CN117651288A - 智能户外电视的信号传输方法、装置、设备及存储介质 - Google Patents
智能户外电视的信号传输方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117651288A CN117651288A CN202410105893.XA CN202410105893A CN117651288A CN 117651288 A CN117651288 A CN 117651288A CN 202410105893 A CN202410105893 A CN 202410105893A CN 117651288 A CN117651288 A CN 117651288A
- Authority
- CN
- China
- Prior art keywords
- signal transmission
- network
- intelligent outdoor
- transmission performance
- outdoor television
- 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
- 230000008054 signal transmission Effects 0.000 title claims abstract description 362
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims abstract description 127
- 230000005540 biological transmission Effects 0.000 claims abstract description 117
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 75
- 238000004891 communication Methods 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 15
- 230000007958 sleep Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 238000005265 energy consumption Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/24155—Bayesian classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
- H04B1/7097—Interference-related aspects
- H04B1/7103—Interference-related aspects the interference being multiple access interference
- H04B1/7107—Subtractive interference cancellation
-
- 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
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- 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
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请涉及信号传输技术领域,公开了一种智能户外电视的信号传输方法、装置、设备及存储介质。所述方法包括:通过SST技术获取智能户外电视的多个信号传输性能参数数据;通过第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;创建多个初始智能户外电视信号传输网络;进行信号传输测试和网络状态监控并计算网络状态评价指标集合;通过第二信号传输性能分析模型进行网络传输性能分析,得到网络传输性能分析结果;进行最优化求解,得到目标智能户外电视信号传输网络,并进行功耗管理,生成目标智能户外电视信号传输网络中每个节点的功耗管理策略,进而提高了智能户外电视的信号传输效率。
Description
技术领域
本申请涉及信号传输技术领域技术领域,尤其涉及一种智能户外电视的信号传输方法、装置、设备及存储介质。
背景技术
在现代信息技术迅猛发展的背景下,智能户外电视作为新兴的多媒体设备,正在逐渐成为人们日常生活和商业宣传的重要组成部分。随着技术的进步,人们对智能户外电视的信号传输质量和效率提出了更高的要求,这包括高清晰度的视频内容传输、实时性强的互动体验等。然而,由于户外环境的复杂性和不确定性,智能户外电视在信号传输过程中面临着种种挑战,如信号衰减、干扰、以及能源消耗等问题,这些问题严重影响了信号传输的质量和稳定性。
当前,智能户外电视信号传输技术多基于传统的传输方法,这些方法往往没有充分利用现代通信技术的优势,如频率资源的高效分配、信号的高效编码等。这导致了信号传输效率低下,无法满足高清视频等大数据量传输的需求。此外,现有技术往往没有考虑到能源消耗问题,这在户外环境中尤为重要,因为能源供应受到限制,高能耗会大大降低设备的使用时长和可靠性。因此,如何在保证信号传输质量和稳定性的同时,提高信号传输效率并降低能源消耗,是智能户外电视信号传输领域亟待解决的问题。
发明内容
本申请提供了一种智能户外电视的信号传输方法、装置、设备及存储介质,进而提高了智能户外电视的信号传输效率。
本申请第一方面提供了一种智能户外电视的信号传输方法,所述智能户外电视的信号传输方法包括:
通过SST技术获取智能户外电视的信号传输统计数据,并对所述信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据;
对所述多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将所述多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;
通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个通信信道,并通过预置的TDM算法根据所述多个通信信道创建对应的多个初始智能户外电视信号传输网络;
通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合;
分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果;
