CN108199892B - 基于神经网络的LoRa终端最大发送速率动态预测方法 - Google Patents

基于神经网络的LoRa终端最大发送速率动态预测方法 Download PDF

Info

Publication number
CN108199892B
CN108199892B CN201810030502.7A CN201810030502A CN108199892B CN 108199892 B CN108199892 B CN 108199892B CN 201810030502 A CN201810030502 A CN 201810030502A CN 108199892 B CN108199892 B CN 108199892B
Authority
CN
China
Prior art keywords
neural network
lora
transmission rate
maximum transmission
lora terminal
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
Application number
CN201810030502.7A
Other languages
English (en)
Other versions
CN108199892A (zh
Inventor
刘强
虞阁飞
杨鲲
冷甦鹏
张科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810030502.7A priority Critical patent/CN108199892B/zh
Publication of CN108199892A publication Critical patent/CN108199892A/zh
Application granted granted Critical
Publication of CN108199892B publication Critical patent/CN108199892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于神经网络的LoRa终端最大发送速率动态预测方法，应用于低功耗广域网通信技术领域，通过构建神经网络架构，并对神经网络进行训练，使得在保证正常通信情况下，通过将LoRa服务器解析到的信噪比、信号强度输入神经网络，得到预测的最大发送速率；LoRa服务器将该最大发送速率告知LoRa终端，LoRa终端以最大发送速率发送数据，实现降低终端功耗的效果。

