CN112601246A - 一种多节点协作无线视觉传感器网络中的最优功率分配算法 - Google Patents
一种多节点协作无线视觉传感器网络中的最优功率分配算法 Download PDFInfo
- Publication number
- CN112601246A CN112601246A CN202011461666.9A CN202011461666A CN112601246A CN 112601246 A CN112601246 A CN 112601246A CN 202011461666 A CN202011461666 A CN 202011461666A CN 112601246 A CN112601246 A CN 112601246A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- source
- relay
- data set
- structure model
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 10
- 230000010365 information processing Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000009365 direct transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出一种多节点协作无线视觉传感器网络的最优功率分配算法，包括以下步骤：构建多节点协作无线视觉传感器网络；在所述多节点协作无线视觉传感器网络中，构建基于深度神经网络的功率分配网络结构模型；生成所述功率分配网络结构模型的数据集；训练所述功率分配网络结构模型；对训练完成的功率分配网络结构模型进行测试。本发明提出的基于深度神经网络的最优功率分配算法解决现有的功率分配算法适用性差、控制复杂的问题,实现了快速、实时、灵活的在源端与中继端进行最优功率分配，使得在不同中继位置下都能够实现比等功率分配更好的遍历容量性能，适用于WVSN这种分布式架构、能耗低、功率控制算法复杂、多媒体信息处理复杂等特点的网络。
Description
技术领域
本发明涉及无线通信技术领域，具体涉及一种多节点协作无线视觉传感器网络中的最优功率分配算法。
背景技术
无线视觉传感器网络(Wireless visual sensor network，WVSN)一方面具有传统无线传感器网络的自组织、多跳路由、资源受限等共性特点，另一方面也具有能耗分布均匀、信息量巨大、信息处理复杂等显著的个性特点，另外仍需要承受无线信道的衰落特性。这些特点决定了在低能量的WVSN中，需要更强的数据计算、传输能力以及带宽要求。将协作通信技术引入WVSN一方面能有效地降低单个节点的能耗，延长本地网络的生命周期；另一方面还能有效地整合网络中多个节点的处理、存储资源，在不显著增加网络成本的前提下完成复杂的图像压缩与可靠传输任务。但多节点协作同时会带来在不同用户间的功率分配问题，在多节点协作的前提下，.传输功率是一项重要的资源。
现有的功率分配算法策略几乎都是基于集中式场景的，这种集中式的功率分配算法的具体控制过程是：由基站根据接收端反馈回来的功率以及链路增益等信息来产生功率控制命令，重新分配发射功率。首先，这种集中式的功率分配算法需要根据链路信息不断调整发射功率，也就意味着系统需要不间断地获取链路增益矩阵，这在很大程度上增加了功率控制的复杂性；其次对于信息量巨大的场景来说，不断地对每个链路的增益进行计算是难以实现的；并且，这种集中式的功率分配算法难以适应分布式的网络环境要求。
为解决上述问题，实现快速、实时、灵活的在源端与中继端进行最优功率分配，本发明提出一种多节点协作无线视觉传感器网络的最优功率分配算法。
发明内容
针对现有技术的上述不足，本发明提供一种多节点协作无线视觉传感器网络中的最优功率分配算法，以解决上述技术问题。
本发明提供一种多节点协作无线视觉传感器网络的最优功率分配算法，包括以下步骤：
构建多节点协作无线视觉传感器网络；
在所述多节点协作无线视觉传感器网络中，构建基于深度神经网络的功率分配网络结构模型；
生成所述功率分配网络结构模型的数据集；
训练所述功率分配网络结构模型；
对训练完成的功率分配网络结构模型进行测试。
进一步的，所述功率分配网络结构模型具体为包括一个输入层、多个隐含层、一个输出层的全连接深度神经网络。
进一步的，所述功率分配网络结构模型的输入层与输出层之间一一对应，输入层的输入节点数与输出层的输出节点数相同。
进一步的，所述功率分配网络结构模型的输入层的输入为源-中继、中继-目的、源-目的之间的信道方差；
所述功率分配网络结构模型的输出层的输出为源节点的发送功率和中继节点的发送功率，以及源-目的的距离与源-中继的距离之间的夹角。
进一步的，所述数据集包括训练数据集、测试数据集、标准输出数据集；
所述训练数据集、标准输出数据集用于训练所述功率分配网络结构模型；
