CN116209029A - 传感器接入功率确定方法、装置、计算机设备和存储介质 - Google Patents

传感器接入功率确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116209029A
CN116209029A CN202211647204.5A CN202211647204A CN116209029A CN 116209029 A CN116209029 A CN 116209029A CN 202211647204 A CN202211647204 A CN 202211647204A CN 116209029 A CN116209029 A CN 116209029A
Authority
CN
China
Prior art keywords
type
sensor
time slot
emergency
correlation
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
Application number
CN202211647204.5A
Other languages
English (en)
Inventor
温克欢
钟聪
耿博
杨祥勇
冯俊豪
吴泽新
张玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN202211647204.5A priority Critical patent/CN116209029A/zh
Publication of CN116209029A publication Critical patent/CN116209029A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • H04W52/38—TPC being performed in particular situations
    • H04W52/383—TPC being performed in particular situations power control in peer-to-peer links
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Security & Cryptography (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种传感器接入功率确定方法、装置、计算机设备和存储介质。所述方法包括：获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；通过最优决策公式，确定所述目标传感器的调度决策和接入功率。采用本方法能够提高传感器接入的准确性，降低传感器接入的能耗。

Description

传感器接入功率确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及传感器技术领域，特别是涉及一种传感器接入功率确定方法、装置、计算机设备和存储介质。
背景技术
随着电力场所的增多，为应对电力场所突发事件，需依靠传感器对电力场所中的电力设备参数以及运行环境参数进行监测。目前，监测使用的传感器常规状态下处于未接入状态，只在发生突发事件的情况下才考虑接入。
传统技术中，传感器接入的方式是通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入，存在准确性不高的问题，且传感器接入功率不能进行动态调整，使得能耗较高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高传感器接入准确性和降低传感器接入能耗的传感器接入功率确定方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种传感器接入功率确定方法。所述方法包括：
获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
通过最优决策公式，确定所述目标传感器的调度决策和接入功率。
在其中一个实施例中，所述通过最优决策公式，确定所述目标传感器的调度决策和接入功率，包括：
针对所述目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，根据所述可选决策确定目标传感器的调度决策和接入功率。
在其中一个实施例中，所述最优决策公式包括：
Figure BDA0004010199280000021
Figure BDA0004010199280000022
Figure BDA0004010199280000023
Figure BDA0004010199280000024
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure BDA0004010199280000025
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure BDA0004010199280000026
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure BDA0004010199280000027
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure BDA0004010199280000028
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure BDA0004010199280000029
用于指示公式对探索的偏好，/>
Figure BDA00040101992800000210
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
在其中一个实施例中，所述相关性预测神经网络的训练过程，包括：
获取多个历史预设时间段内的历史传感器数据，对所述历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；
利用所述标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；
将所述标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，所述预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
基于所述实际相关性矩阵与所述预测相关性矩阵的差异，对所述初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
在其中一个实施例中，所述初始相关性预测神经网络的网络参数优化过程，包括：
获取所述初始相关性预测神经网络的初始网络参数以及初始预测矩阵；
计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数；
所述更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。
在其中一个实施例中，所述根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数，包括：
Figure BDA0004010199280000031
Figure BDA0004010199280000032
Figure BDA0004010199280000041
Figure BDA0004010199280000042
其中，
Figure BDA0004010199280000043
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure BDA0004010199280000044
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure BDA0004010199280000045
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure BDA0004010199280000046
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure BDA0004010199280000047
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。
第二方面，本申请还提供了一种传感器接入功率确定装置。所述装置包括：
模型处理模块，用于获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
目标确定模块，用于根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
功率确定模块，用于通过最优决策公式，确定所述目标传感器的调度决策和接入功率。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。
上述传感器接入功率确定方法、装置、计算机设备和存储介质，通过获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过功率最优决策公式，确定目标传感器的目标接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本申请通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。
附图说明
图1为本申请实施例中提供的传感器接入功率确定方法的流程示意图；
图2为一个实施例中提供的相关性预测神经网络的结构框图；
图3为一个实施例中相关性预测神经网络的训练过程的流程示意图；
图4为本申请实施例中提供的一个传感器接入功率确定装置的结构框图；
图5为本申请实施例中提供的一个计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本实施例中，提供了一种传感器接入功率确定方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括计算机设备和服务器的系统，并通过计算机设备和服务器的交互实现。
在描述本申请的具体实施例之前，首先介绍一下传感器接入功率确定方法的应用场景。该方法应用于电力场所，电力场所的电力设备参数以及运行环境参数需通过传感器进行监测，传感器可以采用MEMS传感器，传感器类型可以是气体传感器、压力传感器、射频传感器、红外传感器和温度传感器，具体不作限定。传感器采集到的传感器数据可以通过微功率无线、RS485或者电力线载波的通信方式传输至监测终端，监测终端中储存有训练后的相关性预测神经网络，在监测终端中通过训练后的相关性预测神经网络对传感器数据进行处理，确定目标突发事件和目标传感器，以及通过功率最优决策公式确定目标传感器的目标接入功率。
图1为本申请实施例中提供的传感器接入功率确定方法的流程示意图，该方法应用于计算机设备或服务器中，在一个实施例中，如图1所示，包括以下步骤：
S101，获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数。
在本实施例中，预设时间段中有T个时隙，每个时隙最多发生一个突发事件。在预设时间段内连续采集传感器数据，将采集到的传感器数据输入训练后的相关性预测神经网络，相关性预测神经网络的结构框图，如图2所示，相关性预测神经网络包括输入层、隐藏层和输出层。采集到的传感器数据在输入层输入训练后的相关性预测神经网络后，输出层输出预测矩阵。以有K个突发事件类型和I个传感器类型为例，在预设时间段内的第t个时隙得到的预测矩阵如下所示：
Figure BDA0004010199280000061
其中，
Figure BDA0004010199280000062
ζ(t)为预测矩阵，lk(t)为在第t个时隙中第k个突发事件类型的发生概率，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数。
S102，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器。
在一个实施例中，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器的方式可以是在各突发事件类型的发生概率中选择出发生概率最大对应的突发事件类型作为目标突发事件，根据各相关性系数确定出与目标突发事件间相关性系数值最大的传感器类型作为目标传感器。
在本实施例中，通过训练后的相关性预测神经网络输出的预测矩阵，能够更加准确的确定出目标突发事件所属的突发事件类型，选择与目标突发事件相关性最高的传感器类型作为目标传感器，提高了目标传感器确定的准确性。
S103，通过最优决策公式，确定目标传感器的调度决策和接入功率。
在本实施例中，针对目标传感器和目标突发事件，通过最优决策公式计算所有可选决策的最优决策值，可选接入功率可通过人为设定，这里人为设定共有J个可选接入功率，选择各最优决策值中的最大值对应的可选决策，并根据该决策得到目标传感器的接入决策和接入功率。通过本实施例中的方式确定出的目标传感器的接入决策和接入功率，能够保证能量利用率，降低能耗。
在一些实施例中，最优决策公式包括：
Figure BDA0004010199280000071
Figure BDA0004010199280000072
Figure BDA0004010199280000073
Figure BDA0004010199280000074
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure BDA0004010199280000075
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure BDA0004010199280000076
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure BDA0004010199280000077
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure BDA0004010199280000078
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure BDA0004010199280000084
用于指示公式对探索的偏好，/>
Figure BDA0004010199280000081
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
进一步地，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，在第h个时隙中属于第k个突发事件类型的第i个传感器类型接入的情况下，xk,i(h)值为1，在第h个时隙中属于第k个突发事件类型的第i个传感器类型未接入的情况下，xk,i(h)值为0；yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，在第h个时隙中第i个传感器类型以第j个可选接入功率接入的情况下，yi,j(h)值为1，在第h个时隙中第i个传感器类型未以第j个可选接入功率接入的情况下，yi,j(h)值为0；
Figure BDA0004010199280000082
用于指示公式对探索的偏好，其中，/>
Figure BDA0004010199280000083
且值越大则越倾向于探索，值越小越倾向于利用。
本实施例中提供的传感器接入功率确定方法，通过获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过最优决策公式，确定目标传感器的接入决策和接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本实施例通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。
在一个实施例中，相关性预测神经网络的训练过程的流程示意图，如图3所示，包括以下步骤：
S301，获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据。
在本实施例中，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记的方式为将历史正常传感器数据标记为ZC，将历史异常传感器数据标记为YC。对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记的方式为(YC1，k，i)，用(YC1，k，i)表示第1个历史异常传感器数据对应于第k个突发事件类型和第i个传感器类型。以历史异常传感器数据为火灾数据为例，则对应的突发事件类型为火灾，传感器类型为温度传感器。
S302，利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵。
以一具体历史预设时间段为例，该历史预设时间段包括10个时隙，第1个突发事件类型发生了2次，第2个突发事件类型发生了5次，则第1个突发事件类型发生概率为2/10＝0.2，第1个突发事件类型是在第3个时隙发生的，且第1个突发事件类型对应第2个传感器类型，则γ1,2(3)＝1。
S303，将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数。
S304，基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
通过对初始相关性预测神经网络进行训练，能够使得训练后的相关性预测神经网络的输出结果更加准确。
在一些实施例中，对初始相关性预测神经网络进行训练过程也是对初始相关性预测神经网络的网络参数进行优化的过程，初始相关性预测神经网络的网络参数优化过程为获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数；
其中，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数的过程通过如下公式实现：
Figure BDA0004010199280000101
Figure BDA0004010199280000102
Figure BDA0004010199280000103
Figure BDA0004010199280000104
其中，
Figure BDA0004010199280000105
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure BDA0004010199280000106
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure BDA0004010199280000107
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure BDA0004010199280000108
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure BDA0004010199280000109
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。
在本实施例中，对初始相关性预测神经网络的网络参数进行优化，能够使得训练后的相关性预测神经网络的输出结果更加准确。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的传感器接入功率确定方法的传感器接入功率确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个传感器接入功率确定装置实施例中的具体限定可以参见上文中对于传感器接入功率确定方法的限定，在此不再赘述。
参见图4，图4为本申请实施例中提供的一个传感器接入功率确定装置的结构框图，该装置400包括：模型处理模块401、目标确定模块402和功率确定模块403，其中：
模型处理模块401，用于获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
目标确定模块402，用于根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
功率确定模块403，用于通过最优决策公式，确定目标传感器的调度决策和接入功率。
本实施例中提供的传感器接入功率确定装置，通过模型处理模块获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，通过目标确定模块根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过功率确定模块基于功率最优决策公式确定目标传感器的目标接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本实施例通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。
可选的，功率确定模块403包括：
功率确定单元，用于针对目标传感器，通过功率最优决策公式计算所有可选接入功率对应的最优决策值，选择各最优决策值中的最大值对应的可选接入功率作为目标传感器的目标接入功率。
可选的，功率最优决策公式包括：
Figure BDA0004010199280000121
Figure BDA0004010199280000122
Figure BDA0004010199280000123
/>
Figure BDA0004010199280000124
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure BDA0004010199280000125
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure BDA0004010199280000126
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure BDA0004010199280000127
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure BDA0004010199280000128
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure BDA0004010199280000131
用于指示公式对探索的偏好，/>
Figure BDA0004010199280000132
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
可选的，该装置400还包括：
数据标记模块，用于获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；
矩阵获取模块，用于利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际预测矩阵；
输入输出模块，用于将标记后的数据输入至初始相关性预测神经网络，输出初始预测矩阵，初始预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
网络训练模块，用于基于实际预测矩阵与初始预测矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
可选的，该装置400还包括：
初始参数获取模块，用于获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；
参数更新模块，计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。
可选的，参数更新模块包括：
Figure BDA0004010199280000141
Figure BDA0004010199280000142
Figure BDA0004010199280000143
Figure BDA0004010199280000144
其中，
Figure BDA0004010199280000145
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure BDA0004010199280000146
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure BDA0004010199280000147
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure BDA0004010199280000148
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure BDA0004010199280000149
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。
上述传感器接入功率确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过5G通信、WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种传感器接入功率确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例提供的传感器接入功率确定方法的步骤：
获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
通过最优决策公式，确定目标传感器的接入决策和接入功率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，并根据该决策得到目标传感器的接入决策和接入功率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
Figure BDA0004010199280000151
Figure BDA0004010199280000152
Figure BDA0004010199280000161
Figure BDA0004010199280000162
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure BDA0004010199280000163
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure BDA0004010199280000164
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure BDA0004010199280000165
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure BDA0004010199280000166
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure BDA0004010199280000167
用于指示公式对探索的偏好，
Figure BDA0004010199280000168
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；
利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；
将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，初始预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；
计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；
更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
Figure BDA0004010199280000171
/>
Figure BDA0004010199280000172
Figure BDA0004010199280000173
Figure BDA0004010199280000174
其中，
Figure BDA0004010199280000175
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure BDA0004010199280000176
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure BDA0004010199280000177
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure BDA0004010199280000181
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure BDA0004010199280000182
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例提供的传感器接入功率确定方法的步骤：
获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
通过最优决策公式，确定目标传感器的接入决策和接入功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，并基于该决策得到目标传感器的接入决策和接入功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure BDA0004010199280000183
Figure BDA0004010199280000184
/>
Figure BDA0004010199280000185
Figure BDA0004010199280000186
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure BDA0004010199280000191
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure BDA0004010199280000192
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure BDA0004010199280000193
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure BDA0004010199280000194
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure BDA0004010199280000195
用于指示公式对探索的偏好，
Figure BDA0004010199280000196
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；
利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；
将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；
计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；
更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure BDA0004010199280000201
Figure BDA0004010199280000202
Figure BDA0004010199280000203
Figure BDA0004010199280000204
其中，
Figure BDA0004010199280000205
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure BDA0004010199280000206
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure BDA0004010199280000207
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure BDA0004010199280000208
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure BDA0004010199280000209
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例提供的传感器接入功率确定方法的步骤：
获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
通过最优决策公式，确定目标传感器的接入决策和接入功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对目标传感器，通过最优决策公式计算所有可选决策的决策值，选择最大决策值对应的可选决策，并根据该决策得到目标传感器的接入决策和接入功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure BDA0004010199280000211
Figure BDA0004010199280000212
Figure BDA0004010199280000213
Figure BDA0004010199280000214
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure BDA0004010199280000215
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure BDA0004010199280000216
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure BDA0004010199280000217
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure BDA0004010199280000221
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure BDA0004010199280000222
用于指示公式对探索的偏好，
Figure BDA0004010199280000223
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；
利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；
将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；
计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；
更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
Figure BDA0004010199280000231
Figure BDA0004010199280000232
Figure BDA0004010199280000233
Figure BDA0004010199280000234
其中，
Figure BDA0004010199280000235
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure BDA0004010199280000236
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure BDA0004010199280000237
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure BDA0004010199280000238
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure BDA0004010199280000239
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。/>
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种传感器接入功率确定方法，其特征在于，所述方法包括：
获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
通过最优决策公式，确定所述目标传感器的调度决策和接入功率。
2.根据权利要求1所述的方法，其特征在于，所述通过最优决策公式，确定所述目标传感器的调度决策和接入功率，包括：
针对所述目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，根据所述可选决策确定目标传感器的调度决策和接入功率。
3.根据权利要求2所述的方法，其特征在于，所述最优决策公式包括：
Figure FDA0004010199270000011
Figure FDA0004010199270000012
Figure FDA0004010199270000013
Figure FDA0004010199270000014
Di,j(h)＝min{Fi(h)+Ai(h),τCi,j(h)}；
Figure FDA0004010199270000015
其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，
Figure FDA0004010199270000016
为在第t个时隙中属于第k个突发事件类型的最优决策，/>
Figure FDA0004010199270000017
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，γk,i(t)为在第t个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，/>
Figure FDA0004010199270000018
为在第t个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，h为在预设时间段内位于第t个时隙之前的第h个时隙，lk(h)为在第h个时隙中第k个突发事件类型的发生概率，xk,i(h)用于指示在第h个时隙中属于第k个突发事件类型的第i个传感器类型是否接入，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，γk,i(h)为在第h个时隙中第k个突发事件类型和第i个传感器类型间的相关性系数，Fi(h)为在第h个时隙中的初始时刻第i个传感器类型所产生的数据积压量，Ai(h)为第i个传感器类型在第h个时隙中所产生的新增数据量，τ为每个时隙的长度，ωi为第i个传感器类型的数据传输的信道带宽，λi为第i个传感器类型的数据传输的信道增益，pj为第j个可选接入功率，Ni为第i个传感器类型的数据传输的噪声功率，/>
Figure FDA0004010199270000021
用于指示公式对探索的偏好，
Figure FDA0004010199270000022
为在预设时间段内位于第t个时隙之前选择属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率接入组合的组合被选择总次数。
4.根据权利要求3所述的方法，其特征在于，所述相关性预测神经网络的训练过程，包括：
获取多个历史预设时间段内的历史传感器数据，对所述历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；
利用所述标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；
将所述标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，所述预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
基于所述实际相关性矩阵与所述预测相关性矩阵的差异，对所述初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。
5.根据权利要求4所述的方法，其特征在于，所述初始相关性预测神经网络的网络参数优化过程，包括：
获取所述初始相关性预测神经网络的初始网络参数以及初始预测矩阵；
计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据所述平均加权决策评估值和所述平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数；
所述更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述平均加权决策评估值和所述平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数，包括：
Figure FDA0004010199270000031
Figure FDA0004010199270000032
Figure FDA0004010199270000033
Figure FDA0004010199270000034
/>
其中，
Figure FDA0004010199270000035
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有加权决策评估值的均值，/>
Figure FDA0004010199270000036
为在历史预设时间段内位于第t个时隙之前属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的所有决策评估值的均值，h为在预设时间段内位于第t个时隙之前的第h个时隙，J为所有可选接入功率的个数，/>
Figure FDA0004010199270000037
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的最优决策值，/>
Figure FDA0004010199270000038
为在第h个时隙中属于第k个突发事件类型的第i个传感器类型在第j个可选接入功率下的决策评估值，yi,j(h)用于指示在第h个时隙中第i个传感器类型是否以第j个可选接入功率接入，/>
Figure FDA0004010199270000039
为在第t个时隙中第k个突发事件类型和第i个传感器类型间的更新后的相关性系数，ω(t+1)为更新后的网络参数，ω(t)为第t个时隙对应的初始网络参数，ρ为步长因子，ζ(t)为第t个时隙对应的初始预测矩阵，ζIdeal(t)为更新后的预测矩阵。
7.一种传感器接入功率确定装置，其特征在于，所述装置包括：
模型处理模块，用于获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；
目标确定模块，用于根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；
功率确定模块，用于通过最优决策公式，确定所述目标传感器的调度决策和接入功率。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202211647204.5A 2022-12-21 2022-12-21 传感器接入功率确定方法、装置、计算机设备和存储介质 Pending CN116209029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211647204.5A CN116209029A (zh) 2022-12-21 2022-12-21 传感器接入功率确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211647204.5A CN116209029A (zh) 2022-12-21 2022-12-21 传感器接入功率确定方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116209029A true CN116209029A (zh) 2023-06-02

Family

ID=86510346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211647204.5A Pending CN116209029A (zh) 2022-12-21 2022-12-21 传感器接入功率确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116209029A (zh)

Similar Documents

Publication Publication Date Title
CN107066365A (zh) 一种系统异常的监测方法及装置
CN112150311B (zh) 能耗异常状态检测方法、装置、计算机设备和存储介质
CN112766596B (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN111125519B (zh) 用户行为预测方法、装置、电子设备以及存储介质
CN115809569B (zh) 基于耦合竞争失效模型的可靠性评价方法和装置
CN116187483A (zh) 模型训练方法、装置、设备、介质和程序产品
JP2018181184A (ja) 評価装置、評価方法及びそのプログラム
CN113962161A (zh) 基于黑寡妇优化算法的最优QoS服务选择方法及装置
CN117078480A (zh) 碳排放量监测方法、装置、设备、存储介质和计算机产品
CN115766104A (zh) 一种基于改进的Q-learning网络安全决策自适应生成方法
Han et al. A novel deep-learning-based robust data transmission period control framework in iot edge computing system
CN117741442A (zh) 电芯温度预测方法、装置、设备、存储介质和程序产品
CN116209029A (zh) 传感器接入功率确定方法、装置、计算机设备和存储介质
CN114501518B (zh) 流量预测方法、装置、设备、介质和程序产品
CN116626504A (zh) 动力电池性能确定方法、装置、计算机设备和存储介质
CN115599568A (zh) 数据处理方法、装置、计算机设备和存储介质
CN109240885A (zh) 一种性能监控方法、系统及电子设备和存储介质
CN110753366A (zh) 行业短信网关容量的预测处理方法及装置
KR102613227B1 (ko) 빅데이터 및 머신 러닝에 기반한 농업용 저수지 이수 안전도 평가를 위한 전자 장치 및 전자 장치의 제어 방법
CN117289725B (zh) 无人机分布式通算一体资源调度方法和装置
CN115580493B (zh) 电力数据分类加密传输方法、装置和计算机设备
US20230418467A1 (en) System and method for reduction of data transmission in dynamic systems using inference model
US20230125620A1 (en) Optimized hvac control using domain knowledge combined with deep reinforcement learning (drl)
US20230419135A1 (en) System and method for reduction of data transmission by optimization of inference accuracy thresholds
CN116170335A (zh) 边缘设备的质量信息计算方法、装置、设备、介质和产品

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