CN115334541A - 一种参数迭代式LoRa网络能效优化方法及系统 - Google Patents
一种参数迭代式LoRa网络能效优化方法及系统 Download PDFInfo
- Publication number
- CN115334541A CN115334541A CN202210816469.7A CN202210816469A CN115334541A CN 115334541 A CN115334541 A CN 115334541A CN 202210816469 A CN202210816469 A CN 202210816469A CN 115334541 A CN115334541 A CN 115334541A
- Authority
- CN
- China
- Prior art keywords
- node
- energy efficiency
- parameter
- parameters
- lora 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.)
- Granted
Links
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 108091006146 Channels Proteins 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 108010003272 Hyaluronate lyase Proteins 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
- H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- 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
Abstract
本发明涉及LoRa网络能效优化领域,提供一种参数迭代式LoRa网络能效优化方法及系统,包括:根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;通过网关将目标参数发送给各节点。本发明建立了一个完备的LoRa网络的能效模型,该模型结合了LoRa网络的传输成功率和能耗,能完备的计算出LoRa网络的能效;本发明提供的LoRa网络能效优化方法通过迭代的方式对每个节点的物理层参数进行优化,显著地提升LoRa网络能效性能,提高了LoRa网络的覆盖能力和网络容量。
Description
技术领域
本发明涉及LoRa网络能效优化领域,尤其涉及一种参数迭代式LoRa网络能效优化方法及系统。
背景技术
物联网技术推动着各行各业迈向智能化,其应用的覆盖范围越来越广,涉及到人们生活的方方面面。随着物联网技术的不断发展,接入设备的规模越来越大,其应用场景也越来越多样化。LPWAN技术的出现就是为了满足长距离、低功率的通信需求。LoRaWAN作为目前最有前景的LPWAN技术之一,因其覆盖范围广、部署成本低的特点而备受青睐。LoRaWAN的应用十分广泛,包括智能建筑、智能城市、智能农业、智能电表、和水质测量等。
LoRa的特点在于其采用的专利调制技术——啁啾扩频调制技术(Chirp SpreadSpetrum,CSS)。相比于传统的频移键控调制调制技术,CSS具有更高的接收灵敏度。LoRa物理层将CSS调制技术与汉明码等编码交织技术相结合,将接收机灵敏度提高到了-148dBm。实际测试表明LoRa在开阔的郊区环境通信距离可以达到十几公里。
LoRa在郊区环境下具有很强的覆盖能力。但当环境变化时,LoRa的网络性能会受到各种非理想因素的影响。一方面是信道的衰落和损耗,相比于郊区平稳的高斯信道,复杂城市环境中密集的建筑物和多径效应,使得LoRa网络的传输成功率急剧下降,仅能支持几百米距离下的高质量通信。另一方面是网络内部的冲突,随着接入的终端设备增多,节点之间的碰撞会导致严重的数据包丢失。这些因素限制了LoRa在城市环境和大规模物联网中的应用。
考虑到物联网丰富的应用场景,一些研究尝试对LoRa节点的硬件进行改进,以提升LoRa的传输性能,从而实现更广泛的应用和部署[1-3]。还有一些研究通过有效利用信道资源来提升网络性能[4-6]。这些方案虽然拓展了LoRa的网络性能,但其实现需要对硬件进行修改或是增加额外的数据开销,这意味着更高的部署成本和更多的能量消耗。
与其他LPWAN技术不同,LoRa的通信配置具有更高的灵活性,其物理层可供分配参数包括扩频因子(Spreading Factor,SF)、带宽(Band Width,BW)、码率(Code Rate,CR)和传输功率(Transmission Power,TP)。这些物理层参数对网络性能具有显著影响,合理地分配这些链路资源可以提升网络性能。相比于其他性能拓展方案,调整物理层参数具有简单、高效和低成本的特点,并可以与其他技术结合实现协同增益。因此,LoRa物理层的参数分配方案对LoRa网络性能优化具有重要意义。
传输成功率和能耗是LoRa网络的两个重要指标。实际上,传输成功率和能耗都是由一些因素(信噪比、接收灵敏度、传输时间、工作电流)共同决定的综合指标,每个因素又受到一个或几个物理层参数的影响。在多节点网络中,这些物理层参数还会决定节点之间的碰撞概率和干扰情况。除此之外,传输成功率和能耗在优化的过程中往往相互矛盾,追求过高的传输成功率可能会导致能源的浪费,而过低的能耗意味着糟糕的通信质量。这些问题使得LoRa网络的物理层参数配置问题具有很大难度。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为解决上述技术问题,本发明提供一种参数迭代式LoRa网络能效优化方法,包括:
S1:根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;
S2:根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;
S3:通过网关将目标参数发送给各节点。
优选的,步骤S2具体为:
S21:每次迭代开始将AD_count的值初始化为0,节点的编号i初始化为1;
S22:获取节点i的所有参数,将参数的编号设为k,k的初始值为1,最大值为ni;
S23:若k≤ni则进入步骤S24,否则i的值加1并进入步骤S25;
S24:通过能效模型计算选取参数k时的节点i的能效和网络平均能效增量;
若网络平均能效增量大于0则将该参数更新为节点i的目标参数,AD_count的值加1,k的值加1,返回步骤S23;
否则节点i的目标参数不变,AD_count的值不变,k的值加1,返回步骤S23;
S25:若i≤预设最大值则返回步骤S22;否则进入步骤S26;
S26:若AD_count的值为0则表示迭代优化完成,结束迭代优化;否则返回步骤S21。
优选的,节点i的能效的计算公式为:
其中,i和j为节点编号,EFFi为节点i的能效,PSPi为节点i的传输成功率,PL为传输负载字节数,Wonce(i)为节点一次传输的能量总消耗;
Pnc(i)为节点i不发生碰撞丢包的概率,Ni_inter为可能使节点i发生碰撞丢包的干扰节点总数,ToA为节点传输的空中时间,S为节点的消息速率;
Pcq(i)=(1-Pcr)8·PL/4
Pcq(i)为节点i发生信道质量丢包的概率,Pcr为一个汉明码编码发生错误的概率;
Wonce(i)为节点一次传输的能量总消耗,U为LoRa芯片的工作电压3.3V,n为节点的传输阶段的编号,Tn为节点传输阶段n的持续时间,In为节点在传输阶段n时的电流消耗。
优选的,所述LoRa网络的平均能效的计算公式为:
其中,i为节点的编号,Ntotal为节点的总数,EFFi为节点i的能效。
当节点i采用参数K时,记这个节点为ik;当节点i的参数从k1变为k2时,可以计算出节点i自身的能效增量:
其中,k1与k2为k的两个不相等的取值;
当节点i的参数发生变换时,只会影响其他节点的碰撞概率,以节点j为例,其他节点的能效增量:
当节点i的参数从k1变为k2时,节点j的不碰撞概率计算分为四种情况:
情况一,节点i采用k1和k2都不会对节点j产生碰撞干扰,此时节点i的不碰撞概率不会发生变化:
情况二,节点i采用旧参数k1会对节点j产生碰撞干扰,新参数k2不会对节点产生干扰:
Pnc(ik1,jk)是节点i采用参数k1,节点j采用参数k时,两节点的不碰撞概率:
情况三,旧参数k1和新参数k2都会对节点j造成干扰:
情况四,旧参数k1没有影响,新参数k2有影响:
所以当节点i的参数变动时,可计算网络平均能效增量为:
一种参数迭代式LoRa网络能效优化系统,包括:
路径损耗获取模块,用于根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;
迭代优化模块,用于根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;
参数发送模块,用于通过网关将目标参数发送给各节点。
本发明具有以下有益效果:
1、建立了一个完备的LoRa网络的能效模型,该模型结合了LoRa网络的传输成功率和能耗,综合考虑了与网络性能相关的三个问题——信道质量、碰撞干扰和能耗,能完备的计算出LoRa网络的能效;
2、本发明提供的LoRa网络能效优化方法从能效的角度出发,考虑网络整体性能,通过迭代的方式对每个节点的物理层参数进行优化,显著地提升LoRa网络能效性能,提高了LoRa网络的覆盖能力和网络容量。
附图说明
图1为本发明方法流程图;
图2为迭代优化流程图;
图3为本发明系统结构图;
图4为迭代过程中的能效变化示意图;
图5为不同节点数量和网络半径下的能效对比图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明提供一种参数迭代式LoRa网络能效优化方法,包括:
S1:根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;
S2:根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;
S3:通过网关将目标参数发送给各节点。
具体的,LoRa网络的能效由传输成功率和能耗共同决定。传输成功率主要受到两个方面的影响,即因为信道质量的丢包和因为碰撞干扰的丢包。节点的能耗由选择的各个物理层参数共同决定。考虑一个LoRa上行网络,包含Ntotal个节点,所有节点具有相同的消息速率S,在一个发送周期内遵循ALOHA协议随机发送数据;下面对LoRa网络的传输成功率和能耗进行建模;
(1)信道质量丢包模型:
LoRa网络的误码率(Bit Error Rate,BER)与信噪比(Signal to Noise Ratio,SNR)和SF有关,并将误码率用互补累计分布函数(Q函数)表示,高斯信道下的误码率公式为:
其中
式中Rs为符号速率;实际上,SNR由节点的路径损耗和TP、BW参数决定,所以误码率受四个物理层参数的共同影响;
LoRa网络采用汉明码调制,每四个比特一组进行编码,共有CR={4/5、4/6、4/7、4/8}四种码率可供选择。当CR=4/5、4/6时没有纠错能力,只能对错误进行检验。当CR=4/7、4/8时可以纠正一位错误。可以推导出一个符号出现无法纠正错误的概率为:
式中cr={1、2、3、4}分别对应四种码率。结合LoRa的误码率和编码纠错能力,对于一个负载为PLbyte的数据包,发生信道质量丢包的概率为:
Pcq=(1-Pcr)8·PL/4
(2)碰撞干扰丢包模型:
只有当干扰信号的强度足够大,信干比达到一定干扰阈值时,目标节点发送的数据才会在碰撞中丢失;干扰阈值与SF有关,相同SF信号之间的干扰阈值为1dB,对于来自不同SF信号的干扰,各SF的干扰阈值Rth如表1所示:
表1不同SF的干扰阈值
SF | 7 | 8 | 9 | 10 | 11 | 12 |
R<sub>th</sub>(dB) | -7.5 | -9 | -13.5 | -15 | -18 | -22.5 |
根据网络中各个节点的SNR信息,可以计算节点之间的信干比,从而确定每个节点的干扰节点集合,对于节点i,可能对其造成干扰的节点集合为:
Si_inter={Nj(j≠i)∈Ntotal|SNRi-SNRj<Rth},记干扰节点总数为Ni_inter
ALOHA协议下节点的不碰撞概率可以用泊松分布表示。碰撞概率由传输时间决定,传输时间ToA(TimeonAir,ToA)与节点选择的SF、BW、CR有关。对于两个节点,其传输时间分别为ToAi和ToAj,则两节点的不碰撞概率为:
Pnc(i,j)=exp(-(ToAi+ToAj)·S),
其中S为节点的消息速率,所有能对节点i产生干扰的节点集合Si_inter已经根据干扰阈值确定,两节点之间的不碰撞概率可以推广到节点i不与网络中其他节点发生碰撞丢包的概率:
参考图2,本实施例中,步骤S2具体为:
S21:每次迭代开始将AD_count的值初始化为0,节点的编号i初始化为1;
S22:获取节点i的所有参数,将参数的编号设为k,k的初始值为1,最大值为ni;
S23:若k≤ni则进入步骤S24,否则i的值加1并进入步骤S25;
S24:通过能效模型计算选取参数k时的节点i的能效和网络平均能效增量;
若网络平均能效增量大于0则将该参数更新为节点i的目标参数,AD_count的值加1,k的值加1,返回步骤S23;
否则节点i的目标参数不变,AD_count的值不变,k的值加1,返回步骤S23;
S25:若i≤预设最大值则返回步骤S22;否则进入步骤S26;
S26:若AD_count的值为0则表示迭代优化完成,结束迭代优化;否则返回步骤S21。
本实施例中,根据节点信道质量丢包概率和不碰撞丢包概率可以求得节点的传输成功率PSPi,再根据能耗模型,可以计算网络中各个节点的能效;对于一次负载为PL byte的传输,节点i的能效的计算公式为:
其中,i和j为节点编号,EFFi为节点i的能效,PSPi为节点i的传输成功率,PL为传输负载字节数,Wonce(i)为节点一次传输的能量总消耗;
Pnc(i)为节点i不发生碰撞丢包的概率,Ni_inter为可能使节点i发生碰撞丢包的干扰节点总数,ToA为节点传输的空中时间,S为节点的消息速率;
Pcq(i)=(1-Pcr)8·PL/4
Pcq(i)为节点i发生信道质量丢包的概率,Pcr为一个汉明码编码发生错误的概率;
本发明中将节点的工作周期分为十一个阶段,Wonce(i)为节点一次传输的能量总消耗,U为LoRa芯片的工作电压3.3V,n为节点的传输阶段的编号,Tn为节点传输阶段n的持续时间,In为节点在传输阶段n时的电流消耗;
表2为节点在各传输阶段的能耗参数;
表2能耗参数
本实施例中,所述LoRa网络的平均能效的计算公式为:
其中,i为节点的编号,Ntotal为节点的总数,EFFi为节点i的能效。
当节点i采用参数K时,记这个节点为ik;当节点i的参数从k1变为k2时,可以计算出节点i自身的能效增量:
其中,k1与k2为k的两个不相等的取值;
当节点i的参数发生变换时,只会影响其他节点的碰撞概率,以节点j为例,其他节点的能效增量:
当节点i的参数从k1变为k2时,节点j的不碰撞概率计算分为四种情况:
情况一,节点i采用k1和k2都不会对节点j产生碰撞干扰,此时节点i的不碰撞概率不会发生变化:
情况二,节点i采用旧参数k1会对节点j产生碰撞干扰,新参数k2不会对节点产生干扰:
Pnc(ik1,jk)是节点i采用参数k1,节点j采用参数k时,两节点的不碰撞概率:
情况三,旧参数k1和新参数k2都会对节点j造成干扰:
情况四,旧参数k1没有影响,新参数k2有影响:
所以当节点i的参数变动时,可计算网络平均能效增量为:
参考图3,本发明提供一种参数迭代式LoRa网络能效优化系统,包括:
路径损耗获取模块,用于根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;
迭代优化模块,用于根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;
参数发送模块,用于通过网关将目标参数发送给各节点。
实验过程:
为了验证方法性能,建立了一个LoRa网络模型以测试方法性能;系统整体假设为一个半径为R的圆形网络,网关位于圆心,N个节点按面积均匀分布在圆内;所有节点的消息速率S一致,在一个发射周期T=1/S内遵循ALOHA协议随机发送一次数据;在为节点进行参数分配时,选取对网络性能影响最为显著也最为常用的SF和TP的联合分配;
本方法完成最优分配需要经过一定轮次的迭代;图4展示了网络半径6000m,节点数量为800时,每轮迭代分配后对应的网络平均能效;可以看到随着分配计算的进行,能效逐渐增加最后趋于收敛;而每一轮进行的调整次数AD_count逐渐减少,直至第24轮AD_count为0优化完成;前几轮的变化尤为明显,第一轮调整次数为2265,系统能效由0.0103bit/mJ增至0.3727bit/mJ。第二轮调整次数为567,系统能效由0.3727bit/mJ增至0.4141bit/mJ;之后变化逐渐减缓,在第24轮分配计算之后网络能效达到最优0.4230bit/mJ;可见本文方法具有极快的收敛速度,经过两次迭代能效就达到了最优值的97.8%;迭代次数与节点数量有关,节点越多则需要经过更多次的迭代来达到最佳配置;
通过实验将本方法的性能与现有参数分配方案进行了比较,如图5所示;CA-ADR是最近提出的一种基于碰撞概率均衡化的分配方案;EIB是一种经典的同心环分配方案;实验结果表明,本方法在不同网络半径和节点数量下,都显著提升了LoRa网络能效。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种参数迭代式LoRa网络能效优化方法,其特征在于,包括:
S1:根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;
S2:根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;
S3:通过网关将目标参数发送给各节点。
2.根据权利要求1所述的参数迭代式LoRa网络能效优化方法,其特征在于,步骤S2具体为:
S21:每次迭代开始将AD_count的值初始化为0,节点的编号i初始化为1;
S22:获取节点i的所有参数,将参数的编号设为k,k的初始值为1,最大值为ni;
S23:若k≤ni则进入步骤S24,否则i的值加1并进入步骤S25;
S24:通过能效模型计算选取参数k时的节点i的能效和网络平均能效增量;
若网络平均能效增量大于0则将该参数更新为节点i的目标参数,AD_count的值加1,k的值加1,返回步骤S23;
否则节点i的目标参数不变,AD_count的值不变,k的值加1,返回步骤S23;
S25:若i≤预设最大值则返回步骤S22;否则进入步骤S26;
S26:若AD_count的值为0则表示迭代优化完成,结束迭代优化;否则返回步骤S21。
3.根据权利要求2所述的参数迭代式LoRa网络能效优化方法,其特征在于,节点i的能效的计算公式为:
其中,i和j为节点编号,EFFi为节点i的能效,PSPi为节点i的传输成功率,PL为传输负载字节数,Wonce(i)为节点一次传输的能量总消耗;
Pnc(i)为节点i不发生碰撞丢包的概率,Ni_inter为可能使节点i发生碰撞丢包的干扰节点总数,ToA为节点传输的空中时间,S为节点的消息速率;
Pcq(i)=(1-Pcr)8·PL/4
Pcq(i)为节点i发生信道质量丢包的概率,Pcr为一个汉明码编码发生错误的概率;
Wonce(i)为节点一次传输的能量总消耗,U为LoRa芯片的工作电压3.3V,n为节点的传输阶段的编号,Tn为节点传输阶段n的持续时间,In为节点在传输阶段n时的电流消耗。
当节点i采用参数K时,记这个节点为ik;当节点i的参数从k1变为k2时,可以计算出节点i自身的能效增量:
其中,k1与k2为k的两个不相等的取值;
当节点i的参数发生变换时,只会影响其他节点的碰撞概率,以节点j为例,其他节点的能效增量:
当节点i的参数从k1变为k2时,节点j的不碰撞概率计算分为四种情况:
情况一,节点i采用k1和k2都不会对节点j产生碰撞干扰,此时节点i的不碰撞概率不会发生变化:
情况二,节点i采用旧参数k1会对节点j产生碰撞干扰,新参数k2不会对节点产生干扰:
Pnc(ik1,jk)是节点i采用参数k1,节点j采用参数k时,两节点的不碰撞概率:
情况三,旧参数k1和新参数k2都会对节点j造成干扰:
情况四,旧参数k1没有影响,新参数k2有影响:
所以当节点i的参数变动时,可计算网络平均能效增量为:
6.一种参数迭代式LoRa网络能效优化系统,其特征在于,包括:
路径损耗获取模块,用于根据LoRa网络的各节点的信噪比计算获得各节点的路径损耗,将各节点按路径损耗从小到大排序;
迭代优化模块,用于根据排序依次对各节点的参数进行迭代优化,迭代优化的过程中不断调整各节点的参数,直至LoRa网络的平均能效收敛于最佳值,将此时各节点的参数作为目标参数;
参数发送模块,用于通过网关将目标参数发送给各节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210816469.7A CN115334541B (zh) | 2022-07-12 | 2022-07-12 | 一种参数迭代式LoRa网络能效优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210816469.7A CN115334541B (zh) | 2022-07-12 | 2022-07-12 | 一种参数迭代式LoRa网络能效优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115334541A true CN115334541A (zh) | 2022-11-11 |
CN115334541B CN115334541B (zh) | 2024-04-16 |
Family
ID=83916790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210816469.7A Active CN115334541B (zh) | 2022-07-12 | 2022-07-12 | 一种参数迭代式LoRa网络能效优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115334541B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115622887A (zh) * | 2022-12-16 | 2023-01-17 | 南方电网数字电网研究院有限公司 | 基于加权效用函数的LoRa网络参数分配方法及装置 |
CN116781213A (zh) * | 2023-08-17 | 2023-09-19 | 上海朗力半导体有限公司 | 基于索引调制传输的编码调制参数确定方法及服务设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104540203A (zh) * | 2015-01-04 | 2015-04-22 | 重庆邮电大学 | 基于独立集的无线体域网能效优化方法 |
CN107426773A (zh) * | 2017-08-09 | 2017-12-01 | 山东师范大学 | 无线异构网络中面向能效的分布式资源分配方法和装置 |
CN107770791A (zh) * | 2017-11-03 | 2018-03-06 | 华中科技大学 | 一种基于能量捕获的能效公平性优化方法 |
WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
CN113038541A (zh) * | 2021-03-04 | 2021-06-25 | 重庆邮电大学 | 一种基于冲突感知的LoRaWAN网络速率自适应调整方法 |
-
2022
- 2022-07-12 CN CN202210816469.7A patent/CN115334541B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104540203A (zh) * | 2015-01-04 | 2015-04-22 | 重庆邮电大学 | 基于独立集的无线体域网能效优化方法 |
CN107426773A (zh) * | 2017-08-09 | 2017-12-01 | 山东师范大学 | 无线异构网络中面向能效的分布式资源分配方法和装置 |
CN107770791A (zh) * | 2017-11-03 | 2018-03-06 | 华中科技大学 | 一种基于能量捕获的能效公平性优化方法 |
WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
CN113038541A (zh) * | 2021-03-04 | 2021-06-25 | 重庆邮电大学 | 一种基于冲突感知的LoRaWAN网络速率自适应调整方法 |
Non-Patent Citations (5)
Title |
---|
IMANE CHEIKH: "Multi-Layered Energy Efficiency in LoRa-WAN Networks: A Tutorial", 《IEEE ACCESS》, 4 January 2022 (2022-01-04) * |
LAM-THANH TU: "Energy Efficiency Analysis of LoRa Networks", 《IEEE WIRELESS COMMUNICATIONS LETTERS》, 31 May 2021 (2021-05-31) * |
刘子杨: "高斯信道下针对LoRa调制的信噪比估计改进算法", 《电子测量技术》, 8 January 2021 (2021-01-08) * |
徐浪;陈小莉;田茂;谢桂辉;: "基于Turbo码和ODPD判决法的LoRa改进方法", 电子测量技术, no. 07, 8 April 2020 (2020-04-08) * |
蔡青松;林佳;: "提升LoRa网络性能的终端参数动态选择方法研究", 计算机工程与应用, no. 03, 31 March 2020 (2020-03-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115622887A (zh) * | 2022-12-16 | 2023-01-17 | 南方电网数字电网研究院有限公司 | 基于加权效用函数的LoRa网络参数分配方法及装置 |
CN116781213A (zh) * | 2023-08-17 | 2023-09-19 | 上海朗力半导体有限公司 | 基于索引调制传输的编码调制参数确定方法及服务设备 |
CN116781213B (zh) * | 2023-08-17 | 2023-11-07 | 上海朗力半导体有限公司 | 基于索引调制传输的编码调制参数确定方法及服务设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115334541B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115334541B (zh) | 一种参数迭代式LoRa网络能效优化方法及系统 | |
US7532868B1 (en) | Approach for determining signal to noise ratios based on equalizer outputs and managing power for communications channels based on performance | |
JP4841525B2 (ja) | 冗長な、向上したアップリンク割当て要求を最小化するための方法及び装置 | |
CA2516441C (en) | Pilot signals for use in multi-sector cells | |
CN100490335C (zh) | 可操作在第一无线通信系统中的通信站的改善设备和方法 | |
CN101136821A (zh) | 通信控制装置及通信控制方法 | |
KR20020008219A (ko) | 역방향 링크 신호 대 잡음 비에 기초하여 cdma 로드및 주파수 재사용을 모니터링하는 방법 | |
CN101714883A (zh) | 无线局域网内站点/接入点数据信号收发方法及系统 | |
Elshabrawy et al. | Enhancing LoRa capacity using non-binary single parity check codes | |
CN109905165B (zh) | 基于q学习算法的卫星物联网异步随机接入方法 | |
Gao et al. | AdapLoRa: Resource adaptation for maximizing network lifetime in LoRa networks | |
CN115334542A (zh) | SF和CR联合分配的LoRaWAN网络速率自适应方法及系统 | |
CN109379705B (zh) | 一种基于位置信息的功率分配方法 | |
Bi et al. | The performance of DS-CDMA for wireless local loop | |
Aldahdouh et al. | Optimizing the energy consumption level in lorawan networks | |
Meghana et al. | Performance analysis of virtual MIMO in wireless sensor networks | |
Gomes et al. | Evaluation of link quality estimators for industrial wireless sensor networks | |
Li et al. | Cooperative spectrum sensing with realistic reporting channel | |
CN116867075B (zh) | 一种蜂窝和d2d用户聚类网络中的信道分配方法 | |
Zhou et al. | NOMA/CA: NOMA-based random access with pattern detection and collision avoidance | |
CN112636795B (zh) | 一种基于最小速率保证的多小区大规模mimo中高谱效功率分配方法 | |
Park et al. | Simple Link-layer Diversity Combining using Majority Voting in Dense WLANs | |
WO2004114706A1 (en) | Transmission channel selection based on historic quality data in a wlan | |
CN116054995A (zh) | 基于最优用户干扰的多用户混合rf/fso系统及安全传输方法 | |
Steven et al. | A protocol for adaptive multicast transmission in packet radio networks |
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 |