一种基于深度学习的无线网络资源优化系统及方法

如何在Windows系统下优化无线网络性能 #生活技巧# #数码产品使用技巧# #无线网络设置指南#

本发明属于应用于无线网络资源优化，具体而言，涉及一种基于深度学习的无线网络资源优化系统及方法。

背景技术：

1、无线网络资源是当今人们在生活中使用无线网络不可缺少的方式，它影响着人们生活的方方面面；尤其现今智能手机的普及和短视频的爆发，人们对无线网络的要求越来越高，和不同层次人群使用网络差异化大的存在，对造成现今无线网络资源中频谱经常拥塞，带宽永远使用不够的现象；因此，需要引入一种基于深度学习的无线网络资源优化系统及方法。

2、现今无线网络资源一方面是增加了人们使用无线网络资源使用成本，而且往往达不到想要的效果，无线网络资源使用率低；另一方面缺少调节无线网络资源合理分配的方式。

技术实现思路

1、本发明是基于上述技术问题，针对的无线网络资源优化提出的一种基于深度学习的无线网络资源优化系统及方法；不仅是降低了人们使用无线网络资源使用成本，使得无线网络资源使用率高；还增加调节无线网络资源合理分配的方式。

2、本发明是这样实现的：

3、本发明的提出一种基于深度学习的无线网络资源优化系统及方法，该方法应用了无线网络资源数据收集模块、深度学习的无线网络资源数据处理平台、无线网络资源预警模块、无线网络资源调节模块和无线网络资源数据库；其特征在于，所述方法包括以下步骤：

4、步骤1:无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台；

5、步骤2：根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块；

6、步骤3：根据无线网络资源预警模块触发结果，无线网络资源调节模块进行无线资源调节；

7、步骤4:无线网络资源数据库保存及更新全部的无线网络资源数据。

8、根据本发明方面的一种能够实现的方式，所述步骤1中无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台具体操作方法包括：

9、无线网络资源数据收集模块收集相关数据，主要使用网络数据传感器和网络监控工具；其中相关数据包括带宽资源、频谱资源和时间资源等；对相关数据内容标记φβ，其中β＝0，1,2,...,p；p为正整数，表示相关数据内容中β可取值的最大值。

10、根据本发明方面的一种能够实现的方式，所述步骤2根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块操作方法包括：

11、由于无线网络资源数据的实时传送性，要使用基于时间序列交叉验证对模型进行训练；

12、深度学习的无线网络资源数据处理平台对数据处理的步骤:

13、step1：收集无线网络中的数据和历史中发生的无线网络数据，包括信号强度、数据传输速率和网络拥塞情况等；数据预处理：对收集到的数据进行预处理，包括数据清洗、去噪和归一化等；

14、step2：特征提取内容包括信号强度、信噪比、网络拥塞指标和设备位置等；

15、基于时间序列交叉验证对数据进行划分为训练集和测试集；假设训练集占比为a(0<a<1)，则训练集包含前a×t个时间步的样本，测试集包含后(1-a)×t个时间步的样本；t单位为s，表示设置的总时间；每一秒对应一个无线网络资源数据；

16、step3：使用卷积神经网络模型训练和预测,对于每个时间步t(t＝1,2,...,(1-a)×t),使用训练集中的前t个时间步的样本进行模型训练,使用训练得到的模型对下一个时间步(t+1)进行预测；训练过程中，通过反向传播算法更新模型参数，使其逐渐优化；使用随机梯度下降来最小化损失函数；

17、step4：对于每个预测的时间步t+1，使用均方根误差、平均绝对误差和相关系数等评估指标；对所有的预测时间步的评估指标进行汇总，得到模型的性能评估结果；考虑到无线网络资源数据的时效性和稳定性方面，主要是在带宽利用率、吞吐量、延迟、丢包率和连接成功率这5个方面来衡量模型的效果；

18、带宽利用率：

19、计算公式：带宽利用率＝(实际使用带宽/可用带宽)*100％；

20、吞吐量：

21、计算公式：吞吐量＝成功传输的数据量/传输时间；

22、延迟：

23、计算公式：延迟＝传输时间+排队等待时间+处理时间；

24、丢包率：

25、计算公式：丢包率＝(丢失的数据包数/发送的数据包数)*100％；

26、连接成功率：

27、计算公式：连接成功率＝(成功建立的连接数/尝试建立连接的总数)*100％。

28、根据本发明方面的一种能够实现的方式，所述步骤3中根据无线网络资源预警模块触发结果，无线网络资源调节模块进行无线资源调节操作方法包括：

29、深度学习的无线网络资源数据处理平台对下一个时间步(t+1)进行预测，若预测结果超过自定义好的阙值，则触发无线网络资源预警模块，并调用无线网络资源调节模块对结合预测数据和真实数据进行抵消数值误差操作，如降低或增加带宽和增大和减少吞吐量；若预测结果没有超过自定义好的阙值，则不触发无线网络资源预警模块，也不调用无线网络资源调节模块进行无线资源调节。

30、根据本发明方面的一种能够实现的方式，所述步骤4中无线网络资源数据库保存及更新全部的无线网络资源数据操作方法包括：

31、无线网络资源数据库保存及更新全部的无线网络资源数据，用于存储和更新关于无线网络资源的所有数据；会保存与无线网络资源相关的各种数据，如带宽、频谱、时间、编码和功率等同时，对各种数据内容标记lm，其中m＝0，1,2,...,σ；σ为正整数，表示各种数据内容中m可取值的最大值；该数据库会不断进行更新，更新的过程包括数据的添加、修改和删除操作。

32、一种云端系统，根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块；通过云端计算及分析对无线网络资源优化。

33、基于上述任一方面，本发明的有益效果为：

34、1.本发明无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台；根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块；此方法一方面是降低了人们使用无线网络资源使用成本，无线网络资源使用率高；

35、2.本发明根据无线网络资源预警模块触发结果，无线网络资源调节模块进行无线资源调节；无线网络资源数据库保存及更新全部的无线网络资源数据；此方法另一方面增加调节无线网络资源合理分配的方式。

技术特征：

1.一种基于深度学习的无线网络资源优化系统及方法，该方法应用了无线网络资源数据收集模块、深度学习的无线网络资源数据处理平台、无线网络资源预警模块、无线网络资源调节模块和无线网络资源数据库；其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法，其特征在于：所述步骤1中无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台具体操作方法包括：

3.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法，其特征在于：所述步骤2根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块操作方法包括：

4.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法，其特征在于：所述步骤3中根据无线网络资源预警模块触发结果，无线网络资源调节模块进行无线资源调节操作方法包括：

5.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法，其特征在于：所述步骤4中无线网络资源数据库保存及更新全部的无线网络资源数据操作方法包括：

6.一种云端系统，其特征在于：根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块；通过云端计算及分析对无线网络资源优化，以执行上述权利要求1-5任一项所述的一种基于深度学习的无线网络资源优化系统及方法。

技术总结
本发明属于应用于无线网络资源优化技术领域，具体而言，涉及一种基于深度学习的无线网络资源优化系统及方法。本发明无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台；根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析，并把数据结果发送到无线网络资源预警模块；根据无线网络资源预警模块触发结果，无线网络资源调节模块进行无线资源调节；无线网络资源数据库保存及更新全部的无线网络资源数据；不仅是降低了人们使用无线网络资源使用成本，使得无线网络资源使用率高；还增加调节无线网络资源合理分配的方式。

技术研发人员：刘爽,刘永路,陈嘉盛,李杨哲,张校魁,邓阳杰,张腾芳
受保护的技术使用者：西安石油大学
技术研发日：
技术公布日：2024/1/15

网址：一种基于深度学习的无线网络资源优化系统及方法 https://www.yuejiaxmz.com/news/view/628044

相关内容

基于深度强化学习的新型电力系统调度优化方法综述
无线网络优化体系
一种基于深度学习的个性化推荐系统
基于深度学习的个性化音乐推荐系统
无线网络优化
《无线网络优化》
无线网络优化的深入解析
基于强化学习的综合能源系统管理综述
一种基于对比学习与场因子分解的教育资源推荐方法
无线网络优化流程与方法

随便看看