【技術實現步驟摘要】
本專利技術涉及物聯網數據處理,具體地說是一種基于邊緣學習的空地協同的低功耗物聯網系統。
技術介紹
1、物聯網(internet?of?things，iot)系統被設想為一個全球性的網絡基礎設施，由許多帶有傳感器和電子設備的嵌入式設備組成。海量的物聯網設備將產生數百億字節的數據，由此產生的海量數據需要密集的計算和能量資源來進行處理，而物聯網設備的計算和能量是有限的。
2、為此，未來的無線網絡需要整合大量具有實時傳感、通信、計算和控制功能的低功耗物聯網設備。與電池和/或環境能量收集等傳統能源不同，射頻傳輸支持的無線能量傳輸技術(wpt)最近成為一種可行的新解決方案，可為低功耗物聯網設備提供可持續的能源供應，其主要是部署專用能量發射器來發射射頻信號的同時對低功耗設備進行無線充能。其中的挑戰就是如何提高從能量發射器到分布式無線物聯網設備的能量傳輸效率，具體的為：由于射頻信號在距離上嚴重的傳播損耗，當設備遠離能量發射器時，能量傳輸效率急劇下降，另一個原因是當有多個設備分布在不同的位置時，能量發射器附近的設備將比遠離能量發射器的設備收集更多的能量，從而導致不同設備之間的一個近遠失衡問題。
3、在無人機無線通信技術進步的推動下，無人機無線能量傳輸技術作為一種可行的解決方案出現，無人機不僅可以與地面物聯網設備保持有利的直連信道(los)，還可以利用其完全可控的移動性，根據其實時位置適應性地調整飛行軌跡，從而減小與設備之間的傳輸距離，顯著提高對所有物聯網設備的能量傳輸效率，并有效確保對所有設備的性能公平性。
4
5、再者，云計算主導了物聯網行業，并被廣泛用于大多數物聯網應用，云計算面臨以下挑戰：邊緣數據爆炸式增長，無法承受將所有數據上傳到云端進行處理；新興的低延遲應用對數據處理的實時性要求很高，無法滿足實時需求。因此邊緣計算的概念應運而生，當物聯網設備位于感知層，云計算位于應用層時，邊緣計算位于通信層的底部，靠近物聯網設備。邊緣節點上具有大量可用資源，可用于提供彈性數據收集、存儲和處理，以支持資源受限設備的計算和內容請求，邊緣計算避免了將數據從設備傳輸到遠程云計算基礎設施所帶來的長傳輸延遲，從而縮短了服務延遲，減少了通信開銷，提高了移動網絡運營商的服務質量和用戶體驗。它可以滿足日益增長的計算密集型和低延遲要求。
6、綜上，物聯網系統的數據處理可使用無人機無線能量傳輸技術，配合云計算的邊緣計算能力。但現有技術中，無人機無線能量傳輸技術和邊緣學習系統是割裂的，且用于提高學習效率是空缺的，現有的邊緣學習系統沒有考慮到具有有限資源的iot設備的可持續性。進一步的，沒有充分利用到這些無數據傳輸任務的閑置iot設備而造成資源的浪費。且在邊緣學習中資源受限的iot設備上運行計算密集型的深度學習算法需要強大的硬件和計算資源，超出了它們的能力范圍。也往往很少考慮最小類數據樣本量，數據在不同iot設備上往往是分布不均勻的，而分布不均的數據直接訓練深度學習模型效果會比較差。
7、基于以上原因,本專利技術設計了一種基于邊緣學習的空地協同的低功耗物聯網系統,通過有能量發射器和邊緣學習服務器的無人機持續收集iot設備的數據，最大化以最小類樣本量為自變量的f-measure指標，利用了沒有數據要傳輸的閑置iot設備來協助激活的iot設備向無人機傳輸數據，提高了深度學習模型的性能。
技術實現思路
1、本專利技術的目的是克服現有技術的不足,提供一種基于邊緣學習的空地協同的低功耗物聯網系統,通過有能量發射器和邊緣學習服務器的無人機持續收集iot設備的數據，最大化以最小類樣本量為自變量的f-measure指標，利用了沒有數據要傳輸的閑置iot設備來協助激活的iot設備向無人機傳輸數據，提高了深度學習模型的性能。
2、為了達到上述目的,本專利技術提供一種基于邊緣學習的空地協同的低功耗物聯網系統，包括無人機,iot設備,無人機包括無線能量發射裝置和邊緣學習服務器,無人機通過無線能量發射裝置為地面所有iot設備提供能量并從激活的iot設備收集數據用以訓練深度學習模型,激活的iot設備通過直連和閑置的iot設備之間的間接傳輸通道向無人機傳輸數據；
3、假設地面有m個激活的iot設備需要傳輸數據以及k個沒有數據要傳輸的閑置iot設備,從每個激活的iot設備收集的數據代表一類圖像樣本,形成了m個類別的深度學習模型,其具體步驟包括有:
4、s1,使用三維笛卡爾坐標系,無人機在固定高度h飛行,確定時間周期內無人機、iot設備的位置、速度、距離以及信道增益:
5、s1-1,對于第m個激活的iot設備,其水平坐標為:
6、qm＝[xm,ym]t,其中m＝1,...,m；
7、對于第k個閑置的iot設備,其水平坐標為:
8、wk＝[xk,yk]t,其中k＝1,...,k；
9、s1-2,時間周期t被分為n個相等的時隙t/n,每個時隙由n表示,其中n＝1,...,n；
10、在時隙n內,無人機的位置為:
11、qu[n]＝[x[n],y[n],h]t,其中qu[0]＝q0表示無人機的起點,qu[n]＝qf表示無人機的終點；
12、s1-3,將第n個時隙中無人機的速度定義為:
13、v[n]＝[vx[n],vy[n]]t,其中||v[n]||≤vmax,vmax表示無人機在飛行時間中的最大速度,||g||表示歐幾里得范數；
14、s1-4,無人機位置qu[n]與無人機速度v[n]之間的關系為:
15、
16、s1-5,在時隙n內,激活的iot設備m與無人機之間的距離為:
17、
18、在時隙n內,閑置的iot設備m與無人機之間的距離為:
19、
20、激活的iot設備m到閑置的iot設備k的距離為:
21、dm,k＝||qm-wk||；
22、s1-6,假設視距los鏈路是無人機與所有iot設備之間無線信道的主要鏈路,采用自由空間路徑損耗信道模型；
23、在時隙n內,從無人機到激活的iot設備m的信道功率增益為:
24、
25、在時隙n內,從無人機到閑置的iot設備k的信道功率增益為:
26、
27、其中β0表示參考距離d0＝1m處的信道增益；
28、第m個激活的iot設備和第k個閑置的iot設備之間的信道對應的信道功率增益為:
29、
30、s2,采用線性能量收集模型,確定能量收集模塊的數據:
31、n個時本文檔來自技高網...
【技術保護點】
1.一種基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,包括無人機,IoT設備,所述無人機包括無線能量發射裝置和邊緣學習服務器,所述無人機通過無線能量發射裝置為地面所有IoT設備提供能量并從激活的IoT設備收集數據用以訓練深度學習模型,所述激活的IoT設備通過直連和閑置的IoT設備之間的間接傳輸通道向無人機傳輸數據；
2.根據權利要求1所述的基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,所述無人機的深度學習模型采用AlexNet模型。
3.根據權利要求1所述的基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,所述IoT設備傳輸的數據集是CIFAR-10數據集。
4.根據權利要求3所述的基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,所述數據集由60000張32×32標記的彩色RGB3圖像組成。
5.根據權利要求1所述的基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,所述θ1＝-3.742,θ2＝-0.3957,θ3＝1.04。
【技術特征摘要】
1.一種基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,包括無人機,iot設備,所述無人機包括無線能量發射裝置和邊緣學習服務器,所述無人機通過無線能量發射裝置為地面所有iot設備提供能量并從激活的iot設備收集數據用以訓練深度學習模型,所述激活的iot設備通過直連和閑置的iot設備之間的間接傳輸通道向無人機傳輸數據；
2.根據權利要求1所述的基于邊緣學習的空地協同的低功耗物聯網系統,其特征在于,所述無人機的深度學習模型采用alexnet...
【專利技術屬性】
技術研發人員：雷杰，
申請(專利權)人：素泰智能科技上海有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。