[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

说明书

本发明公开了一种基于迁移学习的网络节点距离矢量同步方法，包括以下步骤：S1：根据网络的节点密度、埃克曼螺旋海流模型，利用计算机仿真确定节点距离矢量同步周期数据；S2：对获得的数据进行融合处理，输出作为学习模型的数据特征；S3：根据网络的节点密度和埃克曼螺旋海流模型，对数据进行进一步的分类,并作为训练数据输入VGG+CNN网络进行训练，再利用迁移学习模型进行微调修正；S4：根据当前网络的节点密度和海流状况，依据修正后的模型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。本发明具有较好的网络带宽利用率和能量效率，延长了水声网络的生命周期，有助于对海洋目标进行长时间信息收集和监控。

技术领域

本发明涉及基于一种基于迁移学习的网络节点距离矢量同步方法，属于水声网络数据传输领域。

背景技术

由于高动态的海洋环境，以及水声信道的非稳定、非对称特性，水声网络中很容易发生数据包的丢失。为了提高水声网络数据包送达的概率，以提高路由的可靠性，目前水声网络路采用协议效率较高的基于机会传输的机会路由。

机会路由的工作原理如下：在选择中继节点时，按照某种指标(如能量、深度、跳数等)选出多个邻节点并将它们按优先级进行排序，然后让这些中继节点按顺序转发数据包；一旦某个中继节点成功转发了数据包，其他中继节点便停止转发，避免因重复转发而造成带宽和能量浪费；如果不成功，则按顺序由下一个中继节点继续转发，以此类推，这样可大大增加数据包送达的概率。

而基于跳数的机会路由协议，这里跳数是指传感器节点到sink(浮标)节点的跳数。在节点的跳数信息准确前提下，基于跳数的机会路由能有效解决水声网络中常见的空洞问题，同时机会路由又能提高路由的可靠性。

传统的节点距离矢量同步方法大多采用由sink节点以固定的时间间隔，周期性地以泛洪模式进行同步，易产生信息内爆而导致带宽利用率和能量效率低下。

发明内容

为解决现有技术中的不足，本发明提供一种基于迁移学习的网络节点距离矢量同步方法，采用迁移学习来确定网络节点距离矢量同步周期来对新的海流情况下的网络节点进行距离矢量同步，不仅可加快和优化新模型的学习效率，同时又能保证网络节点距离矢量的时效性和准确性，且具有良好的网络带宽利用率和能量效率，延长了网络的生命周期。

本发明中主要采用的技术方案为：

一种基于迁移学习的网络节点距离矢量同步方法，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；即提取数据的公共特征，然后按特征分类，输出作为学习模型的数据特征；

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，依据修正后的模型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。

优选地，所述S3的具体步骤如下：

S31:以融合数据为训练数据，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；