基于元学习的超参数重加权水声网络介质访问控制方法技术

基于元学习的超参数重加权水声网络介质访问控制方法，涉及水声网络。在单跳水声传感器网络中，设计一个基于双层优化的框架，通过采用基于元学习的算法提高水声数据传输效率。在核心层中，将信息关键度和传输节点剩余能量作为参数引入水声网络，利用元学习对它们的权重进行重加权，得到最优化的权重导入到嵌套层中；在嵌套层中，针对水声数据传输时延大、传输节点能量受限等特点，在介质访问控制中采用Q学习算法，避免数据传输发生碰撞造成的数据损失。将元学习与Q学习相结合，提高了数据传输效率，有效避免传输冲突和数据丢失，降低了水声数据传输的系统能量损耗，增强了水声传感器网络的稳定性。络的稳定性。

【技术实现步骤摘要】
基于元学习的超参数重加权水声网络介质访问控制方法


[0001]本专利技术涉及水声网络，尤其是涉及一种基于元学习的超参数重加权水声网络介质访问控制方法。

技术介绍

[0002]支撑物联网快速发展的基础，是以5G为代表的无线通信技术，其低廉的成本、飞快的速度使得通信网络覆盖全球。然而，在海洋物联网应用场景中，水声传感器网络固有的长传输延迟、窄可用带宽、高信噪比和强多径效应等特性，使得实现水声通信技术极具挑战。由于电磁波和光波在水下衰减严重，目前在水下仍主要依靠声波进行数据传输。
[0003]在水声传感器网络中，介质访问控制(MAC)协议位于水下节点体系架构中的数据链路层，其主要任务是给水声网络中的节点以一定的高效率方式分配通信信道，保证节点间的通信过程互不冲突，从而提高水声通信的效率和水声网络的性能。因此，水声网络MAC协议能否合理高效的利用水声信道，是影响水声传感器网络效率的重要因素。选择一个合适的水声网络MAC协议，对避免接收端的冲突和水声传感器网络的整体性能提升有重要意义。
[0004]水声传感器节点由电池供电，在水下数据传输过程中需耗费大量的能量。为节省能量，Junho Cho等(Junho Cho,et al.Power Control for MACA
‑
based Underwater MAC Protocol:A Q
‑
Learning Approach[c].2021IEEE Region 10Symposium(TENSYMP),2021.)提出了一种基于Q学习的针对水下多址冲突避免的功率控制MAC协议。该协议利用Q学习，可以在保持高能量效率的前提下，使传感器节点能够在没有任何关于干扰的先验知识情况下防止碰撞，消除了对额外信令的需要，可显著提高水声网络的能量效率和吞吐量。但该协议存在隐藏终端、节点数量无法大规模变化、计算能力和复杂性较低等问题。
[0005]目前，水声传感器网络MAC算法研究鲜见考虑参数优化方面的问题，本专利技术将元学习引入水声网络以弥补不足。元学习不同于大部分的深度学习，每次均需要重新训练，元学习希望使模型获得一种“学会学习”的能力，使其可以在已获取先验知识的基础上快速学习新的任务。元学习是算法的自我更新，有助于找到性能最佳的算法和相应算法的超参数，并优化实验数量，这样可在更短的时间内做出更好的预测。Jun Shu等(Jun Shu,et al.Meta
‑
Weight
‑
Net:Learning an Explicit Mapping For Sample Weighting[J].33rd Conference on Neural Information Processing Systems,2019.)提出了一种直接从数据中自适应学习显式权重函数的方法，其显式权重函数是以元学习的方式由全连接神经网络(MLP)参数化从数据中自动学习的。本专利技术拟设计一个基于双层优化的水声网络MAC设计框架，其中，核心层是基于元学习的可从元数据中自动学习的超参数的权重函数，嵌套层是基于Q学习的单跳水声网络MAC协议。

技术实现思路

[0006]本专利技术的目的在于以传输节点的信息关键度和剩余能量作为超参数，提供一种利
用元学习权重函数进行参数优化，将其应用于单跳水声网络MAC时隙分配，避免信源节点搜集数据过程中发生碰撞导致数据丢失，以提高水声通信网络能量利用效率，延长水声传感器网络生命周期。
[0007]本专利技术包括以下步骤：
[0008]1)考虑一个由随机水声传感器节点布置的水声网络，包括1个信宿节点S和M个传输节点T
i
(i＝1,2,...,M)，信宿节点S在所有传输节点的数据通信范围内；传输节点T
i
负责从海洋中感知信息，信宿节点S负责搜集传输节点T
i
感知的信息；设每个传输节点T
i
的初始能量均为E0；信宿节点S将搜集到的数据进行关键度定级，表示为IK＝1、IK＝2、IK＝3、IK＝4、IK＝5，分别代表“一级、二级、三级、四级、五级”五个信息关键度等级，级别越高关键度越高；用IK
i
(i＝1,2,...,M)代表传输节点数据的信息关键度。
[0009]2)为确保每个传输节点T
i
都可以将数据发送给信宿节点S，将信宿节点S搜集数据的过程分为M个时隙；在水声网络应用MAC协议的Q学习算法中，Q矩阵为M
×
M的矩阵，其中行号代表传输节点T
i
的序号，列号代表时隙序号；每个传输节点T
i
内部只需储存选择时隙的一行子矩阵；初始Q矩阵为零矩阵，最大迭代次数为K。
[0010]3)在Q学习中，Q(s,a)的值是状态
‑
动作，代表s号传输节点占用a号时隙向信宿节点S发送数据时的Q值，采取该动作后能获得的预期奖励为Q
*
(s,a)，其可通过迭代来近似：
[0011]Q
*
(s,a)＝(1
‑
α)Q(s,a)+α[r+γmax
a∈A
Q(s
′
,a
′
)]ꢀꢀ
(1)
[0012]其中，Q(s
′
,a
′
)的值代表下一次的Q(s,a)的值；α是学习率，决定了Q值更新的快慢，它不应太大，否则可能围绕着最小值点不断振荡，它也不应太小，否则需要耗费很多时间的迭代次数才能到达最小值点；γ是折扣因子，代表未来对现在的影响，当γ＝0时系统是短视的,它只考虑行动的当前结果，当γ接近1时，未来的回报在采取最优行动时变得更为重要；
[0013]r代表s号传输节点占用a号时隙向信宿节点S发送数据时的奖励，其公式定义为：
[0014]r＝
‑
g
‑
β1e(M
m
)+β2k(M
m
)
ꢀꢀ
(2)
[0015][0016][0017]β1+β2＝1
ꢀꢀ
(5)
[0018]其中，g代表持续惩罚；E
m
代表传输节点T
i
的剩余能量，e(M
m
)代表传输节点T
i
剩余能量的奖励，β1代表剩余能量的权重；k(M
m
)代表信息关键度的奖励，β2代表信息关键度的权重。
[0019]4)在水声网络开始运行的一段时间内，传输节点T
i
的能量充足，信息关键度的权重β2比重较大，传输节点T
i
剩余能量的权重β1比重较小；随着能量消耗增加，传输节点T
i
的能量出现不足，信息关键度的权重β2比重变小，传输节点T
i
剩余能量的权重β1比重变大。
[0020]5)由于β1和β2可以互相确定，因此只需要根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于元学习的超参数重加权水声网络介质访问控制方法，其特征在于包括以下步骤：1)考虑一个由随机水声传感器节点布置的水声网络，包括1个信宿节点S和M个传输节点T
i
(i＝1,2,...,M)，信宿节点S在所有传输节点的数据通信范围内；传输节点T
i
负责从海洋中感知信息，信宿节点S负责搜集传输节点T
i
感知的信息；设每个传输节点T
i
的初始能量均为E0；信宿节点S将搜集到的数据进行关键度定级，表示为IK＝1、IK＝2、IK＝3、IK＝4、IK＝5，分别代表“一级、二级、三级、四级、五级”五个信息关键度等级，级别越高关键度越高；用IK
i
(i＝1,2,...,M)代表传输节点数据的信息关键度；2)为确保每个传输节点T
i
将数据发送给信宿节点S，将信宿节点S搜集数据的过程分为M个时隙；在水声网络应用MAC协议的Q学习算法中，Q矩阵为M
×
M的矩阵，其中行号代表传输节点T
i
的序号，列号代表时隙序号；每个传输节点T
i
内部只需储存选择时隙的一行子矩阵；初始Q矩阵为零矩阵，最大迭代次数为K；3)在Q学习中，Q(s,a)的值是状态
‑
动作，代表s号传输节点占用a号时隙向信宿节点S发送数据时的Q值，采取该动作后能获得的预期奖励为Q
*
(s,a)，其通过迭代来近似：Q
*
(s,a)＝(1
‑
α)Q(s,a)+α[r+γmax
a∈A
Q(s
′
,a
′
)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，Q(s
′
,a
′
)的值代表下一次的Q(s,a)的值；α是学习率，决定了Q值更新的快慢，它不应太大，否则可能围绕着最小值点不断振荡，它也不应太小，否则需要耗费很多时间的迭代次数才能到达最小值点；γ是折扣因子，代表未来对现在的影响，当γ＝0时系统是短视的,它只考虑行动的当前结果，当γ接近1时，未来的回报在采取最优行动时变得更为重要；r代表s号传输节点占用a号时隙向信宿节点S发送数据时的奖励，其公式定义为：r＝
‑
g
‑
β1e(M
m
)+β2k(M
m
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)β1+β2＝1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，g代表持续惩罚；E
m
代表传输节点T
i
的剩余能量，e(M
m
)...

【专利技术属性】
技术研发人员：陈友淦，卢鸽，万磊，涂申奥，黄伟迪，张文翔，许肖梅，
申请(专利权)人：厦门大学，
类型：发明
国别省市：