所述测试数据集、标准输出数据集用于对训练完成的功率分配网络结构模型进行测试。
进一步的，所述依据测试数据集、标准输出数据集对训练完成的功率分配网络结构模型进行测试的具体方法为：
将测试数据集输入到训练完成的功率分配网络结构模型中，计算输出与标准输出数据集之间的均方误差。
进一步的，所述数据集中训练数据集、测试数据集的具体生成方法为：
设定源端至目的端的距离固定为最大值；
源-中继、中继-目的、源-目的之间的信道方差与源-中继、中继-目的、源-目的之间的距离满足如下关系：
其中，
为源-中继、中继-目的、源-目的之间的信道方差，di，j为源-中继、中继-目的、源-目的之间的距离；
选取满足上述公式的，源-中继、中继-目的、源-目的之间的信道方差值中的部分数据作为训练数据集、选取剩余数据作为测试数据集。
进一步的，所述数据集中标准输出数据集的具体生成方法包括：
运用单个中继端的系统遍历容量上界公式，生成在不同信道状态下使得系统遍历容量最大化时的最优功率，计算公式如下：
其中，Ps为源端的发送功率，Pr为中继端的发送功率，N0为加性高斯白噪声的方差；
以及根据源-中继、中继-目的以及源-目的之间的距离计算得到源-目的的距离与源-中继的距离之间的夹角；
所述最优功率以及源-目的的距离与源-中继的距离之间的夹角共同组成标准输出数据集。
进一步的，采用交叉熵驱动的反向传播算法，训练所述功率分配网络结构模型。
进一步的，所述交叉熵驱动的反向传播算法具体包括：
将测试数据集作为功率分配网络结构模型的输入，将得到的输出与标准输出数据集进行误差计算得到误差值；
将误差值反向传播并在反向传播过程中对功率分配网络结构模型进行权值修正，最终使得输入与输出之间形成如下映射关系：
其中，P为总发送功率，Pr，Ps，θ是与a对应的使系统遍历容量最大化时的源端最优发送功率、中继端的最优发送功率以及源-目的的距离与源-中继的距离之间的夹角。
本发明的有益效果在于，
本发明提出的多节点协作无线视觉传感器网络的最优功率分配算法利用了深度神经网络的高计算效率，提出的最优功率分配算法基于深度神经网络，使其能够根据信道状态信道快速、实时地进行功率分配。本发明提出的多节点协作无线视觉传感器网络中的最优功率分配算法解决了现有的功率分配算法适用性差、控制复杂的问题，实现了快速、实时、灵活的在源端与中继端进行最优功率分配，使得在不同中继位置下都能够实现比等功率分配更好的遍历容量性能，从而更加适用于WVSN这种具备分布式架构、能耗低、功率控制算法复杂度高、多媒体信息处理复杂等特点的网络。
此外，本发明设计原理可靠，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
图1为根据一示例性实施例示出的多节点协作无线视觉传感器网络的最优功率分配算法的流程示意图。
图2为根据一示例性实施例示出的多节点协作无线视觉传感器网络的模型示意图。
图3为根据一示例性实施例示出的基于深度神经网络的功率分配网络结构模型示意图。
图4为根据一示例性实施例示出的对训练完成的功率分配网络结构模型进行测试的方法流程图。
图5为根据一示例性实施例示出的一种源端、中继端、目的端三者之间的距离拓扑图。
图6为根据一示例性实施例示出的交叉熵驱动的反向传播算法训练的流程图。
图7-1为根据一示例性实施例示出的2个隐含层数目下测试所得均方误差值。
图7-2为根据一示例性实施例示出的4个隐含层数目下测试所得均方误差值。
图7-3为根据一示例性实施例示出的8个隐含层数目下测试所得均方误差值。
图7-4为根据一示例性实施例示出的10个隐含层数目下测试所得均方误差值。
图8-1为根据一示例性实施例示出的中继端距离源端较近时具有单个中继的系统遍历容量比较。
图8-2为根据一示例性实施例示出的中继端距离目的端较近时具有单个中继的系统遍历容量比较。
图8-3为根据一示例性实施例示出的中继端位于源与目的端的近似中间位置时具有单个中继的系统遍历容量比较。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都应当属于本发明保护的范围。
为了使本技术领域的人员更好的理解本发明方案，下面结合附图和具体实施方式对本发明做进一步的详细说明。
无线视觉传感器网络(Wireless visual sensor network，WVSN)一方面具有传统无线传感器网络的自组织、多跳路由、资源受限等共性特点，另一方面也具有能耗分布均匀、信息量巨大、信息处理复杂等显著的个性特点，另外仍需要承受无线信道的衰落特性。这些特点决定了在低能量的WVSN中，需要更强的数据计算、传输能力以及带宽要求。将协作通信技术引入WVSN一方面能有效地降低单个节点的能耗，延长本地网络的生命周期；另一方面还能有效地整合网络中多个节点的处理、存储资源，在不显著增加网络成本的前提下完成复杂的图像压缩与可靠传输任务。但多节点协作同时会带来在不同用户间的功率分配问题，在多节点协作的前提下，传输功率是一项重要的资源。为实现快速、实时、灵活的在源端与中继端进行最优功率分配，解决现有的功率分配算法适用性差、控制复杂的问题，本发明提出一种多节点协作无线视觉传感器网络的最优功率分配算法。
图1为根据一示例性实施例示出多节点协作无线视觉传感器网络的最优功率分配算法的流程示意图，如图1所示的，本发明所述的基于深度神经网络的最优功率分配算法具体包括以下步骤：
构建多节点协作无线视觉传感器网络；
在所述多节点协作无线视觉传感器网络中，构建基于深度神经网络的功率分配网络结构模型；
训练所述功率分配网络结构模型；
对训练完成的功率分配网络结构模型进行测试。
对于图1所示的技术方案，需要特殊说明的是，本发明提出的多节点协作无线视觉传感器网络的最优功率分配算法利用了深度神经网络的高计算效率，使其能够根据信道状态信道快速、实时地进行功率分配。本发明提出的多节点协作无线视觉传感器网络的最优功率分配算法解决现有的功率分配算法适用性差、控制复杂的问题，实现了快速、实时、灵活的在源端与中继端进行最优功率分配，使得在不同中继位置下都能够实现比等功率分配更好的遍历容量性能，从而更加适用于WVSN这种具备分布式架构、能耗低、功率控制算法复杂度高、多媒体信息处理复杂等特点的网络。
图2为根据一示例性示出的多节点协作无线视觉传感器网络的模型示意图，如图2所示的，本发明针对的多节点协作无线视觉传感器网络是在多节点协作的异构视觉传感器网络架构的基础上，具有多个中继并联的放大转发(Amplifyandforward，AF)协作通信系统模型。在图示区域内，当有监控对象进入到该区域时，通过相机节点与普通节点之间的协作将图像信息传递到汇聚节点104，汇聚节点104将图像信息传递给基站103，基站103将图像信息通过Internet或Wi-Fi传递给监控管理中心102，监控者101由监控管理中心102处看到图像信息。本发明主要研究图像信息从汇聚节点104传输到基站103的功率分配问题。中继端采用AF方式来对信号进行转发。汇聚节点104经过直接传输路径和多条多中继协作传输路径将图像信号传递给基站103。在直接传输链路中，图像信号的传输都集中在汇聚节点104上，会增加了汇聚节点104的传输能耗，降低节点寿命，从而缩短整个网络的生命周期。而在中继协作传输路径中，中继分担了一部分图像信号的传输能耗，有效地降低了单个节点的能耗，延长了网络的生命周期。
图3为根据一示例性实施例示出的基于深度神经网络的功率分配网络结构模型示意图，如图3所示的，所述功率分配网络结构模型具体为包括一个输入层、多个隐含层、一个输出层的全连接深度神经网络；且所述功率分配网络结构模型的输入层与输出层之间一一对应，输入层的输入节点数与输出层的输出节点数相同，本实施例中的输入层的输入节点数与输出层的输出节点数以3个为例。
对于图3所示的技术方案，需要特殊说明的是，隐含层的节点数的数目选择较为复杂，无法用固定的公式进行表达，而隐含层的节点数与输入层的输入节点数相关联。假设隐含层的节点数过少，那功率分配网络结构模型则没有办法学会输入与输出的映射关系，且容错性差；假设隐含层的节点数过多，则会使学习时间变长，且也不一定能够达到预期的误差值。在本发明中，则通过采用不同的节点数，通过功率分配网络结构模型的不断学习，而最终找到适合的隐含层的节点数。
对于图3所示的技术方案，需要进一步说明的是，所述功率分配网络结构模型的输入层的输入为源-中继、中继-目的、源-目的之间的信道方差
所述功率分配网络结构模型的输出层的输出为源节点的发送功率Ps和中继节点的发送功率Pr，以及源-目的的距离与源-中继的距离之间的夹角θ。
对于图1以及图2以及图3所示的技术方案，还需要进一步说明的是，本发明提出的基于深度神经网络的最优功率分配算法中，所述数据集包括训练数据集、测试数据集、标准输出数据集；
所述训练数据集、标准输出数据集用于训练所述功率分配网络结构模型；
所述测试数据集、标准输出数据集用于对训练完成的功率分配网络结构模型进行测试。
其中，需要特殊说明的是，所述依据测试数据集、标准输出数据集对训练完成的功率分配网络结构模型进行测试的具体方法为将测试数据集输入到训练完成的功率分配网络结构模型中，计算输出与标准输出数据集之间的均方误差。如图4所示，示出一种对训练完成的功率分配网络结构模型进行测试的方法流程图，具体而言，首先初始化训练好的功率分配网络结构模型，然后将测试数据集输入到该功率分配网络结构模型中，在输出层得到相应输出，将其与标准输出数据集进行对比，验证训练完成的功率分配网络结构模型的性能。
需要特殊说明的是，所述所述数据集中训练数据集、测试数据集的具体生成方法为：
设定源端至目的端的距离固定为最大值；
源-中继、中继-目的、源-目的之间的信道方差与源-中继、中继-目的、源-目的之间的距离满足如下关系：
其中，
为源-中继、中继-目的、源-目的之间的信道方差，di，j为源-中继、中继-目的、源-目的之间的距离；
选取满足上述公式的，源-中继、中继-目的、源-目的之间的信道方差值中的部分数据作为训练数据集、选取剩余数据作为测试数据集，本实施例中选取90％的数据作为训练数据集，10％的数据作为测试数据集。