Description

基于神经网络的LoRa终端最大发送速率动态预测方法
技术领域
本发明属于低功耗广域网通信技术领域，特别涉及一种预测LoRa终端节点的最大发送速率的技术。
背景技术
LoRaWAN网络是一种LPWAN网络，即低功耗的广域网，其整个网络的寿命取决于LoRa终端电池的电量，保证终端连接到服务器的情况下以最大速率发送可以有效减小功耗。神经网络算法可以很好的实现分类聚类，在服务器端得知信噪比(SNR)和接收信号强度指示(RSSI)参数通过神经网络算法预测最大速率。
LoRa全称是“Long Rang”是一种基于扩频技术的低功耗长距离无线通信技术，主要面向物联网，LoRa终端依赖于电池供电的无线广域网技术。LoRaWAN采用星形拓扑的网络架构，由三部分组成分别是LoRa网关、LoRa终端、LoRa服务器。其中LoRa网关是一个透明中继采用电源供电，负责链接前端的终端和后端的服务器。其中终端采用电池供电。整个网络的寿命取决于终端电池的电量。
目前要实现LoRa的低功耗，使得整个网络的寿命加长，就要使终端节点的耗能降到最低，目前国内外对于LoRa的低功耗的设计在于设计最小的接收机的占空比来实现低功耗，但是存在终端发送数据频率很低的问题。
神经网络是一组大致模仿人类大脑构造设计的算法，在分类聚类上有很好的效果。神经网络通过机器感知***解释传感器数据，对原始输入进行标记或聚类。神经网络能够帮助我们对测试数据进行处理，即可以对所存储和管理的数据进行聚类与分类。
发明内容
本发明提出一种基于神经网络的LoRa终端最大发送速率动态预测方法，通过神经网络预测出最大速率，实现降低终端功耗的目的。
本发明采用的技术方案为：基于神经网络的LoRa终端最大发送速率动态预测方法，初始状态下LoRa终端以最低速率发送数据；LoRa服务器接收到LoRa终端的数据后，解析出信号强度和信噪比；通过将信号强度与信噪比输入神经网络，在保证正常通信的情况下，神经网络输出预测的最大发送速率；LoRa服务器将该最大发送速率告知LoRa终端；LoRa终端收到LoRa服务器的告知信息后，以该最大速率发送数据。
进一步地，所述神经网络结构包括：输入层、隐藏层以及输出层；所述输入层至少包括：信号强度以及信噪比；所述隐藏层；所述输出层为各发送速率。
更进一步地，所述神经网络采用反向传播算法进行训练。
进一步地，所述反向传播算法包括：
A1、获取训练集；
A2、前向传播，具体为：将训练集输入到神经网络的输入层，经过隐藏层，到达输出层并输出结果；
A3、反向传播，具体为：计算步骤A2得到的输出结果与实际结果之间的误差，将误差从输出层向隐藏层反向传播，直至传播到输入层；
A4、设置迭代次数以及学习率，重复步骤A3，直至达到设置的迭代次数；否则根据误差对参数进行调整。
更进一步地，步骤A1具体包括以下分步骤：
A11、LoRa终端分别按照从最低发送速率到实际的最大发送速率发送数据给LoRa服务器；
A12、LoRa服务器端解析出各发送速率对应的信号强度与信噪比；
A13、在保证正常通信的情况下不断移动LoRa终端，记录每次移动LoRa终端后LoRa服务器解析出的信号强度与信噪比，以及对应的发送速率；
A14、将根据步骤A13获得的若干组信号强度、信噪比作为神经网络的输入训练集数据。
进一步地，步骤A3所述计算步骤A2得到的输出结果与实际结果之间的误差，具体为采用代价函数进行计算。
进一步地，步骤A4所述参数包括：
其中，表示第l-1层的第k个神经元连接到第l层的第j个神经元的权重；表示第L层的第j个神经元的偏置。
本发明的有益效果：本发明的基于神经网络的LoRa终端最大发送速率动态预测方法，利用神经网络的高效的分类功能，在LoRa服务器端通神经网络预测能够确保正常通信的最大速率，LoRa服务器将该最大速率告知LoRa终端，从而提高LoRa终端的发送速率减少LoRa终端窗口的打开时间，降低LoRa终端的功耗；并且可以降低LoRa终端的重传次数，实现低功耗，提高寿命。
附图说明
图1为本发明实施例提供的方案流程图；
图2为本发明实施例提供的LoRa中神经网络模型示意图；
图3为本发明实施例提供的使用节能机制和未使用节能机制能量消耗对比图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本发明实施例以目前终端采用LoRa协议规定的DR0到DR5这六种速率发送为例进行说明。其中DR0<DR1<DR2<DR3<DR4<DR5。如表1所示对终端的功耗测试通过功耗测试仪器Power Monitor进行测试；通过Power Monitor的电源输出接口对LoRa终端输出3V直流电源；Power Monitor通过串口连接PC机，通过客户端软件PowerTool可以对电源进行控制，并读取实时工作电流。可以看出发送速率越大，发送时间越短，从而发送功率越小，即越节能。
表1终端的平均发送电流、发送功率及发送时间
数据速率 DR0 DR1 DR2 DR3 DR4 DR5
发送电流(mA) 88.15 86.62 80.02 74.38 67.46 55.72
发送功率(mW) 264.45 259.86 240.02 223.14 202.38 167.16
发送时间(ms) 1205 713 384 213 141 93
如图1所示为本发明的方案流程图，本发明的技术方案为：基于神经网络的LoRa终端最大发送速率动态预测方法，初始状态下LoRa终端以最低速率发送数据；LoRa服务器接收到LoRa终端的数据后，解析出信号强度和信噪比；通过将信号强度与信噪比输入神经网络，在保证正常通信的情况下，神经网络输出预测的最大发送速率；LoRa服务器将该最大发送速率告知LoRa终端；LoRa终端收到LoRa服务器的告知信息后，以该最大速率发送数据。
如图2所示为神经网络模型示意图，本申请实施例搭建一个2*3*6的全连接的神经网络(设计一个隐藏层)的输入参数是RSSI、SNR，输出是DR0-DR5这6种不同梯度的速率。激活函数为sigmoid，如图2所示包括：输入层，隐藏层和输出层。本申请采用反向传播算法(backPropagation)来训练神经网络，设定学习率为0.0001，迭代次数为1000*10000。具体训练过程如下：
A1、进行数据源准备：
LoRa终端分别按照从最低发送速率DR0到最大发送速率DR5发送数据给LoRa服务器；
LoRa服务器端解析出各发送速率对应的信号强度(RSSI)与信噪比(SNR)；
在保证正常通信的情况下不断移动LoRa终端，记录每次移动LoRa终端后LoRa服务器解析出的信号强度与信噪比，以及对应的发送速率DR；
将获得的若干组信号强度、信噪比作为神经网络的输入训练集数据。
A2、前向传播，具体为：将训练集输入到神经网络的输入层，经过隐藏层，到达输出层并输出结果；对训练集中的每个样本X，设置输入层对应的激活函数为tanh，记为σ。
前向传播：zl＝wlal-1+bl,al＝σ(zl)
其中，zl是第l-1层输出向量；wl是第l-1层输入权重矩阵；al是zl经过激活函数的结果；bl是第l层偏置值向量。
A3、反向传播，具体为：计算步骤A2得到的输出结果与实际结果之间的误差，将误差从输出层向隐藏层反向传播，直至传播到输入层；本申请中采用二次代价函数(Quadratic cost function)来计算神经网络输出值与实际值之间的误差C：
其中，x表示输入样本集X中的样本，y表示实际的分类，aL表示预测的输出，L表示伸进网络的最大层数；
首先将第l层的第j个神经元种产生的误差定义为：
其中，是zl输出向量的第j个元素；
其次由后往前，计算每一层神经网络产生的误差：
δl＝((wl+1)Tδl+1)⊙σ′(zl)
然后计算权重梯度：
最后计算偏置梯度：
其中，表示al-1向量第k个元素，是bl向量第j个元素。
A4、设置迭代次数以及学习率，重复步骤A3，直至收敛；否则根据误差对参数进行调整。本实施例中设定学习率为0.0001，迭代次数为1000*10000；当完成1000*10000次迭代后，神经网络的输出值与实际值的误差小于ε，达到了收敛标准；此时便得到了经训练的神经网络。
ε为设定的小于0.01的正数；本领域的技术人员应注意：在具体实施时也可以通过在当前迭代得到的误差小于ε时，停止迭代，来得到经训练的神经网络。
参数调整具体为：使用梯度下降，训练参数：
本实施例中DR0-DR5每组有200条数据，分别是SNR和RSSI对应相应的最大速率(保证终端能够连接服务器)。随机打乱这1200条数据，选取其中200条数据用作训练，1000条数据用来测试。通过softMax的方法来验证预测的准确性，其中学习率为0.0001。准确率可以达到99.5％。即通过本申请的方法服务器能够在不同SNR(信噪比)、RSSI(信号强度)的情况下预测最大速率的准确率是99.5％。
如图3所示为使用节能机制和未使用节能机制能量消耗对比图，其中横坐标是发送数据包个数，纵坐标是能耗，虚线表示使用神经网络算法预测最大速率后以最大速率发送终端的能耗随时间变化。而实线是未使用任何策略终端能耗随时间变化图。可见本发明使用神经网络算法来预测最大发送速率能够节约终端电池电量。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.基于神经网络的LoRa终端最大发送速率动态预测方法，其特征在于，初始状态下LoRa终端以最低速率发送数据；LoRa服务器接收到LoRa终端的数据后，解析出信号强度和信噪比；通过将信号强度与信噪比输入神经网络，在保证正常通信的情况下，神经网络输出预测的最大发送速率；LoRa服务器将该最大发送速率告知LoRa终端；LoRa终端收到LoRa服务器的告知信息后，以该最大速率发送数据；
所述神经网络结构包括：输入层、隐藏层以及输出层；所述输入层至少包括：信号强度以及信噪比；所述隐藏层；所述输出层为各发送速率；
所述神经网络采用反向传播算法进行训练；所述反向传播算法包括：
A1、获取训练集；
A2、前向传播，具体为：将训练集输入到神经网络的输入层，经过隐藏层，到达输出层并输出结果；
A3、反向传播，具体为：计算步骤A2得到的输出结果与实际结果之间的误差，将误差从输出层向隐藏层反向传播，直至传播到输入层；
A4、设置迭代次数以及学习率，重复步骤A3，直至达到设置的迭代次数；否则根据误差对参数进行调整。
2.根据权利要求1所述的基于神经网络的LoRa终端最大发送速率动态预测方法，其特征在于，步骤A1具体包括以下分步骤：
A11、LoRa终端分别按照从最低发送速率到实际的最大发送速率发送数据给LoRa服务器；
A12、LoRa服务器解析出各发送速率对应的信号强度与信噪比；
A13、在保证正常通信的情况下不断移动LoRa终端，记录每次移动LoRa终端后服务器解析出的信号强度与信噪比，以及对应的发送速率；
A14、将根据步骤A13获得的若干组信号强度、信噪比作为神经网络的输入训练集数据。
3.根据权利要求1所述的基于神经网络的LoRa终端最大发送速率动态预测方法，其特征在于，步骤A3所述计算步骤A2得到的输出结果与实际结果之间的误差，具体为采用代价函数进行计算。
4.根据权利要求1所述的基于神经网络的LoRa终端最大发送速率动态预测方法，其特征在于，步骤A4所述参数包括：
其中，表示第l-1层的第k个神经元连接到第l层的第j个神经元的权重；表示第l层的第j个神经元的偏置，l表示神经网络中的第l层。
CN201810030502.7A 2018-01-12 2018-01-12 基于神经网络的LoRa终端最大发送速率动态预测方法 Active CN108199892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810030502.7A CN108199892B (zh) 2018-01-12 2018-01-12 基于神经网络的LoRa终端最大发送速率动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810030502.7A CN108199892B (zh) 2018-01-12 2018-01-12 基于神经网络的LoRa终端最大发送速率动态预测方法

Publications (2)

Publication Number Publication Date
CN108199892A CN108199892A (zh) 2018-06-22
CN108199892B true CN108199892B (zh) 2019-11-26

Family

ID=62588870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810030502.7A Active CN108199892B (zh) 2018-01-12 2018-01-12 基于神经网络的LoRa终端最大发送速率动态预测方法

Country Status (1)

Country Link
CN (1) CN108199892B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540965B (zh) * 2018-03-01 2021-04-13 北京中油瑞飞信息技术有限责任公司 基于LoRa技术的物联网通信方法、装置及存储介质
CN109121150B (zh) * 2018-10-11 2021-07-16 深圳市亿兆互联技术有限公司 基于大数据的LoRa通信***的ADR调整方法及***
CN109905868B (zh) * 2019-02-27 2020-07-24 中南大学 一种智能可穿戴设备蓝牙通信预测方法及***
CN113395683B (zh) * 2021-05-28 2022-07-12 西北大学 一种基于分段神经网络解码的LoRa剪接通信方法及***
CN113891338B (zh) * 2021-09-29 2023-08-29 广东电网有限责任公司广州供电局 一种电力施工现场LoRa终端发送速率的自适应调节方法
CN114928867B (zh) * 2022-06-21 2023-08-29 中国联合网络通信集团有限公司 小区切换方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022843A (zh) * 2014-04-01 2014-09-03 天津大学 基于长距离无线网络的自适应数据传输速率调整算法
CN106255137A (zh) * 2016-09-18 2016-12-21 南方电网科学研究院有限责任公司 提升LoRa网络通信速率的方法与***
CN106357296A (zh) * 2016-10-18 2017-01-25 杭州隽德科技有限公司 基于lora调制模式的UART接口物联网无线收发器
CN106385303A (zh) * 2016-08-30 2017-02-08 中兴长天信息技术（南昌）有限公司 一种用于物联网的lora无线传输***信息速率自适应调整方法
CN106533972A (zh) * 2016-10-18 2017-03-22 新智数字科技有限公司 一种数据发送速率的调整方法、装置及***
CN106899387A (zh) * 2017-03-13 2017-06-27 武汉慧联无限科技有限公司 基于LoRa无线网络的速率自适应方法
CN106911430A (zh) * 2017-03-03 2017-06-30 国动物联网技术（上海）有限公司 一种LoRaWAN自适应速率调整方法
WO2017144406A1 (fr) * 2016-02-23 2017-08-31 Sagemcom Energy & Telecom Sas Procede d'adaptation dynamique d'un debit de donnees

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3002883B1 (en) * 2014-09-30 2018-06-13 Semtech Corporation Wireless communication method
US20170346953A1 (en) * 2016-05-26 2017-11-30 AgPlexus, LLC Connected farming system with grain bin condition reporting and control

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022843A (zh) * 2014-04-01 2014-09-03 天津大学 基于长距离无线网络的自适应数据传输速率调整算法
WO2017144406A1 (fr) * 2016-02-23 2017-08-31 Sagemcom Energy & Telecom Sas Procede d'adaptation dynamique d'un debit de donnees
CN106385303A (zh) * 2016-08-30 2017-02-08 中兴长天信息技术（南昌）有限公司 一种用于物联网的lora无线传输***信息速率自适应调整方法
CN106255137A (zh) * 2016-09-18 2016-12-21 南方电网科学研究院有限责任公司 提升LoRa网络通信速率的方法与***
CN106357296A (zh) * 2016-10-18 2017-01-25 杭州隽德科技有限公司 基于lora调制模式的UART接口物联网无线收发器
CN106533972A (zh) * 2016-10-18 2017-03-22 新智数字科技有限公司 一种数据发送速率的调整方法、装置及***
CN106911430A (zh) * 2017-03-03 2017-06-30 国动物联网技术（上海）有限公司 一种LoRaWAN自适应速率调整方法
CN106899387A (zh) * 2017-03-13 2017-06-27 武汉慧联无限科技有限公司 基于LoRa无线网络的速率自适应方法

Also Published As

Publication number Publication date
CN108199892A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108199892B (zh) 基于神经网络的LoRa终端最大发送速率动态预测方法
Akbas et al. Neural network based instant parameter prediction for wireless sensor network optimization models
CN109347668A (zh) 一种服务质量评估模型的训练方法及装置
CN111563611A (zh) 面向图卷积网络的云数据中心可再生能源时空预测方法
CN108520301A (zh) 一种基于深度置信网络的电路间歇故障诊断方法
CN109461025A (zh) 一种基于机器学习的电能替代潜在客户预测方法
CN104022552B (zh) 一种用于电动汽车充电控制的智能检测方法
CN109141847A (zh) 一种基于mscnn深度学习的飞机***故障诊断方法
CN106501721A (zh) 一种基于生物进化的锂电池soc估算方法
CN107153845A (zh) 一种基于机器学习的自适应并网光伏***的孤岛检测法
CN106327357A (zh) 一种基于改进概率神经网络的负载识别方法
CN111551888A (zh) 一种改进型AdaBoost算法的电能表计量数据故障分析方法
CN107453921A (zh) 基于非线性神经网络的智慧城市***人工智能评价方法
CN108566253A (zh) 一种基于对信号功率谱拟合特征提取的信号识别方法
CN107342814A (zh) 一种基于可见光通信的神经网络均衡器
Liu et al. Lightweight, fluctuation insensitive multi-parameter fusion link quality estimation for wireless sensor networks
CN115563490A (zh) 一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法
CN108599831A (zh) 一种云无线接入网的鲁棒波束成型设计方法
CN116933318A (zh) 一种基于联邦学习的用电数据隐私保护方法
Lin et al. Dresia: Deep reinforcement learning-enabled gray box approach for large-scale dynamic cyber-twin system simulation
Wang et al. A hybrid deep learning method based on CEEMDAN and attention mechanism for network traffic prediction
CN104092503A (zh) 一种基于狼群优化的人工神经网络频谱感知方法
CN116756575B (zh) 基于bgain-dd网络的非侵入式负荷分解方法
CN113361454A (zh) 一种基于非监督优化的深度学习非侵入式负荷监测方法
CN116523681A (zh) 电动汽车的负荷分解方法、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