一种基于迁移学习的网络节点距离矢量同步方法

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。

技术实现要素：

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；

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。

优选地，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sh，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，sh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。

优选地，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(轮次，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。

有益效果：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，能自适应地实现不同网络的节点密度、不同的海流条件下的网络节点距离矢量最优同步，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、监控的应用需求。

附图说明

图1是本发明的基于迁移学习的网络节点距离矢量同步流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

一种基于迁移学习的网络节点距离矢量同步方法，如图1所示，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(ekmanspiral)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；具体如下：根据网络的节点密度和ekmanspiral海流情况，在一定通信距离条件下，通过计算机仿真来确定节点距离矢量同步的最佳周期数据。周期太长的话，考虑到海洋环境的动态性，可能使得节点距离sink节点的跳数信息不准确；周期太短的话，会造成以泛洪模式的信息内爆，浪费带宽和能量。

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；

本发明中，vgg+cnn网络包括依次连接的已训练好的vgg16网络和cnn网络，其中，vgg16网络为已训练好的初次特征提取网络，cnn网络作为二次特征提取网络。cnn网络包含全连接层、若干个卷积层、池化层以及softmax分类层。这个两个网络由以下五元函数组成：m＝(v,d,c,p,s)；其中v为特征提取函数，d为全连接函数，c为卷积函数，p为池化函数，s为softmax分类函数；特征提取函数v通过vgg16网络完成，vgg16网络包含13个卷积层、5个池化层和3个全连接层，其中所有的卷积核大小均为3×3，池化层全部采用2×2的池化核，最后经过3个全连接层和softmax层输出每个类别的概率；在vgg-cnn网络模型中，最后一个池化层进行了截断，丢弃了池化层后的全连接层以及softmax层。

本发明中s3的具体步骤如下：

s31:将原始数据集按照一定的比例(如8：2)划分为训练数据和测试数据，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。

本发明中利用测试数据对修正好的vgg+cnn网络进行测试属于常规技术手段，故而未加详述。

本发明中，卷积函数用于对vgg网络的输出数据再次进行特征提取。池化函数的作用是将每个卷积层的输出汇聚为一个最终的距离矢量周期特征，并去除冗余信息，减少计算量。

s4：依据当前网络的节点密度，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(mac)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模型各类别的概率sh，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，sh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。

当前的网络节点密度+埃克曼螺旋海流构成了一个特定的数据(即当前测试数据)。本发明中，利用训练好的vgg+cnn网络对当前测试数据进行测试，判断哪个同步周期最有可能与它对应，即哪个同步周期概率sp最大，即完成最佳距离矢量周期的识别。

s5：由sink节点按得到的最优周期发起节点距离矢量同步,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(轮次，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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。