一种基于迁移学习的网络节点距离矢量同步方法技术

本发明专利技术公开了一种基于迁移学习的网络节点距离矢量同步方法，包括以下步骤：S1：根据网络的节点密度、埃克曼螺旋海流模型，利用计算机仿真确定节点距离矢量同步周期数据；S2：对获得的数据进行融合处理，输出作为学习模型的数据特征；S3：根据网络的节点密度和埃克曼螺旋海流模型，对数据进行进一步的分类,并作为训练数据输入VGG+CNN网络进行训练，再利用迁移学习模型进行微调修正；S4：根据当前网络的节点密度和海流状况，依据修正后的模型得到最优的距离矢量同步周期；S5：由sink节点按得到的最优周期发起节点距离矢量同步。本发明专利技术具有较好的网络带宽利用率和能量效率，延长了水声网络的生命周期，有助于对海洋目标进行长时间信息收集和监控。

【技术实现步骤摘要】
一种基于迁移学习的网络节点距离矢量同步方法
本专利技术涉及基于一种基于迁移学习的网络节点距离矢量同步方法，属于水声网络数据传输领域。
技术介绍
由于高动态的海洋环境，以及水声信道的非稳定、非对称特性，水声网络中很容易发生数据包的丢失。为了提高水声网络数据包送达的概率，以提高路由的可靠性，目前水声网络路采用协议效率较高的基于机会传输的机会路由。机会路由的工作原理如下：在选择中继节点时，按照某种指标(如能量、深度、跳数等)选出多个邻节点并将它们按优先级进行排序，然后让这些中继节点按顺序转发数据包；一旦某个中继节点成功转发了数据包，其他中继节点便停止转发，避免因重复转发而造成带宽和能量浪费；如果不成功，则按顺序由下一个中继节点继续转发，以此类推，这样可大大增加数据包送达的概率。而基于跳数的机会路由协议，这里跳数是指传感器节点到sink(浮标)节点的跳数。在节点的跳数信息准确前提下，基于跳数的机会路由能有效解决水声网络中常见的空洞问题，同时机会路由又能提高路由的可靠性。传统的节点距离矢量同步方法大多采用由sink节点以固定的时间本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的网络节点距离矢量同步方法，其特征在于，具体构建步骤如下：/nS1：利用计算机仿真技术模拟不同的网络的节点密度以及埃克曼螺旋海流模型，得到不同条件下最优的节点距离矢量同步周期数据；/nS2：对S1获得的数据采用K-means聚类算法进行特征融合得到原始数据集；即提取数据的公共特征，然后按特征分类，输出作为学习模型的数据特征；/nS3：将S2得到的原始数据集按照一定的比例划分为训练数据和测试数据，随后将训练数据输入VGG+CNN网络进行训练，再利用迁移学习模型进行微调修正，并利用测试数据对修正好的VGG+CNN网络进行测试；/nS4：根据当前网络的节点密度和海流状况，依据修正...

【技术特征摘要】
1.一种基于迁移学习的网络节点距离矢量同步方法，其特征在于，具体构建步骤如下：
S1：利用计算机仿真技术模拟不同的网络的节点密度以及埃克曼螺旋海流模型，得到不同条件下最优的节点距离矢量同步周期数据；
S2：对S1获得的数据采用K-means聚类算法进行特征融合得到原始数据集；即提取数据的公共特征，然后按特征分类，输出作为学习模型的数据特征；
S3：将S2得到的原始数据集按照一定的比例划分为训练数据和测试数据，随后将训练数据输入VGG+CNN网络进行训练，再利用迁移学习模型进行微调修正，并利用测试数据对修正好的VGG+CNN网络进行测试；
S4：根据当前网络的节点密度和海流状况，依据修正后的模型得到最优的距离矢量同步周期；
S5：由sink节点按得到的最优周期发起节点距离矢量同步。


2.根据权利要求1所述的基于迁移学习的网络节点距离矢量同步方法，其特征在于，所述S3的具体步骤如下：
S31:将训练数据作为VGG+CNN网络的输入，利用VGG+CNN网络的特征提取函数对训练数据进行空间变换，如公式(1)所示：
F(I)＝R(1)；
其中F(·)表示特征提取函数，I表示输入的训练数据，R表示VGG网络的输出数据，R∈RA×B表示实数空间，A表示矩阵的行数，B表示矩阵的列数；
特征提取函数F(·)将输入的训练数据变换为一个A×B维度的特征；随后利用全连接函数对特征提取函数的输出进行维度变换，如公式(2)所示：
D(R)＝W(2)；
其中D(·)表示全连接函数，W表示全连接网络的输出数据，全连接函数D(·)将A×B维的数据转换为AB×1维度的数据，且全连接层采用sigmoid激活函数；
S32：利用VGG+CNN网络的卷积函数对进行空间和维度变换后的输出数据进行特征提取，如公式(3)所示：



其中Y(·)表示卷积函数，i表示矩阵的行索引，j表示...

【专利技术属性】
技术研发人员：高明生，潘羿航，李建，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32