面向智能电网的物联网智能通信技术

智能电网中物联网智能通信技术的广泛应用,是现代化信息通信技术发展的必然结果,对电力系统整体效力的提升有极大的推动作用。本文旨在对面向智能电网的物联网智能通信技术进行论述,将从智能电网、物联网的概念简述,物联网的诸多用途,物联网技术在智能电网中的应用三个层面来进行阐述。     

短包隐蔽通信下抗检测-干扰式攻击策略

为应对潜在的检测-干扰式恶意攻击,提出了一种基于短包隐蔽通信的抗检测-干扰攻击策略,通过隐藏无线传输行为的存在来实现抗干扰。考虑到干扰机采用Shewhart变点检测实时判断源节点的传输行为,当判决源节点正在传输数据包后启动人工干扰。为隐藏无线传输行为,源节点随机选择一个起始时刻以低功率、低速率传输有限长编码数据包。数据包发送功率越小、编码长度越短,隐蔽性越强,抗检测-干扰式攻击性能越好,但发送功率小和编码长度短使得接收端数据包译码错误概率较大。以有效传输速率最大为目标对数据包发送功率和编码长度进行优化设计。结果表明,存在最优的发送功率和编码长度使系统在传输隐蔽性和可靠性之间取得最优折衷。数值仿真结果验证了理论分析,证明了所提方案的有效性以及优化数据包编码长度和发送功率的必要性。     

采用双经验回放池的噪声流双延迟深度确定性策略梯度算法

为了进一步提高双延迟深度确定性策略梯度算法(TD3)的网络探索性能和收敛速度,提出一种采用基于多步优先和重抽样优选机制的双经验回放池的噪声流TD3算法。该算法在策略网络中的每一层添加噪声流以增加参数的随机性,并引入多步优先经验回放池,将多个连续样本组成一个基础单元进行存储,训练时通过多步截断双Q处理实现对值函数的有效逼近,同时增加一个经验回放池采用重抽样优选机制来存储学习价值更大的样本,双经验回放池的设置可弥补样本多样性不足的问题。在OpenAI Gym平台的Walker2d-v2场景中进行仿真实验,结果表明,与对比算法相比,本文算法获得的回报值有明显改善,网络收敛速度也大大加快。     

基于深度学习的物联网设备通信低功耗资源分配算法

为解决物联网中设备通信的高能耗问题,提出了基于深度神经网络的低功耗资源分配算法。考虑发射功率、干扰和服务质量3种约束,构建了物联网设备通信的总功率最小化问题。根据该问题的优化目标和约束条件,设计了损失函数并提出了基于深度神经网络的功率分配网络。为进一步降低物联网设备的总发射功率,设计了压缩网络来压缩环境状态信息。仿真结果表明,所提出的智能功率分配算法有效地降低了物联网设备的总通信功率,减少了计算时间。     

一种基于确定性调度的工业物联网感知层信道评估方法

为了提高工业物联网感知层无线数据传输的可靠性,主流的工业物联网标准普遍采用跳信道技术。通过周期性地评估和屏蔽受到干扰的信道,网络能够感知信道状态并自适应工作在传输质量较好的信道上。为了能更好地满足工业网络确定性与低功耗的特点,根据工业物联网感知层中信道使用率的不同,提出一种基于确定性调度机制的感知层信道评估方法,其核心思想是根据网络的数据流和跳信道模式统计信道使用率,计算每个信道的评估时间,再对信道进行周期性评估。仿真结果表明,该方法充分地利用了网络信道资源,并有效地提高了通信过程中的抗干扰性、可靠性和吞吐量。     

基于物联网的资源映射算法研究

在物联网环境下,大量物品通过各种传感技术加入到网络中。如何有效地组织和管理日益增加的物理资源,如何满足多样化的物联网应用需求,将成为物联网发展中一个非常重要的问题。网络虚拟化技术通过有效地管理虚拟用户请求到物理资源的映射来达到充分共享物理资源的目的,在解决该物联网问题时体现出它的优势。在现有互联网虚拟网络映射算法的基础上,针对物联网环境中物理节点所呈现的异构性特点,提出了一种基于物联网的虚拟网络到物理网络的资源映射算法。     

融合动作剔除的深度竞争双Q网络智能干扰决策算法

为解决战场通信干扰决策问题,设计了一种融合动作剔除的深度竞争双Q网络智能干扰决策方法.该方法在深度双Q网络框架基础上采用竞争结构的神经网络决策最优干扰动作,并结合优势函数判断各干扰动作的相对优劣,在此基础上引入无效干扰动作剔除机制加快学习最佳干扰策略.当面对未知的通信抗干扰策略时,该方法能学习到较优的干扰策略.仿真结果...     

基于SDN的工业物联网组播通信框架研究

工业物联网需要提供实时、可扩展的组播通信服务.这要求网络要在给定的时延上界内将数据传递给接收者,同时要能够最大化所承载的应用数.在现有的组播树算法中,单源树算法只关注实时性,共享树算法只关注可扩展性,同时兼顾两者的算法仍有待进一步研究.基于SDN技术,提出了一个面向工业物联网的实时、可扩展的组播通信框架,并为其设计了一个组播树算法——k-DCMO.k-DCMO算法为每个会话构建一棵时延有界开销最小的共享树,能够在保证会话实时性的同时,提升组播的可扩展性.结果表明,k-DCMO算法能够提供共享树算法所不能提供的实时性支持,并且能够获得比单源树算法更好的可扩展性.在实验拓扑中,其开销仅为后者的6.2%.     

基于深度强化学习的智能车辆行为决策研究

自动驾驶车辆决策系统直接影响车辆综合行驶性能,是实现自动驾驶技术需要解决的关键难题之一。基于深度强化学习算法DDPG（deep deterministic policy gradient）,针对此问题提出了一种端到端驾驶行为决策模型。首先,结合驾驶员模型选取自车、道路、干扰车辆等共64维度状态空间信息作为输入数据集对决策模型进行训练,决策模型输出合理的驾驶行为以及控制量,为解决训练测试中的奖励和控制量突变问题,本文改进了DDPG决策模型对决策控制效果进行优化,并在TORCS（the open racing car simulator）平台进行仿真实验验证。结果表明本文提出的决策模型可以根据车辆和环境实时状态信息输出合理的驾驶行为以及控制量,与DDPG模型相比,改进的模型具有更好的控制精度,且车辆横向速度显著减小,车辆舒适性以及车辆稳定性明显改善。     

物联网入侵的最优通信节点选取算法

针对目前传统通信节点选取算法无法进行最优节点精确选取, 无法有效保证物联网的有效通信等问题, 提出一种基于节点信息冗余度的物联网入侵最优通信节点选取算法. 首先构建通信节点转移特征建模, 计算标记网络入侵下的跳频节点和噪音节点; 然后设计通信分布序列分析模型, 计算节点信息冗余度和通信节点的极值, 根据节点信息冗余度计算结果将干扰节点进行排序去除, 根据极值选取最优通信节点; 最后对最优通信节点选取算法进行仿真实验. 实验结果证明, 该算法可快速、 准确地实现物联网入侵下最优节点的选取, 具有较强的抗干扰能力, 且算法的综合性能优于目前其他最优通信节点选取算法.     

物联网入侵的最优通信节点选取算法

针对目前传统通信节点选取算法无法进行最优节点精确选取, 无法有效保证物联网的有效通信等问题, 提出一种基于节点信息冗余度的物联网入侵最优通信节点选取算法. 首先构建通信节点转移特征建模, 计算标记网络入侵下的跳频节点和噪音节点; 然后设计通信分布序列分析模型, 计算节点信息冗余度和通信节点的极值, 根据节点信息冗余度计算结果将干扰节点进行排序去除, 根据极值选取最优通信节点; 最后对最优通信节点选取算法进行仿真实验. 实验结果证明, 该算法可快速、 准确地实现物联网入侵下最优节点的选取, 具有较强的抗干扰能力, 且算法的综合性能优于目前其他最优通信节点选取算法.     

构建安全的通信网络

本文首先探讨了通信网络建设的重要性,然后就通信网络建设过程中可能遇到的困难作了阐述,特别讨论了自然灾害对通信网络可能造成的巨大影响,并给出了相关防御措施。     

基于物联网的电子对抗通信网络信号分类与识别方法

为了提高电子对抗通信网络信号检测识别能力,需要进行信号分类,提出基于物联网的电子对抗通信网络信号分类与识别方法.利用多维传感器采集电子对抗通信网络信号,结合功能传输控制构建电子对抗通信网络信号模型,通过多维参数识别和阵列信号定位方法实现信号特征检测,分析电子对抗通信网络信号的自相关约束参数;通过空间谱密度分析方法,构建...     

好奇心驱动的深度强化学习机器人路径规划算法

针对采用深度强化学习算法实现机器人路径规划任务中,训练前期随机性高导致奖励难获取问题,提出内在好奇心驱动的深度确定性策略梯度算法对连续型动作输出的端到端机器人路径规划进行研究。将环境获取的感知信息作为输入状态,输出机器人动作(线速度、角速度)的连续型控制量,在Gazebo仿真平台进行训练并验证。实验结果表明,基于内在好奇心驱动的深度确定性策略梯度路径规划算法可以较好地实现端到端的机器人路径规划,并且有利于解决训练前期奖励难获取问题,与离散型动作输出的深度Q学习网络模型进行了对比分析,结果表明本文算法决策控制效果更优越。在真实环境中进行了验证,在静态障碍和动态障碍的场景下,所提出算法可成功到达目标点。     

基于改进双延迟深度确定性策略梯度法的无人机反追击机动决策

针对近距空战下的自主机动反追击问题,建立了无人机反追击马尔科夫(Markov)决策过程模型;在此基础上,提出了一种采用深度强化学习的无人机反追击自主机动决策方法.新方法基于经验回放区重构,改进了双延迟深度确定性策略梯度(TD3)算法,通过拟合策略函数与状态动作值函数,生成最优策略网络.仿真实验表明,在随机初始位置/姿态...     

基于RTSJ的物联网智能网关研究

物联网网关发挥着连接传统信息网络与感知网络的重要作用,针对目前人们使用过时的开发手段实现物联网网关软件的设计,提出了一种使用实时Java技术的实现方案。系统以ARM Cortex-A57架构的AMD Opteron 1150处理器为核心构建物联网网关系统硬件平台,采用\"互联网+传感网技术/现场总线\"的组网方案实现有线/无线的数据交互,使用完全兼容RTSJ的WebSphere Real Time开发平台实现物联网网关协议的转换,以及三层网络间通信软件的设计,保障物联网网关的安全实时通信,最后给出了该设计的实现技术和系统验证。结果表明:RTSJ很好地保障了Java语言的实时性,整个物联网智能网关完全符合实时系统应用程序的毫秒级测量精度和所期望的服务质量要求。     

基于DDPG算法的风力发电机变桨距控制研究

风电机组模型的不确定性以及风速等外部干扰严重影响风电机组输出功率的稳定性,基于准确风机参数的传统控制策略难以满足系统控制需求。因此,本文提出一种基于DDPG算法的风机变桨距控制器。借助强化学习仅需与环境交互无需建模的优势,以风机模型为训练环境,功率为奖励目标,变桨角度为输出,采用深度神经网络搭建Actor-Critic单元,训练最优变桨策略。采用阶跃、低湍流、高湍流三种典型风况对算法进行检测。仿真结果表明,不同风况下基于DDPG算法控制器的控制精度、超调量、调节时间等性能均优于传统比例-积分-微分控制器效果。     

基于FL-MADQN算法的NR-V2X车载通信频谱资源分配

针对5G新空口-车联网（New Radio-Vehicle to Everything,NR-V2X）场景下车对基础设施（Vehicle to Infrastructure,V2I）和车对车（Vehicle to Vehicle,V2V）共享上行通信链路的频谱资源分配问题,提出了一种联邦-多智能体深度Q网络（Federated Learning-Multi-Agent Deep Q Network,FL-MADQN）算法.该分布式算法中,每个车辆用户作为一个智能体,根据获取的本地信道状态信息,以网络信道容量最佳为目标函数,采用DQN算法训练学习本地网络模型.采用联邦学习加快以及稳定各智能体网络模型训练的收敛速度,即将各智能体的本地模型上传至基站进行聚合形成全局模型,再将全局模型下发至各智能体更新本地模型.仿真结果表明：与传统分布式多智能体DQN算法相比,所提出的方案具有更快的模型收敛速度,并且当车辆用户数增大时仍然保证V2V链路的通信效率以及V2I链路的信道容量.     

面向工业控制系统的智能安全电机驱动器

为了保护电机的正常运行,驱动器需要相应的安全保护功能。目前的驱动器多数采用欠压、过流、短路等保护电路,当检测到故障时进行相应处理。然而工业控制系统中通常采用的都是多轴联动,在网络控制下,由于内部或外部原因导致单轴或多轴电机的误运行会波及整个系统。为提高工业控制系统的安全性,提出了一种智能安全的电机驱动器,通过硬件层、软件层和网络层三个层次的保护机制来保障电机在工业系统中的安全运行。实践应用表明,该设计方案切实可行,能够在异常情况下保障电机、驱动器和系统的安全运行。     

基于改进DDPG算法的机器人路径规划算法研究

为解决深度强化学习训练时间长、收敛慢的问题,该文针对未知环境下的机器人路径规划,基于深度确定性策略梯度(DDPG)算法,结合人工势场法设计了回报函数.为了符合机器人运动学模型,设计连续的状态和动作空间.采用Python语言,在不同地图下分别使用人工势场法、原始DDP G和该文改进的DDP G算法进行仿真对比实验.改进的...