CNN-LSTM资源分配模型

边缘自主调参

通过CNN-LSTM结合TinyML，实现LoRaWAN网络中扩频因子和发射功率的最优分配，提升包成功率和能效。

Lodhi, Muhammad Ali · 孙小兵 · Mahmood, Khalid · Anum, Lodhi · Park, Young Ho · Majid, Hussain

IEEE Internet of Things Journal 2025

技术优势

边缘端能自主调参

TinyML模型部署在边缘设备，在资源受限和断连场景下仍可本地调整扩频因子和发射功率，无需实时依赖服务器。

包成功率能提升

CNN-LSTM模型从实时数据中捕捉空间和时间模式，预测最优传输参数，从而提高包成功率。

能效最大化

通过优化扩频因子和发射功率，降低不必要的能耗，最大化网络能效。

应用场景

• LPWAN网络资源管理：用CNN-LSTM模型实时预测最优扩频因子和发射功率，提升网络资源利用率。
• 边缘智能终端：在边缘设备部署TinyML模型，实现本地自主调参，减少对服务器的依赖。
• 低功耗物联网设备：通过优化传输参数降低能耗，适合低功耗物联网设备长期运行。