CN116546581A - 一种基于网络信号分析的自动连云方法 - Google Patents
一种基于网络信号分析的自动连云方法 Download PDFInfo
- Publication number
- CN116546581A CN116546581A CN202310395527.8A CN202310395527A CN116546581A CN 116546581 A CN116546581 A CN 116546581A CN 202310395527 A CN202310395527 A CN 202310395527A CN 116546581 A CN116546581 A CN 116546581A
- Authority
- CN
- China
- Prior art keywords
- data
- quantum
- signal
- intensity data
- rssi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 230000008054 signal transmission Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- 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
- H04W28/10—Flow control between communication endpoints
- H04W28/14—Flow control between communication endpoints using intermediate storage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于网络信号分析的自动连云方法,该方法包括以下步骤:S1、将WiFi信号强度数据转换为相应的RSSI强度数据;S2、使用蓝牙手机的BLE数据收集器进行BLE信号强度数据采集;S3、对RSSI强度数据和BLE信号强度数据进行预处理;S4、基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取;S5、将定义的优化目标函数作为自动连云算法的目标函数;S6、根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解;S7、若数据发送时发现网络断开,则将发送的数据缓存到本地存储设备中。本发明采用离散量子傅里叶变换对频域信号进行分析,更好地理解信号的性质和特征。
Description
技术领域
本发明涉及人工智能技术领域,具体来说,涉及一种基于网络信号分析的自动连云方法。
背景技术
自动连云的基础是物联网技术,它通过将传感器、执行器和其他设备连接起来,实现设备之间的通信和数据交换,为自动化控制提供了基础设施。物联网技术包括传感器网络、无线传感器网络、RFID技术、蓝牙技术、ZigBee技术等。云计算技术为自动连云提供了强有力的支持。通过云计算技术,可以将传感器采集的大量数据存储在云端,进行分析、处理和管理,实现大规模数据的实时处理和存储。同时,云计算技术也为自动连云提供了高效的计算能力和强大的数据处理能力。大数据技术为自动连云提供了数据分析和处理的能力。通过对采集的大量数据进行分析和挖掘,可以发现数据之间的关联性和规律性,为自动化控制提供决策支持。人工智能技术是自动连云的重要组成部分。通过人工智能技术,可以实现自动化控制系统的智能化和自适应性。例如,可以利用机器学习算法对设备进行预测维护,避免设备故障导致的停机时间和维修成本。同时,人工智能技术也可以应用于自动化控制系统的优化和调节,提高系统的稳定性和性能。
传统的储能设备通过采集器串口连接,然后采用wifi方式进行数据上报和联网,由于海外家庭环境更多是别墅环境,而为了安装方便,多数采用wifi方法,WiFi信号会受到距离和障碍物的影响,导致信号质量不稳定,甚至断开连接,导致出现普遍wifi信号环境不佳,一旦网络信号不好,就会失去监控意义。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于网络信号分析的自动连云方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于网络信号分析的自动连云方法,该自动连云方法包括以下步骤:
S1、使用WiFi采集器收集WiFi信号强度数据,并将WiFi信号强度数据转换为相应的RSSI强度数据,并将数据存储至本地存储设备中;
S2、使用蓝牙手机的BLE数据收集器进行BLE信号强度数据采集,并将数据存储至本地存储设备中;
S3、对RSSI强度数据和BLE信号强度数据进行预处理;
S4、基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取,得到RSSI强度数据和BLE信号强度数据的特征向量;
S5、定义优化目标函数,将定义的优化目标函数作为自动连云算法的目标函数,并利用自动连云算法来优化目标函数并求解最优解;
S6、根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解,综合判定否需要通过蓝牙发送数据;
S7、若数据发送时发现网络断开,则将发送的数据缓存到本地存储设备中,并在网络重新连接后,检查本地存储设备中是否有需要上报的数据。
进一步的,所述对RSSI强度数据和BLE信号强度数据进行预处理包括以下步骤:
S31、对采集的RSSI强度数据和BLE信号强度数据进行数据清洗;
S32、利用中值滤波器除去RSSI强度数据和BLE信号强度数据的噪声和干扰;
S33、建立信号传输模型,并利用信号传输模型将RSSI强度和BLE信号强度转换为距离。
进一步的,所述基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取,得到RSSI强度数据和BLE信号强度数据的特征向量包括以下步骤:
S41、将传统的离散傅里叶变换通过等幅叠加换转换成离散量子傅里叶变换;
S42、将RSSI强度数据和BLE信号数据经过离散量子傅里叶变换转换成多个量子初始状态,并构建量子模式图;
S43、通过量子模式图的提取RSSI强度数据和BLE信号数据的特征向量。
进一步的,所述将传统的离散傅里叶变换通过等幅叠加换转换成离散量子傅里叶变换公式为:
式中,m为量子态|x>的量子位数,UDQFT为一个正操作符,DQFT为一个2m维的么正变换,|x>、|t>均为量子态,2m为量子比特的数量,t为离散时间序列的索引,为离散量子傅里叶变换中的权重系数。
进一步的,所述将RSSI强度数据和BLE信号数据经过离散量子傅里叶变换转换成多个量子初始状态,并构建量子模式图包括以下步骤:
S421、将RSSI强度数据和BLE信号数据转换为一个初始量子态,使用离散量子傅里叶变换将一个初始量子态转换为一个复数序列,并将复数序列作为初始量子态的相干叠加态;
S422、使用量子编码技术将每个初始量子态映射到量子系统,并对每个初始量子态进行标识;
S423、根据标识的振幅分布,绘制量子模式图,并提取量子模式图的图像特征。
进一步的,所述根据标识的振幅分布,绘制量子模式图,并提取量子模式图的图像特征包括以下步骤:
S4231、对于离散量子傅里叶变换后得到的量子初始状态,将其进行测量,得到其对应的标识振幅分布;
S4232、根据标识振幅分布绘制出量子模式图;
S4233、基于图像处理技术提取其图像的颜色、纹理、形状的特征。
进一步的,所述通过量子模式图的提取RSSI强度数据和BLE信号数据的特征向量包括以下步骤:
S431、设置量子寄存器,并将二维的量子模式图转换为一维的量子模式图;
S432、将相应的量子初始状态设置为一维的量子模式图中白点的位置值,得到量子初始状态特定的信号特征;
S433、对信号特征采样量子傅里叶变换,并进行向量特征的提取。
进一步的,所述对信号特征采样量子傅里叶变换,并进行向量特征的提取包括以下步骤:
S4331、对于量子初始状态特定的信号特征进行采样,并对采样后的量子初始状态特定的信号进行离散傅里叶变换,得到频域信号;
S4332、对频域信号进行量子傅里叶变换,得到量子态;
S4333、对量子态进行测量,将量子态转换为取RSSI强度数据和BLE信号数据的向量特征。
进一步的,所述定义优化目标函数,将定义的优化目标函数作为自动连云算法的目标函数,并利用自动连云算法来优化目标函数并求解最优解包括以下步骤:
S51、确定目标函数的优化目标,并根据优化目标确定需要优化的变量和约束条件;
S53、导入Python中的自动连云算法库,定义变量和约束条件及取值范围;
S52、将变量和约束条件及取值范围作为输入,并设置自动连云算法的初始参数;
S53、构建优化数学模型,对自动连云算法进行迭代优化,每次迭代后记录目标函数值,并更新自动连云算法的参数值;