根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对所述目标智能户外电视信号传输网络进行功耗管理,生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略。
本申请第二方面提供了一种智能户外电视的信号传输装置,所述智能户外电视的信号传输装置包括:
获取模块,用于通过SST技术获取智能户外电视的信号传输统计数据,并对所述信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据;
编码模块,用于对所述多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将所述多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;
创建模块,用于通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个通信信道,并通过预置的TDM算法根据所述多个通信信道创建对应的多个初始智能户外电视信号传输网络;
测试模块,用于通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合;
分析模块,用于分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果;
管理模块,用于根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对所述目标智能户外电视信号传输网络进行功耗管理,生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略。
本申请第三方面提供了一种计算机设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行上述的智能户外电视的信号传输方法。
本申请的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的智能户外电视的信号传输方法。
本申请提供的技术方案中,通过采用SST(Spread Spectrum Technology)技术,有效提高了信号在复杂户外环境中的抗干扰能力,确保了信号传输的稳定性。此外,信号滤波和参数聚类等处理步骤进一步优化了传输统计数据,为后续的信号传输性能计算和编码转换提供了准确可靠的数据基础。通过对信号传输性能参数数据进行先进的编码转换和利用预置的第一信号传输性能分析模型(如三层贝叶斯网络),智能化地分析和预测信号传输性能。这不仅提高了信号处理的精确度,还使得信号传输过程能够根据实时性能预测数据自适应调整,大幅提升了信号传输的效率和准确性。通过FDM和TDM算法的应用,有效实现了频率资源和时间资源的高效利用。FDM算法允许在不同频率上同时传输多个信号,而TDM算法通过为每个信道分配特定的传输时段,进一步提高了信道的使用效率。这样的双重优化,不仅显著提升了信号传输的数据吞吐量,还有效降低了信号之间的干扰。通过对信号传输网络进行实时监控和状态评价,可以及时发现和解决传输过程中的问题。结合K-means聚类算法和网络状态评价指标运算,能够对网络状态进行准确分类和评价,为网络优化和维护提供了强有力的数据支撑。利用GA-BP神经网络算法,对网络进行智能优化,自动调整网络配置以达到最佳传输性能。同时,对节点进行唤醒/休眠模式切换分析和节点功耗状态分析,实现了对整个信号传输网络的功耗管理,显著降低了能源消耗,延长了设备的使用寿命,进而提高了智能户外电视的信号传输效率。
附图说明
图1为本申请实施例中智能户外电视的信号传输方法的一个实施例示意图;
图2为本申请实施例中智能户外电视的信号传输装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种智能户外电视的信号传输方法、装置、设备及存储介质,进而提高了智能户外电视的信号传输效率。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中智能户外电视的信号传输方法的一个实施例包括:
步骤101、通过SST技术获取智能户外电视的信号传输统计数据,并对信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据;
可以理解的是,本申请的执行主体可以为智能户外电视的信号传输装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过SST(Spread Spectrum Technology,扩频技术)从智能户外电视的信号传输系统中采集初始信号统计数据。使用扩频技术的接收器捕获并记录智能电视信号的基本特性,如信号强度、频率、持续时间等,这些初始信号统计数据包括了信号的各种物理和技术特性。对采集到的初始信号统计数据进行标准化处理,将数据转换成一种更适合分析的格式,例如调整数据的尺度,使其落在一个特定的范围内,或是转换数据的分布,使其更加符合标准的统计分布。通过标准化处理,能够消除数据中不同测量标准带来的偏差,确保后续分析的准确性。对标准化后的信号传输统计数据进行信号滤波,从含有噪声的数据中提取出真实的信号。信号滤波通常使用各种数字滤波技术,如低通滤波器、高通滤波器或带通滤波器,这些滤波器能有效去除不需要的频率成分,从而提高数据的信噪比,获得更加纯净、准确的标准传输统计数据。对标准传输统计数据进行参数聚类,通过将数据分组成多个类别或簇,发现数据中的潜在模式和关系。参数聚类可以根据不同的信号特性,如信号强度、频率等,将数据分组,这有助于识别出不同信号类型或传输条件下的特征。根据多个参数聚类结果对标准传输统计数据进行信号传输性能计算。性能计算不仅包括了基础的统计分析,如平均值、标准差等,还包括更复杂的分析,如信号的可靠性、效率和传输速度等。通过这些计算,得到多个信号传输性能参数数据,这些数据为优化智能户外电视的信号传输系统提供关键的指标和依据。
步骤102、对多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;
