CN115657620A - 基于室内可见光通信的多目标协调优化控制方法及系统 - Google Patents
基于室内可见光通信的多目标协调优化控制方法及系统 Download PDFInfo
- Publication number
- CN115657620A CN115657620A CN202211289079.5A CN202211289079A CN115657620A CN 115657620 A CN115657620 A CN 115657620A CN 202211289079 A CN202211289079 A CN 202211289079A CN 115657620 A CN115657620 A CN 115657620A
- Authority
- CN
- China
- Prior art keywords
- objective
- neural network
- visible light
- parameters
- light 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.)
- Pending
Links
Images
Landscapes
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于室内可见光通信的多目标协调优化控制方法及系统,涉及室内可见光通信技术领域。将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比、系统LED功耗和光接收功率四个因素作为目标函数来确定网络的参数和LED优化布局方案。方案中基于训练完成的神经网络,利用NSGA‑II算法对系统参数进行多目标优化。本发明利用神经网络拟合出输入输出映射关系的模型,然后根据遗传算法找出最优解和与之对应的输入变量的值,可以快速地建立输入输出模型,克服传统方法用时过长、精度过低且无法对各种因素进行综合优化的缺点,使能源利用和舒适度得到最好的协调,从而实现节能减排的目的。
Description
技术领域
本发明涉及室内可见光通信技术领域,尤其涉及一种基于室内可见光通信的多目标协调优化控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
能源消耗和室内环境是建筑设计中两个非常重要但相互冲突的问题,因而涉及多个目标的建筑优化通常是一个非常耗时的过程。国际能源机构的调查研究显示,全球约40.7%的能源用于室内和商业照明,建筑物内的照明能耗是一个亟待解决的问题。最先进的照明技术是发光二极管(LED),它的能量效率比传统灯源更高,同时响应时间短、调制速度快不易被人眼察觉,在发光时可提供数据通信功能。使用商用发光二极管的可见光通信(VLC)可同时提供照明和通信,且数据速率、数据密度和传输安全性更高,传输还通过使用多输入多输出(MIMO)和正交频分复用(OFDM)技术显著降低了误码率(BER),成为短距离无线通信和室内环境更新技术的主流。
目前可见光通信利用其高速传输和频率范围可达400~800太赫兹的优势以解决6G频带资源不够的难题,已经成为6G不可或缺的一部分。在室内环境中,可见光通信有其独特的优势,可以实现高保密、人体无害、无电磁辐射的高速通信,能够覆盖人们近80%的活动范围。除了室内的短距离高速通信,可见光通信技术还可以应用于从低速、高速到超高速的各种距离下的应用,如低速的室内定位、车联网、船联网,高速的医疗通信、高安全性通信、专网通信以及深空通信,超高速的室内超高速接入网等。与其他通信手段相结合,可见光通信将是未来6G蓝图中十分重要的组成部分。
然而发明人发现,室内可见光通信的目标优化的过程中,多个优化目标之间相互冲突,所以对各种因素进行综合优化造成了很大的困难,尤其是照明舒适度与能耗和通信性能无法实现有效的协调。传统方法中的一般模型并不适用于室内可见光通信目标优化过程的高纬度、多变量的情况,因此针对如何同时优化室内可见光通信存在对立关系的目标的问题,现有技术中没有行之有效的技术方案。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于室内可见光通信的多目标协调优化控制方法及系统,利用神经网络拟合出输入输出映射关系的模型,然后根据NSGA-Ⅱ算法(二代非支配排序遗传算法)找出最优解和与之对应的输入变量的值,利用这种方法可以快速地进行多目标优化分析,克服了传统方法用时过长、精度过低且无法对各种因素进行综合优化的缺点。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种基于室内可见光通信的多目标协调优化控制方法,该方法将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比(PAPR)、系统LED功耗和光接收功率四个因素作为目标函数来确定网络的参数和LED优化布局方案。方案中基于训练完成的神经网络,利用NSGA-II算法对系统参数进行多目标优化。包括以下步骤:
获取训练样本,对训练样本中的参数进行初始化;
采用训练样本训练神经网络用于数据测试;
确定优化目标并构建目标函数;
采用神经网络与NSGA-II算法计算目标函数并输出控制参数;
根据控制参数形成优化控制方案。
进一步的,训练样本包括能耗参数、照明参数及VLC设备所得参数。
进一步的,采用神经网络训练结果,将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比、系统LED功耗和光接收功率四个因素作为优化目标构建目标函数。
进一步的,采用训练样本对神经网络进行训练,对训练后的网络进行误差计算,根据计算结果调整学习率和网络参数,直至误差小于训练目标。
进一步的,计算目标函数之前,先设置系统参数,并初始化种群。
进一步的,采用神经网络与NSGA-II算法计算目标函数并输出控制参数的具体过程为:将系统参数输入进训练好的神经网络,采用NSGA-II算法对人工神经网络进行性能评估,从而完成对系统参数的多目标优化过程。
更进一步的,采用NSGA-II算法对人工神经网络进行性能评估的具体过程为:
依据神经网络学习的输入输出的映射关系中的输出结果来设置目标函数,根据Pareto解(帕累托效率)得到最优解的输入变量的参数值。
更进一步的,采用神经网络对目标函数进行计算,根据非支配排序和拥挤度计算以产生新的父代种群。
更进一步的,对父代种群进行交叉操作;执行变异操作,产生子代种群;
将子代种群和父代种群合并并重新计算目标函数,根据非支配排序和拥挤度比较算子选择新的父代种群;
重复上述过程直到种群的迭代次数小于最大迭代次数;
对所得种群进行非支配排序和拥挤度计算;根据非支配排序和拥挤度比较算子得到Pareto解,输出控制参数。
本发明第二方面提供了一种基于室内可见光通信的多目标协调优化控制系统,包括:
神经网络模块,被配置为获取训练样本,对训练样本中的参数进行初始化;采用训练样本训练神经网络用于数据测试;
目标函数模块,被配置为确定优化目标并构建目标函数;
参数计算模块,被配置为采用神经网络与NSGA-II算法计算目标函数并输出控制参数;
优化方案模块,被配置为根据控制参数形成优化控制方案。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种基于室内可见光通信的多目标协调优化控制方法,该方法将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比、系统LED功耗和光接收功率四个因素作为目标函数来确定网络的参数和LED优化布局方案。方案中基于训练完成的神经网络,利用NSGA-II算法对系统参数进行多目标优化。具体操作为:将神经网络学习的输入输出的映射关系中的输出作为NSGA-II算法的目标函数值;根据Pareto解得到最优解的输入变量的参数值,将得到的输入变量值传递给运行一体化调度与控制系统来调节照明和通信参数。本发明上述方案解决了一般模型不适用于高纬度、多变量情况以及多个目标互相冲突使优化难度增大的问题,同时优化能耗、照明舒适度、通信性能这几个存在对立关系的目标,为室内可见光通信的发展前景提供了新的理论依据。
本发明利用神经网络拟合出输入输出映射关系的模型,然后根据遗传算法找出最优解和与之对应的输入变量的值,该方法可以快速地建立输入输出模型,克服传统方法用时过长、精度过低且无法对各种因素进行综合优化的缺点,使能源利用和舒适度得到最好的协调,从而实现节能减排的目的。
本发明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,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明中实施例一获得整体优化控制方案的框架图;
图2为本发明中实施例一神经网络与NSGA-II算法相结合的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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;
实施例一:
本发明实施例一提供了一种基于室内可见光通信的多目标协调优化控制方法,如图1所示,包括以下步骤:
获取训练样本,对训练样本中的参数进行初始化;训练样本包括能耗参数、照明参数及VLC设备所得参数。根据训练样本构建数据库,采用训练样本训练待验证的神经网络用于数据测试实现人工神经网络的验证;
确定优化目标并构建目标函数;
采用验证后的神经网络与NSGA-II算法计算目标函数并输出控制参数。具体过程为:将设置好的系统参数输入进训练好的神经网络,采用NSGA-II算法对人工神经网络进行性能评估,评估后输出控制参数,根据控制参数形成优化控制方案,从而完成对系统参数的多目标优化过程。
作为进一步的技术方案,将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比、系统LED功耗和光接收功率四个因素作为优化目标构建目标函数,进而确定网络的参数和LED优化布局方案。
作为进一步的技术方案,采用训练样本对神经网络进行训练,对训练后的网络进行误差计算,根据计算结果调整学习率和网络参数,直至误差小于训练目标。
具体的数学表达式为:
其中, 是网络的损耗函数,为第一个损耗分量也为误码率,x,f(·)和g(·)分别为自动编码器的输入、编码器的输出和解码器的输出,是接收端的恢复信号,FFT(·)和IFFT(·)分别表示快速傅里叶变换和快速傅里叶反变换,η是超参数平衡不同的损失分量,Pt是指灯的传输功率,Nt是LED的总数。θf={Wf,bf}和θg={Wg,bg}分别表示编码器和解码器的参数集,Wf指编码器隐藏层的权重,bf指编码器隐藏层的偏差,Wg指解码器隐藏层的权重,bg指解码器隐藏层的偏差,ε是接收器的噪声,H为信道参数;
L3(Nt,Pt)=NtPt; (3)
式中,PAPR{xH(n)}指时域正交频分复用信号的峰均比,L2(x)指第二个损耗分量,xH(n)指时域OFDM信号,n指复数信号的个数。L3(Nt,Pt)为系统LED功耗,D(Pr)是通信平面上接受光功率的方差,Pr是指VLC接收机接收到的光信号功率,Hd(0)是视距通道的直流增益,Href(0)是反射通道的直流增益。
因此,计算照明舒适性、能耗和通信性能总体最优的参数问题可以转化为如下数学问题:
这是一个多目标优化问题,涉及到多个相互冲突的优化目标,优化难度大耗时长。针对常规的单目标分析方法很难解决多目标优化问题,一般的模型不适用于高维度、多变量的情况。为了能够同时优化能耗、照明舒适度、通信性能这几个存在对立关系的目标,方案中基于训练完成的神经网络,结合NSGA-II算法对系统参数进行多目标优化。即依据神经网络学习的输入输出的映射关系中的输出作为NSGA-II算法的目标函数值;根据Pareto解得到最优解的输入变量的参数值。
具体过程为:步骤1:先设置系统参数,并初始化种群。
步骤2:设置目标函数,采用神经网络训练结果,将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比、系统LED功耗和光接收功率四个因素的组合函数作为目标函数。
步骤3:进行非支配排序和拥挤度计算以产生新的父代种群Pt,令t=1。
步骤4:对父代种群进行交叉操作;执行变异操作,产生子代种群Qt;
步骤5:将子代种群和父代种群合并并重新计算目标函数,根据非支配排序和拥挤度比较算子选择新的父代种群Pt+1;
步骤6:重复步骤3和4,直到种群的迭代次数t小于最大迭代次数G;
步骤7:对所得种群进行非支配排序和拥挤度计算;根据非支配排序和拥挤度比较算子得到Pareto解,输出控制参数。
根据Pareto解得到最优解的输入变量的参数值,将得到的输入变量值传递给室内可见光通信中的运行一体化调度与控制系统生成优化控制方案来调节照明和通信参数,最终实现多目标协调优化控制。
实施例二:
本发明实施例二提供了一种基于室内可见光通信的多目标协调优化控制系统,包括:
神经网络模块,被配置为获取训练样本,对训练样本中的参数进行初始化;采用训练样本训练神经网络用于数据测试;
目标函数模块,被配置为确定优化目标并构建目标函数;
参数计算模块,被配置为采用神经网络与NSGA-II算法计算目标函数并输出控制参数;
优化方案模块,被配置为根据控制参数形成优化控制方案。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于室内可见光通信的多目标协调优化控制方法,其特征在于,包括以下步骤:
获取训练样本,对训练样本中的参数进行初始化;
采用训练样本训练神经网络用于数据测试;
确定优化目标并构建目标函数;
采用神经网络与NSGA-II算法计算目标函数并输出控制参数;
根据控制参数形成优化控制方案。
2.如权利要求1所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,训练样本包括能耗参数、照明参数及VLC设备所得参数。
3.如权利要求1所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,采用神经网络训练结果,将包含通信平面上不同用户位置的接收信号的误码率、系统峰均比、系统LED功耗和光接收功率四个因素作为优化目标构建目标函数。
4.如权利要求1所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,采用训练样本对神经网络进行训练,对训练后的网络进行误差计算,根据计算结果调整学习率和网络参数,直至误差小于训练目标。
5.如权利要求1所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,计算目标函数之前,先设置系统参数,并初始化种群。
6.如权利要求1所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,采用神经网络与NSGA-II算法计算目标函数并输出控制参数的具体过程为:将系统参数输入进训练好的神经网络,采用NSGA-II算法对人工神经网络进行性能评估,从而完成对系统参数的多目标优化过程。
7.如权利要求6所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,采用NSGA-II算法对人工神经网络进行性能评估的具体过程为:依据神经网络学习的输入输出的映射关系中的输出结果来设置目标函数,根据Pareto解得到最优解的输入变量的参数值。
8.如权利要求7所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,采用神经网络训练结果对目标函数进行设置,根据非支配排序和拥挤度计算以产生新的父代种群。
9.如权利要求8所述的基于室内可见光通信的多目标协调优化控制方法,其特征在于,对父代种群进行交叉操作;执行变异操作,产生子代种群;
将子代种群和父代种群合并并重新计算目标函数,根据非支配排序和拥挤度比较算子选择新的父代种群;
重复上述过程直到迭代次数小于最大迭代次数;
对所得种群进行非支配排序和拥挤度计算;根据非支配排序和拥挤度比较算子得到Pareto解,输出控制参数。
10.基于室内可见光通信的多目标协调优化控制系统,其特征在于,包括:
神经网络模块,被配置为获取训练样本,对训练样本中的参数进行初始化;采用训练样本训练神经网络用于数据测试;
目标函数模块,被配置为确定优化目标并构建目标函数;
参数计算模块,被配置为采用神经网络与NSGA-II算法计算目标函数并输出控制参数;
优化方案模块,被配置为根据控制参数形成优化控制方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289079.5A CN115657620A (zh) | 2022-10-20 | 2022-10-20 | 基于室内可见光通信的多目标协调优化控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289079.5A CN115657620A (zh) | 2022-10-20 | 2022-10-20 | 基于室内可见光通信的多目标协调优化控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115657620A true CN115657620A (zh) | 2023-01-31 |
Family
ID=84990343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211289079.5A Pending CN115657620A (zh) | 2022-10-20 | 2022-10-20 | 基于室内可见光通信的多目标协调优化控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115657620A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224870A (zh) * | 2023-03-02 | 2023-06-06 | 东北农业大学 | 一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法 |
CN116614830A (zh) * | 2023-07-18 | 2023-08-18 | 中国电信股份有限公司 | 网元优化方法、装置、计算机设备、存储介质 |
-
2022
- 2022-10-20 CN CN202211289079.5A patent/CN115657620A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224870A (zh) * | 2023-03-02 | 2023-06-06 | 东北农业大学 | 一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法 |
CN116224870B (zh) * | 2023-03-02 | 2023-08-18 | 东北农业大学 | 一种基于多网络融合和植物光合作用反馈的智慧种植环境控制系统及方法 |
CN116614830A (zh) * | 2023-07-18 | 2023-08-18 | 中国电信股份有限公司 | 网元优化方法、装置、计算机设备、存储介质 |
CN116614830B (zh) * | 2023-07-18 | 2023-10-31 | 中国电信股份有限公司 | 网元优化方法、装置、计算机设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115657620A (zh) | 基于室内可见光通信的多目标协调优化控制方法及系统 | |
Fu et al. | Client selection in federated learning: Principles, challenges, and opportunities | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN103324978B (zh) | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 | |
Supraja et al. | Optimized neural network for spectrum prediction using genetic algorithm in cognitive radio networks | |
CN103916355A (zh) | 一种认知ofdm网络中子载波的分配方法 | |
CN115642970A (zh) | 自学习的信道建模方法及系统 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN113784359A (zh) | 一种基于改进bp神经网络算法的动态信道接入方法 | |
Qian et al. | Learning to optimize resource assignment for task offloading in mobile edge computing | |
CN106257849B (zh) | 基于多目标量子萤火虫搜索机制的频谱感知方法 | |
Nikbakht et al. | Unsupervised learning for C-RAN power control and power allocation | |
Wu et al. | FedProf: Optimizing federated learning with dynamic data profiling | |
Zhang et al. | Gnn-based power allocation and user association in digital twin network for the terahertz band | |
CN102149203B (zh) | 认知ofdma系统中基于比例公平与干扰约束的功率分配方法 | |
CN111897809A (zh) | 一种基于生成对抗网络的指挥信息系统数据生成方法 | |
CN113395757B (zh) | 基于改进回报函数的深度强化学习认知网络功率控制方法 | |
CN113890633B (zh) | 一种基于深度神经网络的水声通信体制自适应选取方法 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
CN113766492A (zh) | 一种安全Massive MIMO网络资源配置方法 | |
CN113780569A (zh) | 一种基于相似话题的流行度预测方法及系统 | |
CN106911387B (zh) | 可见光通信多小区干扰管理方法 | |
CN117875454B (zh) | 一种基于多级智联的数据异构性联邦学习方法及存储介质 | |
CN103945391B (zh) | 一种膜结构下的认知无线电系统参数优化方法 | |
Wong et al. | Genetic-Algorithm-based Polar Code Construction for OFDM Systems with Frequency Offset and Phase Noise |
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 |