CN110161861A - 基于模糊神经网络的飞行器自组网路由决策方法及装置 - Google Patents
基于模糊神经网络的飞行器自组网路由决策方法及装置 Download PDFInfo
- Publication number
- CN110161861A CN110161861A CN201910468087.8A CN201910468087A CN110161861A CN 110161861 A CN110161861 A CN 110161861A CN 201910468087 A CN201910468087 A CN 201910468087A CN 110161861 A CN110161861 A CN 110161861A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- neural network
- fuzzy
- probability
- success
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于模糊神经网络的飞行器自组网路由决策方法及装置,其方法包括:对飞行器之间的相对距离、相对速度及飞行器的存储容量进行归一化预处理;根据归一化预处理后的相对距离和相对速度,第一级模糊神经网络输出飞行器链路状态变化率;根据飞行器链路状态变化率、传播时延和存储容量,第二级模糊神经网络输出飞行器之间单跳链路传输业务的成功概率;以所述单跳链路传输业务的成功概率为边,构建虚拟网络拓扑图;基于所述虚拟网络拓扑图,以最大化多跳传输成功概率为目标,确定最优的路由规划。本发明提供最大化业务传输成功概率的路由规划,提高了网络数据传输的可靠性和有效性,实现了飞行器业务在空间网络中高效传输。
Description
技术领域
本发明涉及空间网络领域,特别涉及基于模糊神经网络的飞行器自组网路由决策方法及装置。
背景技术
近年来,随着我国嫦娥四号月球背面着陆、嫦娥五号首次月面采样返回、火星表面软着陆与巡视探测、空间站在轨长期运行与管理等重大任务的推进,我国的太空活动正在从近地空间逐渐向高轨甚至外太空扩展。而这种活动往往不是独立的空间活动,需要发展智能网络系统,实现飞行器之间高效的数据交互和信息共享。在轨飞行器系统协同通信一直备受国际航天机构的关注热点和难点,为了满足在轨飞行器执行复杂任务过程中的数据传输与共享需求,需要构建飞行器间自组协同的网络体系。尽管国际空间数据系统咨询委员会(Consultative Committee for Space Data Systems,CCSDS)针对空间网络提出了太阳系互联网(Solar System Internetwork,SSI)的概念,但针对特定的飞行器组网技术细节未展开详细的讨论。在轨飞行器网络是由飞行器位置、速度和轨道等信息构成的巨大交互网络,以实现高动态场景下飞行器之间的通信为主要任务。其应用是实现深空探测的基础,也是实现飞行器信息共享的重要支撑,对未来智慧空间等创新技术有着重要的推动作用。
针对形态复杂的飞行器网络,尚未有性能良好的路由方法。现有方法对网络拓扑描述过于单一,主要根据空间飞行器的轨道特性对链路进行预测和路由表的固定设置,难以应对未来空间飞行器节点数量多、网络拓扑变化快、链路切换频繁等特点。因此,为了满足空间飞行器复杂多变网络环境的应用需求,如何实现空间飞行器自组网的最优路由规划,提高网络数据传输的可靠性和有效性,是需要解决的关键技术问题。
发明内容
本发明的目的在于提供基于模糊神经网络的飞行器自组网路由决策方法及装置,以解决现有飞行器业务在空间网络中高效传输的技术问题。
为了解决上述问题,本发明提供了基于模糊神经网络的飞行器自组网路由决策方法,包括以下步骤:对飞行器之间的相对距离、相对速度及飞行器的存储容量进行归一化预处理;根据归一化预处理后的相对距离和相对速度,第一级模糊神经网络输出飞行器链路状态变化率;根据飞行器链路状态变化率、传播时延和存储容量,第二级模糊神经网络输出飞行器之间单跳链路传输业务的成功概率;以所述单跳链路传输业务的成功概率为边,构建虚拟网络拓扑图;基于所述虚拟网络拓扑图,以最大化多跳传输成功概率为目标,确定最优的路由规划。
较佳地,所述飞行器之间的相对距离和相对速度基于无线信号的传输时间、到达角度和接收信号强度进行计算。
较佳地,所述归一化预处理采用区间归一化法或标准差化法。
较佳地,所述第一级模糊神经网络根据规则库将归一化预处理后的相对速度和相对距离进行模糊化、模糊推理和去模糊化处理,输出所述飞行器链路状态变化率。
较佳地,所述第二级模糊神经网络根据规则库将飞行器链路状态变化率、传播时延和存储容量进行模糊化、模糊推理和去模糊化处理,输出所述飞行器间单跳链路传输业务的成功概率。
较佳地,所述去模糊的方法可采用面积中心法。
本发明还提供了基于模糊神经网络的飞行器自组网路由决策装置,包括:
归一化预处理单元,对飞行器之间的相对距离、相对速度及飞行器的存储容量进行归一化预处理;第一级模糊神经网络单元,根据归一化预处理后的相对速度和相对距离,处理输出飞行器链路状态变化率;第二级模糊神经网络单元,根据所述飞行器链路状态变化率、传播时延和存储容量,处理输出飞行器之间单跳链路传输业务的成功概率;路由决策单元,以所述单跳链路传输业务的成功概率为边,构建虚拟网络拓扑图,并基于所述虚拟网络拓扑图,以最大化多跳传输成功概率为目标,确定最优的路由规划。
较佳地,所述第一级模糊神经网络单元包括模糊化单元、模糊推理单元、去模糊化单元和规则库。
较佳地,所述第二级模糊神经网络单元包括模糊化单元、模糊推理单元、去模糊化单元和规则库。
较佳地,所述飞行器包括运行于地球高轨、中轨、低轨范围内的人造卫星、空间站和/或航天飞船。
与现有技术相比,本发明存在以下技术效果:
1、本发明实施例基于多级模糊神经网络,根据获取的飞行器信息输出业务传输的路由规划,提高了空间飞行器间网络数据传输的可靠性和有效性。
2、本发明实施例针对空间飞行器高动态、大范围、长时延的特性,基于多级模糊神经网络,结合获取的相对距离、相对速度、存储容量的信息,对飞行器链路状态的稳定性进行有效评估,并给出各条链路可靠传输业务的概率;
3、本发明实施例基于业务单跳成功传输概率,构建虚拟网络拓扑图,并以最大化业务成功传输概率为目标,获得最优的路由规划。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1为本发明实施例基于模糊神经网络的飞行器自组网路由决策方法总体框图;
图2为本发明实施例基于模糊神经网络的飞行器自组网路由决策方法两级模糊神经网络连接示意图;
图3为本发明实施例基于模糊神经网络的飞行器自组网路由决策方法的第一级模糊神经网络结构图;
图4为本发明实施例基于模糊神经网络的飞行器自组网路由决策方法的模糊神经元基本结构图;
图5为本发明实施例基于模糊神经网络的飞行器自组网路由决策方法的路由决策流程图;
图6为本发明实施例基于模糊神经网络的飞行器自组网路由决策装置的结构示意图。
具体实施方式
以下将结合附图对本发明提供的基于模糊推理系统的空间飞行器自组网路由决策方法和装置进行详细的描述,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例,本领域技术人员在不改变本发明精神和内容的范围内,能够对其进行修改和润色。
实施例一
请参考图1-图2,为本发明实施例基于模糊神经网络的飞行器自组网路由决策方法的总体框图,适用于人造卫星、空间站、航天飞船等在轨飞行器。首先,第一级模糊神经网络FNN1根据飞行器之间的相对距离L和相对运动速度Δv输出链路状态变化率σ∈[0,1],用于评价链路稳定性;然后,根据飞行器的存储容量S、传播时延T、链路状态变化率σ,第二级模糊神经网络FNN2输出飞行器间单跳链路传输业务的成功概率Γ∈[0,1],飞行器间单跳链路传输业务的成功概率Γ反应了选择该链路的可能性;最后,基于各飞行器间单跳链路传输业务的成功概率Γ构建虚拟网络拓扑图,基于所述虚拟网络拓扑图,以最大化多跳传输成功概率τ为目标,确定最优的路由规划,从而实现数据传输的路径规划。
具体地,本实施例基于模糊神经网络的飞行器自组网路由决策方法包括以下步骤:
S1:对飞行器之间的相对距离、相对速度及飞行器的存储容量进行归一化预处理;其中,飞行器之间的相对距离和相对速度根据无线信号的传输时间、到达角度和接收信号强度进行计算;
本实施例中,归一化预处理可采用区间归一化法或标准差化法。
S2:根据归一化预处理后的相对距离L和相对速度Δv,第一级模糊神经网络FNN1输出飞行器链路状态变化率σ;
S3:根据飞行器链路状态变化率σ、传播时延T和存储容量S,第二级模糊神经网络FNN2输出飞行器之间单跳链路传输业务的成功概率Γ;其中,传播时延T由相对距离L/光速计算获得,存储容量S是用于存储所接收数据的非易失性存储器;
S4:以所述单跳链路传输业务的成功概率Γ为边,构建虚拟网络拓扑图;
S5:基于所述虚拟网络拓扑图,以最大化多跳传输成功概率τ为目标,确定最优的路由规划。
作为一种实施例,第一级模糊神经网络FNN1的具体操作如下:
(1)模糊化:首先,第一级模糊神经网络对输入参数Δv和L进行模糊处理,得到各输入参数的隶属度:|Δv|的模糊集具有两个模糊标记{慢(L)、快(H)},隶属度为μv(L,H);L的模糊集为{近(L)、远(H)},隶属度为μL(L,H);然后,第二级模糊神经网络对输入参数传播时延T和存储容量S,以及第一级模糊神经网络输出σ进行模糊处理,得到各自的隶属度。T和S的模糊集具有三个模糊标记{小(L)、中(M)、大(H)},隶属度分别为μT(L,M,H)和μS(L,M,H)。
(2)模糊推理:模糊推理中最重要的过程是建立模糊推理规则库,其中的语言规则是模糊逻辑推理的依据,第一级模糊神经网络模糊推理规则的结论参数为链路状态变化率σ,其模糊集为{小(L)、中(M)、大(H)},第二级模糊神经网络模糊推理规则的结论参数为单跳链路传输业务的成功概率Γ,其模糊集为{小(L)、较小(PL)、中(M)、较大(PH)、大(H)}。
由于输入参数Δv和L均具有2个模糊标记,则第一级模糊神经网络共有2*2=4条推理规则;而输入参数T、S、σ均有3个模糊标记,则第二级模糊神经网络共有3*3*3=27条推理规则。
当输入Δv为L模糊类、L为H模糊类,则输出的σ属于H模糊类,其隶属度大小为:
μσ(H)=μΔv(L)∩μL(H)=min[μΔv(L),μL(H)] (1)
特别地,如果有多条推理规则具有σ的相同输出,那么,该输出的隶属度为这些推理规则相应的输出隶属度的并集。如其中,为第j条推理规则输出的隶属度大小。
(3)去模糊:经过模糊推理得到的是对应于不同输出的隶属度,还需要通过去模糊的方法得到对应的精确值σ,以表示链路的变化率,本实施例中,去模糊的方法可采用面积中心法。
作为一种实施例,模糊神经网络内部结构具体实现如下:
请参考图3,给出了内部五层结构图。其中,L1和L2是模糊化过程,L3和L4是模糊推理过程,L5层是去模糊过程,每个节点代表模糊神经元,其基本结构请参考图4,fk,i和ak,i分别表示第k层第i个节点传递函数和激活函数的输出,ui,l表示节点i的第l个输入。
L1:因为评价链路状态稳定性的输入变量有2个,所以该层由2个节点构成。该层中的神经元仅起到传递作用,即将输入信号传递到第二层,则有
a1,1=f1,1=L (2)
a1,2=f1,2=Δv (3)
L2:该层节点的作用是对输入信号进行模糊化。2个输入变量分别被模糊化为3个模糊标记,其集合为{强(H)、中(M)、弱(L)},所以该层由6个节点组成。它们的隶属度函数均采用高斯函数形式,即
a2,i=exp(f2,i),i={1,…,6} (5)
式中,m2,i和表示L2第i个节点隶属度函数的中心位置和宽度。
L3:该层的作用是根据L2的输出在模糊推理规则库中找出符合要求的推理规则。该层由个节点组成,每个节点连接2个L2节点,根据L2输出的相关隶属度值,执行模糊“与”操作,即在该节点的输入中找出最小隶属度值作为该推理规则输出的隶属度,则有
a3,l=f3,l,l∈{1,…,9} (7)
式中,表示与L3节点l相连接的L2节点的集合。
L4:该层共由3个节点组成,其模糊集为{高(H),中(M),低(L)}。每个节点对其输入执行模糊“或”操作,即在该节点的输入中找出最大隶属度值作为该推理规则输出的隶属度,则有
式中,表示与L4节点i相连接的L3节点的集合,而
a4,k=f4,k,k∈{1,…,3} (9)
L5:该层由1个节点组成,其作用是对输入信号进行去模糊操作。去模糊的方法采用面积中心法,即
式中,m5,q和σ5,q是输入信号的隶属度函数的中心位置和宽度。
同理,第二级模糊神经网络与第一级模糊神经网络结构类似,故不再赘述。不同点的是,第二级模糊神经网络的输入变量为T、S、σ,输出参数为飞行器间的业务单跳传输成功概率γ。由此,可以得到了以γ为边构成的的网络拓扑。
作为一种实施例,路由决策方法的具体操作如下:
考虑到输入向量中的各个分量在路由决策中的优先级会随着网络状态的变化而变化。尽管单跳路由的收敛速度较快,但路径跳数的约束将限制路由方法的智能性。由于空间飞行器具有容迟网络特性,每条链路都可以视为是存在的,链路的连通特性可以由传输成功概率来表达,同时,在实际的应用场景中,由于链路特性的影响,多跳路由可能会获得更高的传输成功概率。
为实现基于多跳传输成功概率τ的发送策略,首先,需要让节点在知道全网以单跳传输成功概率描述的前提下,能够发现每一条多跳路径及其对应的多跳传输成功概率τ。为此,定义多跳传输成功概率τ迭代公式为
其中,为经过t跳到达目的飞行器k的最大成功概率,Γh→k为从飞行器h到飞行器k的单跳传输成功概率。每次迭代寻找对应跳数下最大传输成功概率。当后,迭代结束,令则Γh是到达目的节点h的多跳传输成功概率。
作为一种实施例,请参考图5,给出了基于模糊神经网络的飞行器自组网路由决策方法的具体流程图。首先,离散化多飞行器网络动态拓扑,用相对距离和运动速度定义链路稳定性;其次,根据链路稳定性、时延、中继飞行器的存储容量,给出业务成功传输的概率;然后,建立可行链路集合的多跳决策数学模型,并根据各个节点路径迭代的结果,得到感知网络资源的智能路由规划,从而最大化业务的传输成功概率。所提方法可实现对信息的全面采集、网络的动态维护、路由的智能决策,从而实现分组数据的高效转发。
实施例二
请参考图6,本发明还公开了基于模糊神经网络的飞行器自组网路由决策装置,包括:
归一化预处理单元1,对飞行器之间的相对距离L、相对速度Δv及飞行器的存储容量S进行归一化预处理,并将归一化预处理后的数据发送给第一级模糊神经网络单元2;
第一级模糊神经网络单元2,根据归一化预处理后的相对速度Δv和相对距离L,处理输出飞行器链路状态变化率σ∈[0,1],并将飞行器链路状态变化率σ发送给第二级模糊神经网络单元3;
第二级模糊神经网络单元3,根据所述飞行器链路状态变化率σ∈[0,1]、传播时延T和存储容量S,处理输出飞行器之间单跳链路传输业务的成功概率Γ,并将飞行器之间单跳链路传输业务的成功概率Γ发送给路由决策单元4;
路由决策单元4,以所述单跳链路传输业务的成功概率Γ为边,构建虚拟网络拓扑图,并基于所述虚拟网络拓扑图,以最大化多跳传输成功概率τ为目标,确定最优的路由规划。
作为一种实施例,所述第一级模糊神经网络单元2包括模糊化单元21、模糊推理单元22、去模糊化单元23和规则库24。
作为一种实施例,所述第二级模糊神经网络单元3包括模糊化单元31、模糊推理单元32、去模糊化单元33和规则库34。
作为一种实施例,所述飞行器包括运行于地球高轨、中轨、低轨范围内的人造卫星、空间站和/或航天飞船。空间飞行器自组网是指包括由卫星、空间站和/或航天飞船组成的临时局部网络,其拓扑结构变化快,飞行器之间的链路通断不呈现明显的规律性和周期性。
以上公开的仅为本申请的一个具体实施例,但本申请并非局限于此,任何本领域的技术人员能思之的变化,都应落在本申请的保护范围内。
Claims (10)
1.基于模糊神经网络的飞行器自组网路由决策方法,其特征在于,包括以下步骤:
对飞行器之间的相对距离、相对速度及飞行器的存储容量进行归一化预处理;
根据归一化预处理后的相对距离和相对速度,第一级模糊神经网络输出飞行器链路状态变化率;
根据飞行器链路状态变化率、传播时延和存储容量,第二级模糊神经网络输出飞行器之间单跳链路传输业务的成功概率;
以所述单跳链路传输业务的成功概率为边,构建虚拟网络拓扑图;
基于所述虚拟网络拓扑图,以最大化多跳传输成功概率为目标,确定最优的路由规划。
2.根据权利要求1所述的方法,其特征在于,所述飞行器之间的相对距离和相对速度基于无线信号的传输时间、到达角度和接收信号强度进行计算。
3.根据权利要求1所述的方法,其特征在于,所述归一化预处理采用区间归一化法或标准差化法。
4.根据权利要求1所述的方法,其特征在于,所述第一级模糊神经网络根据规则库将归一化预处理后的相对速度和相对距离进行模糊化、模糊推理和去模糊化处理,输出所述飞行器链路状态变化率。
5.根据权利要求1所述的方法,其特征在于,所述第二级模糊神经网络根据规则库将飞行器链路状态变化率、传播时延和存储容量进行模糊化、模糊推理和去模糊化处理,输出所述飞行器间单跳链路传输业务的成功概率。
6.根据权利要求4或5所述的方法,其特征在于,所述去模糊的方法可采用面积中心法。
7.基于模糊神经网络的飞行器自组网路由决策装置,其特征在于,包括:
归一化预处理单元,对飞行器之间的相对距离、相对速度及飞行器的存储容量进行归一化预处理;
第一级模糊神经网络单元,根据归一化预处理后的相对速度和相对距离,处理输出飞行器链路状态变化率;
第二级模糊神经网络单元,根据所述飞行器链路状态变化率、传播时延和存储容量,处理输出飞行器之间单跳链路传输业务的成功概率;
路由决策单元,以所述单跳链路传输业务的成功概率为边,构建虚拟网络拓扑图,并基于所述虚拟网络拓扑图,以最大化多跳传输成功概率为目标,确定最优的路由规划。
8.根据权利要求7所述的装置,其特征在于,所述第一级模糊神经网络单元包括模糊化单元、模糊推理单元、去模糊化单元和规则库。
9.根据权利要求7所述的装置,其特征在于,所述第二级模糊神经网络单元包括模糊化单元、模糊推理单元、去模糊化单元和规则库。
10.根据权利要求7所述的装置,其特征在于,所述飞行器包括运行于地球高轨、中轨、低轨范围内的人造卫星、空间站和/或航天飞船。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468087.8A CN110161861B (zh) | 2019-05-30 | 2019-05-30 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468087.8A CN110161861B (zh) | 2019-05-30 | 2019-05-30 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161861A true CN110161861A (zh) | 2019-08-23 |
CN110161861B CN110161861B (zh) | 2022-05-27 |
Family
ID=67630347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468087.8A Active CN110161861B (zh) | 2019-05-30 | 2019-05-30 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161861B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930064A (zh) * | 2019-12-09 | 2020-03-27 | 山东大学 | 一种火星尘暴时空概率提取和着陆安全性评价的方法 |
CN111526556A (zh) * | 2020-04-29 | 2020-08-11 | 黄东 | 一种基于神经网络的dtn网络路由优化方法 |
CN111615166A (zh) * | 2020-06-02 | 2020-09-01 | 赣南师范大学 | 一种面向农业应用的无人机自组网分簇评判方法 |
CN113612521A (zh) * | 2021-08-12 | 2021-11-05 | 中电科航空电子有限公司 | 一种基于预置策略与飞机飞行状态的动态选路方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1764933A1 (en) * | 2005-09-17 | 2007-03-21 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Aeronautical communication system |
CN101136937A (zh) * | 2007-10-16 | 2008-03-05 | 中国科学院上海微系统与信息技术研究所 | 无线传感器网络分布式协同信息处理方法 |
CN102006237A (zh) * | 2010-12-13 | 2011-04-06 | 西安电子科技大学 | 用于容迟网络的路由决策方法 |
CN105871717A (zh) * | 2016-05-30 | 2016-08-17 | 杭州电子科技大学 | 一种基于链路稳定性的无人机自组网路由方法 |
CN107295453A (zh) * | 2016-03-31 | 2017-10-24 | 扬州大学 | 一种无线传感器网络数据融合方法 |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
CN109005108A (zh) * | 2018-06-29 | 2018-12-14 | 全球能源互联网研究院有限公司 | 一种空间网络路由规划方法及系统 |
CN110493131A (zh) * | 2019-09-24 | 2019-11-22 | 大连大学 | 一种sdn架构下的空间信息网络路由策略的设计方法 |
-
2019
- 2019-05-30 CN CN201910468087.8A patent/CN110161861B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1764933A1 (en) * | 2005-09-17 | 2007-03-21 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Aeronautical communication system |
CN101136937A (zh) * | 2007-10-16 | 2008-03-05 | 中国科学院上海微系统与信息技术研究所 | 无线传感器网络分布式协同信息处理方法 |
CN102006237A (zh) * | 2010-12-13 | 2011-04-06 | 西安电子科技大学 | 用于容迟网络的路由决策方法 |
CN107295453A (zh) * | 2016-03-31 | 2017-10-24 | 扬州大学 | 一种无线传感器网络数据融合方法 |
CN105871717A (zh) * | 2016-05-30 | 2016-08-17 | 杭州电子科技大学 | 一种基于链路稳定性的无人机自组网路由方法 |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
CN109005108A (zh) * | 2018-06-29 | 2018-12-14 | 全球能源互联网研究院有限公司 | 一种空间网络路由规划方法及系统 |
CN110493131A (zh) * | 2019-09-24 | 2019-11-22 | 大连大学 | 一种sdn架构下的空间信息网络路由策略的设计方法 |
Non-Patent Citations (6)
Title |
---|
KHULOOD AHMED NASSAR,ET AL: "Fuzzy Neural Network for Dynamic load balancing of nodes for the ad hoc networking using", 《JOURNAL OF BASRAH RESEARCHES》 * |
YUEYUE ZHANG,ET AL.: "Research on path selection for space network based on fuzzy neural network", 《2019 11TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING》 * |
余进 等: "两级模糊神经网络在高速列车ATO系统中的应用研究", 《铁道学报》 * |
夏玮玮 等: "一种基于模糊神经网络的异构网络选择算法", 《东南大学学报(自然科学版)》 * |
张文柱 等: "基于梯度和模糊神经网络的容迟网络路由算法", 《华南理工大学学报》 * |
赵贝: "容迟网络中的路由算法及文件传输协议研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930064A (zh) * | 2019-12-09 | 2020-03-27 | 山东大学 | 一种火星尘暴时空概率提取和着陆安全性评价的方法 |
CN111526556A (zh) * | 2020-04-29 | 2020-08-11 | 黄东 | 一种基于神经网络的dtn网络路由优化方法 |
CN111615166A (zh) * | 2020-06-02 | 2020-09-01 | 赣南师范大学 | 一种面向农业应用的无人机自组网分簇评判方法 |
CN113612521A (zh) * | 2021-08-12 | 2021-11-05 | 中电科航空电子有限公司 | 一种基于预置策略与飞机飞行状态的动态选路方法及系统 |
CN113612521B (zh) * | 2021-08-12 | 2022-11-15 | 中电科航空电子有限公司 | 一种基于预置策略与飞机飞行状态的动态选路方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110161861B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161861A (zh) | 基于模糊神经网络的飞行器自组网路由决策方法及装置 | |
CN110012516B (zh) | 一种基于深度强化学习架构的低轨卫星路由策略方法 | |
Tang et al. | A deep reinforcement learning-based dynamic traffic offloading in space-air-ground integrated networks (SAGIN) | |
Oubbati et al. | Dispatch of UAVs for urban vehicular networks: A deep reinforcement learning approach | |
Cheng et al. | AI for UAV-assisted IoT applications: A comprehensive review | |
US10142013B2 (en) | Method of optimizing an interplanetary communications network | |
Lee et al. | Integrating LEO satellite and UAV relaying via reinforcement learning for non-terrestrial networks | |
Song et al. | Modeling space-terrestrial integrated networks with smart collaborative theory | |
Lee et al. | Integrating LEO satellites and multi-UAV reinforcement learning for hybrid FSO/RF non-terrestrial networks | |
CN103685025A (zh) | 一种基于leo卫星网络的跨层动态自适应路由方法 | |
CN113315569A (zh) | 一种链路生存时长加权的卫星可靠性路由方法及系统 | |
Tang et al. | Federated learning for intelligent transmission with space-air-ground integrated network toward 6G | |
Mershad et al. | Cloud-enabled high-altitude platform systems: Challenges and opportunities | |
Navaravong et al. | Formation reconfiguration for mobile robots with network connectivity constraints | |
Dong et al. | Battlefield situation awareness and networking based on agent distributed computing | |
Zhang et al. | Federated-reinforcement-learning-enabled joint communication, sensing, and computing resources allocation in connected automated vehicles networks | |
Xiaowei et al. | Multi-UAVs cooperative control in communication relay | |
Aboueleneen et al. | Deep reinforcement learning for internet of drones networks: issues and research directions | |
Zhang et al. | Noncooperative dynamic routing with bandwidth constraint in intermittently connected deep space information networks under scheduled contacts | |
Rahim et al. | Intelligent space-air-ground collaborative computing networks | |
Wu et al. | Optimization design in RIS-assisted integrated satellite-UAV-served 6G IoT: A deep reinforcement learning approach | |
Mahmood et al. | Routing flying Ad Hoc network using salp swarm algorithm | |
Yang et al. | Mission-critical search and rescue networking based on multi-agent cooperative communication | |
Chen et al. | Space-air-ground integrated network (sagin): A survey | |
Gul et al. | NTN-aided quality and energy-aware data collection in time-critical robotic wireless sensor 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 |