-
公开(公告)号：CN119011107A
公开(公告)日：2024-11-22
申请号：CN202411277728.9
申请日：2024-09-12
Abstract: 基于Q学习和精准调度的水声网络介质访问控制方法，涉及水声网络。在水声传感器网络中，感知海洋数据的节点位置存在不确定性。当传感器节点给信宿传输数据时，可将整个过程分为若干时隙。由于节点的时空不确定性和水声传输固有的低速现象，所有节点同时向信宿传输数据能减少冲突，提高信道利用率；结合Q学习算法，节点根据所收到的反馈信号更新其数据传输的时间点，减少冲突。本发明针对水声传感器网络多址接入时的高碰撞率、低吞吐量及低信道利用率等问题，通过采用全双工工作模式的水声传感器，采取并发调度，让数据同时传输，利用Q学习算法精准调度优化设计，提供一种快速收敛的介质访问控制方法，实现高吞吐量、高信道利用率的网络性能。
-
公开(公告)号：CN115002824B
公开(公告)日：2024-08-20
申请号：CN202210578580.7
申请日：2022-05-25
Applicant: 厦门大学
Abstract: 基于LSTM的水声网络数据实时故障检测及恢复方法，涉及水声网络。将LSTM应用于水声网络的每个节点处，基于LSTM对节点最初的感知数据进行训练得到优化的LSTM网络模型，将检测时刻前一定长度的数据输入模型并预测检测时刻的感知数据，进而计算真实感知数据与预测值的相对误差，最后通过相对误差的绝对值与阈值相比较而判断此刻感知数据是否存在故障，并且及时以预测值替换存在故障的感知数据而达到故障恢复的作用。避免簇头或基站搜集数据时数据传输耗时而导致故障检测的延时，实现对节点数据故障的实时检测；同时，也实现对水声网络节点感知数据故障的及时恢复机制，保证网络传输数据的可靠性。
-
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。
-
公开(公告)号：CN117395626B
公开(公告)日：2024-02-09
申请号：CN202311685969.2
申请日：2023-12-11
Applicant: 厦门大学
IPC: H04W4/38 , G06N3/0985 , G06N3/084 , G01N33/18 , H04W52/24 , H04W52/22 , H04W52/38 , H04B13/02 , H04B11/00
Abstract: 基于元学习及NOMA的水声网络水质监测数据搜集方法，涉及水下通信领域。在非正交多址接入（NOMA）的水声网络水质监测数据搜集方法中，搜集海洋瞬时信道状态，根据瞬时信道状态利用元学习调整水声节点发送信号的功率分配因子；元学习模型使用已知水声节点历史信道状态及其对应最优功率分配因子作为训练任务集、当前海域测得少量样本作为测试任务集；在训练过程中利用梯度下降法更新参数，根据瞬时信道状态计算出最佳功率分配因子，以达到适应复杂(56)对比文件Rui Jiang等.“Joint User-SubcarrierPairing and Power Allocation for UplinkACO-OFDM-NOMA Underwater Visible LightCommunication Systems”《.JOURNAL OFLIGHTWAVE TECHNOLOGY》.2020,第39卷(第7期),全文.曹欢欢;宋康;李春国;方世良;杨绿溪.无线充电的水声通信系统资源分配方案.东南大学学报(自然科学版).2016,(第05期),全文.
-
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。
-
Patent Agency Ranking
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：CN117395626A
公开(公告)日：2024-01-12
申请号：CN202311685969.2
申请日：2023-12-11
Applicant: 厦门大学
IPC: H04W4/38 , G06N3/0985 , G06N3/084 , G01N33/18 , H04W52/24 , H04W52/22 , H04W52/38 , H04B13/02 , H04B11/00
Abstract: 基于元学习及NOMA的水声网络水质监测数据搜集方法，涉及水下通信领域。在非正交多址接入（NOMA）的水声网络水质监测数据搜集方法中，搜集海洋瞬时信道状态，根据瞬时信道状态利用元学习调整水声节点发送信号的功率分配因子；元学习模型使用已知水声节点历史信道状态及其对应最优功率分配因子作为训练任务集、当前海域测得少量样本作为测试任务集；在训练过程中利用梯度下降法更新参数，根据瞬时信道状态计算出最佳功率分配因子，以达到适应复杂多变的海洋环境的目的。
-
公开(公告)号：CN116321431A
公开(公告)日：2023-06-23
申请号：CN202310298915.4
申请日：2023-03-24
Applicant: 厦门大学
IPC: H04W72/02 , H04W72/0446 , H04W72/53 , H04W4/38 , H04W24/02 , H04W84/18 , H04B13/02 , H04B11/00 , G06N20/00
Abstract: 基于元学习的超参数重加权水声网络介质访问控制方法，涉及水声网络。在单跳水声传感器网络中，设计一个基于双层优化的框架，通过采用基于元学习的算法提高水声数据传输效率。在核心层中，将信息关键度和传输节点剩余能量作为参数引入水声网络，利用元学习对它们的权重进行重加权，得到最优化的权重导入到嵌套层中；在嵌套层中，针对水声数据传输时延大、传输节点能量受限等特点，在介质访问控制中采用Q学习算法，避免数据传输发生碰撞造成的数据损失。将元学习与Q学习相结合，提高了数据传输效率，有效避免传输冲突和数据丢失，降低了水声数据传输的系统能量损耗，增强了水声传感器网络的稳定性。
-
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
11
records
(took 0.024 seconds)
