CN114866427A - 全屋路由组网方法及其系统 - Google Patents
全屋路由组网方法及其系统 Download PDFInfo
- Publication number
- CN114866427A CN114866427A CN202210429543.XA CN202210429543A CN114866427A CN 114866427 A CN114866427 A CN 114866427A CN 202210429543 A CN202210429543 A CN 202210429543A CN 114866427 A CN114866427 A CN 114866427A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- eigenvector
- vector
- classification
- 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.)
- Withdrawn
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请全屋路由智能组网的领域,其具体地公开了一种全屋路由组网方法及其系统,其通过卷积神经网络模型来挖掘出多个子路由器之间的拓扑关联信息,进一步通过编码器模型来将所述信号强度转化到高维空间中并计算在高维空间内的信号转移矩阵,从而能够得到以所有子路由器作为整体的空间干扰损耗状况,接着就可以将信号的空间干扰损耗信息映射到全局拓扑结构里,并且在此过程中,通过最小化所述邻接特征矩阵与所述信号转移矩阵之间的交叉熵,来使得卷积神经网络和编码器学习将两者得到的目标域彼此靠近。这样,可以提高分类结果的准确性,进而使得构建的路由器系统能够发挥最佳性能。
Description
技术领域
本申请涉及全屋路由智能组网的领域,且更为具体地,涉及一种全屋路由组网方法及其系统。
背景技术
目前,随着人们生活质量的提高,房子越来越大,对Wi-Fi信号覆盖的关注度越来越高,传统路由器已经不能很好的满足用户对网络覆盖的需求,Wi-Fi System应运而生。全屋路由可以满足用户越来越大的家庭面积和更广的网络覆盖需求,另一方面,全屋Wi-Fi更是智慧家庭所有硬件设备接入到网络中的基石。全屋路由是一个母路由器(GW)与多个子路由器(RE)通过专有的链路组成的一个路由器系统,解决了传统路由器的覆盖问题。
在路由器系统中,需要在特定的全屋中基于全屋的全局结构来部署各个子路由器的位置,以使得构建的路由器系统发挥最佳性能。但是,由于屋内存在墙体阻隔物等因素,信号在子路由器和路由器之间传播时会发生损耗,因此,如何根据实际的环境情况来部署各个子路由器的位置是需要考虑的问题。因此,为了在部署路由器时关注到信号在传播过程中的损耗问题,以使得构建的路由器系统发挥最佳性能,期望一种全屋路由组网方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种全屋路由组网方法及其系统,其通过卷积神经网络模型来挖掘出多个子路由器之间的拓扑关联信息,进一步通过编码器模型来将所述信号强度转化到高维空间中并计算在高维空间内的信号转移矩阵,从而能够得到以所有子路由器作为整体的空间干扰损耗状况,接着就可以将信号的空间干扰损耗信息映射到全局拓扑结构里,并且在此过程中,通过最小化所述邻接特征矩阵与所述信号转移矩阵之间的交叉熵,来使得卷积神经网络和编码器学习将两者得到的目标域彼此靠近。这样,可以提高分类结果的准确性,进而使得构建的路由器系统能够发挥最佳性能。
根据本申请的一个方面,提供了一种全屋路由组网方法,其包括:
训练阶段,包括:
获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1;
将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;
获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;
使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;
计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;
将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;
将所述分类特征矩阵通过分类器以获得分类损失函数值;
对所述邻接特征矩阵和所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值;
将所述第一组特征值和所述第二组特征值排列为第一特征向量和第二特征向量;
计算所述第一特征向量和所述第二特征向量之间的交叉熵值;
计算所述分类损失函数值和所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数;以及
推断阶段,包括:
获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵;
将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;
获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;
使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;
计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;
将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;以及
将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
