申请/专利权人：素泰智能科技(上海)有限公司

申请日：2023-12-18

公开（公告）日：2024-03-22

公开（公告）号：CN117749243A

主分类号：H04B7/185

分类号：H04B7/185;H04L67/12;H04B5/79;H04B5/48;G06N20/00;H04L67/10;G16Y10/75

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及物联网数据处理技术领域,具体地说是一种基于边缘学习的空地协同的低功耗物联网系统，包括无人机,IoT设备,无人机包括无线能量发射装置和边缘学习服务器,无人机通过无线能量发射装置为地面所有IoT设备提供能量并从激活的IoT设备收集数据用以训练深度学习模型,激活的IoT设备通过直连和闲置的IoT设备之间的间接传输通道向无人机传输数据，通过将无人机无线能量传输技术引入边缘学习系统，最大化以最小类样本量为自变量的F‑measure指标，最大化利用闲置的IoT设备来协助激活的IoT设备，本发明实现了深度学习任务性能的最优化，为海量的物联网数据和资源的处理提供了可持续、高效、稳定的保障。

主权项：1.一种基于边缘学习的空地协同的低功耗物联网系统,其特征在于,包括无人机,IoT设备,所述无人机包括无线能量发射装置和边缘学习服务器,所述无人机通过无线能量发射装置为地面所有IoT设备提供能量并从激活的IoT设备收集数据用以训练深度学习模型,所述激活的IoT设备通过直连和闲置的IoT设备之间的间接传输通道向无人机传输数据；假设地面有M个激活的IoT设备需要传输数据以及K个没有数据要传输的闲置IoT设备,从每个激活的IoT设备收集的数据代表一类图像样本,形成了M个类别的深度学习模型,其具体步骤包括有:S1,使用三维笛卡尔坐标系,无人机在固定高度H飞行,确定时间周期内无人机、IoT设备的位置、速度、距离以及信道增益:S1-1,对于第m个激活的IoT设备,其水平坐标为:qm＝[xm,ym]T,其中m＝1,...,M；对于第k个闲置的IoT设备,其水平坐标为:wk＝[xk,yk]T,其中k＝1,...,K；S1-2,所述时间周期T被分为N个相等的时隙TN,每个时隙由n表示,其中n＝1,...,N；在时隙n内,无人机的位置为:qu[n]＝9x[n],y[n],H]T,其中qu[0]＝q0表示无人机的起点,qu[N]＝qF表示无人机的终点；S1-3,将第n个时隙中无人机的速度定义为:v[n]＝[vx[n],vy[n]]T,其中||v[n]||≤Vmax,Vmax表示无人机在飞行时间中的最大速度,||g||表示欧几里得范数；S1-4,无人机位置qu[n]与无人机速度v[n]之间的关系为: S1-5,在时隙n内,激活的IoT设备m与无人机之间的距离为: 在时隙n内,闲置的IoT设备m与无人机之间的距离为: 激活的IoT设备m到闲置的IoT设备k的距离为:dm,k＝||qm-wk||；S1-6,假设视距LoS链路是无人机与所有IoT设备之间无线信道的主要链路,采用自由空间路径损耗信道模型；在时隙n内,从无人机到激活的IoT设备m的信道功率增益为: 在时隙n内,从无人机到闲置的IoT设备k的信道功率增益为: 其中β0表示参考距离d0＝1m处的信道增益；第m个激活的IoT设备和第k个闲置的IoT设备之间的信道对应的信道功率增益为: S2,采用线性能量收集模型,确定能量收集模块的数据:N个时隙内第m个激活的IoT设备的收集能量为: N个时隙内第k个闲置的IoT设备的收集能量为: 其中η∈0,1]表示能量转换效率,Pu为无人机恒定发射功率；其中每个IoT设备同时进行能量收集和数据传输,且无线能量的传输采用专用频带不占用通信频带；S3,确定数据传输模块的数据:S3-1,将整个时间段T划分为N个时隙TN,然后将每个时隙划分为M个子时隙TNM；S3-2,每个子时隙由K+1传输路径组成,在每个时隙中,所有激活的IoT设备都传输数据；S3-3,为了避免不同激活的IoT设备之间的相互干扰,在时分多址TDMA协议下工作；S3-4,激活的IoT设备将各自的数据通过正交频分多址OFDMA协议同步直接和间接的传输过程传输给无人机；S3-5,在间接传输过程中,激活的IoT设备利用邻近的闲置的IoT设备转发数据,并将每个子时隙平均分成前后两部分T2NM,此前一部分中某个激活的IoT设备将数据传输给某个闲置的IoT设备,此后一部分中这个闲置的IoT设备将全部数据传输给无人机；所述OFDMA协议将总通信带宽B等分成K+1个子载波,每个子载波的带宽为B′＝BK+1；S3-6,确定传输的能量消耗:设定Sm,u[n]为在第n个时隙内第m个激活的IoT设备向无人机发送的样本数；设定Sm,k[n]为在第n个时隙内第m个激活的IoT设备向第k个闲置的IoT设备发送的样本数；设定Sm,k,u[n]为第k个闲置的IoT设备在第n个时隙内向无人机传输的第m个激活的IoT设备的采样数；根据香农定理,可得: 其中A为每个样本的数据量bits,σ2为噪声功率,pm,u[n]和pm,k[n]分别为第m个激活的IoT设备在时隙n内对无人机和第k个闲置的IoT设备的发射功率,pm,k,u[n]为第k个闲置的IoT设备在时隙n内发射第m个激活IoT设备的样本时对无人机的发射功率；第m个激活的IoT设备在n个时隙内所消耗的能量为: 第k个闲置的IoT设备在n个时隙内所消耗的能量为: S4,确定衡量无人机深度学习模型的性能:采用F-measure处理不同类之间的不平衡数据,其公式为: θ1,θ2,θ3是由所采用的数据集和深度学习模型主导的常数参数； Sm是从第m个激活的IoT设备收集的总的样本量；根据F-measure函数ΦSmin∈0,100％,其越接近100％,表明深度学习模型性能越好；S5,优化模块建立:优化M个类别的深度学习模型中的最小样本量、所有IoT设备的发射功率以及无人机的轨迹和速度: 其中,为确保所有IoT设备传输样本所需的能量不能超过其收集的能量,激活的IoT设备和闲置的IoT设备的能量收集因果约束分别为: 为确保闲置的IoT设备能够将激活的IoT设备的所有样本传输到无人机,其数据流约束为:Sm,k,u[n]≥Sm,k[n]；为确保Smin不应超过从每个激活的IoT设备收集的样本总数,其最小类样本量约束为: 对所有IoT设备发射功率的非负性约束为:pm,u[n],pm,k[n],pm,k,u[n]≥0；对无人机的起点和终点的约束为:qu[0]＝q0,qu[N]＝qF；对无人机的位置与速度间关系的约束为: 对无人机的最大速度的约束为:||v[n]||≤Vmax。

全文数据：

权利要求：

百度查询： 素泰智能科技(上海)有限公司 一种基于边缘学习的空地协同的低功耗物联网系统

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