随着5G/B5G的不断发展,无人机在实时数据采集系统中将有广泛应用.利用无人机先给传感器节点进行无线充电,然后传感器节点利用收集到的能量将感知的信息上传无人机,可有效解决户外物联网节点的供电与数据采集问题.然而,由于无人机本身的电量受限,如何在保证无人机充电辅助物联网系统顺利完成新鲜数据采集任务的前提下最小化无人机的能耗至关重要.为此,在满足信息采集新鲜度的要求下,通过联合优化无人机的飞行时间、加速度、转角和传感器节点信息上传和能量收集调度模式,建立无人机能耗最小化优化问题.由于该问题含有整数变量,大规模情况下求解较为困难.因此,首先将其建模为马尔科夫决策过程,然后提出了一种基于DQN(Deep Q Network)的无人机能耗优化算法框架求解,并设计相对应的状态空间、动作空间和奖励函数.仿真结果验证了所提DQN算法的收敛性,同时表明提出的DQN算法比传统的贪婪算法可降低8%~30%的无人机能耗.当传感器个数超过八个时,传统的贪婪算法很难求解,而所提DQN算法仍然能找到最优解.另外,随着AoI(Age of Information)限制值的缩小或传感器数量的增加,无人机的能量消耗会不断地增加,并且由于考虑了转角约束,所提算法优化得到的无人机飞行轨迹会更平滑.
据报道,血压的变化和脉搏波形息息相关,可以利用脉搏特征参数间接估计血压。本文针对无创血压的连续监测提出一种新的预测模型。本研究从脉搏波信号波形图中提取14个特征参数,建立多元线性模型,通过改进的逐步回归算法动态实时估计连续血压,并利用多参数智能监控数据库中6个病人的数据来验证该动态模型。分析实验结果发现,血压估计偏差的均值和方差符合美国医疗器械AAMI标准(5±8 mm Hg),且预测的血压值和提取的血压值呈显著相关。实验表明,利用脉搏波这14个特征参数参数建立的动态模型可以被用来预测连续血压,而且预测正确率较高。
暂无评论