根据本申请提供的全屋路由组网方法及其系统,其通过卷积神经网络模型来挖掘出多个子路由器之间的拓扑关联信息,进一步通过编码器模型来将所述信号强度转化到高维空间中并计算在高维空间内的信号转移矩阵,从而能够得到以所有子路由器作为整体的空间干扰损耗状况,接着就可以将信号的空间干扰损耗信息映射到全局拓扑结构里,并且在此过程中,通过最小化所述邻接特征矩阵与所述信号转移矩阵之间的交叉熵,来使得卷积神经网络和编码器学习将两者得到的目标域彼此靠近。这样,可以提高分类结果的准确性,进而使得构建的路由器系统能够发挥最佳性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的全屋路由组网方法的场景示意图。
图2为根据本申请实施例的全屋路由组网方法中训练阶段的流程图。
图3为根据本申请实施例的全屋路由组网方法中推断阶段的流程图。
图4为根据本申请实施例的全屋路由组网方法中训练阶段的架构示意图。
图5为根据本申请实施例的全屋路由组网方法中推断阶段的架构示意图。
图6为根据本申请实施例的全屋路由组网系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,在路由器系统中,需要在特定的全屋中基于全屋的全局结构来部署各个子路由器的位置,以使得构建的路由器系统发挥最佳性能。但是,由于屋内存在墙体阻隔物等因素,信号在子路由器和路由器之间传播时会发生损耗,因此,如何根据实际的环境情况来部署各个子路由器的位置是需要考虑的问题。因此,为了在部署路由器时关注到信号在传播过程中的损耗问题,以使得构建的路由器系统发挥最佳性能,期望一种全屋路由组网方法。
具体地,在本申请的技术方案中,首先获得用于表示多个子路由器之间的拓扑关系的邻接矩阵,矩阵的相应位置为各子路由器之间的连接关系,并输入卷积神经网络(三类)以得到邻接特征矩阵。
然后获得每个子路由器的接收信号强度和发射信号强度以得到接收信号向量和发射信号向量,输入包含一维卷积层和全连接层的编码器得到接收特征向量和发射特征向量。然后计算高维空间内的信号转移矩阵,这里,由于子路由器是基于接收信号产生发射信号,因此与一般的响应矩阵不同,该信号转移矩阵是矩阵乘以接收特征向量得到发射特征向量。这样,该信号转移矩阵实质上体现了以所有子路由器作为整体的空间干扰损耗状况。
这样,再将邻接特征矩阵乘以信号转移矩阵以将信号的空间干扰损耗信息映射到全局拓扑结构里,并通过分类器进行分类,就可以得到该子路由器布置下的整体信号状况是否符合需要的结果。
但是,考虑到邻接特征矩阵和信号转移矩阵在各自的高维特征空间中,也就是,其在各自的高维特征空间中的目标域内,而其间的目标域存在偏移。通常,可以通过最小化邻接特征矩阵与信号转移矩阵之间的交叉熵,来使得卷积神经网络和编码器学习将两者得到的目标域彼此靠近。
但是,矩阵之间的交叉熵的计算较为复杂,因此本申请的申请人考虑到邻接特征矩阵和信号转移矩阵均是以子路由器的数目n为维度的n×n矩阵,因此首先对这两个矩阵进行特征值分解以得到第一组特征值和第二组特征值,再将第一组特征值和第二组特征值排列为第一特征向量和第二特征向量,并计算第一特征向量与第二特征向量之间的交叉熵,并通过最小化该交叉熵来更新卷积神经网络和编码器的参数。这相当于对于预定的两个目标域之间的偏移,分别在其每个的彼此正交的n个方向上使得目标域彼此靠近,以消除目标域之间的偏移。
基于此,本申请提出了一种全屋路由组网方法,其包括:训练阶段和推断阶段。其中,训练阶段包括步骤:获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;将所述分类特征矩阵通过分类器以获得分类损失函数值;对所述邻接特征矩阵和所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值;将所述第一组特征值和所述第二组特征值排列为第一特征向量和第二特征向量;计算所述第一特征向量和所述第二特征向量之间的交叉熵值;以及,计算所述分类损失函数值和所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数。其中,推断阶段包括步骤:获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵;将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;以及,将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
图1图示了根据本申请实施例的全屋路由组网方法的场景示意图。如图1所示,在该应用场景的训练阶段中,首先,从与母路由器(例如,如图1中所示意的P)连接的多个子路由器(例如,如图1中所示意的R)之间的拓扑关系中获取邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1,并且分别从各个所述子路由器的接收端(例如,如图1中所示意的E)和发送端(例如,如图1中所示意的H)获得其接收信号强度和发射信号强度。然后,将获得的所述邻接矩阵、所述接收信号强度和发射信号强度输入至部署有全屋路由组网算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够基于全屋路由组网算法以所述邻接矩阵、所述接收信号强度和发射信号强度对全屋路由组网的卷积神经网络和编码器模型的参数进行训练。
在训练完成后,在推断阶段中,首先,从与母路由器(例如,如图1中所示意的P)连接的多个子路由器(例如,如图1中所示意的R)之间的拓扑关系中获取邻接矩阵,并且分别从各个所述子路由器的接收端(例如,如图1中所示意的E)和发送端(例如,如图1中所示意的H)获得其接收信号强度和发射信号强度。然后,将所述邻接矩阵、所述接收信号强度和发射信号强度输入至部署有全屋路由组网算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够以全屋路由组网算法对所述邻接矩阵、所述接收信号强度和发射信号强度进行处理,以生成用于表示路由器系统的组网方案是否满足预设要求的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的全屋路由组网方法中训练阶段的流程图。如图2所示,根据本申请实施例的全屋路由组网方法,包括:训练阶段,包括步骤:S110,获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1;S120,将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;S130,获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;S140,使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;S150,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;S160,将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;S170,将所述分类特征矩阵通过分类器以获得分类损失函数值;S180,对所述邻接特征矩阵和所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值;S190,将所述第一组特征值和所述第二组特征值排列为第一特征向量和第二特征向量;S200,计算所述第一特征向量和所述第二特征向量之间的交叉熵值;以及,S201,计算所述分类损失函数值和所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数。
图3图示了根据本申请实施例的全屋路由组网方法中推断阶段的流程图。如图3所示,根据本申请实施例的全屋路由组网方法,还包括:推断阶段,包括步骤:S210,获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵;S220,将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;S230,获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;S240,使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;S250,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;S260,将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;以及,S270,将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
图4图示了根据本申请实施例的全屋路由组网方法中训练阶段的架构示意图。如图4所示,在训练阶段中,在该网络架构中,首先,将获得的所述邻接矩阵(例如,如图4中所示意的MI)通过卷积神经网络(例如,如图4中所示意的CNN)以获得邻接特征矩阵(例如,如图4中所示意的MF1);接着,将获得的各个所述子路由器的接收信号强度(例如,如图4中所示意的P1)和发射信号强度(例如,如图4中所示意的P2)排列为接收信号向量(例如,如图4中所示意的V1)和发射信号向量(例如,如图4中所示意的V2);然后,使用包含一维卷积层和全连接层的编码器模型(例如,如图4中所示意的E1)将所述接收信号向量和所述发射信号向量编码为接收特征向量(例如,如图4中所示意的VF1)和发射特征向量(例如,如图4中所示意的VF2);接着,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵(例如,如图4中所示意的M);然后,将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵(例如,如图4中所示意的MF);接着,将所述分类特征矩阵通过分类器(例如,如图4中所示意的分类器)以获得分类损失函数值(例如,如图4中所示意的CLV);然后,对所述邻接特征矩阵和所述信号转移矩阵进行特征值分解以获得第一组特征值(例如,如图4中所示意的CV1)和第二组特征值(例如,如图4中所示意的CV2);接着,将所述第一组特征值和所述第二组特征值排列为第一特征向量(例如,如图4中所示意的VF3)和第二特征向量(例如,如图4中所示意的VF4);然后,计算所述第一特征向量和所述第二特征向量之间的交叉熵值(例如,如图4中所示意的CEV);以及,最后,计算所述分类损失函数值和所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数。
图5图示了根据本申请实施例的全屋路由组网方法中推断阶段的架构示意图。如图5所示,在推断阶段中,在该网络结构中,首先,将获得的所述邻接矩阵(例如,如图5中所示意的MI)通过卷积神经网络(例如,如图5中所示意的CN)以获得邻接特征矩阵(例如,如图5中所示意的MF1);接着,将获得的各个所述子路由器的接收信号强度(例如,如图5中所示意的Q1)和发射信号强度(例如,如图5中所示意的Q2)排列为接收信号向量(例如,如图5中所示意的V1)和发射信号向量(例如,如图5中所示意的V2);然后,使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型(例如,如图5中所示意的E2)将所述接收信号向量和所述发射信号向量编码为接收特征向量(例如,如图5中所示意的VF1)和发射特征向量(例如,如图5中所示意的VF2);接着,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵(例如,如图5中所示意的M);然后,将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵(例如,如图5中所示意的MF);以及,最后,将所述分类特征矩阵通过分类器(例如,如图5中所示意的分类器)以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
更具体地,在训练阶段中,在步骤S110和步骤S120中,获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1,并将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵。如前所述,在路由器系统中,需要在特定的全屋中基于全屋的全局结构来部署各个子路由器的位置,以使得构建的路由器系统发挥最佳性能。并且,考虑到由于屋内存在墙体阻隔物等因素,信号在子路由器和路由器之间传播时会发生损耗,因此,在本申请的技术方案中,在部署路由器时需要关注到信号在传播过程中的损耗问题,以使得构建的路由器系统发挥最佳性能。
相应地,在本申请的技术方案中,首先,从与母路由器连接的多个子路由器之间的拓扑关系中获取邻接矩阵。应可以理解,所述邻接矩阵是表示顶点之间相邻关系的矩阵,是n阶方阵,这里,利用所述邻接矩阵可以表示所述各子路由器之间的连接关联信息。也就是,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,在一个具体示例中,在所述邻接矩阵中,如果两个子路由器之间具有连接关系,则对应位置的特征值为1;如果两个子路由器之间不具有连接关系,则对应位置的特征值为0。因此,这里所述邻接矩阵中对角线位置上各个位置的特征值为1。
然后,再将所述邻接矩阵通过卷积神经网络中进行处理,以挖掘出所述邻接矩阵中各个子路由器之间的连接关系的高维隐含特征,从而获得邻接特征矩阵。具体地,在本申请实施例中,所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理、沿通道维度的均值池化和激活处理以获得所述邻接特征矩阵。
更具体地,在训练阶段中,在步骤S130和步骤S140中,获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量,并使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量。也就是,在本申请的技术方案中,为了在部署路由器时考虑到信号在传播过程中的损耗问题,以使得构建的路由器系统发挥最佳性能,还需要进一步分别从各个所述子路由器的接收端和发送端获得其接收信号强度和发射信号强度。接着,将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量后,通过包含一维卷积层和全连接层的编码器模型中进行编码处理,以将所述接收信号向量和所述发射信号向量转化到高维空间中,从而得到接收特征向量和发射特征向量。
具体地,在本申请实施例中,使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量的过程,包括:首先,使用所述编码器模型的全连接层分别对所述接收信号向量和所述发射信号向量进行全连接编码以提取出所述接收信号向量和所述发射信号向量中各个位置的特征值的高维隐含特征;然后,使用所述编码器模型的一维卷积层分别对所述接收信号向量和所述发射信号向量进行一维卷积编码以提取出所述接收信号向量和所述发射信号向量中各个位置的特征值之间的关联的高维隐含关联特征以获得所述接收特征向量和所述发射特征向量。
更具体地,在训练阶段中,在步骤S150中,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗。也就是,在得到所述接收特征向量和所述发射特征向量之后,接着,计算其在高维空间内的信号转移矩阵,以得到所有的所述子路由器作为整体的空间干扰损耗。应可以理解,这里,由于所述子路由器是基于接收信号产生发射信号,因此与一般的响应矩阵不同,该所述信号转移矩阵是矩阵乘以所述接收特征向量得到所述发射特征向量。
相应地,在一个具体示例中,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵的过程,包括:以如下公式计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵;其中,所述公式为:F=T*R,其中F表示所述发射特征向量,T表示所述信号转移矩阵,R表示所述接收特征向量。这样,所述信号转移矩阵实质上体现了以所有子路由器作为整体的空间干扰损耗状况。
更具体地,在训练阶段中,在步骤S160和步骤S170中,将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵,并将所述分类特征矩阵通过分类器以获得分类损失函数值。也就是,在本申请的技术方案中,接着,再将所述邻接特征矩阵乘以所述信号转移矩阵以将信号的空间干扰损耗信息映射到全局拓扑结构里,从而得到分类特征矩阵。然后,将所述分类特征矩阵通过分类器进行处理,就可以获得分类损失函数值,以便于后续对卷积神经网络和编码器进行训练。
具体地,在本申请实施例中,将所述分类特征矩阵通过分类器以获得分类损失函数值的过程,包括:首先,将所述分类特征矩阵输入所述包含多个全连接层和Softmax分类函数的分类器以获得分类结果。相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类结果;其中,所述公式为:
softmax{(Wn,Bn):…:(W1,B1)|Project(F)}
