物联网数据交互方法及系统

技术领域

本发明涉及物联网技术领域，尤其涉及物联网数据交互方法及系统。

背景技术

物联网是一种新兴的技术领域，它涉及将各种物理设备、传感器、汽车、家电等连接到互联网，以实现数据的实时交互、监测、控制和分析。这个领域涵盖了硬件、软件、通信协议、数据分析等多个方面，旨在实现设备之间的互联互通，以提高效率、安全性、便利性和自动化程度。

其中，物联网数据交互方法指的是在物联网中，设备和传感器之间以及设备与云服务器之间的数据交换和通信方式。这包括数据的采集、传输、存储、处理和分析等环节，以确保设备可以互相协作，实现实时数据共享和远程控制。其主要目的在于确保设备之间实现互联互通，以提高效率、安全性、便利性和自动化程度。方法包括设备和传感器之间的实时连接，以及设备与云服务器之间的数据传输。这样的交互方式使得设备可以实时监测物理世界的变化，进行数据分析和洞察，远程管理和维护，以及资源优化。通常，这些方法通过各种通信技术（如Wi-Fi、蓝牙、Zigbee、LoRa等）来实现设备之间的连接，数据采集和传输，然后在云服务器或数据中心中进行数据存储和处理，并通过应用程序或网络界面让用户能够访问数据、进行监测、控制和分析。物联网数据交互方法的核心目标是实现智能化、远程化和数据驱动的物联网生态系统。

现有的物联网数据交互方法往往过于依赖固定的传输路径和通信协议，缺乏动态性和适应性。这不仅可能导致数据传输的低效率和高延迟，还可能增加数据传输的成本。此外，没有进行有效的边缘计算和数据融合，使得大量冗余的和不完整的数据被传输至云端，增加了计算和存储的压力，也可能导致数据的误解。现有方法中对数据传输策略的考虑也相对单一，没有考虑到网络环境的动态变化，容易导致数据丢失和传输失败。而对时间-空间数据的关联性分析也通常被忽视，没有充分发挥数据的价值和潜力。

发明内容

本发明的目的是解决现有技术中存在的缺点，而提出的物联网数据交互方法及系统。

为了实现上述目的，本发明采用了如下技术方案：物联网数据交互方法，包括以下步骤：

S1：基于物联网设备数据，采用最短路径算法，评估数据传输路径的性能，生成初步路由表；

S2：基于所述初步路由表，利用贝叶斯决策理论，动态选择合适的通信协议，得到优化后的路由和协议配置表；

S3：根据所述优化后的路由和协议配置表，采用快速傅里叶变换对数据进行边缘计算处理，生成边缘计算结果集和待传输云端数据包；

S4：利用卷积神经网络对所述边缘计算结果集进行多模态数据融合，得到融合后的边缘数据；

S5：基于所述融合后的边缘数据，采用强化学习算法进行协同学习优化数据传输，得到协同优化的数据传输策略；

S6：结合所述协同优化的数据传输策略，采用关联规则挖掘算法进行时间-空间数据关联性分析，生成最终优化后的数据传输计划。

作为本发明的进一步方案，基于物联网设备数据，采用最短路径算法，评估数据传输路径的性能，生成初步路由表的步骤具体为：

S101：采用节点探测法，收集物联网设备的地理位置和网络拓扑信息，得到网络拓扑图；

S102：基于所述网络拓扑图，采用最短路径算法，评估从源节点到目的节点的路径，得到节点间的最短路径表；

S103：基于所述节点间的最短路径表，采用延时计算方法，评估路径的通信延时和成本，得到通信路径性能表；

S104：基于所述通信路径性能表，采用路径选择算法，选择性能最优的路径，生成初步路由表。

作为本发明的进一步方案，基于所述初步路由表，利用贝叶斯决策理论，动态选择合适的通信协议，得到优化后的路由和协议配置表的步骤具体为：

S201：基于所述初步路由表，采用数据采样方法，搜集过去的通信数据和错误率，得到历史通信数据表；

S202：基于所述历史通信数据表，采用贝叶斯统计模型，评估通信协议的适用性，得到通信协议适用性表；

S203：基于所述通信协议适用性表，采用决策树算法，动态选择最适宜的通信协议，得到优化通信协议；

S204：基于所述优化通信协议和初步路由表，采用合并策略法，生成优化后的路由和协议配置表。

作为本发明的进一步方案，根据所述优化后的路由和协议配置表，采用快速傅里叶变换对数据进行边缘计算处理，生成边缘计算结果集和待传输云端数据包的步骤具体为：

S301：基于所述优化后的路由和协议配置表，采用数据流截取方法，采集待处理的物联网设备数据，得到原始数据集；

S302：基于所述原始数据集，采用小波变换法，进行数据的预处理，包括滤波和去噪，得到预处理数据集；

S303：基于所述预处理数据集，采用快速傅里叶变换法，实现边缘计算，生成边缘计算结果集和待传输云端数据包；

S304：基于所述边缘计算结果集和待传输云端数据包，采用数据打包方法，按照优化后的路由和协议配置表进行分发，完成边缘计算数据分发。

作为本发明的进一步方案，利用卷积神经网络对所述边缘计算结果集进行多模态数据融合，得到融合后的边缘数据的步骤具体为：

S401：基于所述边缘计算结果集，采用数据标准化方法，对多模态数据进行预处理，生成标准化的多模态数据集；

S402：基于所述标准化的多模态数据集，采用特征提取算法，抽取关键信息特征，得到关键特征数据集；

S403：基于所述关键特征数据集，设计卷积神经网络结构以进行多模态数据融合，得到CNN模型结构；

S404：基于所述CNN模型结构，对关键特征数据集进行训练并实施融合，得到融合后的边缘数据。

作为本发明的进一步方案，基于所述融合后的边缘数据，采用强化学习算法进行协同学习优化数据传输，得到协同优化的数据传输策略的步骤具体为：

S501：基于所述融合后的边缘数据，定义强化学习的状态、动作与奖励机制，得到强化学习环境定义；

S502：基于所述强化学习环境定义，采用Q-学习算法进行初步学习，生成初步策略网络；

S503：基于所述初步策略网络，进行策略迭代，对数据传输进行持续优化，得到优化的策略网络；

S504：基于所述优化的策略网络，评估数据传输的效率与准确性，得到协同优化的数据传输策略。

作为本发明的进一步方案，结合所述协同优化的数据传输策略，采用关联规则挖掘算法进行时间-空间数据关联性分析，生成最终优化后的数据传输计划的步骤具体为：

S601：基于所述协同优化的数据传输策略，进行数据预处理，得到预处理后的数据集；

S602：基于所述预处理后的数据集，采用Apriori算法，生成初步的关联规则，得到初步关联规则集；

S603：基于所述初步关联规则集，采用置信度与支持度过滤方法，筛选高关联规则，得到高关联规则集；

S604：基于所述高关联规则集，结合时间-空间数据特点，进行深度的关联性分析，生成最终优化后的数据传输计划。

物联网数据交互系统用于执行上述物联网数据交互方法，所述物联网数据交互系统包括路由优化模块、协议选择模块、边缘计算模块、数据融合模块、数据传输优化模块。

作为本发明的进一步方案，所述路由优化模块基于物联网设备信息，采用节点探测法收集网络拓扑，使用最短路径算法，进行路径评估，生成初步路由表；

所述协议选择模块基于初步路由表，采用数据采样方法搜集通信数据，采用贝叶斯统计模型评估通信协议适用性，生成优化后的路由和协议配置表；

所述边缘计算模块基于优化后的路由和协议配置表，采用数据流截取方法采集设备数据，使用快速傅里叶变换法，进行边缘计算，生成边缘计算结果集和待传输云端数据包；

所述数据融合模块基于边缘计算结果集，采用数据标准化方法进行预处理，利用卷积神经网络结构进行数据融合，得到融合后的边缘数据；

所述数据传输优化模块基于融合后的边缘数据，定义强化学习环境，通过Q-学习算法优化数据传输，生成协同优化的数据传输策略。

作为本发明的进一步方案，所述路由优化模块包括节点探测子模块、路径评估子模块、延时计算子模块、路径选择子模块；

所述协议选择模块包括数据采样子模块、贝叶斯评估子模块、决策树选择子模块、合并策略子模块；

所述边缘计算模块包括数据截取子模块、数据预处理子模块、边缘计算子模块、数据分发子模块；

所述数据融合模块包括数据标准化子模块、特征提取子模块、网络设计子模块、数据融合子模块；

所述数据传输优化模块包括强化学习环境定义子模块、Q-学习子模块、策略迭代子模块、数据传输评估子模块。

与现有技术相比，本发明的优点和积极效果在于：

本发明中，通过最短路径算法更高效地评估数据传输路径，保证数据传输的高效率与低延迟。贝叶斯决策理论则提供了一种灵活的通信协议选择机制，使得通信更加稳定和经济。边缘计算通过快速傅里叶变换为云计算卸载了部分计算任务，减少了数据的冗余度并提高了传输效率。利用卷积神经网络进行数据融合，增强了数据的完整性和准确性，确保了数据的高质量。强化学习算法的应用，使得数据传输策略更为智能和自适应，降低了因网络波动带来的数据丢失率。通过关联规则挖掘算法，实现了对时间-空间数据的深度关联性分析，进一步完善了数据传输的策略和计划。

附图说明

图1为本发明的工作流程示意图；

图2为本发明的S1细化流程图；

图3为本发明的S2细化流程图；

图4为本发明的S3细化流程图；

图5为本发明的S4细化流程图；

图6为本发明的S5细化流程图；

图7为本发明的S6细化流程图；

图8为本发明的系统流程图；

图9为本发明的系统框架示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

实施例一：请参阅图1，本发明提供一种技术方案：物联网数据交互方法，包括以下步骤：

S1：基于物联网设备数据，采用最短路径算法，评估数据传输路径的性能，生成初步路由表；

S2：基于初步路由表，利用贝叶斯决策理论，动态选择合适的通信协议，得到优化后的路由和协议配置表；

S3：根据优化后的路由和协议配置表，采用快速傅里叶变换对数据进行边缘计算处理，生成边缘计算结果集和待传输云端数据包；

S4：利用卷积神经网络对边缘计算结果集进行多模态数据融合，得到融合后的边缘数据；

S5：基于融合后的边缘数据，采用强化学习算法进行协同学习优化数据传输，得到协同优化的数据传输策略；

S6：结合协同优化的数据传输策略，采用关联规则挖掘算法进行时间-空间数据关联性分析，生成最终优化后的数据传输计划。

首先，在S1步骤中，通过最短路径算法评估数据传输路径，可以减少数据传输的时延和能源消耗，提高了数据传输的效率。这有助于确保数据的及时性和可靠性。

接着，在S2步骤中，采用贝叶斯决策理论动态选择通信协议，可根据实际网络条件和设备性能来优化通信方式。这使得数据传输更加适应不断变化的环境，提高了网络的适应性和稳定性。

S3步骤中的快速傅里叶变换和边缘计算可在设备端高效处理数据，减少了对中央服务器的依赖，从而减少了数据传输的压力和成本。这有助于提高数据处理速度和降低能源消耗。

在S4步骤中，卷积神经网络用于多模态数据融合，使得不同传感器的数据可以有效地结合，提供更丰富和全面的信息，有助于提高数据分析和决策的质量。

在S5步骤中，采用强化学习算法进行协同学习优化数据传输，设备可以根据彼此的行为和性能共同学习和优化数据传输策略。这使得网络可以自适应地提供最佳的传输模式，提高了网络的智能性和效率。

最后，在S6步骤中，通过关联规则挖掘算法进行时间-空间数据关联性分析，可以发现数据之间的关联规律，从而更好地规划数据传输计划。这有助于提高数据的相关性和利用价值。

请参阅图2，基于物联网设备数据，采用最短路径算法，评估数据传输路径的性能，生成初步路由表的步骤具体为：

S101：采用节点探测法，收集物联网设备的地理位置和网络拓扑信息，得到网络拓扑图；

S102：基于网络拓扑图，采用最短路径算法，评估从源节点到目的节点的路径，得到节点间的最短路径表；

S103：基于节点间的最短路径表，采用延时计算方法，评估路径的通信延时和成本，得到通信路径性能表；

S104：基于通信路径性能表，采用路径选择算法，选择性能最优的路径，生成初步路由表。

首先，在S101步骤中，采用节点探测法来收集物联网设备的地理位置和网络拓扑信息。这有益于构建准确的网络拓扑图，使得后续的路由计算能够基于实际设备位置和连接关系，而不是基于理论或静态信息。这有助于提高路由表的准确性和实用性。

接着，在S102步骤中，基于网络拓扑图采用最短路径算法来评估从源节点到目的节点的路径。这一步骤的有益效果在于可以快速计算出最短路径，减少了数据传输的时延和能源消耗。这有助于确保数据传输的效率和快速响应。

在S103步骤中，采用延时计算方法评估路径的通信延时和成本。这有益于综合考虑路径性能的多个因素，不仅关注路径长度，还关注通信质量和成本。通过考虑延时和成本，可以更好地权衡路由选择，确保数据传输既快速又经济。

最后，在S104步骤中，基于通信路径性能表采用路径选择算法，选择性能最优的路径，生成初步路由表。这一步骤的有益效果在于确保数据传输的高性能，使数据在网络中以最佳方式流动，提高了整个物联网系统的效率。

请参阅图3，基于初步路由表，利用贝叶斯决策理论，动态选择合适的通信协议，得到优化后的路由和协议配置表的步骤具体为：

S201：基于初步路由表，采用数据采样方法，搜集过去的通信数据和错误率，得到历史通信数据表；

S202：基于历史通信数据表，采用贝叶斯统计模型，评估通信协议的适用性，得到通信协议适用性表；

S203：基于通信协议适用性表，采用决策树算法，动态选择最适宜的通信协议，得到优化通信协议；

S204：基于优化通信协议和初步路由表，采用合并策略法，生成优化后的路由和协议配置表。

首先，在S201步骤中，通过数据采样方法搜集过去的通信数据和错误率，得到历史通信数据表。这有益于建立对过去通信性能的准确了解，允许根据实际通信历史来做出决策。这有助于更好地适应实际通信环境的变化。

接着，在S202步骤中，采用贝叶斯统计模型评估通信协议的适用性，得到通信协议适用性表。这一步骤的有益效果在于可以根据历史数据和统计模型来估计不同协议的性能，以更准确地选择适用的协议。这有助于提高通信质量和稳定性。

在S203步骤中，采用决策树算法动态选择最适宜的通信协议。这有益于根据实时通信需求和协议适用性来做出决策，从而确保在每个通信情境下选择最佳的协议。这有助于提高通信效率和适应性。

最后，在S204步骤中，基于优化通信协议和初步路由表采用合并策略法生成优化后的路由和协议配置表。这一步骤的有益效果在于整合协议选择和路由优化，确保数据传输在整个网络中以最佳方式进行。这有助于提高网络性能和响应速度。

请参阅图4，根据优化后的路由和协议配置表，采用快速傅里叶变换对数据进行边缘计算处理，生成边缘计算结果集和待传输云端数据包的步骤具体为：

S301：基于优化后的路由和协议配置表，采用数据流截取方法，采集待处理的物联网设备数据，得到原始数据集；

S302：基于原始数据集，采用小波变换法，进行数据的预处理，包括滤波和去噪，得到预处理数据集；

S303：基于预处理数据集，采用快速傅里叶变换法，实现边缘计算，生成边缘计算结果集和待传输云端数据包；

S304：基于边缘计算结果集和待传输云端数据包，采用数据打包方法，按照优化后的路由和协议配置表进行分发，完成边缘计算数据分发。

首先，在S301步骤中，通过数据流截取方法采集待处理的物联网设备数据，得到原始数据集。这有益于确保系统能够及时捕获和处理来自设备的实时数据。这是保障实时性和数据准确性的关键一步。

接着，在S302步骤中，采用小波变换法对原始数据进行预处理，包括滤波和去噪。这有益于提高数据的质量和稳定性，减少了在边缘计算阶段的不确定性和误差。这有助于提高数据分析和计算的准确性。

在S303步骤中，基于预处理数据集，采用快速傅里叶变换法进行边缘计算，生成边缘计算结果集和待传输云端数据包。这一步骤的有益效果在于将计算推向设备端，减少了对中央服务器的依赖，降低了数据传输的压力和成本。同时，边缘计算能够快速生成有用的计算结果，提高了响应速度。

最后，在S304步骤中，基于边缘计算结果集和待传输云端数据包，采用数据打包方法，按照优化后的路由和协议配置表进行分发。这有益于根据网络配置和性能需求，以最佳方式传输数据。这有助于提高数据传输效率和可靠性。

请参阅图5，利用卷积神经网络对边缘计算结果集进行多模态数据融合，得到融合后的边缘数据的步骤具体为：

S401：基于边缘计算结果集，采用数据标准化方法，对多模态数据进行预处理，生成标准化的多模态数据集；

S402：基于标准化的多模态数据集，采用特征提取算法，抽取关键信息特征，得到关键特征数据集；

S403：基于关键特征数据集，设计卷积神经网络结构以进行多模态数据融合，得到CNN模型结构；

S404：基于CNN模型结构，对关键特征数据集进行训练并实施融合，得到融合后的边缘数据。

首先，在S401步骤中，通过数据标准化方法对多模态数据进行预处理，生成标准化的多模态数据集。这有益于确保不同模态的数据具有一致的数据格式和范围，以便进行有效的特征提取和融合。数据标准化有助于提高数据的一致性和可比性。

接着，在S402步骤中，采用特征提取算法从标准化的多模态数据集中抽取关键信息特征，得到关键特征数据集。这有益于减少数据的冗余性，提取最相关的信息，为后续的多模态数据融合提供更有用的数据。

在S403步骤中，设计卷积神经网络结构以进行多模态数据融合，得到CNN模型结构。这一步骤的有益效果在于可以充分利用深度学习技术，处理多模态数据的复杂关系，提高了数据融合的效率和准确性。

最后，在S404步骤中，基于CNN模型结构对关键特征数据集进行训练并实施融合，得到融合后的边缘数据。这有益于将不同模态的信息相结合，从而获得更综合和丰富的数据表达。这有助于提高数据的信息密度和质量。

请参阅图6，基于融合后的边缘数据，采用强化学习算法进行协同学习优化数据传输，得到协同优化的数据传输策略的步骤具体为：

S501：基于融合后的边缘数据，定义强化学习的状态、动作与奖励机制，得到强化学习环境定义；

S502：基于强化学习环境定义，采用Q-学习算法进行初步学习，生成初步策略网络；

S503：基于初步策略网络，进行策略迭代，对数据传输进行持续优化，得到优化的策略网络；

S504：基于优化的策略网络，评估数据传输的效率与准确性，得到协同优化的数据传输策略。

首先，在S501步骤中，基于融合后的边缘数据，定义强化学习的状态、动作与奖励机制，得到强化学习环境的定义。这有益于建立一个清晰的问题描述和学习框架，以便强化学习算法能够理解数据传输的目标和限制。这有助于确保学习过程能够有效进行。

接着，在S502步骤中，采用Q-学习算法进行初步学习，生成初步策略网络。这一步骤的有益效果在于可以开始探索数据传输策略的可能性，并根据奖励机制来优化决策。这是强化学习的初始阶段，用于建立学习基础。

在S503步骤中，基于初步策略网络，进行策略迭代，对数据传输进行持续优化，得到优化的策略网络。这一步骤的有益效果在于可以通过不断的学习和改进来提高数据传输策略的效率和性能。策略的迭代有助于不断适应不同的通信环境和数据需求。

最后，在S504步骤中，基于优化的策略网络，评估数据传输的效率与准确性，得到协同优化的数据传输策略。这有益于生成最佳的数据传输策略，以满足物联网系统的性能要求，并优化数据传输的速度和质量。

请参阅图7，结合协同优化的数据传输策略，采用关联规则挖掘算法进行时间-空间数据关联性分析，生成最终优化后的数据传输计划的步骤具体为：

S601：基于协同优化的数据传输策略，进行数据预处理，得到预处理后的数据集；

S602：基于预处理后的数据集，采用Apriori算法，生成初步的关联规则，得到初步关联规则集；

S603：基于初步关联规则集，采用置信度与支持度过滤方法，筛选高关联规则，得到高关联规则集；

S604：基于高关联规则集，结合时间-空间数据特点，进行深度的关联性分析，生成最终优化后的数据传输计划。

首先，在S601步骤中，基于协同优化的数据传输策略进行数据预处理，得到预处理后的数据集。这有益于确保数据集具有一致性和可用性，以便进行关联规则挖掘。数据预处理可以包括数据清洗、去重和格式化等操作，以提高数据的质量和可用性。

接着，在S602步骤中，采用Apriori算法生成初步的关联规则，得到初步关联规则集。这一步骤有助于发现数据之间的潜在关联性，了解数据项之间的频繁组合。初步的关联规则可以作为进一步筛选和优化的基础。

在S603步骤中，基于初步关联规则集，采用置信度与支持度过滤方法，筛选出高置信度和高支持度的关联规则，得到高关联规则集。这有益于排除不太相关或不太重要的规则，提高分析的精确性和效率。

最后，在S604步骤中，基于高关联规则集，结合时间-空间数据特点，进行深度的关联性分析，生成最终优化后的数据传输计划。这一步骤有助于将数据传输计划与时间和空间因素相结合，以更好地满足实际需求。通过分析数据项之间的关联性，可以更好地安排数据传输的时间和位置，提高传输效率和资源利用率。

请参阅图8，物联网数据交互系统用于执行上述物联网数据交互方法，物联网数据交互系统包括路由优化模块、协议选择模块、边缘计算模块、数据融合模块、数据传输优化模块。

路由优化模块基于物联网设备信息，采用节点探测法收集网络拓扑，使用最短路径算法，进行路径评估，生成初步路由表；

协议选择模块基于初步路由表，采用数据采样方法搜集通信数据，采用贝叶斯统计模型评估通信协议适用性，生成优化后的路由和协议配置表；

边缘计算模块基于优化后的路由和协议配置表，采用数据流截取方法采集设备数据，使用快速傅里叶变换法，进行边缘计算，生成边缘计算结果集和待传输云端数据包；

数据融合模块基于边缘计算结果集，采用数据标准化方法进行预处理，利用卷积神经网络结构进行数据融合，得到融合后的边缘数据；

数据传输优化模块基于融合后的边缘数据，定义强化学习环境，通过Q-学习算法优化数据传输，生成协同优化的数据传输策略。

首先，路由优化模块的实施通过采用节点探测法、网络拓扑的收集以及最短路径算法的应用，可以大幅提升数据传输的效率。通过生成初步路由表，系统可以更有效地确定数据的传输路径，减少数据传输的延迟和网络拥塞，从而提高了数据传输的稳定性和可靠性。

其次，协议选择模块的实施帮助系统动态地选择最适合的通信协议。基于贝叶斯统计模型的评估方法，系统可以根据当前网络环境和设备需求来选择最合适的通信协议，从而降低了通信开销，并提高了通信的质量和效率。

边缘计算模块的应用允许系统在物联网设备附近进行数据处理，减少了数据传输到云端的需求。使用快速傅里叶变换等方法进行边缘计算，可以更快地生成计算结果，减少了数据传输的延迟，降低了带宽占用，提高了实时性。

接下来，数据融合模块的实施通过数据标准化和卷积神经网络的应用，将来自不同设备的数据融合为一体。这有助于消除数据的不一致性，提高了数据的一致性和可用性，使得后续的数据处理更加准确和有效。

最后，数据传输优化模块的实施通过定义强化学习环境和使用Q-学习算法，可以不断地优化数据传输策略。这意味着系统能够根据实际情况自动调整数据传输的参数和策略，以适应不断变化的网络环境和需求，从而最大化数据传输的效率和资源利用率。

请参阅图9，路由优化模块包括节点探测子模块、路径评估子模块、延时计算子模块、路径选择子模块；

协议选择模块包括数据采样子模块、贝叶斯评估子模块、决策树选择子模块、合并策略子模块；

边缘计算模块包括数据截取子模块、数据预处理子模块、边缘计算子模块、数据分发子模块；

数据融合模块包括数据标准化子模块、特征提取子模块、网络设计子模块、数据融合子模块；

数据传输优化模块包括强化学习环境定义子模块、Q-学习子模块、策略迭代子模块、数据传输评估子模块。

路由优化模块：

节点探测子模块：通过节点探测法收集网络拓扑，可以实现对物联网设备位置和连接信息的准确掌握，提高了网络的可管理性和可维护性。

路径评估子模块：使用最短路径算法进行路径评估，有助于减少数据传输的延迟，确保数据快速到达目的地，提高了数据传输的效率和稳定性。

延时计算子模块：进行延时计算可以帮助系统更好地了解网络中的数据传输时延，优化路由选择，从而提高了数据传输的实时性和质量。

路径选择子模块：路径选择子模块的应用有助于根据路径评估结果选择最佳的数据传输路径，降低了网络拥塞风险，提高了数据传输的可靠性。

协议选择模块：

数据采样子模块：通过数据采样可以实时了解网络中的通信数据，为协议选择提供了实际的数据支持，有助于系统根据数据量和需求动态选择通信协议。

贝叶斯评估子模块：使用贝叶斯统计模型评估通信协议适用性，可以根据实际情况推断最适合的协议，提高了通信的智能性和适应性。

决策树选择子模块：决策树选择子模块的应用有助于系统基于多个因素（如带宽、延迟等）进行决策，以选择最优的通信协议。

合并策略子模块：合并策略子模块的实施可以将不同的协议选择策略融合在一起，提高了系统的灵活性和决策性能。

边缘计算模块：

数据截取子模块：通过数据截取，系统可以捕获物联网设备生成的数据，减少了不必要的数据传输，降低了网络负载。

数据预处理子模块：数据预处理有助于清理和规范数据，提高了数据的质量和可用性，减少了后续计算的误差。

边缘计算子模块：边缘计算能够在物联网设备附近进行实时数据处理，减少了数据传输到云端的需求，提高了实时性和效率。

数据分发子模块：数据分发子模块有助于将处理后的数据传输到正确的目的地，确保数据按需传输，减少了网络拥塞风险。

数据融合模块：

数据标准化子模块：数据标准化有助于确保不同来源的数据具有一致的格式和单位，为后续的数据融合提供了一致的数据基础。

特征提取子模块：特征提取有助于从数据中提取关键信息，减少了数据的维度，提高了后续处理的效率和准确性。

网络设计子模块：网络设计子模块可以帮助系统构建卷积神经网络等结构，以更好地进行多模态数据融合。

数据融合子模块：数据融合子模块的实施使得系统能够将不同来源的数据融合为一体，提供更丰富和全面的数据表达。

数据传输优化模块：

强化学习环境定义子模块：定义强化学习环境有助于系统建立数据传输的学习框架，从而使得数据传输策略能够根据实际情况自动优化。

Q-学习子模块：Q-学习算法的应用使得系统能够根据奖励机制不断学习和优化数据传输策略，提高了系统的自适应性。

策略迭代子模块：策略迭代子模块有助于不断改进和调整数据传输策略，确保其适应不断变化的网络环境和需求。

数据传输评估子模块：数据传输评估子模块的实施可以帮助系统实时评估数据传输的效率和准确性，从而反馈给强化学习算法进行优化。

以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。