CN102065510A - 基于模糊逻辑的无线传感器网络节点自适应功率控制系统及方法 - Google Patents

Abstract

本发明将模糊逻辑引用到了无线传感器网络节点的自适应功率控制中，降低了节点能耗，延长了网络生存时间。该系统由发送节点和接收节点组成(见附图)。发送节点包括发送模块101、历史功率模块102和调整值接收模块103。发送模块以历史功率模块提供的参考发射功率发送数据包；调整值接收模块负责实时更新历史功率等级。接收节点包括接收模块104、QoS提取模块105、模糊计算模块106和调整值反馈模块107。接收模块工作在物理层，它负责接收信号；QoS提取模块负责收集接收端QoS参数；模糊计算模块使用模糊逻辑控制器计算调整值，将计算结果提交给调整值反馈模块；调整值反馈模块负责把功率调整值回复给发送节点。

Description

基于模糊逻辑的无线传感器网络节点自适应功率控制系统及方法

技术领域

本发明涉及无线传感器网络领域，尤其将模糊逻辑引用到了无线传感器网络节点的自适应功率控制中。

背景技术

随着微机电系统(MEMS，Micro-Electro-Mechanism System)、片上系统(SOC，System on Chip)、无线通信和低功耗嵌入式技术的飞速发展，无线传感器网络(WSN，Wireless Sensor Networks)孕育而生，并以其低功耗、低成本、分布式和自组织的特点，在军事、航空、反恐、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域得到了广泛的应用。

无线传感器网络由部署在监测区域内大量的微型传感器节点组成，节点能量有限并且共享传播媒介。这就要求在满足通信需求的前提下，尽量减少传感器节点的能量消耗，同时需要各个节点使用最合适的发射功率来减轻相互干扰。因此，如何降低传感器网络的能量消耗成为该领域的核心问题。在提高电池容量的技术没有取得突破性进展前，减少节点的能量消耗是一个现实可行的途径。另一方面，即使电池容量足够大，也应该采取措施来减少节点间的相互干扰，增加吞吐量。这就对有效的功率控制策略提出了迫切的要求。

现有的无线传感器网络协议算法可以节省全局的能量消耗，延长网络的有效生存时间。以无线传感器网络常用的分簇算法为例，从整体来看，利用某种簇头选择算法进行恰当的簇头选择能很大程度上节省能量。但是，从单个节点的角度讲，分簇后，簇头与簇头、簇头与汇聚节点之间应该以何种功率进行通信是现有研究的热点和难点。大多数情况下，无线传感器网络节点以固定功率发送数据包，这种方式存在一定的缺陷：一方面，若节点以固定的大功率发送数据包会带来很大的干扰和能量浪费；另一方面，若节点以固定的小功率发送数据包容易引起丢包，丢包后的重传降低了数据的实时性且浪费了能量。因此，我们需要一种无线传感器网络中点对点的自适应功率控制算法。

发明内容

本发明的目的是为了解决无线传感器网络节点以固定功率发送数据带来的能量和干扰问题，提供一种无线传感器网络中点对点的自适应功率控制算法，实现动态功率调整，降低网络能量消耗，延长网络生存时间。

本发明所采取的技术方案如下：

所述无线传感器网络自适应功率控制系统由发送节点和接收节点组成。其中，接收节点扮演者控制者的角色，它决定发送节点的发射功率，而发送节点只能被动调整自己的发射功率值。在实际应用中，发送、接收关系是随时变化的，每个传感器节点里既有发送节点的模块，也有接收节点的模块。当它本身需要扮演发送节点的角色时，它就启用发送节点模块，等待对端的控制指令；当它本身需要扮演接收节点的角色时，它就启用接收节点模块，根据接收的服务质量(QoS，Quality of Service)算出对端所需功率调整值。

发送节点包括发送模块、历史功率模块和调整值接收模块。其中，发送模块以历史功率模块提供的参考发射功率发送数据包；调整值接收模块负责实时更新历史功率等级。接收节点包括接收模块、QoS提取模块、模糊计算模块和调整值反馈模块。其中，接收模块工作在物理层，它的作用是接收信号；QoS提取模块负责收集接收端QoS参数；模糊计算模块使用模糊逻辑控制器计算调整值，将计算结果提交给调整值反馈模块；调整值反馈模块负责把功率调整值回复给发送节点。本发明假设通信信道是双向、对称的，所以它们的衰落特性是相关的。在这种情况下，接收节点既然能收到发送节点发送的数据包，那么发送节点也应该能接收到接收节点回馈的调整值。

所述无线传感器网络自适应功率控制系统的核心部分是模糊计算模块，它是根据接收端QoS来计算调整值的关键部分，它的性能对功率控制起到了至关重要的作用。本发明将模糊逻辑引入到传输功率控制中。模糊逻辑最适用于无法用数学模型来描述或者用传统模型会引入复杂的计算的场景。在无线传感器网络中，发送信号的衰减是复杂、不定的，技术人员很难决定某个时刻发送节点合适的发送功率。因此，基于模糊逻辑的方法是切实可行的。

为了克服单一模糊集带来的精度和步长调整缺陷，本发明采用二级模糊集的模糊逻辑控制器。与单一模糊集模型相比，它同样包含模糊化模块、模糊集、模糊规则、模糊计算模块和解模糊模块，但不同的是，其模糊集是一个二级结构，由粗略模糊集和精确模糊集构成。在模糊调整初期，输入QoS与最佳QoS差距较大，模糊逻辑控制器采用粗略模糊集，旨在大步长地调整发端发射功率，使接收端输入QoS尽快向最佳QoS靠拢。在模糊调整后期，输入QoS已接近最佳QoS，此时若再使用粗略模糊集，大步长调整发射功率会带来超调现象，即输入QoS始终在最佳QoS上下摆动，无法稳定下来。因此，在模糊调整后期，模糊逻辑控制器使用高精度、小步长的精确模糊集。

模糊逻辑控制器个组成部分说明如下：

(1)模糊化模块

模糊化是将传输的精确值转化为模糊语言变量的过程。模糊化过程中，对性能有决定性作用的是隶属函数。它能确定每个语言变量的级别，并标志每个语言变量在自己取值范围内对该级别的隶属程度。模糊逻辑控制器的输入是接收端的QoS参数，输出是功率调整值。设计输入输出隶属函数的首要任务是根据三分法确定输入隶属函数和输出隶属函数的语言变量和论域范围。

(2)模糊集

本发明所采用的模糊集是一个二级结构，由粗略模糊集和精确模糊集构成。精确模糊集的基本思想是根据输入QoS与最佳QoS的差距，压缩输入隶属函数和输出隶属函数的论域，避免无意义的超调，使得控制更加精确有效。

(3)模糊规则

模糊规则驱动模糊计算部分产生模糊输出。一般来说，在有多个输入时，列出所有的规则是复杂的。为了简化描述，本发明模糊规则的定义都是基于单输入的。如果必要，此模糊规则可以被扩展到多输入。在实际中，选择一个多变的QoS参数作为单一输入是合理的，它能增加模糊逻辑控制器的灵敏度。

(4)模糊计算模块

根据模糊化模块的输出和模糊规则，模糊计算模块负责进行模糊计算，所得的结果将作为解模糊模块的输入。

(5)解模糊模块

模糊计算模块的输出是模糊量，而功率控制调整需要一个确定值，所以还需要将输出解模糊。本发明使用最常用的质心法进行解模糊。

附图说明

为了使本发明容易理解和实现，现在通过参考附图进行说明，附图中相似的附图标记是指所有各个视图中同样的或功能相似的部件。这些附图和下面的详细说明一起被包含进来并形成说明书的一部分，以进一步示意这些实施例并解释各种原理和优点，其中：

图1是基于模糊逻辑的无线传感器网络节点自适应功率控制系统模型，所述系统包括发送节点和接收节点。其中，发送节点包括发送模块101、历史功率模块102和调整值接收模块103，接收节点包括接收模块104、QoS提取模块105、模糊计算模块106和调整值反馈模块107。

图2是本发明所采用二级模糊集的模糊逻辑控制器框图，所述模糊逻辑控制器包括粗略模糊集201、精确模糊集202、模糊规则203、模糊化模块204、模糊计算模块205和解模糊模块206。

图3是粗略模糊集的输入隶属度函数曲线。

图4是精确模糊集的输入隶属度函数曲线。

图5是粗略模糊集的输出隶属度函数曲线。

图6是精确模糊集的输出隶属度函数曲线。

图7是初始发射功率为7dBm时，本发明提出的功率控制算法与固定功率方法所得到的包错误率(PER，Packet Error Rate)曲线。

图8是初始发射功率为-8dBm时，本发明提出的功率控制算法与固定功率方法所得到的PER曲线。

图9是本发明提出的算法和固定功率方法的网络生存时间比较曲线。

具体实施方式

所述无线传感器网络自适应功率控制系统由发送节点和接收节点组成。其中，接收节点扮演者控制者的角色，它决定发送节点的发射功率，而发送节点只能被动调整自己的发射功率值。

参考图1，所述无线传感器网络自适应功率控制系统包括发送节点和接收节点。其中，发送节点包括发送模块101、历史功率模块102和调整值接收模块103：发送模块101以历史功率模块102提供的参考发射功率发送数据包；调整值接收模块103负责实时更新历史功率等级。接收节点包括接收模块104、QoS提取模块105、模糊计算模块106和调整值反馈模块107：接收模块104负责接收信号；QoS提取模块105负责收集接收端QoS参数；模糊计算模块106使用模糊逻辑控制器计算调整值，将计算结果提交给调整值反馈模块107；调整值反馈模块107负责把功率调整值回复给发送节点。

参考图2，所述无线传感器网络自适应功率控制系统采用二级模糊集的模糊逻辑控制器。下面对该控制器的工作原理做具体说明：

(1)模糊逻辑控制器模糊化

模糊化是将传输的精确值转化为模糊语言变量的过程。模糊化过程中，对性能有决定性作用的是隶属函数。它能确定每个语言变量的级别，并标志每个语言变量在自己取值范围内对该级别的隶属程度。为了提高调整精度，但又不至于太多增加节点的运算负担，本发明在每个输入变量上，定义了五个语言变量，分别是VBAD(非常差)、BAD(差)、PERFECT(完美)、GOOD(好)和VGOOD(过于好)，根据式(1)，输入隶属函数可以表示为：

μ_in＝{μ_in(ξ₁)，μ_in(ξ₂)，μ_in(ξ₃)，μ_in(ξ₄)，μ_in(ξ₅)}            (1)

其中，μ_in(ξ₁)对应语言变量VBAD(非常差)，μ_in(ξ₂)对应语言变量BAD(差)，...，μ_in(ξ₅)对应语言变量VGOOD(过于好)。

在输出变量上，定义了七个语言变量，分别是BDSTEP(大步下调)、SDSTEP(小步下调)、TDSTEP(微步下调)、HOLD(保持)、TUSTEP(微步上调)、SUSTEP(小步上调)和BUSTEP(大步上调)，输出隶属函数可以表示为：

μ_out＝{μ_out(ξ₁)，μ_out(ξ₂)，μ_out(ξ₃)，μ_out(ξ₄)，μ_out(ξ₅)，μ_out(ξ₆)，μ_out(ξ₇)}    (2)

其中，μ_out(ξ₁)对应语言变量BDSTEP(大步下调)，μ_out(ξ₂)对应语言变量SDSTEP(小步下调)，...，μ_out(ξ₇)对应语言变量BUSTEP(大步上调)。

(2)模糊逻辑控制器模糊规则

在某些条件下，如果链路质量指示(LQI，Link Quality Indication)变化剧烈，可以定义两个输入变量LQI-F1和LQI-NOW，分别表示前次和本次接收包的LQI值。综合使用历史参数和当前参数可以有效的避免反复超调，加快模糊模型的收敛速度。为控制模糊计算过程，定义了11条模糊规则，如下所示：

1)If(LQI-NOW is VBAD)then(ADJ is BUSTEP)

2)If(LQI-NOW is VGOOD)then(ADJ is BDSTEP)

3)If(LQI-F1 is VGOOD)and(LQI-NOW is BAD)then(ADJ is TUSTEP)

4)If(LQI-F1 is GOOD)and(LQI-NOW is BAD)then(ADJ is TUSTEP)

5)If(LQI-F1 is VBAD)and(LQI-NOW is GOOD)then(ADJ is TDSTEP)

6)If(LQI-F1 is BAD)and(LQI-NOW is GOOD)then(ADJ is TDSTEP)

7)If(LQI-F1 is GOOD)and(LQI-NOW is GOOD)then(ADJ is SDSTEP)

8)If(LQI-F1 is BAD)and(LQI-NOW is BAD)then(ADJ is SUSTEP)

9)If(LQI-F1 is VGOOD)and(LQI-NOW is GOOD)then(ADJ is SDSTEP)

10)If(LQI-F1 is VBAD)and(LQI-NOW is BAD)then(ADJ is SUSTEP)

11)If(LQI-NOW is PERFECT)then(ADJ is HOLD)

输入LQI-NOW对输出ADJ有决定作用，例如第1、第2和第11条规则所示，若当前LQI-NOW参数很差、很好或者完美，输出功率调整值就应该分别是大步上调、大步下调和保持不变。输出ADJ有时也要参考输入LQI-F1，例如第3、第4条规则所示，若当前LQI-NOW参数差而之前的LQI-F1参数很好或好，说明上次调整过度，即超调，则本次输出功率调整值就应该是微步上调，将超调纠正回去。第5、第6条规则与此类似。还有一种情况输出ADJ需要参考输入LQI-F1，例如第9条规则所示，若当前LQI-NOW参数好并且之前的LQI-F1参数很好，说明上次下调的还不够，需要本次输出功率调整值继续小步下调。第10条规则与此类似。

有一种特殊情况，系统刚启动时，只有LQI-NOW参数，没有LQI-F1参数。当LQI-NOW参数为VGOOD、VBAD和PERFECT时，系统不需要参考LQI-F1参数就能获得输出。当LQI-NOW参数为GOOD和BAD时，需要人为的将LQI-F1参数设置为相同的值，以便于和第3、第4、第5、第6条规则区别，所以添加了第7和第8条规则。

(3)模糊逻辑控制器解模糊

模糊计算模块输出是模糊量ADJ，而功率控制调整需要一个确定值adj，所以还需要将输出解模糊。这里使用最常用的质心法解模糊：

ADJ是个模糊集，如式(3)：

ADJ＝{u₁，u₂，u₃，u₄，u₅，u₆，u₇}          (3)

解模糊的输出，如式(4)：

$\mathrm{adj}=\frac{\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\μ}}_i\left(u_i\right)u_i}{\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\μ}}_i\left(u_i\right)}---\left(4\right)$

实施例

为了模拟实际情况，这里定义输入变量LQI的论域是[60，180]，输出变量ADJ的论域是[-30，30]。在实际应用中，论域的范围应该根据传感器节点所在的无线环境，实测决定，此处定义的仅是估计值。

在确定输入隶属度函数时，本发明对高斯函数、三角函数、梯形函数进行了一定的考察，最终采用了联合隶属度函数，因为它能够获得更长的网络生存时间。本发明将语言变量VBAD(非常差)对应的μ_in(ξ₁)定为高斯函数，将语言变量BAD(差)对应的μ_in(ξ₂)定为三角函数，将语言变量PERFECT(完美)对应的μ_in(ξ₃)定为高斯函数，将语言变量GOOD(好)对应的μ_in(ξ₄)定为三角函数，将语言变量VGOOD(过于好)对应的μ_in(ξ₅)定为高斯函数。对于粗略模糊集，其输入隶属度函数如图3所示。对于精确模糊集，当输入QoS值已经进入粗略模糊集的PERFECT语言算子的范围，即[100，140]区域，模糊逻辑控制器就应该放弃使用粗略模糊集，而使用精确模糊集，这样可以提高精度，避免超调。如图4所示，精确模糊集输入LQI仍然使用图3使用的最优的三角形和高斯型联合函数，各隶属函数论域划分比例也几乎一致，只是论域范围由原来的全论域[60，180]压缩到了原PERFECT语言算子的范围[100，140]。

在确定输出隶属函数时，从简便的角度出发，将7个语言变量对应的μ_out(ξ₁)，μ_out(ξ₂)，...，μ_out(ξ₇)均定为高斯函数。对于粗略模糊集，其输出隶属度函数如图5所示。对于精确模糊集，其输出隶属度函数如图6所示，ADJ输出仍然使用简单高斯型函数，各隶属函数论域划分比例仍然一致，只是论域范围由原来的全论域[-30，30]压缩到了原HOLD语言算子的范围[-9，9]。

选取自由空间传播模型作为信道模型：

P_T+G_T+G_R-Los＝P_R              (5)

在上述公式中，P_T是发送节点的传输功率，G_T和G_R分别是发射天线、接收天线的增益。P_R是接收节点的接收功率。链路损耗可以由以下公式确定：

Los＝K+20lg D+20lg F              (6)

作为一种特例，根据ZigBee联盟提出的网络规范版本R18，这里选择接收数据包的LQI值和前次缓冲下来的接收数据包的LQI值作为输入。为缩短仿真时间，定义每个节点的能量是10焦耳，此能量只是普通3.6V 800mAh锂离子电池能量的0.1％。接收节点的接收端灵敏度是-95dBm。发送和接收天线增益都是10dBi。

本发明设计了两类仿真模型，比较不同的性能指标。第一类仿真模型是点对点仿真模型。在此类仿真模型里，节点与节点之间的距离渐远，仿真比较的是数据包错误率(PER)。第二类仿真模型是模拟网络仿真模型。在此类仿真模型里，某区域被放置了大量的节点，簇头节点按照某种分簇算法已经确定。传感器节点在区域里可以随机移动，而簇头的位置是固定不动的，节点离哪个簇头最近就隶属于哪个簇头。两个传感器节点之间的通信必须经过如下路径：节点本身、节点的簇头、对端节点的簇头、对端节点。

1.点对点仿真模型

此仿真仅涉及两个节点A和B，它们之间的距离从1米开始递增。每5秒钟，A节点向B节点发送一个数据包，耗时1秒，消耗掉一些能量。当接收到这个数据包后，B节点算出传输功率的调整值，并反馈给A节点，同样地，耗时1秒，消耗掉一些能量。下一个循环，A节点将以调整过的功率等级发送数据包。每次循环中，接收数据包也要耗费少量能量。循环往复，直到A节点或者B节点的能量耗尽。本仿真模型比较的是数据包错误率(PER)。

2.模拟网络仿真模型

此仿真涉及较多节点。在100m*100m的区域里，随机放置了100个传感器节点，固定放置了4个簇头节点。每5秒钟，随机选出10个发送节点和10个接收节点，并让它们随机移动一小段距离。每个发送节点通过簇头向接收节点发10个数据包。发送和接收数据包都要耗费能量。当某节点能量耗尽，它会被剥离此网络。当网络中存在的节点数目小于30，网络瘫痪。本仿真模型比较的是网络生存时间。

图7和图8显示了本发明提出的功率控制算法与固定功率方法所得到的包错误率(PER)曲线，图7的初始发射功率为7dBm，图8的初始发射功率为-8dBm。由此得到两点结论。第一，随着距离的增加，两种方案都会发生数据包错误，但是模糊功率控制方案发生包错误时，节点间的有效通信距离更长。第二，如果发射功率降低，使用固定功率方案的节点间有效通信距离会变短，但是使用模糊功率控制方案的节点间有效通信距离不会变。因此，模糊功率控制算法能带来更长、更稳定的通信距离。

在网络生存时间这个性能指标上，图9显示了本发明提出的算法和固定功率方法的比较。从结果可以看出，使用模糊功率控制算法的网络生存时间是使用固定功率方法的网络生存时间的两倍。这是因为，为了满足某种QoS参数，保证通信质量，固定功率方案不得不使用较大的发射功率。然而，在一个无线信道变化的环境里，模糊功率控制方案可以通过若干轮模糊计算，将发射功率调整到合适的值。

Claims (5)

1.一种基于模糊逻辑的无线传感器网络节点自适应功率控制系统，由发送节点和接收节点组成，其特征是：每个传感器节点里既有发送节点的模块，也有接收节点的模块。当它本身需要扮演发送节点的角色时，它就启用发送节点模块，等待对端的控制指令；当它本身需要扮演接收节点的角色时，它就启用接收节点模块，根据接收的服务质量算出对端所需功率调整值。

2.如权利要求1所述的一种基于模糊逻辑的无线传感器网络节点自适应功率控制系统，其特征是：所述的发送节点包括发送模块、历史功率模块和调整值接收模块；发送模块以历史功率模块提供的参考发射功率发送数据包，调整值接收模块负责实时更新历史功率等级。

3.如权利要求1所述的一种基于模糊逻辑的无线传感器网络节点自适应功率控制系统，其特征是：所述的接收节点包括接收模块、QoS提取模块、模糊计算模块和调整值反馈模块，接收模块工作在物理层，它负责接收信号；QoS提取模块负责收集接收端QoS参数；模糊计算模块使用模糊逻辑控制器计算调整值，将计算结果提交给调整值反馈模块；调整值反馈模块负责把功率调整值回复给发送节点。

4.如权利要求1所述的一种基于模糊逻辑的无线传感器网络节点自适应功率控制系统，其特征是：接收节点采用二级模糊集的模糊逻辑控制器，该模糊逻辑控制器由模糊化模块、粗略模糊集、精确模糊集、模糊规则、模糊计算模块和解模糊模块组成。

5.如权利要求1所述的一种基于模糊逻辑的无线传感器网络节点自适应功率控制系统，其特征是：在模糊调整初期，输入QoS与最佳QoS差距较大，模糊逻辑控制器采用粗略模糊集，通过大步长地调整发端发射功率，使接收端输入QoS尽快向最佳QoS靠拢；在模糊调整后期，输入QoS已接近最佳QoS，模糊逻辑控制器使用高精度、小步长的精确模糊集，使得输入QoS更快向最佳QoS靠近，并稳定下来。

Images