具体的,对多个信号传输性能参数数据进行映射分析,将这些数据转换为一种更易于机器学习模型处理的形式,例如将不同的信号参数映射为不同的数值范围或类别。对映射得到的信号传输性能参数映射值进行归一化处理和编码转换,归一化处理可以确保不同参数之间在数值上的可比性,避免了因参数数值范围差异过大而导致的分析偏差。归一化处理后的数据通过编码转换变成一种更适合于算法处理的格式,这通常包括将数据转换为二进制形式或者将其编码为特定的符号或数字序列。将处理后的数据进行向量转换,将编码后的信号传输性能参数编码值转换为向量形式,适应后续的机器学习模型处理需求。向量化的数据可以更容易地被算法模型所接受和处理,特别是在涉及到大规模数据分析时,向量形式的数据更加高效。之后,将信号传输性能参数向量输入预置的第一信号传输性能分析模型中,该模型包含三层贝叶斯网络。在这个模型中,通过贝叶斯网络的先验层进行先验概率分布匹配,基于现有知识和理论,对信号传输性能参数向量的概率分布进行预测和分析,得到初步的传输性能分析结果。在贝叶斯网络的隐含层,对初步分析结果进行结果权重分配,根据不同结果的可信度或重要性分配不同的权重,以确保最终分析结果的准确性和可靠性。在贝叶斯网络的后验层,根据前面得到的权重占比数据,对初步的传输性能分析结果进行综合和加权,从而得到最终的信号传输性能预测数据。
步骤103、通过预置的FDM算法根据信号传输性能预测数据生成智能户外电视对应的多个通信信道,并通过预置的TDM算法根据多个通信信道创建对应的多个初始智能户外电视信号传输网络;
需要说明的是,通过预置的FDM算法根据信号传输性能预测数据生成适用于智能户外电视的多个通信信道。FDM算法能够有效地利用频率资源,通过将整个可用频率范围分割成多个较小的频率带或通道,从而实现多个信号的同时传输。户外环境中的信号干扰更为常见,而频率的有效利用和分配则是保证信号稳定传输的关键。根据候选频率范围确定智能户外电视对应的多个通信信道。对各个候选频率范围进行性能评估,包括信号的强度、稳定性以及的干扰情况,从而确保每个通信信道都能在特定的频率范围内有效地传输信号。确定通信信道后,这些信道将被用于传输智能电视的数据,包括视频、音频以及其他类型的数据流。通过预置的TDM算法对每个通信信道进行传输时段分配。TDM算法通过在时间上分配每个信道的使用,使得在同一物理通信媒介上可以交替传输多个信号,而每个信号只在分配给它的时间槽内被传输。这种方法的优点在于能有效减少信号间的干扰,提高传输效率,尤其适用于需要传输高带宽数据的应用场景,如高清视频传输。根据确定的多个通信信道以及每个通信信道的传输时段,创建智能户外电视对应的多个初始智能户外电视信号传输网络。将通信信道和时段的信息整合,构建出能够高效、稳定地传输信号的网络架构。在这个网络架构中,每个通信信道都有其对应的传输时段和频率范围,从而确保信号在复杂的户外环境中能够被准确且连续地传输。
步骤104、通过多个初始智能户外电视信号传输网络分别对智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合;
具体的,对多个初始智能户外电视信号传输网络进行信号传输测试。通过模拟实际使用情况下的信号传输,包括对信号的稳定性、传输速度以及遇到的干扰等进行评估。对初始智能户外电视信号传输网络进行网络状态监控,收集每个网络的运行数据,如传输延迟、丢包率、带宽利用率等关键性能指标。这些监控数据帮助识别网络性能中的潜在问题,从而确保传输网络的稳定性和可靠性。通过预置的K-means聚类算法对网络状态监控数据进行状态监控分类。K-means聚类算法通过对数据点进行分类,来识别出具有相似特征的数据群组,帮助识别出不同网络状态的特征,如哪些网络表现出较高的稳定性,哪些网络更容易受到干扰等。这种分类不仅有助于理解每个网络的性能特点,也为进一步的网络优化提供了依据。对目标网络状态监控特征集进行网络状态评价指标运算,将聚类得到的网络状态特征转化为具体的量化指标,如网络的可靠性指数、效率指数等。这些指标集合为每个初始智能户外电视信号传输网络提供了全面的评价,帮助决策者了解每个网络的综合性能。
步骤105、分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果;
具体的,分别将每个网络状态评价指标集合输入预置的GA-BP神经网络,其中包括遗传算法(GA)和误差反向传播(BP)的神经网络模型。在这个模型中,遗传算法主要用于优化神经网络的权重初始化,而多层前馈神经网络则负责进行实际的数据处理和分析。通过遗传优化算法对多层前馈神经网络进行网络权重的初始化,神经网络的初始权重在很大程度上决定了网络训练的效率和最终的分析精度。遗传算法通过模拟自然选择和遗传机制来优化问题的解决方案,通过生成一系列初始权重方案,然后通过选择、交叉和变异等操作,不断优化这些方案,以寻找最优的神经网络初始权重配置。这种方法能有效避免神经网络在训练过程中陷入局部最优解,提高了模型的整体性能。通过误差反向传播算法对初始网络权重进行优化,得到目标网络权重。误差反向传播算法是一种高效的神经网络训练方法,它通过计算网络输出和实际结果之间的误差,并将这个误差反向传播回网络,来不断调整网络中的权重。这个过程中,初始由遗传算法优化得到的网络权重被进一步调整,以最小化网络输出的误差,从而提高网络分析的精度。根据得到的目标网络权重和多层前馈神经网络的结构,对每个网络状态评价指标集合进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果。神经网络利用其非线性映射能力,对输入的评价指标集合进行深入分析,从而得出关于每个网络性能的详细信息,包括网络的稳定性、传输效率、抗干扰能力等关键指标。
步骤106、根据网络传输性能分析结果对多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对目标智能户外电视信号传输网络进行功耗管理,生成目标智能户外电视信号传输网络中每个节点的功耗管理策略。
具体的,根据网络传输性能分析结果对多个初始智能户外电视信号传输网络进行排序分析,识别出在众多候选网络中性能最优的那些网络。通过综合评估网络的稳定性、传输速率、延迟、抗干扰能力等关键指标,得到一个按性能从高到低排列的智能户外电视信号传输网络序列。对网络序列进行最优化求解,确定最终的目标智能户外电视信号传输网络。最优化求解通常涉及到使用算法对不同网络的性能进行综合比较和权衡,考虑到不仅仅是网络传输的效率和稳定性,还包括网络构建和维护的成本等因素。最终选择的目标网络应该是在满足所有基本传输要求的前提下,整体性能和成本效益最优的选项。对目标智能户外电视信号传输网络中的每个节点进行节点唤醒/休眠模式切换分析,不同节点的活动状态直接影响整个网络的能源效率。通过分析每个节点的通信模式、数据传输频率和网络负载等信息,确定哪些节点可以在不影响网络性能的情况下进入低功耗的休眠模式,从而显著降低整个网络的能耗。进行节点功耗状态分析,了解每个节点在不同工作状态下的能耗情况。这种分析通常包括测量节点在传输、接收、待机等不同状态下的功耗,从而确定每个节点的能源使用效率。基于这些分析结果,为每个节点制定具体的功耗状态分析策略,如调整传输功率、更改通信频率或优化数据包大小等。根据节点唤醒/休眠模式切换策略和节点功耗状态分析策略,生成目标智能户外电视信号传输网络中每个节点的功耗管理策略。通过这些策略,确保网络在提供高效稳定的信号传输服务的同时,也能最大限度地降低能耗,实现环境友好和成本效益的双重目标。
