CN112272074A - 一种基于神经网络的信息传输速率控制方法及系统 - Google Patents

一种基于神经网络的信息传输速率控制方法及系统 Download PDF

Info

Publication number
CN112272074A
CN112272074A CN202011163396.3A CN202011163396A CN112272074A CN 112272074 A CN112272074 A CN 112272074A CN 202011163396 A CN202011163396 A CN 202011163396A CN 112272074 A CN112272074 A CN 112272074A
Authority
CN
China
Prior art keywords
neural network
data
transmission rate
wireless
rate control
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
Application number
CN202011163396.3A
Other languages
English (en)
Other versions
CN112272074B (zh
Inventor
刘春晖
高春辉
杨朋威
陈肖璐
任正
许才
齐英伟
陈更
白云鹏
刘志强
张明明
鲍音夫
兰月
张志艳
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011163396.3A priority Critical patent/CN112272074B/zh
Publication of CN112272074A publication Critical patent/CN112272074A/zh
Application granted granted Critical
Publication of CN112272074B publication Critical patent/CN112272074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供了一种基于神经网络的信息传输速率控制方法及系统，所述方法包括以下步骤：获取无线发射信号强度数据、当前环境数据和当前数据传输速率；根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内；本公开通过对不同物理条件下的数据分析，利用神经网络拟合数据之间的规律形成“多参量‑性能”预测曲线，利用采集与传输自我优化算法，实时计算出器件的合理传输功率调整参数，确保了数据采集传输速率的稳定。

Description

一种基于神经网络的信息传输速率控制方法及系统
技术领域
本公开涉及数据传输技术领域，特别涉及一种基于神经网络的信息传输速率控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
物联网建设背景下，传感器遍布各个省份的电网系统中大量传感单元的部署，采集的密度与传输的频次都相应的大幅上涨。
本公开发明人发现，各地的地理环境差别甚大，极冷条件、极热条件、盐度高、湿度大、强电磁的条件下，存在着器件工作异常，信息无法采集，传输性能下降的问题，而通常的解决方案是针对单一问题进行分析，给出解决方案，反而影响了其他工作正常的器件，没有全面统筹各个环境因素；同时，现有的方案无法保证传感数据的长期稳定传输，传输速率忽高忽低，使得对数据采集的时间无法进行有效的预估，无法实现电网系统的快速准确调度和故障分析。
发明内容
为了解决现有技术的不足，本公开提供了一种基于神经网络的信息传输速率控制方法及系统，通过对不同物理条件下的数据分析，利用神经网络拟合数据之间的规律形成“多参量-性能”预测曲线，利用采集与传输速度自我优化算法，实时计算出器件的合理传输功率调整参数，确保了数据采集传输速率的稳定。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于神经网络的信息传输速率控制方法。
一种基于神经网络的信息传输速率控制方法，包括以下步骤：
获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
作为可能的一些实现方式，当前环境数据至少包括温度、电磁、湿度和盐度。
作为可能的一些实现方式，卷积神经网络模型中，对获取的数据进行数据特征提取和剪枝轻量化处理，得到多物理量与性能的函数拟合曲线。
作为进一步的限定，所述性能包括传输的速率和传输的功率。
作为可能的一些实现方式，卷积神经网络模型含有多个神经突，根据输入的无线发射信号强度数据、当前环境数据和当前数据传输速率，经过卷积层、池化层和全连接层多层级处理，输出功率调整系数。
作为可能的一些实现方式，所述卷积神经网络模型为长短期记忆网络或者循环神经网络。
作为可能的一些实现方式，得到无线发射功率的调整参数还包括发射功率的调制方式。
本公开第二方面提供了一种基于神经网络的信息传输速率控制系统。
一种基于神经网络的信息传输速率控制系统，包括：
数据获取模块，被配置为：获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
速率控制模块，被配置为：根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于神经网络的信息传输速率控制方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于神经网络的信息传输速率控制方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质或电子设备，通过对不同物理条件下的数据分析，利用神经网络拟合数据之间的规律形成“多参量-性能”预测曲线，利用采集与传输自我优化算法，实时计算出器件的合理传输功率调整参数，确保了数据采集传输速率的稳定。
2、本公开所述的方法、系统、介质或电子设备，通过神经网络拟合多物理参量-性能曲线，进行各种物理条件的感知，实时调节板级参数，如发射功率、调制方式等，实现了数据的稳定采集和传输。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于神经网络的信息传输速率控制方法的流程示意图。
图2为本公开实施例1提供的多物理量-性能函数曲线的拟合方式的流程示意图。
图3为本公开实施例1提供的卷积神经网络的结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
本公开实施例1提供了基于神经网络的信息传输速率控制方法，包括以下步骤：
获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
具体的，包括以下内容：
在不同的物理条件下，通过各类传感器检测当前的物理情况，实时检测数据采集、传输的性能(速率、功率等)，形成不同物理条件下的环境-性能数据库，通过神经网络拟合出多物理量与性能的函数曲线，具体的通过数据挖掘、特征提取、剪枝轻量化处理等人工智能处理流程实现曲线拟合，如图2所示。
环境数据主要包括温度、湿度、电磁、盐度、风速、光照等环境物理量，可以理解的，本领域技术人员可以根据具体情况进行环境数据的筛选以得到最具代表性的环境物理量，如可以采用层次分析的方式或者采用聚类分析的方式，这里不再赘述。
在工作状态下，把当前环境的感知参数输入到拟合好的函数中，控制板级的发射功率、调试方式等参数，实现数据的恒定速率传输。
如图1所示，系统中含有神经网络单元、板级发射单元、MAC传输单元三部分，其中MAC传输单元负责数据报文的传输与速率的测算，板级发射单元负责板级无线发射功率的调整与板级发射强度的实时测算，神经网络单元根据信号强度、MAC层速率、以及环境信息推断出功率调整参数。
神经网络单元含有多个神经突，根据输入的环境因素、MAC层速率与信号强度，通过人工智能方式，经过卷积层、池化层、全连接层等多层级结果处理之后，输出功率调整系数，如图3所示。
当然，可以理解的，在其他一些实施方式中，所述神经网络单元最终的输出也可以是功率调整系数与调整方式的结合，本领域技术人员可以根据具体工况进行神经网络单元的训练，这里不再赘述。
本实施例所述的卷积神经网络模型为长短期记忆网络或者循环神经网络或者LRF-ELM(局部感受野的超限学习机)和BLSTM(双向长短期记忆网络)相结合的神经网络，当然，在其他一些实施方式中，也可以是其他神经网络模型，只要能够实现“物理量-性能”的数据拟合训练即可，本领域技术人员可以根据具体工况进行选择，这里不再赘述。
下面以LRF-ELM(局部感受野的超限学习机)和BLSTM(双向长短期记忆网络)相结合的神经网络为例介绍：
本实施例所述的神经网络主要包括两个阶段：特征提取阶段和序列学习阶段。
将LRF-ELM作为一个快速特征提取器，能够学习原始环境数据中的空间信息。首先通过三个堆叠的随机卷积和池化过程，提取信号数据不同维度的特征，这些特征经过Flatten层进行融合并作为序列学习阶段的输入，该阶段通过一个深度BLSTM网络实现。
BLSTM充分考虑了信号序列的时间关联特征，在解决长期依赖问题上展现出极佳的优势，所述神经网络的结构如下：
(1)第一层为输入层。对获取的环境数据进行归一化处理，并将归一化后的数据作为所提出的神经网络的输入。
归一化方法为：
Figure BDA0002745056790000061
其中，x表示输入样本点，xmax，xmin分别表示样本数据的最大值和最小值。
(2)第二层为随机卷积层，包含4个随机滤波器，卷积核大小为17×1，步长为1，参数根据一定的概率分布随机确定，不使用激励函数；
(3)第三层为池化层，池化窗大小为2，采用最大化池化方法；
(4)第四层为随机卷积层，包含8个随机滤波器，卷积核大小为6×1，步长为1，参数根据一定的概率分布随机确定，不使用激励函数；
(5)第五层为池化层，池化窗大小为2，采用最大化池化；
(6)第六层为随机卷积层，包含3个随机滤波器，卷积核大小为5×1，步长为1，参数根据一定的概率分布随机确定，不使用激励函数；
(7)第七层为池化层，池化窗大小为2，采用最大化池化方法；
(8)第八层为Flatten层；
(9)第九层为BLSTM层，包含78个记忆单元；每个记忆单元主要包括三个门结构：输入门，忘记门，输出门。输入门控制将新信息的哪些部分保存到单元格状态，遗忘门确定历史单元格状态的保留信息，输出门控制将更新的单元格状态的哪些部分导出。
Figure BDA0002745056790000071
Figure BDA0002745056790000072
Figure BDA0002745056790000073
其中，W和b是权重矩阵和偏差向量，
Figure BDA0002745056790000074
Ct分别代表t时间的遗忘门、输入门、输出门和细胞状态的输出，σ表示logistic sigmoid函数，ο表示Hadamard乘积。
(10)第十层为BLSTM，包含78个记忆单元，该层的输入为第九层的输出。每个记忆单元的结构与第九层结构基本一致；
(11)第十一层为Flatten层；
(12)第十二层为全连接层，激活函数设置为Softmax函数，公式为：
Figure BDA0002745056790000081
其中，j＝1,…,N；
(13)第十三层为输出层，输出的为功率调整参数。
在大部分神经网络方法中，容易出现过拟合的问题，为了解决这一问题，本实施例在序列学习阶段引入dropout，在BLSTM前向训练阶段，dropout值为0.1，在BLSTM反向训练阶段，dropout值为0.2。
本实施例所述的神经网络在训练时分别采用随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等中的任意一种，并择优选择。
迭代epochs可根据经验人为的进行设定，例如100，即当在训练集上迭代100后终止训练。
实施例2：
本公开实施例2提供了一种基于神经网络的信息传输速率控制系统。
一种基于神经网络的信息传输速率控制系统，包括：
数据获取模块，被配置为：获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
速率控制模块，被配置为：根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
所述系统的工作方法与实施例1提供的基于神经网络的信息传输速率控制方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于神经网络的信息传输速率控制方法中的步骤，所述步骤为：
获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
详细步骤与实施例1提供的基于神经网络的信息传输速率控制方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于神经网络的信息传输速率控制方法中的步骤，所述步骤为：
获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
详细步骤与实施例1提供的基于神经网络的信息传输速率控制方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于神经网络的信息传输速率控制方法，其特征在于，包括以下步骤：
获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
2.如权利要求1所述的基于神经网络的信息传输速率控制方法，其特征在于，当前环境数据至少包括温度、电磁、湿度和盐度。
3.如权利要求1所述的基于神经网络的信息传输速率控制方法，其特征在于，卷积神经网络模型中，对获取的数据进行数据特征提取和剪枝轻量化处理，得到多物理量与性能的函数拟合曲线。
4.如权利要求3所述的基于神经网络的信息传输速率控制方法，其特征在于，所述性能包括传输的速率和传输的功率。
5.如权利要求1所述的基于神经网络的信息传输速率控制方法，其特征在于，卷积神经网络模型含有多个神经突，根据输入的无线发射信号强度数据、当前环境数据和当前数据传输速率，经过卷积层、池化层和全连接层多层级处理，输出功率调整系数。
6.如权利要求1所述的基于神经网络的信息传输速率控制方法，其特征在于，所述卷积神经网络模型为长短期记忆网络或者循环神经网络。
7.如权利要求1所述的基于神经网络的信息传输速率控制方法，其特征在于，得到无线发射功率的调整参数还包括发射功率的调制方式。
8.一种基于神经网络的信息传输速率控制系统，其特征在于，包括：
数据获取模块，被配置为：获取无线发射信号强度数据、当前环境数据和当前数据传输速率；
速率控制模块，被配置为：根据预设的卷积神经网络模型和获取到的数据，得到无线发射功率的调整参数以使得数据无线传输速率恒定或使得数据无线传输速率的变化在预设范围内。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于神经网络的信息传输速率控制方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于神经网络的信息传输速率控制方法中的步骤。
CN202011163396.3A 2020-10-27 2020-10-27 一种基于神经网络的信息传输速率控制方法及系统 Active CN112272074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011163396.3A CN112272074B (zh) 2020-10-27 2020-10-27 一种基于神经网络的信息传输速率控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011163396.3A CN112272074B (zh) 2020-10-27 2020-10-27 一种基于神经网络的信息传输速率控制方法及系统

Publications (2)

Publication Number Publication Date
CN112272074A true CN112272074A (zh) 2021-01-26
CN112272074B CN112272074B (zh) 2022-11-25

Family

ID=74342050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011163396.3A Active CN112272074B (zh) 2020-10-27 2020-10-27 一种基于神经网络的信息传输速率控制方法及系统

Country Status (1)

Country Link
CN (1) CN112272074B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113783730A (zh) * 2021-09-15 2021-12-10 国网内蒙古东部电力有限公司电力科学研究院 一种极端条件下基于云边协同的信息传输方法及系统
CN114244661A (zh) * 2021-11-26 2022-03-25 国网新疆电力有限公司巴州供电公司 基于人工智能的变电站内抗干扰方法、装置及系统
CN117278073A (zh) * 2023-11-17 2023-12-22 北京雷格讯电子股份有限公司 一种超宽带天线信号自动调整方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101977351A (zh) * 2010-10-14 2011-02-16 北京邮电大学 一种调整车辆行驶状态信息发送速率的方法及系统
US20180241764A1 (en) * 2017-02-20 2018-08-23 Sas Institute Inc. Computer system to identify anomalies based on computer- generated results
US20190146477A1 (en) * 2016-05-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Method and system for adjusting an operating parameter in a marginal network
CN109858621A (zh) * 2019-01-09 2019-06-07 深兰科技（上海）有限公司 一种卷积神经网络加速器的调试装置、方法及存储介质
CN109902810A (zh) * 2017-12-11 2019-06-18 北京中科寒武纪科技有限公司 神经网络运算设备和方法
CN110558975A (zh) * 2019-10-14 2019-12-13 齐鲁工业大学 一种基于lrf-elm和blstm的心电信号分类方法及系统
CN110731096A (zh) * 2017-11-15 2020-01-24 华为技术有限公司 使用深度神经网络预测电信网络中的接收信号强度
CN111277511A (zh) * 2020-01-19 2020-06-12 深圳壹账通智能科技有限公司 传输速率控制方法、装置、计算机系统及可读存储介质
US20200336023A1 (en) * 2019-04-22 2020-10-22 Ossia Inc. Environment sensing using wireless power transmission and a neural network

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101977351A (zh) * 2010-10-14 2011-02-16 北京邮电大学 一种调整车辆行驶状态信息发送速率的方法及系统
US20190146477A1 (en) * 2016-05-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Method and system for adjusting an operating parameter in a marginal network
US20180241764A1 (en) * 2017-02-20 2018-08-23 Sas Institute Inc. Computer system to identify anomalies based on computer- generated results
CN110731096A (zh) * 2017-11-15 2020-01-24 华为技术有限公司 使用深度神经网络预测电信网络中的接收信号强度
CN109902810A (zh) * 2017-12-11 2019-06-18 北京中科寒武纪科技有限公司 神经网络运算设备和方法
CN109858621A (zh) * 2019-01-09 2019-06-07 深兰科技（上海）有限公司 一种卷积神经网络加速器的调试装置、方法及存储介质
US20200336023A1 (en) * 2019-04-22 2020-10-22 Ossia Inc. Environment sensing using wireless power transmission and a neural network
CN110558975A (zh) * 2019-10-14 2019-12-13 齐鲁工业大学 一种基于lrf-elm和blstm的心电信号分类方法及系统
CN111277511A (zh) * 2020-01-19 2020-06-12 深圳壹账通智能科技有限公司 传输速率控制方法、装置、计算机系统及可读存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JING-FENG TU等: ""A Context-Adaptive and Energy-Efficient Wireless Sensor Network for Debris Flow Monitoring"", 《2014 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATION AND SENSOR NETWORK》 *
JING-FENG TU等: ""A Context-Adaptive and Energy-Efficient Wireless Sensor Network for Debris Flow Monitoring"", 《2014 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATION AND SENSOR NETWORK》, 19 March 2015 (2015-03-19) *
廖润发: ""基于无线信道特征和智能算法的物理层安全技术研究"", 《中国博士学位论文全文数据库》 *
廖润发: ""基于无线信道特征和智能算法的物理层安全技术研究"", 《中国博士学位论文全文数据库》, 15 April 2020 (2020-04-15) *
王小青: ""认知抗干扰通信系统的智能决策技术研究"", 《中国优秀硕士学位论文全文数据库》 *
王小青: ""认知抗干扰通信系统的智能决策技术研究"", 《中国优秀硕士学位论文全文数据库》, 15 October 2018 (2018-10-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113783730A (zh) * 2021-09-15 2021-12-10 国网内蒙古东部电力有限公司电力科学研究院 一种极端条件下基于云边协同的信息传输方法及系统
CN113783730B (zh) * 2021-09-15 2024-06-07 国网内蒙古东部电力有限公司电力科学研究院 一种极端条件下基于云边协同的信息传输方法及系统
CN114244661A (zh) * 2021-11-26 2022-03-25 国网新疆电力有限公司巴州供电公司 基于人工智能的变电站内抗干扰方法、装置及系统
CN117278073A (zh) * 2023-11-17 2023-12-22 北京雷格讯电子股份有限公司 一种超宽带天线信号自动调整方法
CN117278073B (zh) * 2023-11-17 2024-01-30 北京雷格讯电子股份有限公司 一种超宽带天线信号自动调整方法

Also Published As

Publication number Publication date
CN112272074B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN112272074B (zh) 一种基于神经网络的信息传输速率控制方法及系统
CN112465151A (zh) 一种基于深度强化学习的多智能体联邦协作方法
CN113486078B (zh) 一种分布式配电网运行监控方法及系统
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN112884131A (zh) 一种基于模仿学习的深度强化学习策略优化防御方法和装置
CN108052968B (zh) 一种qsfla-svm的感知入侵检测方法
CN104899431B (zh) 基于蚁群和粒子群集成的lssvm脉动风速预测方法
CN110826784B (zh) 能源使用效率的预测方法、装置及存储介质和终端设备
CN105160444A (zh) 电力设备故障率确定方法及系统
CN113852432B (zh) 基于rcs-gru模型的频谱预测感知方法
EP3502978A1 (en) Meta-learning system
CN112766603B (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN113591215A (zh) 基于不确定性的异常卫星组件布局检测方法
Yan et al. Real-time localization of pollution source for urban water supply network in emergencies
CN117725827A (zh) 一种基于深度学习的植物工厂数字孪生系统及方法
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN116244647A (zh) 一种无人机集群的运行状态估计方法
CN116799796A (zh) 一种光伏发电功率预测方法、装置、设备及介质
CN117492380B (zh) 智能家居的中央控制系统的控制方法和控制装置
Crispim et al. Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices
CN107038450A (zh) 基于深度学习的无人机警察系统
CN117574310A (zh) 基于多任务深度学习的建筑中央空调负荷预测方法及系统
CN110705756B (zh) 一种基于输入凸神经网络的电力能耗优化控制方法
CN115907079B (zh) 一种基于注意力时空图卷积网络的空域交通流量预测方法

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
GR01 Patent grant
GR01 Patent grant