CN115442315B - 一种基于深度学习的多源异构网络接入方法 - Google Patents
一种基于深度学习的多源异构网络接入方法 Download PDFInfo
- Publication number
- CN115442315B CN115442315B CN202210888715.XA CN202210888715A CN115442315B CN 115442315 B CN115442315 B CN 115442315B CN 202210888715 A CN202210888715 A CN 202210888715A CN 115442315 B CN115442315 B CN 115442315B
- Authority
- CN
- China
- Prior art keywords
- access
- equipment
- network
- requirement
- communication
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 114
- 230000005540 biological transmission Effects 0.000 claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 54
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0866—Checking the configuration
- H04L41/0873—Checking configuration conflicts between network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/78—Architectures of resource allocation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于深度学习的多源异构网络接入方法，包括：获取智能制造系统中多源异构设备的网络接入需求，并基于网络接入需求，向多源异构设备中的每个第一设备匹配接入信息；基于接入信息，确定每个第一设备的通讯时间点；基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，并基于马尔科夫链对第一设备进行冲突控制；获取每个第一设备的接入指标，并基于卷积神经网络对接入指标进行分析，并按照分析结果，向第一设备匹配资源传输因子；基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入。可以避免竞争冲突，进而有效保证多源异构设备接入网络的高效性，间接也保证了资源利用效率的高效性。
Description
技术领域
本发明涉及神经网络技术领域，特别涉及一种基于深度学习的多源异构网络接入方法。
背景技术
多源异构简单而言就是指一个整体由多个不同来源的成分而构成。
在智能制造系统中存在多条智能化制造线路，且每条智能化制造线路匹配的智能化设备是不一样的，因此，在制造过程中，不同的设备需要按照指定的通讯时间去完成自身的功能操作，但是会出现通讯时间相同等的情况，导致存在通讯竞争冲突，进而导致入网方式不灵活以及资源利用效率低下的问题。
因此，本发明提出一种基于深度学习的多源异构网络接入方法。
发明内容
本发明提供一种基于深度学习的多源异构网络接入方法，用以通过对多源异构设备进行马尔科夫链的冲突控制以及按照卷积神经网络对接入指标进行分析，可以避免竞争冲突，进而有效保证多源异构设备接入网络的高效性，间接也保证了资源利用效率的高效性。
本发明提供一种基于深度学习的多源异构网络接入方法，包括：
步骤1：获取智能制造系统中多源异构设备的网络接入需求，并基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息；
步骤2：基于所述接入信息，确定每个第一设备的通讯时间点；
步骤3：基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，并基于马尔科夫链对所述第一设备进行冲突控制；
步骤4：获取每个第一设备的接入指标，并基于卷积神经网络对所述接入指标进行分析，并按照分析结果，向所述第一设备匹配资源传输因子；
步骤5：基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入。
优选的，获取智能制造系统中多源异构设备的网络接入需求之前，还包括：
确定所述智能制造系统中的智能化生产线；
向所述智能化生产线匹配生产设备，并根据所述生产设备获取得到初始异构设备；
