CN116761194B - 一种无线通信网络中警务协同通信优化系统及方法 - Google Patents
一种无线通信网络中警务协同通信优化系统及方法 Download PDFInfo
- Publication number
- CN116761194B CN116761194B CN202311021089.5A CN202311021089A CN116761194B CN 116761194 B CN116761194 B CN 116761194B CN 202311021089 A CN202311021089 A CN 202311021089A CN 116761194 B CN116761194 B CN 116761194B
- Authority
- CN
- China
- Prior art keywords
- layer
- representing
- communication
- node
- 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.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000010223 real-time analysis Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000013210 evaluation model Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000013468 resource allocation Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008054 signal transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
- H04J3/0638—Clock or time synchronisation among nodes; Internode synchronisation
- H04J3/0658—Clock or time synchronisation among packet nodes
- H04J3/0661—Clock or time synchronisation among packet nodes using timestamps
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Environmental & Geological Engineering (AREA)
- Public Health (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信网络领域，尤其涉及一种无线通信网络中警务协同通信优化系统及方法。本发明通过特征提取模块，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；基于实时分析的需求，通过时间同步模块解决不同节点间的时间不同步问题；通过优先级分配模块得出通信数据的优先级评估值；通过协同工作模块解决协同工作中引发的冲突。解决了现有技术往往无法有效处理警务协同操作中存在的网络流量骤增的情况，该情况影响了信息的传输效率，而且无法区分不同类型的信息，不能确保高优先级信息的及时传输，对于动态的网络环境无法有效适应，从而影响通信的稳定性和可靠性。
Description
技术领域
本发明涉及无线通信网络领域，尤其涉及一种无线通信网络中警务协同通信优化系统及方法。
背景技术
无线通信网络已经广泛应用于各种设备之间的信息传输，包括移动设备、固定设备和移动节点等。在许多应用场景中，如警务协同操作中，通信网络不仅需要传输大量的数据，而且还需要支持不同设备之间的高效协同操作。尤其是在紧急情况下，通信网络的性能直接影响了警务人员的响应速度和处理效率。
警务通信对网络的可靠性要求较高，但网络故障、信号干扰或网络拥塞等问题可能会影响通信的实时性和可靠性，而且不同警务部门可能使用不同的通信设备、协议和系统，缺乏统一的标准和互操作性，可能导致信息传输和协作的困难。结合时间戳确保及时传输紧急信息，并优化通信资源的利用，使得警务协同网络通信技术具有许多优势，可以提高警务部门的工作效率和应对能力，以确保网络通信的安全性、可靠性和合规性。
我国专利申请号：CN202210972855.5，公开日：2022.12.09，公开了一种网络通信调度优化方法、装置、设备及存储介质，所述方法包括获取发送端到接收端的网络通信参数信息，基于所述网络通信参数信息构建网络通信调度模型，根据所述网络通信调度模型的通信时间和通信传输功率消耗，得到所述网络通信调度模型的目标函数，采用强化鼯猴算法计算所述目标函数的最优解，作为所述网络通信调度模型的最优调度，以使所述发送端和所述接收端通过所述最优调度的路径传递信息。该发明提供的一种网络通信调度优化方法、装置、设备及存储介质，能够综合考虑信息传输时间和传输功率消耗，算出网络通信的最优调度，解决网络通信调度优化问题。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术往往无法有效处理警务协同操作中存在的网络流量骤增的情况，该情况影响了信息的传输效率，而且无法区分不同类型的信息，不能确保高优先级信息的及时传输，对于动态的网络环境无法有效适应，从而影响了通信的稳定性和可靠性。
发明内容
本申请实施例通过提供一种无线通信网络中警务协同通信优化系统及方法，解决了现有技术往往无法有效处理警务协同操作中存在的网络流量骤增的情况，该情况影响了信息的传输效率，而且无法区分不同类型的信息，不能确保高优先级信息的及时传输，对于动态的网络环境无法有效适应，从而影响了通信的稳定性和可靠性，实现了提高通信效率、加强紧急事件响应、优化资源利用、提高通信可靠性，加强协同合作，以及提升决策效能。这些效果有助于提高警务部门的工作效率和应对能力，进一步维护社会安全和秩序。
本申请提供了一种无线通信网络中警务协同通信优化系统及方法，具体包括以下技术方案：
一种无线通信网络中警务协同通信优化系统，具体包括以下内容：
中央处理单元和警务通信节点；
所述中央处理单元，用于实现无线通信网络中警务协同通信优化方法，中央处理单元包括：特征提取模块、时间同步模块、优先级分配模块、协同工作模块；中央处理单元与各个警务通信节点通过无线通信连接的方式进行信息传输；
所述特征提取模块，用于构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据，特征提取模块通过数据传输的方式与时间同步模块、优先级分配模块相连；
所述时间同步模块，用于设立主时钟，通过计算与主时钟的时间差并调整本地时钟来实现初步同步；基于全局同步和延迟估计，进一步提高同步精度；时间同步模块通过数据传输的方式与特征提取模块相连；
所述优先级分配模块，用于构建优先级评估模型，智能输出当前通信数据的优先级评估值，优先级分配模块通过数据传输的方式与协同工作模块相连；
所述协同工作模块，用于通过资源分配算法确保每个节点获得与其能力相匹配的资源；通过权重因子和优先级来分配任务，确保任务在不同节点间的有效调度；不断检测每个节点的状态以发现任何潜在故障，根据新的任务分配更新执行计划。
一种无线通信网络中警务协同通信优化系统的优化方法，包括以下步骤：
S1、通过特征提取模块，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；
S2、基于实时分析的需求，通过时间同步模块解决不同节点间的时间不同步问题；
S3、通过优先级分配模块得出通信数据的优先级评估值；
S4、通过协同工作模块解决协同工作中引发的冲突。
优选的，所述步骤S1，具体包括：
构建智能去噪网络，所述智能去噪网络由五层算法架构组成，包括：去噪自编码层、批量规范化层、调整层、平均层和重构解码层。
优选的，所述步骤S1，还包括：
在去噪自编码层中使用去噪自编码器提取通信数据之间的时域相关性，具体公式表示为：
，
其中，表示从通信数据的时间序列中提取出的时域特征，/>表示去噪自编码器的映射函数，/>表示通信数据的时间序列；然后由批量规范化层将分散的数据进行统一，使优化更加平滑，调整层用于防止模型过拟合，平均层看作是一种模型平均，将输入的不同数据通过预设的权重平均起来。
优选的，所述步骤S1，还包括：
重构解码层基于长短期记忆网络将特征重新还原为原始序列，重构解码层训练到让损失函数最小的特征转换映射，从而实现从特征到重构时间序列的映射，提取通信内容特征数据。
优选的，所述步骤S2，具体包括：
建立一个初始的同步参考框架，一个节点被选为主时钟，并被用作时间同步的参考，其他节点通过计算与主时钟的时间差并调整本地时钟来实现初步同步。
优选的，所述步骤S2，还包括：
基于调整本地时钟得到的初步同步，通过更精确地测量延迟来改进同步精度。节点之间发送时间戳，并计算发送和接收的时间差，通过多次测量和平均来减小误差并计算单程延迟；基于全局同步和延迟估计，收集每个节点的时钟读数，使用线性回归计算每个节点的时钟漂移率和偏移量，校准每个节点的本地时钟，进一步提高同步精度。
优选的，所述步骤S3，具体包括：
构建优先级评估模型，将警务部门的历史通信数据特征作为训练样本，输入到优先级评估模型中，输出当前通信数据的优先级评估值，所述优先级评估模型包括输入层、记忆层、奖励层、惩罚层和输出层。
优选的，所述步骤S3，还包括：
记忆层将计算结果输出给奖励层和惩罚层，奖励层根据通信数据的传递网络性能计算奖励值，惩罚层根据当前通信数据传输时的网络通信损耗计算惩罚值。
优选的，所述步骤S4，具体包括：
协同工作的开始是通过资源分配算法确保每个节点获得与其能力相匹配的资源，每个节点根据其硬件和软件能力评估其资源能力，中心节点计算每个节点的资源分配，并通知每个节点；所述资源分配算法计算公式为：
，
其中，表示分配给第i个节点的任务量，/>表示第i个节点的资源能力，表示该节点可以承担多少工作量；/>表示总任务量；每个节点使用分配的资源执行任务，为后续的任务调度提供了必要的信息。
优选的，所述步骤S4，还包括：
为了确保任务在不同节点间的有效调度，通过权重因子和优先级来分配任务；监控协同工作过程，并在检测到故障时采取措施；不断检测每个节点的状态以发现任何潜在故障；如果检测到故障，重新分配受影响节点的任务。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请建立了一种无线通信网络中警务协同通信优化系统，获取警务部门的通信数据，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；将通信数据特征作为计算优先级的数据源，降低计算复杂度，不需要过多的训练样本数据，避免过拟合现象；
2、在无线通信网络中，通过时间同步确保了各个节点能够协同工作，使得各个节点的动作和响应能够更加一致和协调，减小传输中的延迟，从而加快通信速度；构建优先级评估模型，计算通信数据的优先级，基于优先级进行消息按序传输，确保紧急消息优先传输，保证相关部门能够及时收到紧急信息并做出迅速响应，有助于减少通信延迟，提高通信的实时性和准确性；确保优先级评估的实用性和鲁棒性，大大提高了网络信息交互能力；
3、通过精确的资源分配算法，确保每个节点根据其能力获得合适的资源，有助于避免资源浪费和确保各个节点能够以最大效率运作；优化了任务执行的顺序，缩短任务完成时间、提高系统吞吐量；实时监测节点状态，并在检测到故障时快速重新分配任务，确保了系统的连续性和稳定性，提高协同和合作效率，加强警务工作的整体协调性。
4、本申请的技术方案能够有效解决现有技术往往无法有效处理警务协同操作中存在的网络流量骤增的情况，该情况影响了信息的传输效率，而且无法区分不同类型的信息，不能确保高优先级信息的及时传输，对于动态的网络环境无法有效适应，从而影响了通信的稳定性和可靠性，并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够提高通信效率、加强紧急事件响应、优化资源利用、提高通信可靠性，加强协同合作，以及提升决策效能。这些效果有助于提高警务部门的工作效率和应对能力，进一步维护社会安全和秩序。
附图说明
图1为本申请所述的一种无线通信网络中警务协同通信优化系统结构图；
图2为本申请所述的一种无线通信网络中警务协同通信优化方法流程图；
图3为本申请所述的优先级评估模型结构图；
具体实施方式
本申请实施例通过提供一种无线通信网络中警务协同通信优化系统及方法，解决了现有技术往往无法有效处理警务协同操作中存在的网络流量骤增的情况，该情况影响了信息的传输效率，而且无法区分不同类型的信息，不能确保高优先级信息的及时传输，对于动态的网络环境无法有效适应，从而影响了通信的稳定性和可靠性。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
本申请建立了一种无线通信网络中警务协同通信优化系统，获取警务部门的通信数据，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；将通信数据特征作为计算优先级的数据源，降低计算复杂度，不需要过多的训练样本数据，避免过拟合现象；在无线通信网络中，通过时间同步确保了各个节点能够协同工作，使得各个节点的动作和响应能够更加一致和协调，减小传输中的延迟，从而加快通信速度；构建优先级评估模型，计算通信数据的优先级，基于优先级进行消息按序传输，确保紧急消息优先传输，保证相关部门能够及时收到紧急信息并做出迅速响应，有助于减少通信延迟，提高通信的实时性和准确性；确保优先级评估的实用性和鲁棒性，大大提高了网络信息交互能力；通过精确的资源分配算法，确保每个节点根据其能力获得合适的资源，有助于避免资源浪费和确保各个节点能够以最大效率运作；优化了任务执行的顺序，缩短任务完成时间、提高系统吞吐量；实时监测节点状态，并在检测到故障时快速重新分配任务，确保了系统的连续性和稳定性，提高协同和合作效率，加强警务工作的整体协调性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种无线通信网络中警务协同通信优化系统包括以下部分：
中央处理单元10和警务通信节点20；
所述中央处理单元10，用于实现无线通信网络中警务协同通信优化方法，中央处理单元10包括：
特征提取模块101、时间同步模块102、优先级分配模块103、协同工作模块104；中央处理单元10与各个警务通信节点20通过无线通信连接的方式进行信息传输；
所述警务通信节点20，用于将协同通信信息传输给中央处理单元10，并接收中央处理单元10发送的任务分配，各警务通信节点20之间以及警务通信节点20与中央处理单元10通过无线通信连接的方式进行信息传输；
所述特征提取模块101，用于构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据，特征提取模块101通过数据传输的方式与时间同步模块102、优先级分配模块103相连；
所述时间同步模块102，用于设立主时钟，通过计算与主时钟的时间差并调整本地时钟来实现初步同步；基于全局同步和延迟估计，进一步提高同步精度；时间同步模块102通过数据传输的方式与特征提取模块101相连；
所述优先级分配模块103，用于构建优先级评估模型，智能输出当前通信数据的优先级评估值，优先级分配模块103通过数据传输的方式与协同工作模块104相连；
所述协同工作模块104，用于通过资源分配算法确保每个节点获得与其能力相匹配的资源；通过权重因子和优先级来分配任务，确保任务在不同节点间的有效调度；不断检测每个节点的状态以发现任何潜在故障，根据新的任务分配更新执行计划，确保无缝继续。
参照附图2，本申请所述的一种无线通信网络中警务协同通信优化方法包括以下步骤：
S1、通过特征提取模块，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；
获取警务部门之间的通信需求、覆盖范围、通信容量和服务质量要求等协同通信信息，以便设计和配置警务协同无线通信网络。建立一种无线通信网络中警务协同通信优化系统，所有警务部门及人员构成具有良好扩展性和弹性的网络拓扑结构，所述无线通信网络中警务协同通信优化系统具备高效的数据检索和分发功能，以支持大规模的警务决策和行动的通信传输，使不同的警务部门可以方便地共享信息和情报。
采用分层结构，将警务部门划分为不同的区域或部门，并为每个区域或部门分配专用的警务通信节点20。根据各个警务部门的通信需求和通信数据优先级，合理分配带宽资源。紧急情况下，可以提供优先级更高的带宽给特定的通信任务，以确保重要信息的及时传输。
通过特征提取模块101，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据。构建智能去噪网络，所述智能去噪网络由五层算法架构组成，包括：去噪自编码层、批量规范化层、调整层、平均层和重构解码层。首先在去噪自编码层中使用去噪自编码器提取通信数据之间的时域相关性，具体公式表示为：
，
其中，表示从通信数据的时间序列中提取出的时域特征，/>表示去噪自编码器的映射函数，/>表示通信数据的时间序列。然后由批量规范化层将分散的数据进行统一，使优化更加平滑，具体计算过程如下：
，
其中，表示规范化结果，/>表示批量规范化层的权重系数，/>和/>分别为时域特征对应的样本均值和样本标准差，/>表示批量规范化层的偏置。调整层用于防止模型过拟合，调整层的计算公式为：
，
其中，表示调整结果，/>表示激活函数，/>表示调整层的权重系数，/>表示以概率p随机生成一个0、1的向量，/>表示调整层的偏置。平均层看作是一种模型平均，将输入的不同数据通过预设的权重平均起来，平均层的计算为：
，
其中，表示评价层输出，/>表示时域特征的权重，/>表示梯度关系权重。重构解码层基于长短期记忆网络将特征重新还原为原始序列，所述重构解码层的具体计算过程如下：
，
，
其中，表示重构的时间序列，/>表示重构解码层的映射函数。重构解码层训练到让损失函数最小的特征转换映射，从而实现从特征到重构时间序列的映射，提取通信内容特征数据。
S2、基于实时分析的需求，通过时间同步模块解决不同节点间的时间不同步问题；
特征提取模块101实时分析和分类复杂的通信内容，但由于实时分析的需要，同步精度要求较高，可能导致不同节点间的时间不同步问题。因此，通过时间同步模块102解决不同节点间的时间不同步问题。
首先建立一个初始的同步参考框架，一个节点被选为主时钟，并被用作时间同步的参考，其他节点通过计算与主时钟的时间差并调整本地时钟来实现初步同步。假设是主时钟的时间，/>是第i个节点的本地时间，则时差为：
，
然后，每个节点将其本地时钟调整为：
，
基于时钟调整得到的初步同步，通过更精确地测量延迟来改进同步精度。节点之间发送时间戳，并计算发送和接收的时间差，通过多次测量和平均来减小误差并计算单程延迟。发送时间戳为，接收时间戳为/>，往返时间为：
，
则单程延迟估计为：
，
基于全局同步和延迟估计，收集每个节点的时钟读数，使用线性回归计算每个节点的时钟漂移率和偏移量，校准每个节点的本地时钟，进一步提高同步精度。节点的本地时钟与真实时间的关系可以表示为线性模型：
，
其中，是漂移率，/>表示真实时间，/>是偏移量。可以通过最小二乘法找到/>和/>的最佳估计，从而校准节点的时钟。
S3、通过优先级分配模块得出通信数据的优先级评估值；
在进行时间同步时，会存在通信优先级混乱问题，通过优先级分配模块103构建优先级评估模型，将警务部门的历史通信数据特征作为训练样本，输入到优先级评估模型中，输出当前通信数据的优先级评估值。
假设有n个警务部门需要进行协同通信，每个部门的通信数据包含一个时间戳（表示消息的发送时间）、发送方和接收方身份信息和通信内容。收集历史通信数据及通信数据对应的优先级，构建优先级评估模型，所述优先级评估模型通过神经网络的形式进行计算。
将警务部门的历史通信数据特征作为训练样本，输入到优先级评估模型中，通过神经网络的深度学习训练，最终得到训练完成的优先级评估模型，使得将通信数据输入到训练完成的优先级评估模型后，智能输出当前通信数据的优先级评估值。
将警务部门的历史通信数据特征作为训练样本，输入到优先级评估模型中，所述优先级评估模型包括输入层、记忆层、奖励层、惩罚层和输出层，具体计算步骤如下：
设立优先级评估模型的样本输入为，/>，/>表示任意一个样本输入值，/>表示样本输入数据的数量。输入层与记忆层为全连接模式，输入层将输入数据传递给记忆层：
，
，
，
其中，表示输入层的输出，/>表示输入层神经元的权重，/>表示输入层的偏置，/>表示记忆层的输入，/>表示输入层与记忆层的连接权重，/>表示记忆层的偏置，表示记忆层的输出，/>表示激活函数。记忆层将计算结果输出给奖励层和惩罚层，奖励层根据通信数据的传递网络性能计算奖励值，具体公式为：
，
，
其中，表示奖励层的输入，/>表示记忆层与奖励层的连接权重，/>表示奖励层的偏置，/>表示奖励层的输出，/>表示奖励层神经元的状态，/>表示奖励层神经元的数量，/>表示当前通信数据在传输时的网络通信参数信息，包括信号传输单位距离所需的功率、信号传输距离、网络拥堵系数、最大传输速度、传输量、传输功率消耗、传输时间等，表示当前通信数据传输前后网络通信参数的波动差。记忆层将计算结果输出给惩罚层，惩罚层根据当前通信数据传输时的网络通信损耗计算惩罚值，具体公式为：
，
，
其中，表示惩罚层的输入，/>表示记忆层与惩罚层的连接权重，/>表示惩罚层的偏置，/>表示惩罚层的输出，/>表示惩罚基值，/>表示网络通信损耗，/>和/>是预设的惩罚值判断阈值，若当前通信数据造成的网络通信损耗小于等于/>，则根据第一惩罚系数/>计算惩罚值，若当前通信数据造成的网络通信损耗大于/>且小于/>，则根据第二惩罚系数/>计算惩罚值，若当前通信数据造成的网络通信损耗大于等于/>，则根据第三惩罚系数/>计算惩罚值，/>。奖励层和惩罚层的计算结果输出给输出层，输出层输出最终的优先级结果，具体计算为：
，
其中，表示输出层的计算结果，根据输出的y匹配对应的优先级，/>表示输出层的权重，/>表示输出层的偏置。
计算模型输出与实际输出的误差，所述误差计算可采用现有的均值误差等方法，根据现有的梯度下降法对模型参数进行优化，使误差处于合格范围，从而完成神经网络的训练，得到优先级评估模型。将获取的通信数据特征输入到优先级评估模型后，智能输出当前通信数据的优先级评估值。
S4、通过协同工作模块解决协同工作中引发的冲突。
