[发明专利]一种基于迁移学习的网络节点距离矢量同步方法

权利要求书

1.一种基于迁移学习的网络节点距离矢量同步方法，其特征在于，具体构建步骤如下：

S1：利用计算机仿真技术模拟不同的网络的节点密度以及埃克曼螺旋海流模型，得到不同条件下最优的节点距离矢量同步周期数据；

S2：对S1获得的数据采用K-means聚类算法进行特征融合得到原始数据集；

S3：将S2得到的原始数据集按照一定的比例划分为训练数据和测试数据，随后将训练数据输入VGG+CNN网络进行训练，再利用迁移学习模型进行微调修正，并利用测试数据对修正好的VGG+CNN网络进行测试；

S4：根据当前网络的节点密度和海流状况，依据修正好的VGG+CNN网络得到最优的距离矢量同步周期；

S5：由sink节点按得到的最优周期发起节点距离矢量同步。

2.根据权利要求1所述的基于迁移学习的网络节点距离矢量同步方法，其特征在于，所述S3的具体步骤如下：

S31:将训练数据作为VGG+CNN网络的输入，利用VGG+CNN网络的特征提取函数对训练数据进行空间变换，如公式(1)所示：

F(I)＝R (1)；

其中F(·)表示特征提取函数，I表示输入的训练数据，R表示VGG网络的输出数据，R∈R^A×B表示实数空间，A表示矩阵的行数，B表示矩阵的列数；

特征提取函数F(·)将输入的训练数据变换为一个A×B维度的特征；随后利用全连接函数对特征提取函数的输出进行维度变换，如公式(2)所示：

D(R)＝W (2)；

其中D(·)表示全连接函数，W表示全连接网络的输出数据，全连接函数D(·)将A×B维的数据转换为AB×1维度的数据，且全连接层采用sigmoid激活函数；

S32：利用VGG+CNN网络的卷积函数对进行空间和维度变换后的输出数据进行特征提取，如公式(3)所示：

其中Y(·)表示卷积函数，i表示矩阵的行索引，j表示矩阵的列索引，K表示卷积核，R表示VGG网络的输出数据，m表示矩阵的行数，n表示矩阵的列数；

S33：利用VGG+CNN网络的池化函数对特征提取后的数据进行汇聚，并利用迁移学习算法对匹配到的模型进行微调修正，如公式(4)所示：

其中，Y表示卷积层的输出数据，又作为池化层的输入数据，表示池化层的输出数据，Ave(·)表示取平均值函数。

3.根据权利要求2所述的基于迁移学习的网络节点距离矢量同步方法，其特征在于，所述S4中，依据网络的节点密度，在点对点最大传输距离确定条件下，以链路层的固定的媒质接入控制协议为基础，结合当前的埃克曼螺旋海流情况，经修正模型得到最优的距离矢量同步周期，具体步骤包括：

S41：将当前网络的节点密度和埃克曼螺旋海流模型作为测试数据输入至训练完成的VGG+CNN网络中，并利用VGG+CNN网络的softmax分类层计算输入网络的节点密度和埃克曼螺旋海流各类别的概率S_h，其计算公式如公式(5)所示：

其中，h表示输出层的第h个神经元，S_h为输出，t表示输出层神经元的总个数；

S42：将各类别的概率进行大小值排序，将概率值最大的所属类别作为输出的分类结果，完成距离矢量周期的识别。

4.根据权利要求3所述的基于迁移学习的网络节点距离矢量同步方法，其特征在于，所述S5的具体步骤如下：

S51：sink节点在信道接入过程中，向邻节点广播距离矢量更新二元组，所述二元组包括轮次和距离，其中，轮次表示由sink节点发起的第几次距离矢量的同步，距离表示节点离sink节点的跳数；

S52：每个节点根据在信道侦听、信道接入过程中得到的邻节点的距离矢量信息，更新自己的距离矢量，并在与邻节点的信道接入过程中携带自己的距离矢量进行广播，依此类推；

S53：当所有的节点完成了距离矢量更新后，则本轮由sink节点发起的距离矢量同步就完成了。