CN104811991A - 基于动态时间规整算法的无线链路质量预测方法 - Google Patents
基于动态时间规整算法的无线链路质量预测方法 Download PDFInfo
- Publication number
- CN104811991A CN104811991A CN201510184749.0A CN201510184749A CN104811991A CN 104811991 A CN104811991 A CN 104811991A CN 201510184749 A CN201510184749 A CN 201510184749A CN 104811991 A CN104811991 A CN 104811991A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise ratio
- training
- subsequence
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于动态时间规整算法的无线链路质量预测方法,其特征在于:采集节点间链路的信噪比;对链路信息信噪比进行去噪处理,并定义为训练序列;将训练序列进行分段,每段定义每段为训练子序列;采集当前时刻链路的信噪比,对其进行去噪后,定义为询问序列;利用动态时间规整算法计算询问序列与训练子序列之间的相似度;将计算的相似度结果进行比较;预测节点间链路下一时段的链路质量。本发明可以广泛应用于无线传感器网络领域,有效地预测链路质量,提高了链路传输的稳定性和可靠性。
Description
技术领域
本发明涉及一种无线传感器网络链路质量预测方法,特别是利用动态时间规整(Dynamic Time Warping,简称DTW)算法进行两个时间序列相似度分析从而对链路质量作出预测的方法。
背景技术
近年来,随着无线通信网络的快速发展,无线网络已经遍布世界各地。人们对于无线网络的需求和依赖性越来越大。拥有一个稳定可靠的网络系统对于提高工厂以及人们的工作效率有很大的帮助。无线传感网络的节点通常放置在恶劣的环境中,恶劣环境对节点间通信使用的无线电波影响较大,容易造成数据的丢失,数据丢失后一般采用重传机制,该机制虽然在一定程度上可以提高数据传输成功率但也造成能量的浪费,如果可以提前预测出链路质量较好的链路进行传输,则会提高数据传输率,并且可以节省节点的能量消耗。因此,对无线传感网络链路质量预测机制进行研究是很有必要的。
目前国内外在无线传感网络链路质量方面进行了大量研究,目前对无线传感器网络链路质量的预测现有的主要的技术方法有:
1、模糊神经网络方法,神经网络是模拟人脑结构的思维功能,具有较强的自学习和联想功能,人工干预少,精度较高,对专家知识的利用也较好。但缺点是它不能处理和描述模糊信息,不能很好利用已有的经验知识,特别是学习及问题的求解具有黑箱的特性,其工作不具有可解释性,同时它对样本的要求较高。
2、采用A-TEC算法,通过利用滑动窗口模型进行粗估计,但由于预测没有更为精确定量的算法,导致预测结果的精确度不够高。
高泽鹏,程良伦发表的“一种基于PRR的链路质量预测方法”(《传感器学报》,2011,24(7):1070-1074)通过对PRR值进行平滑处理,考虑了链路的不对称性,提出了A-TEC算法,在移动窗口平均模型下对PRR进行预测,虽然起到良好的效果,但是没有从定性和定量上分析算法,同时对节点的计算能力提出了很高的要求,而且执行速度慢,工作效率很低。
3、孙佩刚,赵海,罗玎玎发表的“无线传感器网络链路通信质量测量研究”(《通信学报》,2007,28(10):14-22)提出把几个链路性质指标用于模糊算法当中,并设计了几个对比实验来参考比较各个指标的适用情况,但是没有给出具体的预测算法和计算公式,这使得预测结果没有确定性,没能达到可靠,稳定的效果。
无线传感网络是由部署在监测区域内大量廉价微型传感器节点组成,通过无线通信方式形成的一个多跳自组织网络系统,是以应用为中心的一类网络,为人们提供与物理世界交互的手段。一方面,应用提出了苛刻的端到端可靠性要求;另一方面,底层的无线通信链路受各种因素的影响(比如电磁波的多径传播效应和背景噪声、在无线网络或其他电磁源中会产生一定量的干扰以及硬件收发器内在的噪声),导致节点间的通信链路质量会呈现不规则的变化,因此无线链路质量会表现出一定的时变性和动态性,难以实现准确的预测。
发明内容
本发明的目的是要克服上述各种技术方案的缺陷,提供一种可以提高预测结果的可靠性和准确性的预测方法。
为了实现本发明的目的,所采用的技术方案是提供一种基于动态时间规整算法的无线链路质量预测方法,其无线链路质量是由无线信号的信噪比所表征,包括链路信噪比训练数据采集与处理、待预测链路信噪比序列相似度匹配和链路质量预测,其具体步骤如下:
1、一种基于动态时间规整算法的无线链路质量预测方法,其特征在于,包括链路信噪比训练数据采集与处理、待预测链路信噪比序列相似度匹配和链路质量预测,其具体步骤如下:
步骤1,使用无线传感器网络中所规定的A节点按一定周期P连续采集无线传感器网络中规定的B节点发出的无线信号的信噪比,所采集的数据组成一段长度为K的信噪比时间序列,其中,100≤K≤1000,1s≤P≤3s;
步骤2,对步骤1所采集的信噪比时间序列进行滤波处理;
步骤3,存储滤波处理后的信噪比时间序列,标记为训练数据序列T,
T={T1,T2,T3,...,TK},
其中T1、T2、T3、TK分别表示经过滤波处理的第1、2、3、K次采集的信噪比;
步骤4,将长度为K的训练数据序列T切分成(K-M+1)个长度为M的训练子序列(t1,t2,t3,...,tK-M+1),其中M为小于20的正整数,各个训练子序列的表达式为:
t1={T1,...,TM};
t2={T2,...,TM+1};
t3={T3,...,TM+2};
……
tK-M+1={TK-M+1,...,TK};
t1、t2、t3、TK-M+1分别表示第1、2、3、K-M+1段训练子序列;TM、TM+1、TM+2、TK-M+1分别表示经过滤波处理的第M、M+1、M+2、K-M+1次采集的信噪比;
步骤5,使用步骤1中的A节点按相同的周期P连续采集B节点当前时刻的信噪比,并组成长度为M的信噪比时间序列;
步骤6,对步骤5所采集的长度为M的信噪比时间序列进行滤波处理,并把经过滤波处理的序列标记为当前询问序列Q,
Q={Q1,Q2,Q3,...,QM}
式中,Q1、Q2、Q3、QM分别表示经过滤波处理的当前链路第1、2、3、M次采集的信噪比;
步骤7,对步骤4中得到的每一个训练子序列,利用动态时间规整算法计算该训练子序列与步骤6中的当前询问序列Q之间的最优路径所对应的累积距离,其具体步骤包括:
步骤7.1,计算当前询问序列Q和训练子序列每个信噪比之间的相互距离,包括:列出长度均为M的两序列的信噪比值,构造成一个M×M的矩阵网格,计算每个信噪比值之间的距离,得到M×M个距离值,其中距离值的计算公式为:
di,j=(Qi-Tj)2
式中,di,j表示当前询问序列第i个信噪比与训练子序列第j个信噪比的距离值;
Qi表示当前询问序列中第i个信噪比数值;
Tj表示训练子序列中第j个信噪比数值;
步骤7.2,将步骤7.1求得距离值di,j按照其下标依次填入M×M矩阵网格相应的位置,其中i为行的位置,j为列的位置;
步骤7.3,按照路径约束条件,在M×M的网格中寻找出一条最优路径,并将该最优路径所经过的网格中的距离值累加求和,得出该最优路径所对应的累计距离,即该训练子序列与当前询问序列Q之间最优路径对应的累积距离;
步骤8,对步骤4中(K-M+1)个训练子序列用步骤7同样的方法计算出每个训练子序列与当前询问序列Q之间最优路径对应的累计距离,并进行比较,找出累计距离最小的训练子序列,定义该训练子序列为与当前询问序列相似度最高的训练子序列,记为R;
步骤9,将步骤8所得到的训练子序列R按照所采集时间顺序排列的下一段训练子序列设定为预测未来一段时间的链路质量。
优选地,步骤2所述的滤波方法选用卡尔曼滤波;
优选地,步骤7.3中所述的路径约束条件包括:
边界条件:路径必须是从M×M矩阵网格的左下角出发,在右上角结束;
连续性:路径只能沿着相邻以及对角的网格这三个方向延续。
最值性:在所形成的最优路径中必须满足其路径的距离值最小。
优选地,步骤7.3中所述的最优路径是指按照步骤7.3中所述的路径约束条件所形成的一条路径。
优选地,步骤9中所述的未来一段时间为权利要求1中步骤5所述的采集M个信噪比所使用的时间,即为(M×P)s。
与现有技术相比,本发明的有益效果如下:
1.利用卡尔曼滤波算法将采集到的时间序列信息进行去噪声处理,提高预测结果的可靠性,减少了由于噪声产生的预测误差;
2.克服了传统上利用欧氏距离方法计算序列之间相似性时距离点必须对应的问题,并且对时间序列同步问题不敏感,使得计算结果的可靠性和准确性提高。
附图说明
图1为本发明基本方法流程示意图。
图2为本发明实施例中收集的100次链路信噪比图。
图3为本发明实施例中经过噪声处理后的100次链路信噪比图。
图4为本发明动态时间规整算法原理示意图。
图5为本发明的具体实施方式预测结果比较图。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明。
图1为本发明基本方法流程示意图,其无线链路质量是由无线信号的信噪比所表征,由该图可见,本发明包括链路信噪比训练数据采集与处理、待预测链路信噪比序列相似度匹配和链路质量预测三个部分,具体步骤如下:
步骤1,使用无线传感器网络中所规定的A节点按一定周期P连续采集无线传感器网络中规定的B节点发出的无线信号的信噪比,所采集的数据组成一段长度为K的信噪比时间序列,其中,100≤K≤1000,1s≤P≤3s。在本实施例中,K为100,P为1s即连续采集100次无线信号的信噪比,组成长度为100的信噪比时间序列。图2为本实施例中收集的100次链路信噪比图。
步骤2,对步骤1所采集的信噪比时间序列进行滤波处理。
由于所测量得到的时间序列中存在测量误差点,为了减少这些噪声对实验结果产生的影响,因此使用卡尔曼滤波的方法滤除长度为100的信噪比时间序列的噪声,具体滤波过程为:
在本实施方案中噪声测量的卡尔曼滤波模型用以下等式(1),(2)描述:
Xk=AXk-1+wk (1)
zk=HXk+Vk (2)
式中:
Xk是第k次链路信噪比的状态变量;
A是系统状态转移矩阵,A=1;
Xk-1是第k-1次链路信噪比的状态变量;
H是观测矩阵,H=1;
zk是第k次链路信噪比的观测值;
wk和vk分别为状态噪声和观测噪声,他们是相互独立的随机噪声,并服从均值为0,方差为1的正态随机分布。
步骤3,存储滤波处理后的信噪比时间序列,标记为训练数据序列T,
T={T1,T2,T3,...T100},
其中,T1、T2、T3、T100分别表示经过滤波处理的第1、2、3、100次采集的信噪比。
图3为本发明实施例中经过噪声处理后的100次链路信噪比图。
步骤4,将长度为K的训练数据序列T切分成(K-M+1)个长度为M的训练子序列(t1,t2,t3,...,tK-M+1),其中M为小于20的正整数。本实施例中,K为100,M为5,即为将长度为100的训练数据序列T切分成96个长度为5的训练子序列{t1,t2,...,t96}。
各个训练子序列的表达式为:
t1={T1,T2,...,T5},
t2={T2,T3,...,T6},
……
t96={T96,T97,...,T100},
t1、t2、t96分别表示第1、2、96段训练子序列;
T5、T6、T100分别表示经过滤波处理的第5、6、100次采集的信噪比。
步骤5,使用步骤1中的A节点按相同的周期P连续采集B节点当前时刻的信噪比,并组成长度为M的信噪比时间序列;
在本实施例中,当节点A需要预测和节点B之间的链路质量时,节点A按周期P=1s连续采集5次B节点当前时刻链路的信噪比以组成长度为5的信噪比时间序列。
步骤6,对步骤5所采集的长度为M的信噪比时间序列采用卡尔曼滤波的方法滤除噪声后,将该序列标记为当前询问序列Q,
Q={Q1,Q2,...,Q5};
式中,Q1、Q2、Q5分别表示经过滤波处理的待预测链路第1、2、5次采集的信噪比。
步骤7,对步骤4中得到的每一个训练子序列,利用动态时间规整算法计算该训练子序列与步骤6中当前询问序列Q之间的最优路径所对应的累积距离。其具体步骤包括:
步骤7.1,计算当前询问序列Q和训练子序列每个信噪比之间的相互距离,包括:列出长度均为M的两序列的信噪比值,构造成一个M×M的矩阵网格,计算每个信噪比值之间的距离,得到M×M个距离值,其中距离值的计算公式为
di,j=(Qi-Tj)2 (3)
在本实施例中,构造一个5×5的距离矩阵网格,计算每一个信噪比之间的距离di,j=(Qi-Tj)2,1≤i≤5,1≤j≤5;
式中,di,j表示当前询问序列第i个信噪比与训练子序列第j个信噪比的距离值;
Qi表示当前询问序列第i个信噪比数值,其中:
Q1=18,Q2=18,Q3=19,Q4=20,Q5=18,
Tj表示训练子序列中第j个信噪比数值,其中:
T1=19,T2=18,T3=19,T4=18,T5=19,
按照公式(3)计算得到25个距离值,分别为
d1,1=1,d1,2=1,d1,3=0,d1,4=1,...d5,5=1,
步骤7.2,将步骤7.1求得的25个距离值di,j,按照其下标,依次填入M×M矩阵网格相应的位置,i为行的位置,j为列的位置。本实施例5×5的矩阵网格如图4所示;
步骤7.3,按照路径约束条件,在5×5的矩阵网格中寻找出一条最优路径,并将该最优路径所经过的网格中的距离值累加求和,得出该最优路径所对应的累计距离,即该训练子序列与当前询问序列Q之间最优路径对应的累积距离。
其中所述的路径约束条件包括:
1)边界条件:路径必须是从M×M矩阵网格的左下角出发,在右上角结束;
2)连续性:路径只能沿着相邻以及对角的网格这三个方向延续。
3)最值性:在所形成的最优路径中必须满足其路径的距离值最小。
通过按照以上的约束条件,我们寻找到一条最优路径,如图4中的箭头所示。通过计算我们可以得出图4中的最优路径对应的累积距离为1+0+0+1+0+4=6。
步骤8,对步骤4中96个训练子序列用步骤7同样的方法计算出每个训练子序列与当前询问序列Q之间最优路径对应的累计距离,并进行比较,找出累计距离最小的训练子序列,定义该训练子序列为与当前询问序列相似度最高的训练子序列,记为R。
在本发明中,我们将所有最优路径对应的累积距离求出后,进行相互比较,用最优路径对应的累积距离来度量两条时间序列之间的相似度,找出最优路径对应的累积距离最小的那段训练子序列,这段子序列表明它与当前询问序列的相似度最高。在本实施例中,通过比较我们得出训练子序列t11与当前询问序列之间最优路径对应的累积距离最小,等于6,所以t11与当前询问序列Q相似度最高,因此记训练子序列R=t11。
步骤9,将步骤8所得到的训练子序列R按照所采集时间顺序排列的下一段训练子序列设定为链路预测未来一段时间的链路质量。
在本实施例中,如图5所示,在预测无线链路未来一段时间的链路质量时,通过计算可以得出询问序列和训练子序列t11相似度最高,因此我们把训练子序列t11的下一段训练子序列t16设定为链路预测未来一段时间的链路质量,其预测时间长度为5×1s=5s。
通过实验结果如图5的预测部分所示,可以看出在图5中链路预测序列和实际测量序列的对比和放大图可以看出,未来5s内链路质量与训练子序列t16最相似。在本实施例所得到的预测结果中,最大预测绝对误差为0.14dB,相对误差为0.75%。本实施方案预测误差小于1%,预测结果验证了基于动态时间规整算法的无线链路质量预测方法是可行的。
Claims (5)
1.一种基于动态时间规整算法的无线链路质量预测方法,其特征在于,无线链路质量是由无线信号的信噪比所表征,预测方法包括链路信噪比训练数据采集与处理、待预测链路信噪比序列相似度匹配和链路质量预测,其具体步骤如下:
步骤1,使用无线传感器网络中所规定的A节点按一定周期P连续采集无线传感器网络中规定的B节点发出的无线信号的信噪比,所采集的数据组成一段长度为K的信噪比时间序列,其中,100≤K≤1000,1s≤P≤3s;
步骤2,对步骤1所采集的信噪比时间序列进行滤波处理;
步骤3,存储滤波处理后的信噪比时间序列,标记为训练数据序列T,
T={T1,T2,T3,...,TK},
其中T1、T2、T3、TK分别表示经过滤波处理的第1、2、3、K次采集的信噪比;
步骤4,将长度为K的训练数据序列T切分成(K-M+1)个长度为M的训练子序列(t1,t2,t3,...,tK-M+1),其中M为小于20的正整数,各个训练子序列的表达式为:
t1={T1,...,TM};
t2={T2,...,TM+1};
t3={T3,...,TM+2};
……
tK-M+1={TK-M+1,...,TK};
t1、t2、t3、TK-M+1分别表示第1、2、3、K-M+1段训练子序列;TM、TM+1、TM+2、TK-M+1分别表示经过滤波处理的第M、M+1、M+2、K-M+1次采集的信噪比;
步骤5,使用步骤1中的A节点按相同的周期P连续采集B节点当前时刻的信噪比,并组成长度为M的信噪比时间序列;
步骤6,对步骤5所采集的长度为M的信噪比时间序列进行滤波处理,并把经过滤波处理的序列标记为当前询问序列Q,
Q={Q1,Q2,Q3,...,QM}
式中,Q1、Q2、Q3、QM分别表示经过滤波处理的当前链路第1、2、3、M次采集的信噪比;
步骤7,对步骤4中得到的每一个训练子序列,利用动态时间规整算法计算该训练子序列与步骤6中的当前询问序列Q之间的最优路径所对应的累积距离,其具体步骤包括:
步骤7.1,计算当前询问序列Q和训练子序列每个信噪比之间的相互距离,包括:列出长度均为M的两序列的信噪比值,构造成一个M×M的矩阵网格,计算每个信噪比值之间的距离,得到M×M个距离值,其中距离值的计算公式为:
di,j=(Qi-Tj)2
式中,di,j表示当前询问序列第i个信噪比与训练子序列第j个信噪比的距离值;
Qi表示当前询问序列中第i个信噪比数值;
Tj表示训练子序列中第j个信噪比数值;
步骤7.2,将步骤7.1求得距离值di,j按照其下标依次填入M×M矩阵网格相应的位置,其中i为行的位置,j为列的位置;
步骤7.3,按照路径约束条件,在M×M的网格中寻找出一条最优路径,并将该最优路径所经过的网格中的距离值累加求和,得出该最优路径所对应的累计距离,即为该训练子序列与当前询问序列Q之间最优路径对应的累积距离;
步骤8,对步骤4中(K-M+1)个训练子序列用步骤7同样的方法计算出每个训练子序列与当前询问序列Q之间最优路径对应的累计距离,并进行比较,找出累计距离最小的训练子序列,定义该训练子序列为与当前询问序列相似度最高的训练子序列,记为R;
步骤9,将步骤8所得到的训练子序列R按照所采集时间顺序排列的下一段训练子序列设定为预测未来一段时间的链路质量。
2.根据权利要求1所述的基于动态时间规整算法的无线链路质量预测方法,其特征在于,步骤2中所述的滤波方法选用卡尔曼滤波。
3.根据权利要求1所述的基于动态时间规整算法的无线链路质量预测方法,其特征在于,步骤7.3中所述的路径约束条件包括:
边界条件:路径必须是从M×M矩阵网格的左下角出发,在右上角结束;
连续性:路径只能沿着相邻以及对角的网格这三个方向延续;
最值性:在所形成的最优路径中必须满足其路径的距离值最小。
4.根据权利要求1所述的基于动态时间规整算法的无线链路质量预测方法,其特征在于,步骤7.3中所述的最优路径是指按照权利步骤7.3中所述的路径约束条件所形成的一条路径。