S54、设置最大迭代次数,当达到最大迭代次数时,停止迭代,并返回最优解的目标函数值和对应的变量值;
S55、根据最大迭代次数的最优解,优化算法参数并求解最优解。
进一步的,所述根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解,综合判定否需要通过蓝牙发送数据包括以下步骤:
S61、根据最优解,利用得到的距离信息来判断是否达到了触发蓝牙发送数据的距离阈值;
S62、若距离超过该距离阈值,则通过蓝牙发送数据;
若距离未超过该距离阈值,则通过WiFi发送数据。
本发明的有益效果为:
1、本发明采用离散量子傅里叶变换方法,它可以将一组离散的时间或空间域信号转换为一组频域信号,也可以反过来将频域信号转换为时间或空间域信号,离散量子傅里叶变换可以通过量子计算机中的量子门电路实现,相较于经典傅里叶变换有更快的计算速度,由于量子计算机的并行性,DQFT可以处理更大规模的数据,DQFT可以在一定程度上减少噪声对数据的影响,在处理RSSI强度数据和BLE信号强度数据时,DQFT可以将其转换为频域信号,从而可以更好地分析其特征和提取有用信息,通过对频域信号进行分析和处理,可以更好地理解信号的性质和特征,从而实现更好的信号分类和识别。
2、本发明通过对网络信号强度的实时采集和分析,可以及时发现网络异常并进行处理,保证系统的实时性,通过对采集到的网络信号强度数据进行分析处理,可以准确判断网络信号的强度和稳定性,从而进行相应的控制和优化,相比传统的网络监测方法,基于网络信号分析的自动连云方法不需要额外的设备和复杂的网络结构,可以节省设备和维护成本,通过自动化的连云算法,可以在保证网络稳定性的前提下,实现最优的数据传输和节能,基于网络信号分析的自动连云方法可以应用于各种场景,包括智能家居、物联网等领域,具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于网络信号分析的自动连云方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于网络信号分析的自动连云方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于网络信号分析的自动连云方法,该自动连云方法包括以下步骤:
S1、使用WiFi(无线网)采集器收集WiFi信号强度数据,并将WiFi信号强度数据转换为相应的RSSI(接收信号强度指示器)强度数据,并将数据存储至本地存储设备中。
具体的,确定采集数据的场景和位置,安装WiFi采集器并连接到所需的WiFi网络。编写程序或使用现有的软件工具,通过WiFi采集器获取WiFi信号强度数据。将获取的原始WiFi信号强度数据转换为相应的RSSI强度数据,这可能需要一些信号处理和数据转换的技术。确定需要存储的RSSI数据格式和数据存储设备(例如本地文件、数据库等)。将RSSI数据存储到所选的数据存储设备中,同时记录数据采集的时间戳和采集位置等相关信息,以便后续数据分析和处理。
S2、使用蓝牙手机的BLE(BLE代表蓝牙低功耗,它是一种无线通信技术,旨在通过较低的功率消耗提供短距离通信)数据收集器进行BLE信号强度数据采集,并将数据存储至本地存储设备中。
具体的,确定BLE数据收集器的型号和相关参数。在蓝牙手机上安装BLE数据采集应用程序,并将BLE数据收集器与蓝牙手机配对连接。在BLE数据采集应用程序中设置数据采集模式和采集频率,并启动BLE数据采集器开始数据采集。采集过程中,应尽量避免遮挡或干扰BLE信号的物体存在,并尽可能保持BLE数据采集器与被采集设备之间的距离不变。数据采集完成后,将采集到的BLE信号强度数据通过应用程序导出并存储至本地存储设备中。需要注意的是,在数据采集过程中,应根据具体应用场景和需求,合理设置BLE数据采集器的参数和采集模式,以保证采集到的BLE信号强度数据具有较高的准确性和可靠性。同时,为了提高数据采集效率和精度,也可以采用多个BLE数据收集器进行数据采集,从而提高采集覆盖率和数据质量。
S3、对RSSI强度数据和BLE信号强度数据进行预处理;
在一个实施例中,所述对RSSI强度数据和BLE信号强度数据进行预处理包括以下步骤:
S31、对采集的RSSI强度数据和BLE信号强度数据进行数据清洗;
S32、利用中值滤波器除去RSSI强度数据和BLE信号强度数据的噪声和干扰;
S33、建立信号传输模型,并利用信号传输模型将RSSI强度和BLE信号强度转换为距离。
具体的,除异常数据:根据采集设备的特点和数据的分布情况,可以设置数据的阈值,将超过阈值的数据视为异常数据,从数据集中删除。去除重复数据:在采集过程中,可能会出现同一时刻重复采集到的数据,需要将重复数据去除。校准数据:对于RSSI和BLE信号强度数据,不同设备的读数可能存在偏差,需要进行校准,使数据具有可比性。数据格式化:将数据统一格式化,便于后续的数据处理和分析。数据合并:将采集到的RSSI和BLE信号强度数据进行合并,形成完整的数据集
S4、基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取,得到RSSI强度数据和BLE信号强度数据的特征向量;
在一个实施例中,所述基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取,得到RSSI强度数据和BLE信号强度数据的特征向量包括以下步骤:
S41、将传统的离散傅里叶变换通过等幅叠加换转换成离散量子傅里叶变换;
S42、将RSSI强度数据和BLE信号数据经过离散量子傅里叶变换转换成多个量子初始状态,并构建量子模式图;
S43、通过量子模式图的提取RSSI强度数据和BLE信号数据的特征向量。
在一个实施例中,所述将传统的离散傅里叶变换通过等幅叠加换转换成离散量子傅里叶变换公式为:
式中,m为量子态|x>的量子位数,UDQFT为一个正操作符,DQFT为一个2m维的么正变换,|x>、|t>均为量子态,2m为量子比特的数量,t为离散时间序列的索引,为离散量子傅里叶变换中的权重系数。
在一个实施例中,所述将RSSI强度数据和BLE信号数据经过离散量子傅里叶变换转换成多个量子初始状态,并构建量子模式图包括以下步骤:
S421、将RSSI强度数据和BLE信号数据转换为一个初始量子态,使用离散量子傅里叶变换将一个初始量子态转换为一个复数序列,并将复数序列作为初始量子态的相干叠加态;
S422、使用量子编码技术将每个初始量子态映射到量子系统,并对每个初始量子态进行标识;
S423、根据标识的振幅分布,绘制量子模式图,并提取量子模式图的图像特征。
在一个实施例中,所述根据标识的振幅分布,绘制量子模式图,并提取量子模式图的图像特征包括以下步骤:
S4231、对于离散量子傅里叶变换后得到的量子初始状态,将其进行测量,得到其对应的标识振幅分布;
S4232、根据标识振幅分布绘制出量子模式图;
S4233、基于图像处理技术提取其图像的颜色、纹理、形状的特征。
在一个实施例中,所述通过量子模式图的提取RSSI强度数据和BLE信号数据的特征向量包括以下步骤:
S431、设置量子寄存器,并将二维的量子模式图转换为一维的量子模式图;
S432、将相应的量子初始状态设置为一维的量子模式图中白点的位置值,得到量子初始状态特定的信号特征;
S433、对信号特征采样量子傅里叶变换,并进行向量特征的提取。
在一个实施例中,所述对信号特征采样量子傅里叶变换,并进行向量特征的提取包括以下步骤:
S4331、对于量子初始状态特定的信号特征进行采样,并对采样后的量子初始状态特定的信号进行离散傅里叶变换,得到频域信号;
S4332、对频域信号进行量子傅里叶变换,得到量子态;
S4333、对量子态进行测量,将量子态转换为取RSSI强度数据和BLE信号数据的向量特征。
具体的,一个状态经过量子傅里叶变换后变成多个量子状态,并且其中一些量子态系数为负数,另一些状态系数为正数,这就使得经过DQFT后状态的振幅分布呈现明显的集中。这为下一步对量子状态的测量而产生坍缩时,提供了较好的成功概率。量子傅里叶变换在物理实现上可以用多个量子门组合来实现。
此外,量子模式图是由很多黑格和和白格组成(该图黑格和白格各占一半),为了定位白点的位置,需要2个坐标量,可以很快看出它是两根平行的线。
S5、定义优化目标函数,将定义的优化目标函数作为自动连云算法的目标函数,并利用自动连云算法来优化目标函数并求解最优解;
在一个实施例中,所述定义优化目标函数,将定义的优化目标函数作为自动连云算法的目标函数,并利用自动连云算法来优化目标函数并求解最优解包括以下步骤:
S51、确定目标函数的优化目标,并根据优化目标确定需要优化的变量和约束条件;
S53、导入Python(高级、解释型的编程语言)中的自动连云算法库,定义变量和约束条件及取值范围;
S52、将变量和约束条件及取值范围作为输入,并设置自动连云算法的初始参数;
S53、构建优化数学模型,对自动连云算法进行迭代优化,每次迭代后记录目标函数值,并更新自动连云算法的参数值;
S54、设置最大迭代次数,当达到最大迭代次数时,停止迭代,并返回最优解的目标函数值和对应的变量值;
S55、根据最大迭代次数的最优解,优化算法参数并求解最优解。
具体的,导入Python中的自动连云算法库,定义优化变量,可以使用Python中的numpy库生成数组;定义优化函数,该函数需要输入优化变量,并返回优化目标函数的值;定义约束条件,可以使用Python中的lambda函数或直接定义函数的方式来实现;确定每个优化变量的取值范围,可以使用Python中的bounds参数来指定;如果所有变量的取值范围相同,则可以使用一个元组来指定;将定义的变量、优化函数、约束条件和取值范围作为参数传递给自动连云算法;运行自动连云算法,等待算法收敛并输出最优解。
S6、根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解,综合判定否需要通过蓝牙发送数据;
在一个实施例中,所述根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解,综合判定否需要通过蓝牙发送数据包括以下步骤:
S61、根据最优解,利用得到的距离信息来判断是否达到了触发蓝牙发送数据的距离阈值;
S62、若距离超过该距离阈值,则通过蓝牙发送数据;
若距离未超过该距离阈值,则通过WiFi发送数据。
S7、若数据发送时发现网络断开,则将发送的数据缓存到本地存储设备中,并在网络重新连接后,检查本地存储设备中是否有需要上报的数据。
具体的,当需要发送数据时,首先检查网络连接状态。如果网络连接正常,则将数据发送至目标服务器或云端存储。如果网络连接不正常,则将发送的数据缓存到本地存储设备中,例如本地数据库或文件。在网络重新连接后,检查本地存储设备中是否有需要上报的数据。如果有未发送的数据,则将其发送至目标服务器或云端存储,并从本地存储设备中删除。如果网络仍然无法连接,则重复步骤上述步骤,直到数据成功发送至目标服务器或云端存储。
综上所述,借助于本发明的上述技术方案,本发明采用离散量子傅里叶变换方法,它可以将一组离散的时间或空间域信号转换为一组频域信号,也可以反过来将频域信号转换为时间或空间域信号。离散量子傅里叶变换可以通过量子计算机中的量子门电路实现,相较于经典傅里叶变换有更快的计算速度,由于量子计算机的并行性,DQFT可以处理更大规模的数据,DQFT可以在一定程度上减少噪声对数据的影响,在处理RSSI强度数据和BLE信号强度数据时,DQFT可以将其转换为频域信号,从而可以更好地分析其特征和提取有用信息。通过对频域信号进行分析和处理,可以更好地理解信号的性质和特征,从而实现更好的信号分类和识别;本发明通过对网络信号强度的实时采集和分析,可以及时发现网络异常并进行处理,保证系统的实时性,通过对采集到的网络信号强度数据进行分析处理,可以准确判断网络信号的强度和稳定性,从而进行相应的控制和优化,相比传统的网络监测方法,基于网络信号分析的自动连云方法不需要额外的设备和复杂的网络结构,可以节省设备和维护成本,通过自动化的连云算法,可以在保证网络稳定性的前提下,实现最优的数据传输和节能,基于网络信号分析的自动连云方法可以应用于各种场景,包括智能家居、物联网等领域,具有广泛的应用前景。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于网络信号分析的自动连云方法,其特征在于,该自动连云方法包括以下步骤:
S1、使用WiFi采集器收集WiFi信号强度数据,并将WiFi信号强度数据转换为相应的RSSI强度数据,并将数据存储至本地存储设备中;
S2、使用蓝牙手机的BLE数据收集器进行BLE信号强度数据采集,并将数据存储至本地存储设备中;
S3、对RSSI强度数据和BLE信号强度数据进行预处理;
S4、基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取,得到RSSI强度数据和BLE信号强度数据的特征向量;
S5、定义优化目标函数,将定义的优化目标函数作为自动连云算法的目标函数,并利用自动连云算法来优化目标函数并求解最优解;
S6、根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解,综合判定否需要通过蓝牙发送数据;
S7、若数据发送时发现网络断开,则将发送的数据缓存到本地存储设备中,并在网络重新连接后,检查本地存储设备中是否有需要上报的数据;
所述对RSSI强度数据和BLE信号强度数据进行预处理包括以下步骤:
S31、对采集的RSSI强度数据和BLE信号强度数据进行数据清洗;
S32、利用中值滤波器除去RSSI强度数据和BLE信号强度数据的噪声和干扰;
S33、建立信号传输模型,并利用信号传输模型将RSSI强度和BLE信号强度转换为距离;
所述基于模式特征提取算法进行RSSI强度数据和BLE信号数据的特征提取,得到RSSI强度数据和BLE信号强度数据的特征向量包括以下步骤:
S41、将传统的离散傅里叶变换通过等幅叠加换转换成离散量子傅里叶变换;
S42、将RSSI强度数据和BLE信号数据经过离散量子傅里叶变换转换成多个量子初始状态,并构建量子模式图;
S43、通过量子模式图的提取RSSI强度数据和BLE信号数据的特征向量;
所述通过量子模式图的提取RSSI强度数据和BLE信号数据的特征向量包括以下步骤:
S431、设置量子寄存器,并将二维的量子模式图转换为一维的量子模式图;
S432、将相应的量子初始状态设置为一维的量子模式图中白点的位置值,得到量子初始状态特定的信号特征;
S433、对信号特征采样量子傅里叶变换,并进行向量特征的提取。
2.根据权利要求1所述的一种基于网络信号分析的自动连云方法,其特征在于,所述将传统的离散傅里叶变换通过等幅叠加换转换成离散量子傅里叶变换公式为:
式中,m为量子态x的量子位数,UDQFT为一个正操作符,DQFT为一个2m维的么正变换,x、t均为量子态,2m为量子比特的数量,t为离散时间序列的索引,为离散量子傅里叶变换中的权重系数。
3.根据权利要求1所述的一种基于网络信号分析的自动连云方法,其特征在于,所述将RSSI强度数据和BLE信号数据经过离散量子傅里叶变换转换成多个量子初始状态,并构建量子模式图包括以下步骤:
S421、将RSSI强度数据和BLE信号数据转换为一个初始量子态,使用离散量子傅里叶变换将一个初始量子态转换为一个复数序列,并将复数序列作为初始量子态的相干叠加态;
S422、使用量子编码技术将每个初始量子态映射到量子系统,并对每个初始量子态进行标识;
S423、根据标识的振幅分布,绘制量子模式图,并提取量子模式图的图像特征。
4.根据权利要求1所述的一种基于网络信号分析的自动连云方法,其特征在于,所述根据标识的振幅分布,绘制量子模式图,并提取量子模式图的图像特征包括以下步骤:
S4231、对于离散量子傅里叶变换后得到的量子初始状态,将其进行测量,得到其对应的标识振幅分布;
S4232、根据标识振幅分布绘制出量子模式图;
S4233、基于图像处理技术提取其图像的颜色、纹理、形状的特征。
5.根据权利要求1所述的一种基于网络信号分析的自动连云方法,其特征在于,所述对信号特征采样量子傅里叶变换,并进行向量特征的提取包括以下步骤:
S4331、对于量子初始状态特定的信号特征进行采样,并对采样后的量子初始状态特定的信号进行离散傅里叶变换,得到频域信号;
S4332、对频域信号进行量子傅里叶变换,得到量子态;
S4333、对量子态进行测量,将量子态转换为取RSSI强度数据和BLE信号数据的向量特征。
6.根据权利要求1所述的一种基于网络信号分析的自动连云方法,其特征在于,所述定义优化目标函数,将定义的优化目标函数作为自动连云算法的目标函数,并利用自动连云算法来优化目标函数并求解最优解包括以下步骤:
S51、确定目标函数的优化目标,并根据优化目标确定需要优化的变量和约束条件;
S53、导入Python中的自动连云算法库,定义变量和约束条件及取值范围;
S52、将变量和约束条件及取值范围作为输入,并设置自动连云算法的初始参数;
S53、构建优化数学模型,对自动连云算法进行迭代优化,每次迭代后记录目标函数值,并更新自动连云算法的参数值;
S54、设置最大迭代次数,当达到最大迭代次数时,停止迭代,并返回最优解的目标函数值和对应的变量值;
S55、根据最大迭代次数的最优解,优化算法参数并求解最优解。
7.根据权利要求1所述的一种基于网络信号分析的自动连云方法,其特征在于,所述根据RSSI强度数据和BLE信号强度数据的特征向量及自动连云算法得到的最优解,综合判定否需要通过蓝牙发送数据包括以下步骤:
S61、根据最优解,利用得到的距离信息来判断是否达到了触发蓝牙发送数据的距离阈值;
S62、若距离超过该距离阈值,则通过蓝牙发送数据;
若距离未超过该距离阈值,则通过WiFi发送数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395527.8A CN116546581B (zh) | 2023-04-13 | 2023-04-13 | 一种基于网络信号分析的自动连云方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395527.8A CN116546581B (zh) | 2023-04-13 | 2023-04-13 | 一种基于网络信号分析的自动连云方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116546581A true CN116546581A (zh) | 2023-08-04 |
CN116546581B CN116546581B (zh) | 2024-02-02 |
Family
ID=87444419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395527.8A Active CN116546581B (zh) | 2023-04-13 | 2023-04-13 | 一种基于网络信号分析的自动连云方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116546581B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713385A (zh) * | 2024-02-05 | 2024-03-15 | 威海双城电气有限公司 | 一种基于量子计算和人工智能结合的电力检测系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101351022A (zh) * | 2007-07-16 | 2009-01-21 | 艾威梯软件技术(北京)有限公司 | 根据信号强度进行无线设备排序的方法和设备 |
CN104635505A (zh) * | 2015-01-19 | 2015-05-20 | 赵树乔 | 一种与室内智能设备的交互方法 |
WO2015074374A1 (zh) * | 2013-11-19 | 2015-05-28 | 惠州Tcl移动通信有限公司 | 移动设备及其网络连接方法 |
CN105228222A (zh) * | 2015-07-10 | 2016-01-06 | 深圳市美贝壳科技有限公司 | 家庭用户设备的自动连接wifi方法 |
CN107124691A (zh) * | 2017-04-01 | 2017-09-01 | 南京邮电大学 | 一种低功耗蓝牙辅助的WiFi智能接入方法 |
CN112333727A (zh) * | 2019-08-05 | 2021-02-05 | 肯舒摩照明(美国)有限责任公司 | 控制设备的方法、装置、存储介质、处理器和终端 |
CN115604787A (zh) * | 2021-07-09 | 2023-01-13 | 博通集成电路(上海)股份有限公司(Cn) | 通过手机将无线设备自动连接到网络的方法和系统 |
-
2023
- 2023-04-13 CN CN202310395527.8A patent/CN116546581B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101351022A (zh) * | 2007-07-16 | 2009-01-21 | 艾威梯软件技术(北京)有限公司 | 根据信号强度进行无线设备排序的方法和设备 |
WO2015074374A1 (zh) * | 2013-11-19 | 2015-05-28 | 惠州Tcl移动通信有限公司 | 移动设备及其网络连接方法 |
CN104635505A (zh) * | 2015-01-19 | 2015-05-20 | 赵树乔 | 一种与室内智能设备的交互方法 |
CN105228222A (zh) * | 2015-07-10 | 2016-01-06 | 深圳市美贝壳科技有限公司 | 家庭用户设备的自动连接wifi方法 |
CN107124691A (zh) * | 2017-04-01 | 2017-09-01 | 南京邮电大学 | 一种低功耗蓝牙辅助的WiFi智能接入方法 |
CN112333727A (zh) * | 2019-08-05 | 2021-02-05 | 肯舒摩照明(美国)有限责任公司 | 控制设备的方法、装置、存储介质、处理器和终端 |
CN115604787A (zh) * | 2021-07-09 | 2023-01-13 | 博通集成电路(上海)股份有限公司(Cn) | 通过手机将无线设备自动连接到网络的方法和系统 |
US20230050968A1 (en) * | 2021-07-09 | 2023-02-16 | Beken Corporation | Method and system of automatically connecting a wireless device to network via phone |
Non-Patent Citations (1)
Title |
---|
殷明;李富华;侯汇宇;: "基于2.4G及ZigBee的物联网智能家居控制系统设计", 自动化与仪表, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713385A (zh) * | 2024-02-05 | 2024-03-15 | 威海双城电气有限公司 | 一种基于量子计算和人工智能结合的电力检测系统及方法 |
CN117713385B (zh) * | 2024-02-05 | 2024-05-03 | 威海双城电气有限公司 | 一种基于量子计算和人工智能结合的电力检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116546581B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107770263B (zh) | 一种基于边缘计算的物联网终端安全接入方法及系统 | |
CN116546581B (zh) | 一种基于网络信号分析的自动连云方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
WO2021103206A1 (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN115080290B (zh) | 一种基于智能算法的异常数据检测方法及系统 | |
CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN115081795A (zh) | 多维场景下企业能耗异常成因分析方法及系统 | |
CN110855478A (zh) | 一种面向不可靠信息的单传感器拓扑感知方法及装置 | |
CN117708550B (zh) | 一种电力大数据自动化数据分析及模型构建方法 | |
CN117641157A (zh) | 一种用电信息采集终端的抄表方法 | |
CN117176270B (zh) | 一种带信号监测功能的室分天线及其监测方法 | |
CN117634905A (zh) | 一种电网业务数据特征提取方法 | |
CN112269778B (zh) | 一种设备故障诊断方法 | |
CN112418309B (zh) | 一种基于机器学习的电磁兼容管控方法预测方法 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
Cao et al. | A network anomaly monitoring method based on edge computing for CPS/IOT | |
CN117914003B (zh) | 基于云边协同的箱式变压器智能监测辅助方法及系统 | |
CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 | |
CN117896020B (zh) | 一种微波收发通信系统的测试方法及测试系统 | |
CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 | |
CN113595626B (zh) | 一种基于神经网络的光信号参数实时监测方法、装置 | |
CN115439566B (zh) | 一种基于存算一体架构的压缩感知系统及方法 | |
CN117812057B (zh) | 一种基于数字云对讲系统的门禁设备及其控制方法 | |
WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
CN117277565A (zh) | 一种用于配电网状态监测的通信系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |