CN108430089A - 一种基于深度学习的车载自组织网路由分簇方法 - Google Patents
一种基于深度学习的车载自组织网路由分簇方法 Download PDFInfo
- Publication number
- CN108430089A CN108430089A CN201810421092.9A CN201810421092A CN108430089A CN 108430089 A CN108430089 A CN 108430089A CN 201810421092 A CN201810421092 A CN 201810421092A CN 108430089 A CN108430089 A CN 108430089A
- Authority
- CN
- China
- Prior art keywords
- node
- vehicular
- hoc network
- cluster
- vehicle
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明给出一种基于深度学习的高可靠车载自组织网路由分簇方法,该方法对车载自组织网络路由协议先利用自定义分簇算法对网络节点合理分簇,然后采用深度学习算法对网络节点采集的数据进行融合,最终形成一个低能耗高可靠的分簇协议。本发明能够解决车载自组织网节点冗余数据传输和能量消耗不均问题,减少车载自组织网络节点能量消耗,延长生命周期。
Description
技术领域
本发明涉及车载自组织网络工作过程中节点分簇和数据融合方法,分别通过对节点属性的分析和对节点数据的训练学习,形成车载自组织网络分簇结构和优化节点冗余信息传输,保证车载自组织网络节能可靠高效运行,属于物联网技术、深度学习技术和分布式处理交叉技术领域。
背景技术
深度学习是机器学习研究中的一个新的领域,本身是神经网络算法的衍生,在图像,语音等富媒体的分类和识别上取得了非常好的效果,它模仿人脑的机制来解释数据,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。它是现代有关人工智能领域中的关键技术。随着现代社会信息技术的发展,信息量呈级数增长,车载自组织网络通信负载和传输大量信息的能耗也在增大,人们对准确高效地进行数据通信的需求日益增加。因此,需要从数据自身出发,寻找能代表大量数据共有特性的数据在网络中传输。
车载自组织网络是一种具有自身传输特点的区别于其他移动自组织网络的特殊网络,是在车辆与车辆、车辆与路测单元等没有固定基础设施的通信场景下运行的网络。它的特点是无中心、自组织和多跳,所以其拓扑结构随节点的移动而不断变化,网络稳定性会相对较差。本发明提出一种基于深度学习的高可靠车载自组织网路由分簇方法,首先通过获取车载节点自身相关属性信息,利用节点相似性和节点剩余能量对网络进行分簇来提高网络稳定性,然后在网络通信前对所有节点采集的数据利用深度学习模型进行特征提取,减少大量冗余信息的传输。
发明内容
技术问题:本发明提出一种基于深度学习的高可靠车载自组织网路由分簇方法,解决车载自组织网络中路由路径不稳定、网络能耗高问题,考虑车载自组织网络在运行过程中簇头节点不合理选择和冗余数据问题,而这些问题会导致车载自组织网络不可靠运行。
技术方案:本发明所述的一种基于深度学习的高可靠车载自组织网路由分簇方法首先通过对车载自组织网络中节点的属性信息进行分析并完成分簇,然后对车载自组织网络中节点的数据利用深度学习进行融合,形成一个高可靠的车载自组织网络分簇协议。
该方法包含以下步骤:
步骤1)对车载自组织网络及相关属性进行部署;对车辆的数量,以及初始的移动速度、传输范围和车辆活动区域大小进行初始化部署;
步骤2)汇聚节点执行分簇算法,按照各个车辆的剩余能量的多少划分簇首节点;
步骤3)车载自组织网络进入数据传输阶段,利用Softmax分类器对数据进行特征分类并融合同类特征,并将融合数据发送给汇聚节点。
其中,
步骤1)对车载自组织网络及相关属性进行部署,具体步骤如下:
步骤11)用户为车载自组织网络设置一个随机位置的汇聚节点;
所述车载自组织网络是由1个固定位置的汇聚节点和N个具有移动性的车辆节点组成,N个车辆节点被均匀部署在边长为L的正方形平面区域内,所有车辆节点都具有相同的无线通信半径R,
所述移动性车辆节点的速度是匀速的,移动方向是随机的,车辆节点位置是指在以汇聚节点为坐标原点构成的XY坐标系下的二维坐标,运动方向是指当前车辆节点与X坐标轴构成的角度;
步骤12)计算最佳簇头节点个数m,m的大小是依据车载自组织网络单位面积能够覆盖以车辆节点传输范围为半径的圆的数量决定;
步骤13)将车载自组织网络部署范围平均分成m个面积相等区域,并在汇聚节点分别为m个区域建立对应的节点集,记为Nodei,i=1,2,3…m,所述节点集是一个能存储节点的数据结构,将对应区域内的节点加入节点集;
步骤14)在汇聚节点分别为m个区域建立对应的候选簇头节点集,记为CNodei,i=1,2,3…m。所述候选簇头节点集是一个能存储簇头节点的数据结构,初始化为空;
步骤15)汇聚节点分别计算m个区域的重心位置和全网节点平均剩余能量,每个区域的重心位置即为对应区域的最佳簇头节点位置,并将重心位置和平均剩余能量保存在汇聚节点中。
步骤2)汇聚节点执行分簇算法,具体分簇步骤如下:
步骤21)N个车辆节点分别获取当前各自所处的位置坐标以及各自的节点剩余能量,并依照以下步骤选择每个区域内的簇头节点;
步骤22)对节点集Nodei中的节点Nj∈Nodei,j=1,2,3…n,n为节点集Nodei中的节点个数,判断Nj的剩余能量是否大于车载自组织网络节点平均剩余能量,如果大于,则将Nj加入对应候选簇头节点集CNodei,否则将Nj标记为普通节点不参与簇头节点的竞争,i=1,2,3…m;
步骤23)候选簇头节点集中的每一个节点都参与簇头节点的竞争,对于候选簇头节点集CNodei中的每一个节点Nj,判断在候选簇头节点集CNodei中是否存在其邻居节点,若存在一个或多个邻居候选簇头节点,则选择距离所有最佳簇头节点位置最近的节点作为簇头,否则自身当选为簇头节点;
步骤24)簇头节点竞争完毕后,所有未当选的车辆节点根据自身所接收到的簇头信息的信号强度选择距离自身最近的簇头节点作为本轮的簇头,向簇头发送自身信息。
步骤3)车载自组织网络进入数据传输阶段,具体传输步骤如下:
步骤31)汇聚节点根据任务需要从数据库中选择包含标签信息的样本数据作为输入向量,按照如下步骤构建层叠自动编码器模型;
所述层叠自动编码器模型是一种多隐藏层无监督学习神经网络模型,它是建立在浅层无监督学习神经网络的基础上完成训练;
步骤32)构建浅层无监督学习神经网络,定义该层下的损失函数,通过损失函数来对模型的拟合度进行度量;
所述拟合度用于评价神经网络模型训练的效果和问题的优化目标,拟合度越小模型拟合的越好,反之拟合度越大模型拟合效果越差。通过训练寻求一组参数(W,b)=(W(k,1),b(k,1),W(k,2),b(k,2))来最小化损失函数;
步骤33)采用BP反向传播算法计算损失函数对每一个参数的梯度,再通过梯度和学习率使用梯度下降算法迭代更新每一个参数;
步骤34)构建层叠自动编码器模型,将第一个浅层无监督学习神经网络训练获得的隐藏层输出作为输入训练第二个浅层无监督学习神经网络,以此类推,逐层贪婪训练直到k个浅层无监督学习神经网络训练完成。由此可获得若干组网络参数{(W(k,1),b(k,1))|k=1,2…Mk};
步骤35)构建特征提取分类模型,将层叠自动编码器和Softmax分类器级联构造一个完整的特征提取分类模型;利用层叠自动编码器模型输出的样本特征和样本标签有监督的训练Softmax分类器并获得其参数(Wc,θc);
步骤36)汇聚节点将训练好的参数发送给各簇节点,同时将Softmax分类器参数发送给各簇头节点;
步骤37)簇节点利用收到的参数构建层叠自动编码器模型,并用其对车辆节点采集的数据进行特征提取后将数据发送给簇头节点;
步骤38)簇头节点利用Softmax分类器对数据进行特征分类并融合同类特征,并将融合数据发送给汇聚节点;
步骤39)当网络节点完成一轮数据采集、融合和传输后,汇聚节点运行分簇协议重新分簇,跳转到步骤2)。
有益效果:本发明所述的一种基于深度学习的高可靠车载自组织网络分簇协议方法,利用节点的剩余能量和最佳簇头位置进行簇头节点的选择,能够均衡网络能耗、提高网络的稳定性;同时,在数据的传输阶段采用深度学习模型对数据进行特征筛选,减少数据传输的能耗。本发明所述的方法具有如下的有益效果:
(1)本发明提供一种对车载自组织网络路由分簇的方法,能够通过动态的分簇算法保证车载自组织网络运行的可靠性。
(2)本发明在车载自组织网络的数据传输阶段提供了一种基于深度学习模型的数据融合算法,能够通过对数据的训练学习总结出同类特征,使得车载自组织网络的能耗降低。
附图说明
图1是车载自组织网络路由分簇和数据传输方法流程图。
图2是车载自组织网络节点分布示意图。
图3是层叠自动编码器模型训练示意图。
具体实施方式
根据图1,本发明的一种基于深度学习的高可靠车载自组织网络分簇方法,具体实施方式为:
1.对车载自组织网络分簇及数据传输作相关部署工作
设当前车载自组织网路由是由一个汇聚节点和N个车辆节点组成,汇聚节点位置固定、车辆节点随机移动。车辆节点首先被均匀部署在边长为L的正方形区域内,每个节点都有一个唯一的编号,且无线通信范围都为R。
1.1)计算最佳簇头节点个数
1.2)将车载自组织网络部署范围平均分成m个面积相等区域,并在汇聚节点分别为m个区域建立对应的节点集,记为Nodei,i=1,2,3…m。对任意一个节点Nj,j=1,2,3…N,如果Nj∈Nodei,则将Nj加入到对应的Nodei集合中。在汇聚节点分别为m个区域建立对应的候选簇头节点集,记为CNodei,i=1,2,3…m,初始化为空。
1.3)汇聚节点计算m个对应区域的重心位置,记为Corei,i=1,2,3…m。汇聚节点计算全网平均剩余能量,记为
2)车载自组织网进入分簇阶段,具体分簇步骤如下:
2.1)N个车辆节点分别获取当前各自所处的位置坐标Li以及各自的节点剩余能量REi,i=1,2,3…N,并依照以下步骤选择每个区域内的簇头节点。
2.2)对节点集Nodei中的节点Nj∈Nodei,j=1,2,3…n,n为节点集Nodei中的节点个数。若果则将Nj加入对应候选簇头节点集CNodei,否则将Nj标记为普通节点不参与簇头节点的竞争,i=1,2,3…m。
2.3)候选簇头节点集中的每一个节点都参与簇头节点的竞争。对于候选簇头节点集CNodei中的每一个节点Nj,j=1,2,3…p,p为候选簇头节点集CNodei中的候选簇头个数。判断在候选簇头节点集CNodei中是否存在其邻居候选簇头节点,若存在一个或多个邻居候选簇头节点,则选择距离所有最佳簇头节点位置Corei最近的节点作为簇头,i=1,2,3…m。否则自身当选为簇头节点。
2.4)簇头节点竞争完毕后,所有未当选的车辆节点根据自身所接收到的簇头信息的信号强度选择距离自身最近的簇头节点作为本轮的簇头,向簇头发送自身信息。
3)车载自组织网络进入数据传输阶段,具体传输步骤如下:
3.1)汇聚节点根据任务需要从数据库中选择包含标签信息的样本数据作为输入向量,假设为x={x(i)|i=1,…,q},根据需要设定层叠自动编码器模型所需的隐藏层数Mk。
3.2)用x训练第一个浅层无监督学习神经网络,具体的训练步骤如下:
3.21)定义如下的损失函数。
其中,J(·)代表输入/输出均方差项,KL(·)为稀疏性约束项,q,nl,sl分别表示训练样本数、神经网络层数和第l层单元数。x(i)、y(i)分别表示第i个样本的输入和输出向量。表示第k个浅层无监督学习神经网络中l层i单元与l+1层j单元之间的连接权值;表示第k个浅层无监督学习神经网络中l层i单元的偏置值和输出值;λ、β、ρ表示权重系数。
其中hW,b(x(i))为浅层无监督神经网络的输出向量。
hW,b(x(i))=a(k,3)=f(W(k,2)a(k,2)+b(k,2)),a(k,2)=f(W(k,1)x(i)+b(k,1)),隐藏层j单元的平均输出其中,f(z)为激活函数,
3.22)采用BP反向传播算法计算损失函数对每一个参数的梯度获取参数偏导数,对于样本(x(i),y(i)),输出层单元n的残差为:
隐藏层中单元n的残差为:
其中,向量Z(k,l+1)=W(k,l)a(k,l)+b(k,l),表示Z(k,l)中的第n个元素。
3.23)对损失函数中的参数求偏导数:
3.24)获得损失函数和参数偏导数后,使用梯度下降算法求解浅层无监督神经网络的最优参数,步骤如下:
3.241)对所有l,设矩阵向量矩阵向量
3.242)对于i=1到q,计算:
3.243)更新参数。
其中α表示学习率,定义每次参数更新的幅度。
3.244)输出第一个即k=1时浅层无监督学习神经网络训练获得的第一组网络参数和隐藏层输出(W(1,1),b(1,1),W(1,2),b(1,2)),a(1,2)。
3.3)构建层叠自动编码器模型,将第一个浅层无监督学习神经网络训练的隐藏层输出作为输入向量以训练第二个浅层无监督学习神经网络,获得第二组网络参数(W(2,1),b(2,1),W(2,2),b(2,2))和a(2,2)。以此类推,逐层贪婪训练直到k个浅层无监督学习神经网络训练完成。由此可获得若干组网络参数{(W(k,1),b(k,1))|k=1,2…Mk}。
3.4)将(W(1,1),b(1,1))作为输入层-隐藏层1之间的连接权值参数,将(W(2,1),b(2,1))作为隐藏层1-隐藏层2之间的连接值参数,以此类推,完成层叠自动编码器模型的构建。
3.5)构建特征提取分类模型,将层叠自动编码器和Softmax分类器级联构造一个完整的特征提取分类模型。利用层叠自动编码器模型输出的样本特征和样本标签有监督的训练Softmax分类器并获得其参数(Wc,θc)。
3.6)汇聚节点将训练好的参数发送给各簇节点,将Softmax分类器参数发送给簇头节点。
3.7)簇节点利用收到的参数构建层叠自动编码器模型,并用其对车辆节点采集的数据进行特征提取后将数据发送给簇头节点。
3.8)簇头节点利用如下的Softmax分类器对数据进行特征分类并融合同类特征,并发送给汇聚节点。
其中,c、Nc表示特征类别号和类别数,nc表示c类特征数量,a(Mk,nl)(i,c)为层叠自动编码器输出的样本特征。
3.9)簇头节点向汇聚节点发送融合特征。
3.10)当网络节点完成一轮数据采集、融合和传输后,汇聚节点运行分簇协议重新分簇,跳转到2)。
Claims (4)
1.一种基于深度学习的高可靠车载自组织网络路由分簇协议方法,其特征在于该方法包含以下步骤:
步骤1)对车载自组织网络及相关属性进行部署;对车辆的数量,以及初始的移动速度、传输范围和车辆活动区域大小进行初始化部署;
步骤2)汇聚节点执行分簇算法,按照各个车辆的剩余能量的多少划分簇首节点;
步骤3)车载自组织网络进入数据传输阶段,利用Softmax分类器对数据进行特征分类并融合同类特征,并将融合数据发送给汇聚节点。
2.根据权利要求1所述的基于深度学习的高可靠车载自组织网络路由分簇协议方法,其特征在于步骤1)对车载自组织网络及相关属性进行部署,具体步骤如下:
步骤11)用户为车载自组织网络设置一个随机位置的汇聚节点;
所述车载自组织网络是由1个固定位置的汇聚节点和N个具有移动性的车辆节点组成,N个车辆节点被均匀部署在边长为L的正方形平面区域内,所有车辆节点都具有相同的无线通信半径R,
所述移动性车辆节点的速度是匀速的,移动方向是随机的,车辆节点位置是指在以汇聚节点为坐标原点构成的XY坐标系下的二维坐标,运动方向是指当前车辆节点与X坐标轴构成的角度;
步骤12)计算最佳簇头节点个数m,m的大小是依据车载自组织网络单位面积能够覆盖以车辆节点传输范围为半径的圆的数量决定;
步骤13)将车载自组织网络部署范围平均分成m个面积相等区域,并在汇聚节点分别为m个区域建立对应的节点集,记为Nodei,i=1,2,3…m,所述节点集是一个能存储节点的数据结构,将对应区域内的节点加入节点集;
步骤14)在汇聚节点分别为m个区域建立对应的候选簇头节点集,记为CNodei,i=1,2,3…m。所述候选簇头节点集是一个能存储簇头节点的数据结构,初始化为空;
步骤15)汇聚节点分别计算m个区域的重心位置和全网节点平均剩余能量,每个区域的重心位置即为对应区域的最佳簇头节点位置,并将重心位置和平均剩余能量保存在汇聚节点中。
3.根据权利要求1所述的基于深度学习的高可靠车载自组织网络路由分簇协议方法,其特征在于步骤2)汇聚节点执行分簇算法,具体分簇步骤如下:
步骤21)N个车辆节点分别获取当前各自所处的位置坐标以及各自的节点剩余能量,并依照以下步骤选择每个区域内的簇头节点;
步骤22)对节点集Nodei中的节点Nj∈Nodei,j=1,2,3…n,n为节点集Nodei中的节点个数,判断Nj的剩余能量是否大于车载自组织网络节点平均剩余能量,如果大于,则将Nj加入对应候选簇头节点集CNodei,否则将Nj标记为普通节点不参与簇头节点的竞争,i=1,2,3…m;
步骤23)候选簇头节点集中的每一个节点都参与簇头节点的竞争,对于候选簇头节点集CNodei中的每一个节点Nj,判断在候选簇头节点集CNodei中是否存在其邻居节点,若存在一个或多个邻居候选簇头节点,则选择距离所有最佳簇头节点位置最近的节点作为簇头,否则自身当选为簇头节点;
步骤24)簇头节点竞争完毕后,所有未当选的车辆节点根据自身所接收到的簇头信息的信号强度选择距离自身最近的簇头节点作为本轮的簇头,向簇头发送自身信息。
4.根据权利要求1所述的基于深度学习的高可靠车载自组织网络路由分簇协议方法,其特征在于步骤3)车载自组织网络进入数据传输阶段,具体传输步骤如下:
步骤31)汇聚节点根据任务需要从数据库中选择包含标签信息的样本数据作为输入向量,按照如下步骤构建层叠自动编码器模型;
所述层叠自动编码器模型是一种多隐藏层无监督学习神经网络模型,它是建立在浅层无监督学习神经网络的基础上完成训练;
步骤32)构建浅层无监督学习神经网络,定义该层下的损失函数,通过损失函数来对模型的拟合度进行度量;
所述拟合度用于评价神经网络模型训练的效果和问题的优化目标,拟合度越小模型拟合的越好,反之拟合度越大模型拟合效果越差。通过训练寻求一组参数(W,b)=(W(k,1),b(k ,1),W(k,2),b(k,2))来最小化损失函数;
步骤33)采用BP反向传播算法计算损失函数对每一个参数的梯度,再通过梯度和学习率使用梯度下降算法迭代更新每一个参数;
步骤34)构建层叠自动编码器模型,将第一个浅层无监督学习神经网络训练获得的隐藏层输出作为输入训练第二个浅层无监督学习神经网络,以此类推,逐层贪婪训练直到k个浅层无监督学习神经网络训练完成。由此可获得若干组网络参数{(W(k,1),b(k,1))|k=1,2…Mk};
步骤35)构建特征提取分类模型,将层叠自动编码器和Softmax分类器级联构造一个完整的特征提取分类模型;利用层叠自动编码器模型输出的样本特征和样本标签有监督的训练Softmax分类器并获得其参数(Wc,θc);
步骤36)汇聚节点将训练好的参数发送给各簇节点,同时将Softmax分类器参数发送给各簇头节点;
步骤37)簇节点利用收到的参数构建层叠自动编码器模型,并用其对车辆节点采集的数据进行特征提取后将数据发送给簇头节点;
步骤38)簇头节点利用Softmax分类器对数据进行特征分类并融合同类特征,并将融合数据发送给汇聚节点;
步骤39)当网络节点完成一轮数据采集、融合和传输后,汇聚节点运行分簇协议重新分簇,跳转到步骤2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810421092.9A CN108430089A (zh) | 2018-05-04 | 2018-05-04 | 一种基于深度学习的车载自组织网路由分簇方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810421092.9A CN108430089A (zh) | 2018-05-04 | 2018-05-04 | 一种基于深度学习的车载自组织网路由分簇方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108430089A true CN108430089A (zh) | 2018-08-21 |
Family
ID=63162373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810421092.9A Pending CN108430089A (zh) | 2018-05-04 | 2018-05-04 | 一种基于深度学习的车载自组织网路由分簇方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108430089A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743683A (zh) * | 2018-12-03 | 2019-05-10 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
CN110113796A (zh) * | 2019-04-22 | 2019-08-09 | 天津大学 | 自适应能耗和延迟的水声传感器网络路由决策方法 |
CN110167096A (zh) * | 2019-04-01 | 2019-08-23 | 黑龙江省科学院自动化研究所 | 一种无线节点自组网的晋升方法 |
CN110557799A (zh) * | 2019-09-26 | 2019-12-10 | 中南大学 | 一种智慧城市边缘网络中基于移动车辆的数据采集方法 |
CN112367675A (zh) * | 2020-11-11 | 2021-02-12 | 内蒙古大学 | 基于自编码器的无线传感器网络数据融合方法及网络系统 |
CN116709532A (zh) * | 2023-08-08 | 2023-09-05 | 合肥工业大学 | 车联网环境下基于冲突图和聚类的数据调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102769890A (zh) * | 2012-06-26 | 2012-11-07 | 西安电子科技大学 | 基于均匀分簇和数据聚合的无线传感器网络路由方法 |
CN102970723A (zh) * | 2012-10-26 | 2013-03-13 | 合肥工业大学 | 带有局部簇重构的非均匀分簇路由算法 |
CN103347288A (zh) * | 2013-06-08 | 2013-10-09 | 哈尔滨工程大学 | 一种无线传感器网络不等宽度分层路由协议方法 |
CN107529201A (zh) * | 2017-08-29 | 2017-12-29 | 武汉中原电子信息有限公司 | 一种基于leach协议的无线传感器网络数据传输方法 |
CN107820257A (zh) * | 2017-11-17 | 2018-03-20 | 太原科技大学 | 基于正六边形网格划分的改进非均匀分簇算法 |
-
2018
- 2018-05-04 CN CN201810421092.9A patent/CN108430089A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102769890A (zh) * | 2012-06-26 | 2012-11-07 | 西安电子科技大学 | 基于均匀分簇和数据聚合的无线传感器网络路由方法 |
CN102970723A (zh) * | 2012-10-26 | 2013-03-13 | 合肥工业大学 | 带有局部簇重构的非均匀分簇路由算法 |
CN103347288A (zh) * | 2013-06-08 | 2013-10-09 | 哈尔滨工程大学 | 一种无线传感器网络不等宽度分层路由协议方法 |
CN107529201A (zh) * | 2017-08-29 | 2017-12-29 | 武汉中原电子信息有限公司 | 一种基于leach协议的无线传感器网络数据传输方法 |
CN107820257A (zh) * | 2017-11-17 | 2018-03-20 | 太原科技大学 | 基于正六边形网格划分的改进非均匀分簇算法 |
Non-Patent Citations (2)
Title |
---|
刘基墙等: "一种基于PAM算法进行分簇的LEACH_P协议", 《网络与通信》 * |
邱立达等: "基于深度学习的无线传感器网络数据融合", 《计算机应用研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743683A (zh) * | 2018-12-03 | 2019-05-10 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
CN110167096A (zh) * | 2019-04-01 | 2019-08-23 | 黑龙江省科学院自动化研究所 | 一种无线节点自组网的晋升方法 |
CN110113796A (zh) * | 2019-04-22 | 2019-08-09 | 天津大学 | 自适应能耗和延迟的水声传感器网络路由决策方法 |
CN110557799A (zh) * | 2019-09-26 | 2019-12-10 | 中南大学 | 一种智慧城市边缘网络中基于移动车辆的数据采集方法 |
CN110557799B (zh) * | 2019-09-26 | 2020-06-09 | 中南大学 | 一种智慧城市边缘网络中基于移动车辆的数据采集方法 |
CN112367675A (zh) * | 2020-11-11 | 2021-02-12 | 内蒙古大学 | 基于自编码器的无线传感器网络数据融合方法及网络系统 |
CN112367675B (zh) * | 2020-11-11 | 2022-04-08 | 内蒙古大学 | 基于自编码器的无线传感器网络数据融合方法及网络系统 |
CN116709532A (zh) * | 2023-08-08 | 2023-09-05 | 合肥工业大学 | 车联网环境下基于冲突图和聚类的数据调度方法 |
CN116709532B (zh) * | 2023-08-08 | 2023-10-20 | 合肥工业大学 | 车联网环境下基于冲突图和聚类的数据调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108430089A (zh) | 一种基于深度学习的车载自组织网路由分簇方法 | |
Xiao et al. | Toward self-learning edge intelligence in 6G | |
CN110470301B (zh) | 多动态任务目标点下的无人机路径规划方法 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
Khan et al. | Monitoring system-based flying IoT in public health and sports using ant-enabled energy-aware routing | |
CN104778508B (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
CN110536245B (zh) | 一种基于深度学习的室内无线定位方法及系统 | |
CN109726804A (zh) | 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法 | |
Li et al. | Oil: Observational imitation learning | |
CN109686091A (zh) | 一种基于多源数据融合的交通流量填补算法 | |
WO2022257190A1 (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
CN107295453A (zh) | 一种无线传感器网络数据融合方法 | |
CN107194929A (zh) | 一种基于深度信念网络的肺结节良恶性分类方法 | |
CN113903173A (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
Grimm et al. | Holistic graph-based motion prediction | |
Barolli | Complex, Intelligent and Software Intensive Systems: Proceedings of the 16th International Conference on Complex, Intelligent and Software Intensive Systems (CISIS-2022) | |
Lahmeri et al. | Machine learning for UAV-based networks | |
Lu et al. | Optimization of vehicle automatic navigation path based on remote sensing and GIS | |
CN116047410A (zh) | 一种基于图卷积神经网络的uwb室内行人定位方法 | |
Wang et al. | Multi-objective end-to-end self-driving based on Pareto-optimal actor-critic approach | |
CN109152097B (zh) | 基于社会力模型的农业观光园无线传感网节点布局方法 | |
CN114462225A (zh) | 一种车路协同下的混合交通仿真支撑环境快速构建系统 | |
Zhou et al. | MVMAFOL: A Multi-Access Three-Layer Federated Online Learning Algorithm for Internet of Vehicles | |
Chen et al. | Transformer-Based Reinforcement Learning for Scalable Multi-UAV Area Coverage | |
Mi et al. | A 3D smooth mobility model based on semi-random circular movement for FANETs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |
|
RJ01 | Rejection of invention patent application after publication |