本申请实施例中,通过采用SST(Spread Spectrum Technology)技术,有效提高了信号在复杂户外环境中的抗干扰能力,确保了信号传输的稳定性。此外,信号滤波和参数聚类等处理步骤进一步优化了传输统计数据,为后续的信号传输性能计算和编码转换提供了准确可靠的数据基础。通过对信号传输性能参数数据进行先进的编码转换和利用预置的第一信号传输性能分析模型(如三层贝叶斯网络),智能化地分析和预测信号传输性能。这不仅提高了信号处理的精确度,还使得信号传输过程能够根据实时性能预测数据自适应调整,大幅提升了信号传输的效率和准确性。通过FDM和TDM算法的应用,有效实现了频率资源和时间资源的高效利用。FDM算法允许在不同频率上同时传输多个信号,而TDM算法通过为每个信道分配特定的传输时段,进一步提高了信道的使用效率。这样的双重优化,不仅显著提升了信号传输的数据吞吐量,还有效降低了信号之间的干扰。通过对信号传输网络进行实时监控和状态评价,可以及时发现和解决传输过程中的问题。结合K-means聚类算法和网络状态评价指标运算,能够对网络状态进行准确分类和评价,为网络优化和维护提供了强有力的数据支撑。利用GA-BP神经网络算法,对网络进行智能优化,自动调整网络配置以达到最佳传输性能。同时,对节点进行唤醒/休眠模式切换分析和节点功耗状态分析,实现了对整个信号传输网络的功耗管理,显著降低了能源消耗,延长了设备的使用寿命,进而提高了智能户外电视的信号传输效率。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)通过SST技术从智能户外电视的信号传输系统中采集初始信号统计数据;
(2)对初始信号统计数据进行标准化处理,得到智能户外电视的信号传输统计数据;
(3)对信号传输统计数据进行信号滤波,得到标准传输统计数据;
(4)对标准传输统计数据进行参数聚类,得到多个参数聚类结果;
(5)根据多个参数聚类结果对标准传输统计数据进行信号传输性能计算,得到多个信号传输性能参数数据。
具体的,通过SST技术从智能户外电视的信号传输系统中采集初始信号统计数据。SST(Spread Spectrum Technology)技术是一种先进的信号处理技术,通过扩展信号的频谱来提高信号的抗干扰能力,适用于户外环境中的信号传输。通过SST技术收集智能户外电视信号的各种统计数据,包括信号强度、频率、传输速率等关键指标。对初始信号统计数据进行标准化处理,将原始数据转换成一种更统一和标准的格式,从而便于后续的数据处理和分析。包括调整数据的尺度和范围,以确保数据之间的可比性。例如,如果信号强度数据的量程在不同设备间存在差异,通过标准化处理可以将这些数据转换到统一的量程,如将所有信号强度值标准化到0到1之间。对信号传输统计数据进行信号滤波,去除数据中的噪声和不必要的干扰,提高数据的质量和准确性。使用数字滤波技术,如低通滤波器或带通滤波器,可以有效地去除高频噪声,从而得到更加清晰和准确的信号数据。例如,滤波过程可以去除周围环境中的无线电干扰,如Wi-Fi和蓝牙信号,确保分析的准确性。通过使用机器学习算法,如K-means聚类算法对标准传输统计数据进行参数聚类。参数聚类是一种数据分析技术,通过将具有相似特征的数据分组在一起来揭示数据中的潜在模式。在这个过程中,数据被分为几个簇或组,每个簇代表了具有相似信号特性的数据集。例如,根据信号强度、稳定性和传输速率将信号数据分为几个不同的簇,每个簇表示一种特定类型的信号环境。根据参数聚类结果对标准传输统计数据进行信号传输性能计算。从聚类后的数据中提取出关于信号传输性能的关键参数。这包括计算每个簇中的信号数据的平均传输速率、信号稳定性和信号强度等。这些性能参数数据是评估和优化智能户外电视信号传输系统性能的重要依据。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)对多个信号传输性能参数数据进行映射分析,得到多个信号传输性能参数映射值;
(2)对多个信号传输性能参数映射值进行归一化处理和编码转换,得到多个信号传输性能参数编码值;
(3)对多个信号传输性能参数编码值进行向量转换,得到信号传输性能参数向量;
(4)将信号传输性能参数向量输入预置的第一信号传输性能分析模型,其中,第一信号传输性能分析模型包括三层贝叶斯网络;
(5)通过三层贝叶斯网络中的先验层,对信号传输性能参数向量进行先验概率分布匹配,得到多个第一传输性能分析结果;
(6)通过三层贝叶斯网络中的隐含层,对多个第一传输性能分析结果进行结果权重分配,得到每个第一传输性能分析结果的权重占比数据;
(7)通过三层贝叶斯网络中的后验层,并根据权重占比数据对多个第一传输性能分析结果进行信号传输性能综合预测,得到信号传输性能预测数据。
具体的,对多个信号传输性能参数数据进行映射分析,将数据转换成一种便于进一步处理和分析的形式。映射分析通常涉及将原始的性能参数数据,如信号强度、频率响应、延迟时间等,映射到一个预定义的数值范围或类别上。例如,信号强度可以被映射为低、中、高三个类别,或者将延迟时间映射到一个从0到1的数值范围内,以便于后续的数据分析。对信号传输性能参数映射值进行归一化处理和编码转换。归一化处理是指将数据调整到一个统一的标准或者范围内,以消除不同量级或单位带来的影响,从而使数据更适合于计算和分析。例如,如果映射值的范围从-100到100,可以通过归一化处理将这些值转换到0到1之间。编码转换则是将归一化后的数据转换为一种适合于机器学习模型处理的格式,例如将类别数据转换为独热编码(one-hot encoding)。对归一化和编码后的数据进行向量转换,使数据能够被神经网络等机器学习模型更好地处理。向量化的数据可以更有效地表达原始数据的特征,便于在后续的模型训练和分析中使用。例如,一个表示信号强度的独热编码可以被转换为一个向量,其中每个元素代表一种信号强度等级的存在与否。将信号传输性能参数向量输入到预置的第一信号传输性能分析模型中,该模型包括了三层贝叶斯网络。贝叶斯网络是一种基于概率的图形模型,能够表示变量之间的条件依赖关系,并进行概率推理。第一层即先验层,用于对信号传输性能参数向量进行先验概率分布匹配。模型会根据已有的知识和数据对信号的性能进行一个初步的估计,这个估计可以被视为对信号性能的一个基础预测。在三层贝叶斯网络的隐含层,对多个第一传输性能分析结果进行结果权重分配。模型会根据不同结果的可靠性或重要性分配不同的权重。例如,如果某些信号参数在以往的数据中显示出对信号性能预测有更高的准确性,那么这些参数在模型中将会被赋予更高的权重。在三层贝叶斯网络的后验层,根据权重占比数据对多个第一传输性能分析结果进行综合,得到最终的信号传输性能预测数据。将先前得到的所有分析结果结合起来,进行最终的信号传输性能预测。例如,模型通过分析信号传输性能参数向量,预测出在不同的环境条件下,例如不同的天气条件或不同的人群密度下,信号传输的性能表现。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)通过预置的FDM算法根据信号传输性能预测数据生成智能户外电视对应的多个候选频率范围;
(2)根据多个候选频率范围确定智能户外电视对应的多个通信信道;
(3)通过预置的TDM算法分别对每个通信信道进行传输时段分配,得到每个通信信道的传输时段;
(4)根据多个通信信道以及每个通信信道的传输时段创建智能户外电视对应的多个初始智能户外电视信号传输网络。
具体的,通过预置的频分复用(FDM)算法根据信号传输性能预测数据生成智能户外电视对应的多个候选频率范围。FDM算法是一种在无线通信中广泛使用的技术,通过将一个更大的频率带宽分割成多个较小的频率带或通道,从而允许多个信号同时在不同的频率带上传输。这种技术适合于户外电视信号传输,可以最大限度地利用可用的频率资源,并减少不同信号之间的干扰。例如,通过使用FDM算法,可以根据信号传输性能预测数据(例如,信号强度、传输速率和干扰水平)来确定一系列的候选频率范围。这些候选频率范围包括一些较低的频率带,用于传输稳定性更高但传输速率较低的信号,以及一些较高的频率带,用于传输速率更快但更易受干扰的信号。根据多个候选频率范围,确定智能户外电视对应的多个通信信道。评估每个候选频率范围的性能,以及它们在特定环境下的适用性。通过预置的时分复用(TDM)算法分别对每个通信信道进行传输时段分配。TDM通过在时间上分配每个信道的使用,允许在同一物理通信媒介上交替传输多个信号。每个信号只在分配给它的时间槽内被传输,从而有效减少信号间的干扰,并允许更多的信号在相同的物理媒介上传输。根据确定的多个通信信道以及每个通信信道的传输时段,创建智能户外电视对应的多个初始智能户外电视信号传输网络。将通信信道和时段的信息整合起来,构建出能够高效、稳定地传输信号的网络架构。其中包括多个不同的通信信道,每个信道都有其特定的传输时段,以及相应的备份或冗余通道,以防主要通道受到干扰或中断。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)通过多个初始智能户外电视信号传输网络分别对智能户外电视进行信号传输测试;
(2)分别对多个初始智能户外电视信号传输网络进行网络状态监控,得到每个初始智能户外电视信号传输网络对应的网络状态监控数据;
(3)通过预置的K-means聚类算法对网络状态监控数据进行状态监控分类,得到每个初始智能户外电视信号传输网络对应的多个目标网络状态监控特征集;
(4)对多个目标网络状态监控特征集进行网络状态评价指标运算,得到每个初始智能户外电视信号传输网络对应的网络状态评价指标集合。
具体的,对多个初始智能户外电视信号传输网络分别进行信号传输测试,评估每个网络在实际运行条件下的性能,包括信号的稳定性、传输速率、延迟和丢包率等关键指标。例如,信号传输测试可以帮助识别在人群密集和的无线电干扰环境下哪些信号传输网络表现最佳。对初始智能户外电视信号传输网络进行网络状态监控,收集每个初始智能户外电视信号传输网络对应的网络状态监控数据。网络状态监控涉及实时收集和记录网络的各种运行指标,如带宽利用率、连接稳定性和错误率等。通过预置的K-means聚类算法对网络状态监控数据进行状态监控分类。K-means聚类是一种有效的数据分析方法,通过将数据点分组到K个集群中来发现数据中的模式和关系。每个集群中的数据点在某些特性上相似,而与其他集群的数据点则存在显著差异。例如,K-means聚类会揭示某些网络在高密度人群中表现更稳定,而其他网络则在开阔区域提供更高的数据传输速率。对每个初始智能户外电视信号传输网络的多个目标网络状态监控特征集进行网络状态评价指标运算。将数据转换成具体的量化指标,从而对网络的整体性能进行评估。这些指标包括网络的总体可靠性、传输效率、抗干扰能力和能耗等。例如,根据聚类分析的结果,计算出每个网络在不同场景下的综合性能评分,从而帮助决策者选择最适合该特定环境的信号传输网络。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)分别将每个网络状态评价指标集合输入预置的GA-BP神经网络,GA-BP神经网络包括:遗传优化算法以及多层前馈神经网络;
(2)通过遗传优化算法对多层前馈神经网络进行网络权重初始化,得到初始网络权重;
(3)通过误差反向传播算法对初始网络权重进行网络权重优化,得到目标网络权重;
(4)根据目标网络权重和多层前馈神经网络对每个网络状态评价指标集合进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果。
具体的,将每个网络状态评价指标集合输入预置的GA-BP神经网络。GA-BP神经网络是一种人工智能模型,融合了遗传算法的全局优化能力和多层前馈神经网络的强大数据处理能力,适用于处理复杂的非线性问题,如网络传输性能分析。通过遗传优化算法对多层前馈神经网络进行网络权重初始化。遗传算法是一种模仿自然界生物进化的优化算法,它通过模拟自然选择和遗传机制来寻找问题的最佳解。在神经网络权重初始化中应用遗传算法,通过生成一系列随机的权重集合(即种群),然后通过选择、交叉和变异等操作不断迭代,寻找到最优的初始权重配置。这种方法能够在整个搜索空间中探索,避免神经网络在训练初期就陷入局部最优解,从而提高模型的整体性能。通过误差反向传播算法对初始网络权重进行优化,得到目标网络权重。误差反向传播算法是一种高效的神经网络训练方法,通过计算网络输出与实际目标之间的误差,并将这个误差反向传播回网络中,逐层调整权重和偏差。在这个过程中,初始由遗传算法优化得到的网络权重被进一步调整,以最小化输出的误差,从而提高网络分析的精度和可靠性。例如,误差反向传播算法可以帮助模型更准确地识别哪些网络参数最重要,以及如何调整这些参数来提高网络的传输性能。根据目标网络权重和多层前馈神经网络对每个网络状态评价指标集合进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果。经过训练和优化的神经网络利用其非线性映射能力,对输入的评价指标集合进行深入分析,从而得出关于每个网络性能的详细信息,包括网络的稳定性、传输效率、抗干扰能力等关键指标。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)根据网络传输性能分析结果对多个初始智能户外电视信号传输网络进行排序分析,得到智能户外电视信号传输网络序列;
(2)对智能户外电视信号传输网络序列进行最优化求解,得到目标智能户外电视信号传输网络;
(3)对目标智能户外电视信号传输网络中的每个节点进行节点唤醒/休眠模式切换分析,得到每个节点的节点唤醒/休眠模式切换策略;
(4)对目标智能户外电视信号传输网络中的每个节点进行节点功耗状态分析,得到每个节点的节点功耗状态分析策略;
(5)根据节点唤醒/休眠模式切换策略和节点功耗状态分析策略生成目标智能户外电视信号传输网络中每个节点的功耗管理策略。
具体的,根据网络传输性能分析结果对多个初始智能户外电视信号传输网络进行排序分析,得到智能户外电视信号传输网络序列,从而评估和比较不同网络在实际应用中的表现,包括其传输速率、稳定性、抗干扰能力和能源效率等关键指标。例如,人群密集区域的网络需要处理更高的数据流量和更严重的信号干扰,而远离人群的区域则面临信号传输距离较远的问题。通过排序分析,确定哪些网络在特定场景下表现最佳,从而形成一个按性能优劣排列的网络序列。对智能户外电视信号传输网络序列进行最优化求解,从中选择出最合适的网络作为目标智能户外电视信号传输网络。运用算法,如遗传算法或模拟退火算法,来评估不同网络配置的性能,并选择出在给定条件下最优的网络配置。对选定的目标智能户外电视信号传输网络中的每个节点进行节点唤醒/休眠模式切换分析,优化网络的能源效率,通过分析每个节点的通信模式、数据传输需求和网络负载等信息,确定哪些节点可以在不影响网络性能的情况下进入低功耗的休眠模式。之后,进行目标智能户外电视信号传输网络中每个节点的节点功耗状态分析。测量和分析节点在不同工作状态下的功耗,包括传输、接收、待机和休眠等状态。这种分析有助于确定每个节点的能源使用效率,并识别出哪些节点需要进行能效优化。根据节点唤醒/休眠模式切换策略和节点功耗状态分析策略,生成目标智能户外电视信号传输网络中每个节点的功耗管理策略,确保整个网络不仅在传输性能上达到最优,同时在能源使用上也高效节省。
上面对本申请实施例中智能户外电视的信号传输方法进行了描述,下面对本申请实施例中智能户外电视的信号传输装置进行描述,请参阅图2,本申请实施例中智能户外电视的信号传输装置一个实施例包括:
获取模块201,用于通过SST技术获取智能户外电视的信号传输统计数据,并对所述信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据;
编码模块202,用于对所述多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将所述多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;
创建模块203,用于通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个通信信道,并通过预置的TDM算法根据所述多个通信信道创建对应的多个初始智能户外电视信号传输网络;
测试模块204,用于通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合;
分析模块205,用于分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果;
管理模块206,用于根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对所述目标智能户外电视信号传输网络进行功耗管理,生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略。
通过上述各个组成部分的协同合作,通过采用SST(Spread SpectrumTechnology)技术,有效提高了信号在复杂户外环境中的抗干扰能力,确保了信号传输的稳定性。此外,信号滤波和参数聚类等处理步骤进一步优化了传输统计数据,为后续的信号传输性能计算和编码转换提供了准确可靠的数据基础。通过对信号传输性能参数数据进行先进的编码转换和利用预置的第一信号传输性能分析模型(如三层贝叶斯网络),智能化地分析和预测信号传输性能。这不仅提高了信号处理的精确度,还使得信号传输过程能够根据实时性能预测数据自适应调整,大幅提升了信号传输的效率和准确性。通过FDM和TDM算法的应用,有效实现了频率资源和时间资源的高效利用。FDM算法允许在不同频率上同时传输多个信号,而TDM算法通过为每个信道分配特定的传输时段,进一步提高了信道的使用效率。这样的双重优化,不仅显著提升了信号传输的数据吞吐量,还有效降低了信号之间的干扰。通过对信号传输网络进行实时监控和状态评价,可以及时发现和解决传输过程中的问题。结合K-means聚类算法和网络状态评价指标运算,能够对网络状态进行准确分类和评价,为网络优化和维护提供了强有力的数据支撑。利用GA-BP神经网络算法,对网络进行智能优化,自动调整网络配置以达到最佳传输性能。同时,对节点进行唤醒/休眠模式切换分析和节点功耗状态分析,实现了对整个信号传输网络的功耗管理,显著降低了能源消耗,延长了设备的使用寿命,进而提高了智能户外电视的信号传输效率。
本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述智能户外电视的信号传输方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述智能户外电视的信号传输方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种智能户外电视的信号传输方法,其特征在于,所述智能户外电视的信号传输方法包括:
通过SST技术获取智能户外电视的信号传输统计数据,并对所述信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据;
对所述多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将所述多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;
通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个通信信道,并通过预置的TDM算法根据所述多个通信信道创建对应的多个初始智能户外电视信号传输网络;
通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合;
分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果;
根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对所述目标智能户外电视信号传输网络进行功耗管理,生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略。
