一种基于随机森林的有无人协同网络链路质量评估方法与流程

1.本发明涉及无线通信网络和有无人协同自组网领域，特别涉及一种基于随机森林的有无人协同网络链路质量评估方法。


背景技术：

2.随着人工智能和计算机技术的飞速发展，无人装备已经加入战场且承担重要的作战任务，如地面无人车侦察、排障、爆破，空中无人机侦察、打击、通信中继等，丰富作战样式，扩展作战空间，提升作战效果。由于智能无人装备具备自主通信能力，且可作为通信中继节点，因此与有人通信节点构成有无人协同自组织网络。由于城市中高楼大厦林立，高大建筑物会对有无人协同自组织网络中通信链路产生严重遮挡、干扰，使得链路断断续续，无法实现节点间实时通联的能力。而现有自组网技术缺乏对链路有效性的评估以及忽视链路质量的差别，从而降低网络的服务质量。
3.无线链路质量的评估对于有无人协同自组织网络的可靠部署、路由策略和资源管理等高层协议都具有基础性作用。有效的链路质量评估可以协助路由协议等高层协议设计，选择链路最好的链路作为下一跳路径，降低链路损耗，减少数据重传次数，提高数据传输的端到端可靠性和网络吞吐量，最大化网络寿命。
4.目前国内针对链路质量评估开展了许多研究工作，评估方法主要包括以下三种：基于链路特性的方法主要是使用物理层参数预测链路质量，其所需的参数获取简单，可以直接从节点中读取，但节点本身存在校准误差；基于概率估计理论方法需要发送大量的探测包，对链路的长期度量较为准确，但对链路的短期变化不敏感；基于智能学习的方法通过数据驱动能够挖掘出数据之间潜在的特征，具有重要研究意义。


技术实现要素：

5.为解决上述有无人协同无线自组织网络中链路质量评估方法存在的问题，本发明提供了一种采用基于随机森林的链路质量评估方法，并通过改进麻雀搜索算法优化模型的超参数，以提高有无人协同自组织网络链路质量评估的准确性及高效性。
6.为了实现上述目的，本发明采用的技术方案为：
7.一种基于随机森林的有无人协同网络链路质量评估方法，包括以下步骤：
8.步骤1，提取网络运行过程中链路状态数据，构建链路质量特征体系，通过链路质量等级划分方法建立样本库；
9.步骤2，使用分层采样方法，获得不同链路质量等级的相同数量的样本，并建立训练样本库和测试样本库；
10.步骤3，初始化麻雀种群参数，将随机森林模型对链路质量等级的识别准确率作为适应度函数，传入麻雀搜索算法，引入蝴蝶优化算法改进麻雀位置更新策略，并通过自适应缩小搜索空间方法限制麻雀的搜索空间，迭代寻优，获取随机森林模型的最优参数；
11.步骤4，使用得到的最优参数初始化随机森林模型，使用训练样本库训练模型，并
用测试样本库进行验证，获取链路质量识别模型；
12.步骤5，将待测数据输入到识别模型，输出链路质量等级。
13.进一步的，所述步骤1的链路状态数据为物理层参数接收信号强度rssi，构建链路质量特征体系为f＝{rssi,rssi
avg
,rssi
std
,rssi
rep
,rssi
di
ff}，计算公式如下：
[0014][0015]
其中，xi表示第i个样本数据；n表示一定时间间隔内获取的样本个数，即移动窗口内样本的个数；表示移动窗口内rssi数值的均值。rssi
avg
，rssi
std
，rssi
rep
和rssi
diff
分别表示rssi数据的移动平均值、标准差、倒数和一阶差分值。
[0016]
进一步的，所述步骤1中链路质量等级划分方法采用包接收率prr作为划分依据，将链路质量划分为3种等级y＝{y
good
,y
interm
,y
bad
}，分别是健康链路、良好链路和劣化链路，用公式描述如下：
[0017][0018]
构建的样本库中、包含健康链路、良好链路和劣化链路3种链路的样本数据。
[0019]
进一步的，所述步骤2中使用分层采样方法，获得不同链路质量等级相同的样本数，其具体过程为：先从少数类样本中抽取样本数据，再在多数类上抽取与少数类别等量的数据，改变各类数据在模型中的分布，使训练集中各类别的数据量相近，从而在样本均衡的条件下训练分类模型。
[0020]
进一步的，所述步骤3中随机森林模型最优参数的获取过程为：
[0021]
步骤301：初始化麻雀种群参数，包括种群数量、麻雀的位置、迭代次数、维度，其中，麻雀的位置(x,y)分别表示随机森林依据的决策树数量和树的最大深度，设定两个参数的上下边界；
[0022]
步骤302：适应度函数为随机森林对链路质量等级的识别准确率变化函数，采用蝴蝶优化算法改进麻雀位置更新策略，并通过自适应缩小搜索空间方法限制麻雀的搜索空间，快速寻找全局最优适应度值，即随机森林模型最优参数；
[0023]
步骤303：将训练样本库划分为训练数据和验证数据，获取每次迭代后最优适应度值来初始化随机森林，用训练数据对模型进行训练，将验证数据输入模型得到识别准确率并返回给下一轮迭代，直至达到设置的迭代次数，停止迭代并获取随机森林模型的最优参数。
[0024]
进一步的，所述步骤3中改进麻雀搜索算法具体过程如下：
[0025]
初始化n＝{1,2,
…
,n}只麻雀在d＝{1,2,
…
,d}维搜索空间中的位置：
[0026][0027]
其中，x
nd
第n只麻雀在第d维的位置。
[0028]
将种群内的个体分为发现者、追随者和侦察者，其中在每次迭代过程中，引入蝴蝶优化算法改进发现者的位置更新公式为：
[0029][0030]
其中，t代表当前迭代次数；x
best
是当前迭代的全局最优位置解；fn表示第n只麻雀的适应度值；r为[0,1]范围内的随机数；q为服从标准正态分布的随机数；l表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1，d为维度大小；r2∈[0,1]和st∈[0.5,1]分别表示预警值和安全值。当r2《st时，这意味着此时搜索环境安全，觅食周围没有捕食者或其他危险，发现者可广泛搜索，引导种群获取更高的适应度；如果r2≥st，这表示种群中侦查麻雀已经发现捕食者，并向种群释放危险信号，种群中麻雀调整搜索策略，迅速飞到其它安全的地方进行觅食。
[0031]
采用自适应缩小搜索空间的策略，控制改进麻雀搜索算法中麻雀的搜索空间，加快种群收敛速度，其具体描述如下：
[0032][0033]
其中，x
d,lb
和x
d,ub
分别为第d维的搜索下限和上限；x
d,in
和x
d,ax
分别为当前第d维的最小值和最大值；代表当前全局最优个体在第d维的位置；r
t
为空间缩小系数；t为最大迭代次数。在迭代过程中随着r
t
的增大，搜索空间不断缩小，在控制搜索空间的扩展幅度的同时，也提高了算法的收敛速度。
[0034]
跟随者位置更新描述如下：
[0035][0036]
其中，是目前发现者所占据的最优位置；则表示当前迭代t次全局最差的位置。a表示一个1
×
d的矩阵，其中每个元素随机赋值为1或-1，并且a
+
＝a
t
(aat)-1
；当n》n/2时，表明适应度值较低的第n个加入者没有获得食物，处于十分饥饿的状态，此时需要在更大范围搜索食物，以获得更多的能量。
[0037]
侦察者在种群中会意识到危险，一般占整个种群的10％～20％，位置更新描述如下：
[0038]
[0039]
其中，β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；k是[-1,1中的一个随机数，表示麻雀移动的方向，同时也是步长控制参数；fg和fw分别是当前全局最佳和最差的适应度值；ε是避免出现零误差的最小常数。当fn》fg时，表明该麻雀正处于种群的边缘，极易受到捕食者攻击；当fn＝fg时，表明该麻雀意识到捕食者的威胁，需要靠近其他麻雀来调整搜索策略，从而避免被捕食者攻击。
[0040]
进一步的，所述步骤4的具体过程如下：
[0041]
利用改进麻雀搜索算法得到的随机森林模型最优参数初始化模型，使用完整的训练样本库对模型进行训练，并使用测试样本库进行验证，判断识别准确率是否符合设定阈值要求，如果低于设定阈值，则返回步骤3，增大迭代次数，修正参数值，从而获取符合要求的链路质量识别模型。
[0042]
进一步的，所述步骤5的具体过程如下：
[0043]
在网络运行过程中新测量到的链路状态数据输入到步骤4所获得的链路质量识别模型中，输出该链路的链路质量等级。
[0044]
本发明的有益效果在于：
[0045]
1、本发明通过提取丰富、细粒度的数据特征，构建链路质量评估特征体系，能够很好地表征当前链路的状态，为链路质量识别模型提供更加合理、可靠的数据样本。
[0046]
2、本发明采用准确度与泛化能力更强的随机森林模型应用于链路质量识别，并采用分层采样法获取3种等级链路质量相同的样本数据，降低不平衡数据对模型泛化能力的影响，提升模型分类识别的准确度。
[0047]
3、本发明将麻雀搜索算法与随机森林模型结合，对于任何链路状态的数据均能够找到模型的最优参数，并引入蝴蝶优化算法对麻雀位置更新策略进行优化，通过适应缩小搜索空间方法控制麻雀的搜索空间，使得算法能够快速找到全局最优解，进一步提升模型分类识别的准确度，增强了有无人协同网络的稳定性和可靠性。
附图说明
[0048]
图1为本发明实施例中基于改进麻雀搜索算法的随机森林链路质量识别模型计算流程图。
[0049]
图2为本发明中随机森林模型计算流程图。
[0050]
图3为本发明中实例中构建评估指标体系仿真实验图。
[0051]
图4为本发明实施例中典型分类模型对比实验图。
[0052]
图5为本发明实施例中麻雀搜索算法和改进麻雀搜索算法对比实验图。
[0053]
图6为本发明中改进随机森林模型评估链路质量方法的实验验证图。
具体实施方式
[0054]
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例、相应的附图以及实验验证对本发明的技术方案进行清晰、完整地描述。
[0055]
一种基于随机森林的有无人协同网络链路质量评估方法，该方法首先构建空有无人协同网络链路质量评估指标体系；其次，构建随机森林分类模型，并通过分层采样方法改进随机森林分类模型无法处理不平衡数据的缺点；接下来利用最新提出的麻雀搜索算法优
化随机森林模型参数，并引入蝴蝶优化算法优化种群中发现者位置更新方法，设计自适应缩小搜索空间机制限制种群的搜索空间，提升麻雀搜索算法全局搜索能力的同时，加快算法收敛速度；最后，将链路质量最高的通信链路作为高层协议设计、资源调度的第一选择。
[0056]
该方法运行流程如图1所示，具体包括以下步骤：
[0057]
a.获取网络链路状态数据，构建链路质量特征体系，通过链路质量等级划分方法建立样本库；
[0058]
本发明获取物理层参数接收信号强度rssi作为链路状态数据样本，并提取rssi数值的移动平均值rssi
avg
、标准差rssi
std
、倒数rssi
rep
和一阶差分值rssi
diff
等特征值，构建链路质量特征体系f＝{rssi,rssi
avg
,rssi
std
,rssi
rep
,rssi
diff
}，计算公式如下：
[0059][0060]
其中，xi表示第i个样本数据；n表示一定时间间隔内获取的样本个数，即移动窗口内样本的个数；表示移动窗口内rssi数值的均值。
[0061]
采用包接收率prr作为划分链路质量等级的依据，将链路质量划分为3种等级y＝{y
good
,y
interm
,y
bad
}，分别是健康链路、良好链路和劣化链路，用公式描述如下：
[0062][0063]
构建的样本库包含健康链路、良好链路和劣化链路3种链路的样本数据。
[0064]
b.使用分层采样方法，获得不同链路质量等级相同的样本数，并建立训练样本库和测试样本库；
[0065]
具体过程为，先从少数类样本中抽取样本数据，再在多数类上抽取与少数类别等量的数据，改变各类数据在模型中的分布，使训练集中各类别的数据量相近，从而在样本均衡的条件下训练分类模型。
[0066]
c.采用改进麻雀搜索算法获取随机森林模型最优参数的具体过程如下：
[0067]
step1：初始化种群，迭代次数，初始化发现者和跟随者比例等参数；
[0068]
初始化麻雀种群参数，包括种群数量设置为50、迭代次数设置为30、维度设置为2，麻雀的位置初始化为：
[0069][0070]
其中，x
nd
第n只麻雀在第d维的位置。
[0071]
麻雀的位置(x
n1
,x
n2
)分别表示随机森林模型依据的决策树数量和树的最大深度，设定两个参数的上下边界分别为(1,1000)和(1,50)。
[0072]
step2：计算麻雀个体的适应度值并排序,找出最优和最差适应度值；
[0073]
适应度函数为随机森林对链路质量等级的识别准确率变化函数fn，根据麻雀的初始位置计算适应度值，确定最优适应度值fg和最差适应度值fw。
[0074]
step3：按比例选出部分麻雀作为发现者，引入蝴蝶优化算法更新发现者位置；
[0075]
