无线传感器网络是一种由大量的廉价微型传感器构成的网络,以传输数据为中心,通过自组织和多跳的方式组网通信,拓扑结构具有动态性。由于网络中的传感器节点通过电磁波进行无线通信且供电电池容量有限,受到多径效应、环境噪声和信号干扰的影响,导致链路不稳定。因此,如果能够预测链路质量,通过选择高质量的链路进行通信,就能够提高数据的成功传输率、延长网络寿命。课题来源于国家自然科学基金,研究无线传感器网络链路质量预测方法。论文分析了无线传感器网络链路的特性,介绍了国内外现有的链路质量预测方法,提出一种基于AdaBoost(Adaptive Boosting)的链路质量评估模型。该模型采用基于密度的无监督聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)对物理层参数进行聚类,以簇中包接收率的大小依次确定链路质量等级,采用支持向量分类机作为AdaBoost的个体学习器,构建物理层参数和链路质量等级之间的映射关系;依据链路质量时间序列的特点,采用支持向量回归机作为AdaBoost回归的个体回归机,以历史时间片的链路质量等级作为输入,下一时间片的链路质量等级作为输出,建立基于AdaBoost的链路质量预测模型,预测下一时刻链路质量等级。论文选定大学校园广场、走廊、校园小树林、校园停车场、办公室内五个场景进行实验,对收集的各个场景下的链路质量数据进行降噪、标准化处理,仿真实验表明,与采用决策树为个体学习器的AdaBoost模型相比,采用支持向量分类机为个体学习器的AdaBoost评估模型具有更高的评估准确率;与基于动态贝叶斯的预测模型比较,基于AdaBoost的链路质量预测模型能够更准确地预测链路质量。