{"id":23,"date":"2026-05-01T17:38:02","date_gmt":"2026-05-01T09:38:02","guid":{"rendered":"https:\/\/www.ycxhl.top\/?p=23"},"modified":"2026-08-23T11:26:59","modified_gmt":"2026-08-23T03:26:59","slug":"19","status":"publish","type":"post","link":"https:\/\/www.ycxhl.top\/es\/archives\/19\/","title":{"rendered":"[\u9879\u76ee] \u57fa\u4e8e\u81ea\u8bad\u7ec3AI\u7684Mesh\u81ea\u9002\u5e94\u8def\u7531\u4f18\u5316\u7cfb\u7edf\u7814\u7a76"},"content":{"rendered":"

Ir a:Documento de modelado<\/a><\/h2>\n\n\n\n

Documentaci\u00f3n del proyecto y resumen de la investigaci\u00f3n<\/strong><\/h1>\n\n\n\n

I. Antecedentes de la investigaci\u00f3n<\/h1>\n\n\n\n

Actualmente, las redes inal\u00e1mbricas Mesh presentan com\u00fanmente el problema de \u201cse\u00f1al fuerte pero conexi\u00f3n inestable\u201d. Los protocolos tradicionales como Zigbee y WIFI Mesh dependen de un \u00fanico factor de intensidad de se\u00f1al para la selecci\u00f3n de rutas, sin poder percibir de manera integral factores clave como la tasa de p\u00e9rdida de paquetes del enlace, la obstrucci\u00f3n f\u00edsica y la carga de los nodos. Una vez que se enfrentan a interferencias din\u00e1micas como obstrucciones por paredes o movimiento de personas, la red se interrumpe f\u00e1cilmente, no puede adaptarse a entornos cambiantes\/complejos y dif\u00edcilmente puede satisfacer las necesidades de comunicaci\u00f3n en entornos especiales.
Este proyecto cambia el modelo tradicional de decisi\u00f3n basado en un \u00fanico factor y construye una arquitectura de \u201cdecisi\u00f3n inteligente con IA\u201d. Mediante la implementaci\u00f3n del algoritmo de bosque aleatorio en el chip ESP32-C6, se otorga a cada nodo la capacidad de tomar decisiones de forma independiente, sin necesidad de participaci\u00f3n en la nube. El sistema integra m\u00faltiples caracter\u00edsticas como la calidad de la se\u00f1al, el n\u00famero de saltos del enlace, la carga del nodo y la estabilidad del enlace, logrando la transici\u00f3n de \u201cconexi\u00f3n pasiva\u201d a \u201coptimizaci\u00f3n activa\u201d, garantizando que la red siga siendo robusta, eficiente y auto-reparable en entornos complejos y cambiantes.<\/p>\n\n\n\n

\n\n\n\n

II. Resumen del proyecto<\/h1>\n\n\n\n

Este proyecto construye un sistema de optimizaci\u00f3n de enrutamiento adaptativo basado en algoritmos de IA.
Mediante el software de simulaci\u00f3n f\u00edsica de redes inal\u00e1mbricas OMNet++, se construy\u00f3 un escenario con varias paredes y nodos de comunicaci\u00f3n, obteniendo 6959 datos de entrenamiento de simulaci\u00f3n. Posteriormente, se utiliz\u00f3 el algoritmo de bosque aleatorio para ajustar los datos del conjunto de entrenamiento, obteniendo un modelo matem\u00e1tico con buen efecto de ajuste.
Este modelo puede representarse de forma aproximada mediante una funci\u00f3n (f aproximada por bosque aleatorio):<\/p>\n\n\n\n

