CN108684052A - 一种高自由度水下传感器网络中无线链路质量预测方法 - Google Patents
一种高自由度水下传感器网络中无线链路质量预测方法 Download PDFInfo
- Publication number
- CN108684052A CN108684052A CN201810770848.0A CN201810770848A CN108684052A CN 108684052 A CN108684052 A CN 108684052A CN 201810770848 A CN201810770848 A CN 201810770848A CN 108684052 A CN108684052 A CN 108684052A
- Authority
- CN
- China
- Prior art keywords
- link
- quality
- model
- sensor network
- link quality
- 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
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种高自由度水下传感器网络中无线链路质量预测方法。该方法步骤为:以由海面Sink、水下锚节点、水下普通传感器节点构成的等级型、高自由度的水下传感器网络为研究对象,建立其网络加权图序列模型以及相应的链路质量邻接矩阵;基于对链路质量序列的相关函数以及偏相关函数的特点分析,对链路质量序列进行时间序列模型识别;通过近似极大似然估计方法以及SBC准则进一步估计模型参数并完成模型定阶,进而实现锚节点与传感器节点间的链路质量预测;最后,利用预设的预测精度门限值分析链路质量预测结果,从而进行差错控制与模型优化。本发明预测精度高、可行性强,可以广泛适用于多种水下场景中的传感器网络链路质量预测。
Description
技术领域
本发明涉及无线通信网络领域,特别是一种高自由度水下传感器网络中无线链路质量预测方法。
背景技术
水下传感器网络可以以高时空分辨率实现对各种水下目标进行监测,是一种很有应用前景的技术。近年来,随着水声通信技术的不断提高、MAC协议的优化和自主水下航行器的发展,使该技术具有更广泛的应用领域,如地震数据收集、污染监测、辅助导航、海上勘探和战术监视等。
然而相比于常规陆地传感器网络,水下传感器网络的运行仍然面临很多限制。这些限制主要源于恶劣的水下环境。一方面,由于无线电波和光波在水中衰减严重,因此水声通信成为水下无线通信的主要方法。水声信道具有时变、空变的传输特性,是一种典型的频率选择性衰落信道,具有低带宽、低传播速度、高误码率(BER)、非对称和间歇链路等特点,大大降低了水声通信系统的可靠性和有效性。另一方面,由于海洋运动在不同时间和空间尺度上的影响,节点的分布具有临时性,这使得维护网络拓扑变得困难,受此影响节点间的链路质量可能不断变化,这个问题在无缆绳、绞盘等装置束缚的高自由度水下传感器网络中显得尤为突出。
由于准确的链路质量获取是网络拓扑控制和路由设计等上层协议的基础,因此要求节点需要掌握与自身关联的链路的质量以应对时变的网络拓扑。现有的链路质量研究多聚焦于链路质量的评估,而鲜少涉及链路质量预测问题,这显然不能满足具有时变性和空变性的高自由度水下传感器网络的应用需要,甚至导致网络上层协议失效、数据无法传输。
发明内容
本发明的目的在于提供一种高自由度的水下传感器网络中无线链路质量预测方法,能够利用水下物体的运动时空相关性,在短时间尺度内有效预测水声链路的动态变化情况。
实现本发明目的的技术解决方案为:一种高自由度水下传感器网络中无线链路质量预测方法,包括以下步骤:
步骤1、建立水下传感器网络的加权图序列模型,并设置链路质量、路径质量的衡量指标;
步骤2、通过时间序列模型拟合方法,实现传感器节点与锚节点间链路质量预测;
步骤3、分析链路质量预测结果,进行差错控制与模型优化。
进一步地,步骤1中所述的建立水下传感器网络的加权图序列模型,具体为:
设定水下传感器网络的加权图序列模型为与其对应的不同时隙的链路质量邻接矩阵为(M1,…,MT);
其中,加权图表示该网络在时隙t的拓扑快照,SN,AN和o分别表示传感器节点集合、锚节点集合以及海面上的Sink,边集E为包含所有有向链路的集合,权重集W为包含在该时隙内所有链路的链路质量集合。
进一步地,步骤1中所述链路质量,定义为:
给定网络中一对通信邻居节点源节点s和目的节点d,源节点s和目的节点d在时隙t间的链路质量l(s,d),用该链路在该时隙的分组接收率PRR来衡量。
进一步地,步骤1中所述路径质量,定义为:
给定网络中的一对非通信邻居节点源节点s’和目的节点d’,源节点s’和目的节点d’在时隙t间的多跳通信路径质量θ(π(s′,d′)),用该条路径π(s',d')在该时隙的分组接收率PRR来衡量,即
θ(π(s′,d′))=∏l(i,j)∈π(s′,d′),i≠jθ(l(i,j))
其中,i、j表示该路径上的两个相邻节点,l(i,j)表示相应的单跳链路。
进一步地,步骤2中所述的时间序列模型拟合方法,具体如下:
首先,对于平稳的时间序列,根据自相关函数ACF和偏相关函数PACF的数值变化趋势,选取模型进行建模;
自相关函数的表达式为:
式中,n为时间序列{θt}观察值的个数,k为延迟阶数,t=1,2,…,n; 为{θt}的平均值;
偏相关函数的表达式为以下递推形式:
其中,j、k为延迟阶数。
然后,采用近似极大似然估计方法估计模型参数;
最后,采用SBC准则进行模型定阶,SBC定阶函数为:
SBC(Ω)=nlnσ2+2ln(n)Ω
其中,Ω是模型的阶数、n是样本观察值的个数、σ2是模型残差序列的方差估计值。
进一步地,步骤3中所述的差错控制与模型优化,具体如下:
对于t+l时刻的链路质量预测值计算预测误差et+l:
式中,l是预测步长,θt+l是t+l时刻的链路质量真实值;
当预测误差的均方差满足下式时,为有效的链路质量预测:
式中,是预测误差的平均值,υ是指定的预测精度门限值,l是预测步长,i是预测步长变量,et+i(s,a)为t+i时刻的链路质量预测误差;
当链路质量预测无效时,重复步骤1~步骤2的模型建立过程以及更新预测模型,直至实现有效的链路质量预测。
本发明与现有技术相比,其显著优点为:(1)针对等级型架构的水下传感器网络,实现了适用于多种不同水流环境下的链路质量动态预测方法,具有广泛的普适性;(2)该预测方法充分利用了传感器网络中锚节点计算功能较强,而传感器节点计算功能较弱这一特点,使得本技术方案具有较高的可行性;(3)通过对预测结果的差错控制,显著提高了模型的适应性和预测精度。
附图说明
图1是本发明高自由度的水下传感器网络中无线链路质量预测方法的流程示意图。
图2是本发明的网络架构示意图。
图3是本发明实施例中自相关函数与偏相关函数拖尾与截尾的示例图。
具体实施方式
本发明一种高自由度水下传感器网络中无线链路质量预测方法,针对海面Sink、水下锚节点、水下普通传感器节点构成的等级型、高自由度的水下传感器网络,建立其网络加权图序列模型以及相应的链路质量邻接矩阵;然后基于对链路质量序列的相关函数以及偏相关函数的特点分析,对链路质量序列进行时间序列模型识别;接着通过近似极大似然估计方法以及SBC准则进一步估计模型参数并完成模型定阶,进而实现锚节点与传感器节点间的链路质量预测;最后,利用预设的预测精度门限值分析链路质量预测结果,从而进行差错控制与模型优化。
结合图1,本发明高自由度水下传感器网络中无线链路质量预测方法,包括以下步骤:
步骤1、建立水下传感器网络的加权图序列模型,并设置链路质量、路径质量的衡量指标;
步骤2、通过时间序列模型拟合方法,实现传感器节点与锚节点间链路质量预测;
步骤3、分析链路质量预测结果,进行差错控制与模型优化。
进一步地,步骤1中所述的建立水下传感器网络的加权图序列模型,具体为:
设定水下传感器网络的加权图序列模型为与其对应的不同时隙的链路质量邻接矩阵为(M1,…,MT);
其中,加权图表示该网络在时隙t的拓扑快照,SN,AN和o分别表示传感器节点集合、锚节点集合以及海面上的Sink,边集E为包含所有有向链路的集合,权重集W为包含在该时隙内所有链路的链路质量集合。
进一步地,步骤1中所述链路质量,定义为:
给定网络中一对通信邻居节点源节点s和目的节点d,源节点s和目的节点d在时隙t间的链路质量l(s,d),用该链路在该时隙的分组接收率PRR来衡量。
进一步地,步骤1中所述路径质量,定义为:
给定网络中的一对非通信邻居节点源节点s’和目的节点d’,源节点s’和目的节点d’在时隙t间的多跳通信路径质量θ(π(s′,d′)),用该条路径π(s',d')在该时隙的分组接收率PRR来衡量,即
θ(π(s′,d′))=Πl(i,j)∈π(s′,d′),i≠jθ(l(i,j))
其中,i、j表示该路径上的两个相邻节点,l(i,j)表示相应的单跳链路。
进一步地,步骤2中所述的时间序列模型拟合方法,具体如下:
首先,对于平稳的时间序列,根据自相关函数ACF和偏相关函数PACF的数值变化趋势,选取模型进行建模;
自相关函数的表达式为:
式中,n为时间序列{θt}观察值的个数,k为延迟阶数,t=1,2,…,n; 为{θt}的平均值;
偏相关函数的表达式为:
其中,j、k为延迟阶数。
然后,采用近似极大似然估计方法估计模型参数;
最后,采用SBC准则进行模型定阶,SBC定阶函数为:
SBC(Ω)=nlnσ2+2ln(n)Ω
其中,Ω是模型的阶数、n是样本观察值的个数、σ2是模型残差序列的方差估计值。
进一步地,步骤3中所述的差错控制与模型优化方法,具体如下:
对于t+l时刻的链路质量预测值计算预测误差et+l:
式中,l是预测步长,θt+l是t+l时刻的链路质量真实值;
当预测误差的均方差满足下式时,为有效的链路质量预测:
式中,是预测误差的平均值,υ是指定的预测精度门限值,l是预测步长,i是预测步长变量,et+i(s,a)为t+i时刻的链路质量预测误差;
当链路质量预测无效时,重复步骤1~步骤2的模型建立过程以及更新预测模型,直至实现有效的链路质量预测,获得更高的预测精度。
下面结合附图及实施例对本发明的具体技术方案做进一步详细描述。
实施例1
本实施例通过以下3个方面对进行详细说明。
(1)网络建模
针对如图2所示的某部署在浅海环境下的水下传感器网络,将其运行时间划分为若干个等长的时隙{slot 1,slot 2,…}。
用加权图表示该网络在时隙t的拓扑快照。其中,SN,AN和o分别表示传感器节点集合、锚节点集合以及海面上的Sink,边集E为包含所有有向链路的集合,权重集W为包含在该时隙内所有链路的链路质量集合。如果两个节点之间的链路属于边集E,即链路质量大于0,那它们就被视为通信邻居。
将加权图用邻接矩阵Mt表示。因此,时变的动态水下网络可以建模成一组加权图序列并对应一组不同时隙的链路质量邻接矩阵(M1,…,MT)。
给定网络中一对通信邻居节点:源节点s和目的节点d,在时隙t它们间的链路质量l(s,d)用该链路在该时隙的分组接收率PRR来衡量。
给定网络中的一对非通信邻居节点:源节点s’和目的节点d’,在时隙t它们间的多跳通信路径质量θ(π(s′,d′))用该条路径在该时隙的分组接收率PRR来衡量,即
θ(π(s′,d′))=∏l(i,j)∈π(s′,d′),i≠jθ(l(i,j)).
(1)节点链路质量预测
对于网络内传感器节点s以及锚节点a,将s到a的链路质量时间序列记为{θ1(l(s,a)),…,θT(l(s,a))};针对水下网络链路质量的演变过程,采用时间序列模型预测传感器节点与锚节点间的链路质量,具体步骤如下:
1)时间序列模型识别
对于平稳的时间序列{θ1(l(s,a)),…,θT(l(s,a))},根据其自相关函数ACF和偏相关函数PACF的数值变化趋势,选取模型进行建模;自相关函数的表达式为:
式中n为时间序列{θt}观察值的个数;为{θt}的平均值;
偏相关函数的表达式为:
当k大于q恒有等于0时,称自相关函数是“截尾”的;若无论k取多大,保持逐渐衰减且恒取非零值,则称自相关函数是“拖尾”的;同理可判断偏相关函数是“截尾”还是“拖尾”的。图3中给出了拖尾与截尾的图形示例。
计算出ACF函数和PACF函数并观察它们自身是表现出截尾还是拖尾的性质然后由此分辨出模型的类别,常用的几种模型的判断准则如下表所示。
表1ACF、PACF模型识别判断表
对照上表,在本实施例中,s到a的链路质量时间序列{θ1(l(s,a)),…,θT(l(s,a))}适应于自回归滑动平均(ARMA)模型。
2)ARMA模型的建立
对于链路质量序列{θ1(l(s,a)),…,θT(l(s,a))},其ARMA(p,q)模型为:
式中:θt为时间序列t时刻的值;为自回归参数;φj为滑动平均参数;εt为时间序列t时刻随机干扰量,构成一个均值为0、方差为σ2的正态白噪声序列;p为自回归阶数;q为滑动平均阶数。
3)参数估计
本发明采用近似极大似然估计方法(AMLE)估计ARMA模型参数φ和σ2,具体操作如下:
取初始值θ0=θ-1=…=θ-q-p=0,ε0=ε-1=…=ε-q-p=0,样本长度为n,对于任意给定的一组参数由下式迭代算出ε1,ε2,…,εn相应值:
定义关于的函数如下:
近似似然函数则为:
求得使得上式取到极大值时对应的即为的近似极大似然估计。
σ2的估计则为:
4)模型定阶
采用SBC准则进行模型定阶,也就是确定自回归阶数p和滑动平均阶数q。SBC定阶函数为:
SBC(p+q)=nlnσ2+2ln(n)(p+q)
该函数值越小,表示模型适用效果越好,当该值达到极小值时所对应的模型阶次即为适合的阶次。
至此,就已经完成了时间序列模型的建立,利用此模型就可以得到l个时隙后链路质量预测值l≥1为预测步长。
(2)差错控制与模型优化
对于链路质量预测值计算其预测误差:
式中,θt+l(l(s,a))是真实值。
当预测误差的均方差满足下式时,此次预测才是有效的:
式中,是预测误差的平均值,υ是指定的预测精度门限值。
为了抑制网络预测误差,当预测无效时,则重复步骤1和步骤2的模型建立过程以及更新预测模型,获得更高的预测精度。
综上所述,本发明能够利用水下物体的运动时空相关性,在短时间尺度内有效预测水声链路的动态变化情况,为路由协议、定位算法和自组织技术等上层协议的设计与运行奠定基础。
Claims (6)
1.一种高自由度水下传感器网络中无线链路质量预测方法,其特征在于,包括以下步骤:
步骤1、建立水下传感器网络的加权图序列模型,并设置链路质量、路径质量的衡量指标;
步骤2、通过时间序列模型拟合方法,实现传感器节点与锚节点间链路质量预测;
步骤3、分析链路质量预测结果,进行差错控制与模型优化。
2.根据权利要求1所述的高自由度水下传感器网络中无线链路质量预测方法,其特征在于,步骤1中所述的建立水下传感器网络的加权图序列模型,具体为:
设定水下传感器网络的加权图序列模型为与其对应的不同时隙的链路质量邻接矩阵为(M1,…,MT);
其中,加权图表示该网络在时隙t的拓扑快照,SN,AN和o分别表示传感器节点集合、锚节点集合以及海面上的Sink,边集E为包含所有有向链路的集合,权重集W为包含在该时隙内所有链路的链路质量集合。
3.根据权利要求1所述的高自由度水下传感器网络中无线链路质量预测方法,其特征在于,步骤1中所述链路质量,定义为:
给定网络中一对通信邻居节点源节点s和目的节点d,源节点s和目的节点d在时隙t间的链路l(s,d)的链路质量θ(l(s,d)),用该链路在该时隙的分组接收率PRR来衡量。
4.根据权利要求1所述的高自由度水下传感器网络中无线链路质量预测方法,其特征在于,步骤1中所述路径质量,定义为:
给定网络中的一对非通信邻居节点源节点s’和目的节点d’,源节点s’和目的节点d’在时隙t间的多跳通信路径质量θ(π(s′,d′)),用该条路径π(s',d')在该时隙的分组接收率PRR来衡量,即
其中,i、j表示该路径上的两个相邻节点,l(i,j)表示相应的单跳链路。
5.根据权利要求1所述的高自由度水下传感器网络中无线链路质量预测方法,其特征在于,步骤2中所述的时间序列模型拟合方法,具体如下:
首先,对于平稳的时间序列,根据自相关函数ACF和偏相关函数PACF的数值变化趋势,选取模型进行建模;
自相关函数的表达式为:
式中,n为时间序列{θt}观察值的个数,k为延迟阶数,t=1,2,…,n; 为{θt}的平均值;
偏相关函数的表达式为以下递推形式:
其中,j、k为延迟阶数;
然后,采用近似极大似然估计方法估计模型参数;
最后,采用SBC准则进行模型定阶,SBC定阶函数为:
SBC(Ω)=nlnσ2+2ln(n)Ω
其中,Ω是模型的阶数、n是样本观察值的个数、σ2是模型残差序列的方差估计值。
6.根据权利要求1所述的高自由度水下传感器网络中无线链路质量预测方法,其特征在于,步骤3中所述的差错控制与模型优化,具体如下:
对于t+l时刻的链路质量预测值计算预测误差et+l:
式中,l是预测步长,θt+l是t+l时刻的链路质量真实值;
当预测误差的均方差满足下式时,为有效的链路质量预测:
式中,是预测误差的平均值,υ是指定的预测精度门限值,l是预测步长,i是预测步长变量,et+i(s,a)为t+i时刻的链路质量预测误差;
当链路质量预测无效时,重复步骤1~步骤2的模型建立过程以及更新预测模型,直至实现有效的链路质量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810770848.0A CN108684052B (zh) | 2018-07-13 | 2018-07-13 | 一种高自由度水下传感器网络中无线链路质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810770848.0A CN108684052B (zh) | 2018-07-13 | 2018-07-13 | 一种高自由度水下传感器网络中无线链路质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108684052A true CN108684052A (zh) | 2018-10-19 |
CN108684052B CN108684052B (zh) | 2021-05-07 |
Family
ID=63813890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810770848.0A Active CN108684052B (zh) | 2018-07-13 | 2018-07-13 | 一种高自由度水下传感器网络中无线链路质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108684052B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111800201A (zh) * | 2020-06-24 | 2020-10-20 | 西北工业大学 | 一种针对Sink节点水声传感器网络关键节点识别方法 |
CN112055373A (zh) * | 2020-09-02 | 2020-12-08 | 西北工业大学 | 栅形时反多址下水声网络建模与最佳单跳距离确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694521A (zh) * | 2009-10-12 | 2010-04-14 | 茂名学院 | 一种基于概率图模型的目标预测跟踪方法 |
CN103716808A (zh) * | 2013-12-20 | 2014-04-09 | 合肥工业大学 | 一种无线传感器网络链路质量预测方法 |
EP2747505A1 (en) * | 2012-12-19 | 2014-06-25 | Alcatel Lucent | Clustering of wireless sensor networks based on hidden node detection |
CN104301983A (zh) * | 2014-08-21 | 2015-01-21 | 南京邮电大学 | 基于局部信道状态估计的功率控制方法 |
CN104811991A (zh) * | 2015-04-17 | 2015-07-29 | 合肥工业大学 | 基于动态时间规整算法的无线链路质量预测方法 |
CN105979599A (zh) * | 2016-05-09 | 2016-09-28 | 重庆邮电大学 | 一种基于信道质量预测的无线传感器网络自适应跳信道方法 |
-
2018
- 2018-07-13 CN CN201810770848.0A patent/CN108684052B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694521A (zh) * | 2009-10-12 | 2010-04-14 | 茂名学院 | 一种基于概率图模型的目标预测跟踪方法 |
EP2747505A1 (en) * | 2012-12-19 | 2014-06-25 | Alcatel Lucent | Clustering of wireless sensor networks based on hidden node detection |
CN103716808A (zh) * | 2013-12-20 | 2014-04-09 | 合肥工业大学 | 一种无线传感器网络链路质量预测方法 |
CN104301983A (zh) * | 2014-08-21 | 2015-01-21 | 南京邮电大学 | 基于局部信道状态估计的功率控制方法 |
CN104811991A (zh) * | 2015-04-17 | 2015-07-29 | 合肥工业大学 | 基于动态时间规整算法的无线链路质量预测方法 |
CN105979599A (zh) * | 2016-05-09 | 2016-09-28 | 重庆邮电大学 | 一种基于信道质量预测的无线传感器网络自适应跳信道方法 |
Non-Patent Citations (2)
Title |
---|
LINLAN LIU: "A link Quality prediction Mechanism for WSNs Based on Time Series Model", 《2010 7TH INTERNATIONAL CONFERENCE ON UBIQUITOUS INTELLIGENCE & COMPUTING AND 7TH INTERNATIONAL CONFERENCE ON AUTONOMIC & TRUSTED COMPUTING》 * |
赵婷: "水下传感器网络基于能量和链路质量的路径选择研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111800201A (zh) * | 2020-06-24 | 2020-10-20 | 西北工业大学 | 一种针对Sink节点水声传感器网络关键节点识别方法 |
CN112055373A (zh) * | 2020-09-02 | 2020-12-08 | 西北工业大学 | 栅形时反多址下水声网络建模与最佳单跳距离确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108684052B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Target tracking based on a distributed particle filter in underwater sensor networks | |
EP3176981A1 (en) | Method and device for detecting type of network data flow | |
CN113891275B (zh) | 一种基于迁移学习的水下无线传感器网络信任模型 | |
Cheng et al. | Node selection algorithm for underwater acoustic sensor network based on particle swarm optimization | |
CN110167124A (zh) | 一种自适应传输功率的水下无线传感器网络目标跟踪方法 | |
CN108684052A (zh) | 一种高自由度水下传感器网络中无线链路质量预测方法 | |
Yu et al. | Distributed detection in landslide prediction based on Wireless Sensor Networks | |
Padmavathy et al. | Reliability evaluation of underwater sensor network in shallow water based on propagation model | |
Surendran et al. | Link characterization and edge-centric predictive modeling in an ocean network | |
Saha et al. | An evolved algorithm for underwater acoustic sensor node localization enhancement using reference node | |
CN114048546A (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 | |
Fan et al. | A time-varying acoustic channel-aware topology control mechanism for cooperative underwater sonar detection network | |
Jaiswal et al. | Deep transfer learning based radio map estimation for indoor wireless communications | |
US20220376802A1 (en) | Communication speed prediction apparatus, communication speed prediction method and recording medium | |
Park et al. | Intelligent handover prediction based on locational priority with zero scanning for the Internet of underwater things | |
Zhou et al. | An improved MCB localization algorithm based on weighted RSSI and motion prediction | |
Yi et al. | Neural network based prediction and analysis for NB-IoT network location | |
Talukder et al. | Autonomous adaptive resource management in sensor network systems for environmental monitoring | |
CN112666948A (zh) | 一种基于信道建模的自主水下航行器路径规划方法 | |
CN117405175B (zh) | 海洋环境智能监测系统 | |
CN111683377A (zh) | 一种面向配电网的实时可靠中继部署方法 | |
Chaudhari et al. | Available bandwidth prediction using wavelet neural network in mobile ad-hoc networks | |
Brida et al. | Performance analysis of positioning in wireless sensor networks | |
Nikolov et al. | Reduced complexity approach for uplink rate trajectory prediction in mobile networks | |
Chang et al. | Development of machine learning-based radio propagation models and benchmarking for mobile networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |