[發(fā)明專(zhuān)利]基于深度卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感網(wǎng)距離測(cè)量系統(tǒng)及方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910078436.5
• 申請(qǐng)日: 2019-01-28
• 公開(kāi)（公告）號(hào): CN109618288B
• 公開(kāi)（公告）日: 2020-06-23
• 發(fā)明（設(shè)計(jì)）人: 吳華鋒;王維軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海海事大學(xué)
• 主分類(lèi)號(hào): H04W4/021
• 分類(lèi)號(hào): H04W4/021;H04L12/24;H04B17/318;G06N3/06
• 代理公司: 上海元好知識(shí)產(chǎn)權(quán)代理有限公司 31323
• 代理人: 包姝晴;徐雯瓊

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感網(wǎng)距離測(cè)量系統(tǒng)，其特征在于，包含：

深度卷積神經(jīng)網(wǎng)絡(luò)模塊，其獲取無(wú)線(xiàn)傳感網(wǎng)在不同環(huán)境下的衰減特性的高級(jí)語(yǔ)義，輸入當(dāng)前環(huán)境的地面圖像數(shù)據(jù)和信號(hào)強(qiáng)度測(cè)量數(shù)據(jù)，輸出當(dāng)前地面環(huán)境下節(jié)點(diǎn)之間的距離估計(jì)；

損失函數(shù)模塊，其計(jì)算所述深度卷積神經(jīng)網(wǎng)絡(luò)模塊所輸出的距離估計(jì)值與真值之間的均方誤差，并將該均方誤差作為損失函數(shù)；

模型優(yōu)化模塊，其通過(guò)自適應(yīng)矩估計(jì)的梯度優(yōu)化算法來(lái)不斷地調(diào)整所述深度卷積神經(jīng)網(wǎng)絡(luò)中的所有參數(shù)，使損失函數(shù)不斷減小，直至損失函數(shù)收斂，以使參數(shù)趨近于最優(yōu)，計(jì)算出更加符合實(shí)際測(cè)量環(huán)境的距離估計(jì)值。

2.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感網(wǎng)距離測(cè)量系統(tǒng)，其特征在于，

所述深度卷積神經(jīng)網(wǎng)絡(luò)模型包含：

第一輸入分支，輸入攝像頭獲取的地面圖像數(shù)據(jù)，所述第一輸入分支中由輸入端至輸出端依次包含相間設(shè)置的若干個(gè)卷積層和若干個(gè)最大池化層以及若干個(gè)第一全連接層；

第二輸入分支，輸入接收機(jī)獲得的接收信號(hào)強(qiáng)度指示值以及距離，所述第二輸入分支包含若干個(gè)第二全連接層；

所述第一輸入分支和所述第二輸入分支的輸出合并至第三全連接層中。

3.如權(quán)利要求2所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感網(wǎng)距離測(cè)量系統(tǒng)，其特征在于，

所述第一輸入分支包含五個(gè)卷積層、五個(gè)最大池化層和兩個(gè)第一全連接層，所述第二輸入分支包含兩個(gè)第二全連接層。

4.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感網(wǎng)距離測(cè)量系統(tǒng)，其特征在于，

所述損失函數(shù)如下：

式中，f(image⁽ⁱ⁾,RSSI⁽ⁱ⁾；θ)是深度卷積神經(jīng)網(wǎng)絡(luò)輸入到輸出的映射，f(image⁽ⁱ⁾,RSSI⁽ⁱ⁾；θ)的輸出是深度卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算估計(jì)值；m是樣本數(shù)量，即訓(xùn)練過(guò)程中的計(jì)算次數(shù)；image⁽ⁱ⁾表示輸入的圖像數(shù)據(jù)；RSSI⁽ⁱ⁾是輸入的RSSI數(shù)據(jù)；d⁽ⁱ⁾表示實(shí)際的測(cè)量值。

5.如權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的無(wú)線(xiàn)傳感網(wǎng)距離測(cè)量系統(tǒng)，其特征在于，

所述自適應(yīng)矩估計(jì)的梯度優(yōu)化算法包含：

θ₀表示初始參數(shù)向量；

初始化一階矩向量：m₀←0；

初始化二階矩向量：v₀←0；

初始化時(shí)間：t←0；

再執(zhí)行以下過(guò)程：

t←t+1；

獲取時(shí)間步長(zhǎng)t上的梯度相關(guān)隨機(jī)目標(biāo)：g_t←▽_θf_t(θ_t-1)；

更新有偏一階矩估計(jì)：m_t←β₁·m_t-1+(1-β₁)·g_t；

更新有偏二階矩估計(jì)：

修正一階矩的偏差：

修正二階矩的偏差：

更新參數(shù)：

直到θ_t收斂，則結(jié)束，并返回θ_t；

其中，α表示步長(zhǎng)學(xué)習(xí)率；β₁,β₂∈[0,1)分別表示矩估計(jì)的指數(shù)衰減率，β₁為第一階矩估計(jì)的指數(shù)衰減率，β₂為第二階矩估計(jì)的指數(shù)衰減率；θ表示神經(jīng)網(wǎng)絡(luò)中的需要調(diào)整的參數(shù)，即存在參數(shù)θ，使得損失函數(shù)降到最低；f(θ)表示參數(shù)θ的隨機(jī)目標(biāo)函數(shù)；m_t、m_t-1分別指在時(shí)間步長(zhǎng)t、時(shí)間步長(zhǎng)t-1的一階矩向量；v_t、v_t-1分別指在時(shí)間步長(zhǎng)t、時(shí)間步長(zhǎng)t-1的二階矩向量；∈為常數(shù)；表示β₁和β₂的t次方。