The invention discloses a decision tree model-based multi-network coexistence state prediction method for wireless body area network, which divides the coexistence state into four categories: empty state, static state, semi-dynamic state and dynamic state, in order to ensure that the coexistence problem can be detected in time, and subsequently, suitable processing methods can be quickly selected for different states to solve the problem. In this method, decision tree model is adopted, and the three features of PER, SSI and LC, which can reflect the intensity of human movement and interference, are used as input of the model. The invention is simple to implement, widely applicable to scenarios, and has high accuracy and timeliness for prediction of coexistence state.
【技术实现步骤摘要】
一种基于决策树模型的无线体域网多网共存状态预测方法
本专利技术涉及无线通信
，是一种在无线体域网中通过机器学习中的决策树模型来预测多网共存状态的方法。该方法主要用于解决多个无线体域网的共存问题，对网络共存状态的预测具有较高的准确率和时效性，能够确保共存问题可以被及时检测。
技术介绍
无线体域网是一种以人体为中心，由各种置于人体体内、体表或布置在人体周围的无线传感器节点组成的可穿戴式无线网络，其节点具有低功耗、小型化、智能化等特征。无线体域网被设计为可以工作于以2.45GHz为中心的免授权的工业、科学与医学频段上，这是一个非常拥挤的频段，包括WiFi(IEEE802.11)、蓝牙(IEEE802.15.1)、ZigBee(IEEE802.15.4)等标准都工作于上。基于IEEE802.15.6标准，单一无线体域网中的节点可以通过复用技术来避免干扰，如时分复用等，因此网内干扰一般不是重点考虑的问题。但由于受限的带宽和无线体域网的移动性，一个体域网会在它的通信范围内遭遇另一个体域网，而多个网络在同一时刻使用相同信道会产生网间干扰，并导致接收信号强度的下降和误包率的...
【技术保护点】
1.一种基于决策树模型的无线体域网多网共存状态预测方法，目的在于确保共存问题可以被及时检测，主要过程包括：A.将无线体域网的多网共存状态分为四类：空态、静态、半动态和动态；B.采用机器学习中的决策树模型作为预测模型；C.对头部传感器节点采集的数据进行特征提取，作为模型的输入；D.根据所提出的共存状态预测算法流程，对无线体域网当前的共存状态进行预测。
【技术特征摘要】
1.一种基于决策树模型的无线体域网多网共存状态预测方法，目的在于确保共存问题可以被及时检测，主要过程包括：A.将无线体域网的多网共存状态分为四类：空态、静态、半动态和动态；B.采用机器学习中的决策树模型作为预测模型；C.对头部传感器节点采集的数据进行特征提取，作为模型的输入；D.根据所提出的共存状态预测算法流程，对无线体域网当前的共存状态进行预测。2.如权利要求1所述的方法，其特征在于，参考IEEE802.15.6标准给出的三个移动等级，将无线体域网的多网共存状态定义为四类：空态、静态、半动态和动态，以确保共存问题可以被及时检测，而后续可以根据不同的状态采取不同的处理方式；之后根据实验生成的决策树模型的参数，对四类状态进行了定量定义。3.如权利要求1所述的方法，其特征在于，采用了机器学习中的决策树模型...
【专利技术属性】
技术研发人员：孙咏梅，陈廷硕，纪越峰，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。