【技术实现步骤摘要】
本专利技术涉及物联网，尤其涉及一种基于深度神经网络的新能源物联网目标全覆盖方法。
技术介绍
1、许多工业物联网应用，例如监控，需要尽可能长时间地监控一组目标。比如要求每个目标始终由至少一个传感器节点或设备监控。这样做可确保网关接收到所需数量的样本，以及检测到所有与目标相关的事件并对其采取措施。对于目标进行传感器检测/监控的覆盖寿命取决于传感器节点/设备的可用能量，因此，对于系统中的能量管理十分重要，现有技术中的许多改进，目的都为提高传感装置的工作寿命，比如降低通信和计算成本，最小化冗余节点，以及为传感器设备配备太阳能等能量采集技术等。
2、但是，现有技术中的各种改进，尽可能的对工作寿命进行改进，为了提高目标的覆盖寿命、覆盖质量，但对于可用能量的管理，目前并没有良好的管理方案，所以，目前亟需一种在不超出能量限制的情况下，对能量进行管理，确定传感器检测/监控集合的覆盖激活方案，以最大化覆盖寿命的方法。
技术实现思路
1、针对现有技术中存在的问题，本专利技术实施例提供一种基于深度神经网络的新能源物联网目标全覆盖方法。
2、本专利技术实施例提供一种基于深度神经网络的新能源物联网目标全覆盖方法，包括：
3、建立监控物联网对应的二部图模型，所述二部图模型为，s为传感器节点集合，z为监控目标集，l为连接传感器节点与监控目标的边的集合；
4、获取目标监控时长，并将所述目标监控时长t分为t个时隙，确定覆盖集合c，当所述覆盖集合的辅助变量ht为1时，所有
5、获取预设的传感器节点累积能耗公式：
6、
7、其中，为传感器节点i在时隙t的累积能耗，为传感器节点i的初始能量，为二进制决策变量，当c在时隙被激活，则＝1，反之＝0，为指示函数，若传感器si是c的一部分，则＝1，反之＝0，为传感器节点在激活状态下每个时隙的消耗能量，为触感器节点在一个时隙内的充电速率；
8、确定最大化时隙t中存在有效覆盖目标总数的目标函数以及对应的约束条件，基于所述目标函数及约束条件计算规划所述监控目标集的覆盖策略：
9、所述目标函数，包括：
10、
11、所述约束条件，包括：
12、
13、
14、
15、
16、其中，为传感器节点的最大电池容量。
17、在其中一个实施例中，所述方法还包括：
18、获取预设的整数线性规划求解器，结合物联网信息，通过所述目标函数定义所述整数线性规划求解器的优化目标，通过所述约束条件限定空间，生成对应的训练数据集；
19、将所述训练数据集输入深度神经网络模型训练，训练后的深度神经网络模型训练能够输出所述监控目标集的覆盖策略。
20、在其中一个实施例中，所述方法还包括：
21、对所述深度神经网络模型进行改进，得到dnn-mlceh启发式算法，所述改进包括：检测并关闭所述深度神经网络模型的冗余节点，识别并覆盖模型漏洞。
22、在其中一个实施例中，所述方法还包括：
23、当检测到所述监控物联网的监控网络大于预设阈值时，所述获取预设的整数线性规划求解器之前，还包括：
24、通过网络分区算法对所述监控网络进行分区。
25、本专利技术实施例提供一种基于深度神经网络的新能源物联网目标全覆盖系统，包括：
26、建立模块，用于建立监控物联网对应的二部图模型，所述二部图模型为，s为传感器节点集合，z为监控目标集，l为连接传感器节点与监控目标的边的集合；
27、获取模块，用于获取目标监控时长，并将所述目标监控时长t分为t个时隙，确定覆盖集合c，当所述覆盖集合的辅助变量ht为1时，所有监控目标在时隙t被c全覆盖，辅助变量ht为0时，所有监控目标并未在时隙t被c全覆盖，所述覆盖集合为所有监控目标被至少一个传感器节点覆盖时对应的传感器节点集合；
28、能耗模块，用于获取预设的传感器节点累积能耗公式：
29、
30、其中，为传感器节点i在时隙t的累积能耗，为传感器节点i的初始能量，为二进制决策变量，当c在时隙被激活，则＝1，反之＝0，为指示函数，若传感器si是c的一部分，则＝1，反之＝0，为传感器节点在激活状态下每个时隙的消耗能量，为触感器节点在一个时隙内的充电速率；
31、覆盖策略模块，用于确定最大化时隙t中存在有效覆盖目标总数的目标函数以及对应的约束条件，基于所述目标函数及约束条件计算规划所述监控目标集的覆盖策略：
32、所述目标函数，包括：
33、
34、所述约束条件，包括：
35、
36、
37、
38、
39、其中，为传感器节点的最大电池容量。
40、在其中一个实施例中，所述系统还包括：
41、求解模块，用于获取预设的整数线性规划求解器，结合物联网信息，通过所述目标函数定义所述整数线性规划求解器的优化目标，通过所述约束条件限定空间，生成对应的训练数据集；
42、训练模块，用于将所述训练数据集输入深度神经网络模型训练，训练后的深度神经网络模型训练能够输出所述监控目标集的覆盖策略。
43、在其中一个实施例中，所述系统还包括：
44、改进模块，用于对所述深度神经网络模型进行改进，得到dnn-mlceh启发式算法，所述改进包括：检测并关闭所述深度神经网络模型的冗余节点，识别并覆盖模型漏洞。
45、在其中一个实施例中，所述系统还包括：
46、分区模块，用于当检测到所述监控物联网的监控网络大于预设阈值时，所述获取预设的整数线性规划求解器之前，还包括：通过网络分区算法对所述监控网络进行分区。
47、本专利技术实施例提供一种电子设备，包括处理器以及存储器；
48、所述处理器与所述存储器相连；
49、所述存储器，用于存储可执行程序代码；
50、所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行一个或多个实施例所述的方法。
51、本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于深度神经网络的新能源物联网目标全覆盖方法的步骤。
52、鉴于上述，在本说明书一个或多个实施例中，建立监控物联网的二部图模型，并对目标监控时长分为各个时隙，确定不同时隙下的传感器节点累积能耗公式，从而在约束条件下确定覆盖总数的目标函数，基于目标函数及约束条件计算规划监控目标集的覆盖策略。这样能够在保证监控目标全覆盖的同时，减少了能量浪费，延长了本文档来自技高网...
【技术保护点】
1.一种基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，所述基于所述目标函数及约束条件计算规划所述监控目标集的覆盖策略，包括：
3.根据权利要求2所述的基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，所述将所述训练数据集输入深度神经网络模型训练时，还包括：
5.一种基于深度神经网络的新能源物联网目标全覆盖系统，其特征在于，所述系统包括：
6.根据权利要求5所述的基于深度神经网络的新能源物联网目标全覆盖系统，其特征在于，所述系统还包括：
7.根据权利要求6所述的基于深度神经网络的新能源物联网目标全覆盖系统，其特征在于，所述系统还包括：
8.根据权利要求6所述的基于深度神经网络的新能源物联网目标全覆盖系统，其特征在于，所述系统还包括：
9.一种电子设备，包括处理器以及存储器；
...【技术特征摘要】
1.一种基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，所述基于所述目标函数及约束条件计算规划所述监控目标集的覆盖策略，包括：
3.根据权利要求2所述的基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的基于深度神经网络的新能源物联网目标全覆盖方法，其特征在于，所述将所述训练数据集输入深度神经网络模型训练时，还包括：
5.一种基于深度神经网络的新能源物联网目标全...
【专利技术属性】
技术研发人员：杨昌霖，谢简阳，赵维，
申请(专利权)人：天能新能源湖州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。