获取所述初始异构设备中每个生产设备的历史网络连接情况，并将历史网络连接情况为空的设备剔除，得到多源异构设备。
优选的，获取智能制造系统中多源异构设备的网络接入需求，包括：
从历史数据库中，调取所述多源异构设备中每个第一设备的历史网络日志；
对所述历史网络日志进行预分析，确定对应第一设备的网络连接参数，并构建对应的网络曲线，同时，获取所述第一设备的历史工作日志，构建对应的工作曲线；
基于所述网络曲线与工作曲线进行时间对比分析以及所述网络曲线的谷点走向以及峰点走向，向对应第一设备配置网络连接因子；
获取所述智能制造系统的制造需求，并基于需求-网络数据库，匹配得到所述制造需求的网络需求，并按照每个第一设备的设备网络请求，向每个第一设备配置网络需求因子；
基于每个第一设备的网络需求因子-网络连接因子，构建得到所述多源异构设备的网络接入需求。
优选的，基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息，包括：
根据所述第一设备的设备属性，对所述网络接入需求进行拆分，得到对应的子接入需求；
按照所述第一设备的设备权重大小，筛选设备权重最大的第一设备的子接入需求作为待测试接入需求，并从剩余未筛选的第一设备中随机筛选与预设权重范围匹配的一组测试设备；
获取一组测试设备中每个测试设备的子接入需求，并构建得到测试需求向量；
基于所述测试需求向量对所述待测试接入需求进行预测试，判断所述待测试接入需求是否完全独立；
其中，n1表示测试需求向量的元素总个数；A(xi,yi)表示第i个测试需求元素yi对待测试接入需求xi中对应的接入需求元素的影响函数，且取值范围为[0,0.2]；∝i表示对待测试接入需求xi的允许影响权重；max|xi-yi|表示获取所有|xi-yi|中的最大值；Y表示预测试结果；ln表示对数函数符号；
当预测试结果小于预设阈值时，确定所述待测试接入需求完全独立，并基于需求转换规则，对每个第一设备的子接入需求进行需求转换，得到对应的接入信息；
否则，获取与所述预设权重范围匹配的剩余组测试设备，并分别获取每组剩余测试设备对应的测试需求向量与所述待测试接入需求的依赖关系；
获取每组测试设备的组合权重以及以依赖关系，并提取依赖值小于预设值，且组合权重大于平均权重的第一测试设备；
对所有第一测试设备进行网络需求分析以及同设备数量，获取得到可参考设备的可参考需求；
基于所述可参考需求，对所述待测试需求进行优化，并基于需求转换规则，对优化后的需求进行需求转换，同时，还对剩余第一设备的子接入需求进行需求转换，得到对应的接入信息。
优选的，基于所述接入信息，确定每个第一设备的通讯时间点，包括：
按照时间提取规则，从所述接入信息中提取时间特征；
基于所述时间特征，获取得到所述第一设备的通讯时间点。
优选的，基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，包括：
基于通讯时间点，构建每个第一设备的通讯阵列；
基于所述通讯标识，对所述通讯阵列进行唯一标识设置，得到对应第一设备的通讯行；
获取每个第一设备的通讯时间点的初始通讯时间，并按照所述初始通讯时间的先后顺序，对所述通讯行进行前后调整，得到通讯列表。
优选的，基于马尔科夫链对所述第一设备进行冲突控制，包括：
基于所述通讯列表，构建每个第一设备的通讯时间戳，并按照相同通讯时间的相同次数进行第一标定；
获取所述通讯列表中每个通讯行的通讯序列，并结合对应的第一标定结果，得到对应的标定序列；
基于所述标定序列，构建标定接入向量；
获取所述网络接入需求的标准接入向量，并作为马尔科夫链的初始冲突条件，并将所述标定接入向量输入到对应的马尔科夫链预测模型中，预测得到合格接入向量；
基于所述合格接入向量，对所述通讯列表进行调整，并按照调整后的列表实现对第一设备的冲突控制。
优选的，获取每个第一设备的接入指标，并基于卷积神经网络对所述接入指标进行分析，并按照分析结果，向所述第一设备匹配资源传输因子，包括：
基于卷积神经网络对所述接入指标进行分析，获取所述第一设备的传输能力S2、传输数据量N2、传输质量Z2、接入能力S1、接收数据量N1以及接入质量Z1；
获取所述第一设备的资源传输能力；
A1＝R(S2,N2,Z2)
其中，A1表示资源传输能力；R(S2,N2,Z2)表示基于传输能力S2、传输数据量N2、传输质量Z2的传输能力函数；
获取所述第一设备的资源接收能力；
A2＝R(S1,N1,Z1)
其中，A2表示资源接收能力；R(S1,N1,Z1)表示基于接入能力S1、接收数据量N1、接入质量Z1的接收能力函数；
基于所述资源传输能力与资源接收能力，确定能力匹配对，并按照所述能力匹配对，从资源能力数据库中，调取所述第一设备的资源系数；
基于所述资源系数，得到所述第一设备的资源传输因子。
优选的，基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入，包括：
根据所述冲突控制结果，获取所述通讯列表中每个通讯行的调整序列，并获取同个通讯行对应的第一设备的资源传输因子；
基于所述调整序列以及资源传输因子，确定所述第一设备的网络接入方式；
按照所述网络接入方式，实现对多源异构设备的网络接入。
优选的，将所述标定接入向量输入到对应的马尔科夫链预测模型中，预测得到合格接入向量，包括：
获取所述标定接入向量中每个标定接入元素在马尔可夫链预测模型中的状态转移以及转移概率；
基于所述状态转移以及转移概率，对所述标定接入向量进行调整，得到合格接入向量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于深度学习的多源异构网络接入方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种基于深度学习的多源异构网络接入方法，如图1所示，包括：
步骤1：获取智能制造系统中多源异构设备的网络接入需求，并基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息；
步骤2：基于所述接入信息，确定每个第一设备的通讯时间点；
步骤3：基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，并基于马尔科夫链对所述第一设备进行冲突控制；
步骤4：获取每个第一设备的接入指标，并基于卷积神经网络对所述接入指标进行分析，并按照分析结果，向所述第一设备匹配资源传输因子；
步骤5：基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入。
该实施例中，智能制造系统可以是MES系统，且针对基于神经网络的多源异构网络接入方式应用于MES系统。
该实施例中，网络接入需求指的是针对该设备的网络接入情况，比如接入时间、接入网络的速率等有关系，且多源异构设备中包含若干个第一设备。
该实施例中，接入信息与数据传输时间有关。
该实施例中，通讯列表中包含多个通信行，且与第一设备的数量一致，且冲突控制，主要是因为出现的相同通讯时间，导致出现的冲突。
该实施例中，接入指标比如：传输能力、传输数量量、接入质量等指标相关，且接入指标是针对第一设备的实际指标的一个表示。
该实施例中，资源传输因子指的对资源传输容量确定的一个因子，保证资源传输的有效性。
该实施例中，网络接入是基于冲突控制结果以及资源传输因子综合确定的。
上述技术方案的有益效果是：通过对多源异构设备进行马尔科夫链的冲突控制以及按照卷积神经网络对接入指标进行分析，可以避免竞争冲突，进而有效保证多源异构设备接入网络的高效性，间接也保证了资源利用效率的高效性。
本发明提供一种基于深度学习的多源异构网络接入方法，获取智能制造系统中多源异构设备的网络接入需求之前，还包括：
确定所述智能制造系统中的智能化生产线；
向所述智能化生产线匹配生产设备，并根据所述生产设备获取得到初始异构设备；
获取所述初始异构设备中每个生产设备的历史网络连接情况，并将历史网络连接情况为空的设备剔除，得到多源异构设备。
上述技术方案的有益效果是：通过对历史网络连接情况的判断，来剔除设备，保证后续智能化判断的高效性。
本发明提供一种基于深度学习的多源异构网络接入方法，获取智能制造系统中多源异构设备的网络接入需求，包括：
从历史数据库中，调取所述多源异构设备中每个第一设备的历史网络日志；
对所述历史网络日志进行预分析，确定对应第一设备的网络连接参数，并构建对应的网络曲线，同时，获取所述第一设备的历史工作日志，构建对应的工作曲线；
基于所述网络曲线与工作曲线进行时间对比分析以及所述网络曲线的谷点走向以及峰点走向，向对应第一设备配置网络连接因子；
获取所述智能制造系统的制造需求，并基于需求-网络数据库，匹配得到所述制造需求的网络需求，并按照每个第一设备的设备网络请求，向每个第一设备配置网络需求因子；
基于每个第一设备的网络需求因子-网络连接因子，构建得到所述多源异构设备的网络接入需求。
该实施例中，预分析，主要是为了获取不同历史时刻，该设备的网络连接参数，比如通信质量的好坏、效率、数据传输情况等，来以对应的网络曲线表示出来。
该实施例中，工作曲线主要是为了作为一个时间参考，来确定设备的处于工作状态时，对网络通讯时间的了解。
该实施例中，网络连接因子时基于谷-峰-时间数据库调取到与谷点走向以及峰点走向以及时间对比结果匹配的因子。
该实施例中，制造需求是预先设定的，且需求-网络数据库是包含制造需求以及与制造需求匹配的网络需求在内的，因此，可以匹配到网络需求。