其中，需要明确的是，如果一个中继节点与源端或目的端之间的距离大于源端到目的端之间的距离，那么这种情况下的中继节点则是应该抛弃的，优选的情况就是中继端离源端和目的端的距离都很近，故设定源端到目的端之间的距离固定为最大值，这种假设表示源端到目的端的信道质量是最差的。
如图5给出的一种源端、中继端、目的端三者之间的距离拓扑图，当中继节点在R3位置时，ds，r3＞ds，d，并且规定ds，d为最大距离，所以这种位置情况不符合要求；当中继节点在R1位置时，此时ds，r1＝dr1，d＝ds，d，这种位置情况是一种临界的情况；当中继节点在位置R2时，此时，ds，d＞ds，r2，ds，d＞dr2，d，这种位置情况符合要求的。综合以上三种情况可以看出，当中继节点的位置在R1和S之间时，由源节点S、中继节点R以及目的节点D之间构成的三角形是符合三角形规则的。
更进一步的，所述数据集中标准数据数据集包括以下两个部分：最优功率、源-目的的距离与源-中继的距离之间的夹角。
其中，最优功率的计算方式如下：
运用单个中继端的系统遍历容量上界公式，生成在不同信道状态下使得系统遍历容量最大化时的最优功率，计算公式如下：
其中，Ps为源端的发送功率，Pr为中继端的发送功率，N0为加性高斯白噪声的方差；由于本发明提出的基于深度神经网络的最优功率分配算法是以优化信道遍历容量为目标的，所以，这里运用单个中继端的系统遍历容量上界公式来生成在不同信道状态下使得系统遍历容量最大化时的最优功率；
源-目的的距离与源-中继的距离之间的夹角的获取方法如下：
根据源-中继、中继-目的以及源-目的之间的距离计算得到源-目的的距离与源-中继的距离之间的夹角。
对于图1图2以及图3所示的技术方案，还需要进一步说明的是，本发明提出的基于深度神经网络的最优功率分配算法中，采用交叉熵驱动的反向传播算法，训练所述功率分配网络结构模型。
其中交叉熵驱动的反向传播算法具体包括：
将测试数据集作为功率分配网络结构模型的输入，将得到的输出与标准输出数据集进行误差计算得到误差值；
将误差值反向传播并在反向传播过程中对功率分配网络结构模型进行权值修正，最终使得输入与输出之间形成如下映射关系：
其中，P为总发送功率，Pr，Ps，θ是与a对应的使系统遍历容量最大化时的源端最优发送功率、中继端的最优发送功率以及源-目的的距离与源-中继的距离之间的夹角。
如图6所示，给出一种交叉熵驱动的反向传播算法训练的流程图。首先，初始化功率分配网络模型，将权值初始化在范围(-1，1)内随机赋值；然后依次将训练数据集中源-中继、中继-目的、源-目的之间的信道方差输入至功率分配网络模型，并计算输出值与标准输出数据值之间的误差，利用误差计算参数的梯度下降方向，获得参数的更新迭代方向，并计算输出节点的delta值δ；然后反向传播输出节点的delta值，并对权值进行调整，将全部的训练数据集训练完成；更新学习次数，直到深度神经网络受到充分的训练，达到所需标准，得出最终的权值和阈值，并且保存该权值和阈值。
为验证本发明的有益效果，如图7(1-4)、图8(1-3)所示的，给出相应的实验测试结果，具体说明如下所述：
表1不同神经元数目训练所得的MSE
首先，如表1所示，验证隐含层节点与均方误差的关系。以8层隐含层为例，给出不同节点训练所得的均方误差(Mean Square Error，MSE)。本发明对深度神经网络进行仿真，在训练过程中，对不同隐含层层数以及不同节点数目进行了多次训练，然后将训练数据集与测试数据集分别输入到训练好的深度神经网络中进行仿真，取学习率α＝0.01。由表1可见，在隐含层层数不变的情况下，隐含层中的神经元数目越多，在训练中获得的MSE就越少。但是，在8个神经元之后的MSE的变化非常缓慢。
其次，如图7-1、图7-2、图7-3、图7-4所示，给出了随着隐含层层数、节点的变化时，神经网络MSE性能的相应变化。由图可见，隐含层层数在2层、4层时，训练数据集输入到神经网络中得到的输出与标准输出之间的均方误差与测试数据集的均方误差完全不吻合；但随着隐含层层数的继续增加，二者吻合程度大为改善。8层时，已基本吻合；10层时则近似完全吻合。由此可见，随着神经网络隐含层层数的增加，神经网络的性能越趋稳定，这说明与浅层神经网络相比，深度神经网络更是适用于WVSN场景。
再次，如图8-1、图8-2、图8-3所示，综合考虑较好MSE性能以及测试集与训练集的吻合程度，选取具有8层隐含层，每层隐含层有8个节点的深度神经网络作为功率分配方案的训练网络。然后从神经网络的信道方差测试数据集中随机抽取了三个不同的信道方差样本，分别代表图8-1中中继端距离源端较近
图8-2中中继端距离目的端较近
图8-3中中继端位于源与目的端的近似中间位置
这三种不同的位置状态，得到不同的功率分配因子，最后根据此因子得出AF协同通信系统中的遍历容量仿真结果，仿真结果分别如图8-1、图8-2、图8-3所示。图中的EPA、OPAE、PADNN分别表示源与中继端等功率分配、传统近似最优功率分配、本发明提出的基于深度神经网络的功率分配网络结构模型分配的遍历容量值。无论何种中继位置情况，基于本发明提出的基于深度神经网络的功率分配网络结构模型与传统近似最优功率分配的遍历容量性能均完全吻合，这说明对深度神经网络的训练成功；在后两种中继位置下，基于深度神经网络的功率分配网络结构模型均明显优于源与中继端等功率分配方案，说明本发明提出的最优功率分配算法更适合于此两种位置情况。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种多节点协作无线视觉传感器网络中的最优功率分配算法，其特征在于，包括以下步骤：
构建多节点协作无线视觉传感器网络；
在所述多节点协作无线视觉传感器网络中，构建基于深度神经网络的功率分配
网络结构模型；
生成所述功率分配网络结构模型的数据集；
训练所述功率分配网络结构模型；
对训练完成的功率分配网络结构模型进行测试。
2.根据权利要求1所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述功率分配网络结构模型具体为包括一个输入层、多个隐含层、一个输出层的全连接深度神经网络。
3.根据权利要求2所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述功率分配网络结构模型的输入层与输出层之间一一对应，输入层的输入节点数与输出层的输出节点数相同。
4.根据权利要求3所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述输入层的输入为源-中继、中继-目的、源-目的之间的信道方差；
所述输出层的输出为源节点的发送功率和中继节点的发送功率，以及源-目的的距离与源-中继的距离之间的夹角。
5.根据权利要求4所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述数据集包括训练数据集、测试数据集、标准输出数据集；
所述训练数据集、标准输出数据集用于训练所述功率分配网络结构模型；
所述测试数据集、标准输出数据集用于对训练完成的功率分配网络结构模型进行测试。
6.根据权利要求5所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，依据测试数据集、标准输出数据集对训练完成的功率分配网络结构模型进行测试的具体方法为：
将测试数据集输入到训练完成的功率分配网络结构模型中，计算输出与标准输出数据集之间的均方误差。
7.根据权利要求5所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述数据集中训练数据集、测试数据集的具体生成方法为：
设定源端至目的端的距离固定为最大值；
源-中继、中继-目的、源-目的之间的信道方差与源-中继、中继-目的、源-目的之间的距离满足如下关系：
其中，
为源-中继、中继-目的、源-目的之间的信道方差，di，j为源-中继、中继-目的、源-目的之间的距离；
选取满足上述公式的，源-中继、中继-目的、源-目的之间的信道方差值中的部分数据作为训练数据集、选取剩余数据作为测试数据集。
8.根据权利要求7所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述数据集中标准输出数据集的具体生成方法包括：
运用单个中继端的系统遍历容量上界公式，生成在不同信道状态下使得系统遍历容量最大化时的最优功率，计算公式如下：
其中，Ps为源端的发送功率，Pr为中继端的发送功率，N0为加性高斯白噪声的方差；
以及根据源-中继、中继-目的以及源-目的之间的距离计算得到源-目的的距离与源-中继的距离之间的夹角；
所述最优功率以及源-目的的距离与源-中继的距离之间的夹角共同组成标准输出数据集。
9.根据权利要求8所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，采用交叉熵驱动的反向传播算法，训练所述功率分配网络结构模型。
10.根据权利要求9所述的多节点协作无线视觉传感器网络的最优功率分配算法，其特征在于，所述交叉熵驱动的反向传播算法具体包括：
将测试数据集作为功率分配网络结构模型的输入，将得到的输出与标准输出数据集进行误差计算得到误差值；
将误差值反向传播并在反向传播过程中对功率分配网络结构模型进行权值修正，最终使得输入与输出之间形成如下映射关系：
其中，P为总发送功率，Pr，Ps，θ是与a对应的使系统遍历容量最大化时的源端最优发送功率、中继端的最优发送功率以及源-目的的距离与源-中继的距离之间的夹角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011461666.9A CN112601246A (zh) | 2020-12-08 | 2020-12-08 | 一种多节点协作无线视觉传感器网络中的最优功率分配算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011461666.9A CN112601246A (zh) | 2020-12-08 | 2020-12-08 | 一种多节点协作无线视觉传感器网络中的最优功率分配算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112601246A true CN112601246A (zh) | 2021-04-02 |
Family
ID=75193020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011461666.9A Pending CN112601246A (zh) | 2020-12-08 | 2020-12-08 | 一种多节点协作无线视觉传感器网络中的最优功率分配算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112601246A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114258014A (zh) * | 2021-11-30 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 物联网传感器信息处理系统 |
| CN117998287A (zh) * | 2023-05-27 | 2024-05-07 | 咸阳师范学院 | 无线视频传感器网络β-QoM目标栅栏覆盖构建算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105392173A (zh) * | 2015-10-13 | 2016-03-09 | 山东大学 | 一种多跳网络的中继选择方法及其系统 |
| CN110213814A (zh) * | 2019-07-04 | 2019-09-06 | 电子科技大学 | 一种基于深度神经网络的分布式功率分配方法 |
| CN110867903A (zh) * | 2019-11-27 | 2020-03-06 | 浙江工业大学 | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 |
| CN111586614A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 联合目的节点权重进行优化协作网络信息和能量传输的方法 |
-
2020
- 2020-12-08 CN CN202011461666.9A patent/CN112601246A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105392173A (zh) * | 2015-10-13 | 2016-03-09 | 山东大学 | 一种多跳网络的中继选择方法及其系统 |
| CN110213814A (zh) * | 2019-07-04 | 2019-09-06 | 电子科技大学 | 一种基于深度神经网络的分布式功率分配方法 |
| CN110867903A (zh) * | 2019-11-27 | 2020-03-06 | 浙江工业大学 | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 |
| CN111586614A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 联合目的节点权重进行优化协作网络信息和能量传输的方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAOMIN LIAO: "Generative Adversarial Network Assisted Power Allocation for Cooperative Cognitive Covert Communication System", 《IEEE COMMUNICATIONS LETTERS》 * |
| 陈红: "多节点协作视觉传感器网络架构与功率分配研究", 《信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114258014A (zh) * | 2021-11-30 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 物联网传感器信息处理系统 |
| CN114258014B (zh) * | 2021-11-30 | 2023-09-12 | 南方电网数字电网研究院有限公司 | 物联网传感器信息处理系统 |
| CN117998287A (zh) * | 2023-05-27 | 2024-05-07 | 咸阳师范学院 | 无线视频传感器网络β-QoM目标栅栏覆盖构建算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Computational intelligence and deep learning for next-generation edge-enabled industrial IoT | |
| Lin et al. | Task offloading for wireless VR-enabled medical treatment with blockchain security using collective reinforcement learning | |
| CN109862610B (zh) | 一种基于深度强化学习ddpg算法的d2d用户资源分配方法 | |
| CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 | |
| CN111800828A (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
| CN112601246A (zh) | 一种多节点协作无线视觉传感器网络中的最优功率分配算法 | |
| Dai et al. | Energy‐efficient resource allocation for device‐to‐device communication with WPT | |
| CN103596191A (zh) | 一种无线传感器网络智能配置系统及其方法 | |
| CN112115505A (zh) | 基于移动边缘计算和区块链技术的新能源汽车充电站计费数据传输方法 | |
| CN113590232A (zh) | 一种基于数字孪生的中继边缘网络任务卸载方法 | |
| Miozzo et al. | Distributed and multi-task learning at the edge for energy efficient radio access networks | |
| He et al. | Computation offloading and resource allocation based on DT-MEC-assisted federated learning framework | |
| CN114828018A (zh) | 一种基于深度确定性策略梯度的多用户移动边缘计算卸载方法 | |
| CN116566838A (zh) | 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法 | |
| Cao et al. | Interference-aware multi-user relay selection scheme in cooperative relay networks | |
| Zhao et al. | Ensemble federated learning with non-IID data in wireless networks | |
| CN114980126A (zh) | 基于深度确定性策略梯度算法的无人机中继通信系统的实现方法 | |
| Liu et al. | Communication and computation efficient federated learning for Internet of vehicles with a constrained latency | |
| CN111741520B (zh) | 一种基于粒子群的认知水声通信系统功率分配方法 | |
| CN115102767B (zh) | 一种基于分布式协作学习的DDoS主动防御系统及方法 | |
| CN114139688B (zh) | 基于马尔可夫链共识的工业物联网分布式联邦学习方法 | |
| CN106712813B (zh) | 基于网络生命周期门限选择天线的mimo中继选择方法 | |
| Liu et al. | Multi-cell MEC space partition and dynamic adjustment scheme for VR video transmission | |
| Xiao et al. | Performance Analysis of Adaptive RIS-Assisted Clustering Strategies in Downlink Communication Systems | |
| Vavekanand et al. | UAV Networks Surveillance Implementing an Effective Load-Aware Multipath Routing Protocol (ELAMRP) |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |