一种基于随机梯度下降的水下无线传感网络资源分配方法与流程

技术特征：
1.一种基于随机梯度下降的水下无线传感网络资源分配方法其特征在于，包括以下步骤：第一步：本发明考虑实际网络速率约束、功率约束和能量归还等约束,针对水下无线传感网络(uwsn)采用多归属技术，在能量借还机制的情况下，以通信系统吞吐量最大化为目标，建立了适用于能量借还和数据传输安排的水下传感网络资源分配优化模型；第二步：本文所提改进随机梯度下降方法在每次迭代过程中不需要遍历所有数据，只随机选取一个样本求梯度，进行权重向量的迭代更新，避免了梯度算法计算样本均值期望的方向搜索过程，计算其相应梯度：在更新权重参数时保留之前的更新方向，利用当前数据梯度微调最终更新方向；第三步：将改进的随机梯度下降法应用到水下无线传感网络资源分配问题中，提出一种基于改进随机梯度下降法的水下无线传感网络资源分配优化方法，可有效地降低节点能耗，提高了无线传感器网络的生存时间和网络服务质量。2.按照权利要求1所述的一种基于随机梯度下降的水下无线传感网络资源分配方法，其特征在于，第一步具体包括：本发明采用时隙循环传输通信系统所需的传输数据包，并以n时隙为一个时隙循环；对于水下无线传感通信系统所传输的数据包，表示节点k在第n时隙内的传输功率，为了尽量避免能量的浪费，其约束条件为：式中节点总个数为k，p
max,k
表示为节点k的最大功率；在每个循环时隙开始时，统一传输上一时隙所累积的数据包；为在第n时隙开始时所采集的能量，为在此时隙开始时能量采集供能系统从传统电网供能系统中所借取的能量；假设在第n时隙，能量采集供能系统所能够还取的所有能量的上限为因为此系统为借还系统，即先借取能量再还取能量，所以需要大于0；需满足：为了保证传统电网供能系统的利益，在传输数据截止时间之前，能量采集供能系统需要还取所有借取的能量；在最后一个时隙(第n时隙)满足：充分考虑采集能量的不稳定性，假设在第n时隙中，不同时隙之间信道的变化相互独立，发送端与接收端之间的信道链路增益g
k
(d0)为一个常数；σ表示带宽范围内基站接收的背景噪声，通常看作是高斯白噪声；在第n时隙的传输速率为:由于水下节点之间的连接是相互独立的，引入用户连接指数λ
k
：
在用户连接指数基础上，对传输速率做出如下约束：ν
k
表示每个节点的最低速率要求；uwsn通信系统在截止时间时总的吞吐量为：式中m为信道总数；对于每个时隙，可以用来传输数据的能量不能超过发送端的储能电池中的能量，定义能量因果约束：式中ψ为能量参数，为能量采集供能系统从传统电网供能系统中的采集能量消耗，用户连接指数λ
k
＝{0,1}是离散的，求解困难；为解决这个问题，对节点约束进行松弛，把节点约束替换为0≤λ
k
≤1，由此可得uwsn通信系统吞吐量最大化资源分配方法的优化模型为：为：为：为：为：为：为：为：式中最后一个约束表示分配功率需要大于等于零。3.按照权利要求1所述的一种基于随机梯度下降的水下无线传感网络资源分配方法，
其特征在于，第二步具体包括：梯度下降算法(gradient descent,gd)是一种典型的求解无约束优化问题的方法，主要思想是朝着负梯度方向寻求目标的最优解；由于使用简单、收敛速度快和效果可靠等优点得到了普遍应用；随机梯度下降算法(stochastic gradient descent,sgd)作为梯度下降算法的一种，在每次迭代过程中不需要遍历所有数据，而只是随机选取一个样本求梯度，进行权重向量的迭代更新，为此大大降低了计算量，更适合运用在具有不稳定性和大规模数据分类的uwsn系统资源分配方法；改进随机梯度下降算法避免了梯度下降算法计算样本均值期望的方向搜索过程，计算其相应梯度：θ
t 1
＝θ
t
δθ
t
式中，η是算法的学习率，代表向全局最优或局部最优方向移动的步长；l(θ
t
)是第t次迭代权重θ
t
的损失函数，为权重θ在t时刻关于损失函数的一阶梯度，简记为g
t
，θ
t 1
为t 1时刻的权重值，θ
t
为t时刻的权重值，δθ
t
为梯度算子，即每次迭代的更新部分。4.按照权利要求1所述的一种基于随机梯度下降的水下无线传感网络资源分配方法，其特征在于，第三步具体包括：基于改进随机梯度下降的资源分配方法具体步骤：step 1:初始化：令t＝1,n＝0,step 2:构建假设函数h
θ(x)
(θ为函数参数)，通过评估模型拟合的好坏,构建假设函数，即监督学习中拟合样本特征到目标函数的函数；step 3:进而构造罚函数l(θ)，进而构造罚函数，通常用来度量拟合的程度：假设：假设：假设：假设：根据上一部分uwsn通信系统吞吐量最大化资源分配方法的优化模型构建罚函数l(θ)：step 4:根据模型罚函数l(θ)求解样本点x
k
罚函数的梯度向量罚函数的梯度向量初始化假设函数的参数θ，得到对应的梯度向量；并对θ进行随机取值，假设θ
i
第一次全
部取0，将θ0带入l(θ)1，得到取θ0的损失将θ0带入得到θ0的梯度向量step 5:通过迭代次数累加，利用梯度向量求出最优解；随机下降梯度法的步长很大程度影响算法的收敛，本发明对随机梯度下降法进行改进；在更新权重参数时保留之前的更新方向，利用当前数据梯度微调最终更新方向；更新公式如下：δθ
t
＝ρδθ
t-1-ηg
t
θ
t
＝θ
t-1
δθ
t
t＝t 1其中ρ为动量因子，表示原来更新方向的保留程度，取值范围在0到1之间；在迭代初期，算法使用与下降方向一致，可以很好的加速学习；在迭代中后期，罚函数值在局部最优值附近来回震荡，但因动量因子ρ会增大更新幅度，使其跳出局部最优点；在梯度方向改变时，动量因子能够减少更新；动量项在相关方向加速梯度下降，抑制震荡，加快收敛速度，得到全局最优解

技术总结
本发明涉及一种基于随机梯度下降的水下无线传感网络资源分配方法，属通信技术系统资源分配领域。本发明考虑实际网络速率约束、功率约束和能量归还等约束,针对水下无线传感网络采用多归属技术，在能量借还机制的情况下，以通信系统吞吐量最大化为目标，建立网络资源分配优化模型；所提改进的随机梯度下降算法在每次迭代过程随机选取一个样本求梯度，进行权重向量的迭代更新。并利用动量因子保证步长的最优性，进而提出一种基于随机梯度下降的水下无线传感网络资源分配方法。收敛性分析和仿真结果表明，基于改进随机梯度的网络资源分配方法具有良好的收敛性，能够有效的水下控制传感器间的通信速率，降低了水下无线传感器网络能耗。耗。


技术研发人员：唐美芹 任昌靖
受保护的技术使用者：鲁东大学
技术研发日：2020.08.11
技术公布日：2022/2/23