CN117579101B - 载波通讯模块的控制方法及其系统 - Google Patents
载波通讯模块的控制方法及其系统 Download PDFInfo
- Publication number
- CN117579101B CN117579101B CN202410065988.3A CN202410065988A CN117579101B CN 117579101 B CN117579101 B CN 117579101B CN 202410065988 A CN202410065988 A CN 202410065988A CN 117579101 B CN117579101 B CN 117579101B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature
- signal intensity
- sequence
- signal strength
- 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 109
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 233
- 238000012546 transfer Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000003247 decreasing effect Effects 0.000 claims abstract description 14
- 238000012098 association analyses Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 100
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- -1 s131 Substances 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/04—Control of transmission; Equalising
- H04B3/06—Control of transmission; Equalising by the transmitted signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
- H04B3/542—Systems for transmission via power distribution lines the information being in digital form
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种载波通讯模块的控制方法及其系统。其首先将电力线信号在预定时间段内多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量,接着,对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列,然后,对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量,接着,将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征,最后,基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。这样,可以提高载波通讯模块性能。
Description
技术领域
本申请涉及载波通信领域,且更为具体地,涉及一种载波通讯模块的控制方法及其系统。
背景技术
载波通讯模块是一种用于在电力线或其他传输介质上进行通信的设备。载波通讯模块能够利用载波通信技术,将数据信号调制到高频载波上,通过传输介质进行传输。在电力线通信中,载波通讯模块可以利用电力线作为传输介质,实现智能电网、家庭自动化、远程监控等应用。然而,由于电力线本身的复杂性和噪声干扰,载波通讯模块的通讯性能受到很大的影响,如通讯速率、可靠性、稳定性等。为了提高载波通讯模块的通信效率和稳定性,需要根据不同的通信需求和通信环境动态调整其工作参数。
因此,期望一种载波通讯模块的控制方案。
发明内容
有鉴于此,本申请提出了一种载波通讯模块的控制方法及其系统,其通过对信号强度进行实时监测和分析,可以根据信号强度的变化来自动调节载波通讯模块的工作参数,以适应不同的通信环境,从而提高载波通讯模块性能。
根据本申请的一方面,提供了一种载波通讯模块的控制方法,其包括:
获取电力线信号在预定时间段内多个预定时间点的信号强度值;
将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量;
对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列;
对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量;
将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征;以及
基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。
根据本申请的另一方面,提供了一种载波通讯模块的控制系统,其包括:
信号强度值获取模块,用于获取电力线信号在预定时间段内多个预定时间点的信号强度值;
向量化模块,用于将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量;
局部时序特征分析模块,用于对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列;
转移关联分析模块,用于对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量;
特征嵌入关联编码模块,用于将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征;以及
工作频率控制模块,用于基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。
根据本申请的实施例,其首先将电力线信号在预定时间段内多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量,接着,对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列,然后,对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量,接着,将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征,最后,基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。这样,可以提高载波通讯模块性能。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的载波通讯模块的控制方法的流程图。
图2示出根据本申请的实施例的载波通讯模块的控制方法的架构示意图。
图3示出根据本申请的实施例的载波通讯模块的控制方法的子步骤S130的流程图。
图4示出根据本申请的实施例的载波通讯模块的控制方法的子步骤S150的流程图。
图5示出根据本申请的实施例的载波通讯模块的控制系统的框图。
图6示出根据本申请的实施例的载波通讯模块的控制方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
应可以理解,通信环境的变化可能导致信号强度的波动,而信号强度的波动会影响通信速率、可靠性和数据传输的错误率。因此,通过对信号强度进行实时监测和分析,可以根据信号强度的变化来自动调节载波通讯模块的工作参数,以适应不同的通信环境,从而提高载波通讯模块性能。
基于此,本申请的技术构思为通过实时监测采集电力线信号的信号强度,并在后端引入数据处理和分析算法来进行信号强度的时序分析,以此来进行载波通讯模块的工作参数的自适应控制。通过这样的方式,能够根据电力线的实时信号状况和不同的通讯需求,自动动态调整载波通讯模块的工作参数,以适应不同的通讯环境,提高载波通讯模块的通讯速率和可靠性,降低数据丢失和错误率,并能够减少载波通讯模块对电力线的干扰,提高电力线的安全性和稳定性。
图1示出根据本申请的实施例的载波通讯模块的控制方法的流程图。图2示出根据本申请的实施例的载波通讯模块的控制方法的架构示意图。如图1和图2所示,根据本申请实施例的载波通讯模块的控制方法,包括步骤:S110,获取电力线信号在预定时间段内多个预定时间点的信号强度值;S120,将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量;S130,对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列;S140,对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量;S150,将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征;以及,S160,基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。
具体地,在本申请的技术方案中,首先,获取电力线信号在预定时间段内多个预定时间点的信号强度值。接着,考虑到所述信号强度值在时间维度上具有着时序动态变化规律,也就是说,所述多个预定时间点的信号强度值之间具有着时序的关联关系。因此,为了能够对于信号强度值的时序变化模式和趋势进行分析和特征刻画,在本申请的技术方案中,需要将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量,以整合所述信号强度值在时间维度上的时序分布信息。
在载波通讯中,信号强度的变化可以反映通信环境的变化。通过对信号强度进行时序分析,可以获取信号强度的波动情况和趋势变化,从而更好地理解通信环境的动态特性。而为了更好地捕捉信号强度的时序特征,需要进一步将所述信号强度时序输入向量进行向量切分,以将连续的信号强度时序数据划分为多个局部时序输入向量,其中,每个信号强度局部时序输入向量代表了一段时间内的信号强度变化情况。这样,能够更细粒度地分析信号强度的变化,以捕捉到更多的信号强度时序特征信息。
然后,将所述信号强度局部时序输入向量的序列分别通过基于卷积神经网络模型的时序特征提取器中进行特征挖掘,以分别提取出所述信号强度值在各个局部时间段内的局部时序特征信息,从而得到信号强度局部时序特征向量的序列。
相应地,如图3所示,在步骤S130中,对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列,包括:S131,将所述信号强度时序输入向量进行向量切分以得到信号强度局部时序输入向量的序列;以及,S132,将所述信号强度局部时序输入向量的序列分别通过基于卷积神经网络模型的时序特征提取器以得到所述信号强度局部时序特征向量的序列。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,专门用于处理具有网格结构的数据。卷积神经网络通过使用卷积层和池化层来提取输入数据的局部特征。卷积层通过应用一组可学习的滤波器(也称为卷积核)在输入数据上进行滑动窗口操作,从而捕捉输入数据的空间或时序局部模式。池化层则通过减小特征图的空间或时序维度来减少参数数量,并提取更加鲁棒的特征。在时序数据的处理中,卷积神经网络的输入通常是一个多通道的时序数据,例如在处理信号强度时序输入向量时,可以将每个时间步的信号强度作为一个通道。通过卷积层和池化层的组合,卷积神经网络可以学习到输入数据的局部时序模式,并生成对应的时序特征向量。在步骤S132中,基于卷积神经网络模型的时序特征提取器会通过卷积层和池化层来提取信号强度的局部时序特征,并生成相应的特征向量序列。
进一步地,在实际的载波通讯中,通信环境的变化可能导致信号强度的波动,而信号强度的波动会影响通信速率、可靠性和数据传输的错误率。而如果信号强度没有发生波动情况,那么各个局部时间段内的所述信号强度局部时序特征向量所表达的信号强度局部时序特征具有着较高的相似性。因此,为了能够对于信号强度的时序变化模式和波动情况进行更为准确地监测,在本申请的技术方案中,进一步计算所述信号强度局部时序特征向量的序列中每相邻两个信号强度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的信号强度特征时序波形特征向量。通过这样的方式,能够计算所述各个局部时间段内的信号强度时序特征之间的转移关联模式和特征信息,从而提取出代表信号强度波动模式和转移特性的特征,以便于更为准确地对于信号强度的波动情况进行分析。
相应地,在步骤S140中,对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量,包括:计算所述信号强度局部时序特征向量的序列中每相邻两个信号强度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的所述信号强度特征时序波形特征向量。
应可以理解,转移关联分析是一种用于捕捉时序数据中相邻数据点之间的关系和演变规律的方法,在步骤S140中,通过计算信号强度局部时序特征向量序列中每相邻两个特征向量之间的转移矩阵的全局均值,可以得到由多个全局均值组成的信号强度特征时序波形特征向量。这个步骤的目的是提取信号强度时序数据中的波形特征,即捕捉信号强度随时间的变化趋势和模式。通过计算转移矩阵的全局均值,可以获取相邻特征向量之间的平均转移情况,反映了信号强度在时序上的演变规律。多个全局均值组成的特征向量可以用来表示整个信号强度时序波形的特征。这个步骤的用途包括:1.特征提取:通过计算转移矩阵的全局均值,可以从原始的信号强度时序数据中提取出更具有代表性的波形特征,用于后续的分析和建模。2.模式识别:通过分析信号强度特征时序波形特征向量,可以识别和分类不同的信号强度波形模式,例如识别不同类型的无线信号或检测异常波形。3.相关性分析:通过比较不同信号强度特征时序波形特征向量之间的差异和相似性,可以进行信号之间的关联性分析,例如判断是否存在同步或相关的信号源。总之,通过转移关联分析并提取信号强度特征时序波形特征向量,可以从时序数据中提取出更具有代表性和可解释性的特征,帮助理解信号的演变规律。
在载波通讯中,所述信号强度的时序特征和波动特征都包含了有关通信环境和信号传输的重要信息。具体来说,所述时序特征可以反映信号强度的变化趋势和周期性,而波动特征可以描述信号强度的波动情况。因此,为了利用关于信号强度的时序特征信息和波动特征信息来进行电力线信号状况的监测,以此来更为准确地进行载波通讯模块的工作参数调整,在本申请的技术方案中,进一步将所述信号强度局部时序特征向量的序列和所述信号强度特征时序波形特征向量通过特征嵌入模块以得到波动嵌入信号强度时序语义特征向量。通过将所述信号强度局部时序特征向量的序列和所述信号强度特征时序波形特征向量进行特征嵌入,可以将它们的时序特征信息融合在一起,得到所述波动嵌入信号强度时序语义特征向量。这样,能够综合考虑到有关信号强度的不同特征的贡献,提取出更具代表性和区分度的特征表示。
相应地,在步骤S150中,将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征,包括:将所述信号强度局部时序特征向量的序列和所述信号强度特征时序波形特征向量通过特征嵌入模块以得到波动嵌入信号强度时序语义特征向量作为所述波动嵌入信号强度时序语义特征。
应可以理解,将信号强度局部时序特征向量的序列和信号强度特征时序波形特征向量通过特征嵌入模块进行融合,可以得到波动嵌入信号强度时序语义特征向量,用于提取更高级别的语义特征和表达信号强度时序数据的波动特性。步骤S150的用途包括:1.语义特征提取:通过特征嵌入模块将局部时序特征向量和波形特征向量进行融合,可以提取更丰富、更抽象的语义特征。这些语义特征可以捕捉到信号强度时序数据中的重要模式、趋势和变化,有助于更深入地理解信号的含义和背后的物理过程。2.波动特性表达:波动嵌入信号强度时序语义特征向量可以更好地表达信号强度的波动特性。通过融合局部时序特征和波形特征,可以捕捉到信号强度的瞬时变化、周期性波动、趋势变化等信息。3.信号分类和识别:波动嵌入信号强度时序语义特征向量可以作为输入用于信号分类和识别任务。通过融合不同层次的特征,可以提高分类和识别的准确性和鲁棒性。4.异常检测和故障诊断:波动嵌入信号强度时序语义特征向量可以用于检测信号强度的异常情况和故障状况。通过比较当前的特征向量与正常模式或历史数据的差异,可以发现异常波动或故障信号,并进行相应的故障诊断和处理。综合来说,通过特征嵌入模块将局部时序特征向量和波形特征向量融合,可以提取更高级别的语义特征和准确表达信号强度的波动特性,从而在信号分析、分类、识别和异常检测等任务中发挥重要作用。
更具体地,如图4所示,将所述信号强度局部时序特征向量的序列和所述信号强度特征时序波形特征向量通过特征嵌入模块以得到波动嵌入信号强度时序语义特征向量作为所述波动嵌入信号强度时序语义特征,包括:S151,将所述信号强度特征时序波形特征向量通过全卷积神经网络模型以得到信号强度特征时序波形全卷积特征向量;S152,将所述信号强度局部时序特征向量的序列排列为信号强度全局时序特征向量;S153,融合对所述信号强度全局时序特征向量和所述信号强度特征时序波形全卷积特征向量以得到语义融合特征向量;S154,对所述信号强度局部时序特征向量的序列进行语义关联编码以得到信号强度全局时序语义关联特征向量;以及,S155,融合所述语义融合特征向量和所述信号强度全局时序语义关联特征向量以得到所述波动嵌入信号强度时序语义特征向量。
继而,再将所述波动嵌入信号强度时序语义特征向量通过分类器以得到分类结果,所述分类结果用于表示载波通讯模块的工作频率应增大、应减小或应保持。也就是说,利用所述信号强度的波动特征嵌入时序特征的语义特征信息来进行分类处理,以此来进行载波通讯模块的工作参数的自适应控制。通过这样的方式,能够根据电力线的实时信号状况和不同的通讯需求,自动动态调整载波通讯模块的工作参数,以适应不同的通讯环境,提高载波通讯模块的通讯速率和可靠性,降低数据丢失和错误率,并能够减少载波通讯模块对电力线的干扰,提高电力线的安全性和稳定性。
相应地,在步骤S160中,基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持,包括:将所述波动嵌入信号强度时序语义特征向量通过分类器以得到分类结果,所述分类结果用于表示载波通讯模块的工作频率应增大、应减小或应保持。
更具体地,将所述波动嵌入信号强度时序语义特征向量通过分类器以得到分类结果,所述分类结果用于表示载波通讯模块的工作频率应增大、应减小或应保持,包括:使用所述分类器的全连接层对所述波动嵌入信号强度时序语义特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的载波通讯模块的控制方法,其还包括训练步骤:用于对所述基于卷积神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练。应可以理解,训练步骤在载波通信模块的控制方法中起着至关重要的作用,通过对基于卷积神经网络模型的时序特征提取器、特征嵌入模块和分类器进行训练,可以实现以下几个方面的用途:1.模型参数学习:训练步骤通过使用已知的输入数据和对应的标签数据,对模型的参数进行学习和校正。这样可以使得模型能够从数据中学习到特征提取、特征融合和分类的能力,从而更好地对信号强度时序数据进行处理和分析。2.特征提取器的校正:通过训练时序特征提取器,可以使其能够自动学习并提取出最具代表性和区分性的时序特征。这些特征可以更好地捕捉信号强度时序数据中的模式、趋势和变化,为后续的特征融合和分类提供更好的输入。3.特征嵌入模块的校正:训练步骤还可以用于校正特征嵌入模块的参数,使其能够将局部时序特征和波形特征有效地融合,提取出更有表达力和语义的特征表示。通过训练,可以使特征嵌入模块学习到最佳的特征融合方式,提高特征的判别性和可表达性。4.分类器的训练和校正:分类器是用于对信号进行分类和识别的关键组件。通过训练步骤,可以对分类器进行训练和校正,使其能够根据提取的特征对不同类型的信号进行准确分类。通过反复训练和调整,可以提高分类器的准确性和鲁棒性。综合来说,训练步骤在载波通信模块的控制方法中的作用是通过模型参数学习和校正,提高时序特征提取器、特征嵌入模块和分类器的性能,使其能够更好地处理和分析信号强度时序数据,提取有用的特征并进行准确的分类和识别。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括电力线信号在预定时间段内多个预定时间点的训练信号强度值,以及,所述载波通讯模块的工作频率应增大、应减小或应保持的真实值;将所述多个预定时间点的训练信号强度值按照时间维度排列为训练信号强度时序输入向量;将所述训练信号强度时序输入向量进行向量切分以得到训练信号强度局部时序输入向量的序列;将所述训练信号强度局部时序输入向量的序列分别通过所述基于卷积神经网络模型的时序特征提取器以得到训练信号强度局部时序特征向量的序列;计算所述训练信号强度局部时序特征向量的序列中每相邻两个训练信号强度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的训练信号强度特征时序波形特征向量;将所述训练信号强度局部时序特征向量的序列和所述训练信号强度特征时序波形特征向量通过所述特征嵌入模块以得到训练波动嵌入信号强度时序语义特征向量;对所述训练波动嵌入信号强度时序语义特征向量的各个特征值进行校正以得到校正后训练波动嵌入信号强度时序语义特征向量;将所述校正后训练波动嵌入信号强度时序语义特征向量通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
特别地,在本申请的技术方案中,所述训练信号强度局部时序特征向量的序列中的每个训练信号强度局部时序特征向量表达所述训练信号强度值在局部时域内的时序关联特征,通过计算所述训练信号强度局部时序特征向量的序列中每相邻两个训练信号强度局部时序特征向量之间的转移矩阵,并以转移矩阵的全局均值得到由多个全局均值组成的所述训练信号强度特征时序波形特征向量,可以表达局部时域间域转移时序特征分布,因此,将所述训练信号强度局部时序特征向量的序列和所述训练信号强度特征时序波形特征向量通过特征嵌入模块,可以以局部时域间域转移时序特征分布来动态约束所述训练信号强度值在全局时域的局部时域的时序关联特征,使得得到的所述训练波动嵌入信号强度时序语义特征向量具有多时域尺度的时序关联特征分布。
但是,所述训练波动嵌入信号强度时序语义特征向量的多时域尺度的时序关联特征分布也会使得时序特征分布存在跨时域尺度的表示稀疏化,从而导致将所述训练波动嵌入信号强度时序语义特征向量通过分类器进行类概率回归映射时,所述训练波动嵌入信号强度时序语义特征向量的各个特征值的信息博弈离散化,从而影响所述训练波动嵌入信号强度时序语义特征向量通过分类器的分类训练。基于此,本申请优选地在所述训练波动嵌入信号强度时序语义特征向量每次通过分类器进行迭代训练时,对所述训练波动嵌入信号强度时序语义特征向量的各个特征值进行校正。
相应地,在一个示例中,对所述训练波动嵌入信号强度时序语义特征向量的各个特征值进行校正以得到校正后训练波动嵌入信号强度时序语义特征向量,包括:以如下校正公式对所述训练波动嵌入信号强度时序语义特征向量的各个特征值进行校正以得到所述校正后训练波动嵌入信号强度时序语义特征向量;其中,所述校正公式为:
其中,是所述训练波动嵌入信号强度时序语义特征向量的第/>个位置的特征值,是所述训练波动嵌入信号强度时序语义特征向量的第/>个位置的特征值,且/>是尺度超参数,log表示以2为底的对数函数值,/>是校正后训练波动嵌入信号强度时序语义特征向量的第/>个位置的特征值。
具体地,当所述训练波动嵌入信号强度时序语义特征向量通过分类器进行迭代训练时,训练时所述分类器的权重矩阵将作用于所述训练波动嵌入信号强度时序语义特征向量上,由于所述权重矩阵本身的致密特性,会使得所述训练波动嵌入信号强度时序语义特征向量的各个位置的特征值之间的信息博弈离散化产生大规模信息博弈,导致分类解无法在博弈基础上收敛到纳什均衡,尤其是在存在以各个时域尺度的时序关联特征分布为基础的大规模非完美博弈离散化信息的情况下,这样,通过基于所述训练波动嵌入信号强度时序语义特征向量的向量信息自控均衡邻域对所述训练波动嵌入信号强度时序语义特征向量进行信息博弈均衡化的等效收敛,可以通过特征值在局部邻域内的自博弈来促进收敛,从而提高所述训练波动嵌入信号强度时序语义特征向量通过分类器的训练效果。这样,能够根据电力线的实时信号状况和不同的通讯需求,自动动态调整载波通讯模块的工作参数,以适应不同的通讯环境,从而提高载波通讯模块的通讯速率和可靠性,降低数据丢失和错误率,并能够减少载波通讯模块对电力线的干扰,提高电力线的安全性和稳定性。
进一步地,将所述校正后训练波动嵌入信号强度时序语义特征向量通过所述分类器以得到分类损失函数值,包括:所述分类器以如下训练分类公式对所述校正后训练波动嵌入信号强度时序语义特征向量进行处理以得到训练分类结果;其中,所述训练分类公式为:;其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为所述校正后训练波动嵌入信号强度时序语义特征向量;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
综上,基于本申请实施例的载波通讯模块的控制方法,其可以提高载波通讯模块性能。
图5示出根据本申请的实施例的载波通讯模块的控制系统100的框图。如图5所示,根据本申请实施例的载波通讯模块的控制系统100,包括:信号强度值获取模块110,用于获取电力线信号在预定时间段内多个预定时间点的信号强度值;向量化模块120,用于将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量;局部时序特征分析模块130,用于对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列;转移关联分析模块140,用于对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量;特征嵌入关联编码模块150,用于将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征;以及,工作频率控制模块160,用于基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。
这里,本领域技术人员可以理解,上述载波通讯模块的控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的载波通讯模块的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的载波通讯模块的控制系统100可以实现在各种无线终端中,例如具有载波通讯模块的控制算法的服务器等。在一种可能的实现方式中,根据本申请实施例的载波通讯模块的控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该载波通讯模块的控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该载波通讯模块的控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该载波通讯模块的控制系统100与该无线终端也可以是分立的设备,并且该载波通讯模块的控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本申请的实施例的载波通讯模块的控制方法的应用场景图。如图6所示,在该应用场景中,首先,获取电力线信号在预定时间段内多个预定时间点的信号强度值(例如,图6中所示意的D),然后,将所述多个预定时间点的信号强度值输入至部署有载波通讯模块的控制算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述载波通讯模块的控制算法对所述多个预定时间点的信号强度值进行处理以得到用于表示载波通讯模块的工作频率应增大、应减小或应保持的分类结果。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种载波通讯模块的控制方法,其特征在于,包括:
获取电力线信号在预定时间段内多个预定时间点的信号强度值;
将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量;
对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列;
对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量;
将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征;以及
基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。
2.根据权利要求1所述的载波通讯模块的控制方法,其特征在于,对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列,包括:
将所述信号强度时序输入向量进行向量切分以得到信号强度局部时序输入向量的序列;以及
将所述信号强度局部时序输入向量的序列分别通过基于卷积神经网络模型的时序特征提取器以得到所述信号强度局部时序特征向量的序列。
3.根据权利要求2所述的载波通讯模块的控制方法,其特征在于,对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量,包括:
计算所述信号强度局部时序特征向量的序列中每相邻两个信号强度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的所述信号强度特征时序波形特征向量。
4.根据权利要求3所述的载波通讯模块的控制方法,其特征在于,将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征,包括:
将所述信号强度局部时序特征向量的序列和所述信号强度特征时序波形特征向量通过特征嵌入模块以得到波动嵌入信号强度时序语义特征向量作为所述波动嵌入信号强度时序语义特征。
5.根据权利要求4所述的载波通讯模块的控制方法,其特征在于,将所述信号强度局部时序特征向量的序列和所述信号强度特征时序波形特征向量通过特征嵌入模块以得到波动嵌入信号强度时序语义特征向量作为所述波动嵌入信号强度时序语义特征,包括:
将所述信号强度特征时序波形特征向量通过全卷积神经网络模型以得到信号强度特征时序波形全卷积特征向量;
将所述信号强度局部时序特征向量的序列排列为信号强度全局时序特征向量;
融合对所述信号强度全局时序特征向量和所述信号强度特征时序波形全卷积特征向量以得到语义融合特征向量;
对所述信号强度局部时序特征向量的序列进行语义关联编码以得到信号强度全局时序语义关联特征向量;以及
融合所述语义融合特征向量和所述信号强度全局时序语义关联特征向量以得到所述波动嵌入信号强度时序语义特征向量。
6.根据权利要求5所述的载波通讯模块的控制方法,其特征在于,基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持,包括:
将所述波动嵌入信号强度时序语义特征向量通过分类器以得到分类结果,所述分类结果用于表示载波通讯模块的工作频率应增大、应减小或应保持。
7.根据权利要求6所述的载波通讯模块的控制方法,其特征在于,还包括训练步骤:用于对所述基于卷积神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
8.根据权利要求7所述的载波通讯模块的控制方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括电力线信号在预定时间段内多个预定时间点的训练信号强度值,以及,所述载波通讯模块的工作频率应增大、应减小或应保持的真实值;
将所述多个预定时间点的训练信号强度值按照时间维度排列为训练信号强度时序输入向量;
将所述训练信号强度时序输入向量进行向量切分以得到训练信号强度局部时序输入向量的序列;
将所述训练信号强度局部时序输入向量的序列分别通过所述基于卷积神经网络模型的时序特征提取器以得到训练信号强度局部时序特征向量的序列;
计算所述训练信号强度局部时序特征向量的序列中每相邻两个训练信号强度局部时序特征向量之间的转移矩阵的全局均值以得到由多个全局均值组成的训练信号强度特征时序波形特征向量;
将所述训练信号强度局部时序特征向量的序列和所述训练信号强度特征时序波形特征向量通过所述特征嵌入模块以得到训练波动嵌入信号强度时序语义特征向量;
对所述训练波动嵌入信号强度时序语义特征向量的各个特征值进行校正以得到校正后训练波动嵌入信号强度时序语义特征向量;
将所述校正后训练波动嵌入信号强度时序语义特征向量通过所述分类器以得到分类损失函数值;以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的时序特征提取器、所述特征嵌入模块和所述分类器进行训练。
9.根据权利要求8所述的载波通讯模块的控制方法,其特征在于,将所述校正后训练波动嵌入信号强度时序语义特征向量通过所述分类器以得到分类损失函数值,包括:
所述分类器以如下训练分类公式对所述校正后训练波动嵌入信号强度时序语义特征向量进行处理以得到训练分类结果;其中,所述训练分类公式为:
其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为所述校正后训练波动嵌入信号强度时序语义特征向量;以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
10.一种载波通讯模块的控制系统,其特征在于,包括:
信号强度值获取模块,用于获取电力线信号在预定时间段内多个预定时间点的信号强度值;
向量化模块,用于将所述多个预定时间点的信号强度值按照时间维度排列为信号强度时序输入向量;
局部时序特征分析模块,用于对所述信号强度时序输入向量进行局部时序特征分析以得到信号强度局部时序特征向量的序列;
转移关联分析模块,用于对所述信号强度局部时序特征向量的序列进行转移关联分析以得到信号强度特征时序波形特征向量;
特征嵌入关联编码模块,用于将所述信号强度特征时序波形特征向量和所述信号强度局部时序特征向量的序列进行特征嵌入关联编码以得到波动嵌入信号强度时序语义特征;以及
工作频率控制模块,用于基于所述波动嵌入信号强度时序语义特征,确定载波通讯模块的工作频率应增大、应减小或应保持。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065988.3A CN117579101B (zh) | 2024-01-17 | 2024-01-17 | 载波通讯模块的控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065988.3A CN117579101B (zh) | 2024-01-17 | 2024-01-17 | 载波通讯模块的控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117579101A CN117579101A (zh) | 2024-02-20 |
CN117579101B true CN117579101B (zh) | 2024-04-30 |
Family
ID=89895992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410065988.3A Active CN117579101B (zh) | 2024-01-17 | 2024-01-17 | 载波通讯模块的控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117579101B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006633A (zh) * | 2021-09-29 | 2022-02-01 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信系统现场监测方法及系统 |
CN116886127A (zh) * | 2023-08-09 | 2023-10-13 | 广东电网有限责任公司 | 一种电力线载波时间序列预测方法及系统 |
CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
-
2024
- 2024-01-17 CN CN202410065988.3A patent/CN117579101B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006633A (zh) * | 2021-09-29 | 2022-02-01 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信系统现场监测方法及系统 |
CN116886127A (zh) * | 2023-08-09 | 2023-10-13 | 广东电网有限责任公司 | 一种电力线载波时间序列预测方法及系统 |
CN117060409A (zh) * | 2023-10-13 | 2023-11-14 | 国网甘肃省电力公司白银供电公司 | 电力线路运行状态自动化检测分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117579101A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210089927A9 (en) | Unsupervised outlier detection in time-series data | |
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
US11615166B2 (en) | System and method for classifying image data | |
CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
CN116552306B (zh) | 直流桩的监控系统及其方法 | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN117040917A (zh) | 一种具有监测预警功能的智慧型交换机 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
KR102525187B1 (ko) | 시계열 기반 이상 탐지 방법 및 시스템 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
Takahashi et al. | A review of off-line mode dataset shifts | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN110770753B (zh) | 高维数据实时分析的装置和方法 | |
CN111490945A (zh) | 一种基于深度学习方法和dfi的vpn隧道流量识别方法 | |
CN115033893A (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 | |
CN117649387B (zh) | 一种适用于带有表面复杂纹理物体的缺陷检测方法 | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
CN117831743A (zh) | 基于物联网技术的居家养老健康监测管理系统及方法 |
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 |