2.根据权利要求1所述的智能户外电视的信号传输方法,其特征在于,所述通过SST技术获取智能户外电视的信号传输统计数据,并对所述信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据,包括:
通过SST技术从智能户外电视的信号传输系统中采集初始信号统计数据;
对所述初始信号统计数据进行标准化处理,得到所述智能户外电视的信号传输统计数据;
对所述信号传输统计数据进行信号滤波,得到标准传输统计数据;
对所述标准传输统计数据进行参数聚类,得到多个参数聚类结果;
根据所述多个参数聚类结果对所述标准传输统计数据进行信号传输性能计算,得到多个信号传输性能参数数据。
3.根据权利要求1所述的智能户外电视的信号传输方法,其特征在于,所述对所述多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将所述多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据,包括:
对所述多个信号传输性能参数数据进行映射分析,得到多个信号传输性能参数映射值;
对所述多个信号传输性能参数映射值进行归一化处理和编码转换,得到多个信号传输性能参数编码值;
对所述多个信号传输性能参数编码值进行向量转换,得到信号传输性能参数向量;
将所述信号传输性能参数向量输入预置的第一信号传输性能分析模型,其中,所述第一信号传输性能分析模型包括三层贝叶斯网络;
通过所述三层贝叶斯网络中的先验层,对所述信号传输性能参数向量进行先验概率分布匹配,得到多个第一传输性能分析结果;
通过所述三层贝叶斯网络中的隐含层,对所述多个第一传输性能分析结果进行结果权重分配,得到每个第一传输性能分析结果的权重占比数据;
通过所述三层贝叶斯网络中的后验层,并根据所述权重占比数据对所述多个第一传输性能分析结果进行信号传输性能综合预测,得到信号传输性能预测数据。
4.根据权利要求1所述的智能户外电视的信号传输方法,其特征在于,所述通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个通信信道,并通过预置的TDM算法根据所述多个通信信道创建对应的多个初始智能户外电视信号传输网络,包括:
通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个候选频率范围;
根据所述多个候选频率范围确定所述智能户外电视对应的多个通信信道;
通过预置的TDM算法分别对每个通信信道进行传输时段分配,得到每个通信信道的传输时段;
根据所述多个通信信道以及每个通信信道的传输时段创建所述智能户外电视对应的多个初始智能户外电视信号传输网络。
5.根据权利要求1所述的智能户外电视的信号传输方法,其特征在于,所述通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合,包括:
通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试;
分别对所述多个初始智能户外电视信号传输网络进行网络状态监控,得到每个初始智能户外电视信号传输网络对应的网络状态监控数据;
通过预置的K-means聚类算法对所述网络状态监控数据进行状态监控分类,得到每个初始智能户外电视信号传输网络对应的多个目标网络状态监控特征集;
对所述多个目标网络状态监控特征集进行网络状态评价指标运算,得到每个初始智能户外电视信号传输网络对应的网络状态评价指标集合。
6.根据权利要求1所述的智能户外电视的信号传输方法,其特征在于,所述分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果,包括:
分别将每个网络状态评价指标集合输入预置的GA-BP神经网络,所述GA-BP神经网络包括:遗传优化算法以及多层前馈神经网络;
通过所述遗传优化算法对所述多层前馈神经网络进行网络权重初始化,得到初始网络权重;
通过误差反向传播算法对所述初始网络权重进行网络权重优化,得到目标网络权重;
根据所述目标网络权重和所述多层前馈神经网络对每个网络状态评价指标集合进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果。
7.根据权利要求6所述的智能户外电视的信号传输方法,其特征在于,所述根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对所述目标智能户外电视信号传输网络进行功耗管理,生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略,包括:
根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行排序分析,得到智能户外电视信号传输网络序列;
对所述智能户外电视信号传输网络序列进行最优化求解,得到目标智能户外电视信号传输网络;
对所述目标智能户外电视信号传输网络中的每个节点进行节点唤醒/休眠模式切换分析,得到每个节点的节点唤醒/休眠模式切换策略;
对所述目标智能户外电视信号传输网络中的每个节点进行节点功耗状态分析,得到每个节点的节点功耗状态分析策略;
根据所述节点唤醒/休眠模式切换策略和所述节点功耗状态分析策略生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略。
8.一种智能户外电视的信号传输装置,其特征在于,所述智能户外电视的信号传输装置包括:
获取模块,用于通过SST技术获取智能户外电视的信号传输统计数据,并对所述信号传输统计数据进行信号滤波和信号传输性能计算,得到多个信号传输性能参数数据;
编码模块,用于对所述多个信号传输性能参数数据进行编码转换,得到多个信号传输性能参数编码值,并将所述多个信号传输性能参数编码值输入预置的第一信号传输性能分析模型进行信号传输性能分析,得到信号传输性能预测数据;
创建模块,用于通过预置的FDM算法根据所述信号传输性能预测数据生成所述智能户外电视对应的多个通信信道,并通过预置的TDM算法根据所述多个通信信道创建对应的多个初始智能户外电视信号传输网络;
测试模块,用于通过所述多个初始智能户外电视信号传输网络分别对所述智能户外电视进行信号传输测试和网络状态监控,并分别计算每个初始智能户外电视信号传输网络对应的网络状态评价指标集合;
分析模块,用于分别将每个网络状态评价指标集合输入预置的第二信号传输性能分析模型进行网络传输性能分析,得到每个初始智能户外电视信号传输网络对应的网络传输性能分析结果;
管理模块,用于根据所述网络传输性能分析结果对所述多个初始智能户外电视信号传输网络进行最优化求解,得到目标智能户外电视信号传输网络,并对所述目标智能户外电视信号传输网络进行功耗管理,生成所述目标智能户外电视信号传输网络中每个节点的功耗管理策略。
9.一种计算机设备,其特征在于,所述计算机设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行如权利要求1-7中任一项所述的智能户外电视的信号传输方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的智能户外电视的信号传输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410105893.XA CN117651288B (zh) | 2024-01-25 | 2024-01-25 | 智能户外电视的信号传输方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410105893.XA CN117651288B (zh) | 2024-01-25 | 2024-01-25 | 智能户外电视的信号传输方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117651288A true CN117651288A (zh) | 2024-03-05 |
CN117651288B CN117651288B (zh) | 2024-04-09 |
Family
ID=90048056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410105893.XA Active CN117651288B (zh) | 2024-01-25 | 2024-01-25 | 智能户外电视的信号传输方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117651288B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112243254A (zh) * | 2020-10-08 | 2021-01-19 | 军事科学院系统工程研究院网络信息研究所 | 一种星地一体化通信的自适应接入控制方法 |
CN115348247A (zh) * | 2022-08-09 | 2022-11-15 | 四川科瑞源信息科技有限公司 | 基于天空地一体化技术的森林火灾检测预警及决策系统 |
CN116471635A (zh) * | 2023-05-18 | 2023-07-21 | 闻泰通讯股份有限公司 | 信道参数调整方法、装置、设备和介质 |
-
2024
- 2024-01-25 CN CN202410105893.XA patent/CN117651288B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112243254A (zh) * | 2020-10-08 | 2021-01-19 | 军事科学院系统工程研究院网络信息研究所 | 一种星地一体化通信的自适应接入控制方法 |
CN115348247A (zh) * | 2022-08-09 | 2022-11-15 | 四川科瑞源信息科技有限公司 | 基于天空地一体化技术的森林火灾检测预警及决策系统 |
CN116471635A (zh) * | 2023-05-18 | 2023-07-21 | 闻泰通讯股份有限公司 | 信道参数调整方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117651288B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2593180A (en) | A distributed network traffic data decomposition method | |
CN111385128B (zh) | 突发负荷的预测方法及装置、存储介质、电子装置 | |
CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
CN105959988B (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
CN112469102B (zh) | 一种面向时变网络的主动网络拓扑构建方法及系统 | |
CN113014340A (zh) | 一种基于神经网络的卫星频谱资源动态分配方法 | |
CN118394021B (zh) | 基于5G RedCap技术的工业生产控制方法 | |
CN115879793A (zh) | 一种电能表状态信息化评价系统 | |
CN110278570B (zh) | 一种基于人工智能的无线通信系统 | |
CN118474845A (zh) | 5g同站共框动态节电方法与系统 | |
CN117651288B (zh) | 智能户外电视的信号传输方法、装置、设备及存储介质 | |
CN117827456A (zh) | 算力资源调度方法、装置、电子设备和存储介质 | |
Parera et al. | Anticipating mobile radio networks key performance indicators with transfer learning | |
CN115730646A (zh) | 一种基于部分量化的混合专家网络优化方法 | |
Henarejos et al. | Traffic congestion prediction in satellite broadband communications | |
CN113645700A (zh) | 基于深度学习的提升scma系统性能的资源分配方法及装置 | |
CN106886463A (zh) | 一种智能动态调整多图形处理器负载的控制系统 | |
CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 | |
CN117811645B (zh) | 一种关于卫星频率资源的分配及使用率计算方法 | |
Franch et al. | User mobility inference and clustering through LTE PDCCH data analysis | |
CN117440135B (zh) | 基于北斗卫星通信的图像传输方法及系统 | |
CN113704319B (zh) | 一种结合情景信息的移动终端业务预测方法 | |
CN117395690B (zh) | 基于人工智能的高功率密度5g基站能源管理系统 | |
CN115225478B (zh) | 网络切片动态配置方法、装置、电子设备及存储介质 |
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 |