CN117939504B - 基于干扰感知的自组网抗干扰方法及相关装置 - Google Patents
基于干扰感知的自组网抗干扰方法及相关装置 Download PDFInfo
- Publication number
- CN117939504B CN117939504B CN202410325510.XA CN202410325510A CN117939504B CN 117939504 B CN117939504 B CN 117939504B CN 202410325510 A CN202410325510 A CN 202410325510A CN 117939504 B CN117939504 B CN 117939504B
- Authority
- CN
- China
- Prior art keywords
- interference
- communication link
- theoretical
- hoc network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 224
- 238000012545 processing Methods 0.000 claims description 68
- 238000001514 detection method Methods 0.000 claims description 57
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract 1
- 230000010485 coping Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered 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
-
- 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
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及通信链接的技术领域，公开了一种基于干扰感知的自组网抗干扰方法及相关装置，本发明通过预先构建若干个自组网的理论通信链接模型，并在实际运行中不断地根据各个理论通信链接模型来采集抗干扰数据，以分析各个理论通信链接模型的抗干扰能力，由于各个理论通信链接模型应对不同干扰的能力不同，基于干扰指数进行分析后即可得出准确的最疑似干扰源，之后基于组成理论通信链接模型的链接状态对最疑似干扰源进行分析，得出一个最佳的理论对策，这个理论对策可以是理论通信链接模型中的一种，或是一种新的链接模型，解决了现有技术中自组网无法精准构建出能够最佳应对干扰的网络结构的问题。
Description
技术领域
本发明涉及通信链接的技术领域，尤其涉及一种基于干扰感知的自组网抗干扰方法及相关装置。
背景技术
自组织网络（自组网）具有自行重新构建链接方式，以应对干扰的能力，这种能力能够使得自组织网络具有优秀的抗干扰能力。
在现有技术中，自组织网络的这种重构能力欠缺响应的及时性与准确性，无法精准地构建出能够以最佳形式应对干扰的网络结构。
发明内容
本发明的目的在于提供一种基于干扰感知的自组网抗干扰方法及相关装置，旨在解决现有技术中自组网无法精准构建出能够最佳应对干扰的网络结构的问题。
本发明是这样实现的，第一方面，本发明提供一种基于干扰感知的自组网抗干扰方法，包括：
对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型；其中，各个所述理论通信链接模型分别代表一种所述自组网的链接状态；
间隔预定时间根据所述理论通信链接模型对所述自组网进行链接重构处理，以使得所述自组网以对应所述理论通信链接模型的链接状态进行通信链接；
持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱；
将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，并根据所述理论对策驱动所述自组网进行抗干扰处理。
优选地，对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型，其步骤包括：
对所述自组网进行网络节点的数据采集，以获取各个网络节点互相之间的邻近关系；
依据各个所述网络节点互相之间的邻近关系进行通信链接可行性的分析处理，以得到各个所述网络节点与其他所述网络节点的通信链接可行性；
根据预设标准对各个所述网络节点与其他网络节点的通信链接可行性进行判断处理，并根据判断处理的结果对所述通信链接可行性符合预设标准的各个所述网络节点进行关系标记；其中，所述关系标记用于对各个所述网络节点之间的潜在通信链接关系进行描述；
根据所述关系标记对应的所述潜在通信链接关系对所述关系标记进行分类，以得到若干类别的所述关系标记；
基于各个类别的所述关系标记进行组合，并根据各个所述组合分别构建所述自组网的理论通信链接模型。
优选地，持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱，其步骤包括：
每当所述自组网的链接状态对应一种所述理论通信链接模型时，驱动预设的检测数据序列对所述自组网进行干扰检测，以得到所述检测数据序列在所述理论通信链接模型中的干扰指数；
根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述检测数据序列在各个所述理论通信链接模型下的干扰源推测图谱。
