人工神经网络、支持向量机在物联网及相关领域的应用

### 人工神经网络、支持向量机在物联网及相关领域的应用 #### 1. 基于人工神经网络（ANN）的强化学习方法 基于 ANN 的强化学习（RL）方法可用于获取滥用者或客户端的信息，如位置、数据速率流量等，还能发现无人机的路径。这种方法能有效发现无线滥用者及其网络状况之间的复杂关联，以解决需求问题的优化和资源管理。 #### 2. ANN 在不同场景的应用 ##### 2.1 无人机无线通信中的 ANN 从天空到地面无线设备或滥用者的连接或覆盖是无线传感器网络（WSNs）中的新兴技术。与地面运输相比，低空无人机的无线技术更易应用，且具有弹性重新配置能力，传输频率适合短距离和视距链路。使用高度发达但能源受限的无人机也存在挑战，如优化使用、能源效率、安全、无人机间通信限制和路径选择等。目前，大部分无人机用于数据收集、遥测传输和货物运输，因此需要开发智能和自动化的控制程序来优化无人机的飞行路径。 ANN 在无人机中有两个重要用例： - 基于 ANN 的 RL 模型用于自动化方案决策、路径选择、用户动态环境和资源分配决策。 - 无人机可以绘制地面环境和无线环境，收集信息，利用以 ANN 为中心的方法处理感知信息，并进行数据分析以预测地面滥用者的活动。 ANN 能有效处理与时间相关的记录，是无人机无线通信应用的现实选择。但无人机在部署和设计时面临飞行时间不足、计算能力有限等问题，且收集的数据可能包含错误，影响 ANN 结果的准确性。 ##### 2.2 无线网络中无线虚拟现实（VR）的 ANN 近年来，基于无线技术的行业对虚拟现实非常感兴趣，它在 5G 及下一代网络应用中很重要。如果通过无线连接实施 VR 策略，客户会将跟踪记录发送到基站（BS），BS 分析数据构建 30 度图片并转发给用户。设计无线 VR 网络时，需要考虑高数据速率、跟踪准确性、有效图像压缩和用户体验建模等挑战。 基于 ANN 的机器学习技术可以解决无线 VR 中的许多问题。ANN 能对滥用者的活动进行分类和预测，帮助 BS 进行决策。ANN 还可以开发自组织模型来控制和实现无线 VR 网络，解决自我激励的资源管理等问题。但将 ANN 应用于 VR 也有挑战，如收集的数据可能包含错误，VR 图像大需要大量计算资源等。 ##### 2.3 多种无线电接入技术（RAT）共存中的 ANN 5G 和 6G 网络服务为用户提供多种选择，以处理增加的设备和数据流量。通过创新的物理层（PHY）/媒体访问控制层（MAC）技术和专业的频谱管理可以实现这种增长。5G 和 6G 的关键优势是集成多种不同的射频技术，如认知无线电方案和 LTE - U 设置，这可以提高现有无线电资源的利用率和系统能力，确保可靠的服务，并有助于系统管理。 ANN 可以解决多无线电技术中的各种问题。它可以让基站根据系统基本情况智能选择何时在特定的频率集合上进行广播，还能为多模式基站提供在线发现合适资源管理过程的能力。ANN 通过基于强化学习的机器学习模型，适当重新训练学习机制中的权重，以应对流量的动态变化。 ##### 2.4 物联网（IoT）中的 ANN 物联网是一个异构网络，包含众多与互联网连接的设备，如传感器、可穿戴设备、车辆等。大多数设备通过无线连接自动执行各种活动，收集现实世界的信息以提供用户服务。但物联网设备的合理使用面临安全、有价值数据传输、数据分析、连接性和计算能力等挑战，现有的中央基础通信模型不足以处理如此大规模的连接，因此需要智能的计算模型。 ANN 可以有效解决 WSNs 和物联网中的关键问题。它能让物联网设备从不同设备收集的数据中智能提取关键模式和关联，提高数据压缩和检索能力，减少人与物联网机器之间的交互，预测用户行为。在物联网中使用 ANN 时，需要考虑如