CN117221846A - 多蓝牙传感器的自组网方法及蓝牙网络 - Google Patents
多蓝牙传感器的自组网方法及蓝牙网络 Download PDFInfo
- Publication number
- CN117221846A CN117221846A CN202311028602.3A CN202311028602A CN117221846A CN 117221846 A CN117221846 A CN 117221846A CN 202311028602 A CN202311028602 A CN 202311028602A CN 117221846 A CN117221846 A CN 117221846A
- Authority
- CN
- China
- Prior art keywords
- bluetooth
- sensors
- data
- sensor
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005540 biological transmission Effects 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 230000006855 networking Effects 0.000 claims abstract description 31
- 230000000977 initiatory effect Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 33
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种多蓝牙传感器的自组网方法及蓝牙网络,该方法包括:获取设置在目标组网区域的多个蓝牙传感器的设备信息;从所述多个蓝牙传感器中确定出第一蓝牙传感器;根据所述设备信息,基于最优路径预测算法,以所述第一蓝牙传感器为发起点,从所述多个蓝牙传感器中确定出最优的几个所述蓝牙传感器以建立起蓝牙传感器网络;所述蓝牙传感器网络用于实现所述目标组网区域的数据交换和数据判断。可见,本发明能够基于最优路径预测算法来确定出蓝牙传感器网络,从而能够实现更加高效和合理地蓝牙自组网的建立,同时所建立的蓝牙自组网也能够提高区域内的蓝牙数据的传输效率。
Description
技术领域
本发明涉及蓝牙网络技术领域,尤其涉及一种多蓝牙传感器的自组网方法及蓝牙网络。
背景技术
随着物联网技术的发展和成熟,越来越多的传感器和智能设备开始进入到用户的生活场景中,其中,蓝牙通信技术作为现有的成熟和低成本的通信技术,被物联网设备大量的采用,从而使得蓝牙设备也大量地被应用。
但现有技术在面对蓝牙设备的数据传输问题时,一般只专注于提高蓝牙的数据传输方式,没有考虑到充分考虑蓝牙传输数据路径的选择以建立起更加高效和合理的蓝牙网络。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种多蓝牙传感器的自组网方法及蓝牙网络,能够实现更加高效和合理地蓝牙自组网的建立,同时所建立的蓝牙自组网也能够提高区域内的蓝牙数据的传输效率。
为了解决上述技术问题,本发明第一方面公开了一种多蓝牙传感器的自组网方法,所述方法包括:
获取设置在目标组网区域的多个蓝牙传感器的设备信息;
从所述多个蓝牙传感器中确定出第一蓝牙传感器;
根据所述设备信息,基于最优路径预测算法,以所述第一蓝牙传感器为发起点,从所述多个蓝牙传感器中确定出最优的几个所述蓝牙传感器以建立起蓝牙传感器网络;所述蓝牙传感器网络用于实现所述目标组网区域的数据交换和数据判断。
作为一个可选的实施方式,在本发明第一方面中,所述蓝牙传感器可以为温度传感器、湿度传感器、图像传感器、测距传感器中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述设备信息包括设备类型、设备位置、设备历史数据传输失败率、设备运行情况监控数据中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述从所述多个蓝牙传感器中确定出第一蓝牙传感器,包括:
获取所述目标组网区域的用户活动信息;
根据所述用户活动信息,以及神经网络算法模型,确定所述目标组网区域对应的预测设备使用行为;
根据所述预测设备使用行为和所述设备信息,以及预设的行为匹配规则,从所述多个蓝牙传感器中确定出所述设备信息与所述预测设备使用行为最匹配的第一蓝牙传感器。
作为一个可选的实施方式,在本发明第一方面中,所述用户活动信息包括用户请求信息、用户动作信息、用户行动轨迹信息、用户发送数据信息中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述用户活动信息,以及神经网络算法模型,确定所述目标组网区域对应的预测设备使用行为,包括:
将所述用户活动信息输入至预先训练好的第一神经网络算法模型中,以得到输出的所述目标组网区域对应的预测设备使用行为;所述第一神经网络算法模型为包括多个第一子算法模型的随机森林算法模型;每一所述第一子算法模型通过包括有多个同一数据类型的训练用户活动信息和对应的预测设备使用行为标注的训练数据集训练得到。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述设备信息,基于最优路径预测算法,以所述第一蓝牙传感器为发起点,从所述多个蓝牙传感器中确定出最优的几个所述蓝牙传感器以建立起蓝牙传感器网络,包括:
根据所述设备信息和神经网络算法,确定任意两个所述蓝牙传感器之间的第一数据预测传输质量;
根据所述预测设备使用行为,以及预设的行为目标对应规则,确定所述预测设备使用行为对应的数据传输的目标函数和限制条件;
基于动态规划算法模型,根据所述目标函数、所述限制条件和所述第一数据预测传输质量,基于迭代演算出至少两条最优数据传输路径;所述最优数据传输路径为以所述第一蓝牙传感器为发起点的满足所述目标函数和限制条件的多个所述蓝牙传感器之间的数据传输路径;
建立所有所述最优数据传输路径上的所有所述蓝牙传感器之间的蓝牙传感器网络。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述设备信息和神经网络算法,确定任意两个所述蓝牙传感器之间的第一数据预测传输质量,包括:
将任意两个所述蓝牙传感器对应的设备信息输入至预先训练好的第二神经网络算法模型中,以得到输出的该两个所述蓝牙传感器之间的第一数据预测传输质量;所述第二神经网络算法模型通过包括有多个训练蓝牙传感器的设备信息和对应的数据传输质量标注的训练数据集训练得到。
作为一个可选的实施方式,在本发明第一方面中,所述方法还包括:
获取所述蓝牙传感器网络的实时数据传输记录;
根据所述实时数据传输记录中任意两个所述蓝牙传感器之间的传输数据记录,以及所述第二神经网络算法模型,计算该两个所述蓝牙传感器之间的第二数据预测传输质量;
判断所述蓝牙传感器网络中所有所述蓝牙传感器对应的所述第二数据预测传输质量的平均值是否大于平均参考值;所述平均参考值为所述蓝牙传感器网络中所有所述蓝牙传感器对应的所述第一数据预测传输质量的平均值;
若否,则根据所述实时数据传输记录,重新执行建立蓝牙传感器网络的步骤。
本发明第二方面公开了一种蓝牙网络,所述蓝牙网络通过执行本发明第一方面公开的多蓝牙传感器的自组网方法中的部分或全部步骤建立。
与现有技术相比,本发明具有以下有益效果:
本发明能够基于最优路径预测算法来确定出蓝牙传感器网络,从而能够实现更加高效和合理地蓝牙自组网的建立,同时所建立的蓝牙自组网也能够提高区域内的蓝牙数据的传输效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是本发明实施例公开的一种多蓝牙传感器的自组网方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种多蓝牙传感器的自组网方法及蓝牙网络,能够基于最优路径预测算法来确定出蓝牙传感器网络,从而能够实现更加高效和合理地蓝牙自组网的建立,同时所建立的蓝牙自组网也能够提高区域内的蓝牙数据的传输效率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种多蓝牙传感器的自组网方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该多蓝牙传感器的自组网方法可以包括以下操作:
101、获取设置在目标组网区域的多个蓝牙传感器的设备信息。
可选的,目标组网区域可以为家居生活区域、商业运营区域或公共服务区域中的至少一种。
可选的,蓝牙传感器可以为温度传感器、湿度传感器、图像传感器、测距传感器中的至少一种。
可选的,设备信息包括设备类型、设备位置、设备历史数据传输失败率、设备运行情况监控数据中的至少一种。
102、从多个蓝牙传感器中确定出第一蓝牙传感器。
103、根据设备信息,基于最优路径预测算法,以第一蓝牙传感器为发起点,从多个蓝牙传感器中确定出最优的几个蓝牙传感器以建立起蓝牙传感器网络。
具体的,蓝牙传感器网络用于实现目标组网区域的数据交换和数据判断。
可见,实施本发明实施例所描述的方法能够基于最优路径预测算法来确定出蓝牙传感器网络,从而能够实现更加高效和合理地蓝牙自组网的建立,同时所建立的蓝牙自组网也能够提高区域内的蓝牙数据的传输效率。
作为一个可选的实施例,上述步骤中的,从多个蓝牙传感器中确定出第一蓝牙传感器,包括:
获取目标组网区域的用户活动信息;
根据用户活动信息,以及神经网络算法模型,确定目标组网区域对应的预测设备使用行为;
根据预测设备使用行为和设备信息,以及预设的行为匹配规则,从多个蓝牙传感器中确定出设备信息与预测设备使用行为最匹配的第一蓝牙传感器。
可选的,用户活动信息包括用户请求信息、用户动作信息、用户行动轨迹信息、用户发送数据信息中的至少一种。可选的,可以通过设置在目标组网区域的网络请求获取设备,如路由器,或传感设备,如摄像头或红外测距器,来获取上述用户活动信息。
可选的,行为匹配规则可以由操作人员预先设定,其用于限定不同的设备使用行为对应的最匹配的设备信息,其可以通过经验或实验结果来设定,也可以通过数据统计来确定。
通过上述实施例,能够根据用户活动信息,以及神经网络算法模型,确定目标组网区域对应的预测设备使用行为,再根据预测设备使用行为和设备信息,以及预设的行为匹配规则,从多个蓝牙传感器中确定出设备信息与预测设备使用行为最匹配的第一蓝牙传感器,从而能够确定出更加合适的第一蓝牙传感器作为网络组建的发起点,以提高网络建立的效率和合理性。
作为一个可选的实施例,上述步骤中的,根据用户活动信息,以及神经网络算法模型,确定目标组网区域对应的预测设备使用行为,包括:
将用户活动信息输入至预先训练好的第一神经网络算法模型中,以得到输出的目标组网区域对应的预测设备使用行为;第一神经网络算法模型为包括多个第一子算法模型的随机森林算法模型;每一第一子算法模型通过包括有多个同一数据类型的训练用户活动信息和对应的预测设备使用行为标注的训练数据集训练得到。
具体的,不同的第一子算法模型通过不同类型的用户活动信息,如用户请求信息、用户动作信息、用户行动轨迹信息或用户发送数据信息,最多可以设置四个第一子算法模型。
通过上述实施例,能够根据包括多个第一子算法模型的随机森林算法模型,确定目标组网区域对应的预测设备使用行为,从而能够更准确预测用户的设备使用行为,以在后续确定出更加合适的第一蓝牙传感器作为网络组建的发起点,以提高网络建立的效率和合理性。
作为一个可选的实施例,上述步骤中的,根据设备信息,基于最优路径预测算法,以第一蓝牙传感器为发起点,从多个蓝牙传感器中确定出最优的几个蓝牙传感器以建立起蓝牙传感器网络,包括:
根据设备信息和神经网络算法,确定任意两个蓝牙传感器之间的第一数据预测传输质量;
根据预测设备使用行为,以及预设的行为目标对应规则,确定预测设备使用行为对应的数据传输的目标函数和限制条件;
基于动态规划算法模型,根据目标函数、限制条件和第一数据预测传输质量,基于迭代演算出至少两条最优数据传输路径;最优数据传输路径为以第一蓝牙传感器为发起点的满足目标函数和限制条件的多个蓝牙传感器之间的数据传输路径;
建立所有最优数据传输路径上的所有蓝牙传感器之间的蓝牙传感器网络。
可选的,行为目标对应规则可以由操作人员预先设定,其用于限定不同的设备使用行为对应的用户期望的数据传输目标函数和限制条件,其可以通过经验或实验结果来设定,也可以通过数据统计来确定,例如统计出用户最满意的特定设备使用行为体验对应的数据传输指标值,以确定为目标函数,和/或,统计出用户最不满意的特定设备使用行为体验对应的数据传输指标值,以确定为限制条件。
可选的,动态规划算法可以为粒子群算法模型。
通过上述实施例,能够根据上一步骤确定的用户预测行为,以及动态规划算法模型,演算出至少两条最优数据传输路径,从而能够更准确确定出数据传输效果更好的蓝牙设备以组成蓝牙传感器网络。
作为一个可选的实施例,上述步骤中的,根据设备信息和神经网络算法,确定任意两个蓝牙传感器之间的第一数据预测传输质量,包括:
将任意两个蓝牙传感器对应的设备信息输入至预先训练好的第二神经网络算法模型中,以得到输出的该两个蓝牙传感器之间的第一数据预测传输质量;第二神经网络算法模型通过包括有多个训练蓝牙传感器的设备信息和对应的数据传输质量标注的训练数据集训练得到。
具体的,数据传输质量的预测值或标注值,可以为数据传输效率、数据传输成功率中的一种或两种的加权求和平均值。
通过上述实施例,能够根据第二神经网络算法模型来预测两个蓝牙传感器之间的数据预测传输质量,从而能够在后续根据这一预测结果和动态规划算法,更准确确定出数据传输效果更好的蓝牙设备以组成蓝牙传感器网络。
作为一个可选的实施例,该方法还包括:
获取蓝牙传感器网络的实时数据传输记录;
根据实时数据传输记录中任意两个蓝牙传感器之间的传输数据记录,以及第二神经网络算法模型,计算该两个蓝牙传感器之间的第二数据预测传输质量;
判断蓝牙传感器网络中所有蓝牙传感器对应的第二数据预测传输质量的平均值是否大于平均参考值;平均参考值为蓝牙传感器网络中所有蓝牙传感器对应的第一数据预测传输质量的平均值;
若否,则根据实时数据传输记录,重新执行建立蓝牙传感器网络的步骤。
通过上述实施例,能够通过实时对蓝牙传感器网络中的设备传输质量的判断来确定其是否存在故障或问题,并在判断出传输质量不如参考值时重新进行网络的建立,从而可以实现在网络建立后对网络进行有效的监控和调整,以达到最优的效果。
实施例二
本发明实施例公开了一种蓝牙网络,该蓝牙网络通过执行本发明实施例一公开的多蓝牙传感器的自组网方法中的部分或全部步骤来建立。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
最后应说明的是:本发明实施例公开的一种多蓝牙传感器的自组网方法及蓝牙网络所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种多蓝牙传感器的自组网方法,其特征在于,所述方法包括:
获取设置在目标组网区域的多个蓝牙传感器的设备信息;
从所述多个蓝牙传感器中确定出第一蓝牙传感器;
根据所述设备信息,基于最优路径预测算法,以所述第一蓝牙传感器为发起点,从所述多个蓝牙传感器中确定出最优的几个所述蓝牙传感器以建立起蓝牙传感器网络;所述蓝牙传感器网络用于实现所述目标组网区域的数据交换和数据判断。
2.根据权利要求1所述的多蓝牙传感器的自组网方法,其特征在于,所述蓝牙传感器可以为温度传感器、湿度传感器、图像传感器、测距传感器中的至少一种。
3.根据权利要求2所述的多蓝牙传感器的自组网方法,其特征在于,所述设备信息包括设备类型、设备位置、设备历史数据传输失败率、设备运行情况监控数据中的至少一种。
4.根据权利要求3所述的多蓝牙传感器的自组网方法,其特征在于,所述从所述多个蓝牙传感器中确定出第一蓝牙传感器,包括:
获取所述目标组网区域的用户活动信息;
根据所述用户活动信息,以及神经网络算法模型,确定所述目标组网区域对应的预测设备使用行为;
根据所述预测设备使用行为和所述设备信息,以及预设的行为匹配规则,从所述多个蓝牙传感器中确定出所述设备信息与所述预测设备使用行为最匹配的第一蓝牙传感器。
5.根据权利要求4所述的多蓝牙传感器的自组网方法,其特征在于,所述用户活动信息包括用户请求信息、用户动作信息、用户行动轨迹信息、用户发送数据信息中的至少一种。
6.根据权利要求5所述的多蓝牙传感器的自组网方法,其特征在于,所述根据所述用户活动信息,以及神经网络算法模型,确定所述目标组网区域对应的预测设备使用行为,包括:
将所述用户活动信息输入至预先训练好的第一神经网络算法模型中,以得到输出的所述目标组网区域对应的预测设备使用行为;所述第一神经网络算法模型为包括多个第一子算法模型的随机森林算法模型;每一所述第一子算法模型通过包括有多个同一数据类型的训练用户活动信息和对应的预测设备使用行为标注的训练数据集训练得到。
7.根据权利要求5所述的多蓝牙传感器的自组网方法,其特征在于,所述根据所述设备信息,基于最优路径预测算法,以所述第一蓝牙传感器为发起点,从所述多个蓝牙传感器中确定出最优的几个所述蓝牙传感器以建立起蓝牙传感器网络,包括:
根据所述设备信息和神经网络算法,确定任意两个所述蓝牙传感器之间的第一数据预测传输质量;
根据所述预测设备使用行为,以及预设的行为目标对应规则,确定所述预测设备使用行为对应的数据传输的目标函数和限制条件;
基于动态规划算法模型,根据所述目标函数、所述限制条件和所述第一数据预测传输质量,基于迭代演算出至少两条最优数据传输路径;所述最优数据传输路径为以所述第一蓝牙传感器为发起点的满足所述目标函数和限制条件的多个所述蓝牙传感器之间的数据传输路径;
建立所有所述最优数据传输路径上的所有所述蓝牙传感器之间的蓝牙传感器网络。
8.根据权利要求7所述的多蓝牙传感器的自组网方法,其特征在于,所述根据所述设备信息和神经网络算法,确定任意两个所述蓝牙传感器之间的第一数据预测传输质量,包括:
将任意两个所述蓝牙传感器对应的设备信息输入至预先训练好的第二神经网络算法模型中,以得到输出的该两个所述蓝牙传感器之间的第一数据预测传输质量;所述第二神经网络算法模型通过包括有多个训练蓝牙传感器的设备信息和对应的数据传输质量标注的训练数据集训练得到。
9.根据权利要求8所述的多蓝牙传感器的自组网方法,其特征在于,所述方法还包括:
获取所述蓝牙传感器网络的实时数据传输记录;
根据所述实时数据传输记录中任意两个所述蓝牙传感器之间的传输数据记录,以及所述第二神经网络算法模型,计算该两个所述蓝牙传感器之间的第二数据预测传输质量;
判断所述蓝牙传感器网络中所有所述蓝牙传感器对应的所述第二数据预测传输质量的平均值是否大于平均参考值;所述平均参考值为所述蓝牙传感器网络中所有所述蓝牙传感器对应的所述第一数据预测传输质量的平均值;
若否,则根据所述实时数据传输记录,重新执行建立蓝牙传感器网络的步骤。
10.一种蓝牙网络,其特征在于,所述蓝牙网络通过执行如权利要求1-9任一项所述的多蓝牙传感器的自组网方法建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028602.3A CN117221846B (zh) | 2023-08-15 | 2023-08-15 | 多蓝牙传感器的自组网方法及蓝牙网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028602.3A CN117221846B (zh) | 2023-08-15 | 2023-08-15 | 多蓝牙传感器的自组网方法及蓝牙网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117221846A true CN117221846A (zh) | 2023-12-12 |
CN117221846B CN117221846B (zh) | 2024-05-17 |
Family
ID=89048693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311028602.3A Active CN117221846B (zh) | 2023-08-15 | 2023-08-15 | 多蓝牙传感器的自组网方法及蓝牙网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221846B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101951659A (zh) * | 2010-08-13 | 2011-01-19 | 华南理工大学 | 传感器网络自组织方法及基于该方法的移动终端系统 |
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
US20190190815A1 (en) * | 2017-12-18 | 2019-06-20 | Cisco Technology, Inc. | Inspired path computation in a network |
US20190349252A1 (en) * | 2018-05-14 | 2019-11-14 | Alibaba Group Holding Limited | Bluetooth mesh network provisioning |
CN114189887A (zh) * | 2021-11-23 | 2022-03-15 | 西安电子科技大学 | 基于改进麻雀搜索算法优化移动自组网网络路由的方法 |
US20220155079A1 (en) * | 2020-11-13 | 2022-05-19 | Naver Corporation | Deep smartphone sensors fusion for indoor positioning and tracking |
CN115396942A (zh) * | 2022-08-31 | 2022-11-25 | 佛山市川东磁电股份有限公司 | 一种无线传感器网络状态监测系统及方法 |
-
2023
- 2023-08-15 CN CN202311028602.3A patent/CN117221846B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101951659A (zh) * | 2010-08-13 | 2011-01-19 | 华南理工大学 | 传感器网络自组织方法及基于该方法的移动终端系统 |
US20190190815A1 (en) * | 2017-12-18 | 2019-06-20 | Cisco Technology, Inc. | Inspired path computation in a network |
US20190349252A1 (en) * | 2018-05-14 | 2019-11-14 | Alibaba Group Holding Limited | Bluetooth mesh network provisioning |
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
US20220155079A1 (en) * | 2020-11-13 | 2022-05-19 | Naver Corporation | Deep smartphone sensors fusion for indoor positioning and tracking |
CN114189887A (zh) * | 2021-11-23 | 2022-03-15 | 西安电子科技大学 | 基于改进麻雀搜索算法优化移动自组网网络路由的方法 |
CN115396942A (zh) * | 2022-08-31 | 2022-11-25 | 佛山市川东磁电股份有限公司 | 一种无线传感器网络状态监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117221846B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679686B (zh) | 一种业务执行方法及装置 | |
CN111325444B (zh) | 一种风险防控决策方法、装置、系统及设备 | |
CN110018920A (zh) | 一种页面展示异常的检测方法、装置及设备 | |
Muccini et al. | A machine learning-driven approach for proactive decision making in adaptive architectures | |
CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及系统 | |
CN115729796A (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
CN116611006A (zh) | 基于用户反馈的电水壶的故障识别方法及装置 | |
CN116823521B (zh) | 基于ai算法的智能二次供水终端控制系统 | |
CN117221846B (zh) | 多蓝牙传感器的自组网方法及蓝牙网络 | |
CN114124838B (zh) | 大数据平台的数据传输方法、装置及大数据平台管理系统 | |
US11803919B2 (en) | Dynamic collection and distribution of contextual data | |
CN111428886B (zh) | 一种故障诊断的深度学习模型自适应更新的方法及装置 | |
CN116796208B (zh) | 基于历史数据的电水壶过热保护方法及装置 | |
CN117216505B (zh) | 基于智慧家居使用记录的用户习惯预测方法及系统 | |
CN118133156B (zh) | 用于校园风险监控的物联网数据处理方法及系统 | |
CN116561735B (zh) | 一种基于多认证源的互信认证方法、系统及电子设备 | |
CN114296357B (zh) | 功能数据的处理方法及装置、电子设备、存储介质 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 | |
CN118760529A (zh) | 基于异构规划的算力调度策略确定方法及系统 | |
CN118664909A (zh) | 基于流量数据的3d打印异常分析方法及系统 | |
CN118796905A (zh) | 基于参数匹配的模型数据库管理方法及系统 | |
CN118452694A (zh) | 一种煮茶的加热控制方法及系统 | |
CN118760528A (zh) | 基于人工智能的算力匹配方法及系统 | |
CN118520385A (zh) | 基于数据分类处理的智能指环数据处理方法及系统 | |
CN118864048A (zh) | 一种基于强化学习的金融服务产品推荐方法、设备及介质 |
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 |