其中,Project(F)表示将所述分类特征矩阵投影为向量;W1至Wn是权重矩阵,B1至Bn为偏置向量。然后,计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
更具体地,在训练阶段中,在步骤S180和步骤S190中,对所述邻接特征矩阵和所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值,并将所述第一组特征值和所述第二组特征值排列为第一特征向量和第二特征向量。应可以理解,考虑到所述邻接特征矩阵和所述信号转移矩阵在各自的高维特征空间中,也就是,其在各自的高维特征空间中的目标域内,而其间的目标域存在偏移。通常,可以通过最小化所述邻接特征矩阵与所述信号转移矩阵之间的交叉熵,来使得卷积神经网络和编码器学习将两者得到的目标域彼此靠近。但是,由于所述矩阵之间的交叉熵的计算较为复杂,并且考虑到所述邻接特征矩阵和所述信号转移矩阵均是以所述子路由器的数目n为维度的n×n矩阵,因此,在本申请的技术方案中,首先对这两个所述矩阵进行特征值分解以得到第一组特征值和第二组特征值,接着再将所述第一组特征值和所述第二组特征值排列为第一特征向量和第二特征向量,以便于后续的计算。
更具体地,在训练阶段中,在步骤S200和步骤S201中,计算所述第一特征向量和所述第二特征向量之间的交叉熵值,并计算所述分类损失函数值和所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数。也就是,在本申请的技术方案中,在得到所述第一特征向量和所述第二特征向量后,进一步计算所述第一特征向量与所述第二特征向量之间的交叉熵,并通过最小化该所述交叉熵来更新卷积神经网络和编码器的参数。应可以理解,这相当于对于预定的两个目标域之间的偏移,分别在其每个的彼此正交的n个方向上使得所述目标域彼此靠近,以消除所述目标域之间的偏移。
在训练完成后,进入推断阶段。也就是,将经训练阶段训练完成的所述卷积神经网络和所述编码器模型的参数用于推断阶段中,按照上述方法可以得到所述分类特征矩阵,然后进一步将所述分类特征矩阵通过分类器进行分类,就可以得到该子路由器布置下的整体信号状况是否符合需要的结果。
具体地,首先,获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵。接着,将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵。然后,获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量。接着,使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量。然后,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗。接着,将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵。最后,将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
综上,基于本申请实施例的全屋路由组网方法被阐明,其通过卷积神经网络模型来挖掘出多个子路由器之间的拓扑关联信息,进一步通过编码器模型来将所述信号强度转化到高维空间中并计算在高维空间内的信号转移矩阵,从而能够得到以所有子路由器作为整体的空间干扰损耗状况,接着就可以将信号的空间干扰损耗信息映射到全局拓扑结构里,并且在此过程中,通过最小化所述邻接特征矩阵与所述信号转移矩阵之间的交叉熵,来使得卷积神经网络和编码器学习将两者得到的目标域彼此靠近。这样,可以提高分类结果的准确性,进而使得构建的路由器系统能够发挥最佳性能。
示例性系统
图6图示了根据本申请实施例的全屋路由组网系统的框图。如图6所示,根据本申请实施例的全屋路由组网系统600,包括:训练模块610和推断模块620。
如图6所示,所述训练模块610,包括:邻接矩阵获取单元6101,用于获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1;卷积单元6102,用于将所述邻接矩阵获取单元6101获得的所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;信号强度获取单元6103,用于获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;编码单元6104,用于使用包含一维卷积层和全连接层的编码器模型将所述信号强度获取单元6103获得的所述接收信号向量和所述信号强度获取单元6103获得的所述发射信号向量编码为接收特征向量和发射特征向量;信号转移矩阵计算单元6105,用于计算所述编码单元6104获得的所述接收特征向量和所述编码单元6104获得的所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;映射单元6106,用于将所述卷积单元6102获得的所述邻接特征矩阵与所述信号转移矩阵计算单元6105获得的所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;分类损失函数值计算单元6107,用于将所述映射单元6106获得的所述分类特征矩阵通过分类器以获得分类损失函数值;特征值分解单元6108,用于对所述卷积单元6102获得的所述邻接特征矩阵和所述信号转移矩阵计算单元6105获得的所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值;排列单元6109,用于将所述特征值分解单元6108获得的所述第一组特征值和所述特征值分解单元6108获得的所述第二组特征值排列为第一特征向量和第二特征向量;交叉熵值计算单元6110,用于计算所述排列单元6109获得的所述第一特征向量和所述排列单元6109获得的所述第二特征向量之间的交叉熵值;训练单元6111,用于计算所述分类损失函数值计算单元6107获得的所述分类损失函数值和所述交叉熵值计算单元6110获得的所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数。
如图6所示,所述推断模块620,包括:拓扑关系获取单元621,用于获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵;邻接特征矩阵生成单元622,用于将所述拓扑关系获取单元621获得的所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;信号向量生成单元623,用于获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;特征向量生成单元624,用于使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述信号向量生成单元623获得的所述接收信号向量和所述信号向量生成单元623获得的所述发射信号向量编码为接收特征向量和发射特征向量;损耗计算单元625,用于计算所述特征向量生成单元624获得的所述接收特征向量和所述特征向量生成单元624获得的所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;分类特征矩阵生成单元626,用于将所述邻接特征矩阵生成单元622获得的所述邻接特征矩阵与所述损耗计算单元625获得的所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;以及,分类单元627,用于将所述分类特征矩阵生成单元626获得的所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
这里,本领域技术人员可以理解,上述全屋路由组网系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的全屋路由组网方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的全屋路由组网系统600可以实现在各种终端设备中,例如全屋路由组网算法的服务器等。在一个示例中,根据本申请实施例的全屋路由组网系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该全屋路由组网系统600可以是该终端设备的操作装置中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该全屋路由组网系统600同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该全屋路由组网系统600与该终端设备也可以是分立的设备,并且该全屋路由组网系统600可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种全屋路由组网方法,其特征在于,包括:
训练阶段,包括:
获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1;
将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;
获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;
使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;
计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;
将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;
将所述分类特征矩阵通过分类器以获得分类损失函数值;
对所述邻接特征矩阵和所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值;
将所述第一组特征值和所述第二组特征值排列为第一特征向量和第二特征向量;
计算所述第一特征向量和所述第二特征向量之间的交叉熵值;
计算所述分类损失函数值和所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数;以及
推断阶段,包括:
获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵;
将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;
获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;
使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量;
计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;
将所述邻接特征矩阵与所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;以及
将所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
2.根据权利要求1所述的全屋路由组网方法,其中,在所述邻接矩阵中,如果两个子路由器之间具有连接关系,则对应位置的特征值为1;如果两个子路由器之间不具有连接关系,则对应位置的特征值为0。
3.根据权利要求2所述的全屋路由组网方法,其中,将所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵,包括:
所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理、沿通道维度的均值池化和激活处理以获得所述邻接特征矩阵。
4.根据权利要求3所述的全屋路由组网方法,其中,使用包含一维卷积层和全连接层的编码器模型将所述接收信号向量和所述发射信号向量编码为接收特征向量和发射特征向量,包括:
使用所述编码器模型的全连接层分别对所述接收信号向量和所述发射信号向量进行全连接编码以提取出所述接收信号向量和所述发射信号向量中各个位置的特征值的高维隐含特征;以及
使用所述编码器模型的一维卷积层分别对所述接收信号向量和所述发射信号向量进行一维卷积编码以提取出所述接收信号向量和所述发射信号向量中各个位置的特征值之间的关联的高维隐含关联特征以获得所述接收特征向量和所述发射特征向量。
5.根据权利要求4所述的全屋路由组网方法,其中,计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵,包括:
以如下公式计算所述接收特征向量和所述发射特征向量之间的信号转移矩阵;
其中,所述公式为:F=T*R,其中F表示所述发射特征向量,T表示所述信号转移矩阵,R表示所述接收特征向量。
6.根据权利要求5所述的全屋路由组网方法,其中,将所述分类特征矩阵通过分类器以获得分类损失函数值,包括:
将所述分类特征矩阵输入所述包含多个全连接层和Softmax分类函数的分类器以获得分类结果;以及
计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
7.根据权利要求6所述的全屋路由组网方法,其中,将所述分类特征矩阵输入所述包含多个全连接层和Softmax分类函数的分类器以获得分类结果,包括:
所述分类器以如下公式对所述分类特征矩阵进行处理以获得所述分类结果;
其中,所述公式为:
softmax{(WniBn):...:(W1,B1)|Project(F)}
其中,Project(F)表示将所述分类特征矩阵投影为向量;W1至Wn是权重矩阵,B1至Bn为偏置向量。
8.一种全屋路由组网系统,其特征在于,包括:
训练模块,包括:
邻接矩阵获取单元,用于获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵,其中,所述邻接矩阵中非对角线位置上的各个位置的特征值表示各子路由器之间的连接关系,所述邻接矩阵中对角线位置上各个位置的特征值为1;
卷积单元,用于将所述邻接矩阵获取单元获得的所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;
信号强度获取单元,用于获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;
编码单元,用于使用包含一维卷积层和全连接层的编码器模型将所述信号强度获取单元获得的所述接收信号向量和所述信号强度获取单元获得的所述发射信号向量编码为接收特征向量和发射特征向量;
信号转移矩阵计算单元,用于计算所述编码单元获得的所述接收特征向量和所述编码单元获得的所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;
映射单元,用于将所述卷积单元获得的所述邻接特征矩阵与所述信号转移矩阵计算单元获得的所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;
分类损失函数值计算单元,用于将所述映射单元获得的所述分类特征矩阵通过分类器以获得分类损失函数值;
特征值分解单元,用于对所述卷积单元获得的所述邻接特征矩阵和所述信号转移矩阵计算单元获得的所述信号转移矩阵进行特征值分解以获得第一组特征值和第二组特征值;
排列单元,用于将所述特征值分解单元获得的所述第一组特征值和所述特征值分解单元获得的所述第二组特征值排列为第一特征向量和第二特征向量;
交叉熵值计算单元,用于计算所述排列单元获得的所述第一特征向量和所述排列单元获得的所述第二特征向量之间的交叉熵值;
训练单元,用于计算所述分类损失函数值计算单元获得的所述分类损失函数值和所述交叉熵值计算单元获得的所述交叉熵值的加权和作为损失函数值来训练所述卷积神经网络和所述编码器模型的参数;以及
推断模块,包括:
拓扑关系获取单元,用于获取用于表示与母路由器连接的多个子路由器之间的拓扑关系的邻接矩阵;
邻接特征矩阵生成单元,用于将所述拓扑关系获取单元获得的所述邻接矩阵通过卷积神经网络以获得邻接特征矩阵;
信号向量生成单元,用于获得各个所述子路由器的接收信号强度和发射信号强度并将各个所述子路由器的接收信号强度和发射信号强度排列为接收信号向量和发射信号向量;
特征向量生成单元,用于使用经训练阶段训练完成的包含一维卷积层和全连接层的编码器模型将所述信号向量生成单元获得的所述接收信号向量和所述信号向量生成单元获得的所述发射信号向量编码为接收特征向量和发射特征向量;
损耗计算单元,用于计算所述特征向量生成单元获得的所述接收特征向量和所述特征向量生成单元获得的所述发射特征向量之间的信号转移矩阵,其中,所述信号转移矩阵用于表示所有的所述子路由器作为整体的空间干扰损耗;
分类特征矩阵生成单元,用于将所述邻接特征矩阵生成单元获得的所述邻接特征矩阵与所述损耗计算单元获得的所述信号转移矩阵进行矩阵相乘以将所述信号转移矩阵映射到所述邻接特征矩阵的高维特征空间中以获得分类特征矩阵;以及
分类单元,用于将所述分类特征矩阵生成单元获得的所述分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示路由器系统的组网方案是否满足预设要求。
9.根据权利要求8所述的全屋路由组网系统,其中,在所述邻接矩阵中,如果两个子路由器之间具有连接关系,则对应位置的特征值为1;如果两个子路由器之间不具有连接关系,则对应位置的特征值为0。
10.根据权利要求8所述的全屋路由组网系统,其中,所述卷积单元,进一步用于:
所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理、沿通道维度的均值池化和激活处理以获得所述邻接特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429543.XA CN114866427A (zh) | 2022-04-22 | 2022-04-22 | 全屋路由组网方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210429543.XA CN114866427A (zh) | 2022-04-22 | 2022-04-22 | 全屋路由组网方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114866427A true CN114866427A (zh) | 2022-08-05 |
Family
ID=82634229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210429543.XA Withdrawn CN114866427A (zh) | 2022-04-22 | 2022-04-22 | 全屋路由组网方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114866427A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524027A (zh) * | 2022-10-31 | 2022-12-27 | 杭州宇嘉微科技有限公司 | 无源无线接触式温度监测系统及其方法 |
WO2024036690A1 (zh) * | 2022-08-15 | 2024-02-22 | 福建天甫电子材料有限公司 | 用于剥膜液生产的自动配料系统及其配料方法 |
-
2022
- 2022-04-22 CN CN202210429543.XA patent/CN114866427A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024036690A1 (zh) * | 2022-08-15 | 2024-02-22 | 福建天甫电子材料有限公司 | 用于剥膜液生产的自动配料系统及其配料方法 |
CN115524027A (zh) * | 2022-10-31 | 2022-12-27 | 杭州宇嘉微科技有限公司 | 无源无线接触式温度监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114866427A (zh) | 全屋路由组网方法及其系统 | |
CN110474716B (zh) | 基于降噪自编码器的scma编解码器模型的建立方法 | |
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
CN110677284B (zh) | 一种基于元路径的异构网络链路预测的方法 | |
CN107743103A (zh) | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 | |
CN109495881B (zh) | 一种使用协同干扰的无线中继网络安全传输方法 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN111126562A (zh) | 基于神经网络的目标算法拟合方法、终端以及应用 | |
CN110263236A (zh) | 基于动态多视图学习模型的社交网络用户多标签分类方法 | |
CN114423030A (zh) | 全屋动态自动组网方法、系统和电子设备 | |
CN113193893B (zh) | 毫米波大规模mimo智能混合波束成形设计方法 | |
CN110635833B (zh) | 一种基于深度学习的功率分配方法及分配装置 | |
CN110505681B (zh) | 基于遗传方法的非正交多址接入场景用户配对方法 | |
CN114629796A (zh) | 路由器系统中母路由器的带宽分配方法及其系统 | |
CN109831281A (zh) | 一种低复杂度稀疏码多址接入系统多用户检测方法及装置 | |
CN113783782B (zh) | 一种深度强化学习的机会路由候选集节点排序方法 | |
CN105142198B (zh) | 一种使用微分进化求解无线传感器网络最优路径的方法 | |
CN113992313A (zh) | 一种基于深度学习的均衡网络辅助scma编解码方法 | |
CN112637812A (zh) | 一种基于监督机器学习的车载协作通信中继选择方法 | |
KR102644441B1 (ko) | 중계기를 사용한 다중 송신 다중 수신 통신 시스템에서 심층 학습 기법을 적용한 송수신 신호 처리 방법 및 시스템 | |
CN117391646B (zh) | 一种协同创新管理系统 | |
CN109255376A (zh) | 一种基于自适应度惩罚和社区信息的预测网络连边的方法 | |
CN104158551B (zh) | 双频带无线能量数据传输系统线圈的优化方法和优化系统 | |
TWI769911B (zh) | 基於自適性學習之聯合波束選擇和功率控制的系統和方法 | |
CN113434459B (zh) | 基于生成对抗网络的片上网络任务映射方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220805 |
|
WW01 | Invention patent application withdrawn after publication |