针对通过无线通信网络实现远程控制的地面无人系统,分析了地面无人系统在工作的过程中,网络时延对系统的影响。基于网络时延的分布特性,提出了一种贝叶斯算法(Bayesian algorithm,BO)优化的长短期记忆(long-term and short-term memory,...针对通过无线通信网络实现远程控制的地面无人系统,分析了地面无人系统在工作的过程中,网络时延对系统的影响。基于网络时延的分布特性,提出了一种贝叶斯算法(Bayesian algorithm,BO)优化的长短期记忆(long-term and short-term memory,LSTM)神经网络时延预测模型,在Matlab软件中搭建了该模型,并通过网络时延训练集数据对模型进行了训练,在网络时延测试集数据上对训练好的模型进行了测试,最后,就R2、RMSE和MAE评价指标对测试效果和GRU、BO-GRU以及LSTM预测方法进行了对比,结果表明,BO算法优化的LSTM神经网络时延预测模型RMSE和MAE评价结果更低,预测精度更高,预测效果更好,验证了提出的网络时延预测模型的有效性。展开更多
文摘针对通过无线通信网络实现远程控制的地面无人系统,分析了地面无人系统在工作的过程中,网络时延对系统的影响。基于网络时延的分布特性,提出了一种贝叶斯算法(Bayesian algorithm,BO)优化的长短期记忆(long-term and short-term memory,LSTM)神经网络时延预测模型,在Matlab软件中搭建了该模型,并通过网络时延训练集数据对模型进行了训练,在网络时延测试集数据上对训练好的模型进行了测试,最后,就R2、RMSE和MAE评价指标对测试效果和GRU、BO-GRU以及LSTM预测方法进行了对比,结果表明,BO算法优化的LSTM神经网络时延预测模型RMSE和MAE评价结果更低,预测精度更高,预测效果更好,验证了提出的网络时延预测模型的有效性。