智能无线声传感器网络多层耗能模型附matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

内容介绍

智能传感技术预计将成为智能城市和近期环境中的普遍技术。由于集成设备尺寸缩小,同时又保持其计算能力,这些服务正在提高其能力,这些设备可以运行各种机器学习算法,并在各种数据处理任务中实现高性能。一种可用于智能传感的有吸引力的传感器方式是声传感器,它可以在保持中等能耗的情况下传递高信息量的数据。不幸的是,目前无线传感器网络的能量预算通常不足以满足标准麦克风的要求。因此,需要提高各层次----传感、信号处理和通信----的能源效率,以便将无线智能声学传感器推向市场。为了实现这一目标,本文介绍了一种用于无线声传感器网络的能量消耗模型,其目的是帮助开发新技术,以提高智能无线声传感器的能源效率。该模型为智能无线声传感器的定制设计提供了第一步探索,也可用于比较不同协议的能耗。也可用于比较不同协议的能耗.也可用于比较不同协议的能耗.

部分代码

% ----------------------------------------------------------------------%  Script which estimates the energy consumption, battery lifetime and%  needed computational resource of a smart audio sensor chain. %  The chain includes sensing, processing and wireless communication. %%  The model is fully described in the following paper:%   G. Dekkers, F. Rosas, S. Lauwereins, S. Rajendran, S. Pollin, B. Vanrumste, T. van Waterschoot, M. Verhelst and Peter Karsmakers, %   揂 multi-layered energy consumption model for smart wireless acoustic sensor networks,?KU Leuven, Tech. Rep., December 2018.%  Please refer to this paper when using this model for your research.%%  Authors: %   Gert Dekkers, KU Leuven%   Fernando Rosas, Imperial College London% ----------------------------------------------------------------------​clc; clear;addpath(genpath(pwd))​%% Code for acquiring energy consumption for a single estimate (network node)verbose = 1; %0: show final output, 1: show all​% -- Init system -- %% define setupgen.method = 'default'; % name of the general config file sens.method = 'default'; % name of sensing config file% proc{1}.method = 'ADC';proc{1}.method = 'FE/framelogMel'; % name of the first processing chain (typically FE). if no FE => 'FE/ADC'proc{2}.method = 'NN/CNN_1D_example'; % name of second processing chain (typically classifier) or remove linecomm.method = 'default'; % name of communication config file% get general paramgen = general_loadparam(gen.method,[]); % get general parameters (fs, 礐, ..)​% -- Sensing layer -- %if verbose, disp('%%%% Sensing %%%%'); end;sens.conf = sensing_loadparam(sens.method, [], gen); % get sensing parameters[sens.cons, sens.os] = sensing_consumption(sens.conf, gen); % [mJ]​% -- Processing layer -- %input_shape = sens.os; prev_chain = []; E_proc = []; name_proc = cell(0); %init as empty at first runfor p=1:length(proc) % for each processing chain    if verbose, disp(['%%%% Processing layer: ' proc{p}.method ' %%%%']); end;    % get values    proc{p}.conf = proc_loadparam(proc{p}.method, [], input_shape, gen); % get params    [proc{p}.os, proc{p}.ops, proc{p}.par] = proc_info(proc{p}.conf, gen, input_shape,verbose); % get output shape, ops and nr. parameters    [proc{p}.ma, proc{p}.ms_o, proc{p}.ms_p] = memo_acc_stor(proc{p}.os, proc{p}.par, proc{p}.ops, proc{p}.conf, prev_chain, gen,verbose); % get memory used in storing ops/params    [proc{p}.cons.all,proc{p}.cons.op,proc{p}.cons.ms_o,proc{p}.cons.ms_p,proc{p}.cons.ma] = bits_to_energy(proc{p}.ma, proc{p}.ms_o, proc{p}.ms_p, proc{p}.ops, gen); % energy consumption    % keep from previous chain    input_shape = proc{p}.os(end,:);    prev_chain = proc{p}.conf;end​% -- Communication layer -- %if verbose, disp('%%%% Communication %%%%'); end;comm.conf = comm_loadparam(comm.method,[],gen); % get comm paramscomm.conf.N_T = prod(input_shape)*gen.S; % informative bits to communicatecomm.conf.N_R = 0; % informative bits to receivecomm.cons = sum(comm_consumption(comm.conf,sens.conf,gen)); ​% -- Final output -- %fc = prep_chain_info(sens,proc,comm,gen); % get everything in proper format to plot/printprint_chain_info(fc) % Print energy distribution of the full sensor networkplot_energy_proc(proc) % Plot energy distribution of particular layers in the processing chainprint_mem_cycle(proc,gen) % Print needed cycli/s and mem storage

⛳️ 运行结果

参考文献

G. Dekkers, F. Rosas, S. Lauwereins, S. Rajendran, S. Pollin, B. Vanrumste, T. van Waterschoot, M. Verhelst and P. Karsmakers, “A multi-layered energy consumption model for smart wireless acoustic sensor networks,” KU Leuven, Tech. Rep., December 2018.

部分理论引用网络文献，若有侵权联系博主删除

 关注我领取海量matlab电子书和数学建模资料

 私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合