按一定比例(20％)选出种群中适应度值较好的麻雀作为发现者，其余为跟随者。发现者负责为整个麻雀种群寻找食物并为所有跟随者提供觅食的方向。同时，种群中的任何一只麻雀只要可以搜寻到更优的食物位置，都可以成为发现者。由于麻雀搜索算法会早熟并陷入局部最优，因此引入蝴蝶优化算法中全局搜索阶段位置更新策略优化麻雀搜索算法中发现者的位置更新策略，其公式描述如下：
[0076][0077]
其中，t代表当前迭代次数；x
best
是当前迭代的全局最优位置解；fn表示第n只麻雀的适应度值；r为[0,1]范围内的随机数；q为服从标准正态分布的随机数；l表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1，d为维度大小；r2∈[0,1]和st∈[0.5,1]分别表示预警值和安全值。当r2《st时，这意味着此时搜索环境安全，觅食周围没有捕食者或其他危险，发现者可广泛搜索，引导种群获取更高的适应度；如果r2≥st，这表示种群中侦查麻雀已经发现捕食者，并向种群释放危险信号，种群中麻雀调整搜索策略，迅速飞到其它安全的地方进行觅食。
[0078]
改进后的位置更新公式中，一方面，在每一次迭代时麻雀个体都会与最优个体进行信息交流，以便充分利用当前最优解的信息，改善了原算法中缺乏个体间信息交流的缺陷；另一方面，蝴蝶优化算法的引入在一定程度上扩大了种群的搜索空间，然而，搜索空间扩大并不能保证算法全局寻优能力的提升，因此需要对搜索空间的扩展幅度进行限制。本发明提出一种自适应缩小搜索空间的策略，通过控制搜索空间的上下限，将搜索空间限制在一定范围内，加快种群收敛速度，其具体描述如下：
[0079][0080]
其中，x
d,lb
和x
d,ub
分别为第d维的搜索下限和上限；x
d,in
和x
d,ax
分别为当前第d维的最小值和最大值；代表当前全局最优个体在第d维的位置；r
t
为空间缩小系数；t为最大迭代次数。在迭代过程中随着r
t
的增大，搜索空间不断缩小，在控制搜索空间的扩展幅度的同时，也提高了算法的收敛速度。
[0081]
step4：更新跟随者位置；
[0082]
除了发现者，剩余的麻雀均作为跟随者，它们会时刻观察发现者的行为，随着发现者的行为调整自己的位置，一旦它们察觉到发现者已经找到了更好的食物，它们会立即离开现在的位置去争夺食物，跟随者的位置更新描述如下：
[0083]
[0084]
其中，是目前发现者所占据的最优位置；则表示当前迭代t次全局最差的位置。a表示一个1
×
d的矩阵，其中每个元素随机赋值为1或-1，并且a
+
＝a
t
(aa
t
)-1
；当n》n/2时，表明适应度值较低的第n个加入者没有获得食物，处于十分饥饿的状态，此时需要在更大范围搜索食物，以获得更多的能量。
[0085]
step5：随机从整个种群中选出部分具有侦察预警机制的麻雀作为侦察者，并更新位置；
[0086]
侦察者在种群中会意识到危险，从而调整在麻雀种群的整体位置，这部分麻雀在整个种群中随机产生，一般占整个种群的10％～20％，位置更新描述如下：
[0087][0088]
其中，β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；k是[-1,1中的一个随机数，表示麻雀移动的方向，同时也是步长控制参数；fg和fw分别是当前全局最优和最差适应度值；ε是避免出现零误差的最小常数。当fn》fg时，表明该麻雀正处于种群的边缘，极易受到捕食者攻击；当fn＝fg时，表明该麻雀意识到捕食者的威胁，需要靠近其他麻雀来调整搜索策略，从而避免被捕食者攻击。
[0089]
step6：计算更新后的整个麻雀种群的适应度值并更新麻雀位置；
[0090]
step7：是否满足停止条件，满足则退出，输出结果，否则，重复执行step2-6。
[0091]
将训练样本库划分为训练数据和验证数据，划分比为7:3，获取每次迭代后最优适应度值来初始化随机森林，用训练数据对模型进行训练，将验证数据输入模型得到识别准确率并返回给下一轮迭代，直至达到设置的迭代次数，停止迭代并获取随机森林模型的最优参数。
[0092]
d.构建随机森林识别模型：
[0093]
利用改进麻雀搜索算法得到的随机森林模型最优参数初始化模型，使用完整的训练样本库对模型进行训练，并使用测试样本库进行验证，判断识别准确率是否符合设定阈值要求，如果低于设定阈值，则返回步骤3，增大迭代次数，修正参数值，从而获取符合要求的链路质量识别模型。
