【摘 要】
：
为了提升LoRa自组网的网络吞吐量,提出了一种速率自适应LoRa自组网的AODV优化方法.首先将RBAR速率自适应算法应用于LoRa自组网,使节点在信道质量高时自适应的降低扩频因子(SF
【机 构】
：
武汉大学电子信息学院 武汉430072
论文部分内容阅读
为了提升LoRa自组网的网络吞吐量,提出了一种速率自适应LoRa自组网的AODV优化方法.首先将RBAR速率自适应算法应用于LoRa自组网,使节点在信道质量高时自适应的降低扩频因子(SF),提升数据包传输速率,降低传输时延;然后利用LoRa节点之间的自适应传输速率计算路径时延,在AODV的路由发现过程依据路径时延建立跳数最小且路径时延最低的路由,降低数据包占用信道的时长,提升网络吞吐量.在节点数为20和40的OPNET仿真中,该方法分别使吞吐量提升了13％和20％,表明该方法有效提升了LoRa自组网的网络吞吐量.
其他文献
无论是在智能驾驶系统中,还是在智能导盲系统中,道路标线的检测都是一项重要内容。针对传统斑马线识别方法精度低、速度慢的问题,提出了利用深度可分离卷积网络改进SegNet模型的语义分割方法,通过网络爬虫以及手动数据标注,经过Tensorflow深度学习框架训练,其模拟检测达到了较好的结果。试验结果表明,由自行构建的斑马线数据集,训练后的模型每帧运算速度在59 ms内,对斑马线区域分割的像素精度达98.
针对战车车队行军时反复停车测底盘的温度和压力影响行军速度和安全问题,以及充分采集利用仪表盘信息的需求,研制基于数据实时采集、监测的辅助系统.通过加装传感器和电路采
为了解决人脸识别系统中待检测目标常会受到不同形式遮挡的问题,提出一种基于深度学习的遮挡还原算法。研究复杂环境下的面部遮挡还原算法,首先针对灰度图像利用传统的稀疏表示方法实现面部图像的遮挡恢复,然而,稀疏表示在对象的选择上具有一定的局限性,并且得到的稀疏解有可能会产生目标丢失的问题。因此提出采用基于深度学习改进的对抗神经网络模型算法进行面部图像的遮挡还原。该方法不仅可以弥补稀疏表示法在单一目标选择上