(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110962717.4 (22)申请日 2021.08.20 (65)同一申请的已公布的文献号 申请公布号 CN 113408094 A (43)申请公布日 2021.09.17 (73)专利权人 南京迈一勤电子科技有限公司 地址 210042 江苏省南京市玄武区蒋 王庙 街4号研究院210室 (72)发明人 许鸣　黄婷　 (74)专利代理 机构 杭州裕阳联合专利代理有限 公司 33289 代理人 顾晨 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 111/02(2020.01) (56)对比文件 CN 103716808 A,2014.04.09 CN 109831802 A,2019.0 5.31 审查员 俞姝颖 (54)发明名称 基于物理层参数的无线链路质 量快速预测 方法 (57)摘要 本发明公开了一种基于物理层参数的无线 链路质量快速预测方法， 使用物理层参数历史序 列对下一时刻的物理层参数进行预测， 并通过该 物理层参数与收包率之间的映射模型对下一时 刻的链路质量进行评估。 本方法能够避免直接使 用收包率进行链路质量预测的敏捷性较差以及 直接使用物理层参数评价链路质量的精细度较 低等问题， 因此更适合存在较多波动的低功率无 线链路。 权利要求书2页 说明书7页 附图3页 CN 113408094 B 2022.01.14 CN 113408094 B 1.基于物理层参数的无线链路质量快速预测方法， 其特 征在于包括如下步骤： （S1） 构建空的物理层参数序列 X = {}； （S2） 每隔 时间窗口n对物理层参数进行统计， 计算其均值 Xi， 更新物理层参数序列， 以获 得下一时刻的物理层参数 预测值： （S21） 如果物理层参数序列长度小于 m， 将Xi直接添加到当前物理层参数序列， 更新后的 物理层参数序列为 X = {X1, X2,  …, Xi}； 将更新后物理层参数序列的均值 作为下一时刻的物 理层参数预测值； 其中， m为预设物 理层参数 序列长度阈值； （S22） 如果物理层参数序列长度等于 m， 则删除最早的物理层参数， 并将 Xi添加到当前物 理层参数序列， 更新后的物理层参数序列为 X = {Xi‑m+1, Xi‑m+2,  …, Xi}； 同时运行预测模 型， 输入更新后的物理层参数序列， 获得 下一时刻的物理层参数 预测值； （S3） 根据映射模型计算下一时刻的收包率预测值； 其中， 所述预测模型是在目标应用环境下， 获取涵盖不同链路质量的、 时间窗口大小为 n的物理层参数均值序列作为输入样本， 下一时刻的、 时间窗口大小为 n的物理层参数均值 作为输出样本， 通过机器算法训练获得输入样本与输出样本的关系模型； 所述映射模型是在目标应用环境下， 获取涵盖不同链路质量的、 时间窗口大小为 n的物 理层参数均值和收包率， 通过理论模型或拟合方法建立的物理层参数和收包率的关系模 型。 2.根据权利要求1所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于： 所述物理层参数选自L QI、 RSSI、 SNR的任意 一种。 3.根据权利要求2所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于： 所述映射模型为物理层参数与收包率的理论关系模型， 或根据实测数据建立的经验拟合模 型。 4.根据权利要求3所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于： 所述理论关系模型 是根据收发机的调制方式、 编码方式、 数据包长度信息确定的数 学模型。 5.根据权利要求3所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于： 所述经验拟合模型 是根据散点图的实际特性使用模型逼近物理层参数与收包率的实测值。 6.根据权利要求5所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于： 所述经验拟合模型为双曲正切模型。 7.根据权利要求1 ‑6任意一项所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于， 所述预测模型的训练学习步骤 包括： （SE1） 获取涵盖不同链路质量、 时间窗口大小为 n的物理层参数序列； （SE2） 将所述物理层参数序列划 分为训练输入样本集 x = {x1, x2,  …, xt,  …, xN,  …, xN+m‑1}和期望输出样本集 yx = {xm+1, xm+2,  …, x m+t,  …, xm+N}， 其中训练输入第 t个 至第t+m‑1个样本的期望 输出结果为第m+t个样本，t = 1, 2,  …, N； （SE3） 根据目标物理层参数的特性选择机器学习算法， 获得期望输出样本序列与训练 输出样本序列的误差关系模型；权　利　要　求　书 1/2 页 2 CN 113408094 B 2（SE4） 当选定的机器学习算法输出的误差目标函数值小于等于训练目标阈值时， 获取 并保存所述机器学习算法的权值； 当输出的误差目标函数值大于训练目标阈值 时， 修正所述机器学习算法的权值并进行 迭代运算， 直至误差目标函数值小于训练目标阈值 为止。 8.根据权利要求7所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于， 在预测模型建立时还统计相应的收包率{ PRR1, PRR2,  …, PRRN}用于训练步骤 （S3） 所述的 映射模型； 其中， 收包率 PRRi= ni/n，ni为该时间窗口成功接收的数据包个数。 9.根据权利要求7所述的基于物理层参数的无线链路质量快速预测方法， 其特征在于： 所述机器学习算法为根据物理层参数特性选择的机器学习算法， 选自小波神经网络、 BP神 经网络、 随机森林、 逻辑回归、 支持向量机算法中的任意 一种。权　利　要　求　书 2/2 页 3 CN 113408094 B 3