D<\/mi>e<\/mi>l<\/mi>i<\/mi>v<\/mi>e<\/mi>r<\/mi>y<\/mi>R<\/mi>a<\/mi>t<\/mi>i<\/mi>o<\/mi>=<\/mo>f<\/mi>(<\/mo>R<\/mi>S<\/mi>S<\/mi>I<\/mi>,<\/mo>H<\/mi>o<\/mi>p<\/mi>,<\/mo>C<\/mi>h<\/mi>i<\/mi>l<\/mi>d<\/mi>,<\/mo>L<\/mi>o<\/mi>s<\/mi>s<\/mi>)<\/mo><\/mrow>DeliveryRatio = f(RSSI, Hop, Child, Loss)\n<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

Tras la investigaci\u00f3n, el algoritmo de predicci\u00f3n obtenido se implement\u00f3 en el microcontrolador ESP32-C6 y se realizaron experimentos. Los resultados muestran que el modelo obtenido en este art\u00edculo puede considerar mejor la intensidad de se\u00f1al, el n\u00famero de saltos del enlace, la carga del nodo y otra informaci\u00f3n al seleccionar el nodo superior, eligiendo as\u00ed nodos con mejor calidad integral para la formaci\u00f3n de red.
Este algoritmo puede aplicarse a escenarios como el despliegue r\u00e1pido de redes en entornos grandes y complejos, con ciertas perspectivas pr\u00e1cticas.<\/p>\n\n\n\n

\n\n\n\n

III. Puntos destacados principales<\/h1>\n\n\n\n

Decisi\u00f3n de enrutamiento con fusi\u00f3n multi-caracter\u00edstica<\/h2>\n\n\n\n

Rompe con el m\u00e9todo tradicional de enrutamiento que depende \u00fanicamente de la intensidad de se\u00f1al, integrando m\u00faltiples caracter\u00edsticas como RSSI, distancia de transmisi\u00f3n, calidad del enlace y consumo de energ\u00eda, mejorando la precisi\u00f3n de la decisi\u00f3n de ruta.<\/p>\n\n\n\n

Formaci\u00f3n de red inteligente modular<\/h2>\n\n\n\n

Cada ESP32-C6 es una unidad independiente; las unidades se comunican y negocian entre s\u00ed, y mediante el modelo de decisi\u00f3n entrenado se calculan indicadores de calidad de nodo integrando datos reales de m\u00faltiples aspectos, logrando finalmente formar una red topol\u00f3gica \u00f3ptima.
Despu\u00e9s de la formaci\u00f3n de red, ya sea ESP32 (C6\/S3\/C3\/8266), o tel\u00e9fonos m\u00f3viles, tabletas y computadoras, todos pueden acceder a la red a trav\u00e9s de estos nodos. En este momento, estos nodos desempe\u00f1an la funci\u00f3n de enrutamiento repetidor en la red.<\/p>\n\n\n\n

Entrenamiento de modelo de predicci\u00f3n de ajuste basado en aprendizaje autom\u00e1tico<\/h2>\n\n\n\n

Mediante la herramienta de simulaci\u00f3n f\u00edsica inal\u00e1mbrica OMNeT++ se recopilan datos, y se utiliza el bosque aleatorio para entrenar el modelo de selecci\u00f3n de rutas, coeficiente de determinaci\u00f3n:<\/p>\n\n\n\n

R<\/mi><\/mrow>2<\/mn><\/msup>=<\/mo>0.965047<\/mn>,<\/mo><\/mtext>MSE<\/mi><\/mrow>=<\/mo>0.001571<\/mn><\/mrow>\\mathrm{R}^2 = 0.965047, \\mathrm{MSE} = 0.001571<\/annotation><\/semantics><\/math><\/div>\n\n\n\n

Logrando una predicci\u00f3n de calidad de ruta de alta precisi\u00f3n.<\/p>\n\n\n\n

\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n<\/figure>\n\n\n\n

Despliegue de IA en el borde<\/h2>\n\n\n\n

El modelo se implementa en los nodos ESP32-C6, logrando inferencia local en tiempo real sin necesidad de participaci\u00f3n en la nube, mejorando la velocidad de respuesta y la conveniencia de las decisiones del modelo.<\/p>\n\n\n\n

Modelado e impresi\u00f3n 3D + dise\u00f1o de PCB<\/h2>\n\n\n\n

Se utilizar\u00e1 tecnolog\u00eda de modelado e impresi\u00f3n 3D para dise\u00f1ar la carcasa del terminal, integrando bater\u00eda de litio y m\u00f3dulo de carga\/descarga; mediante la soldadura de cada componente en la placa de circuito PCB dise\u00f1ada y prototipada, se logra la integraci\u00f3n del circuito.<\/p>\n\n\n\n

\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n<\/figure>\n\n\n\n

Monitoreo en tiempo real de datos\/estructura en la nube<\/h2>\n\n\n\n

Se combina el framework Python Flask para construir el servidor (backend), y el servidor se despliega mediante contenedores Docker en un servidor en la nube Linux (Debian-12.0); mediante Vue.JS se escriben las p\u00e1ginas frontend, logrando el monitoreo en tiempo real de la estructura topol\u00f3gica de la red y la informaci\u00f3n de los nodos.<\/p>\n\n\n\n

\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n<\/figure>\n\n\n\n
\n\n\n\n

IV. Diagrama comparativo con los m\u00e9todos de conexi\u00f3n de red tradicionales<\/h1>\n\n\n\n

Situaci\u00f3n normal<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Posibles situaciones inesperadas (bloqueo de se\u00f1al o se\u00f1al d\u00e9bil por distancia lejana)<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Diagrama comparativo 1, 2: Este innovador esquema tiene ventajas evidentes, ya que al combinar un modelo de IA entrenado, este proyecto posee la capacidad de adaptarse al entorno y optimizar autom\u00e1ticamente la topolog\u00eda de red en entornos cambiantes, con mayor adaptabilidad, flexibilidad y previsi\u00f3n.<\/p>\n\n\n\n

\n\n\n\n

V. Perspectivas de aplicaci\u00f3n<\/h1>\n\n\n\n
    \n
  • Comunicaci\u00f3n de emergencia en escenarios de desastre (entorno sin estaci\u00f3n base)<\/li>\n\n\n\n
  • Red de IoT inteligente<\/li>\n\n\n\n
  • Red de monitoreo industrial de bajo consumo<\/li>\n\n\n\n
  • Red autoorganizada de hogar inteligente<\/li>\n<\/ul>\n\n\n\n
    \n\n\n\n

    Registro de investigaci\u00f3n<\/strong><\/h1>\n\n\n\n

    I: Selecci\u00f3n del tema<\/h1>\n\n\n\n

    Situaci\u00f3n actual:<\/strong>
    Actualmente, las redes Mesh inal\u00e1mbricas presentan com\u00fanmente el fen\u00f3meno de \u201cse\u00f1al fuerte pero inestable\u201d.
    Problema identificado:<\/strong>
    Los protocolos tradicionales dependen de una \u00fanica intensidad de se\u00f1al para la selecci\u00f3n de rutas, sin poder percibir de manera integral factores clave como la tasa de p\u00e9rdida de paquetes del enlace, el bloqueo f\u00edsico y la carga del nodo.
    Objetivo de investigaci\u00f3n:<\/strong>
    Construir un sistema de red Mesh inteligente robusto, eficiente y auto-reparable.<\/p>\n\n\n\n

    \n\n\n\n

    II: Construcci\u00f3n del entorno de simulaci\u00f3n y recolecci\u00f3n de datos<\/h1>\n\n\n\n

    Se seleccion\u00f3 el software de simulaci\u00f3n f\u00edsica de redes inal\u00e1mbricas OMNet++ para construir el escenario.
    La l\u00f3gica de simulaci\u00f3n se basa en las siguientes suposiciones:<\/p>\n\n\n\n

      \n
    1. El escenario es una habitaci\u00f3n bidimensional, donde la puerta de enlace, los terminales, los repetidores y las paredes se generan aleatoriamente en cada ronda.<\/li>\n\n\n\n
    2. Las paredes se simplifican como segmentos de l\u00ednea; si un enlace \u201catraviesa una pared\u201d se determina mediante la intersecci\u00f3n de segmentos de l\u00ednea, y la atenuaci\u00f3n de la se\u00f1al se acumula linealmente seg\u00fan el n\u00famero de paredes atravesadas.<\/li>\n\n\n\n
    3. La red se organiza en estructura de \u00e1rbol, con la puerta de enlace principal como nodo ra\u00edz.<\/li>\n\n\n\n
    4. El n\u00famero de saltos se define como la longitud de la ruta del repetidor a la puerta de enlace (salto de repetidor), y el n\u00famero de dispositivos hijos se define como el n\u00famero de nodos hijos directos de ese repetidor en el \u00e1rbol.<\/li>\n\n\n\n
    5. El impacto de atenuaci\u00f3n de la se\u00f1al causado por las paredes se calcula utilizando el modelo corregido del modelo de p\u00e9rdida de trayectoria por distancia logar\u00edtmica.<\/li>\n<\/ol>\n\n\n\n
      P<\/mi>L<\/mi>=<\/mo>P<\/mi>L<\/mi>0<\/mn><\/msub>+<\/mo>10<\/mn>n<\/mi><\/mspace>registro<\/mi>10<\/mn><\/msub>\u2061<\/mo>(<\/mo>d<\/mi>d<\/mi>0<\/mn><\/msub><\/mfrac>)<\/mo><\/mrow>+<\/mo>N<\/mi>pared<\/mtext><\/msub>\u22c5<\/mo>A<\/mi>pared<\/mtext><\/msub><\/mrow>PL = PL_0 + 10n \\log_{10}\\left(\\frac{d}{d_0}\\right) + N_{\\text{wall}} \\cdot A_{\\text{wall}}<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
        \n
      1. Cuantos m\u00e1s dispositivos hijos tenga un nodo repetidor, mayor ser\u00e1 la carga del nodo y mayor la probabilidad de p\u00e9rdida de paquetes de datos.<\/li>\n\n\n\n
      2. Los paquetes de datos tienen cierta probabilidad de p\u00e9rdida en cada proceso de reenv\u00edo por repetidor.<\/li>\n<\/ol>\n\n\n\n

        Con base en las suposiciones anteriores:
        Se utiliz\u00f3 C++ para escribir la l\u00f3gica de simulaci\u00f3n, incluyendo la generaci\u00f3n aleatoria del entorno (posiciones de puerta de enlace, terminales, nodos repetidores y paredes), el c\u00e1lculo de RSSI y n\u00famero de saltos desde los terminales a cada repetidor y desde los repetidores a la puerta de enlace, el impacto de la carga de dispositivos hijos en la tasa de \u00e9xito del enlace, la p\u00e9rdida probabil\u00edstica de paquetes del repetidor, el c\u00e1lculo estad\u00edstico de la tasa de alcanzabilidad de paquetes de datos enviados en la simulaci\u00f3n, y la salida de resultados en CSV (RSSI, n\u00famero de saltos, n\u00famero de dispositivos hijos, tasa de p\u00e9rdida de paquetes del nodo a la puerta de enlace, tasa de alcanzabilidad).<\/p>\n\n\n\n

        \n\n\n\n

        III: Procesamiento de datos, entrenamiento y optimizaci\u00f3n del modelo de IA<\/h1>\n\n\n\n

        (I) Preprocesamiento de datos<\/h2>\n\n\n\n

        Los datos contienen un total de 6959 registros, cada registro compuesto por 5 campos:<\/p>\n\n\n\n

          \n
        • Intensidad de se\u00f1al (RSSI_dBm)<\/li>\n\n\n\n
        • N\u00famero de saltos del nodo (HopCount)<\/li>\n\n\n\n
        • N\u00famero de nodos hijos del nodo (ChildCount)<\/li>\n\n\n\n
        • Tasa de p\u00e9rdida de paquetes del nodo a la puerta de enlace (NodeToGatewayLossRate)<\/li>\n\n\n\n
        • Tasa de alcanzabilidad de paquetes del terminal (DeliveryRatio)
          De los cuales RSSI_dBm, HopCount, ChildCount, NodeToGatewayLossRate se utilizan como caracter\u00edsticas.
          La tasa de alcanzabilidad entre terminal y puerta de enlace DeliveryRatio se utiliza como etiqueta de predicci\u00f3n del modelo (variable objetivo).
          Se leen los datos CSV mediante la biblioteca pandas de Python.<\/li>\n<\/ul>\n\n\n\n

          (II) Divisi\u00f3n del conjunto de entrenamiento y conjunto de prueba<\/h2>\n\n\n\n

          En la divisi\u00f3n aleatoria de datos, el 20% es el conjunto de prueba y el otro 80% es el conjunto de entrenamiento.<\/p>\n\n\n\n

          (\u4e09) Ajuste del algoritmo<\/h2>\n\n\n\n

          Utilizando la biblioteca scikit-learn de Python, se construyen respectivamente los algoritmos de regresi\u00f3n lineal, regresi\u00f3n polin\u00f3mica y bosque aleatorio.<\/p>\n\n\n\n

          (\u56db) An\u00e1lisis de resultados<\/h2>\n\n\n\n

          (1) Regresi\u00f3n lineal<\/h3>\n\n\n\n
          R<\/mi><\/mrow>2<\/mn><\/msup>=<\/mo>0.622295<\/mn>,<\/mo><\/mtext>MSE<\/mi><\/mrow>=<\/mo>0.016977<\/mn><\/mrow>\\mathrm{R}^2 = 0.622295, \\mathrm{MSE} = 0.016977<\/annotation><\/semantics><\/math><\/div>\n\n\n\n\n\n

          El efecto de ajuste es d\u00e9bil, la relaci\u00f3n lineal entre los datos de caracter\u00edsticas y los datos de etiquetas no es evidente.<\/p>\n\n\n\n

          \n
          \"\"<\/figure>\n\n\n\n
          \"\"<\/figure>\n<\/figure>\n\n\n\n

          (2) Regresi\u00f3n polin\u00f3mica (cuadr\u00e1tica)<\/h3>\n\n\n\n


          Seg\u00fan la imagen, el efecto de ajuste es ligeramente superior al de la regresi\u00f3n lineal, pero en los valores reales peque\u00f1os la predicci\u00f3n presenta valores negativos, el modelo tiene fen\u00f3meno de sobreajuste.<\/p>\n\n\n\n

          R<\/mi><\/mrow>2<\/mn><\/msup>=<\/mo>0.836970<\/mn>,<\/mo><\/mtext>MSE<\/mi><\/mrow>=<\/mo>0.007328<\/mn><\/mrow>\\mathrm{R}^2 = 0.836970, \\mathrm{MSE} = 0.007328<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
          \n
          \"\"<\/figure>\n\n\n\n
          \"\"<\/figure>\n<\/figure>\n\n\n\n

          (3) Bosque aleatorio<\/h3>\n\n\n\n


          Dado que existe una relaci\u00f3n no lineal entre las caracter\u00edsticas y las etiquetas, y hay ruido en las muestras, tras el an\u00e1lisis este algoritmo es un m\u00e9todo de predicci\u00f3n que cumple con los requisitos.<\/p>\n\n\n\n

          R<\/mi><\/mrow>2<\/mn><\/msup>=<\/mo>0.965047<\/mn>,<\/mo><\/mtext>MSE<\/mi><\/mrow>=<\/mo>0.001571<\/mn><\/mrow>\\mathrm{R}^2 = 0.965047, \\mathrm{MSE} = 0.001571<\/annotation><\/semantics><\/math><\/div>\n\n\n\n
          \n
          \"\"<\/figure>\n\n\n\n
          \"\"<\/figure>\n<\/figure>\n\n\n\n
          \n\n\n\n

          Cuatro: Desarrollo e implementaci\u00f3n de hardware<\/h1>\n\n\n\n

          N\u00facleo:<\/strong>
          Se seleccion\u00f3 el microcontrolador ESP32-C6 como unidad de control central. Se implement\u00f3 el algoritmo de predicci\u00f3n entrenado en el nodo ESP32-C6. Se perfeccion\u00f3 la l\u00f3gica b\u00e1sica.
          Estructura:<\/strong>
          Se dise\u00f1\u00f3 la carcasa del terminal utilizando tecnolog\u00eda de modelado e impresi\u00f3n 3D. Se complet\u00f3 el dise\u00f1o y la fabricaci\u00f3n de la placa de circuito PCB.
          Funci\u00f3n:<\/strong>
          Se integr\u00f3 bater\u00eda de litio y m\u00f3dulo de carga\/descarga, interruptor, pantalla OLED.
          Capacidad de red:<\/strong>
          Cada ESP32-C6 es una unidad independiente, se comunican y negocian entre s\u00ed, formando una red de topolog\u00eda \u00f3ptima.
          Compatible con la serie ESP32 (C6\/S3\/C3\/8266) y con el acceso de terminales como tel\u00e9fonos m\u00f3viles, tabletas, computadoras, etc.<\/p>\n\n\n\n

          \n
          \"\"<\/figure>\n\n\n\n
          \"\"<\/figure>\n\n\n\n
          \"\"<\/figure>\n<\/figure>\n\n\n\n
          \n\n\n\n

          Cinco: Construcci\u00f3n del sistema de monitoreo en la nube<\/h1>\n\n\n\n

          Backend:<\/strong>
          Se construy\u00f3 el servidor combinando el framework Flask de Python.
          Se implement\u00f3 mediante contenedores Docker en un servidor en la nube Linux (Debian-12.0).
          Frontend:<\/strong>
          Se utiliz\u00f3 Vue.JS para escribir las p\u00e1ginas del frontend.
          Se implement\u00f3 el monitoreo en tiempo real de la estructura de topolog\u00eda de red y la informaci\u00f3n de los nodos (incluyendo la visualizaci\u00f3n de datos como n\u00famero de nodo, cantidad de subdispositivos, tasa de p\u00e9rdida de paquetes, RSSI, etc.).
          El registro del backend puede registrar en tiempo real la recepci\u00f3n de datos (como el procesamiento de solicitudes POST \/api\/data).<\/p>\n\n\n\n

          \n
          \"\"<\/figure>\n\n\n\n
          \"\"<\/figure>\n<\/figure>\n\n\n\n
          \n\n\n\n

          Seis: Optimizaci\u00f3n del sistema, correcci\u00f3n de problemas<\/h1>\n\n\n\n

          Se organizaron los programas de cada parte, se buscaron y corrigieron errores l\u00f3gicos y de detalle, se optimiz\u00f3 el sistema y al mismo tiempo se agregaron algunas funciones significativas.<\/p>","protected":false},"excerpt":{"rendered":"

          \u8df3\u8f6c\uff1a\u5efa\u6a21\u8bba\u6587 \u9879\u76ee\u6587\u6863&\u7814\u7a76\u6982\u8ff0 \u4e00\u3001\u7814\u7a76\u80cc\u666f \u5f53\u524d\u65e0\u7ebf Mesh \u7f51\u7edc\u666e\u904d\u5b58\u5728\u201c\u4fe1\u53f7\u5f3a\u5374\u8fde\u63a5\u4e0d\u7a33\u5b9a […]<\/p>\n","protected":false},"author":1,"featured_media":49,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7],"tags":[],"class_list":["post-23","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-projects"],"_links":{"self":[{"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/posts\/23","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/comments?post=23"}],"version-history":[{"count":4,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/posts\/23\/revisions"}],"predecessor-version":[{"id":102,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/posts\/23\/revisions\/102"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/media\/49"}],"wp:attachment":[{"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/media?parent=23"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/categories?post=23"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ycxhl.top\/es\/wp-json\/wp\/v2\/tags?post=23"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}