在强调通信优先级的同时，可能会引发协同工作中的冲突，例如资源竞争和任务调度混乱。因此，需要通过协同工作模块104协同工作中的冲突。
协同工作的开始是通过资源分配算法确保每个节点获得与其能力相匹配的资源。每个节点根据其硬件和软件能力评估其资源能力，中心节点计算每个节点的资源分配，并通知每个节点。所述资源分配算法计算公式为：
，
其中，表示分配给第i个节点的任务量，/>表示第i个节点的资源能力，例如处理能力、存储空间等，表示该节点可以承担多少工作量；/>表示总任务量。每个节点使用分配的资源执行任务，为后续的任务调度提供了必要的信息，确保了资源的公平分配，并为后续任务调度提供了基础。
为了确保任务在不同节点间的有效调度，通过权重因子和优先级来分配任务。设立共有m个任务，则第j个任务在第i个节点上的执行概率为：
，
其中，表示第j个任务在第i个节点上的执行概率，/>表示第j个任务的优先级，表示第j个任务的权重因子，/>和/>分别表示第k个任务的优先级和权重因子，/>。从而决定应该优先执行的节点任务。
监控协同工作过程，并在检测到故障时采取措施。不断检测每个节点的状态以发现任何潜在故障。如果检测到故障，重新分配受影响节点的任务。
假设第i个节点出现故障，其原本分配的任务量为，则重新分配给其他健康节点的任务量为：
，
其中，是第/>个节点重新分配的任务量，/>表示第/>个节点原本分配的任务量，表示第/>个节点的资源能力，/>表示第/>个节点的资源能力。根据新的任务分配更新执行计划，确保无缝继续。保证了即使在故障发生的情况下，协同工作也能无缝继续。
综上所述，便完成了本申请所述的一种无线通信网络中警务协同通信优化方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请建立了一种无线通信网络中警务协同通信优化系统，获取警务部门的通信数据，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；将通信数据特征作为计算优先级的数据源，降低计算复杂度，不需要过多的训练样本数据，避免过拟合现象；
2、在无线通信网络中，通过时间同步确保了各个节点能够协同工作，使得各个节点的动作和响应能够更加一致和协调，减小传输中的延迟，从而加快通信速度；构建优先级评估模型，计算通信数据的优先级，基于优先级进行消息按序传输，确保紧急消息优先传输，保证相关部门能够及时收到紧急信息并做出迅速响应，有助于减少通信延迟，提高通信的实时性和准确性；确保优先级评估的实用性和鲁棒性，大大提高了网络信息交互能力；
3、通过精确的资源分配算法，确保每个节点根据其能力获得合适的资源，有助于避免资源浪费和确保各个节点能够以最大效率运作；优化了任务执行的顺序，缩短任务完成时间、提高系统吞吐量；实时监测节点状态，并在检测到故障时快速重新分配任务，确保了系统的连续性和稳定性，提高协同和合作效率，加强警务工作的整体协调性。
效果调研：
本申请的技术方案能够有效解决现有技术往往无法有效处理警务协同操作中存在的网络流量骤增的情况，该情况影响了信息的传输效率，而且无法区分不同类型的信息，不能确保高优先级信息的及时传输，对于动态的网络环境无法有效适应，从而影响了通信的稳定性和可靠性，并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够提高通信效率、加强紧急事件响应、优化资源利用、提高通信可靠性，加强协同合作，以及提升决策效能。这些效果有助于提高警务部门的工作效率和应对能力，进一步维护社会安全和秩序。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (8)
1.一种无线通信网络中警务协同通信优化方法，其特征在于，包括以下步骤：
S1、通过特征提取模块，构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据；所述智能去噪网络由五层算法架构组成，包括：去噪自编码层、批量规范化层、调整层、平均层和重构解码层；在去噪自编码层中使用去噪自编码器提取通信数据之间的时域相关性，具体公式表示为：
，
其中，表示从通信数据的时间序列中提取出的时域特征，/>表示去噪自编码器的映射函数，/>表示通信数据的时间序列；然后由批量规范化层将分散的数据进行统一，使优化更加平滑，具体计算过程如下：
，
其中，表示规范化结果，/>表示批量规范化层的权重系数，/>和/>分别为时域特征对应的样本均值和样本标准差，/>表示批量规范化层的偏置；调整层用于防止模型过拟合，调整层的计算公式为：
，
其中，表示调整结果，/>表示激活函数，/>表示调整层的权重系数，/>表示以概率p随机生成一个0、1的向量，/>表示调整层的偏置；平均层看作是一种模型平均，将输入的不同数据通过预设的权重平均起来，平均层的计算为：
，
其中，表示平均层输出，/>表示时域特征的权重，/>表示梯度关系权重；重构解码层基于长短期记忆网络将特征重新还原为原始序列，在重构解码层中通过对重构解码器进行训练，以找到使损失函数最小化的特征转换映射，从而实现从特征到重构时间序列的映射，提取通信内容特征数据；所述重构解码层的具体计算过程如下：
，
，
其中，表示重构的时间序列，/>表示重构解码层的映射函数；
S2、基于实时分析的需求，通过时间同步模块解决不同节点间的时间不同步问题；
S3、通过优先级分配模块得出通信数据的优先级评估值；
S4、通过协同工作模块解决协同工作中引发的冲突。
2.根据权利要求1所述的一种无线通信网络中警务协同通信优化方法，其特征在于，所述步骤S2，具体包括：
建立一个初始的同步参考框架，一个节点被选为主时钟，并被用作时间同步的参考，其他节点通过计算与主时钟的时间差并调整本地时钟来实现初步同步。
3.根据权利要求2所述的一种无线通信网络中警务协同通信优化方法，其特征在于，所述步骤S2，还包括：
基于调整本地时钟得到的初步同步，通过更精确地测量延迟来改进同步精度；节点之间发送时间戳，并计算发送和接收的时间差，通过多次测量和平均来减小误差并计算单程延迟；基于全局同步和延迟估计，收集每个节点的时钟读数，使用线性回归计算每个节点的时钟漂移率和偏移量，校准每个节点的本地时钟，进一步提高同步精度。
4.根据权利要求1所述的一种无线通信网络中警务协同通信优化方法，其特征在于，所述步骤S3，具体包括：
构建优先级评估模型，将警务部门的历史通信数据特征作为训练样本，输入到优先级评估模型中，输出当前通信数据的优先级评估值，所述优先级评估模型包括输入层、记忆层、奖励层、惩罚层和输出层；设立所述优先级评估模型的样本输入为，，/>表示任意一个样本输入值，/>表示样本输入数据的数量；输入层与记忆层为全连接模式，输入层将输入数据传递给记忆层：
，
，
，
其中，表示输入层的输出，/>表示输入层神经元的权重，/>表示输入层的偏置，表示记忆层的输入，/>表示输入层与记忆层的连接权重，/>表示记忆层的偏置，/>表示记忆层的输出，/>表示激活函数。
5.根据权利要求4所述的一种无线通信网络中警务协同通信优化方法，其特征在于，所述步骤S3，还包括：
记忆层将计算结果输出给奖励层和惩罚层，奖励层根据通信数据的传递网络性能计算奖励值，具体公式为：
，
，
其中，表示奖励层的输入，/>表示记忆层与奖励层的连接权重，/>表示奖励层的偏置，/>表示奖励层的输出，/>表示奖励层神经元的状态，/>表示奖励层神经元的数量，表示当前通信数据在传输时的网络通信参数信息，包括信号传输单位距离所需的功率、信号传输距离、网络拥堵系数、最大传输速度、传输量、传输功率消耗、传输时间，/>表示当前通信数据传输前后网络通信参数的波动差；记忆层将计算结果输出给惩罚层，惩罚层根据当前通信数据传输时的网络通信损耗计算惩罚值，具体公式为：
，
，
其中，表示惩罚层的输入，/>表示记忆层与惩罚层的连接权重，/>表示惩罚层的偏置，/>表示惩罚层的输出，/>表示惩罚基值，/>表示网络通信损耗，/>和/>是预设的惩罚值判断阈值，当当前通信数据造成的网络通信损耗小于等于/>时，根据第一惩罚系数计算惩罚值，当当前通信数据造成的网络通信损耗大于/>且小于/>时，根据第二惩罚系数/>计算惩罚值，当当前通信数据造成的网络通信损耗大于等于/>时，则根据第三惩罚系数/>计算惩罚值，/>；奖励层和惩罚层的计算结果输出给输出层，输出层输出最终的优先级结果，具体计算为：
，
其中，表示输出层的计算结果，根据输出的/>匹配对应的优先级，/>表示输出层的权重，/>表示输出层的偏置；计算模型输出与实际输出的误差，根据梯度下降法对模型参数进行优化，使误差处于合格范围，从而完成神经网络的训练，得到优先级评估模型；将获取的通信数据特征输入到优先级评估模型后，智能输出当前通信数据的优先级评估值。
6.根据权利要求1所述的一种无线通信网络中警务协同通信优化方法，其特征在于，所述步骤S4，具体包括：
协同工作的开始是通过资源分配算法确保每个节点获得与其能力相匹配的资源，每个节点根据其硬件和软件能力评估其资源能力，中心节点计算每个节点的资源分配，并通知每个节点；所述资源分配算法计算公式为：
，
其中，表示分配给第i个节点的任务量，/>表示第i个节点的资源能力，表示该节点可以承担多少工作量；/>表示总任务量；每个节点使用分配的资源执行任务，为后续的任务调度提供了必要的信息。
7.根据权利要求6所述的一种无线通信网络中警务协同通信优化方法，其特征在于，所述步骤S4，还包括：
为了确保任务在不同节点间的有效调度，通过权重因子和优先级来分配任务；设立共有m个任务，则第j个任务在第i个节点上的执行概率为：
，
其中，表示第j个任务在第i个节点上的执行概率，/>表示第j个任务的优先级，/>表示第j个任务的权重因子，/>和/>分别表示第k个任务的优先级和权重因子，/>；从而决定应该优先执行的节点任务；监控协同工作过程，并在检测到故障时采取措施；不断检测每个节点的状态以发现任何潜在故障；当检测到故障时，重新分配受影响节点的任务；当第i个节点出现故障时，其原本分配的任务量为/>，则重新分配给其他健康节点的任务量为：
，
其中，是第/>个节点重新分配的任务量，/>表示第/>个节点原本分配的任务量，/>表示第/>个节点的资源能力，/>表示第/>个节点的资源能力；根据新的任务分配更新执行计划；保证了即使在故障发生的情况下，协同工作也能无缝继续。
8.一种无线通信网络中警务协同通信优化系统，应用于权利要求1所述的一种无线通信网络中警务协同通信优化方法，其特征在于，具体包括以下内容：
中央处理单元和警务通信节点；
所述中央处理单元，用于实现无线通信网络中警务协同通信优化方法，中央处理单元包括：特征提取模块、时间同步模块、优先级分配模块、协同工作模块；中央处理单元与各个警务通信节点通过无线通信连接的方式进行信息传输；
所述特征提取模块，用于构建智能去噪网络，对通信数据进行去噪处理，提取时间戳信息、发送方和接收方的身份信息，以及通信内容特征数据，特征提取模块通过数据传输的方式与时间同步模块、优先级分配模块相连；
所述时间同步模块，用于设立主时钟，通过计算与主时钟的时间差并调整本地时钟来实现初步同步；基于全局同步和延迟估计，进一步提高同步精度；时间同步模块通过数据传输的方式与特征提取模块相连；
所述优先级分配模块，用于构建优先级评估模型，智能输出当前通信数据的优先级评估值，优先级分配模块通过数据传输的方式与协同工作模块相连；
所述协同工作模块，用于通过资源分配算法确保每个节点获得与其能力相匹配的资源；通过权重因子和优先级来分配任务，确保任务在不同节点间的有效调度；不断检测每个节点的状态以发现任何潜在故障，根据新的任务分配更新执行计划。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021089.5A CN116761194B (zh) | 2023-08-15 | 2023-08-15 | 一种无线通信网络中警务协同通信优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021089.5A CN116761194B (zh) | 2023-08-15 | 2023-08-15 | 一种无线通信网络中警务协同通信优化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116761194A CN116761194A (zh) | 2023-09-15 |
| CN116761194B true CN116761194B (zh) | 2023-11-03 |
Family
ID=87951770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311021089.5A Active CN116761194B (zh) | 2023-08-15 | 2023-08-15 | 一种无线通信网络中警务协同通信优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116761194B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171551B (zh) * | 2023-11-02 | 2024-01-30 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
| CN118215052A (zh) * | 2024-03-19 | 2024-06-18 | 烟台泓威电子科技有限公司 | 一种基于时间戳的警务协同网络通信优化算法 |
| CN118249374B (zh) * | 2024-05-29 | 2024-08-16 | 西北工业大学 | 一种电能质量数据的传输控制方法及装置 |
| CN118400724B (zh) * | 2024-06-25 | 2024-08-23 | 国家海洋信息中心 | 一种海洋应急通信调度方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
| CN111868662A (zh) * | 2018-03-22 | 2020-10-30 | 微软技术许可有限责任公司 | 时钟同步 |
| CN112616131A (zh) * | 2020-12-11 | 2021-04-06 | 北京邮电大学 | 一种基于视频内容优先级的车联网资源分配方法 |
| CN113038538A (zh) * | 2021-03-01 | 2021-06-25 | 许昌学院 | 智能配电网WSNs通信数据传输带宽的优化分配方法及装置 |
| CN114980324A (zh) * | 2022-04-12 | 2022-08-30 | 中国电子科技集团公司第七研究所 | 一种面向切片的低时延无线资源调度方法及系统 |
| CN115037749A (zh) * | 2022-06-08 | 2022-09-09 | 山东省计算中心（国家超级计算济南中心） | 一种性能感知的大规模微服务智能多资源协同调度方法及系统 |
| CN115208892A (zh) * | 2022-07-19 | 2022-10-18 | 河海大学 | 基于动态资源需求的车路协同在线任务调度方法及系统 |
| CN115396366A (zh) * | 2022-09-02 | 2022-11-25 | 湖南师范大学 | 基于图注意力网络的分布式智能路由方法 |
| CN116302578A (zh) * | 2023-05-25 | 2023-06-23 | 中国地质大学（北京） | 一种QoS约束的流应用延迟确保方法及系统 |
-
2023
- 2023-08-15 CN CN202311021089.5A patent/CN116761194B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
| CN111868662A (zh) * | 2018-03-22 | 2020-10-30 | 微软技术许可有限责任公司 | 时钟同步 |
| CN112616131A (zh) * | 2020-12-11 | 2021-04-06 | 北京邮电大学 | 一种基于视频内容优先级的车联网资源分配方法 |
| CN113038538A (zh) * | 2021-03-01 | 2021-06-25 | 许昌学院 | 智能配电网WSNs通信数据传输带宽的优化分配方法及装置 |
| CN114980324A (zh) * | 2022-04-12 | 2022-08-30 | 中国电子科技集团公司第七研究所 | 一种面向切片的低时延无线资源调度方法及系统 |
| CN115037749A (zh) * | 2022-06-08 | 2022-09-09 | 山东省计算中心（国家超级计算济南中心） | 一种性能感知的大规模微服务智能多资源协同调度方法及系统 |
| CN115208892A (zh) * | 2022-07-19 | 2022-10-18 | 河海大学 | 基于动态资源需求的车路协同在线任务调度方法及系统 |
| CN115396366A (zh) * | 2022-09-02 | 2022-11-25 | 湖南师范大学 | 基于图注意力网络的分布式智能路由方法 |
| CN116302578A (zh) * | 2023-05-25 | 2023-06-23 | 中国地质大学（北京） | 一种QoS约束的流应用延迟确保方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于混合任务网络的智慧制造任务协同分配模型;任磊等;计算机集成制造系统;第24卷(第4期);1-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116761194A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116761194B (zh) | 一种无线通信网络中警务协同通信优化系统及方法 | |
| Sun et al. | WNN-LQE: Wavelet-neural-network-based link quality estimation for smart grid WSNs | |
| Said et al. | Accurate performance prediction of IoT communication systems for smart cities: An efficient deep learning based solution | |
| Sharma et al. | Communication network topology inference via transfer entropy | |
| US10588110B2 (en) | Location accuracy assessment and remediation for indoor positioning system deployments | |
| CN112684301B (zh) | 一种电网故障的检测方法和装置 | |
| US20190239158A1 (en) | Predicting and forecasting roaming issues in a wireless network | |
| Dahiya et al. | Efficient green solution for a balanced energy consumption and delay in the iot-fog-cloud computing | |
| CN110460662A (zh) | 物联网数据的处理方法和系统 | |
| CN116235529A (zh) | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 | |
| CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN111656751A (zh) | 针对位置感测对移动装置分组 | |
| US11838192B2 (en) | Apparatus and method for monitoring network | |
| EP3025452B1 (en) | Monitoring network use of resources | |
| Jalal et al. | Towards a water quality monitoring system based on wireless sensor networks | |
| CN114490303B (zh) | 故障根因确定方法、装置和云设备 | |
| WO2023061303A1 (zh) | 大尺度衰落的建模及估计方法、系统、设备和存储介质 | |
| CN113572639B (zh) | 一种载波网络故障的诊断方法、系统、设备和介质 | |
| US20230132213A1 (en) | Managing bias in federated learning | |
| Bardalai et al. | Throughput prediction in smart healthcare network using machine learning approaches | |
| EP4071670A1 (en) | Technical system for a centralized generation of a plurality of trained, retrained and/or monitored machine learning models, wherein the generated machine learning models are executed decentral | |
| US20240289209A1 (en) | Method and apparatus for detecting and explaining anomalies | |
| CN114819367A (zh) | 一种基于工业互联网的公共服务平台 | |
| CN111092755B (zh) | 一种基于资源占用的边缘服务迁移仿真方法 | |
| CN116522213A (zh) | 业务状态级别分类及分类模型训练方法、电子设备 |
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 |