5.根据权利要求1所述的基于动态时间规整算法的无线链路质量预测方法,其特征在于,步骤9中所述的未来一段时间为权利要求1中步骤5所述的采集M个信噪比所使用的时间,即为(M×P)s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184749.0A CN104811991B (zh) | 2015-04-17 | 2015-04-17 | 基于动态时间规整算法的无线链路质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184749.0A CN104811991B (zh) | 2015-04-17 | 2015-04-17 | 基于动态时间规整算法的无线链路质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104811991A true CN104811991A (zh) | 2015-07-29 |
CN104811991B CN104811991B (zh) | 2018-07-06 |
Family
ID=53696367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510184749.0A Active CN104811991B (zh) | 2015-04-17 | 2015-04-17 | 基于动态时间规整算法的无线链路质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104811991B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685435A (zh) * | 2016-12-14 | 2017-05-17 | 芯海科技(深圳)股份有限公司 | 一种低信噪比信号中快速提高有效信号变化量的方法 |
CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
CN108684052A (zh) * | 2018-07-13 | 2018-10-19 | 南京理工大学 | 一种高自由度水下传感器网络中无线链路质量预测方法 |
CN110996341A (zh) * | 2020-03-02 | 2020-04-10 | 南京感深科技有限公司 | 一种跨协议干扰下的低功率无线链路质量估计方法 |
CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
CN112913275A (zh) * | 2018-10-30 | 2021-06-04 | 上海诺基亚贝尔股份有限公司 | 用于链路适配的sinr预测的方法和装置 |
CN112926613A (zh) * | 2019-12-06 | 2021-06-08 | 北京沃东天骏信息技术有限公司 | 一种时间序列训练开始节点的定位方法和装置 |
CN113938227A (zh) * | 2021-10-08 | 2022-01-14 | 天津津航计算技术研究所 | 一种基于迭代译码的信噪比强弱动态判定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006279121A (ja) * | 2005-03-28 | 2006-10-12 | Fujitsu Ltd | 移動速度推定回路および移動速度推定方法、回線品質推定回路 |
CN101834814A (zh) * | 2010-05-21 | 2010-09-15 | 西安电子科技大学 | 基于信道预测的时变tdd-mimo通信信道互易性补偿方法 |
-
2015
- 2015-04-17 CN CN201510184749.0A patent/CN104811991B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006279121A (ja) * | 2005-03-28 | 2006-10-12 | Fujitsu Ltd | 移動速度推定回路および移動速度推定方法、回線品質推定回路 |
CN101834814A (zh) * | 2010-05-21 | 2010-09-15 | 西安电子科技大学 | 基于信道预测的时变tdd-mimo通信信道互易性补偿方法 |
Non-Patent Citations (2)
Title |
---|
GUANBO ZHENG,等: "A Link Quality Inference Model for IEEE 802.15.4 Low-Rate WPANs", 《IEEE XPLORE DIGITAL LIBRARY》 * |
郭志强,等: "基于综合性评估的无线链路质量分类预测机制", 《计算机研究与发展》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685435A (zh) * | 2016-12-14 | 2017-05-17 | 芯海科技(深圳)股份有限公司 | 一种低信噪比信号中快速提高有效信号变化量的方法 |
CN106685435B (zh) * | 2016-12-14 | 2019-03-05 | 芯海科技(深圳)股份有限公司 | 一种低信噪比信号中快速提高有效信号变化量的方法 |
CN107203746A (zh) * | 2017-05-12 | 2017-09-26 | 同济大学 | 一种道岔故障识别方法 |
CN107203746B (zh) * | 2017-05-12 | 2020-06-19 | 同济大学 | 一种道岔故障识别方法 |
CN108684052A (zh) * | 2018-07-13 | 2018-10-19 | 南京理工大学 | 一种高自由度水下传感器网络中无线链路质量预测方法 |
CN108684052B (zh) * | 2018-07-13 | 2021-05-07 | 南京理工大学 | 一种高自由度水下传感器网络中无线链路质量预测方法 |
CN112913275A (zh) * | 2018-10-30 | 2021-06-04 | 上海诺基亚贝尔股份有限公司 | 用于链路适配的sinr预测的方法和装置 |
CN112926613A (zh) * | 2019-12-06 | 2021-06-08 | 北京沃东天骏信息技术有限公司 | 一种时间序列训练开始节点的定位方法和装置 |
CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
CN111182564B (zh) * | 2019-12-26 | 2022-04-08 | 国网安徽省电力有限公司电力科学研究院 | 一种基于lstm神经网络的无线链路质量预测方法 |
CN110996341A (zh) * | 2020-03-02 | 2020-04-10 | 南京感深科技有限公司 | 一种跨协议干扰下的低功率无线链路质量估计方法 |
CN113938227A (zh) * | 2021-10-08 | 2022-01-14 | 天津津航计算技术研究所 | 一种基于迭代译码的信噪比强弱动态判定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104811991B (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104811991A (zh) | 基于动态时间规整算法的无线链路质量预测方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN101516099B (zh) | 一种传感器网络异常检测方法 | |
CN106714336A (zh) | 一种基于改进克里金算法的无线传感网温度监测方法 | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN109345408A (zh) | 基于长短期记忆网络的异常数据甄别方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN105932774A (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
CN108153259B (zh) | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 | |
CN104090262B (zh) | 一种基于多采样率多模型融合估计的移动目标跟踪方法 | |
CN107302768B (zh) | 一种采用超限学习机综合评估链路质量的方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN103139804B (zh) | 无线传感器网络的节能传播自适应rls分布式检测方法 | |
CN107085764A (zh) | 一种基于改进dfhmm模型的负荷分解方法及装置 | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
CN117349797B (zh) | 基于人工智能的飞机故障检测方法及系统 | |
CN106068017B (zh) | 基于小波神经元网络的无线链路质量预测方法 | |
Hribar et al. | Utilising correlated information to improve the sustainability of internet of things devices | |
CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN105653728A (zh) | 基于双层模型体系的无线传感网的数据采集方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |