CN111314934A - 一种统一最优判决的网络协同探测方法 - Google Patents
一种统一最优判决的网络协同探测方法 Download PDFInfo
- Publication number
- CN111314934A CN111314934A CN202010095147.9A CN202010095147A CN111314934A CN 111314934 A CN111314934 A CN 111314934A CN 202010095147 A CN202010095147 A CN 202010095147A CN 111314934 A CN111314934 A CN 111314934A
- Authority
- CN
- China
- Prior art keywords
- node
- optimal value
- decision
- parameter
- optimal
- 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
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
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种统一最优判决的网络协同探测方法,选取需要优化的参数,相邻节点向本地节点发送上一时刻参数估计的最优值,本地节点整合所有相邻节点的最优参数,得到本地节点的临时参数最优值,本地节点应用交叉熵函数作为损失函数,对相邻节点针对损失函数进行梯度整合,把临时最优值优化到当前时刻的最优值,将当前时刻的参数最优值代入决策计算中,得出探测决策。本发明能够使得网络通过节点的本地信息交互达成相对统一的优化探测结果,节省了大量能耗,使得它尤其适用于水下环境。网络节点对于探测结果的判决就不再受到设定门限和整合信息先后抉择的制约。
Description
技术领域
本发明涉及自组织无线传感器网络技术领域,尤其是是一种适用于水下分布式无线网络的探测方法,关注探测过程中相邻节点的信息融合。
背景技术
随着人类对海洋资源开发、海洋科学研究、海洋战略地位认识的不断深化,世界各国对海洋的关注前所未有。对某一重点海域进行有效防御和作战监视以应对水中入侵目标威胁,是海洋空间安全的核心任务,如何对水中目标进行有效可靠的探测一直是水声信息科学领域研究的焦点。
网络化、信息化和智能化已经渗透到经济发展、人民生活和国家安全的各个方面,具有网络化信息融合能力的水声传感器网络是对水中目标进行准确探测的理想途径之一,它可以通过信息融合的方式对接收信号进行联合处理获得增益,已完成高效精准的探测。
对于网络整体来说,多传感器、多特征信息的融合与应用是水声探测研究的重要发展方向。在水下进行信息融合的过程中,如何使整个网络用最少的能耗在最优判决上达成共识,是水下探测的难点问题,也是现有设备进一步发展水下功能的技术桎梏。
发明内容
为了克服现有技术的不足,本发明提供一种统一最优判决的网络协同探测方法。针对网络探测过程中优化决策精度受到信息整合和门限判决先后顺序的影响、达成决策共识时消耗能耗过大的问题,本发明为一种能在网络最优判决上达成相对一致的分布式网络探测方法。无线传感器网络系统对目标的探测包含了网络中每个节点对目标的探测和整体网络对目标的认知。通过对多种节点在探测过程中得到多维异构信息的融合,给出了网络整体而不是单一节点对探测参数的优化方法,并通过单一节点与相邻节点信息的交互,在给出传感器网络整体最优判决的同时,避免了因节点之间信息交互过多,进而使得能耗过大,对其水下应用造成制约。
本发明解决其技术问题所采用的技术方案的步骤如下:
第一步:根据当前环境状况和网络状态选取做出探测决策需要优化的参数,选取能对决策优化起到最大作用的参数;
第二步:相邻节点向本地节点发送上一时刻参数估计的最优值;
网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值,对于每个单个节点来说,均得到所有邻节点在上一时刻参数估计的最优值;
第三步:本地节点整合所有相邻节点的最优参数,得到本地节点的临时参数最优值;
其中,ψk,i-1为临时参数最优值,其中,k是本地节点,i-1是上一时刻,Nk是k节点的邻节点,是每个节点根据实时需求对来自各个相邻节点的数据分配合适权重,比如节点置信度,节点设备历史探测准确度等,权重之和为1,w是在第一步中选取的被优化参数;
第四步:本地节点应用交叉熵函数作为损失函数,对相邻节点针对损失函数进行梯度整合,把临时最优值优化到当前时刻的最优值;
其中,μk是在更新中选取的步长,i是当前时刻,是本步骤中对邻节点进行梯度整合分配的权重,选取对当前参数估计影响最大的量,例如信道的信噪比,节点的置信度等,是应用交叉熵损失函数对被优化参数求导,是指在这一过程中用实时探测值去近似这个理论求导过程,完成参数的实时更新。
第五步:根据第四步中当前时刻的参数最优值进行决策,把第四步求得的当前时刻的参数最优值代入决策计算中,得出探测决策。
本发明的有益效果在于本发明提出了一种网络对目标进行探测的方法,能够使得网络通过节点的本地信息交互(即每个节点都只把自身的信息扩散给相邻节点)达成相对统一的优化探测结果。在优化过程中,每个节点都利用了所有相邻节点的优化信息。在这种方法中,虽然每个节点都只和相邻节点联系,但由于每个节点的优化信息都存在于所有相邻节点中,而这些相邻节点向它们的相邻节点扩散的自身优化信息中也整合了上一跳节点的优化信息。因此,在本专利提出的探测方法中,虽然每个节点只向相邻节点扩散了自身的优化信息,但是这个优化信息会随着时间推移扩散至全网。相对于集中式网络的探测结果优化及优化结果的通知,这样的扩散策略节省了大量能耗,使得它尤其适用于水下环境。与此同时,因为引入了交叉熵函数作为损失函数来衡量探测结果,并通过损失函数把网络探测中的判决优化问题直接转化为网络整体对参数进行优化的过程。这样一来,网络节点对于探测结果的判决就不再受到设定门限和整合信息先后抉择的制约。
附图说明
图1为本发明的总体方法框图。
图2为本发明的适用环境示意图。
图3为本发明的节点间信息交互图。
图4为本发明的节点信息交互范围示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本发明的主步骤如下:
第一步:如图2所示,根据当前环境状况和网络状态选取做出探测决策需要优化的参数,选取能对决策优化起到最大作用的参数;本发明的探测方法广泛适用于各种有探测能力的水声网络,对节点的存在形式并没有提出要求,不局限于浮标潜标或是海底节点。
决定探测结果的参数有很多,但在不同环境下,针对不同网络,起决定性因素的参数是不同的。根据网络的不同和探测所处环境的不同,选取通过优化最能准确做出决策的进行优化。
第二步:相邻节点向本地节点发送上一时刻参数估计的最优值;
网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值,对于每个单个节点来说,均得到所有邻节点在上一时刻参数估计的最优值;
参数优化是一个连续过程,每一轮参数优化都在上一轮参数优化完成的基础上进行;在每一轮优化开始的时候,网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值,对于每个单个节点来说,都得到了所有邻节点在上一时刻参数估计的最优值。
图3为本发明的节点间信息交互模型。节点间每一次参数优化共涉及两次信息交互过程,如图3所示,虚线箭头指的是接收信号,实线箭头为向外扩散的信息。第一次交互的是上一时刻的优化参数信息,第二次交互的是梯度信息。
图4为本发明的节点信息交互范围示意图。如图4所示,每个节点只与单跳范围内的节点进行信息交互。在每个当前时刻,所有节点都以扩散的方式向外辐射信息,但每个节点只接收相邻节点的信息。例如图4中的三号节点接收并只接收来自1、2、4、6号节点的信息。
第三步:本地节点整合所有相邻节点的最优参数,得到本地节点的临时参数最优值;
其中,ψk,i-1为临时参数最优值,其中,k是本地节点,i-1是上一时刻,Nk是k节点的邻节点,是每个节点根据实时需求对来自各个相邻节点的数据分配合适权重,比如节点置信度,节点设备历史探测准确度等,权重之和为1,w是在第一步中选取的被优化参数;
给每个节点来的数据分配合适的权重,权重需要综合考虑节点本身的置信度(是网络中节点还是攻击节点),节点自身信息的可靠性(因为节点装置设备不同而有所差异)和节点间链路连接的可靠性(通信信噪比),综合考虑这些因素来给出合适权重的过程需要具体问题具体分析,且涉及很多不同的情况类别和处理方法。
第四步:本地节点应用交叉熵函数作为损失函数,对相邻节点针对损失函数进行梯度整合,把临时最优值优化到当前时刻的最优值;
其中,μk是在更新中选取的步长,i是当前时刻,是本步骤中对邻节点进行梯度整合分配的权重,选取对当前参数估计影响最大的量,例如信道的信噪比,节点的置信度等,是应用交叉熵损失函数对被优化参数求导,是指在这一过程中用实时探测值去近似这个理论求导过程,完成参数的实时更新。
针对当前优化的参数,对交叉熵损失函数进行求导,用实时探测值去近似理论梯度,完成参数的实时更新。基于求导结果,分配合适的权重与步长进行整合,把第三步的临时最优值更新到当前的参数最优值。
第五步:根据第四步中当前时刻的参数最优值进行决策,把第四步求得的当前时刻的参数最优值代入决策计算中,得出探测决策。
Claims (1)
1.一种统一最优判决的网络协同探测方法,其特征在于包括下述步骤:
第一步:根据当前环境状况和网络状态选取做出探测决策需要优化的参数,选取能对决策优化起到最大作用的参数;
第二步:相邻节点向本地节点发送上一时刻参数估计的最优值;
网络中的每个节点都广播出上一时刻的本地参数估计得到的最优值,对于每个单个节点来说,均得到所有邻节点在上一时刻参数估计的最优值;
第三步:本地节点整合所有相邻节点的最优参数,得到本地节点的临时参数最优值;
其中,ψk,i-1为临时参数最优值,其中,k是本地节点,i-1是上一时刻,Nk是k节点的邻节点,alk是每个节点根据实时需求对来自各个相邻节点的数据分配合适权重,比如节点置信度,节点设备历史探测准确度等,权重之和为1,w是在第一步中选取的被优化参数;
第四步:本地节点应用交叉熵函数作为损失函数,对相邻节点针对损失函数进行梯度整合,把临时最优值优化到当前时刻的最优值;
其中,μk是在更新中选取的步长,i是当前时刻,clk是本步骤中对邻节点进行梯度整合分配的权重,选取对当前参数估计影响最大的量,例如信道的信噪比,节点的置信度等,是应用交叉熵损失函数对被优化参数求导,是指在这一过程中用实时探测值去近似这个理论求导过程,完成参数的实时更新;
第五步:根据第四步中当前时刻的参数最优值进行决策,把第四步求得的当前时刻的参数最优值代入决策计算中,得出探测决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095147.9A CN111314934B (zh) | 2020-02-14 | 2020-02-14 | 一种统一最优判决的网络协同探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095147.9A CN111314934B (zh) | 2020-02-14 | 2020-02-14 | 一种统一最优判决的网络协同探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111314934A true CN111314934A (zh) | 2020-06-19 |
CN111314934B CN111314934B (zh) | 2021-08-10 |
Family
ID=71149043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095147.9A Active CN111314934B (zh) | 2020-02-14 | 2020-02-14 | 一种统一最优判决的网络协同探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314934B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917752A (zh) * | 2010-08-06 | 2010-12-15 | 东华大学 | 基于Pareto最优路径的无线传感器网络汇聚路由方法 |
CN104135779A (zh) * | 2013-05-02 | 2014-11-05 | 长江大学 | 一种面向管道系统的无线传感器网络的三维部署方法 |
CN107453900A (zh) * | 2017-07-28 | 2017-12-08 | 北京富邦智慧物联科技有限公司 | 一种云解析参数设定管理系统及实现参数设定的方法 |
CN108540330A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种异构网络环境下的基于深度学习的网络故障诊断方法 |
CN108600991A (zh) * | 2018-05-03 | 2018-09-28 | 南通大学 | 车联网协作通信系统、路边单元的功率分配方法及系统 |
CN108965004A (zh) * | 2018-07-17 | 2018-12-07 | 大连理工大学 | 一种车载自组网分析模型的传输参数优化方法 |
CN109033216A (zh) * | 2018-07-02 | 2018-12-18 | 北京小度信息科技有限公司 | 对象参数权重确定方法、装置、电子设备及可读存储介质 |
CN109119159A (zh) * | 2018-08-20 | 2019-01-01 | 北京理工大学 | 一种基于快速权重机制的深度学习医疗诊断系统 |
CN109116349A (zh) * | 2018-07-26 | 2019-01-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器协同跟踪联合优化决策方法 |
CN109257277A (zh) * | 2018-09-27 | 2019-01-22 | 深圳友讯达科技股份有限公司 | 最短路径计算方法和装置 |
US20190066493A1 (en) * | 2017-08-31 | 2019-02-28 | Nec Laboratories America, Inc. | Viewpoint invariant object recognition by synthesization and domain adaptation |
CN109861825A (zh) * | 2019-02-15 | 2019-06-07 | 浙江工商大学 | Cps系统中基于加权规则与一致度的内部攻击检测方法 |
CN109993774A (zh) * | 2019-03-29 | 2019-07-09 | 大连理工大学 | 基于深度交叉相似匹配的在线视频目标跟踪方法 |
CN110049465A (zh) * | 2019-04-23 | 2019-07-23 | 贵州大学 | 一种基于wsn的水域监测通信方法 |
CN110084670A (zh) * | 2019-04-15 | 2019-08-02 | 东北大学 | 一种基于lda-mlp的货架商品组合推荐方法 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110225535A (zh) * | 2019-06-04 | 2019-09-10 | 吉林大学 | 基于深度确定性策略梯度的异构无线网络垂直切换方法 |
WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
CN110442147A (zh) * | 2019-07-26 | 2019-11-12 | 广州大学 | 一种基于变分法的无人机最优能耗路径的规划方法 |
CN110516950A (zh) * | 2019-08-21 | 2019-11-29 | 西北工业大学 | 一种面向实体解析任务的风险分析方法 |
CN110580915A (zh) * | 2019-09-17 | 2019-12-17 | 中北大学 | 基于可穿戴式设备的声源目标识别系统 |
CN110619292A (zh) * | 2019-08-31 | 2019-12-27 | 浙江工业大学 | 基于二进制粒子群通道优化的对抗防御方法 |
US20200033869A1 (en) * | 2018-07-27 | 2020-01-30 | GM Global Technology Operations LLC | Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle |
-
2020
- 2020-02-14 CN CN202010095147.9A patent/CN111314934B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917752A (zh) * | 2010-08-06 | 2010-12-15 | 东华大学 | 基于Pareto最优路径的无线传感器网络汇聚路由方法 |
CN104135779A (zh) * | 2013-05-02 | 2014-11-05 | 长江大学 | 一种面向管道系统的无线传感器网络的三维部署方法 |
CN107453900A (zh) * | 2017-07-28 | 2017-12-08 | 北京富邦智慧物联科技有限公司 | 一种云解析参数设定管理系统及实现参数设定的方法 |
US20190066493A1 (en) * | 2017-08-31 | 2019-02-28 | Nec Laboratories America, Inc. | Viewpoint invariant object recognition by synthesization and domain adaptation |
WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
CN108540330A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种异构网络环境下的基于深度学习的网络故障诊断方法 |
CN108600991A (zh) * | 2018-05-03 | 2018-09-28 | 南通大学 | 车联网协作通信系统、路边单元的功率分配方法及系统 |
CN109033216A (zh) * | 2018-07-02 | 2018-12-18 | 北京小度信息科技有限公司 | 对象参数权重确定方法、装置、电子设备及可读存储介质 |
CN108965004A (zh) * | 2018-07-17 | 2018-12-07 | 大连理工大学 | 一种车载自组网分析模型的传输参数优化方法 |
CN109116349A (zh) * | 2018-07-26 | 2019-01-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器协同跟踪联合优化决策方法 |
US20200033869A1 (en) * | 2018-07-27 | 2020-01-30 | GM Global Technology Operations LLC | Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle |
CN109119159A (zh) * | 2018-08-20 | 2019-01-01 | 北京理工大学 | 一种基于快速权重机制的深度学习医疗诊断系统 |
CN109257277A (zh) * | 2018-09-27 | 2019-01-22 | 深圳友讯达科技股份有限公司 | 最短路径计算方法和装置 |
CN109861825A (zh) * | 2019-02-15 | 2019-06-07 | 浙江工商大学 | Cps系统中基于加权规则与一致度的内部攻击检测方法 |
CN109993774A (zh) * | 2019-03-29 | 2019-07-09 | 大连理工大学 | 基于深度交叉相似匹配的在线视频目标跟踪方法 |
CN110084670A (zh) * | 2019-04-15 | 2019-08-02 | 东北大学 | 一种基于lda-mlp的货架商品组合推荐方法 |
CN110049465A (zh) * | 2019-04-23 | 2019-07-23 | 贵州大学 | 一种基于wsn的水域监测通信方法 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110225535A (zh) * | 2019-06-04 | 2019-09-10 | 吉林大学 | 基于深度确定性策略梯度的异构无线网络垂直切换方法 |
CN110442147A (zh) * | 2019-07-26 | 2019-11-12 | 广州大学 | 一种基于变分法的无人机最优能耗路径的规划方法 |
CN110516950A (zh) * | 2019-08-21 | 2019-11-29 | 西北工业大学 | 一种面向实体解析任务的风险分析方法 |
CN110619292A (zh) * | 2019-08-31 | 2019-12-27 | 浙江工业大学 | 基于二进制粒子群通道优化的对抗防御方法 |
CN110580915A (zh) * | 2019-09-17 | 2019-12-17 | 中北大学 | 基于可穿戴式设备的声源目标识别系统 |
Non-Patent Citations (5)
Title |
---|
LING WANG, XIAOHONG SHEN, XI LIU, FEI HUA, HAIYAN WANG: "Target localization based on weighted total least squares in underwater acoustic networks", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING,COMMUNICATIONS AND COMPUTING》 * |
井俊, 徐友云, 马文峰: "基于贝叶斯准则的硬判决融合协同频谱感知最优化", 《电路与系统学报》 * |
卢 迪,赵 洪,张开玉: "IMMKF中基于交叉熵的传感器管理算法", 《系统仿真学报©》 * |
蔡文郁,刘敬彪,章雪挺: "海洋传感器网络协同目标识别机制研究", 《杭州电子科技大学学报》 * |
邓遂,曹红兵,沈杰,刘海涛: "基于传感器节点可靠性模型的协同决策算法", 《华中科技大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111314934B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110536258B (zh) | 一种UASNs中基于孤立森林的信任模型 | |
Huang et al. | Target tracking based on a distributed particle filter in underwater sensor networks | |
CN109347579B (zh) | 一种在无线信道衰落不确定条件下的弱信号检测方法 | |
CN110167124B (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 | |
CN107371164B (zh) | 一种基于传感器数据与信号差值融合定位伪ap的方法 | |
CN111511038B (zh) | 一种无线协同网络分布式信道智能感知与接入方法 | |
Cheng et al. | Node selection algorithm for underwater acoustic sensor network based on particle swarm optimization | |
CN103152791B (zh) | 一种基于水下无线传感器网络的目标跟踪方法 | |
CN111314934B (zh) | 一种统一最优判决的网络协同探测方法 | |
CN113726401B (zh) | 基于卫星生存性和链路抗毁性的卫星星座可靠性评估方法 | |
CN110391851B (zh) | 基于复杂网络理论的水声传感器网络信任模型更新方法 | |
CN110944383B (zh) | 针对克隆攻击的无线传感器网络安全定位方法 | |
CN108924903B (zh) | 一种基于信号互相关的mac层选择接入方法 | |
CN109548032B (zh) | 一种面向密集网络全频段检测的分布式协作频谱认知方法 | |
CN114745771B (zh) | 一种基于无人机的安全无线供能通信方法及系统 | |
CN111314873B (zh) | 一种稳定的高精度网络协同探测方法 | |
Luo | Anti-attack and channel aware target localization in wireless sensor networks deployed in hostile environments | |
CN106093909B (zh) | 适用于分簇结构的rsn的多跳恒虚警信息融合判决方法 | |
CN109462852B (zh) | 一种基于分层的有效传感器节点部署和覆盖保持方法 | |
CN101527955B (zh) | 无线传感器网络中的观测节点选择方法 | |
Gao et al. | An improved DV-Hop algorithm based on average hop distance and estimated coordinates | |
Chi et al. | Research on Distributed Cooperative Intelligent Spectrum Sensing of UAV Cluster | |
CN116996165B (zh) | 一种面向移动场景的LoRaWAN自适应数据速率调节方法 | |
CN111601354B (zh) | 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 | |
CN114268394B (zh) | 基于数据判断的分布式网络无线频谱智能感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |