买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉厦门大学申请的专利基于元学习的超参数重加权水声网络介质访问控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116321431B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310298915.4，技术领域涉及：H04W72/02；该发明授权基于元学习的超参数重加权水声网络介质访问控制方法是由陈友淦;卢鸽;万磊;涂申奥;黄伟迪;张文翔;许肖梅设计研发完成，并于2023-03-24向国家知识产权局提交的专利申请。

本基于元学习的超参数重加权水声网络介质访问控制方法在说明书摘要公布了：基于元学习的超参数重加权水声网络介质访问控制方法，涉及水声网络。在单跳水声传感器网络中，设计一个基于双层优化的框架，通过采用基于元学习的算法提高水声数据传输效率。在核心层中，将信息关键度和传输节点剩余能量作为参数引入水声网络，利用元学习对它们的权重进行重加权，得到最优化的权重导入到嵌套层中；在嵌套层中，针对水声数据传输时延大、传输节点能量受限等特点，在介质访问控制中采用Q学习算法，避免数据传输发生碰撞造成的数据损失。将元学习与Q学习相结合，提高了数据传输效率，有效避免传输冲突和数据丢失，降低了水声数据传输的系统能量损耗，增强了水声传感器网络的稳定性。

本发明授权基于元学习的超参数重加权水声网络介质访问控制方法在权利要求书中公布了：1.基于元学习的超参数重加权水声网络介质访问控制方法，其特征在于包括以下步骤： 1考虑一个由随机水声传感器节点布置的水声网络，包括1个信宿节点S和M个传输节点Ti，其中i＝1,2,...,M；信宿节点S在所有传输节点的数据通信范围内；传输节点Ti负责从海洋中感知信息，信宿节点S负责搜集传输节点Ti感知的信息；设每个传输节点Ti的初始能量均为E0；信宿节点S将搜集到的数据进行关键度定级，表示为IK＝1、IK＝2、IK＝3、IK＝4、IK＝5，分别代表“一级、二级、三级、四级、五级”五个信息关键度等级，级别越高关键度越高；用IKi代表传输节点数据的信息关键度，其中i＝1,2,...,M； 2为确保每个传输节点Ti将数据发送给信宿节点S，将信宿节点S搜集数据的过程分为M个时隙；在水声网络应用MAC协议的Q学习算法中，Q矩阵为M×M的矩阵，其中行号代表传输节点Ti的序号，列号代表时隙序号；每个传输节点Ti内部只需储存选择时隙的一行子矩阵；初始Q矩阵为零矩阵，最大迭代次数为K； 3r代表s号传输节点占用a号时隙向信宿节点S发送数据时的奖励，其公式定义为： r＝-g-β1eMm+β2kMm2 β1+β2＝15 其中，g代表持续惩罚；Em代表传输节点Ti的剩余能量，eMm代表传输节点Ti剩余能量的奖励，β1代表剩余能量的权重；kMm代表信息关键度的奖励，β2代表信息关键度的权重； 4设计一个双层优化框架，在核心层中采用梯度下降的方法； 在元学习中，根据先验知识决定β1与传输节点剩余能量Em之间关系的线性函数，即权重函数表示为 其中，参数A和B为常数，统称为超参数元学习的损失函数l定义如下，通过梯度下降方法寻求一系列的备选参数以实现超参数的自我优化： 其中，N代表元数据个数，为一次优化后预测的β1值，θi为实际的β1值，其梯度如下： 设置以及学习率ε，梯度下降表示为： 以此类推，得到一系列备选参数λ1，λ2，λ3，....，λN； 5在嵌套层中，将核心层中得到的备选参数代入Q学习的损失函数L，计算使得损失函数L达到最小值的超参数即： 设传输节点Ti的剩余能量为Em1、Em2、Em3时Q学习奖励函数β1值对应着 将Em1、Em2、Em3分别代入备选参数λ1的权重函数中，分别得到Q学习奖励函数β1值 进而，损失函数计算得到的值即为权重函数中备选参数λ1的损失值； 同理，将Em1、Em2、Em3分别代入备选参数λi的权重函数中，得到权重函数中备选参数λi的损失值Li；在L1、L2、……、LN中选出使Li最小所对应的备选参数λi，即为表现最好的权重函数超参数，记为

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人厦门大学，其通讯地址为：361005 福建省厦门市思明区思明南路422号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。