申请/专利权人：合肥工业大学

申请日：2023-11-28

公开（公告）日：2024-02-27

公开（公告）号：CN117615435A

主分类号：H04W52/02

分类号：H04W52/02;G06F18/22;G06N5/048;H04W72/0446;H04W72/50;H04W84/18

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明公开了一种减法聚类模糊推理的LoRa自组网帧长优化方法，其步骤包括：1、网关节点为终端节点分配2Q个初始时隙，并广播给所有终端节点，各终端节点随机选取时隙进行数据传输；2、在数据传输过程中，基于冲突时隙和空闲时隙的动态变化情况，采用增益权重函数对时隙参数Q进行动态调整，进一步采用自适应神经网络模糊推理系统对Q值进行最优估计；3、引入减法聚类对模糊推理系统的前件参数设置进行改进，实现时隙总数2Q与终端节点数的精准匹配，从而提升自组网的时隙利用率。本发明能够实现LoRa自组网帧长度和帧结构优化，进而提高时隙利用率和通讯吞吐率。

主权项：1.一种减法聚类模糊推理的LoRa自组网帧长优化方法，其特征在于，是应用于由N′个LoRa节点所组成的自组网络环境中，N′个LoRa节点中包含1个网关节点和N′-1个终端节点；其中，N′-1个终端节点均处于所述网关节点的通讯范围内，所述LoRa自组网时隙调度包括如下步骤：步骤1、网关节点在当前第i个帧周期为终端节点入网分配时隙；步骤1.1、所述网关节点向N′-1个终端节点广播“QueryQi”指令，用于为N′-1个终端节点在当前第i个帧周期下入网分配个大小相等的时隙Ts；其中，Qi表示第i个帧周期内的待估计时隙参数，Qi的取值范围为0,15]，Qi为正整数；令当前第i个帧周期的帧长为步骤1.2、在当前第i个帧周期下，若任意一个终端节点接收到“QueryQi”查询指令，则在范围内随机选取一个整数并存入自身的时隙计数器SC中；步骤2、在当前第i个帧周期下，终端节点申请占用时隙；步骤2.1、定义当前的时隙为第u个时隙，并初始化u＝0；定义为第i个帧周期内的第u个时隙的预调整待估计时隙参数，为浮点型正数；步骤2.2、若任意一个终端节点接收到“QueryRep”上报指令，则自身的计数器SC值减1；否则，SC值不变；步骤2.3、任意一个终端节点判断自身的计数器SC值是否为0；若为0，则相应的终端节点向所述网关节点发送自身的ID，以申请占用第u个时隙；否则，不发送；步骤3、在当前第i个帧周期下，当第u个时隙结束时，所述网关节点判断在第u个时隙内是否有收到ID；若没有收到ID，则将第u个时隙标记为空闲时隙，并将空闲时隙的总个数Se,i加1；若有且仅收到一个ID，则将第u个时隙标记为成功时隙，并将成功时隙的总个数Ss,i加1；若收到两个及以上的ID，则将第u个隙标记为碰撞时隙，并将碰撞时隙的总个数Sc,i加1；步骤4、基于当前时隙标记对预调整待估计时隙参数进行预调整；步骤4.1、利用式1得到当前第i个帧周期下第u个时隙的权重ωi,u：ωi,u＝a·log2b·Sc,i+c·Se,i+d·Ss,i+κ1式1中，a、κ为正参数；b、c和d是三个权重系数；步骤4.2、利用式2得到当前第i个帧周期下第u+1个时隙的预调整待估计时隙参数并加入历史数据库中； 式2中，c′为调整步长；步骤4.3、网关节点判断是否达到第i个帧周期的结束条件，若达到，则执行步骤4.4，，否则，转至步骤2.2顺序执行；步骤4.4、基于当前预调整待估计时隙参数对Qi进行更新，令其中round为取整函数；步骤5、采用ANFIS模型对前i个帧周期的待估计时隙参数序列Q1,Q2,…,Qi-1,Qi进行训练，并得到第i+1个帧周期的时隙计数预测值步骤5.1、基于相关性度量标准提取训练样本集；步骤5.1.1、从待估计时隙参数序列Q1,Q2,…,Qi-1,Qi取出最近N个连续的待估计时隙参数序列作为原始样本集V，其中，N为正整数，将N个连续的时间序列{Qi-N+1,Qi-N+2,…,Qi-1,Qi}分解成M维的N-M+1个矢量V＝{V1,V2,…,Vk,…,VN-M+1}；其中，Vk表示M维的第k个矢量；将前N-M个矢量{V1,V2,…,Vh,…,VN-M}中的每个矢量与其下一个矢量的第1维数据进行配对，得到N-M个配对矢量{V1,Qi-N+M+1,V2,Qi-N+M+2,…,VN-M,Qi}；Vh表示第h个矢量；步骤5.1.2、分别计算第N-M+1个矢量VN-M+1与前N-M个矢量{V1,V2,…,Vk,…,VN-M}的相关系数{ρh|h＝1,2,…,N-M}，其中，ρh表示第N-M+1个矢量VN-M+1与第h个矢量Vk的相关系数；从N-M个相关系数中取相关系数最高的前K个矢量分别与VN-M+1分别组成K个样本对，并得到训练样本集S＝{sT|T＝1,…,K}，sT表示第T个矢量与VN-M+1组成的第T个样本对，1≤T≤K，T、K为正整数；步骤5.2、利用减法聚类对训练样本集S进行聚类，确定ANFIS模型中隶属函数的数目及分布情况，并设定模糊规则数目；步骤5.2.1、定义当前迭代次数为L，并初始化L＝1，初始化最大迭代次数为Lmax，停止阈值为y′；定义sL,p、sL,q分别为训练样本集S中第L次迭代的第p个样本对、第q个样本对，其中，p,q∈{1,2,…,K}；步骤5.2.2、利用式4计算第L次迭代的第p个样本对sL,p的密度DL,p，从而得到第L次迭代的所有样本对的密度： 式4中，r1是设定的聚类中心的有效邻域半径参数；步骤5.2.3、将第L次迭代的所有样本对中最大的密度，记为DL,cent，并将DL,cent对应的样本对作为第L次迭代的聚类中心sL,cent；根据式5计算第L次迭代的第p个样本对sL,p的更新密度D′L,p： 式5中，r2是聚类中心的临近范围参数；步骤5.2.4、令L+1赋值给L，然后判断L＜Lmax或者DL,centD1,cent≥y′是否成立，若成立，则转步骤5.2.2；否则，输出第L次迭代的聚类中心sL,cent；D1,cent表示第1次迭代的最大的密度；步骤5.2.5、设最优模糊规则条数为n，初始化n＝L；设高斯隶属函数的第i′个中心和第i′个宽度分别为ci′、ai′；将第i′次迭代的聚类中心si′,cent作为高斯隶属度函数的第i′个中心ci′；取高斯隶属函数的第i′个中心ci′与其最近的聚类中心的距离的一半作为第i′个宽度ai′，并以ci′、ai′分别作为ANFIS模型的前件参数；i′＝1,2,…n；步骤5.3、根据ANFIS模型对{Qi-N+1,Qi-N+2,…,Qi-1,Qi}进行建模，从而利用式6得到第i+1个帧周期的时隙计数预测值 式6中，表示第i′个维度下第j′个不同的规则参数，并作为ANFIS模型的后件参数，Qi-j′+1表示第i-j′+1个帧周期内的待估计时隙参数，j′＝1,2,…M；步骤6、将M维的第N-M+1个矢量VN-M+1＝{Qi-M+1,…,Qi}带入式6中，得到第i+1个帧周期的时隙计数预测值从而利用式7得到第i+1个帧周期的待估计时隙参数Qi+1： 式7中，ω′是权重因子；步骤7、如果|Qi+1-Qi|＞1，则将i+1赋值给i后，转至步骤1；否则，将Qi+1作为最优时隙参数，记为Q*，转步骤8；步骤8、数据传输阶段；步骤8.1、网关节点向N′-1个终端节点广播“QueryQ*”指令，用于指定待估计时隙参数Q*以及帧长步骤8.2、N′-1个终端节点根据“QueryQ*”指令，在范围内随机选取一个整数{vm|m＝1,2,…,N′-1}，并保存在自身的计数器SC内；步骤8.3、N′-1个终端节点分别在对应的第{vm+1|m＝1,2,…,N′-1}个时隙占用信道进行传输数据；其中，vm表示第m个终端节点所选取的整数。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种减法聚类模糊推理的LoRa自组网帧长优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD