【技术实现步骤摘要】
本专利技术涉及通信，具体地，涉及一种基于改进极限学习机的扩频因子预测模型及方法。
技术介绍
1、低功耗广域网(lpwan)使越来越多的物联网(iot)应用具有大的地理覆盖范围、低比特率和长寿命要求。lora是一种众所周知的lpwan技术，它使用专有的chirp扩频(css)物理层，而上层由开放标准lorawan定义。lora的主要优点是配置灵活，这意味着可以增加或减少比特率，同时减少或增加范围。这可以通过改变物理设置来实现，例如带宽和扩频因子。带宽是lora啁啾传播的频率范围，可能值为：125khz、250khz或500khz，较高的带宽意味着较高的数据速率，但也降低了接收灵敏度和通信范围，扩频因子定义了每秒发送多少啁啾信号，神经网络算法可以很好的实现分类聚类，在网关处得知信噪比、信号接收强度、丢包率和温湿度等参数通过神经网络算法预测出最适合当前链路通信的扩频因子。
2、极限学习机是基于slfn形成的，标准的极限学习机具有很好的拟合能力，但是由于其预测性能和智能度受slfn内部架构影响如隐藏层节点个数，也就是说输入权重和偏置...
【技术保护点】
1.一种基于改进极限学习机的扩频因子预测模型，其特征在于，所述模型包括输入层、隐藏层和输出层，所述随机生成的输入层权重和隐藏层偏置由粒子群算法和灰狼算法混合算法确定，所述隐藏层在训练时通过计算适应度选择最优隐藏层节点的数量，所述输出层为扩频因子的值。
2.根据权利要求1所述的基于改进极限学习机的扩频因子预测模型，其特征在于，所述输入层包括：节点与无人机网关的相对距离、无人机飞行高度、飞行速度、气象数据和丢包率。
3.一种基于改进极限学习机的扩频因子预测方法，其特征在于，所述方法包括以下步骤：
4.根据权利要求3所述的基于改进极限学习...
【技术特征摘要】
1.一种基于改进极限学习机的扩频因子预测模型，其特征在于，所述模型包括输入层、隐藏层和输出层，所述随机生成的输入层权重和隐藏层偏置由粒子群算法和灰狼算法混合算法确定，所述隐藏层在训练时通过计算适应度选择最优隐藏层节点的数量，所述输出层为扩频因子的值。
2.根据权利要求1所述的基于改进极限学习机的扩频因子预测模型，其特征在于，所述输入层包括：节点与无人机网关的相对距离、无人机飞行高度、飞行速度、气象数据和丢包率。
3.一种基于改进极限学习机的扩频因子预测方法，其特征在于，所述方法包括以下步骤：
4.根据权利要求3所述的基于改进极限学习机的扩频因子预测方法，其特征在于，所述改进极限学习机预测模型的输入为：节点与无人机网关的相对距离、无人机飞行高度、飞行速度、气象数据和丢包率数据，扩频因子的值为输出变量。
5.根据权利要求3所述的基于改进极限学习机的扩频因子预测方法，其特征在于，所述确定改进极限学习机预测模型的输入和输出变量的步骤具体包括：
6.根据权利要求3所述的基于改进极限学习...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。