CN109618288A - 基于深度卷积神经网络的无线传感网距离测量系统及方法 - Google Patents
基于深度卷积神经网络的无线传感网距离测量系统及方法 Download PDFInfo
- Publication number
- CN109618288A CN109618288A CN201910078436.5A CN201910078436A CN109618288A CN 109618288 A CN109618288 A CN 109618288A CN 201910078436 A CN201910078436 A CN 201910078436A CN 109618288 A CN109618288 A CN 109618288A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- depth convolutional
- wireless sense
- loss function
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 57
- 238000005259 measurement Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于深度卷积神经网络的无线传感网距离测量系统及方法，包含：深度卷积神经网络模块，其获取无线传感网在不同环境下的无线信号传播特性的高级语义，输入当前环境的地面图像数据和节点之间的信号强度测量数据，输出当前地面环境下节点之间的距离估计；损失函数模块，其计算深度卷积神经网络模块所输出的距离估计值与真值之间的均方误差，并将该均方误差作为损失函数；模型优化模块，调整深度卷积神经网络中的所有参数，使损失函数不断减小，计算出更加符合实际测量环境的距离估计值。本发明可自主地提取不同地面环境下信号传播特性的高级语义，训练后的模型能够适用于不同的环境，且比其他的计算模型具有更高的准确度。
Description
技术领域
本发明涉及无线传感器网络和机器学习领域，特别涉及一种基于深度卷积神经网络的无线传感网距离测量系统及方法。
背景技术
无线传感器网络的信号传播特性在不同的地面环境中是不同的，如何建立一个可以应用于不同的地面环境且更准确的距离估计模型是非常有意义的。
对数正态遮蔽模型方法可以通过调整路径损失指数来适应不同的环境，但路径损失指数的选择是一个问题，而且对数正态遮蔽模型在实际测量环境中的准确性不高。
式中，d0＝1m是参考距离，是经过d0距离后的损耗后的信号强度值，d是实际距离，RSSI是d距离的信号强度值，n为路径损耗指数，Xσ表示遮蔽因子。
自适应标定的对数正态遮蔽模型通过预先放置固定节点动态来计算路径损失指数等参数来提高测量精度，但在实际测量环境中，自适应标定的对数正态遮蔽模型的计算准确度仍不高。
式中，Prfixed是固定节点的接收功率，Ptfixed是固定节点的发射功率，drfixed是两个固定节点之间的距离。d0和是两个固定节点的参考距离和参考信号强度指示，在初始配置时是已知的。
目前的基于机器学习的方法可以通过在当前环境下训练数据采集，显著提高距离测量的准确度，例如：反向传播神经网络测距模型和自适应神经模糊推理系统可以很好地提取当前环境下的信号衰减特性。然而，这些训练模型不能在不同的测距环境中使用，在不同应用环境下需要对其进行重新训练，因为不同环境的衰减特性是不同的，例如：草地和道路的信号衰减特征不同。
因此，本发明公开了一种基于深度卷积神经网络的距离测量模型，该模型可以根据图像数据和信号强度指示数据自动提取不同地面环境的信号传播特性，训练后的模型在不同地面环境下能够计算出更加准确的距离估计。
发明内容
本发明的目的在于提供一种基于深度卷积神经网络的无线传感网距离测量系统及方法，克服了目前传统的理论在实际测量环境下的计算精确度不高、基于机器学习的方法不能适用于不同环境的缺点，通过提取不同测量环境下地面信号衰减的高级语义，从而使距离测量模型在不同环境下的计算更加准确。
为了达到上述目的，本发明通过以下技术方案实现：
一种基于深度卷积神经网络的无线传感网距离测量系统，包含：
深度卷积神经网络模块，其获取无线传感网在不同环境下的衰减特性的高级语义，输入当前环境的地面图像数据和信号强度测量数据，输出当前地面环境下节点之间的距离估计；
损失函数模块，其计算所述深度卷积神经网络模块所输出的距离估计值与真值之间的均方误差，并将该均方误差作为损失函数；
模型优化模块，其通过自适应矩估计的梯度优化算法来不断地调整所述深度卷积神经网络中的所有参数，使损失函数不断减小，直至损失函数收敛，以使参数趋近于最优，计算出更加符合实际测量环境的距离估计值。
优选地，所述深度卷积神经网络模型包含：
第一输入分支，输入摄像头获取的地面图像数据，所述第一输入分支中由输入端至输出端依次包含相间设置的若干个卷积层和若干个最大池化层以及若干个第一全连接层；
第二输入分支，输入接收机获得的接收信号强度指示值以及距离，所述第二输入分支包含若干个第二全连接层；
所述第一输入分支和所述第二输入分支的输出合并至第三全连接层中。
优选地，所述第一输入分支包含五个卷积层、五个最大池化层和两个第一全连接层，所述第二输入分支包含两个第二全连接层。
优选地，所述损失函数如下：
式中，f(image(i),RSSI(i)；θ)是深度卷积神经网络输入到输出的映射，f(image(i),RSSI(i)；θ)的输出是深度卷积神经网络的计算估计值；m是样本数量，即训练过程中的计算次数；image(i)表示输入的图像数据；RSSI(i)是输入的RSSI数据；d(i)表示实际的测量值。
优选地，所述自适应矩估计的梯度优化算法包含：
θ0表示初始参数向量；
初始化一阶矩向量：m0←0；
初始化二阶矩向量：v0←0；
初始化时间：t←0；
再执行以下过程：
t←t+1；
获取时间步长t上的梯度相关随机目标：gt←▽θft(θt-1)；
更新有偏一阶矩估计：mt←β1·mt-1+(1-β1)·gt；
更新有偏二阶矩估计：
修正一阶矩的偏差：
修正二阶矩的偏差：
更新参数：
直到θt收敛，则结束，并返回θt；
其中，α表示步长学习率；β1,β2∈[0,1)分别表示矩估计的指数衰减率，β1为第一阶矩估计的指数衰减率，β2为第二阶矩估计的指数衰减率；θ表示神经网络中的需要调整的参数，即存在参数θ，使得损失函数降到最低；f(θ)表示参数θ的随机目标函数；mt、mt-1分别指在时间步长t、时间步长t-1的一阶矩向量；vt、vt-1分别指在时间步长t、时间步长t-1的二阶矩向量；∈为常数；表示β1和β2的t次方。
本发明还提供了一种采用如上文所述的无线传感网距离测量系统的无线传感网距离测量方法，该方法包含以下步骤：
S1、收集地面图像数据和信号强度测量数据；
S2、根据所收集的所述地面图像数据和所述信号强度测量数据，对深度卷积神经网络模型进行训练；
S3、在应用阶段时将无线传感网部署环境的地面图像数据以及接收机接收到的信号强度指示值以及距离之间的关系输入训练好的深度卷积神经网络系统，计算出符合实际测量环境的距离估计值。
优选地，所述训练的过程包含：使用深度卷积神经网络模型的输出值和实际测量值之间的均方误差作为损失函数，再使用自适应矩估计的梯度优化算法不断地调整神经网络中的所有参数，使损失函数不断减小，使参数趋近于最优。
与现有技术相比，本发明的有益效果至少具备以下一项：
(1)本发明采用了深度卷积神经网络来提取不同测量环境下地面信号衰减的高级语义，相对于传统的理论模型，训练后深度卷积神经网络模型计算的距离估计准确度更高。
(2)本发明的深度学习网络架构相对目前的基于机器学习的测距模型，能够应用于不同的环境且计算的距离估计准确度更高。
(3)本发明采用了模型的计算值与真值之间的均方误差作为损失函数，使得深度卷积神经网络模型能够根据训练数据趋近于最优。
(4)本发明采用了自适应矩估计的梯度优化算法对深度卷积神经网络模型进行优化，使得模型在训练的过程中更加快速地趋近于最优。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1本发明深度卷积神经网络的距离测量系统的架构框图；
图2-图3本发明深度卷积神经网络的距离测量系统的实施框图；
图4本发明深度卷积神经网络的距离测量系统详细的参数配置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1-图3结合所示，本发明的基于深度卷积神经网络的无线传感网距离测量系统，包括深度卷积神经网络模块、损失函数模块和模型优化模块。
其中，深度卷积神经网络模块用于获取无线传感网在各种不同环境下的衰减特性的高级语义，输入当前环境的地面图像数据以及节点之间的信号强度测量数据，并输出当前地面环境下节点之间的距离估计。损失函数模块用于计算深度卷积神经网络模块输出的距离估计值与真值之间的误差；模型优化模块根据收集的真实测量数据集，对测距模型进行训练，直到损失函数收敛。
如图2所示，所述深度卷积神经网络模型设置有第一输入分支和第二输入分支。第一个输入分支输入摄像头获取的地面图像数据，图像数据中包含的不同环境的特征信息，即第一个输入分支代表环境维；所述第一个输入分支包含5个卷积层、5个最大池化层和2个完全连接层，每个卷积层和每个最大池化层相间设置，最末端的最大池化层输出至完全连接层。第二个输入分支输入接收机获得的信号强度测量数据(例如信号强度指示值以及对应的距离数据)，从而提取当前特定环境下的信号衰减特性，即信号强度指示和距离之间的关系；所述第二输入分支包含2个完全连接层。这两个输入分支的输出合并到另一个全连接层中，则深度卷积神经网络模块最终输出是计算的距离估计值。因此，上述深度卷积神经网络模型将两种特征合并到输出完全可以提取不同环境下的信号衰减特性的高级语义，再构建所有输入到输出的映射关系，通过训练来拟合这种映射关系。
所述损失函数模块中包括：使用深度卷积神经网络模块的所计算的距离估计值与真值之间的均方误差作为损失函数。
其中，损失函数如下公式：
式中，f(image(i),RSSI(i)；θ)是指深度卷积神经网络输入到输出的映射；，f(image(i),RSSI(i)；θ)的输出是指深度卷积神经网络的计算估计值；m是样本数量，即训练过程中的计算次数；image(i)表示输入的图像数据；RSSI(i)是输入的RSSI数据(信号强度指示)；d(i)表示实际的测量值。
所述模型优化模块中包括：在训练深度卷积神经网络时，通过自适应矩估计的梯度优化算法来不断地调整深度卷积神经网络中的所有参数，使损失函数不断减小，从而使模型的参数趋近于最优，从而训练出更高准确率的深度卷积神经网络模型。
其中，自适应矩估计的梯度优化算法具体如下：
(1)α：步长学习率；β1,β2∈[0,1)：矩估计的指数衰减率；θ：表示神经网络中的需要调整的参数，即存在参数θ，使得损失函数降到最低；f(θ)：参数θ的随机目标函数；θ0：初始参数向量；m0←0(初始化一阶矩向量)；v0←0(初始化二阶矩向量)；t←0(初始化时间)；
(2)执行过程包含：
t←t+1；
gt←▽θft(θt-1)(获取时间步长t上的梯度相关随机目标)；
mt←β1·mt-1+(1-β1)·gt(更新有偏一阶矩估计)；
(更新有偏二阶矩估计)；
(修正一阶矩的偏差)；
(修正二阶矩的偏差)；
(更新参数)；
执行上述过程，直到θt收敛，结束，并返回θt。
其中，mt、mt-1分别指在时间步长t、时间步长t-1的一阶矩向量；vt、vt-1分别指在时间步长t、时间步长t-1的二阶矩向量；动量衰减参数β1为第一阶矩估计的指数衰减率，一般取0.9；β2为第二阶矩估计的指数衰减率，一般取0.999；表示β1和β2的t次方；∈为常数，一般取10-8用以提高数值稳定度，防止分母太小。
图4为图2的详细参数配置，其中，卷积层参数表示为“卷积层(感受野大小)-(通道数)”，全连接层参数表示为“全连接层-隐藏单元大小”。
本发明公开一种基于深度卷积神经网络的距离测量方法，包含以下步骤：
步骤S1、首先，对地面图像数据和信号强度测量数据进行收集。
步骤S2、根据所收集的地面图像数据和信号强度测量数据，对深度卷积神经网络模型进行训练，其中，训练方式是指：使用深度卷积神经网络模型的输出值和实际测量值之间的均方误差作为损失函数，然后使用自适应矩估计的梯度优化算法来不断地调整神经网络中的所有参数，使损失函数不断减小，从而使模型的参数趋近于最优，该过程称为深度卷积神经网络的训练过程，也称学习过程。
步骤S3、最后，在应用阶段将无线传感网部署环境的地面图像数据以及接收机接收到的信号强度指示值与距离之间的关系输入训练好的深度卷积神经网络模型，从而计算出更加符合实际测量环境的距离估计值。
综上所述，本发明公开的基于深度卷积神经网络的无线传感网距离测量系统可以自主地提取不同地面环境下信号传播特性的高级语义，模型的输入为地面环境图像数据和信号强度测量数据，输出为节点之间的距离估计；因为通过对大量的地面图像数据和信号强度测量数据对模型进行训练，训练后的模型能够适用于不同的环境，且比其他的计算模型具有更高的准确度。因为第一个输入分支中包含了环境特征信息，即图像数据中包含了不同环境的特征信息；第二个输入分支的数据中包含了当前环境的信号衰减特性，当将两个分支合并后进行端到端训练即可以提取不同环境下的信号衰减的高级语义，并训练卷积核以及隐藏层神经元的参数。而现有技术仅限于提取当前环境下的信号衰减特性，不能适用于不同的测量环境。卷积神经网络是多维数据特征提取的有效方法，是指使用了卷积计算的神经网络的统称，面对不同的任务需要设计不同的网络架构。针对不同环境下的信号衰减特性提取这类任务，需使用环境的图像数据以及信号强度指示数据和距离之间的关系作为输入，距离估计作为输出，以网络的输出和真值之间的误差作为度量网络架构优劣的标准。因此，本发明所提出的网络架构能自动提取不同地面环境的信号传播特性是使用了本发明公开的深度卷积神经网络架构所产生的结果，而不是直接使用卷积这种计算方法或者使用其他类型的卷积神经网络架构可以直接产生的效果。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种基于深度卷积神经网络的无线传感网距离测量系统，其特征在于，包含：
深度卷积神经网络模块，其获取无线传感网在不同环境下的衰减特性的高级语义，输入当前环境的地面图像数据和信号强度测量数据，输出当前地面环境下节点之间的距离估计；
损失函数模块，其计算所述深度卷积神经网络模块所输出的距离估计值与真值之间的均方误差，并将该均方误差作为损失函数；
模型优化模块，其通过自适应矩估计的梯度优化算法来不断地调整所述深度卷积神经网络中的所有参数，使损失函数不断减小，直至损失函数收敛，以使参数趋近于最优，计算出更加符合实际测量环境的距离估计值。
2.如权利要求1所述的基于深度卷积神经网络的无线传感网距离测量系统，其特征在于，
所述深度卷积神经网络模型包含：
第一输入分支，输入摄像头获取的地面图像数据，所述第一输入分支中由输入端至输出端依次包含相间设置的若干个卷积层和若干个最大池化层以及若干个第一全连接层；
第二输入分支，输入接收机获得的接收信号强度指示值以及距离，所述第二输入分支包含若干个第二全连接层；
所述第一输入分支和所述第二输入分支的输出合并至第三全连接层中。
3.如权利要求2所述的基于深度卷积神经网络的无线传感网距离测量系统，其特征在于，
所述第一输入分支包含五个卷积层、五个最大池化层和两个第一全连接层，所述第二输入分支包含两个第二全连接层。
4.如权利要求1所述的基于深度卷积神经网络的无线传感网距离测量系统，其特征在于，
所述损失函数如下：
式中，f(image(i),RSSI(i)；θ)是深度卷积神经网络输入到输出的映射，f(image(i),RSSI(i)；θ)的输出是深度卷积神经网络的计算估计值；m是样本数量，即训练过程中的计算次数；image(i)表示输入的图像数据；RSSI(i)是输入的RSSI数据；d(i)表示实际的测量值。
5.如权利要求1所述的基于深度卷积神经网络的无线传感网距离测量系统，其特征在于，
所述自适应矩估计的梯度优化算法包含：
θ0表示初始参数向量；
初始化一阶矩向量：m0←0；
初始化二阶矩向量：v0←0；
初始化时间：t←0；
再执行以下过程：
t←t+1；
获取时间步长t上的梯度相关随机目标：
更新有偏一阶矩估计：mt←β1·mt-1+(1-β1)·gt；
更新有偏二阶矩估计：vt←β2·vt-1+(1-β2)·gt 2；
修正一阶矩的偏差：
修正二阶矩的偏差：
更新参数：
直到θt收敛，则结束，并返回θt；
其中，α表示步长学习率；β1,β2∈[0,1)分别表示矩估计的指数衰减率，β1为第一阶矩估计的指数衰减率，β2为第二阶矩估计的指数衰减率；θ表示神经网络中的需要调整的参数，即存在参数θ，使得损失函数降到最低；f(θ)表示参数θ的随机目标函数；mt、mt-1分别指在时间步长t、时间步长t-1的一阶矩向量；vt、vt-1分别指在时间步长t、时间步长t-1的二阶矩向量；∈为常数；表示β1和β2的t次方。
6.一种采用如权利要求1-5任意一项所述的无线传感网距离测量系统的无线传感网距离测量方法，其特征在于，该方法包含以下步骤：
S1、收集地面图像数据和信号强度测量数据；
S2、根据所收集的所述地面图像数据和所述信号强度测量数据，对深度卷积神经网络模型进行训练；
S3、在应用阶段时将无线传感网部署环境的地面图像数据以及接收机接收到的信号强度指示值以及距离之间的关系输入训练好的深度卷积神经网络系统，计算出符合实际测量环境的距离估计值。
7.如权利要求6所述的无线传感网距离测量方法，其特征在于，所述训练的过程包含：使用深度卷积神经网络模型的输出值和实际测量值之间的均方误差作为损失函数，再使用自适应矩估计的梯度优化算法不断地调整神经网络中的所有参数，使损失函数不断减小，使参数趋近于最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078436.5A CN109618288B (zh) | 2019-01-28 | 2019-01-28 | 基于深度卷积神经网络的无线传感网距离测量系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078436.5A CN109618288B (zh) | 2019-01-28 | 2019-01-28 | 基于深度卷积神经网络的无线传感网距离测量系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109618288A true CN109618288A (zh) | 2019-04-12 |
| CN109618288B CN109618288B (zh) | 2020-06-23 |
Family
ID=66017524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910078436.5A Expired - Fee Related CN109618288B (zh) | 2019-01-28 | 2019-01-28 | 基于深度卷积神经网络的无线传感网距离测量系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109618288B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110519772A (zh) * | 2019-09-09 | 2019-11-29 | 北京纳飞时空信息技术有限公司 | 基站网络、基站网络的自主位置获取方法 |
| CN111476778A (zh) * | 2020-04-07 | 2020-07-31 | 西华大学 | 图像检测分割方法、系统、存储介质、计算机程序、终端 |
| CN112307987A (zh) * | 2020-11-03 | 2021-02-02 | 泰山学院 | 基于深度混合路由网络识别通信信号的方法 |
| CN115052245A (zh) * | 2022-06-13 | 2022-09-13 | 东南大学 | 基于深度学习的无人机辅助无线传感器网络节点定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9197380B2 (en) * | 2010-12-17 | 2015-11-24 | Cisco Technology, Inc. | Repeater nodes in shared media networks |
| CN107944431A (zh) * | 2017-12-19 | 2018-04-20 | 陈明光 | 一种基于运动变化的智能识别方法 |
| CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
| CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
-
2019
- 2019-01-28 CN CN201910078436.5A patent/CN109618288B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9197380B2 (en) * | 2010-12-17 | 2015-11-24 | Cisco Technology, Inc. | Repeater nodes in shared media networks |
| CN107944431A (zh) * | 2017-12-19 | 2018-04-20 | 陈明光 | 一种基于运动变化的智能识别方法 |
| CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110519772A (zh) * | 2019-09-09 | 2019-11-29 | 北京纳飞时空信息技术有限公司 | 基站网络、基站网络的自主位置获取方法 |
| CN111476778A (zh) * | 2020-04-07 | 2020-07-31 | 西华大学 | 图像检测分割方法、系统、存储介质、计算机程序、终端 |
| CN112307987A (zh) * | 2020-11-03 | 2021-02-02 | 泰山学院 | 基于深度混合路由网络识别通信信号的方法 |
| CN112307987B (zh) * | 2020-11-03 | 2021-06-29 | 泰山学院 | 基于深度混合路由网络识别通信信号的方法 |
| CN115052245A (zh) * | 2022-06-13 | 2022-09-13 | 东南大学 | 基于深度学习的无人机辅助无线传感器网络节点定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109618288B (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109618288A (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
| CN108508442A (zh) | 一种基于地基多通道微波辐射计的大气温湿廓线反演方法 | |
| CN105260607A (zh) | 一种串并联耦合的多模型水文预报方法 | |
| CN103792538A (zh) | 一种基于地基高光谱微波辐射计的大气廓线反演方法 | |
| CN108318856A (zh) | 一种异构网络下快速精准的目标定位与跟踪方法 | |
| CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| CN110213003A (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
| CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
| CN103605878B (zh) | 一种基于数据建模和模型移植的通用血糖预测方法 | |
| CN109872415B (zh) | 一种基于神经网络的车速估计方法及系统 | |
| CN110048416A (zh) | S-g滤波和自适应mp算法的低频振荡模态辨识方法 | |
| CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN109299830A (zh) | 一种基于墒情监测的水文预报系统及方法 | |
| CN111914487B (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| CN111967665A (zh) | 一种基于神经网络的灌溉决策方法及系统 | |
| CN109840311A (zh) | 基于最优观测时间窗口的耦合数据同化与参数优化方法 | |
| CN105187139B (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
| CN110297223A (zh) | 基于bp神经网络的脉冲激光回波数目检测的方法 | |
| CN113449254B (zh) | 任意网型变形监测稳定性分析方法及监控点位置确定方法 | |
| CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
| CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| CN101540504B (zh) | 一种基于变步长神经网络的潮流分析装置及方法 | |
| CN115855272A (zh) | 一种生成近实时逐小时全天候地表温度的方法 | |
| CN115713008A (zh) | 流域洪水模拟计算的实时校正方法、系统、装置及介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200623 |