的结果，计算本节点与邻居节点的距离
Figure BDA0002190683770000075
并根据节点有效传输范围判断邻居j是否为本节点i的一跳邻居；
计算节点i与节点j之间的距离
Figure BDA0002190683770000076
通过比较
Figure BDA0002190683770000077
与节点i一跳传输距离dth的关系再次判断节点j是否为节点i的一跳内邻居节点；
所述t时刻节点i与节点j之间的距离
Figure BDA0002190683770000078
的表达式为：
Figure BDA0002190683770000079
所述比较
Figure BDA00021906837700000710
与节点i一跳传输距离dth的关系，判断节点j是否属于节点i的邻居节点集合Ni，其判断依据为：
如果节点j是节点i的一跳邻居，则根据节点i的邻居节点列表内容判断对于节点j信息的处理方式。如邻居节点信息列表中有节点j的历史记录，则更新节点j的信息并计算两节点间的拓扑变化向量。如邻居节点信息列表中无节点j的任何信息，则需要添加该节点及其信息至邻居节点信息列表中。如邻居节点信息列表中有节点j的历史感知信息，但是本次感知过程中并未获取到节点j的任何位置和速度信息，则这种情况下仅修改节点j在节点i的邻居节点列表中的邻居标识字段。
若
Figure BDA0002190683770000082
为节点i在t时刻的速度向量，
Figure BDA0002190683770000083
为节点j在t时刻的速度向量，t时刻节点i的速率为节点j的速率为则t时刻两节点的相对速率
Figure BDA0002190683770000086
为：
Figure BDA0002190683770000087
在t时刻节点i与节点j之间的夹角体现了两节点间运动方向的差异。若
Figure BDA0002190683770000089
为节点i在t时刻的速度向量，
Figure BDA00021906837700000810
为节点的速度向量，则t时刻两节点间夹角为：
Figure BDA00021906837700000811
若n为节点i的一跳邻居数，则时刻t至时刻t+T两节点间的拓扑变化向量λi,j为：
λi，j＝(δdi，j，δθi，j，δvi，j，n) (4)
等式(4)中，节点i与j在时刻t到t+T过程中的：
距离变化度δdi,j为：
Figure BDA00021906837700000812
速率变化度δvi,j为：
Figure BDA00021906837700000813
方向变化度δθi,j为：
邻居数目n＝1。
步骤S03、计算点i与所有邻居的拓扑变化向量λi,nbrs、全网拓扑变化向量λntwtk和全网平均拓扑变化向量
Figure BDA00021906837700000815
若节点i的一跳邻居数目为m，则节点i与所有邻居的拓扑变化向量λi,nbrs具体为：
Figure BDA0002190683770000091
在上式中，
Figure BDA0002190683770000092
表示节点i与其所有一跳邻居的距离变化之和；
Figure BDA0002190683770000093
表示节点i与其所有一跳邻居节点的方向变化之和；
Figure BDA0002190683770000094
表示节点i与其所有一跳邻居节点的速率变化之和；表示节点i的所有一跳邻居数目；
若网络的节点总数为N，则从t时刻到t+T全网拓扑变化向量λntwrk具体为：
Figure BDA0002190683770000097
在上式中，表示网络中所有节点在时刻t到时刻t+T内与其所有一跳邻居的距离变化之和的平均值；
Figure BDA0002190683770000099
表示网络所有节点在时刻t到时刻t+T内与其所有一跳邻居节点的方向变化之和的平均值；
Figure BDA00021906837700000910
表示网络所有节点在时刻t到时刻t+T内与其所有一跳邻居节点的速率变化之和的平均值；
Figure BDA00021906837700000911
表示网络中所有节点在时刻t至时刻t+T之内的平均一跳邻居节点数目；
若网络在某时间周期内共进行了h次感知，则该网络所有节点在该时间周期内在此移动方式下的平均拓扑变化向量
Figure BDA00021906837700000912
具体为：
Figure BDA00021906837700000913
每种移动方式下的平均拓扑变化向量的计算过程是相同的，只是由于每种移动方式的特点不同，因此计算出的结果是不一样的。
步骤S04、计算出节点以多种平均速度、多种不同移动方式移动时的网络平均拓扑变化向量。仿真实验依次计算了以下10种移动模型：随机游走移动模型(RW,Random Walk)、随机路点移动模型(RWP,Random Waypoint)、高斯马尔科夫移动模型(GM,Gauss Markov)、游牧移动模型(Nomadic)、曼哈顿移动模型(Manhattan)、追踪模型(Pursue)、群组数目分别为25、10、5、2的参考点群组移动模型(RPGM,Reference Point Group Mobility)。仿真区域为2000m*2000m，节点数目为50，仿真时间为950s，感知间隔为100s。按照本发明所提出的计算方法，分别计算出节点在上述移动模型中分别以12种不同的平均速度(即v＝1,2,5,10,20,50,80,100,200,300,500,800,1000m/s)时的网络平均拓扑变化向量。图3是计算出的平均拓扑变化向量的可视化显示，其中，x轴为速率变化，y轴为方向变化，z轴为距离变化，色带为平均邻居数目。这样，每种移动方式下就得到了12个拓扑变化向量，一共参与分类的为120个向量。
步骤S05、选择合适的分类方法和核函数，构造分类器。
可选择的分类方法有C-classification、one-classification和nu-classification。
其中，这三种分类方法构成的分类器的结构有所不同。C-classification允许使用异常惩罚因子c进行不完全分类；One-classification属于单分类器，即建立一个分界线以分割某类在特征空间中所占的区域与其它类在特征空间中所占的区域，也即只进行“是”与“否”的分类；在nu-classification中，用参数nu取代了参数c，nu的值在区间[0,1]中，nu越大，表明决策边界越平滑。
常见的核函数有线性核函数、多项式核函数、高斯径向基核函数以及反曲核函数。将每种分类方法与不同的核函数搭配组合构成不同的分类器，以测试各分类器在区分各移动模型时的性能差异，挑选出最佳的分类器。各分类器的结构如表1所示，其中cost、degree、gamma、Coef.0和nu分别属于不同分类器的构造参数。支持向量的书目一栏中括号中显示的是每种移动模型样本中提供作为支持向量的数目。需要说明的是，one-classification只能判断出某个数据“是”或“否”属于某一类，因此它只能作为二分类器，无多分类的结果。
表1各分类器的结构及参数
Figure BDA0002190683770000101
Figure BDA0002190683770000111
步骤S06、使用10折交叉验证法对计算出的拓扑变化向量数据进行分类训练核分类测试。表2显示的是每种分类器的分类训练及测试结果。
表2每种分类器的训练及测试结果
Figure BDA0002190683770000112
Figure BDA0002190683770000121
由表2可以看出，使用nu-classification和径向基核函数构成的分类器的分类效果最佳，其分类总体精确度高达0.775，kappa系数为0.75，均为最高。图4显示的是各分类器的分类结果准确度比较。图5显示的是kappa系数比较。
表3显示的是在nu-classification和径向基核函数构成的分类器分类时得出的混淆矩阵。横标题为实际的移动模型名称，竖标题为识别出的移动模型名称，表中的数字显示为识别为某种移动模型的向量数目。
表3带有径向基核函数的nu-classification分类器的分类结果
Figure BDA0002190683770000122
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种移动自组织网络节点移动方式分类方法，所述方法包括：
从节点i的邻居节点中根据节点有效传输范围获取其所有的一跳邻居节点；更新节点i的邻居节点信息列表中所有的一跳邻居节点的信息；所述节点i为网络中的任一节点；
根据节点i的邻居节点信息列表信息，计算节点i与所有一跳邻居节点的拓扑变化向量，由此计算T时间内全网拓扑变化向量和全网平均拓扑变化向量；
将全网平均拓扑变化向量输入预先训练好的分类器，其输出为该网络节点的移动方式。
2.根据权利要求1所述的移动自组织网络节点移动方式分类方法，其特征在于，所述方法还包括：分类器的训练步骤，具体包括：
建立样本数据：计算出多种移动方式下的全网平均拓扑变化向量，其标签为对应的移动方式；将样本数据分为训练数据和测试数据；
利用机器学习中的支持向量机，将多个分类方法和多个核函数分别进行组合，构造多个分类器；使用k-折交叉验证法，使用训练数据对每个分类器分别进行训练，再利用测试数据对所有分类器进行测试，由此选择一个训练好的分类器。
3.根据权利要求2所述的移动自组织网络节点移动方式分类方法，其特征在于，所述移动方式包括：随机游走移动模型、随机路点移动模型、高斯马尔科夫移动模型、游牧移动模型、曼哈顿移动模型、追踪模型和参考点群组移动模型。
4.根据权利要求3所述的移动自组织网络节点移动方式分类方法，其特征在于，所述分类方法包括：C-classification、one-classification和nu-classification；所述核函数包括：线性核函数，多项式核函数，高斯径向基核函数和反曲核函数。
5.根据权利要求4所述的移动自组织网络节点移动方式分类方法，其特征在于，所述从节点i的邻居节点中根据节点有效传输范围获取其所有的一跳邻居节点，具体为：
获取节点i及其邻居节点j的移动速度和位置：
节点i在t时刻的位置为
Figure FDA0002190683760000011
邻居节点j在t时刻的位置为
Figure FDA0002190683760000012
节点i在时刻的瞬时速度向量为
Figure FDA0002190683760000013
节点j在t时刻的瞬时速度向量为
Figure FDA0002190683760000014
计算节点i与邻居节点j的距离
Figure FDA0002190683760000021
并根据节点有效传输范围判断邻居j是否为节点i的一跳邻居；
节点i与邻居节点j之间的距离
Figure FDA0002190683760000022
为：
Figure FDA0002190683760000023
比较与节点i一跳传输距离dth的关系，由此判断邻居节点j是否属于节点i的一跳邻居节点集合Ni：
Figure FDA0002190683760000025
6.根据权利要求5所述的移动自组织网络节点移动方式分类方法，其特征在于，所述更新节点i的邻居节点信息列表中所有的一跳邻居节点的信息，具体为：
如果邻居节点信息列表中无节点j的任何信息，则添加该节点及其信息至邻居节点列表中；
如果邻居节点信息列表中有节点j的历史记录，则更新节点j的信息；
如果邻居节点信息列表中有节点j的历史感知信息，但是节点j不是一跳邻居节点，则修改节点j在节点i的邻居节点列表中的邻居标识字段。
7.根据权利要求6所述的无线移动自组织网络节点移动方式分类方法，其特征在于，所述邻居节点信息列表的表项包括：邻居节点序号、感知时刻、邻居新速度、邻居新位置、瞬时新距离、瞬时新相对速度、瞬时新夹角、邻居旧速度、邻居旧位置、瞬时旧距离、瞬时旧相对速度、瞬时旧夹角和邻居存在标志。
8.根据权利要求7所述的无线移动自组织网络节点移动方式分类方法，其特征在于，所述添加该节点及其信息至邻居节点信息列表中，具体包括：添加邻居节点序号、感知时刻、邻居新速度、邻居新位置、瞬时新距离、瞬时新相对速度和瞬时新夹角；将邻居存在志设置为true；其中：
瞬时新相对速度
Figure FDA0002190683760000026
为t时刻节点i与节点j的速率之差：
t时刻节点i的速率为
Figure FDA0002190683760000027
节点j的速率为
Figure FDA0002190683760000028
则t时刻两节点的相对速率
Figure FDA0002190683760000029
为：
Figure FDA00021906837600000210
瞬时新夹角
Figure FDA0002190683760000031
为t时刻节点i与节点j之间的夹角：
9.根据权利要求8所述的无线移动自组织网络节点移动方式分类方法，其特征在于，所述更新节点j的信息，具体为：在节点j的表项下，更新感知时刻，改邻居新速度为邻居旧速度，改邻居新位置为邻居旧位置，改新瞬时新相对速率为瞬时旧相对速率，改新瞬时新距离为瞬时旧距离，改瞬时新夹角为瞬时旧夹角，添加邻居新速度，添加邻居新位置，计算新瞬时距离，计算新瞬时相对速率，计算新瞬时夹角。
10.根据权利要求9所述的无线移动自组织网络节点移动方式分类方法，其特征在于，所述计算节点i与所有一跳邻居节点的拓扑变化向量，由此计算T时间内全网拓扑变化向量和全网平均拓扑变化向量；具体包括：
节点i与其邻居节点j在时刻t到t+T间的拓扑变化向量λi,j为：
λi,j＝(δdi,j,δθi,j,δvi,j,n)
距离变化度δdi,j为：
Figure FDA0002190683760000033
速率变化度δvi,j为：
Figure FDA0002190683760000034
方向变化度δθi,j为：
Figure FDA0002190683760000035
其中，n＝1；
若节点i的一跳邻居数目为m，则节点i与所有邻居的拓扑变化向量λi,nbrs为：
Figure FDA0002190683760000036
在上式中，
Figure FDA0002190683760000037
表示节点i与其所有一跳邻居的距离变化之和；
Figure FDA0002190683760000038
表示节点i与其所有一跳邻居节点的方向变化之和；
Figure FDA0002190683760000039
Figure FDA0002190683760000041
表示节点i与其所有一跳邻居节点的速率变化之和；
Figure FDA0002190683760000042
表示节点i的所有一跳邻居数目；
若网络的节点总数为N，则从t时刻到t+T全网拓扑变化向量λntwrk为：
Figure FDA0002190683760000043
在上式中，
Figure FDA0002190683760000044
表示网络中所有节点在时刻t到时刻t+T内与其所有一跳邻居的距离变化之和的平均值；表示网络所有节点在时刻t到时刻t+T内与其所有一跳邻居节点的方向变化之和的平均值；
Figure FDA0002190683760000046
表示网络所有节点在时刻t到时刻t+T内与其所有一跳邻居节点的速率变化之和的平均值；
Figure FDA0002190683760000047
表示网络中所有节点在时刻t至时刻t+T之内的平均一跳邻居节点数目；
若网络在某时间周期内共进行了h次感知，则该网络所有节点在该时间周期内在此移动方式下的全网平均拓扑变化向量
Figure FDA0002190683760000048
为：
CN201910830940.6A 2019-09-04 2019-09-04 一种移动自组织网络节点移动方式分类方法 Pending CN110717511A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910830940.6A CN110717511A (zh) 2019-09-04 2019-09-04 一种移动自组织网络节点移动方式分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910830940.6A CN110717511A (zh) 2019-09-04 2019-09-04 一种移动自组织网络节点移动方式分类方法

Publications (1)

Publication Number Publication Date
CN110717511A true CN110717511A (zh) 2020-01-21

Family

ID=69210219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830940.6A Pending CN110717511A (zh) 2019-09-04 2019-09-04 一种移动自组织网络节点移动方式分类方法

Country Status (1)

Country Link
CN (1) CN110717511A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040190476A1 (en) * 2003-03-28 2004-09-30 International Business Machines Corporation Routing in wireless ad-hoc networks
CN101883330A (zh) * 2010-07-02 2010-11-10 湖南大学 应用于车载自组网的基于网络编码的多播路由方法
CN102665294A (zh) * 2012-04-25 2012-09-12 武汉大学 基于d-s证据理论的车载传感器网络事件区域检测方法
CN105447504A (zh) * 2015-11-06 2016-03-30 中国科学院计算技术研究所 一种交通模式行为识别方法及相应的识别模型构建方法
CN105959988A (zh) * 2016-04-15 2016-09-21 北京航空航天大学 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法
CN109743790A (zh) * 2019-02-28 2019-05-10 中国科学院国家空间科学中心 一种高动态移动自组织网络拓扑变化感知方法
CN109787902A (zh) * 2019-02-28 2019-05-21 中国科学院国家空间科学中心 一种移动自组织网络自适应路由协议的选择方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040190476A1 (en) * 2003-03-28 2004-09-30 International Business Machines Corporation Routing in wireless ad-hoc networks
CN101883330A (zh) * 2010-07-02 2010-11-10 湖南大学 应用于车载自组网的基于网络编码的多播路由方法
CN102665294A (zh) * 2012-04-25 2012-09-12 武汉大学 基于d-s证据理论的车载传感器网络事件区域检测方法
CN105447504A (zh) * 2015-11-06 2016-03-30 中国科学院计算技术研究所 一种交通模式行为识别方法及相应的识别模型构建方法
CN105959988A (zh) * 2016-04-15 2016-09-21 北京航空航天大学 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法
CN109743790A (zh) * 2019-02-28 2019-05-10 中国科学院国家空间科学中心 一种高动态移动自组织网络拓扑变化感知方法
CN109787902A (zh) * 2019-02-28 2019-05-21 中国科学院国家空间科学中心 一种移动自组织网络自适应路由协议的选择方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BINH T. NGUYEN, NHAN V. NGUYEN, NAM T. NGUYEN AND MY HUYNH T. TR: "A Potential Approach for Mobility Prediction Using GPS Data", 《SEVENTH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY (ICIST)》 *
文必龙等: "《R语言程序设计基础》", 30 April 2019 *
李涛等: "《数据挖掘的应用与实践 大数据时代的案例分析》", 31 October 2013 *
胡婷: "一种向量受限Ad Hoc网络移动模型研究与性能评价", 《万方数据知识服务平台》 *

Similar Documents

Publication Publication Date Title
US20190331485A1 (en) Movement line information generation system, movement line information generation method and movement line information generation program
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN105263113B (zh) 一种基于众包的WiFi位置指纹地图构建方法及其***
Ma et al. Fusion of RSS and phase shift using the Kalman filter for RFID tracking
CN106714110A (zh) 一种Wi‑Fi位置指纹地图自动构建方法及***
CN109165540B (zh) 一种基于先验候选框选择策略的行人搜索方法和装置
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN111444769B (zh) 一种基于多尺度自适应随机森林的激光雷达检测人腿方法
JP6070956B2 (ja) 類似性検出装置及び指向性近傍検出方法
CN108345875A (zh) 可行驶区域检测模型训练方法、检测方法和装置
CN111444767A (zh) 一种基于激光雷达的行人检测和追踪方法
Guo et al. Direction-based surrounder queries for mobile recommendations
Arif et al. Band segmentation and detection of dna by using fast fuzzy c-mean and neuro adaptive fuzzy inference system
CN109743790B (zh) 一种高动态移动自组织网络拓扑变化感知方法
CN110717511A (zh) 一种移动自组织网络节点移动方式分类方法
Liu et al. Novel robust indoor device-free moving-object localization and tracking using machine learning with Kalman filter and smoother
Yadav et al. Q-Learning based optimized localization in WSN
Al-Jamimi et al. Hybrid modelling based on SVM and GA for intelligent Wi-Fi-based indoor localization system
CN111918211B (zh) 一种基于kd树和改进加权knn的室内指纹定位方法
Zhang et al. Heterogeneous feature machine learning for performance-enhancing indoor localization
CN113065428A (zh) 基于特征选择的自动驾驶目标识别方法
Li et al. Featured trajectory generation for TrackPuzzle
Hong et al. Topology Change Degree: a Mobility Metric Describing Topology Changes in MANETs and Distinguishing Different Mobility Patterns.
KR20200013543A (ko) 가상 공장 구축 장치 및 방법
Roy et al. Machine Learning in Smart Transportation Systems for Mode Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200121

RJ01 Rejection of invention patent application after publication