该实施例中，网络需求因子是基于设备网络请求与网络需求匹配拆分得到的，进而可以得到每个设备的需求因子以及连接因子，进而到网络接入需求。
上述技术方案的有益效果是：通过获取网络曲线以及工作曲线，可以进行时间对比、谷点走向以及峰点走向，得到网络连接因子，且通过制造需求以及设备网络请求，得到网络需求因子，进而得到网络接入需求，保证获取的可靠性，为后续高效接入网络提供基础。
本发明提供一种基于深度学习的多源异构网络接入方法，基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息，包括：
根据所述第一设备的设备属性，对所述网络接入需求进行拆分，得到对应的子接入需求；
按照所述第一设备的设备权重大小，筛选设备权重最大的第一设备的子接入需求作为待测试接入需求，并从剩余未筛选的第一设备中随机筛选与预设权重范围匹配的一组测试设备；
获取一组测试设备中每个测试设备的子接入需求，并构建得到测试需求向量；
基于所述测试需求向量对所述待测试接入需求进行预测试，判断所述待测试接入需求是否完全独立；
其中，n1表示测试需求向量的元素总个数；A(xi,yi)表示第i个测试需求元素yi对待测试接入需求xi中对应的接入需求元素的影响函数，且取值范围为[0,0.2]；∝i表示对待测试接入需求xi的允许影响权重；max|xi-yi|表示获取所有|xi-yi|中的最大值；Y表示预测试结果；ln表示对数函数符号；
当预测试结果小于预设阈值时，确定所述待测试接入需求完全独立，并基于需求转换规则，对每个第一设备的子接入需求进行需求转换，得到对应的接入信息；
否则，获取与所述预设权重范围匹配的剩余组测试设备，并分别获取每组剩余测试设备对应的测试需求向量与所述待测试接入需求的依赖关系；
获取每组测试设备的组合权重以及以依赖关系，并提取依赖值小于预设值，且组合权重大于平均权重的第一测试设备；
对所有第一测试设备进行网络需求分析以及同设备数量，获取得到可参考设备的可参考需求；
基于所述可参考需求，对所述待测试需求进行优化，并基于需求转换规则，对优化后的需求进行需求转换，同时，还对剩余第一设备的子接入需求进行需求转换，得到对应的接入信息。
该实施例中，平均权重指的预设权重范围的边界值的平均。
该实施例中，比如：第一设备有4个，且第一设备的权重分别为0.2，0.4，0.3，0.1，此时，对应的待测试接入需求是权重为0.4所对应的第一设备的需求。
该实施例中，预设阈值一般取值为0.2。
该实施例中，需求转换规则是预先设置好的，就是为了将需求与信息进行转换。
该实施例中，剩余组测试设备，比如，预设权重范围为0.2-0.4，此时，比如：权重0.2与权重0.1对应的测试设备就可以作为一组，来对待测试接入需求进行测试。
该实施例中，依赖关系指的是测试需求向量与待测试接入需求之间的影响关系，影响越大，对应的越不独立。
该实施例中，同设备数量越大且对网路需求分析的参考价值越大。
上述技术方案的有益效果是：通过根据设备属性(通讯类型)进行需求拆分，进而根据设备权重大小，来确定待测试接入需求，且通过随机筛选一组测试设备对待测试接入需求进行预测试，来确定是否完全独立，可以有效保证最大权重对应需求的可靠性，进而当不完全独立时，通过获取剩余组测试设备的测试需求向量以及依赖关系，来获取可参考需求，实现对待测试需求的优化，保证需求的可靠性，为后续高效网络接入提供基础。
本发明提供一种基于深度学习的多源异构网络接入方法，基于所述接入信息，确定每个第一设备的通讯时间点，包括：
按照时间提取规则，从所述接入信息中提取时间特征；
基于所述时间特征，获取得到所述第一设备的通讯时间点。
上述技术方案的有益效果是：通过提取时间特征，便于获取通讯时间点，为后续构建通讯列表以及冲突控制提供基础。
本发明提供一种基于深度学习的多源异构网络接入方法，基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，包括：
基于通讯时间点，构建每个第一设备的通讯阵列；
基于所述通讯标识，对所述通讯阵列进行唯一标识设置，得到对应第一设备的通讯行；
获取每个第一设备的通讯时间点的初始通讯时间，并按照所述初始通讯时间的先后顺序，对所述通讯行进行前后调整，得到通讯列表。
上述技术方案的有益效果是：通过确定通讯时间点构建通讯阵列，并通过设置唯一标识，便于得到针对设备的通讯行，提高分析效率。
本发明提供一种基于深度学习的多源异构网络接入方法，基于马尔科夫链对所述第一设备进行冲突控制，包括：
基于所述通讯列表，构建每个第一设备的通讯时间戳，并按照相同通讯时间的相同次数进行第一标定；
获取所述通讯列表中每个通讯行的通讯序列，并结合对应的第一标定结果，得到对应的标定序列；
基于所述标定序列，构建标定接入向量；
获取所述网络接入需求的标准接入向量，并作为马尔科夫链的初始冲突条件，并将所述标定接入向量输入到对应的马尔科夫链预测模型中，预测得到合格接入向量；
基于所述合格接入向量，对所述通讯列表进行调整，并按照调整后的列表实现对第一设备的冲突控制。
该实施例中，标准接入向量与标定接入向量是同类型向量。
上述技术方案的有益效果是：通过对同个通讯行的标定结果的分析，来获取标定序列，便于对该通讯行的冲突时间进行向量的有效构建，且通过马尔可夫预测模型预测合格向量，便于对标定序列进行调整，进而实现对通讯列表的调整，避免通讯冲突，保证网络接入的高效性。
本发明提供一种基于深度学习的多源异构网络接入方法，获取每个第一设备的接入指标，并基于卷积神经网络对所述接入指标进行分析，并按照分析结果，向所述第一设备匹配资源传输因子，包括：
基于卷积神经网络对所述接入指标进行分析，获取所述第一设备的传输能力S2、传输数据量N2、传输质量Z2、接入能力S1、接收数据量N1以及接入质量Z1；
获取所述第一设备的资源传输能力；
A1＝R(S2,N2,Z2)
其中，A1表示资源传输能力；R(S2,N2,Z2)表示基于传输能力S2、传输数据量N2、传输质量Z2的传输能力函数；
获取所述第一设备的资源接收能力；
A2＝R(S1,N1,Z1)
其中，A2表示资源接收能力；R(S1,N1,Z1)表示基于接入能力S1、接收数据量N1、接入质量Z1的接收能力函数；
基于所述资源传输能力与资源接收能力，确定能力匹配对，并按照所述能力匹配对，从资源能力数据库中，调取所述第一设备的资源系数；
基于所述资源系数，得到所述第一设备的资源传输因子。
该实施例中，资源能力数据库包括不同能力匹配对以及对应的资源传输因子在内，主要是为了对资源大小的一个传输判定。
该实施例中，网络接收能力越强、接收数量量越大、接收质量越高，对应的资源接收能力越强。
上述技术方案的有益效果是：通过计算第一设备的资源传输能力以及资源接收能力，便于得到资源系数，进而得到资源传输因子，为后续进行网络接入提供有效基础，间接保证入网的高效性。
本发明提供一种基于深度学习的多源异构网络接入方法，基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入，包括：
根据所述冲突控制结果，获取所述通讯列表中每个通讯行的调整序列，并获取同个通讯行对应的第一设备的资源传输因子；
基于所述调整序列以及资源传输因子，确定所述第一设备的网络接入方式；
按照所述网络接入方式，实现对多源异构设备的网络接入。
该实施例中，网络接入方式的获取可以是根据序列-因子-方式数据库中来获取到的，且数据库中包含不同的调整序列、资源传输因子以及接入方式的组合，因此，可以按照调整序列与资源传输因子，直接从数据库中调取到对应的网络接入方式。
上述技术方案的有益效果是：通过对通讯航的标定序列进行调整，得到调整序列，且通过与资源传输因子的结合，来得到第一设备的入网方式，保证入网的高效性。
本发明提供一种基于深度学习的多源异构网络接入方法，将所述标定接入向量输入到对应的马尔科夫链预测模型中，预测得到合格接入向量，包括：
获取所述标定接入向量中每个标定接入元素在马尔可夫链预测模型中的状态转移以及转移概率；
基于所述状态转移以及转移概率，对所述标定接入向量进行调整，得到合格接入向量。
该实施例中，对接入向量的调整一般是对某些通信元素的调整，避免通讯冲突。
上述技术方案的有益效果是：通过确定状态转移以及转移概率，对标定接入向量进行调整，便于避免通讯冲突，为高效入网提供基础。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于深度学习的多源异构网络接入方法，其特征在于，包括：
步骤1：获取智能制造系统中多源异构设备的网络接入需求，并基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息；
步骤2：基于所述接入信息，确定每个第一设备的通讯时间点；
步骤3：基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，并基于马尔科夫链对所述第一设备进行冲突控制；
步骤4：获取每个第一设备的接入指标，并基于卷积神经网络对所述接入指标进行分析，并按照分析结果，向所述第一设备匹配资源传输因子；
步骤5：基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入；
其中，步骤4，包括：
基于卷积神经网络对所述接入指标进行分析，获取所述第一设备的传输能力、传输数据量/>、传输质量/>、接入能力/>1、接收数据量/>1以及接入质量/>1；
获取所述第一设备的资源传输能力；
其中，表示资源传输能力；/>表示基于传输能力/>、传输数据量/>、传输质量/>的传输能力函数；
获取所述第一设备的资源接收能力；
其中，2表示资源接收能力；/>表示基于接入能力/>1、接收数据量/>1、接入质量/>1的接收能力函数；
基于所述资源传输能力与资源接收能力，确定能力匹配对，并按照所述能力匹配对，从资源能力数据库中，调取所述第一设备的资源系数；
基于所述资源系数，得到所述第一设备的资源传输因子。
2.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，获取智能制造系统中多源异构设备的网络接入需求之前，还包括：
确定所述智能制造系统中的智能化生产线；
向所述智能化生产线匹配生产设备，并根据所述生产设备获取得到初始异构设备；
获取所述初始异构设备中每个生产设备的历史网络连接情况，并将历史网络连接情况为空的设备剔除，得到多源异构设备。
3.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，获取智能制造系统中多源异构设备的网络接入需求，包括：
从历史数据库中，调取所述多源异构设备中每个第一设备的历史网络日志；
对所述历史网络日志进行预分析，确定对应第一设备的网络连接参数，并构建对应的网络曲线，同时，获取所述第一设备的历史工作日志，构建对应的工作曲线；
基于所述网络曲线与工作曲线进行时间对比分析以及所述网络曲线的谷点走向以及峰点走向，向对应第一设备配置网络连接因子；
获取所述智能制造系统的制造需求，并基于需求-网络数据库，匹配得到所述制造需求的网络需求，并按照每个第一设备的设备网络请求，向每个第一设备配置网络需求因子；
基于每个第一设备的网络需求因子-网络连接因子，构建得到所述多源异构设备的网络接入需求。
4.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，基于所述网络接入需求，向所述多源异构设备中的每个第一设备匹配接入信息，包括：
根据所述第一设备的设备属性，对所述网络接入需求进行拆分，得到对应的子接入需求；
按照所述第一设备的设备权重大小，筛选设备权重最大的第一设备的子接入需求作为待测试接入需求，并从剩余未筛选的第一设备中随机筛选与预设权重范围匹配的一组测试设备；
获取一组测试设备中每个测试设备的子接入需求，并构建得到测试需求向量；
基于所述测试需求向量对所述待测试接入需求进行预测试，判断所述待测试接入需求是否完全独立；
其中，表示测试需求向量的元素总个数；/>表示第i个测试需求元素/>对待测试接入需求/>中对应的接入需求元素的影响函数，且取值范围为[0,0.2]；/>表示对待测试接入需求/>的允许影响权重；/>表示获取所有/>中的最大值；Y表示预测试结果；ln表示对数函数符号；
当预测试结果小于预设阈值时，确定所述待测试接入需求完全独立，并基于需求转换规则，对每个第一设备的子接入需求进行需求转换，得到对应的接入信息；
否则，获取与所述预设权重范围匹配的剩余组测试设备，并分别获取每组剩余测试设备对应的测试需求向量与所述待测试接入需求的依赖关系；
获取每组测试设备的组合权重以及依赖关系，并提取依赖值小于预设值，且组合权重大于平均权重的第一测试设备；
根据同设备数量对所有第一测试设备进行网络需求分析，获取得到可参考设备的可参考需求；
基于所述可参考需求，对所述待测试需求进行优化，并基于需求转换规则，对优化后的需求进行需求转换，同时，还对剩余第一设备的子接入需求进行需求转换，得到对应的接入信息。
5.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，基于所述接入信息，确定每个第一设备的通讯时间点，包括：
按照时间提取规则，从所述接入信息中提取时间特征；
基于所述时间特征，获取得到所述第一设备的通讯时间点。
6.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，基于通讯时间点以及每个第一设备的通讯标识，构建通讯列表，包括：
基于通讯时间点，构建每个第一设备的通讯阵列；
基于所述通讯标识，对所述通讯阵列进行唯一标识设置，得到对应第一设备的通讯行；
获取每个第一设备的通讯时间点的初始通讯时间，并按照所述初始通讯时间的先后顺序，对所述通讯行进行前后调整，得到通讯列表。
7.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，基于马尔科夫链对所述第一设备进行冲突控制，包括：
基于所述通讯列表，构建每个第一设备的通讯时间戳，并按照相同通讯时间的相同次数进行第一标定；
获取所述通讯列表中每个通讯行的通讯序列，并结合对应的第一标定结果，得到对应的标定序列；
基于所述标定序列，构建标定接入向量；
获取所述网络接入需求的标准接入向量，并作为马尔科夫链的初始冲突条件，并将所述标定接入向量输入到对应的马尔科夫链预测模型中，预测得到合格接入向量；
基于所述合格接入向量，对所述通讯列表进行调整，并按照调整后的列表实现对第一设备的冲突控制。
8.如权利要求1所述的基于深度学习的多源异构网络接入方法，其特征在于，基于冲突控制结果以及资源传输因子，实现对多源异构设备的网络接入，包括：
根据所述冲突控制结果，获取所述通讯列表中每个通讯行的调整序列，并获取同个通讯行对应的第一设备的资源传输因子；
基于所述调整序列以及资源传输因子，确定所述第一设备的网络接入方式；
按照所述网络接入方式，实现对多源异构设备的网络接入。
9.如权利要求7所述的基于深度学习的多源异构网络接入方法，其特征在于，将所述标定接入向量输入到对应的马尔科夫链预测模型中，预测得到合格接入向量，包括：
获取所述标定接入向量中每个标定接入元素在马尔可夫链预测模型中的状态转移以及转移概率；
基于所述状态转移以及转移概率，对所述标定接入向量进行调整，得到合格接入向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210888715.XA CN115442315B (zh) | 2022-07-25 | 2022-07-25 | 一种基于深度学习的多源异构网络接入方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210888715.XA CN115442315B (zh) | 2022-07-25 | 2022-07-25 | 一种基于深度学习的多源异构网络接入方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115442315A CN115442315A (zh) | 2022-12-06 |
| CN115442315B true CN115442315B (zh) | 2023-10-24 |
Family
ID=84240986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210888715.XA Active CN115442315B (zh) | 2022-07-25 | 2022-07-25 | 一种基于深度学习的多源异构网络接入方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115442315B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101754234A (zh) * | 2009-12-16 | 2010-06-23 | 南京邮电大学 | 基于马尔科夫链和载波侦听多路访问的机会频谱接入方法 |
| 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 |
| CN108901058A (zh) * | 2018-07-06 | 2018-11-27 | 北方工业大学 | 一种物联网节点接入通道优化选择方法 |
| CN110809306A (zh) * | 2019-11-04 | 2020-02-18 | 电子科技大学 | 一种基于深度强化学习的终端接入选择方法 |
| CN114637262A (zh) * | 2022-03-10 | 2022-06-17 | 广东泰云泽科技有限公司 | 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2381142T3 (es) * | 2007-08-09 | 2012-05-23 | Markport Limited | Gestión de recursos de red |
| JP6895440B2 (ja) * | 2015-12-31 | 2021-06-30 | ヴィート エヌブイ | ニューラルネットワークアーキテクチャを用いた分配システムの制御のための方法、制御装置およびシステム |
-
2022
- 2022-07-25 CN CN202210888715.XA patent/CN115442315B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101754234A (zh) * | 2009-12-16 | 2010-06-23 | 南京邮电大学 | 基于马尔科夫链和载波侦听多路访问的机会频谱接入方法 |
| 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 |
| CN108901058A (zh) * | 2018-07-06 | 2018-11-27 | 北方工业大学 | 一种物联网节点接入通道优化选择方法 |
| CN110809306A (zh) * | 2019-11-04 | 2020-02-18 | 电子科技大学 | 一种基于深度强化学习的终端接入选择方法 |
| CN114637262A (zh) * | 2022-03-10 | 2022-06-17 | 广东泰云泽科技有限公司 | 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115442315A (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222776B (zh) | 基于卷积神经网络的卫星网络协调态势评估方法及系统 | |
| CN111026548B (zh) | 一种逆向深度强化学习的电力通信设备测试资源调度方法 | |
| CN110933638B (zh) | 一种应用于车辆跟驰队列的异构网络接入选择策略方法 | |
| CN112398700B (zh) | 一种服务降级方法及装置、存储介质、计算机设备 | |
| CN115941831B (zh) | 一种智能手机通信射频测试系统及测试方法 | |
| CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| CN113037410A (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
| CN116233026B (zh) | 一种用于数据中心的智能管理方法及系统 | |
| CN115310650A (zh) | 一种低复杂度高精度的时序多步预测方法及系统 | |
| CN115442315B (zh) | 一种基于深度学习的多源异构网络接入方法 | |
| CN116916464B (zh) | 基于ZigBee的室内环境数据优化监测采集方法 | |
| CN112906883A (zh) | 用于深度神经网络的混合精度量化策略确定方法和系统 | |
| CN116578924A (zh) | 一种用于机器学习分类的网络任务优化方法及系统 | |
| CN110321930B (zh) | 一种基于循环神经网络的非法广播信号分类方法 | |
| CN111010695A (zh) | 基于信道空闲时长预测的信道分配方法 | |
| CN115291198B (zh) | 一种雷达信号发射及信号处理方法 | |
| CN113132482B (zh) | 一种基于强化学习的分布式消息系统参数自适应优化方法 | |
| CN115361272A (zh) | 一种基带芯片的通信故障检测方法、系统和电子设备 | |
| CN114139621A (zh) | 确定模型分类性能标识的方法、装置、设备及存储介质 | |
| CN114205247A (zh) | 配电物联网的接入方法、装置、计算机设备及存储介质 | |
| KR20220026258A (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
| CN112637960B (zh) | 一种基于gnss的网络节点的功率控制方法 | |
| CN114286360B (zh) | 无线网络通信优化方法、装置、电子设备及存储介质 | |
| CN117319291B (zh) | 一种低延时网络音频传输方法及系统 | |
| CN118101583B (zh) | 一种用于光猫的多链路自适应队列优化方法及系统 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 101, No. 21 Xiangxing Road, Huangsiwei, Shijie Town, Dongguan City, Guangdong Province, 523000 Patentee after: Dongguan Huajing Technology Co.,Ltd. Country or region after: China Address before: No.3, fengri Road, Shijie Town, Dongguan City, Guangdong Province Patentee before: Mutual win technology (Dongguan) Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |