CN111182564B - 一种基于lstm神经网络的无线链路质量预测方法 - Google Patents
一种基于lstm神经网络的无线链路质量预测方法 Download PDFInfo
- Publication number
- CN111182564B CN111182564B CN201911373199.1A CN201911373199A CN111182564B CN 111182564 B CN111182564 B CN 111182564B CN 201911373199 A CN201911373199 A CN 201911373199A CN 111182564 B CN111182564 B CN 111182564B
- Authority
- CN
- China
- Prior art keywords
- sequence
- noise
- data
- training
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000004891 communication Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 68
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于LSTM神经网络的无线链路质量预测方法,所述预测方法的步骤包括:无线通信设备采集并保存无线链路质量信噪比信号序列作为通信链路质量原始信号序列,采用均值滤波的方法将通信链路质量原始信号序列分解为平稳序列和噪声序列,噪声序列计算噪声标准差,并分别对两部分设计LSTM神经网络模型进行训练和预测应用,最终计算出所需通信链路的置信区间。通过将预测的下界与智能电网通信可靠性最低要求作对比,判断是否满足通信可靠性最低标准。本发明可以广泛应用于无线传感器网络领域,有效地预测链路质量,提高了链路传输的稳定性和可靠性。
Description
技术领域
本发明涉及一种基于LSTM神经网络的无线链路质量预测方法,尤其是涉及一种基于LSTM神经网络无线通信链路可靠性置信区间的质量预测方法。
技术背景
无线传感器网络节点之间通常有多个传输路径可供选择,通过预测邻节点间无线链路质量,选择链路最优的邻节点转发数据,不仅可以提高通信的可靠性,而且可以减少因通信失败重新传输导致的延迟。因此,准确地预测无线链路质量是提高无线传感器网络通信可靠性的有效途径。
无线链路质量是一类具有时变性、随机性和非线性的非平稳随机时间序列。目前,对这类时间序列的预测的方法精度都不高,难以应用于无线传感器网络的路由选择算法中。本发明通过对无线传感器网络无线链路质量预测方法的研究,为无线传感器网络路由协议提供一种新的链路质量的评价方法,以提高在网络资源受限、环境条件恶劣的约束下微电网通信的可靠性。
目前国内外对于无线链路质量预测的主要技术方法有:
《基于D-FNN的无线物联网链路预测[J]》.电脑知识与技术, 2015,11(33):120-122。该文提出了基于动态模糊神经网络(DFNN)的预测模型,该模型主要是考虑了输出误差这个重要因素。将ARIMA模型产生的非线性特征用DFNN模型模拟,能够产生比DFNN和ARIMA单个模型更加精确的模型。因此,它的预测结果精度较高。但这种方法不适用于变化较大的通信链路质量预测。
《基于遗传优化BP神经网络的信噪比预测研究[J]》.中国新通信, 2016,18(7):77-77。该文提出了基于BP神经网络的链路质量预测方法,BP 神经网络的泛化能力和容错能力使预测模型得到了良好的预测结果。但BP 神经网络结构选择不一以及算法收敛速度慢的缺点,导致了预测模型无法满足智能电网对链路预测可靠、高效的要求。
《基于深度信念网络的WSN链路质量预测[J]》.通信学报,2017(S2)。该文提出了基于深度信念模型的链路质量预测方法。虽然在数据平稳部分预测效果较好,但当链路参数受到环境因素干扰而产生波动时,精度大大降低,并且模型的建立复杂度较高。上述所提方法均预测链路质量的准确值,但预测结果总存在偏差无法保证智能电网的可靠性,根本原因是无线通信链路质量具有随机性。
发明内容
本发明的目的是为了解决上述的技术方案中对于无线链路质量预测精度不高的缺点,提出一种更为合理的预测方法。具体的,首先采用均值滤波的方法将通信链路质量原始信号序列分解为平稳序列和噪声序列,噪声序列计算噪声标准差。并分别对两部分设计LSTM神经网络模型进行预测,最终计算出所需通信链路的置信区间。通过将预测的下界与智能电网通信可靠性最低要求作对比,判断是否满足通信可靠性最低标准。当预测结果无法满足可靠性标准时,通过切换到高质量链路或放大信号功率以保证无线物联网通信链路的可靠性,对于提高无线传感器网络整体的可靠性和鲁棒性是非常重要的。
本发明的目的是这样实现的。一种基于LSTM神经网络的无线链路质量预测方法,包括LSTM神经网络模型训练阶段、基于训练结果的无线链路质量预测应用阶段;
所述LSTM神经网络模型训练阶段和基于训练结果的无线链路质量预测应用阶段,包括以下步骤:
步骤1,LSTM神经网络模型训练阶段
步骤1.1,设置LSTM神经网络模型的结构与参数
设LSTM神经网络模型的输入为本次训练的输入数据xt、前一次训练的输出数据ht-1和前一次训练的状态数据ct-1;
设LSTM神经网络模型的输出为本次训练的输出数据ht和本次训练的状态数据ct,本次训练的输出数据ht和本次训练的状态数据ct的计算式为:
ht=ottach(ct) (2)
其中,
t代表当前时刻,t-1代表前一时刻;
ft为控制输入数据信息是否遗忘的参数,范围为0-1;
it为控制训练信息具体值是否更新的参数,范围为0-1;
ot为控制数据输出的参数,范围为0-1;
tach(x)为双曲正切函数;
ft=θ(Wf[ht-1,xt]+bf) (3)
it=θ(Wi[ht-1,xt]+bi) (4)
ot=θ(Wo[ht-1,xt]+bo) (6)
式中,[ht-1,xt]代表将前一次训练的输出数据ht-1和本次训练的输入数据xt合并为一个行向量;Wf为控制输入数据信息是否遗忘部分对应的权值矩阵,矩阵维度为20×20;Wi为控制训练信息具体值是否更新部分对应的权值矩阵,矩阵维度为20×20;Wc为中间状态数据部分对应的权值矩阵,矩阵维度为20×20;Wo为输入部分对应的权值矩阵,矩阵维度为20×20;bf为控制输入数据信息是否遗忘部分对应的偏置项;bi为控制训练信息具体值是否更新部分对应的偏置项;bc为中间状态数据部分对应的偏置项;bo为输入部分对应的偏置项;θ(x)为sigmod函数,θ(x)定义如下:
记W={Wo,Wc,Wi,Wf}为LSTM神经网络模型的权值参数矩阵、 b={bo,bc,bi,bf}为LSTM神经网络模型的偏置项,设LSTM神经网络模型初始参数状态数据c0为0、初始输出数据h0为0、权值参数矩阵W内的值和偏置项b的值均初始化为均值为0、标准差为1的高斯分布的数值,即LSTM神经网络模型中的所有权值参数矩阵和偏置项,通过标准正态分布随机化方法进行初始化;
步骤1.2,在待预测的通信环境下,通过无线通信设备采集并保存第1个时刻到第N时刻的无线链路质量信噪比信号,并记为LSTM神经网络模型的原始信号数据序列Xn,n=1,2,...N;
步骤1.3,设中值滤波区间参数A=5,对原始信号数据序列Xn进行中值滤波去噪预处理,并将对原始信号数据序列Xn进行中值滤波去噪预处理后的信号序列记为原始平稳序列fn、去除的噪声部分记为噪声序列γn, n=1,2,...N;
步骤1.4,对原始平稳序列fn,取第11数据到第N个数据,按照原来的顺序组成新的序列,记为平稳序列sk,k=1,2,...N-10;对于噪声序列γn,以10个噪声数据为长度计算其噪声序列的标准差,并作为第11个噪声数据的标准差,将计算结果组成的标准差序列记为噪声标准差序列σk, k=1,2,...N-10;噪声标准差序列σk的表达式如下;
其中,μk为噪声序列的平均值,公式如下所示:
步骤1.5,创建两个步骤1.1中的LSTM神经网络模型,第一个为针对平稳序列训练的模型,记为模型S,第二个为针对噪声标准差序列训练的模型,记为模型对模型S和模型均进行l次训练,l=1,2,..N-19,并在每次训练中采用步骤1.1中所述的公式(3)、(4)、(5)、(6)求解得到权值参数矩阵W和偏置项b;
当l=N-19后,训练结束,保存LSTM模型权值参数矩阵W和偏置项b;
步骤2,基于训练结果的无线链路质量预测应用阶段
步骤2.3,对于应用原始平稳序列取第11到20个数据,按照原来的顺序组成新的序列,并记为应用平稳序列对于应用噪声序列以10个应用噪声序列的长度计算应用噪声数据标准差,并作为第11个应用噪声数据的标准差,将计算结果组成的标准差序列记为应用噪声标准差序列计算公式如下所示:
其中,Zα为标准高斯分布累积分布函数中α所对应的分位数。
与现有技术相比,本发明的有益效果如下:
1、利用LSTM神经网络模型进行预测可以避免人工神经你网络模型结构设计的盲目性,其具有训练速度快、序列信息记忆长的特点,具有较强的学习能力。
2、对信号进行尺度分解其目的是使得分解后的低频大尺度衰落信号比链路质量信号更单一、平滑,其稳定性更高。
3、对无线链路质量信号置信区间的计算,弥补了传统的预测方法对于单值预测不精确的缺陷,给出定量的预测范围,在工程应用上具有更大的参考意义。
4、本方法能够计算无线通信节点间的链路质量的置信区间,以解决链路质量预测精度低的问题,同时也将链路质量中的高频噪声部分纳入了预测范畴,实验结果表明,本发明的方法提高了无线传感器网络整体的可靠性和鲁棒性。
附图说明
图1为本发明基于LSTM神经网络的无线链路质量预测方法的流程图;
图2为本发明实施例中LSTM神经网络细胞结构图;
图3为本发明实施例步骤1.5中创建的LSTM神经网络预测模型S的结构图;
图5为本发明实施例原始序列实例分析图;
图6为本发明实施例平稳序列实例分析图;
图7为本发明实施例噪声序列实例分析图;
图8为本发明实施例噪声标准差序列分析图;
图9为本发明实施例的链路质量预测结果可靠性对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步详细说明。
本发明的基本方法流程示意图如图1所示。由该图可见,本发明包括包括LSTM神经网络模型训练阶段、基于训练结果的无线链路质量预测应用阶段。
本实施例的具体步骤如下所述。
步骤1,LSTM神经网络模型训练阶段
步骤1.1,设置LSTM神经网络模型的结构与参数
设LSTM神经网络模型的输入为本次训练的输入数据xt、前一次训练的输出数据ht-1和前一次训练的状态数据ct-1;
设LSTM神经网络模型的输出为本次训练的输出数据ht和本次训练的状态数据ct,本次训练的输出数据ht和本次训练的状态数据ct的计算式为:
ht=ottach(ct) (2)
其中,
t代表当前时刻,t-1代表前一时刻;
ft为控制输入数据信息是否遗忘的参数,范围为0-1;
it为控制训练信息具体值是否更新的参数,范围为0-1;
ot为控制数据输出的参数,范围为0-1;
tach(x)为双曲正切函数;
ft=θ(Wf[ht-1,xt]+bf) (3)
it=θ(Wi[ht-1,xt]+bi) (4)
ot=θ(Wo[ht-1,xt]+bo) (6)
式中,[ht-1,xt]代表将前一次训练的输出数据ht-1和本次训练的输入数据xt合并为一个行向量;Wf为控制输入数据信息是否遗忘部分对应的权值矩阵,矩阵维度为20×20;Wi为控制训练信息具体值是否更新部分对应的权值矩阵,矩阵维度为20×20;Wc为中间状态数据部分对应的权值矩阵,矩阵维度为20×20;Wo为输入部分对应的权值矩阵,矩阵维度为20×20;bf为控制输入数据信息是否遗忘部分对应的偏置项;bi为控制训练信息具体值是否更新部分对应的偏置项;bc为中间状态数据部分对应的偏置项;bo为输入部分对应的偏置项;θ(x)为sigmod函数,θ(x)定义如下:
记W={Wo,Wc,Wi,Wf}为LSTM神经网络模型的权值参数矩阵、 b={bo,bc,bi,bf}为LSTM神经网络模型的偏置项,设LSTM神经网络模型初始参数状态数据c0为0、初始输出数据h0为0、权值参数矩阵W内的值和偏置项b的值均初始化为均值为0、标准差为1的高斯分布的数值,即LSTM神经网络模型中的所有权值参数矩阵和偏置项,通过标准正态分布随机化方法进行初始化。
步骤1.2,在待预测的通信环境下,通过无线通信设备采集并保存第1个时刻到第N时刻的无线链路质量信噪比信号,并记为LSTM神经网络模型的原始信号数据序列Xn,n=1,2,...N。
在本实施例中,N=10000。即在待预测的通信环境下,通过无线通信设备采集并保存第1个时刻到第10000时刻的无线链路质量信噪比信号,作为 LSTM神经网络模型的原始信号数据序列Xn,其中500个序列数据如图5所示。
步骤1.3,设中值滤波区间参数A=5,对原始信号数据序列Xn进行中值滤波去噪预处理,并将对原始信号数据序列Xn进行中值滤波去噪预处理后的信号序列记为原始平稳序列fn、去除的噪声部分记为噪声序列γn, n=1,2,...N。
图2为本发明实施例中LSTM神经网络细胞结构图。另外如步骤1.3, N=10000,其中500个原始平稳序列数据如图6所示,500个噪声序列数据如图7所示。
步骤1.4,对原始平稳序列fn,取第11数据到第N个数据,按照原来的顺序组成新的序列,记为平稳序列sk,,k=1,2,...N-10;对于噪声序列γn,以10个噪声数据为长度计算其噪声序列的标准差,并作为第11个噪声数据的标准差,将计算结果组成的标准差序列记为噪声标准差序列σk, k=1,2,...N-10。
在本实施例中,对于原始平稳序列fn,取第11到10000个数据,按照原来的顺序组成新的序列,作为平稳序列sk,k=1,2,…9990。对于噪声序列γn,以10个噪声数据为长度计算其噪声序列的标准差,并作为第11个噪声数据的标准差,将计算结果组成的标准差序列记为噪声标准差序列σk, k=1,2,...9990。其中500个噪声标准差序列数据如图8所示。
噪声标准差序列σk的表达式如下;
其中,μk为噪声序列的平均值,公式如下所示:
步骤1.5,创建两个步骤1.1中的LSTM神经网络模型,第一个为针对平稳序列训练的模型,记为模型S,第二个为针对噪声标准差序列训练的模型,记为模型对模型S和模型均进行l次训练,l=1,2,..N-19,并在每次训练中采用步骤1.1中所述的公式(3)(4)(5)(6)求解得到权值参数矩阵W和偏置项b。
当l=N-19后,训练结束,保存每次训练后得到的LSTM模型权值参数矩阵W和偏置项b。
图3为模型S的结构图,图4为本发明实施例步骤1.5中创建的LSTM 神经网络预测模型6的结构图,其中l=1,2,...9981。
步骤2,基于训练结果的无线链路质量预测应用阶段
步骤2.3,对于应用原始平稳序列取第11到20个数据,按照原来的顺序组成新的序列,并记为应用平稳序列对于应用噪声序列以10个应用噪声序列的长度计算应用噪声数据标准差,并作为第11个应用噪声数据的标准差,将计算结果组成的标准差序列记为应用噪声标准差序列计算公式如下所示:
其中,Zα为标准高斯分布累积分布函数中α所对应的分位数。
在本实施例中,重复进行步骤二,最后组成连续100组链路质量置信区间的融合图,如图9所示。
Claims (1)
