CN103491034B - 无线传感器网络的信道估计方法及系统 - Google Patents

Abstract

一种无线传感器网络的信道估计方法，包括：在无线传感器网络中，计算同时进行信道估计的发送簇普通节点的数量；选择列数与发送簇普通节点的数量相同的正交训练码矩阵；按照均匀分布随机生成训练数据源并保存至发送簇中心节点和多个发送簇普通节点；多个接收簇普通节点同时接收发送簇普通节点同时发送的训练信号并转发至接收簇中心节点；接收簇中心节点重构接收的训练信号的接收矩阵，获得重构训练矩阵；奇异值分解获得奇异向量；重构奇异向量，建立信道矩阵的线性方程组并求解，获得信道矩阵的估计值。还提供一种无线传感器网络的信道估计系统，上述信道估计方法和系统中的接收簇的普通节点接收训练信号时不需要单个轮流进行，信道估计较快。

Description

无线传感器网络的信道估计方法及系统

技术领域

本发明涉及无线信息传输领域，特别是涉及无线传感器网络的信道估计方法。

背景技术

无线传感器网络是一种由传感器节点构成的网络，能够实时地监测、感知和采集节点部署区的观察者感兴趣的感知对象的各种信息（如光强、温度、湿度、噪音和有害气体浓度等物理现象），并对这些信息进行处理后以无线的方式发送出去，通过无线网络最终发送给观察者。无线传感器网络在军事侦察、环境监测、医疗护理、智能家居、工业生产控制以及商业等领域有着广阔的应用前景。

无线传感器网络一般由普通节点与中心节点组成。由于传感器节点数目一般比较庞大，所以通常根据摆放位置不同而分成多个簇进行管理。每个簇由多个普通节点及1个中心节点组成。传感器普通节点具有采集和通信的功能。一方面实现数据的采集和处理；另一方面实现数据的通信，包括本节点数据的传输与其它节点数据的转发。中心节点负责管理本簇中普通节点，控制普通节点的采集及通信调度。传感器节点数目一般非常庞大，通常采用不能补充的电池提供能量；传感器节点的能量一旦耗尽，那么该节点就不能进行数据采集和转发的功能，直接影响整个传感器网络的健壮性和生命周期。通常，数据通信所消耗的能量占总能耗相当大一部分。因此，传感器节点需要尽可能降低通信的能耗。通信能耗一般与通信信道质量是直接相关的，在通信过程中，中心节点必须充分了解本簇的节点与其他簇的节点之间的信道状况，才能挑选能耗最低通信传输路径，因此为了获得较好的通信信道质量，需要提高信道估计的速度。

一般的信道估计算法多采用一对多的方式，即发送数据的簇的每个普通节点轮流发送一组训练序列，接收数据的簇的所有普通节点收到训练序列后进行信道估计，并反馈给中心节点。这种方法的缺点在于，由于每簇中普通节点数过多，所以导致各个普通节点需要轮流排队进行信道估计，信道估计的速度过慢。

发明内容

基于此，有必要提供一种能提高信道估计的速度的无线传感器网络的信道估计方法及系统。一种无线传感器网络的信道估计方法，包括：

节点数量确定步骤，在无线传感器网络中，计算同时进行信道估计的发送簇普通节点的数量；

选择步骤，选择列数与所述发送簇普通节点的数量相同的正交训练码矩阵；

信号生成步骤，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源，并保存至发送簇中心节点和多个所述发送簇普通节点以生成训练信号；

接收步骤，多个接收簇普通节点同时接收由所述发送簇中心节点控制多个所述发送簇普通节点同时发送对应的所述训练信号；

转发步骤，所述接收簇普通节点转发所述训练信号至接收簇中心节点；

重构步骤，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵；

分解步骤，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量；

建立方程组步骤，所述接收簇中心节点基于子空间理论重构所述奇异向量，建立信道矩阵的线性方程组；

估算步骤，所述接收簇中心节点求解所述线性方程组，获得所述信道矩阵的估计值。

在其中一个实施例中，所述发送簇普通节点的数量为N，所述正交训练码矩阵的表达式为S＝[s^l,n]_L×N，其中l=l,…,L，n=1,…,N，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源的表达式为s＝[s₀ s₁ … s_K-1]^T，所述训练数据源的长度为K。

在其中一个实施例中，所述接收矩阵的表达式为Y＝[y^l,m]_L×M，其中l=1,…,L，m=1,…,M，在所述l时刻，第m个接收簇普通节点接收的所述训练信号的表达式为：

$y^{l,m}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{s}^{l,n}{h}_{n,m}+v^{l,m}$

其中，v^l,m表示所述信道中的加性复高斯白噪声，h_n,m表示从第n个发送簇普通节点到所述第m个接收簇普通节点的信道增益。

在其中一个实施例中，在所述l时刻，所述第m个接收簇普通节点接收的所述训练信号表达式转换为Y＝SH+V，其中，

Y＝[y^l,m]_L×M,H＝[h_n,m]_N×M,V＝[v^l,m]_L×M，

l＝1,…,L,m＝1，…,M,n＝1,…,N。

在其中一个实施例中，在忽略所述加性复高斯白噪声条件下，所述第m个接收簇普通节点接收的所述训练信号转换为Y＝SH，其中，X_k为一个L×N实矩阵，Y的第j列表示为：

$\begin{array}{c}{y}^j=S{h}_j\\ =\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{X}_k{s}_{k-1}{h}_j\\ ={\left[\begin{array}{c}{X}_1{h}_j\\ X_2{h}_j\\ .\\ .\\ .\\ X_K{h}_j\end{array}\right]}^T\·\left[\begin{array}{c}{s}_0\\ s_1\\ .\\ .\\ .\\ s_{K-1}\end{array}\right]\\ \stackrel{\mathrm{\Δ}}{=}{\mathrm{\χ}}_j\stackrel{\‾}{S}\end{array}$

其中， $h_j\stackrel{\mathrm{\Δ}}{=}{\left[\begin{array}{ccc}{h}_{1,j}& ...& h_{N,j}\end{array}\right]}^T,$ T表示转置。

在其中一个实施例中，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵为：将所述Y的所有列首尾相连获得一个接收分组y，

$y=\left[\begin{array}{c}{y}^1\\ .\\ .\\ .\\ y^M\end{array}\right]=\left[\begin{array}{c}{\mathrm{\χ}}_1\\ .\\ .\\ .\\ {\mathrm{\χ}}_M\end{array}\right]\stackrel{\‾}{S}\stackrel{\mathrm{\Δ}}{=}\mathrm{\χ}\stackrel{\‾}{S},$

所述信道为准静态瑞利衰弱信道，在长度为KI的数据帧的持续时间内，所述信道是为时不变的，将I个所述接收分组y构造成Ψ＝[y₁ … y_I]，并在所述加性复高斯白噪声条件下，获得重构训练矩阵Ψ，

$\mathrm{\Ψ}=\mathrm{\χ}\left[\begin{array}{ccc}{\stackrel{\‾}{S}}_1& ...& {\stackrel{\‾}{S}}_I\end{array}\right]+\left[\begin{array}{ccc}{V}_1& ...& V_I\end{array}\right]\stackrel{\mathrm{\Δ}}{=}\mathrm{\χS}+V.$

在其中一个实施例中，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量为：对所述重构训练矩阵Ψ进行奇异值分解，得到

Ψ＝UΣW^A=[U_s U_n]ΣW^A

其中，A表示共轭转置，所述U_s表示信号子空间，所述U_s为一个ML×2K的矩阵，且所述U_s包含了U的前2K列，所述U_n表示噪声子空间，所述U_n包含了所述U剩下的ML-2K列。

在其中一个实施例中，所述接收簇中心节点对所述奇异向量进行重构，建立信道矩阵的线性方程组为：

基于所述子空间理论，所述信号子空间与所述噪声子空间相互正交，得到表达式 $U_n^H\mathrm{\χ}=0,$

令P=ML-2K，将所述U_n分解为U_n＝[u¹ … u^P]，将所述U_n的第p列分成长度为L×1的M块， $u^p={\left[\begin{array}{ccc}{U}_1^{p^T}& ...& U_M^{p^T}\end{array}\right]}^T;$ 其中

其中，(X_i)_j表示X_i的第j列， $U^p={\left[\begin{array}{ccc}{U}_1^p& ...& U_M^p\end{array}\right]}^T,$ $\stackrel{\‾}{h}=\left[\begin{array}{ccc}{\left(h_1\right)}^T& ...& {\left(h_M\right)}^T\end{array}\right],$ 把U_n的所有列一起考虑并代入所述获得线性方程组：

$\stackrel{\‾}{h}=\left[\begin{array}{ccc}{U}^1& ...& U^P\end{array}\right]\stackrel{\mathrm{\Δ}}{=}\stackrel{\‾}{h}\hat{U}=0.$

在其中一个实施例中，所述接收簇中心节点求解所述线性方程组为：将所述 $\stackrel{\‾}{h}=\left[\begin{array}{ccc}{U}^1& ...& U^P\end{array}\right]\stackrel{\mathrm{\Δ}}{=}\stackrel{\‾}{h}\hat{U}=0$ 等价转化为 ${\left|\right|\stackrel{\‾}{h}\hat{U}\left|\right|}^2=\left(\stackrel{\‾}{h}\hat{U}\right){\left(\stackrel{\‾}{h}\hat{U}\right)}^H=\stackrel{\‾}{h}\hat{U}{\hat{U}}^H{\left(\stackrel{\‾}{h}\right)}^H=0,$ 令 ${\left|\right|\stackrel{\‾}{h}\left|\right|}^2=1,$ 获得求出所述信道矩阵的唯一解，将所述唯一解转换成矩阵形式，所述唯一解与实际信道相差常数α倍，将所述信道矩阵和所述正交训练码矩阵代入Y＝SH，求出α，获得估计的实际信道。

一种无线传感器网络的信道估计系统，包括：

节点数量确定单元，在无线传感器网络中，计算同时进行信道估计的发送簇普通节点的数量；

选择单元，选择列数与所述发送簇普通节点的数量相同的正交训练码矩阵；

信号生成单元，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源，并保存至发送簇中心节点和多个所述发送簇普通节点以生成训练信号；

接收单元，多个接收簇普通节点同时接收由所述发送簇中心节点控制多个所述发送簇普通节点同时发送对应的所述训练信号；

转发单元，所述接收簇普通节点转发所述训练信号至接收簇中心节点；

重构单元，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵；

分解单元，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量；

建立方程组单元，所述接收簇中心节点基于子空间理论重构所述奇异向量，建立信道矩阵的线性方程组；

估算单元，所述接收簇中心节点求解所述线性方程组，获得所述信道矩阵的估计值。

在上述无线传感器网络的信道估计方法及其系统中，采用多对多的方式，即多个接收簇普通节点同时接收由发送簇中心节点控制多个发送簇普通节点同时发送的训练信号，多个接收簇普通节点将接收的训练信号转发给接收簇中心节点，然后接收簇中心节点基于子空间理论对训练信号进行重构后并获得信道估计，相对现有的“一对多”的方式导致信道估计的速度过慢的信道估计算法，上述的无线传感器网络的信道估计方法中的接收簇的普通节点接收训练信号时不需要单个轮流进行，因而信道估计的速度较快。

附图说明

图1为一实施方式的信道估计流程图；

图2为一实施方式的发送簇与接收簇的示意图；

图3为三种训练码矩阵的信道估计性能示意图；

图4为三种训练码矩阵的符号检测性能比较。

具体实施方式

在无线传感器网络中，传感器节点数目一般比较庞大，所以通常根据摆放位置不同而分成多个簇进行管理。每个簇由多个普通节点及1个中心节点组成。无线传感器的普通节点具有采集和通信的功能。一方面实现数据的采集和处理；另一方面实现数据的通信，包括本节点数据的传输与其它节点数据的转发。中心节点负责管理本簇中的普通节点，控制普通节点的采集及通信调度。为了避免混淆，将发送数据的簇简称为发送簇，一个发送簇包括多个发送簇普通节点和一个发送簇中心节点。将接收数据的簇简称为接收簇，一个接收簇包括多个接收簇普通节点和一个接收簇中心节点。

如图1所示，其为无线传感器网络的信道估计方法流程图。包括如下步骤：

S101，节点数量确定步骤，在无线传感器网络中，计算同时进行信道估计的多个发送簇普通节点的数量。

设定传感器网络中有N个发送簇普通节点与M个接收簇普通节点同时进行信道估计。则同时进行信道估计的发送簇普通节点的数量为N。

S102，选择步骤，选择列数与所述发送簇普通节点的数量相同的正交训练码矩阵。

在本实施方式中，同时进行信道估计的多个发送簇普通节点的数量为N，因而选择的正交训练码矩阵的列数为N，其表达式可以为S＝[s^l,n]_L×N，其为一个L×N正交矩阵，且l=l,…,L和n=1,…,N。

S103，信号生成步骤，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源并保存至发送簇中心节点和所述多个发送簇普通节点以生成训练信号。

其中，正交训练码矩阵中变量即为训练数据源，按照均匀分布随机生成训练数据源并保存至发送簇中心节点和所述多个发送簇普通节点以生成正交训练码矩阵。

在本实施方式中，生成正交训练码矩阵S＝[s^l,n]_L×N的训练数据源为一组长度为K的训练数据源s＝[s₀ s₁ …s_K-1]^T。将该训练数据源保存至发送簇的各个节点，在发送簇中心节点的控制下，在l时刻，训练码矩阵S中第l行的元素分别从N个发送簇普通节点同时发送训练信号。

S104，接收步骤，多个接收簇普通节点同时接收由所述发送簇中心节点的控制多个所述发送簇普通节点同时发送的训练信号。

在本实施方式中，多个接收簇普通节点同时接收由所述发送簇中心节点的控制所述发送簇普通节点同时发送的训练信号，接收矩阵的表达式为Y＝[y^l,m]_L×M，其中l=1,…,L和m=1,…,M。在l时刻，第m个接收簇普通节点接收的所述训练信号的表达式为

$y^{l,m}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{s}^{l,n}{h}_{n,m}+v^{l,m}---\left(1\right)$

其中，v^l,m表示信道中的加性复高斯白噪声，h_n,m表示从第n个发送簇普通节点到第m个接收簇普通节点的信道增益。

将表达式（1）转换为如下的矩阵形式

Y＝SH+V (2)

其中，

Y＝[y^l,m]_L×M,H＝[h_n,m]_N×M,V＝[v^l,m]_L×M

l＝1,…,L,m＝1,…,M,n＝1,…,N。

S105，转发步骤，所述接收簇普通节点转发所述训练信号至接收簇中心节点。

在本实施例中，各个接收簇普通节点将接收的训练信号转发至对应的接收簇中心节点。

S106，重构步骤，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵。

在本实施例中，接收簇中心节点接收到接收簇普通节点的训练信号后，对接收矩阵进行重构，获得重构训练矩阵。该重构过程具体为：根据正交训练码矩阵的正交结构特性来介绍本信道估计算法。为了简化推导过程，首先暂时忽略加性复高斯白噪声，只考虑Y＝SH这个简化模型。对正交训练码矩阵的结构进行分析，该正交训练码矩阵有如下性质：

$S=\underset{K=1}{\overset{k}{\mathrm{\Σ}}}{X}_k{s}_{k-1}---\left(3\right)$

其中，X_k是一个L×N实矩阵。当只考虑Y的第j列，获得

$\begin{array}{c}{y}^j=S{h}_j\\ =\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{X}_k{s}_{k-1}{h}_j\\ ={\left[\begin{array}{c}{X}_1{h}_j\\ X_2{h}_j\\ .\\ .\\ .\\ X_K{h}_j\end{array}\right]}^T\·\left[\begin{array}{c}{s}_0\\ s_1\\ .\\ .\\ .\\ s_{K-1}\end{array}\right]\\ \stackrel{\mathrm{\Δ}}{=}{\mathrm{\χ}}_j\stackrel{\‾}{S}\end{array}---\left(4\right)$

其中， $h_j\stackrel{\mathrm{\Δ}}{=}{\left[\begin{array}{ccc}{h}_{1,j}& ...& h_{N,j}\end{array}\right]}^T$ ，T表示转置。下面将Y的所有列首尾相连，获得一个接收分组y，

$y=\left[\begin{array}{c}{y}^1\\ .\\ .\\ .\\ y^M\end{array}\right]=\left[\begin{array}{c}{\mathrm{\χ}}_1\\ .\\ .\\ .\\ {\mathrm{\χ}}_M\end{array}\right]\stackrel{\‾}{S}\stackrel{\mathrm{\Δ}}{=}\mathrm{\χ}\stackrel{\‾}{S},---\left(5\right)$

设定信道为准静态瑞利衰弱信道，也就是对于长度为KI的数据帧的持续时间内，信道是设定为时不变的，将I个接收分组y构造成Ψ＝[y₁ … y_I]，在此考虑考虑加性复高斯白噪声的条件下，获得重构训练矩阵Ψ为：

$\mathrm{\Ψ}=\mathrm{\χ}\left[\begin{array}{ccc}{\stackrel{\‾}{S}}_1& ...& {\stackrel{\‾}{S}}_I\end{array}\right]+\left[\begin{array}{ccc}{V}_1& ...& V_I\end{array}\right]\stackrel{\mathrm{\Δ}}{=}\mathrm{\χS}+V---\left(6\right)$

S107，分解步骤，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量。

在本实施例中，接收簇中心节点对重构训练矩阵Ψ进行奇异值分解（SingularValue Decomposition，SVD），得到：

Ψ＝UΣW^A=[U_s U_n]ΣW^A (7)

其中，A表示共轭转置，U_s表示信号子空间，所述U_s为一个ML×2K的矩阵，且所述U_s包含了U的前2K列，U_n表示噪声子空间，所述U_n包含了所述U剩下的ML-2K列。如果χ具有满列秩并且S具有满行秩，则χ也可以张成Ψ的信号子空间。

S108，建立方程组步骤，所述接收簇中心节点基于子空间理论重构所述奇异向量，建立信道矩阵的线性方程组。

在本实施例中，接收簇中心节点基于子空间理论重构所述奇异向量，信号子空间和噪声子空间是相互正交的，因此可以得到

$U_n^H\mathrm{\χ}=0---\left(8\right)$

令P=ML-2K。将U_n分解为U_n＝[u¹ … u^P]。考虑U_n的第p列将其分成长度为L×1的M块， $u^p={\left[\begin{array}{ccc}{U}_1^{p^T}& ...& U_M^{p^T}\end{array}\right]}^T.$

其中，(X_i)_j表示X_i的第j列， $U^p={\left[\begin{array}{ccc}{U}_1^p& ...& U_M^p\end{array}\right]}^T,$ $\stackrel{\‾}{h}=\left[\begin{array}{ccc}{\left(h_1\right)}^T& ...& {\left(h_M\right)}^T\end{array}\right].$ 把U_n的所有列一起考虑，得到：

$\stackrel{\‾}{h}=\left[\begin{array}{ccc}{U}^1& ...& U^P\end{array}\right]\stackrel{\mathrm{\Δ}}{=}\stackrel{\‾}{h}\hat{U}=0---\left(10\right)$

S109，估算步骤，所述接收簇中心节点求解所述线性方程组，获得信道矩阵的估计值。

在本实施例中，求解(10)式这类的线性方程组的方法为：将该线性方程组转化成与其等价的等式 ${\left|\right|\stackrel{\‾}{h}\hat{U}\left|\right|}^2=\left(\stackrel{\‾}{h}\hat{U}\right){\left(\stackrel{\‾}{h}\hat{U}\right)}^H=\stackrel{\‾}{h}\hat{U}{\hat{U}}^H{\left(\stackrel{\‾}{h}\right)}^H=0.$ 由于必定是一个非负的实数，所以，在限定的条件下（与实际信道相差一个模糊因子α），的最优解等价于找到一个使得最小，即

$\stackrel{\‾}{h}=\arg \underset{{\left|\right|\stackrel{\‾}{h}\left|\right|}^2=1}{\min }\stackrel{\‾}{h}\hat{U}{\hat{U}}^H{\left(\stackrel{\‾}{h}\right)}^H---\left(11\right)$

那么(11)式可以求出一个唯一解，并且把此解恢复成原矩阵形式之后，只与实际信道相差常数α倍，即模糊因子。将估计信道矩阵与训练码矩阵代入表达式（2）中，获得

$Y=\mathrm{\αS}\hat{H}---\left(12\right)$

由于均已知，所以即可求得模糊因子α。这样就可以通过本算法求出实际信道的闭式解。

还提供一种与上述无线传感器网络的信道估计方法对应的无线传感器网络的信道估计系统，包括：

节点数量确定单元，在无线传感器网络中，计算同时进行信道估计的发送簇普通节点的数量。

在本实施方式中，确定同时进行信道估计的发送簇普通节点的数量为N。

选择单元，选择列数与所述发送簇普通节点的数量相同的正交训练码矩阵。

在本实施方式中，同时进行信道估计的多个发送簇普通节点的数量为N，因而选择的正交训练码矩阵的列数为N，其表达式可以为S＝[s^l,n]_L×N，其为一个L×N正交矩阵，且l=l,…,L和n=1,…,N。

信号生成单元，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源，并保存至发送簇中心节点和多个所述发送簇普通节点以生成训练信号。

接收单元，多个接收簇普通节点同时接收由所述发送簇中心节点控制多个所述发送簇普通节点同时发送对应的所述训练信号。

转发单元，所述接收簇普通节点转发所述训练信号至接收簇中心节点。

重构单元，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵。

分解单元，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量。

建立方程组单元，所述接收簇中心节点基于子空间理论重构所述奇异向量，建立信道矩阵的线性方程组。

估算单元，所述接收簇中心节点求解所述线性方程组，获得所述信道矩阵的估计值。

该系统的其他具体描述与无线传感器网络的信道估计方法相对应，在此不赘述。

实施例

仿真系统采用的信道模型为准静态瑞利衰弱信道，也就是对于一定持续时间内，信道是设定为时不变的，而不同的数据帧之间，信道是变化的，另外，不同节点之间的信道衰弱相互独立，服从复高斯分布，其均值为零，方差为1。为了体现本方法的可行性，采用了三种正交矩阵进行仿真，如式(13)、(14)和(15)所示，

$S=\left[\begin{array}{cccc}{s}_0& s_1& s_0& s_1\\ -s_1& s_0& -s_1& s_0\end{array}\right]---\left(13\right)$

$S=\left[\begin{array}{cccccc}{s}_0& s_1& s_0& s_1& s_0& s_1\\ -s_1& s_0& -s_1& s_0& -s_1& s_0\end{array}\right]---\left(14\right)$

$S=\left[\begin{array}{cccccccc}{s}_0& s_1& s_0& s_1& s_0& s_1& s_0& s_1\\ -s_1& s_0& -s_1& s_0& -s_1& s_0& -s_1& s_0\end{array}\right]---\left(15\right)$

其中，式(13)、(14)和(15)所示为正交训练码矩阵（此码在下文中简称为码1、码2与码3）。例如，当发送簇普通节点个数为4时，可选择码1作为正交训练码矩阵；当发送簇普通节点个数为6时，可选择码2作为正交训练码矩阵。如图2所示，当发送簇普通节点个数为8时，可选择码3作为正交训练码矩阵。在调制方式上，码1、码2和码3在仿真中均采用BinaryPhase Shift Keying，（BPSK）。BPSK为将模拟信号转换成数据值的转换方式之一。是利用偏离相位的复数波浪组合来表现信息键控移相方式的一种。并且设定接收簇普通节点为5个。

信道估计的均方误差定义为：

$\mathrm{RMSE}=\frac{1}{\left|\right|H\left|\right|}\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\hat{H}}^i-H\left|\right|}^2}---\left(16\right)$

其中，表示估计出的信道矩阵。为了保证仿真结果的有效性，信道估计的均方误差取500次独立仿真的平均值。三种正交训练码矩阵的信道估计的均方误差的平均值与信噪比的关系如图3所示。图3表示三种正交训练码矩阵的信道估计性能。

由图3可以看出，在高信噪比时，三种正交训练码矩阵的信道估计性能比较接近，随着信噪比的降低，性能差异逐渐增大，这是由于噪声对信道估计误差的影响逐渐增大。从总体上说，信道估计的精确度都较高。

在仿真系统中，三种训练码矩阵分别用本技术方案的所估计出的信道和准确信道进行符号检测，测试本算法带来的估计误差对符号检测性能的影响。符号检测算法采用经典的最大似然检测器。

仿真结果如图4所示。本仿真系统在未采用纠错编码的情况下，利用准确信道和本算法所估计出的信道分别进行符号检测，均获得了比较好的性能。当信噪比较低时，利用两种信道的符号检测结果比较接近，上述信道估计方法带来的信道估计误差对符号检测性能较小，误码率主要由噪声造成。随着信噪比的增加，上述信道估计方法的曲线与准确信道下的曲线之间的距离越来越大。这是因为上述信道估计方法的估计误差主要由两方面造成，一个是信道噪声，即加性复高斯白噪声。另一个是噪声子空间的估计误差。而噪声子空间的估计误差是由数据帧的长度，即I的取值大小来决定，I的取值越大越好，最小值为1，即I的取值范围为I≥1。因为噪声子空间的估计误差造成的信道估计误差不会随着信噪比的增加而变化，因此，在低信噪比的情况下，上述信道估计方法具有良好的性能。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种无线传感器网络的信道估计方法，其特征在于，包括：

节点数量确定步骤，在无线传感器网络中，计算同时进行信道估计的发送簇普通节点的数量；

选择步骤，选择列数与所述发送簇普通节点的数量相同的正交训练码矩阵；

信号生成步骤，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源，并保存至发送簇中心节点和多个所述发送簇普通节点以生成训练信号；

接收步骤，多个接收簇普通节点同时接收由所述发送簇中心节点控制多个所述发送簇普通节点同时发送对应的所述训练信号；

转发步骤，所述接收簇普通节点转发所述训练信号至接收簇中心节点；

重构步骤，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵；

分解步骤，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量；

建立方程组步骤，所述接收簇中心节点基于子空间理论重构所述奇异向量，建立信道矩阵的线性方程组；

估算步骤，所述接收簇中心节点求解所述线性方程组，获得所述信道矩阵的估计值。

2.根据权利要求1所述的无线传感器网络的信道估计方法，其特征在于，所述发送簇普通节点的数量为N，所述正交训练码矩阵的表达式为S＝[s^l,n]_L×N，其中l＝l,…,L，n＝1,…,N，所述S为一个L×N正交矩阵，所述N表示列数，所述L表示行数，所述L和N为均正整数，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源的表达式为s＝[s₀ s₁… s_K-1]^T，所述训练数据源的长度为K。

3.根据权利要求2所述的无线传感器网络的信道估计方法，其特征在于，所述接收矩阵的表达式为Y＝[y^l，m]_L×M，其中l＝1,…,L，m＝1,…,M，所述M表示列数，所述L表示行数，所述L和M为均正整数，在所述l时刻，第m个接收簇 普通节点接收的所述训练信号的表达式为：

其中，v^l,m表示所述信道中的加性复高斯白噪声，h_n,m表示从第n个发送簇普通节点到所述第m个接收簇普通节点的信道增益。

4.根据权利要求3所述的无线传感器网络的信道估计方法，其特征在于，在所述l时刻，所述第m个接收簇普通节点接收的所述训练信号表达式转换为Y＝SH+V，其中，

Y＝[y^l,m]_L×M,H＝[h_n,m]_N×M,V＝[v^l,m]_L×M，

l＝1,…,L,m＝1,…,M,n＝1,…,N。

5.根据权利要求4所述的无线传感器网络的信道估计方法，其特征在于，在忽略所述加性复高斯白噪声条件下，所述第m个接收簇普通节点接收的所述训练信号转换为Y＝SH，其中，X_k为一个L×N实矩阵，Y的第j列表示为：

其中，T表示转置。

6.根据权利要求5所述的无线传感器网络的信道估计方法，其特征在于，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵为：将所述Y的所有列首尾相连获得一个接收分组y，

所述信道为准静态瑞利衰弱信道，在长度为KI的数据帧的持续时间内，所述信 道是为时不变的，将I个所述接收分组y构造成Ψ＝[y₁ … y_I]，并在所述加性复高斯白噪声条件下，获得重构训练矩阵Ψ，

7.根据权利要求6所述的无线传感器网络的信道估计方法，其特征在于，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量为：对所述重构训练矩阵Ψ进行奇异值分解，得到

Ψ＝UΣW^A＝[U_s U_n]ΣW^A

其中，U和W分别为酉矩阵，A表示共轭转置，所述U_s表示信号子空间，所述U_s为一个ML×2K的矩阵，且所述U_s包含了U的前2K列，所述U_n表示噪声子空间，所述U_n包含了所述U剩下的ML-2K列。

8.根据权利要求7所述的无线传感器网络的信道估计方法，其特征在于，所述接收簇中心节点对所述奇异向量进行重构，建立信道矩阵的线性方程组为：

基于所述子空间理论，所述信号子空间与所述噪声子空间相互正交，得到表达式

令P＝ML-2K，将所述U_n分解为U_n＝[u¹ … u^P]，将所述U_n的第p列分成长度为L×1的M块，其中

其中，(X_i)_j表示X_i的第j列，把U_n的所有列一起考虑并代入所述获得线性方程组：

9.根据权利要求8所述的无线传感器网络的信道估计方法，其特征在于，所述接收簇中心节点求解所述线性方程组为：将所述等价转化为令获得求出所述信道矩阵的唯一解，将所述唯一解转换成矩阵形式，所述唯一解与实际信道相差常数α倍，将所述信道矩阵和所述正交训练码矩阵代入Y＝S H，求出α，获得估计的实际信道。

10.一种无线传感器网络的信道估计系统，其特征在于，包括：

节点数量确定单元，在无线传感器网络中，计算同时进行信道估计的发送簇普通节点的数量；

选择单元，选择列数与所述发送簇普通节点的数量相同的正交训练码矩阵；

信号生成单元，根据所述正交训练码矩阵的码源数量，按照均匀分布随机生成训练数据源，并保存至发送簇中心节点和多个所述发送簇普通节点以生成训练信号；

接收单元，多个接收簇普通节点同时接收由所述发送簇中心节点控制多个所述发送簇普通节点同时发送对应的所述训练信号；

转发单元，所述接收簇普通节点转发所述训练信号至接收簇中心节点；

重构单元，所述接收簇中心节点重构接收的所述训练信号的接收矩阵，获得重构训练矩阵；

分解单元，所述接收簇中心节点对所述重构训练矩阵进行奇异值分解获得奇异向量；

建立方程组单元，所述接收簇中心节点基于子空间理论重构所述奇异向量，建立信道矩阵的线性方程组；

估算单元，所述接收簇中心节点求解所述线性方程组，获得所述信道矩阵的估计值。