[0094]
随机森林模型具有训练速度快，不易过拟合，适用于特征缺失、高维数据等优点，其基本原理如图2所示：
[0095]
step1：从原始数据样本中通过bootstrap有放回抽样方法随机取样得到n个训练数据集；
[0096]
step2：从每个训练数据集中随机选择k个特征(k小于原始数据总共的特征)；
[0097]
step3：根据这k个特征建立起来n棵决策树(弱分类器)；
[0098]
step4：应用每个决策树来预测结果，并且保存所有预测的结果；
[0099]
step5：对分类模型进行投票，计算每个预测结果的得票数，选择得票数最高的模型作为最终决策。
[0100]
e.将网络运行过程中新测量到的链路状态数据输入识别模型中，输出该链路的链路质量等级。
[0101]
f.仿真实验
[0102]
(1)实验数据集
[0103]
本发明采用rutgers大学在orbit试验台上测量rssi的数据集对本发明提出方法的有效性进行验证。该数据集包含有关物理节点的位置、发送数据包的时间戳和所用设备的硬件信息，每个物理节点的数据集包含原始的rssi值和序列号，并且将各种级别的噪声注入orbit测试台，记录每个物理节点处每个正确接收帧的rssi。由于该数据集数据规模大，结构简单完整，不需要复杂的数据预处理，已经被证明是最适合基于数据驱动的机器学习链路质量评估模型的数据集。
[0104]
(2)特征选择实验
[0105]
通过特征变换与特征选择，将数据特征分为13个编组，如表1所示。每个特征编组的训练数据样本集相同，且均通过随机森林模型进行来链路质量评估与分类，多次实验取均值的分类结果如图3所示。从图中可以看出，本发明构建的特征体系最终的识别准确度最高，且特征并不是越多越好，特征越多可能会形成特征冗余，反而降低模型的分类准确度。
[0106]
表1特征分组实验表
[0107][0108][0109]
(3)分类模型对比实验
[0110]
为验证随机森林分类模型在rutgers数据集上表现的优越性，将随机森林rf分类模型与逻辑回归lg、决策树dt、全连接神经网络mlp、支持向量机svm等分类模型进行对比分析实验。实验结果如图4所示，左边纵坐标表示模型的识别精度，右边纵坐标表示模型运行时间，横坐标表示各个分类模型，good、interm和bad分别表示链路质量等级的健康链路、良好链路和劣化链路。
[0111]
从图中可以看出，lg分类模型在rutgers数据集上各方面表现较差；dt分类模型运行时间最少，但其分类准确度较差，且其容易过拟合，泛化能力差；mlp分类模型的分类准确度较高，但其运行时间过长；svm分类模型在许多数据集上表现良好，但其在数据样本较多的rutgers数据集上表现一般，训练时间较长，且各种链路质量的分类准确度差异较大；rf分类模型在运行时间和综合识别准确度上表现良好，能够胜任链路质量评估任务。
[0112]
(4)模型改进对比试验
[0113]
rutgers数据集是一个不平衡数据集，其中健康链路(good)占比大约63％，良好链路(interm)占比大约32.6％，劣化链路(bad)占比4.4％，但该数据集样本数据量大，占比最
少的bad链路具有大约50000个样本数据，因此本发明提出的改进数据样本采样方法并不会降低数据特征的丰富度。
[0114]
通过设置麻雀搜索算法ssa和改进麻雀搜索算法issa算法对比试验，证明本发明引入蝴蝶优化算法和设计自适应缩小搜索空间方法的有效性。如图5所示，issa算法不但能够寻找全局最优阶，使分类模型获得较高准确度，而且提升了算法的收敛速度。因此issa算法有效地提升了模型的分类精度与运行速度。
[0115]
通过设置rf模型与改进rf模型(brf)以及基于issa算法优化的rf模型(issa-brf)的链路质量分类对比试验，证明本发明提出改进措施的有效性。如图6所示，传统的rf模型在不平衡数据中表现较差，虽然具有大量样本的good链路识别准确度较高，但少数样本的interm链路识别效果很差，导致模型的整体识别准确度较低；改进采样方法的brf分类模型识别interm链路的能力有了较大的提升，但由于未采用优化算法，模型的超参数无法设置为最优，因此总体识别准确度较差；本发明提出的issa-brf模型，在少数样本的interm链路和整体识别准确度方面均展现出优势，由此可证明本发明提出方法的有效性。
[0116]
总之，本发明首先构建链路质量评估指标体系；然后构建随机森林模型，并通过分层采样法平衡样本数据；接下来采用麻雀搜索算法优化随机森林模型的超参数，并通过引入蝴蝶优化算法改进麻雀搜索算法中发现者位置更新方法，设计自适应缩小搜索空间机制限制每次迭代中种群的搜索空间，增强麻雀种群全局搜索能力，提升算法的收敛速度；最后基于改进麻雀搜索算法优化的随机森林分类模型实现对网络链路质量评估，为有无人协同自组织网络的可靠部署、路由策略和资源管理等高层协议奠定基础。本发明解决了传统链路质量评估算法构建评估指标体系复杂，难以给出准确的链路等级，算法收敛速度不能保障，无法满足未来有无人协同组网的需求等问题，提升了链路质量评估的准确度和收敛速度，增强了有无人协同网互联互通的稳定性和可靠性。

技术特征：
1.一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，包括以下步骤：步骤1，提取网络运行过程中链路状态数据，构建链路质量特征体系，通过链路质量等级划分方法建立样本库；步骤2，使用分层采样方法，获得不同链路质量等级的相同数量的样本，并建立训练样本库和测试样本库；步骤3，初始化麻雀种群参数，将随机森林模型对链路质量等级的识别准确率作为适应度函数，传入麻雀搜索算法，引入蝴蝶优化算法改进麻雀位置更新策略，并通过自适应缩小搜索空间方法限制麻雀的搜索空间，迭代寻优，获取随机森林模型的最优参数；步骤4，使用得到的最优参数初始化随机森林模型，使用训练样本库训练模型，并用测试样本库进行验证，获取链路质量识别模型；步骤5，将待测数据输入到链路质量识别模型，输出链路质量等级。2.如权利要求1所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，所述步骤1中的链路状态数据为物理层参数接收信号强度rssi，构建的链路质量特征体系为f＝{rssi,rssi
avg
,rssi
std
,rssi
rep
,rssi
diff
}，计算公式如下：其中，x
i
表示第i个样本数据；n表示一定时间间隔内获取的样本个数，即移动窗口内样本的个数；表示移动窗口内rssi数值的均值，rssi
ang
、rssi
std
、rssi
rep
和rssi
diff
分别表示rssi数据的移动平均值、标准差、倒数和一阶差分值。3.如权利要求1所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，所述步骤1中链路质量等级划分方法采用包接收率prr作为划分依据，将链路质量划分为3种等级y＝{y
good
,y
inter
,y
bad
}，分别是健康链路、良好链路和劣化链路，用公式描述如下：构建的样本库包含健康链路、良好链路和劣化链路3种链路的样本数据。4.如权利要求1所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，所述步骤2中使用分层采样方法，获得不同链路质量等级相同的样本数，其具体过程为：先从少数类样本中抽取样本数据，再在多数类上抽取与少数类等量的数据，改变各类数据在模型中的分布，使训练集中各类别的数据量相近，从而在样本均衡的条件下训练分类模型。5.如权利要求1所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特
征在于，所述步骤3中随机森林模型最优参数的获取过程为：步骤301：初始化麻雀种群参数，包括种群数量、麻雀的位置、迭代次数、维度，其中，麻雀的位置(x,y)分别表示随机森林依据的决策树数量和树的最大深度，设定两个参数的上下边界；步骤302：适应度函数为随机森林对链路质量等级的识别准确率变化函数，采用蝴蝶优化算法改进麻雀位置更新策略，并通过自适应缩小搜索空间方法限制麻雀的搜索空间，快速寻找全局最优适应度值，即随机森林模型最优参数；步骤303：将训练样本库划分为训练数据和验证数据，获取每次迭代后最优适应度值来初始化随机森林，用训练数据对模型进行训练，将验证数据输入模型得到识别准确率并返回给下一轮迭代，直至达到设置的迭代次数，停止迭代并获取随机森林模型的最优参数。6.如权利要求5所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，所述步骤3中采用蝴蝶优化算法改进麻雀搜索算法的具体过程如下：初始化n＝{1,2,
…
,n}只麻雀在d＝{1,2,
…
,d}维搜索空间中的位置：其中，x
nd
为第n只麻雀在第d维的位置；将种群内的个体分为发现者、追随者和侦察者，其中在每次迭代过程中，引入蝴蝶优化算法改进发现者的位置更新公式为：其中，t代表当前迭代次数；x
best
是当前迭代的全局最优位置解；f
n
表示第n只麻雀的适应度值；r为[0,1]范围内的随机数；q为服从标准正态分布的随机数；l表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1，d为维度大小；r2∈[0,1]和st∈[0.5,1]分别表示预警值和安全值；当r2<st时，意味着此时搜索环境安全，觅食周围没有捕食者或其他危险，发现者可广泛搜索，引导种群获取更高的适应度；如果r2≥st，则表示种群中侦查麻雀已经发现捕食者，并向种群释放危险信号，种群中麻雀调整搜索策略，迅速飞到其它安全的地方进行觅食；采用自适应缩小搜索空间的策略，控制改进麻雀搜索算法中麻雀的搜索空间，加快种群收敛速度，其具体方式如下：其中，x
d,lb
和x
d,ub
分别为第d维的搜索下限和上限；x
d,in
和x
d,ax
分别为当前第d维的最小值和最大值；代表当前全局最优个体在第d维的位置；r
t
为空间缩小系数；t为最大迭代次数；在迭代过程中随着r
t
的增大，搜索空间不断缩小，在控制搜索空间的扩展幅度的同时，提高了算法的收敛速度；
跟随者位置更新方式如下：其中，是目前发现者所占据的最优位置；表示当前迭代t次全局最差的位置；a表示一个1
×
d的矩阵，其中每个元素随机赋值为1或-1，并且a
+
＝a
t
(aa
t
)-1
；当n>n/2时，表明适应度值较低的第n个加入者没有获得食物，处于十分饥饿的状态，此时需要在更大范围搜索食物，以获得更多的能量；侦察者位置更新方式如下：其中，β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；k是[-1,1]中的一个随机数，表示麻雀移动的方向，同时也是步长控制参数；f
g
和f
w
分别是当前全局最佳和最差的适应度值；ε是避免出现零误差的最小常数；当f
n
>f
g
时，表明该麻雀正处于种群的边缘，极易受到捕食者攻击；当f
n
＝f
g
时，表明该麻雀意识到捕食者的威胁，需要靠近其他麻雀来调整搜索策略，从而避免被捕食者攻击。7.如权利要求1所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，所述步骤4的具体过程如下：利用改进麻雀搜索算法得到的随机森林模型最优参数初始化模型，使用完整的训练样本库对模型进行训练，并使用测试样本库进行验证，判断识别准确率是否符合设定阈值要求，如果低于设定阈值，则返回步骤3，增大迭代次数，修正参数值，从而获取符合要求的链路质量识别模型。8.如权利要求1所述的一种基于随机森林的有无人协同网络链路质量评估方法，其特征在于，所述步骤5中具体过程如下：将网络运行过程中新测量到的链路状态数据输入到步骤4所获得的链路质量识别模型中，输出该链路的链路质量等级。

技术总结
本发明提出一种基于随机森林的有无人协同网络链路质量评估方法，属于无线通信网络和有无人协同自组织网络领域。本发明首先构建链路质量评估指标体系；然后构建随机森林模型，并通过分层采样法平衡样本数据；接下来采用麻雀搜索算法优化随机森林模型的超参数，并通过引入蝴蝶优化算法改进麻雀搜索算法中发现者位置更新方法，并采用自适应缩小搜索空间机制限制每次迭代中种群的搜索空间；最后基于改进麻雀搜索算法优化的随机森林分类模型实现对网络链路质量评估。本发明提升了链路质量评估的准确度和收敛速度，增强了有无人协同网互联互通的稳定性和可靠性。互通的稳定性和可靠性。互通的稳定性和可靠性。


技术研发人员：肖哲 王洋洋 焦利彬 刘丽哲 甘瑞蒙 贾泽坤 刘永江
受保护的技术使用者：中国电子科技集团公司第五十四研究所
技术研发日：2023.05.12
技术公布日：2023/8/13