无线路由器传输速率切换方法及系统与流程

本发明涉及无线通信，尤其涉及一种无线路由器传输速率切换方法及系统。

背景技术：

1、随着无线通信技术的不断发展，用户对高速、稳定的无线网络连接的需求不断增加。无线路由器作为实现无线网络连接的关键设备之一，其传输速率切换对网络性能至关重要。然而，在不同的网络环境和应用场景下，传输速率的最优选择可能有所不同。因此，有必要提供一种能够根据实际需求自动切换传输速率的方法及系统。

技术实现思路

1、基于此，本发明有必要提供一种无线路由器传输速率切换方法，以解决至少一个上述技术问题。

2、为实现上述目的，一种无线路由器传输速率切换方法，包括以下步骤：

3、步骤s1：获取历史无线信号数据，并根据历史无线信号数据进行无线网络拓扑分析，从而获得网络拓扑特征矩阵；

4、步骤s2：获取动态信号数据，并根据动态信号数据以及网络拓扑特征矩阵进行时空感知信号分析，从而获得时空信号图谱；

5、步骤s3：根据时空信号图谱构建时空感知神经网络，并利用时空感知神经网络进行设备传输速率预测，从而获得设备传输速率预测数据；

6、步骤s4：基于设备传输速率预测数据以及时空信号图谱进行传输路径遗传优化，从而获得优化传输路径数据；

7、步骤s5：获取设备通信频段数据，并根据优化传输路径数据以及设备通信频段数据进行速率补偿值计算，从而获得速率补偿值；

8、步骤s6：根据速率补偿值对设备通信频段数据进行动态调整策略分析，从而获得频谱调整策略，并传输至无线路由器管理云平台，以执行传输速率优化任务。

9、本发明通过获取历史无线信号数据并进行无线网络拓扑分析，形成网络拓扑特征矩阵。这有助于系统理解网络中设备的相对位置、连接强度以及历史通信模式。借助历史数据，系统能够发现和优化设备之间的连接方式，从而提高整体网络拓扑效率。历史数据分析为后续的传输路径优化提供基础，使得系统能够更智能地调整传输路径，适应不同网络环境。动态信号数据反映了网络的实时状态，通过时空感知，系统能够更准确地理解网络的动态变化。时空感知分析有助于预测网络拥塞，使系统能够采取相应措施，避免性能下降。时空感知神经网络能够学习和适应不同设备在不同时空条件下的传输速率，提高预测的准确性。通过神经网络的实时学习，系统能够动态调整传输速率以适应网络状态的变化，提高网络连接的稳定性。遗传优化算法能够寻找最优的传输路径，减少信号传输的时延，提高网络整体性能，同时提高适应性。通过考虑设备通信频段的信息，系统能够更准确地计算速率补偿值，避免频段冲突导致的性能下降。结合传输路径的优化信息，速率补偿值的计算更全面，使得调整更加智能和综合。通过将频谱调整策略传输至云平台，系统能够实现对无线路由器的实时管理和调整，适应不同网络环境。云平台的集中管理使得系统可以对整个网络进行统一的优化和调整，提高管理效率。

10、可选地，步骤s1具体为：

11、步骤s11：获取历史无线信号数据；

12、步骤s12：对历史无线信号数据进行标识符数据提取以及信号强度数据提取，从而获得设备标识符数据以及信号强度数据；

13、步骤s13：根据设备标识符数据以及信号强度数据进行设备连接分析，从而获得设备连接数据；

14、步骤s14：基于设备连接数据以及信号强度数据进行拓扑结构构建，从而获得无线网络拓扑结构；

15、步骤s15：对无线网络拓扑结构进行特征提取，从而获得网络拓扑特征；

16、步骤s16：根据网络拓扑特征构建网络拓扑特征矩阵。

17、本发明通过收集历史无线信号数据，系统能够分析用户设备在过去的连接模式、使用频率和时段，从而了解网络的使用习惯和趋势。通过提取设备标识符数据，系统能够唯一标识每个连接设备，使得后续的连接分析和拓扑构建更为准确。通过提取信号强度数据，系统可以了解设备之间的连接质量，为后续的网络拓扑结构构建提供重要的参考。通过设备标识符数据和信号强度数据，系统可以分析设备之间的连接模式，了解设备之间的通信关系和频繁连接的设备。设备连接分析有助于评估网络的负载情况，从而更好地理解网络的繁忙程度和连接强度。基于设备连接数据和信号强度数据，系统能够构建无线网络的拓扑结构，即设备之间的连接关系图，有助于后续的网络拓扑特征提取。 拓扑结构构建使系统能够分析设备之间的路径信息，为后续传输路径的优化提供基础。通过对拓扑结构进行特征提取，系统可以分析网络的特性，如中心性、密度等，为后续的网络优化提供参考。提取的特征可用于检测网络中的异常连接或设备，增强网络的安全性。将网络拓扑特征以矩阵形式表示，有助于优化数据结构，提高数据处理的效率。构建的网络拓扑特征矩阵可作为神经网络等模型的输入，为后续的时空感知神经网络的建立提供必要的数据。

18、可选地，步骤s13具体为：

19、步骤s131：对设备标识符数据进行分类计算，从而获得移动设备标识符数据以及静态设备标识符数据；

20、步骤s132：对静态设备标识符数据以及信号强度数据进行静态设备强度关联分析，从而获得静态设备强度数据；

21、步骤s133：对移动设备标识符数据以及信号强度数据进行移动设备强度关联分析，从而获得移动设备强度数据；

22、步骤s134：根据静态设备强度数据以及移动设备强度数据进行设备连接分析，从而获得设备连接数据。

23、本发明通过对设备标识符数据的分类计算，可以将设备分为移动设备和静态设备，使系统能够区分设备的移动性质。区分移动设备和静态设备有助于理解网络中不同场景下的设备行为，例如移动设备在移动时的连接模式可能与静态设备有所不同。针对静态设备，通过与信号强度数据的关联分析，系统能够了解静态设备之间的连接模式和连接强度，有助于优化网络布局。分析静态设备的信号强度关联可以帮助调整设备的布局，提高设备之间的信号质量，从而改善网络性能。通过与信号强度数据的关联分析，系统可以了解移动设备在不同位置的信号强度变化，从而推断移动设备的轨迹和活动范围。移动设备强度关联分析有助于优化移动设备在不同位置之间的无缝切换，提高用户体验。根据静态设备强度数据和移动设备强度数据进行设备连接分析，系统能够实现网络负载平衡，确保设备连接在整个网络中更加均衡。设备连接分析有助于优化连接稳定性，减少连接中断和数据传输中的问题，提高整体网络性能。

24、可选地，步骤s134具体为：

25、步骤s1341：根据静态设备强度数据构建场景静态信号坐标系；

26、步骤s1342：对移动设备强度数据进行设备使用频率区域统计，从而获得高频移动设备使用区域以及低频移动设备使用区域；

27、步骤s1343：根据静态设备强度数据以及移动设备强度数据进行潜在移动设备使用区域分析，从而获得潜在移动设备使用区域；

28、步骤s1344：根据潜在移动设备使用区域、高频移动设备使用区域以及低频移动设备使用区域对场景静态信号坐标系进行区域填充，从而获得场景设备信号坐标系；

29、步骤s1345：根据静态设备强度数据以及移动设备强度数据对场景设备信号坐标系进行设备连接模式分析，从而获得设备连接数据。

30、本发明通过静态设备强度数据构建场景静态信号坐标系，系统能够了解静态设备在空间中的信号分布，有助于优化设备的布局，提高信号覆盖范围。场景静态信号坐标系的构建可以提取场景的特征，有助于对不同场景的网络性能进行定制化优化。通过对移动设备强度数据进行使用频率区域统计，系统可以了解设备在不同区域的使用频率，有助于优化资源分配，确保高频率使用区域的设备得到更多资源支持。统计高频移动设备使用区域和低频移动设备使用区域有助于进行容量规划，以满足不同区域的设备连接需求。通过潜在移动设备使用区域分析，系统可以预测未来可能的设备使用区域，有助于提前做好网络扩展和优化准备。对潜在使用区域的了解可以帮助系统提前优化服务，提高设备连接的效率。区域填充可以完善场景设备信号坐标系的空间信息，使其更贴近实际设备使用情况，提高信号坐标系的精确度。填充后的场景设备信号坐标系可用于更精细的网络规划，以适应不同区域的网络需求。通过对场景设备信号坐标系进行设备连接模式分析，系统可以优化设备之间的连接模式，提高连接的稳定性和效率。设备连接模式分析有助于实现负载均衡，确保网络中的设备连接分布均匀，避免出现连接拥堵。

31、可选地，步骤s1343具体为：

32、通过场景静态信号坐标系对静态设备强度数据以及移动设备强度数据进行相邻设备强度数据提取，从而获得相邻设备强度数据；

33、通过潜在移动设备高频使用得分公式对相邻设备强度数据进行得分计算，从而获得潜在移动设备高频使用得分；

34、根据场景静态信号坐标系对潜在移动设备高频使用得分以及相邻设备强度数据进行区域划分，从而获得潜在移动设备使用区域。

35、本发明通过静态信号坐标系提取相邻设备的强度数据，可以捕获设备之间的关联性，了解在空间上彼此的影响程度。这些数据有助于理解设备在场景中的布局和相互关系，为理解网络拓扑提供了基础。通过得分计算，可以估计相邻设备对潜在移动设备高频使用的影响程度，从而预测潜在高频使用的可能区域。这个得分可以帮助量化潜在高频使用区域的可能性，提供了一种方法来衡量各个区域的相对重要性。利用静态信号坐标系对潜在高频使用得分和相邻设备强度数据进行区域划分，有助于精确地确定可能的设备使用区域，为空间优化提供基础。对潜在移动设备使用区域的划分可以帮助在该区域内更有效地分配网络资源，以满足可能出现的高频使用需求。

36、可选地，步骤s1343中的潜在移动设备高频使用得分公式具体为：

37、；

38、其中，为潜在移动设备高频使用得分，为静态设备信号强度，为移动设备信号强度，为静态设备信号源与移动设备信号源的距离，为误差调整参数，为静态设备信号强度的权重系数，为对数调整参数，为移动设备信号强度的权重系数。

39、本发明构造了一个潜在移动设备高频使用得分公式，用于对相邻设备强度数据进行得分计算。该公式充分考虑了影响潜在移动设备高频使用得分的静态设备信号强度，移动设备信号强度，静态设备信号源与移动设备信号源的距离，误差调整参数，静态设备信号强度的权重系数，对数调整参数，移动设备信号强度的权重系数，形成了函数关系：

40、；

41、其中，部分中，是对静态设备信号强度取对数，通过这一操作可以压缩信号的范围，使得大范围内的信号变化更为平滑。是对取对数的信号进行缩放，通过调整参数可以调节静态设备信号强度对得分的影响。再对结果进行平方根操作，进一步平滑信号，并且通过进行权重调整。部分中，是对移动设备信号强度进行平方，以放大信号的变化范围。是通过参数进行权重调整，以调节移动设备信号强度对得分的影响。是对进行立方根操作，使得移动设备信号强度的影响更平滑。是对移动设备信号强度关于距离的变化率进行求导，表示移动设备信号强度的趋势，用来考虑移动设备的变化情况。在本领域中，通常采用信号处理技术、时空分析等技术手段来分析潜在的移动设备高频使用得分。通过采用本发明提供的潜在移动设备高频使用得分公式，能够更准确地得到潜在移动设备高频使用得分。

42、可选地，步骤s4具体为：

43、步骤s41：根据时空感知神经网络进行遗传模型初始化，从而获得遗传优化模型；

44、步骤s42：根据设备传输速率预测数据以及时空信号图谱构建参数空间；

45、步骤s43：通过遗传优化模型对参数空间进行最优适应度组合选择，从而获得最优适应度组合参数；

46、步骤s44：根据最优适应度组合参数对时空信号图谱进行传输路径规划，从而获得优化传输路径数据。

47、本发明中，时空感知神经网络的使用可以帮助个性化初始化遗传模型，使得模型更适应具体的时空场景，提高优化的准确性。初始化的个性化可以使遗传模型更快速地收敛到可能的优化解决方案，加速整个优化过程。结合设备传输速率预测数据和时空信号图谱构建参数空间，可以全面考虑设备性能和时空变化，提供更全面的优化视角。考虑到设备传输速率和时空信号，可以提高对网络环境的准确建模，使得优化更具可靠性。遗传优化模型能够进行全局搜索，通过多样性的适应度组合选择，有助于避免局部最优解，提高找到全局最优解的概率。通过适应度组合选择，可以对参数空间进行敏感性分析，找到对系统性能最敏感的参数组合。利用最优适应度组合参数进行传输路径规划，可以优化设备之间的通信路径，提高数据传输效率。基于时空信号图谱的传输路径规划能够考虑实时变化的网络条件，使得优化方案更加适应实际环境。

48、可选地，步骤s5具体为：

49、步骤s51：获取设备通信频段数据；

50、步骤s52：根据设备通信频段数据进行传输延迟频段数据提取，从而获得传输延迟频段数据；

51、步骤s53：对优化传输路径数据进行特征提取，从而获得优化路径特征数据；

52、步骤s54：通过速率补偿值计算公式对优化路径特征数据以及传输延迟频段数据进行速率补偿值计算，从而获得速率补偿值。

53、本发明通过获取设备通信频段数据，可以了解通信系统中各个设备所使用的频段，有助于避免频段冲突，提高通信稳定性。获得通信频段数据有助于进行资源规划，以确保设备之间的通信不受到干扰，并优化通信性能。提取传输延迟频段数据有助于了解不同频段上的传输延迟情况，从而优化选择传输路径，减少数据传输的时间延迟。通过考虑不同频段的传输延迟，可以提高数据传输的质量，确保及时性和可靠性。 特征提取有助于理解优化传输路径的关键特征，例如路径长度、拓扑结构等，为后续计算提供更具信息量的数据。提取的特征数据可用于建模，使得问题更容易量化和理解，为进一步优化提供更为清晰的目标。速率补偿值的计算可以根据路径特征和传输延迟，调整数据传输速率，使得在不同频段和路径上的数据传输更为均衡。通过速率补偿值的计算，可以在不同情况下实现性能平衡，避免某些路径或频段过载，提高整体通信系统的效率。

54、可选地，步骤s54中的速率补偿值计算公式具体为：

55、；

56、其中，为速率补偿值，为优化路径的带宽，为优化路径的信号衰减度，为网络中的最大传输延迟值，为网络拓扑结构的复杂性系数，为信号传播速度。

57、本发明构造了一个速率补偿值计算公式，用于对优化路径特征数据以及传输延迟频段数据进行速率补偿值计算。该公式充分考虑了影响速率补偿值的优化路径的带宽，优化路径的信号衰减度，网络中的最大传输延迟值，网络拓扑结构的复杂性系数，信号传播速度，形成了函数关系：

58、；

59、其中，部分包含了对路径特征数据的带宽和信号衰减度以及网络拓扑结构的复杂性系数进行操作。代表了路径特征数据的乘积加上网络拓扑结构的复杂性系数。取对数ln后再开平方根，这引入了非线性关系，可以用于模拟更复杂的影响因素。部分涉及对路径特征数据的带宽、信号衰减度和信号传播速度的和对传输延迟的导数。表示路径特征数据的和，对其进行对传输延迟的导数可以理解为路径特征数据整体随传输延迟的变化率。这个导数项用于考虑路径特征数据整体对传输延迟的敏感性。部分是传输延迟的正弦函数，引入了一个周期性的因素。这可以用于模拟传输延迟的变化可能具有的周期性影响。在本领域中，通常采用实测数据分析、网络仿真等技术手段来计算速率补偿值。通过采用本发明提供的速率补偿值计算公式，能够更准确地得到速率补偿值。

60、可选地，本说明书还提供了一种无线路由器传输速率切换系统，用于执行如上述的无线路由器传输速率切换方法，该无线路由器传输速率切换系统包括：

61、拓扑分析模块，用于获取历史无线信号数据，并根据历史无线信号数据进行无线网络拓扑分析，从而获得网络拓扑特征矩阵；

62、时空感知信号分析模块，用于获取动态信号数据，并根据动态信号数据以及网络拓扑特征矩阵进行时空感知信号分析，从而获得时空信号图谱；

63、设备传输速率预测模块，用于根据时空信号图谱构建时空感知神经网络，并利用时空感知神经网络进行设备传输速率预测，从而获得设备传输速率预测数据；

64、传输路径优化模块，用于基于设备传输速率预测数据以及时空信号图谱进行传输路径遗传优化，从而获得优化传输路径数据；

65、速率补偿值计算模块，用于获取设备通信频段数据，并根据优化传输路径数据以及设备通信频段数据进行速率补偿值计算，从而获得速率补偿值；

66、通信频段调整模块，用于根据速率补偿值对设备通信频段数据进行动态调整策略分析，从而获得频谱调整策略，并传输至无线路由器管理云平台，以执行传输速率优化任务。