1.一种基于LSTM神经网络的无线链路质量预测方法,其特征在于,包括LSTM神经网络模型训练阶段、基于训练结果的无线链路质量预测应用阶段;
所述LSTM神经网络模型训练阶段和基于训练结果的无线链路质量预测应用阶段,包括以下步骤:
步骤1,LSTM神经网络模型训练阶段
步骤1.1,设置LSTM神经网络模型的结构与参数
设LSTM神经网络模型的输入为本次训练的输入数据xt、前一次训练的输出数据ht-1和前一次训练的状态数据ct-1;
设LSTM神经网络模型的输出为本次训练的输出数据ht和本次训练的状态数据ct,本次训练的输出数据ht和本次训练的状态数据ct的计算式为:
ht=ottach(ct) (2)
其中,
t代表当前时刻,t-1代表前一时刻;
ft为控制输入数据信息是否遗忘的参数,范围为0-1;
it为控制训练信息具体值是否更新的参数,范围为0-1;
ot为控制数据输出的参数,范围为0-1;
tach(x)为双曲正切函数;
ft=θ(Wf[ht-1,xt]+bf) (3)
it=θ(Wi[ht-1,xt]+bi) (4)
ot=θ(Wo[ht-1,xt]+bo) (6)
式中,[ht-1,xt]代表将前一次训练的输出数据ht-1和本次训练的输入数据xt合并为一个行向量;Wf为控制输入数据信息是否遗忘部分对应的权值矩阵,矩阵维度为20×20;Wi为控制训练信息具体值是否更新部分对应的权值矩阵,矩阵维度为20×20;Wc为中间状态数据部分对应的权值矩阵,矩阵维度为20×20;Wo为输入部分对应的权值矩阵,矩阵维度为20×20;bf为控制输入数据信息是否遗忘部分对应的偏置项;bi为控制训练信息具体值是否更新部分对应的偏置项;bc为中间状态数据部分对应的偏置项;bo为输入部分对应的偏置项;θ(x)为sigmod函数,θ(x)定义如下:
记W={Wo,Wc,Wi,Wf}为LSTM神经网络模型的权值参数矩阵、b={bo,bc,bi,bf}为LSTM神经网络模型的偏置项,设LSTM神经网络模型初始参数状态数据c0为0、初始输出数据h0为0、权值参数矩阵W内的值和偏置项b的值均初始化为均值为0、标准差为1的高斯分布的数值,即LSTM神经网络模型中的所有权值参数矩阵和偏置项,通过标准正态分布随机化方法进行初始化;
步骤1.2,在待预测的通信环境下,通过无线通信设备采集并保存第1个时刻到第N时刻的无线链路质量信噪比信号,并记为LSTM神经网络模型的原始信号数据序列Xn,n=1,2,...N;
步骤1.3,设中值滤波区间参数A=5,对原始信号数据序列Xn进行中值滤波去噪预处理,并将对原始信号数据序列Xn进行中值滤波去噪预处理后的信号序列记为原始平稳序列fn、去除的噪声部分记为噪声序列γn,n=1,2,...N;
步骤1.4,对原始平稳序列fn,取第11数据到第N个数据,按照原来的顺序组成新的序列,记为平稳序列sk,k=1,2,...N-10;对于噪声序列γn,以10个噪声数据为长度计算其噪声序列的标准差,并作为第11个噪声数据的标准差,将计算结果组成的标准差序列记为噪声标准差序列σk,k=1,2,...N-10;噪声标准差序列σk的表达式如下;
其中,μk为噪声序列的平均值,公式如下所示:
步骤1.5,创建两个步骤1.1中的LSTM神经网络模型,第一个为针对平稳序列训练的模型,记为模型S,第二个为针对噪声标准差序列训练的模型,记为模型对模型S和模型均进行l次训练,l=1,2,..N-19,并在每次训练中采用步骤1.1中所述的公式(3)、(4)、(5)、(6)求解得到权值参数矩阵W和偏置项b;
具体的,每次训练中,模型S和模型б的输入和输出为:
当l=N-19后,训练结束,保存LSTM模型权值参数矩阵W和偏置项b;
步骤2,基于训练结果的无线链路质量预测应用阶段
步骤2.3,对于应用原始平稳序列取第11到20个数据,按照原来的顺序组成新的序列,并记为应用平稳序列d=1,2,...10;对于应用噪声序列以10个应用噪声序列的长度计算应用噪声数据标准差,并作为第11个应用噪声数据的标准差,将计算结果组成的标准差序列记为应用噪声标准差序列d=1,2,...10,计算公式如下所示:
其中,Zα为标准高斯分布累积分布函数中α所对应的分位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373199.1A CN111182564B (zh) | 2019-12-26 | 2019-12-26 | 一种基于lstm神经网络的无线链路质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373199.1A CN111182564B (zh) | 2019-12-26 | 2019-12-26 | 一种基于lstm神经网络的无线链路质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111182564A CN111182564A (zh) | 2020-05-19 |
CN111182564B true CN111182564B (zh) | 2022-04-08 |
Family
ID=70657510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373199.1A Active CN111182564B (zh) | 2019-12-26 | 2019-12-26 | 一种基于lstm神经网络的无线链路质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111182564B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112512110B (zh) * | 2020-11-19 | 2022-03-15 | 合肥工业大学 | 智能变电站可靠性需求约束的无线发射功率预测控制方法 |
CN112671419B (zh) * | 2020-12-17 | 2022-05-03 | 北京邮电大学 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
CN112637891B (zh) * | 2020-12-23 | 2022-08-05 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 无线链路质量预测方法、装置、电子设备和存储介质 |
CN113766544A (zh) * | 2021-09-18 | 2021-12-07 | 国网河南省电力公司信息通信公司 | 一种基于多边缘协同的电力物联网切片优化方法 |
CN114301803B (zh) * | 2021-12-24 | 2024-03-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
CN115630722B (zh) * | 2022-06-24 | 2023-06-20 | 华院计算技术(上海)股份有限公司 | 一种改进的自适应连铸质量预判数字化模型参数生成方法、系统、设备及存储介质 |
CN116956201B (zh) * | 2023-09-19 | 2023-12-08 | 成都中轨轨道设备有限公司 | 一种大数据决策的智能耦合预警方法 |
CN117914829A (zh) * | 2023-12-01 | 2024-04-19 | 广州市弘宇科技有限公司 | 一种基于神经网络模型的智能代理融合通信架构及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411946B1 (en) * | 1998-08-28 | 2002-06-25 | General Instrument Corporation | Route optimization and traffic management in an ATM network using neural computing |
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 |
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 |
CN106068017A (zh) * | 2016-04-13 | 2016-11-02 | 合肥工业大学 | 基于小波神经元网络的无线链路质量预测方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN110278590A (zh) * | 2019-06-21 | 2019-09-24 | 合肥工业大学智能制造技术研究院 | 一种智能照明灯具通信传输信道选择方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071007A1 (en) * | 2014-09-10 | 2016-03-10 | Qualcomm Incorporated | Methods and Systems for Radial Basis Function Neural Network With Hammerstein Structure Based Non-Linear Interference Management in Multi-Technology Communications Devices |
-
2019
- 2019-12-26 CN CN201911373199.1A patent/CN111182564B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411946B1 (en) * | 1998-08-28 | 2002-06-25 | General Instrument Corporation | Route optimization and traffic management in an ATM network using neural computing |
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 |
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 |
CN106068017A (zh) * | 2016-04-13 | 2016-11-02 | 合肥工业大学 | 基于小波神经元网络的无线链路质量预测方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN110278590A (zh) * | 2019-06-21 | 2019-09-24 | 合肥工业大学智能制造技术研究院 | 一种智能照明灯具通信传输信道选择方法 |
Non-Patent Citations (5)
Title |
---|
Apple recognition based on Convolutional Neural Network Framework;Wei Sun等;《IEEE》;20190131;全文 * |
Long term load forecasting with hourly predictions based on long-short-term-memory networks;Rahul Kumar Agrawal等;《IEEE》;20180312;全文 * |
基于贝叶斯网络的WSNs链路质量评估机制研究;刘松等;《传感器与微系统》;20160420;全文 * |
微电网通信无线传感器网络链路质量预测与控制研究;陆伟等;《中国优秀硕士学位论文全文数据库》;20170630;全文 * |
智能电网中无线传感器网络通信链路可靠性置信区间预测;孙伟等;《电力系统自动化》;20170225;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111182564A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111182564B (zh) | 一种基于lstm神经网络的无线链路质量预测方法 | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN109784480B (zh) | 一种基于卷积神经网络的电力系统状态估计方法 | |
CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN109697512B (zh) | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN107730003A (zh) | 一种支持多电器类型高精度的nilm实现方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN108599172B (zh) | 一种基于人工神经网络的输配网全局潮流计算方法 | |
CN112446110B (zh) | 基于eoasm算法的代理模型在码垛机器人驱动臂座的应用方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN110222830B (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN112860918A (zh) | 一种基于协同演化建模的时序知识图谱表示学习方法 | |
CN112712215A (zh) | 一种风电场功率预测方法 | |
CN114861980A (zh) | 一种基于bp-lstm模型的碳预测方法 | |
CN114186709A (zh) | 基于帝王蝶算法优化灰色模型关键参数的能源预测方法 | |
CN107909202B (zh) | 一种基于时间序列的油井产液量集成预测方法 | |
CN111105005A (zh) | 一种风电功率预测方法 | |
CN107168066B (zh) | 一种温室环境自适应控制方法 | |
CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 230601 Ziyun Road, economic development zone, Hefei City, Anhui Province Applicant after: ELECTRIC POWER SCIENCE RESEARCH INSTITUTE OF STATE GRID ANHUI ELECTRIC POWER Co.,Ltd. Applicant after: Hefei University of Technology Address before: 230009 Tunxi Road, Anhui, China, No. 193, No. Applicant before: Hefei University of Technology Applicant before: ELECTRIC POWER SCIENCE RESEARCH INSTITUTE OF STATE GRID ANHUI ELECTRIC POWER Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |