CN108964815A - 一种基于bp神经网络的信道选择和比特率自适应方法 - Google Patents

一种基于bp神经网络的信道选择和比特率自适应方法 Download PDF

Info

Publication number
CN108964815A
CN108964815A CN201810854509.0A CN201810854509A CN108964815A CN 108964815 A CN108964815 A CN 108964815A CN 201810854509 A CN201810854509 A CN 201810854509A CN 108964815 A CN108964815 A CN 108964815A
Authority
CN
China
Prior art keywords
channel selection
bit rate
neural network
signal strength
value
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
Application number
CN201810854509.0A
Other languages
English (en)
Inventor
赵菊敏
李灯熬
�田�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201810854509.0A priority Critical patent/CN108964815A/zh
Publication of CN108964815A publication Critical patent/CN108964815A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality 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
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明一种基于BP神经网络的信道选择和比特率自适应方法，属于基于BP神经网络的信道选择和比特率自适应技术领域；所要解决的技术问题为：提供一种基于BP神经网络的信道选择和比特率自适应方法；解决该技术问题采用的技术方案为：包括如下步骤：步骤一：对信道的信号强度指示值进行方差计算；步骤二：输入信号强度指示方差、丢包率及当前信道列表数值；步骤三：初始化阈值、权值、隐含层节点数数值；步骤四：计算各层输入输出值，不断修改阈值、权值，并输出最优的信道选择列表；步骤五：获得最优的信道选择列表后，选取最优信道，能够得到对应的信号强度指示方差和丢包率；本发明应用于BP神经网络。

Description

一种基于BP神经网络的信道选择和比特率自适应方法
技术领域
本发明一种基于BP神经网络的信道选择和比特率自适应方法，属于基于BP神经网络的信道选择和比特率自适应技术领域。
背景技术
目前使用的超低功耗传感器难以使用传统无线传感技术进行信号传输，这类传感器设备在极低的能量预算下运行，虽然微控制器在主动和睡眠模式功耗方面已经变得越来越高效，但802.15.4等有源无线电对能量消耗过大；因此迫切需要对这类传感器的超低功率通信方式进行优化，而一个可以显著降低能源成本的通信方式是反向散射通信。
反向散射基站向传感器节点提供载波，该载波可以使用简单的模拟比较器电路对传输信号进行解码，由于传感器本身不需要主动发送无线电信号，该通信方法消耗的功率很低。
而采用反向散射通信方式进行信号传输时，其在网络中的通信速率适应至关重要，反向散射设备通过吸收从阅读器端发射的射频能量来传输收集到的数据，而射频能量的低功耗特性将导致信号质量不高，使得标签与阅读器之间通信对信道质量较为敏感；其次，反向散射通信网络通常应用在较为嘈杂的环境中，这就造成了信道质量会受到如阻塞，多路径衰落，外部干扰等因素干扰；因此，为保证较高的网络吞吐量，需要根据信道质量动态调整数据速率以适应信道变化，应对现有反向散射通信方法进行优化。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于BP神经网络的信道选择和比特率自适应方法；为了解决上述技术问题，本发明采用的技术方案为：一种基于BP神经网络的信道选择和比特率自适应方法，包括如下步骤：
步骤一：对信道的信号强度指示值进行方差计算；
步骤二：输入信号强度指示方差、丢包率及当前信道列表数值；
步骤三：初始化阈值、权值、隐含层节点数数值；
步骤四：计算各层输入输出值，不断修改阈值、权值，并输出最优的信道选择列表；
步骤五：获得最优的信道选择列表后，选取最优信道，能够得到对应的信号强度指示方差和丢包率；
步骤六：使用KNN算法对信号强度指示方差和丢包率进行分类，从EPCC1G2协议规定的六种不同编码/波特率组合的比特率中，对应选择一个最好的比特率。
本发明相对于现有技术具备的有益效果为：本发明为了解决无源感知系统中从WISP标签端到阅读器端的高质量数据传输，提出了一种基于BP神经网络的信道选择和速率自适应选择方法，具体操作为：在原有技术上采用低复杂度的贪心算法实现信道的分配，应用贪心算法模型使信道分配达到局部最优，但是不能达到全局最优，但是对于多节点，密度大的布局，应用BP神经网络的信道预测可以达到全局最优，可以有效提升上行链路的吞吐量，使信号传输更稳定，传输效率更高。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明利用BP神经网络进行分析的模型图；
图2为本发明的方法流程图。
具体实施方式
如图1和图2所示，本发明一种基于BP神经网络的信道选择和比特率自适应方法，包括如下步骤：
步骤一：对信道的信号强度指示值进行方差计算；
步骤二：输入信号强度指示方差、丢包率及当前信道列表数值；
步骤三：初始化阈值、权值、隐含层节点数数值；
步骤四：计算各层输入输出值，不断修改阈值、权值，并输出最优的信道选择列表；
步骤五：获得最优的信道选择列表后，选取最优信道，能够得到对应的信号强度指示方差和丢包率；
步骤六：使用KNN算法对信号强度指示方差和丢包率进行分类，从EPCC1G2协议规定的六种不同编码/波特率组合的比特率中，对应选择一个最好的比特率。
本发明是采用如下技术方案实现：信道主要的质量参数为：接收信号强度指示(RSSI) 和丢包率(packet loss rate)；超高频阅读器在902～928MHz频段内有50个信道可供使用，并不是每条信道都适用于信息传输，因此需要对信道进行选择性调频。
本发明提出的BP神经网络优化方案利用梯度下降法，按照网络的权值和阈值利用反向传播来不断调整数值，这可以将网络的误差平方和调整至最小，更有利于对信道的选择。
具体操作时，将RSSI方差、丢包率和当前信道列表作为BP神经网络的输入量，以优先选择信道列表、RSSI方差和丢包率作为输出，分析判断输出值来选择最佳传输比特率。
信道可靠性利用BP神经网络分析模型如图1所示：
当BP神经网络对信号进行正向传播时；
设BP网络的输入层有n个节点，隐含层有q个节点，输出层有m个节点，输入层与隐含层有权值为vki，隐含层与输出层之间的权值为wjk，隐含层的传递函数为f1(·)，输出层的传递函数为f2(·)，则隐含层节点输出值的计算公式为：
输出层节点输出值的计算公式为：
当BP神经网络对信号进行反向传播时：
传输误差值的计算公式为：
其中为期望输出；
输出层权值变化的计算公式为：
隐含层权值变化的计算公式为：
其中Sj和Sk分别为相应神经元的净输入值，η为学习率。
在算法初始化时，预先设定阈值和权重，然后根据输出的接收信号强度方差以及丢包率不断对阈值和权值进行调整，直到RSSI方差和丢包率满足要求，最后通过RSSI方差和丢包率使用KNN算法进行数据速率的映射。
经过实验验证，预测到的信道接收信号强度，几乎与实际值吻合，准确率可达80％以上。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (1)

1.一种基于BP神经网络的信道选择和比特率自适应方法，其特征在于：包括如下步骤：
步骤一：对信道的信号强度指示值进行方差计算；
步骤二：输入信号强度指示方差、丢包率及当前信道列表数值；
步骤三：初始化阈值、权值、隐含层节点数数值；
步骤四：计算各层输入输出值，不断修改阈值、权值，并输出最优的信道选择列表；
步骤五：获得最优的信道选择列表后，选取最优信道，能够得到对应的信号强度指示方差和丢包率；
步骤六：使用KNN算法对信号强度指示方差和丢包率进行分类，从EPCC1G2协议规定的六种不同编码/波特率组合的比特率中，对应选择一个最好的比特率。
CN201810854509.0A 2018-07-30 2018-07-30 一种基于bp神经网络的信道选择和比特率自适应方法 Pending CN108964815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810854509.0A CN108964815A (zh) 2018-07-30 2018-07-30 一种基于bp神经网络的信道选择和比特率自适应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810854509.0A CN108964815A (zh) 2018-07-30 2018-07-30 一种基于bp神经网络的信道选择和比特率自适应方法

Publications (1)

Publication Number Publication Date
CN108964815A true CN108964815A (zh) 2018-12-07

Family

ID=64466582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810854509.0A Pending CN108964815A (zh) 2018-07-30 2018-07-30 一种基于bp神经网络的信道选择和比特率自适应方法

Country Status (1)

Country Link
CN (1) CN108964815A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109547039A (zh) * 2019-01-16 2019-03-29 西安交通大学 一种智能的环境反向散射通信方法
CN109905868A (zh) * 2019-02-27 2019-06-18 中南大学 一种智能可穿戴设备蓝牙通信预测方法及系统
CN110191362A (zh) * 2019-05-29 2019-08-30 鹏城实验室 数据传输方法及装置、存储介质及电子设备
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
CN112235866A (zh) * 2020-08-28 2021-01-15 广州南方卫星导航仪器有限公司 一种自动选择rtk基站中最佳传输频点的方法、设备及介质
CN112788686A (zh) * 2020-12-30 2021-05-11 浙江华消科技有限公司 LoRa设备的信道选择方法、装置和电子装置
CN113067785A (zh) * 2021-03-30 2021-07-02 太原理工大学 一种适用于反向散射通信网络的信道选择方法
CN113452473A (zh) * 2020-03-26 2021-09-28 太原理工大学 在反向散射中预测最佳信道的方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913721A (zh) * 2014-04-18 2014-07-09 山东大学 一种基于人工神经网络的室内人员智能感知方法
CN105357676A (zh) * 2015-12-10 2016-02-24 上海交通大学 基于矩阵填充的室内空闲频谱检测方法
CN107064913A (zh) * 2017-03-10 2017-08-18 上海斐讯数据通信技术有限公司 一种基于深度学习的无线定位方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913721A (zh) * 2014-04-18 2014-07-09 山东大学 一种基于人工神经网络的室内人员智能感知方法
CN105357676A (zh) * 2015-12-10 2016-02-24 上海交通大学 基于矩阵填充的室内空闲频谱检测方法
CN107064913A (zh) * 2017-03-10 2017-08-18 上海斐讯数据通信技术有限公司 一种基于深度学习的无线定位方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI GONG等: "Exploiting Channel Diversity for Rate Adaptation in Exploiting Channel Diversity for Rate Adaptation in Backscatter Communication Networks", 《IEEE》 *
翟学明等: "基于蚁群算法和BP神经网络的信道分配策略的研究", 《传感技术学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109547039A (zh) * 2019-01-16 2019-03-29 西安交通大学 一种智能的环境反向散射通信方法
CN109905868A (zh) * 2019-02-27 2019-06-18 中南大学 一种智能可穿戴设备蓝牙通信预测方法及系统
CN110191362A (zh) * 2019-05-29 2019-08-30 鹏城实验室 数据传输方法及装置、存储介质及电子设备
CN110191362B (zh) * 2019-05-29 2021-03-16 鹏城实验室 数据传输方法及装置、存储介质及电子设备
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
CN113452473A (zh) * 2020-03-26 2021-09-28 太原理工大学 在反向散射中预测最佳信道的方法、装置及存储介质
CN113452473B (zh) * 2020-03-26 2022-06-28 太原理工大学 在反向散射中预测最佳信道的方法、装置及存储介质
CN112235866A (zh) * 2020-08-28 2021-01-15 广州南方卫星导航仪器有限公司 一种自动选择rtk基站中最佳传输频点的方法、设备及介质
CN112235866B (zh) * 2020-08-28 2023-09-01 广州南方卫星导航仪器有限公司 一种自动选择rtk基站中最佳传输频点的方法、设备及介质
CN112788686A (zh) * 2020-12-30 2021-05-11 浙江华消科技有限公司 LoRa设备的信道选择方法、装置和电子装置
CN113067785A (zh) * 2021-03-30 2021-07-02 太原理工大学 一种适用于反向散射通信网络的信道选择方法

Similar Documents

Publication Publication Date Title
CN108964815A (zh) 一种基于bp神经网络的信道选择和比特率自适应方法
Zhang et al. Deep reinforcement learning-based modulation and coding scheme selection in cognitive heterogeneous networks
Thilina et al. Machine learning techniques for cooperative spectrum sensing in cognitive radio networks
CN102484860B (zh) 认知无线通信中的功率控制方法、认知无线通信系统以及认知无线通信装置
CN102781087B (zh) 发射功率调整方法、装置和接入设备
CN102118843B (zh) 载波聚合功率控制方法及功率控制装置
CN102833046A (zh) 分布式多天线系统中自适应调制方法
CN104754707A (zh) 用于控制小小区的工作状态的改变的装置和方法
CN105897321B (zh) 一种基于时隙分配的无线携能通信信号接收方法及接收机
Liu et al. Sum-capacity of D2D and cellular hybrid networks over cooperation and non-cooperation
Chen et al. Cooperative-generalized-sensing-based spectrum sharing approach for centralized cognitive radio networks
CN102355320A (zh) 一种自组织网络的抗干扰通信控制方法
CN107682047B (zh) 一种信道感知的中压电力线通信数据传输方法
Majumdar et al. Packet-size optimization for multiple-input multiple-output cognitive radio sensor networks-aided internet of things
Cha et al. Adaptive power control protocol with hardware implementation for wireless sensor and RFID reader networks
Zucchetto et al. Random access in the IoT: An adaptive sampling and transmission strategy
CN101765161A (zh) 一种链路自适应方法及装置
Zhang et al. Deep reinforcement learning for modulation and coding scheme selection in cognitive HetNets
CN104486268B (zh) 一种交叉信道增益估计方法
CN103957585A (zh) 一种无线局域网接入点设备的功率控制方法及装置
Hong et al. Reinforcement learning approach for SF allocation in LoRa network
CN114285504B (zh) 一种大规模无线供能反向散射通信网络传输性能研究方法
Solares et al. Optimal power allocation of a sensor node under different rate constraints
CN103795427B (zh) 无线通信系统的抗干扰方法和装置
WO2023000175A1 (zh) 无线通信方法、第一设备和第二设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181207