-
公开(公告)号：CN116108353B
公开(公告)日：2023-06-16
申请号：CN202310384534.8
申请日：2023-04-12
Applicant: 厦门大学
IPC: G06F18/214 , G06N3/0464 , G06N3/09
Abstract: 一种基于数据分组的小样本深度学习水声目标识别方法，涉及水声识别领域。在深度学习的水声识别方法中，水声样本训练集被交错划分为n组子训练集；水声样本训练集使用子训练集，以水声识别子模型的形式独立训练，以降低水声数据搜集周期长导致的小样本问题对训练效果的不良影响；在水声识别子模型的训练过程中，迭代输出损失值，加权计算出总模型的总损失值，采用总损失值梯度下降算法的子模型权重迭代计算，以达到减缓水声数据中的少量异常数据对模型训练的干扰效果的目的。
-
公开(公告)号：CN115987886B
公开(公告)日：2024-06-04
申请号：CN202211653973.6
申请日：2022-12-22
Applicant: 厦门大学
Abstract: 一种基于元学习参数优化的水声网络Q学习路由方法，涉及水下通信。在水声传感器网络节点中，簇头CH节点只负责计算数据最优传输路径和与其它非簇头节点进行单通道通信，其余非簇头节点负责数据传输；簇头CH节点根据剩余能量和深度，采用基于元学习参数优化的Q学习策略，计算全簇内最优传输路径，以达到缓解个别节点因频繁参与传输数据导致能量过早耗尽造成的网络能量空洞问题，从而延长整个网络寿命；采用元学习自主优化Q学习算法的奖励函数各参数权重设置，可动态地根据簇内平均剩余能量信息的变化进行参数优化，从而达到基于Q学习的路由协议最大优化适应性效果。
-
Patent Agency Ranking
公开(公告)号：CN116108353A
公开(公告)日：2023-05-12
申请号：CN202310384534.8
申请日：2023-04-12
Applicant: 厦门大学
IPC: G06F18/214 , G06N3/0464 , G06N3/09
Abstract: 一种基于数据分组的小样本深度学习水声目标识别方法，涉及水声识别领域。在深度学习的水声识别方法中，水声样本训练集被交错划分为n组子训练集；水声样本训练集使用子训练集，以水声识别子模型的形式独立训练，以降低水声数据搜集周期长导致的小样本问题对训练效果的不良影响；在水声识别子模型的训练过程中，迭代输出损失值，加权计算出总模型的总损失值，采用总损失值梯度下降算法的子模型权重迭代计算，以达到减缓水声数据中的少量异常数据对模型训练的干扰效果的目的。
-
公开(公告)号：CN115002865A
公开(公告)日：2022-09-02
申请号：CN202210638987.4
申请日：2022-06-07
Applicant: 厦门大学
Abstract: 基于Q学习和数据分级的水声网络动态计算簇头路由方法，涉及水声通信网络。将水下节点分簇，设簇头CH节点为计算簇头，负责计算数据传输的最优路径以及Q值表的存储，非簇头节点负责数据信号传输。根据水声网络节点的初始位置，选择初始簇头CH节点，再根据非簇头节点的能量变化率选择备用簇头。根据数据优先级程度不同进行数据分级，选择不同的数据传输模式，以保证较高数据优先级的节点优先传输；当初始计算簇头CH节点的剩余能量接近于阈值时，其与备用簇头进行任务交接，优化簇内节点能量的均匀分布，对水声通信网络能量资源的分配进行更加合理的规划，实现水声通信网络基于Q学习和数据优先级的水声通信能耗和时延优化功能。
-
公开(公告)号：CN115002865B
公开(公告)日：2024-09-03
申请号：CN202210638987.4
申请日：2022-06-07
Applicant: 厦门大学
Abstract: 基于Q学习和数据分级的水声网络动态计算簇头路由方法，涉及水声通信网络。将水下节点分簇，设簇头CH节点为计算簇头，负责计算数据传输的最优路径以及Q值表的存储，非簇头节点负责数据信号传输。根据水声网络节点的初始位置，选择初始簇头CH节点，再根据非簇头节点的能量变化率选择备用簇头。根据数据优先级程度不同进行数据分级，选择不同的数据传输模式，以保证较高数据优先级的节点优先传输；当初始计算簇头CH节点的剩余能量接近于阈值时，其与备用簇头进行任务交接，优化簇内节点能量的均匀分布，对水声通信网络能量资源的分配进行更加合理的规划，实现水声通信网络基于Q学习和数据优先级的水声通信能耗和时延优化功能。
-
公开(公告)号：CN115987886A
公开(公告)日：2023-04-18
申请号：CN202211653973.6
申请日：2022-12-22
Applicant: 厦门大学
Abstract: 一种基于元学习参数优化的水声网络Q学习路由方法，涉及水下通信。在水声传感器网络节点中，簇头CH节点只负责计算数据最优传输路径和与其它非簇头节点进行单通道通信，其余非簇头节点负责数据传输；簇头CH节点根据剩余能量和深度，采用基于元学习参数优化的Q学习策略，计算全簇内最优传输路径，以达到缓解个别节点因频繁参与传输数据导致能量过早耗尽造成的网络能量空洞问题，从而延长整个网络寿命；采用元学习自主优化Q学习算法的奖励函数各参数权重设置，可动态地根据簇内平均剩余能量信息的变化进行参数优化，从而达到基于Q学习的路由协议最大优化适应性效果。
-
公开(公告)号：CN115604740A
公开(公告)日：2023-01-13
申请号：CN202211240085.1
申请日：2022-10-11
Applicant: 厦门大学(CN)
Abstract: 一种基于BP神经网络的水声传感网动态分层路由方法，涉及水下通信。水声传感网路分顶层、中间层、底层，用BP神经网络提取节点和环境特征信息，网络分层训练得基于BP神经网络的动态分层路由模型，不同路由层中的节点按信息重要程度、所属层级和节点深度信息设计不同的权重计算方式形成节点转发函数FF。节点受水下声源激活，向水面汇聚(Sink)节点传输信息，Sink节点间无线电通信，将数据传至岸上控制中心。Sink节点处理其对应水域范围内节点感知的水下信息，BP神经网络训练动态分层模型分层预测。预测结果Sink节点广播至各节点，节点动态调整自身工作模式，提高水下通信质量、减少能量空洞和延长网络寿命。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