优选地，每当所述自组网的链接状态对应一种所述理论通信链接模型时，驱动预设的检测数据序列对所述自组网进行干扰检测，以得到所述检测数据序列在所述理论通信链接模型中的干扰指数，其步骤包括：
对所述自组网的链接状态进行持续性的检测，并根据所述检测的结果对所述自组网的链接状态进行记录和排序，以得到所述自组网的链接状态记录序列；
当所述链接状态记录序列中最新记录的链接状态与相邻链接状态不同时，驱动预设的检测数据序列在所述自组网中进行数据传输，并对经过所述数据传输后的所述检测数据序列进行数据采集，以得到所述检测数据序列的干扰效果序列；
当所述链接状态记录序列中最新记录的链接状态已经持续保持预设时间时，驱动预设的检测数据序列在所述自组网中进行数据传输，并对经过所述数据传输后的所述检测数据序列进行数据采集，以得到所述检测数据序列的干扰效果序列；
对所述干扰效果序列进行分析处理，以获取所述检测数据序列在所述理论通信链接模型中的干扰指数；其中，所述干扰指数包括数据包丢失率、信噪比、比特错误率、传输延迟量、数据吞吐量。
优选地，根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述检测数据序列在各个所述理论通信链接模型下的干扰源推测图谱，其步骤包括：
根据所述干扰指数生成对应的映射主体；其中，所述映射主体包括若干个分层主体，各个所述分层主体分别对应所述干扰指数的数据包丢失率、信噪比、比特错误率、传输延迟量、数据吞吐量；
根据所述干扰指数对应的所述理论通信链接模型调取对应的溯源映射关系；其中，所述溯源映射关系包括若干个映射层级，各个所述映射层级分别针对所述映射主体的一个所述分层主体；
根据所述溯源映射关系中的各个所述映射层级，分别对所述映射主体中的各个所述分层主体进行映射计算，以得到各个所述分层主体的单一角度干扰源推测图谱；
对各个所述单一角度干扰源推测图谱进行加权计算处理，以得到干扰源推测图谱；其中，所述干扰源推测图谱包括若干种干扰源推测，所述干扰源推测用于描述所述干扰指数的一种产生原因。
优选地，将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，其步骤包括：
获取各个所述干扰源推测图谱对应的所述理论通信链接模型，以获取所述理论通信链接模型对应各类干扰源的干扰灵敏度；其中，所述干扰灵敏度用于反馈所述理论通信链接模型面对各类干扰源的影响程度；
根据所述理论通信链接模型对应各类干扰源的干扰灵敏度，生成所述理论通信链接模型对应的所述干扰源推测图谱的推测确信度因子；其中，所述推测确信度因子包括若干个推测确定度参数，各个所述推测确定度参数分别对应所述干扰源推测图谱中的各个所述干扰源推测；
根据各个所述干扰源推测图谱的推测确信度因子，对各个所述干扰源推测图谱中的各个所述干扰源推测进行加权计算处理，以得到各个加权确信干扰源推测；
对各个所述加权确信干扰源推测进行比较处理，并根据所述比较处理的结果得到具有最高确信度的所述加权确信干扰源推测，并将所述具有最高确信度的所述加权确信干扰源推测作为最疑似干扰源。
优选地，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，其步骤包括：
基于各个所述理论通信链接模型对所述最疑似干扰源进行适应性分析处理，以得到各个所述理论通信链接模型对所述最疑似干扰源的抗干扰分析指数；
根据用于组合得到所述理论通信链接模型的各个所述关系标记的所述类别，对所述理论通信链接模型的抗干扰指数进行分析处理，以得到各个类别的所述关系标记所代表的所述潜在通信链接关系对所述最疑似干扰源的抵抗性能；
根据各个所述关系标记所代表的所述潜在通信链接关系对所述最疑似干扰源的抵抗性能，对各个所述关系标记进行排列组合，并对各个所述排列组合的结果进行对所述最疑似干扰源的抵抗性能的计算处理，根据具有最佳的抵抗性能的所述排列组合构建对应的预备通信链接模型；
基于所述预备通信链接模型进行应对所述最疑似干扰源的抗干扰模拟，并根据所述抗干扰模拟的结果与各个所述理论通信链接模型进行比对处理，根据所述比对处理的结果对所述预备通信链接模型进行迭代优化。
第二方面，本发明提供一种基于干扰感知的自组网抗干扰装置，包括：
模型构建模块，用于对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型；其中，各个所述理论通信链接模型分别代表一种所述自组网的链接状态；
模型重构模块，用于间隔预定时间根据所述理论通信链接模型对所述自组网进行链接重构处理，以使得所述自组网以对应所述理论通信链接模型的链接状态进行通信链接；
数据分析模块，用于持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱；
对策处理模块，用于将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，并根据所述理论对策驱动所述自组网进行抗干扰处理。
本发明提供了一种基于干扰感知的自组网抗干扰方法，具有以下有益效果：
本发明通过预先构建若干个自组网的理论通信链接模型，并在实际运行中不断地根据各个理论通信链接模型来采集抗干扰数据，以分析各个理论通信链接模型的抗干扰能力，由于各个理论通信链接模型应对不同干扰的能力不同，基于干扰指数进行分析后即可得出准确的最疑似干扰源，之后基于组成理论通信链接模型的链接状态对最疑似干扰源进行分析，得出一个最佳的理论对策，这个理论对策可以是理论通信链接模型中的一种，或是一种新的链接模型，解决了现有技术中自组网无法精准构建出能够最佳应对干扰的网络结构的问题。
附图说明
图1是本发明实施例提供的一种基于干扰感知的自组网抗干扰方法的步骤示意图；
图2是本发明实施例提供的一种基于干扰感知的自组网抗干扰装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的实现进行详细的描述。
参照图1、图2所示，为本发明提供较佳实施例。
第一方面，本发明提供一种基于干扰感知的自组网抗干扰方法，包括：
S1：对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型；其中，各个所述理论通信链接模型分别代表一种所述自组网的链接状态；
S2：间隔预定时间根据所述理论通信链接模型对所述自组网进行链接重构处理，以使得所述自组网以对应所述理论通信链接模型的链接状态进行通信链接；
S3：持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱；
S4：将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，并根据所述理论对策驱动所述自组网进行抗干扰处理。
具体地，在本发明提供的实施例的步骤S1中，收集各个节点的信息，以确定哪些节点之间有直接的通信能力。例如，通过信号强度指示（RSSI）或者链路质量指标（LQI）。
更具体地，使用物理层或网络层的度量来评估节点之间的潜在链接。这些度量可能包括信号衰减、数据传输率、丢包率等，根据采集的数据，使用图论中的模型（如图或多图）来构建理论上的通信链接模型，对于自组网中的每一种可能的链接状态，建立一个对应的模型实例，使用仿真工具来测试每个模型实例的性能，例如网络吞吐量、延迟等，根据模型分析结果，调整网络参数，以优化通信性能。
可以理解的是，通过理论模型的分析，可以预测并优化实际网络的性能，提高数据传输的效率和可靠性，理论模型有助于在网络部署之前进行规划，以及在网络运行时进行动态管理和调整，通过监测网络的链接状态，可以预测潜在的故障点，及时进行调整或恢复，模型可以帮助自组网在面对节点移动或网络环境变化时，快速适应并重新组织网络结构。
具体地，在本发明提供的实施例的步骤S2中，定时监测当前网络的状态，包括节点的位置、速度、能量消耗、通信质量等，分析网络当前的通信链接状态，并跟根据预设的理论通信链接模型对自组网进行构建。
可以理解的是，间隔一定时间对自组网进行一次重构，目的在于对不同理论通信链接模型下的自组网进行抗干扰能力的检测，以得到自组网在对应不同理论通信链接模型时的抗干扰能力，由于自组网在对应不同理论通信链接模型时的抗干扰能力不同，自组网在对应不同理论通信链接模型面对不同种类的干扰源时产生的现象有不同，针对这些现象进行数据采集和分析处理，即可判断出确切的干扰源。
具体地，在本发明提供的实施例的步骤S3中，持续监测网络中的干扰指数，这包括信号强度、信噪比、丢包率、误码率等参数，记录干扰发生的时间、持续时间、强度以及影响的范围。
更具体地，每个干扰指数均对应着一个理论通信链接模型，每个理论通信链接模型的抗干扰能力不同，产生的干扰指数进行追溯分析处理，得到的干扰源判断也不同，因此根据干扰指数对应的理论通信链接模型对干扰指数进行干扰源的追溯分析处理，以得到自组网在各个理论通信链接模型下的干扰源推测图谱。
具体地，在本发明提供的实施例的步骤S4中，收集所有理论通信链路模型下的干扰源推测图谱，使用数据融合技术整合多个图谱，识别出现频率最高和影响最大的干扰源，应用统计分析、模式识别或机器学习算法来分辨和确认最疑似的干扰源位置及特性。
更具体地，针对最疑似干扰源的特性，分析适用的对策，如更换频道、调整输出功率、使用干扰消除技术等，利用仿真工具评估对策在理论上的有效性。
更具体地，根据分析结果，制定一系列可能的抗干扰对策，理论对策包括将自组网的链接状态调整至最能对抗干扰的形式，并且对链接后的各项具体参数进行适应性调整。
可以理解的是，通过整合多个图谱提高对最疑似干扰源的定位精度，制定的理论对策可使网络更加灵活地适应不断变化的干扰环境，实施有效的抗干扰处理后，可以显著提高数据传输质量和降低错误率，通过持续监控和优化，网络的稳定性和抗干扰能力将得到加强。
本发明提供了一种基于干扰感知的自组网抗干扰方法，具有以下有益效果：
本发明通过预先构建若干个自组网的理论通信链接模型，并在实际运行中不断地根据各个理论通信链接模型来采集抗干扰数据，以分析各个理论通信链接模型的抗干扰能力，由于各个理论通信链接模型应对不同干扰的能力不同，基于干扰指数进行分析后即可得出准确的最疑似干扰源，之后基于组成理论通信链接模型的链接状态对最疑似干扰源进行分析，得出一个最佳的理论对策，这个理论对策可以是理论通信链接模型中的一种，或是一种新的链接模型，解决了现有技术中自组网无法精准构建出能够最佳应对干扰的网络结构的问题。
优选地，对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型，其步骤包括：
S11：对所述自组网进行网络节点的数据采集，以获取各个网络节点互相之间的邻近关系；
S12：依据各个所述网络节点互相之间的邻近关系进行通信链接可行性的分析处理，以得到各个所述网络节点与其他所述网络节点的通信链接可行性；
S13：根据预设标准对各个所述网络节点与其他网络节点的通信链接可行性进行判断处理，并根据判断处理的结果对所述通信链接可行性符合预设标准的各个所述网络节点进行关系标记；其中，所述关系标记用于对各个所述网络节点之间的潜在通信链接关系进行描述；
S14：根据所述关系标记对应的所述潜在通信链接关系对所述关系标记进行分类，以得到若干类别的所述关系标记；
S15：基于各个类别的所述关系标记进行组合，并根据各个所述组合分别构建所述自组网的理论通信链接模型。
具体地，收集每个网络节点的信号强度、位置信息、移动速度和方向等数据，确定节点之间的相对距离和连接特性，利用采集到的数据分析节点间的邻近程度，使用算法（如RSSI、时间差测量等）计算节点间的距离。
更具体地，基于节点间的距离和信号质量，分析它们之间的通信链接是否可行，考虑到信号衰减、路径损耗、干扰等因素，判断每个节点对之间的通信链接是否满足预设的链接标准。
更具体地，对满足预设标准的节点对进行关系标记，标记可以包括连接质量、稳定性、频率等级等信息，将关系标记根据特性进行分类，分类的目的在于以便后续可以令整个自组网以相同关系标记对应的链接关系进行链接，有助于理解网络中不同类型的连接特点。
更具体地，基于分类的关系标记，构建不同的通信链接模型，每个模型都代表网络在不同条件下可能的最优或次优结构。
可以理解的是，网络结构优化能够提高网络的自组织性能，使其更加高效和稳定，确定最佳的节点配对，减少通信延迟和提高数据传输率；通过合理的节点分类和模型构建，优化频谱和能源的使用；分类和标记有助于识别最稳定的通信链路，提高网络的整体可靠性。
优选地，持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱，其步骤包括：
S31：每当所述自组网的链接状态对应一种所述理论通信链接模型时，驱动预设的检测数据序列对所述自组网进行干扰检测，以得到所述检测数据序列在所述理论通信链接模型中的干扰指数；
S32：根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述检测数据序列在各个所述理论通信链接模型下的干扰源推测图谱。
具体地，监测当前自组网的链接状态，将实际链接状态与预设的一系列理论通信链接模型进行比对，当实际链接状态对应上某个理论模型时，发送预设的检测数据序列，这些数据序列设计为能够揭示网络中的干扰特性。
更具体地，分析检测数据序列在网络传输过程中的变化，通过比对数据序列的发送端和接收端，计算出干扰指数，根据干扰指数分析可能的干扰源，可以理解的是，干扰源指定的是干扰产生的原因，以及干扰的各系具体参数。
更具体地，构建干扰源推测图谱，对每个理论通信链接模型下的干扰检测结果制作图谱，图谱展示了可能的干扰源位置、干扰强度和可能的干扰类型。
可以理解的是，这种方式能够快速准确地识别网络中的干扰源，追踪到干扰源后，可以采取措施（如改变频道、调整功率等）以减少或消除干扰，从而优化网络性能，网络可以基于干扰检测结果动态调整配置，提高网络的自适应能力，通过对干扰源的长期跟踪，可以为未来的网络规划和设计提供数据支持。
优选地，每当所述自组网的链接状态对应一种所述理论通信链接模型时，驱动预设的检测数据序列对所述自组网进行干扰检测，以得到所述检测数据序列在所述理论通信链接模型中的干扰指数，其步骤包括：
S311：对所述自组网的链接状态进行持续性的检测，并根据所述检测的结果对所述自组网的链接状态进行记录和排序，以得到所述自组网的链接状态记录序列；
S312：当所述链接状态记录序列中最新记录的链接状态与相邻链接状态不同时，驱动预设的检测数据序列在所述自组网中进行数据传输，并对经过所述数据传输后的所述检测数据序列进行数据采集，以得到所述检测数据序列的干扰效果序列；
S313：当所述链接状态记录序列中最新记录的链接状态已经持续保持预设时间时，驱动预设的检测数据序列在所述自组网中进行数据传输，并对经过所述数据传输后的所述检测数据序列进行数据采集，以得到所述检测数据序列的干扰效果序列；
S314：对所述干扰效果序列进行分析处理，以获取所述检测数据序列在所述理论通信链接模型中的干扰指数；其中，所述干扰指数包括数据包丢失率、信噪比、比特错误率、传输延迟量、数据吞吐量。
具体地，对自组网的链接状态进行持续的检测，将检测结果记录下来，并按照时间顺序或其他相关指标排序，形成链接状态记录序列。
更具体地，比较链接状态记录序列中的最新状态与之前的状态，如果最新状态与之前的相邻状态发生变化，则触发检测序列的数据传输。
更具体地，在自组网中驱动预设的检测数据序列进行数据传输，传输完成后，对经过干扰的检测数据序列进行数据采集，得到干扰效果序列。
更具体地，分析干扰效果序列，获取关键指标，如数据包丢失率、信噪比、比特错误率、传输延迟量、数据吞吐量等，这些指标共同构成干扰指数，反映了网络在当前理论通信链接模型中受到的干扰程度。
可以理解的是，持续性检测和记录使得网络能实时监控链接状态，快速响应状态变化，通过分析多个指标，可以全面评估网络的干扰情况，干扰指数提供了数据支持，便于进行针对性的网络优化措施，可以根据干扰指数的变化及时调整网络参数，确保网络的稳定性和可靠性。
更具体地，干扰检测和分析可以作为故障预防机制，减少故障发生的可能性，也可以在故障发生后快速定位问题，缩短恢复时间，维护团队可以基于干扰指数做出更加合理的维护决策。
优选地，根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述检测数据序列在各个所述理论通信链接模型下的干扰源推测图谱，其步骤包括：
S321：根据所述干扰指数生成对应的映射主体；其中，所述映射主体包括若干个分层主体，各个所述分层主体分别对应所述干扰指数的数据包丢失率、信噪比、比特错误率、传输延迟量、数据吞吐量；
S322：根据所述干扰指数对应的所述理论通信链接模型调取对应的溯源映射关系；其中，所述溯源映射关系包括若干个映射层级，各个所述映射层级分别针对所述映射主体的一个所述分层主体；
S323：根据所述溯源映射关系中的各个所述映射层级，分别对所述映射主体中的各个所述分层主体进行映射计算，以得到各个所述分层主体的单一角度干扰源推测图谱；
S324：对各个所述单一角度干扰源推测图谱进行加权计算处理，以得到干扰源推测图谱；其中，所述干扰源推测图谱包括若干种干扰源推测，所述干扰源推测用于描述所述干扰指数的一种产生原因。
具体地，根据干扰指数的不同维度（数据包丢失率、信噪比、比特错误率、传输延迟量、数据吞吐量）生成对应的映射主体，每个映射主体代表一个具体的干扰指标。
更具体地，根据实际的理论通信链接模型和相应的干扰指数，调取预定义的溯源映射关系，溯源映射关系定义了不同干扰指标与潜在干扰源之间的对应关系，使用溯源映射关系对每个分层主体进行映射计算，为每个干扰指标生成单一角度的干扰源推测图谱。
更具体地，对各个单一角度的干扰源推测图谱进行加权计算，加权计算考虑了每个干扰指标对网络性能的影响程度，最终得到的干扰源推测图谱整合了所有干扰指标的分析结果，图谱描述了导致网络性能问题的可能原因。
可以理解的是，通过分析不同的干扰指标能够全面理解网络性能问题的根源，映射主体和溯源映射关系的使用提高了问题定位的准确性，提供了数据支持，帮助网络管理员进行有针对性的维护和优化决策。
优选地，将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，其步骤包括：
S41：获取各个所述干扰源推测图谱对应的所述理论通信链接模型，以获取所述理论通信链接模型对应各类干扰源的干扰灵敏度；其中，所述干扰灵敏度用于反馈所述理论通信链接模型面对各类干扰源的影响程度；
S42：根据所述理论通信链接模型对应各类干扰源的干扰灵敏度，生成所述理论通信链接模型对应的所述干扰源推测图谱的推测确信度因子；其中，所述推测确信度因子包括若干个推测确定度参数，各个所述推测确定度参数分别对应所述干扰源推测图谱中的各个所述干扰源推测；
S43：根据各个所述干扰源推测图谱的推测确信度因子，对各个所述干扰源推测图谱中的各个所述干扰源推测进行加权计算处理，以得到各个加权确信干扰源推测；
S44：对各个所述加权确信干扰源推测进行比较处理，并根据所述比较处理的结果得到具有最高确信度的所述加权确信干扰源推测，并将所述具有最高确信度的所述加权确信干扰源推测作为最疑似干扰源。
具体地，从各个干扰源推测图谱获取对应的理论通信链接模型，确定理论模型中对不同干扰源的干扰灵敏度，即每种干扰源对通信链接影响的程度，根据理论模型的干扰灵敏度，为每种干扰源生成一个确信度因子，确信度因子由一系列参数组成，每个参数对应一个干扰源推测。
更具体地，利用推测确信度因子，对每个干扰源推测进行加权计算，得到的加权确信干扰源推测反映了各干扰源的推测可靠性，对所有加权确信干扰源推测进行比较，确定最高确信度的干扰源推测，将具有最高确信度的加权确信干扰源推测作为最可能的干扰源。
可以理解的是，通过考虑干扰灵敏度和确信度因子，提高干扰源诊断的精度和可靠性，可以更有效地分配资源以对抗最可能的干扰源，提高维护效率。
更具体地，识别并针对性地处理高确信度的干扰源，可以显著提高通信链接的稳定性，提供的确信度信息可以作为决策支持，帮助制定策略。
优选地，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，其步骤包括：
S45：基于各个所述理论通信链接模型对所述最疑似干扰源进行适应性分析处理，以得到各个所述理论通信链接模型对所述最疑似干扰源的抗干扰分析指数；
S46：根据用于组合得到所述理论通信链接模型的各个所述关系标记的所述类别，对所述理论通信链接模型的抗干扰指数进行分析处理，以得到各个类别的所述关系标记所代表的所述潜在通信链接关系对所述最疑似干扰源的抵抗性能；
S47：根据各个所述关系标记所代表的所述潜在通信链接关系对所述最疑似干扰源的抵抗性能，对各个所述关系标记进行排列组合，并对各个所述排列组合的结果进行对所述最疑似干扰源的抵抗性能的计算处理，根据具有最佳的抵抗性能的所述排列组合构建对应的预备通信链接模型；
S48：基于所述预备通信链接模型进行应对所述最疑似干扰源的抗干扰模拟，并根据所述抗干扰模拟的结果与各个所述理论通信链接模型进行比对处理，根据所述比对处理的结果对所述预备通信链接模型进行迭代优化。
具体地，对每个理论通信链接模型执行适应性分析，以评估它们对最疑似干扰源的抗干扰能力，并得出抗干扰分析指数，根据组成理论通信链接模型的各个关系标记的类别，分析每个类别的关系标记代表的潜在通信链接关系对最疑似干扰源的抵抗性能。
更具体地，对所有关系标记进行排列组合，计算每种组合对最疑似干扰源的抵抗性能，选择具有最佳抵抗性能的组合来构建预备通信链接模型。
更具体地，使用预备通信链接模型进行抗干扰模拟，模拟结果用于与现有的理论通信链接模型进行比对，根据模拟结果与理论模型的比对，对预备通信链接模型进行迭代优化，以提升其抗干扰性能。
可以理解的是，通过适应性分析和优化，通信系统能更好地抵抗识别出的干扰源，提升通信的稳定性和可靠性，选择最优的关系标记组合能够提高通信系统对干扰的整体抵抗力，优化系统性能，通过精确分析和优化，系统可以避免过度设计，节省资源和成本，自动化的分析处理和排列组合过程提高了决策的效率和速度。
参照图2所示，第二方面，本发明提供一种基于干扰感知的自组网抗干扰装置，包括：
模型构建模块，用于对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型；其中，各个所述理论通信链接模型分别代表一种所述自组网的链接状态；
模型重构模块，用于间隔预定时间根据所述理论通信链接模型对所述自组网进行链接重构处理，以使得所述自组网以对应所述理论通信链接模型的链接状态进行通信链接；
数据分析模块，用于持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱；
对策处理模块，用于将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，并根据所述理论对策驱动所述自组网进行抗干扰处理。
在本实施例中，上述装置实施例中的各个模块的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于干扰感知的自组网抗干扰方法，其特征在于，包括：
对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型；其中，各个所述理论通信链接模型分别代表一种所述自组网的链接状态；
间隔预定时间根据所述理论通信链接模型对所述自组网进行链接重构处理，以使得所述自组网以对应所述理论通信链接模型的链接状态进行通信链接；
持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱；
将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，并根据所述理论对策驱动所述自组网进行抗干扰处理；
持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱，其步骤包括：
每当所述自组网的链接状态对应一种所述理论通信链接模型时，驱动预设的检测数据序列对所述自组网进行干扰检测，以得到所述检测数据序列在所述理论通信链接模型中的干扰指数；
根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述检测数据序列在各个所述理论通信链接模型下的干扰源推测图谱；
每当所述自组网的链接状态对应一种所述理论通信链接模型时，驱动预设的检测数据序列对所述自组网进行干扰检测，以得到所述检测数据序列在所述理论通信链接模型中的干扰指数，其步骤包括：对所述自组网的链接状态进行持续性的检测，并根据所述检测的结果对所述自组网的链接状态进行记录和排序，以得到所述自组网的链接状态记录序列；当所述链接状态记录序列中最新记录的链接状态与相邻链接状态不同时，驱动预设的检测数据序列在所述自组网中进行数据传输，并对经过所述数据传输后的所述检测数据序列进行数据采集，以得到所述检测数据序列的干扰效果序列；当所述链接状态记录序列中最新记录的链接状态已经持续保持预设时间时，驱动预设的检测数据序列在所述自组网中进行数据传输，并对经过所述数据传输后的所述检测数据序列进行数据采集，以得到所述检测数据序列的干扰效果序列；对所述干扰效果序列进行分析处理，以获取所述检测数据序列在所述理论通信链接模型中的干扰指数；其中，所述干扰指数包括数据包丢失率、信噪比、比特错误率、传输延迟量以及数据吞吐量；
根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述检测数据序列在各个所述理论通信链接模型下的干扰源推测图谱，其步骤包括：根据所述干扰指数生成对应的映射主体；其中，所述映射主体包括若干个分层主体，各个所述分层主体分别对应所述干扰指数的数据包丢失率、信噪比、比特错误率、传输延迟量以及数据吞吐量；根据所述干扰指数对应的所述理论通信链接模型调取对应的溯源映射关系；其中，所述溯源映射关系包括若干个映射层级，各个所述映射层级分别针对所述映射主体的一个所述分层主体；根据所述溯源映射关系中的各个所述映射层级，分别对所述映射主体中的各个所述分层主体进行映射计算，以得到各个所述分层主体的单一角度干扰源推测图谱；对各个所述单一角度干扰源推测图谱进行加权计算处理，以得到干扰源推测图谱；其中，所述干扰源推测图谱包括若干种干扰源推测，所述干扰源推测用于描述所述干扰指数的一种产生原因；
将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，其步骤包括：获取各个所述干扰源推测图谱对应的所述理论通信链接模型，以获取所述理论通信链接模型对应各类干扰源的干扰灵敏度；其中，所述干扰灵敏度用于反馈所述理论通信链接模型面对各类干扰源的影响程度；根据所述理论通信链接模型对应各类干扰源的干扰灵敏度，生成所述理论通信链接模型对应的所述干扰源推测图谱的推测确信度因子；其中，所述推测确信度因子包括若干个推测确定度参数，各个所述推测确定度参数分别对应所述干扰源推测图谱中的各个所述干扰源推测；根据各个所述干扰源推测图谱的推测确信度因子，对各个所述干扰源推测图谱中的各个所述干扰源推测进行加权计算处理，以得到各个加权确信干扰源推测；对各个所述加权确信干扰源推测进行比较处理，并根据所述比较处理的结果得到具有最高确信度的所述加权确信干扰源推测，并将所述具有最高确信度的所述加权确信干扰源推测作为最疑似干扰源。
2.如权利要求1所述的一种基于干扰感知的自组网抗干扰方法，其特征在于，对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型，其步骤包括：
对所述自组网进行网络节点的数据采集，以获取各个网络节点互相之间的邻近关系；
依据各个所述网络节点互相之间的邻近关系进行通信链接可行性的分析处理，以得到各个所述网络节点与其他所述网络节点的通信链接可行性；
根据预设标准对各个所述网络节点与其他网络节点的通信链接可行性进行判断处理，并根据判断处理的结果对所述通信链接可行性符合预设标准的各个所述网络节点进行关系标记；其中，所述关系标记用于对各个所述网络节点之间的潜在通信链接关系进行描述；
根据所述关系标记对应的所述潜在通信链接关系对所述关系标记进行分类，以得到若干类别的所述关系标记；
基于各个类别的所述关系标记进行组合，并根据各个所述组合分别构建所述自组网的理论通信链接模型。
3.如权利要求2所述的一种基于干扰感知的自组网抗干扰方法，其特征在于，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，其步骤包括：
基于各个所述理论通信链接模型对所述最疑似干扰源进行适应性分析处理，以得到各个所述理论通信链接模型对所述最疑似干扰源的抗干扰分析指数；
根据用于组合得到所述理论通信链接模型的各个所述关系标记的所述类别，对所述理论通信链接模型的抗干扰指数进行分析处理，以得到各个类别的所述关系标记所代表的所述潜在通信链接关系对所述最疑似干扰源的抵抗性能；
根据各个所述关系标记所代表的所述潜在通信链接关系对所述最疑似干扰源的抵抗性能，对各个所述关系标记进行排列组合，并对各个所述排列组合的结果进行对所述最疑似干扰源的抵抗性能的计算处理，根据具有最佳的抵抗性能的所述排列组合构建对应的预备通信链接模型；
基于所述预备通信链接模型进行应对所述最疑似干扰源的抗干扰模拟，并根据所述抗干扰模拟的结果与各个所述理论通信链接模型进行比对处理，根据所述比对处理的结果对所述预备通信链接模型进行迭代优化。
4.一种基于干扰感知的自组网抗干扰装置，其特征在于，用于实现权利要求1-3任意一项所述的一种基于干扰感知的自组网抗干扰方法，包括：
模型构建模块，用于对自组网进行网络节点的数据采集，以获取所述自组网的各个网络节点之间的潜在通信链接关系，并根据采集到的各个所述网络节点之间的理论通信链接构建若干个所述自组网的理论通信链接模型；其中，各个所述理论通信链接模型分别代表一种所述自组网的链接状态；
模型重构模块，用于间隔预定时间根据所述理论通信链接模型对所述自组网进行链接重构处理，以使得所述自组网以对应所述理论通信链接模型的链接状态进行通信链接；
数据分析模块，用于持续对所述自组网进行干扰指数的数据采集，并根据所述干扰指数对应的所述理论通信链接模型对所述干扰指数进行干扰源的追溯分析处理，以得到所述自组网在各个所述理论通信链接模型下的干扰源推测图谱；
对策处理模块，用于将各个所述干扰源推测图谱进行整合处理，以得到所述自组网的最疑似干扰源，根据所述自组网的各个所述理论通信链接模型对所述最疑似干扰源进行对策分析处理，以得到所述自组网对应所述最疑似干扰源的理论对策，并根据所述理论对策驱动所述自组网进行抗干扰处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410325510.XA CN117939504B (zh) | 2024-03-21 | 2024-03-21 | 基于干扰感知的自组网抗干扰方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410325510.XA CN117939504B (zh) | 2024-03-21 | 2024-03-21 | 基于干扰感知的自组网抗干扰方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117939504A CN117939504A (zh) | 2024-04-26 |
| CN117939504B true CN117939504B (zh) | 2024-05-28 |
Family
ID=90768795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410325510.XA Active CN117939504B (zh) | 2024-03-21 | 2024-03-21 | 基于干扰感知的自组网抗干扰方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117939504B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7570593B1 (en) * | 2003-06-30 | 2009-08-04 | Hrl Laboratories, Llc | Interference-resilient joint MAC and routing scheme for wireless ad-hoc networks |
| CN115422404A (zh) * | 2022-07-29 | 2022-12-02 | 中国人民解放军陆军工程大学 | 基于知识图谱表示学习的通信辐射源威胁评估方法 |
| CN115643593A (zh) * | 2022-10-10 | 2023-01-24 | 广东越新微系统研究院 | 一种基于高动态路由协议的无线自组网通信系统和方法 |
| CN117713967A (zh) * | 2023-12-14 | 2024-03-15 | 北京博创安泰科技有限公司 | 一种用于自组网无人机智能频谱感知抗干扰通信系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117769639A (zh) * | 2021-06-11 | 2024-03-26 | 网络无人机公司 | 用于从无人机成像生成3d模型的系统和方法 |
-
2024
- 2024-03-21 CN CN202410325510.XA patent/CN117939504B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7570593B1 (en) * | 2003-06-30 | 2009-08-04 | Hrl Laboratories, Llc | Interference-resilient joint MAC and routing scheme for wireless ad-hoc networks |
| CN115422404A (zh) * | 2022-07-29 | 2022-12-02 | 中国人民解放军陆军工程大学 | 基于知识图谱表示学习的通信辐射源威胁评估方法 |
| CN115643593A (zh) * | 2022-10-10 | 2023-01-24 | 广东越新微系统研究院 | 一种基于高动态路由协议的无线自组网通信系统和方法 |
| CN117713967A (zh) * | 2023-12-14 | 2024-03-15 | 北京博创安泰科技有限公司 | 一种用于自组网无人机智能频谱感知抗干扰通信系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于知识的移动自组织网络优化技术研究;吕思明;《中国优秀硕士学位论文全文数据库信息科技辑》;20230715(第7期);第1-101页 * |
| 微波战术通信系统空域抗干扰方法综述;杨林等;《移动通信》;20200815;第44卷(第08期);第41-48页 * |
| 无人机对抗中通信干扰源定位图谱构建仿真;祁晓钰;《计算机仿真》;20150115;第32卷(第01期);第113-116页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117939504A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117014472B (zh) | 一种基于云边端协同的电厂设备智能巡检方法及系统 | |
| Khatib et al. | Self-healing in mobile networks with big data | |
| CN116796907A (zh) | 一种基于物联网的水环境动态监测系统及其方法 | |
| CN112543465B (zh) | 一种异常检测方法、装置、终端及存储介质 | |
| CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
| Gomez-Andrades et al. | Data analytics for diagnosing the RF condition in self-organizing networks | |
| CN113473514A (zh) | 电力无线专网故障诊断模型训练方法、诊断方法及装置 | |
| CN111314113A (zh) | 物联网节点故障检测方法、装置、存储介质及计算机设备 | |
| CN103023028A (zh) | 一种基于实体间依赖关系图的电网故障快速定位方法 | |
| CN108454653A (zh) | 一种基于卫星通信和公共蜂窝通信的列车控制系统 | |
| CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
| CN117614741B (zh) | 一种网络安全漏洞位置检测方法及系统 | |
| CN116342063A (zh) | 应用于智慧农业的数据处理方法 | |
| CN115224794A (zh) | 一种基于物联网技术的配电网监测方法 | |
| CN118133203A (zh) | 一种电能计量检测信息故障诊断方法 | |
| CN117939504B (zh) | 基于干扰感知的自组网抗干扰方法及相关装置 | |
| CN113395182B (zh) | 具有故障预测的智能网络设备管理系统及方法 | |
| CN118246900A (zh) | 基于拓扑成图的通信检修业务智能辅助决策系统 | |
| CN112910699A (zh) | 电力物联网的智能故障检测方法及装置 | |
| CN104168599B (zh) | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 | |
| CN109885978A (zh) | 一种遥感地面站故障诊断系统及方法 | |
| CN113328881B (zh) | 一种面向非合作无线网络的拓扑感知方法及装置、系统 | |
| Stocker et al. | Applying NLOS Classification and Error Correction Techniques to UWB Systems: Lessons Learned and Recommendations | |
| Minovski et al. | Anomaly detection for discovering performance degradation in cellular IoT services |
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 |