CN103916344B - 无线传感网虚拟多输入多输出系统信号盲检测方法 - Google Patents

Abstract

本发明公开了无线传感网虚拟多输入多输出系统信号盲检测方法，所述方法利用无线传感器网传感器高密度分布的特点，在无线传感器网进行分簇处理的基础上，构造了一种虚拟MIMO系统盲检测模型，引入hopfield神经网络，采用多用户的Hopfield盲检测算法，实现无线传感网的接收端对簇间的簇首信号盲检测；然后将单用户的Hopfield盲检测算法，用于簇内各传感器节点信号盲检测。本发明方法在低信噪比，短数据的环境下，成功实现了盲检测，性能较好，为无线传感网提供了一种高速、低复杂度的信号盲检测方法。

Description

无线传感网虚拟多输入多输出系统信号盲检测方法

技术领域

本发明涉及无线传感网信号处理领域及神经网络领域，尤其是涉及无线传感网虚拟多输入多输出系统信号盲检测方法。

背景技术

传感器网络可以使人们在任何时间、地点和任何环境条件下获取大量详实可靠的信息,因此可以被广泛地应用于国防军事、国家安全、环境监测、交通管理、医疗卫生、制造业、反恐抗灾等领域。传感器网络的主要特点有：传感器网络节点在电源能量、通信能力、计算能力和存储容量等方面受限；传感器网络的拓扑结构变化速度很快；以数据为中心等等。随着高速率数据通信和无线传感网技术的迅猛发展，无线传感器网络中传感器节点高密度分布的独特的要求和制约因素为传感器网络的研究提出了新的技术问题和新的挑战。

无线传感器网络是一个能量受限的网络，传感器节点有体积、成本等方面的限制,多数情况下传感器网络中的节点都是由电池供电，电池容量有限，且在很多应用中不可能更换电池，因此，如何节省能耗并延长网络寿命是无线传感器网络设计中的一个关键问题。特别地，传感器节点的无线通信传输能耗是传感器节点能耗的主要部分，因此将能量受限的单天线传感节点以一定的机理协同起来形成虚拟的多天线系统，以此来提高网络系统的频谱效率和能量效率，达到降低系统能耗的目的，已成为研究的热点。

文献指出[杨维.移动通信中的阵列天线技术[M].清华大学出版社有限公司,2005]，MIMO系统要求多个发送阵列天线的间距大于10倍的信号波长，才能建立起多个相互独立的子信道，而无线传感网节点体积较小，直接采用多天线MIMO技术是不现实的[程波，无线传感器网络虚拟MIMO接收技术研究[D].华中科技大学，2007]。如果采用分簇处理，将距离较近的几个网络节点按照某种机理分成一个簇，并将簇内待传数据的节点和它附近的伙伴节点组织起来一起工作，多个单天线节点就形成了一个虚拟的多天线系统，那么多天线MIMO技术用于实际无线传感网中就成为可能，因此一种针对无线传感器网的虚拟MIMO技术被提了出来[无线传感网虚拟MIMO关键技术研究]。

文献[Cui S,Goldsmith A J,Bahai A.Energy-efficiency of MIMO andcooperative MIMO techniques in sensor networks[J].Selected Areas inCommunications,IEEE Journal on,2004,22(6):1089-1098]中Cui等人基于Alamouti的空时编码方案首次建立了系统和传感器节点的协作式虚拟MIMO系统的能耗模型，之后很多文献也提出了多种虚拟MIMO传输模型。但这些模型都是需要经过空时编码或者分层空时编码，而且都需要发送训练序列估计信道，这些都会耗费传感器节点能量。由于无线传感网一般是由低处理能力的节点组成，设计低复杂度的接收算法是其必然要求。全反馈Hopfield神经网络由于其良好的自组织、自学习、自适应性、高度的非线性、并行处理信息的能力，目前已广泛应用于单输入多输出系统的盲检测技术中，但是尚缺乏多输入多输出系统Hopfield算法的研究。

针对无线传感网的上述需求，本发明构造了基于全反馈Hopfield神经网络的虚拟MIMO系统盲检测方法，设计了多用户的Hopfield盲检测算法用于无线传感网的接收端对簇间的簇首信号盲检测，又将单用户的Hopfield盲检测算法用于簇内各传感器节点信号盲检测，最终得到所有传感器信号。

发明内容

本发明的目的是针对无线传感网现有技术的缺陷和不足，提供无线传感网虚拟多输入多输出系统信号盲检测方法。本发明在无线传感网虚拟多输入多输出MIMO传输模型分簇的基础上，设计了多用户的Hopfield盲检测算法用于无线传感网的接收端对簇间的簇首信号盲检测，又将单用户的Hopfield盲检测算法用于簇内各传感器节点信号盲检测，旨在为无线传感网信号盲检测提供一种高速、低复杂度的方法。

为解决上述技术问题，本发明所采用的技术方案是：

无线传感网虚拟多输入多输出系统信号盲检测方法，所述方法包括簇间MIMO传感器信号的Hopfield检测方法和簇内簇首节点自带的SIMO Hopfield信号检测方法，具体步骤如下：

1.簇间MIMO传感器信号的Hopfield检测方法

步骤A，构造接收数据矩阵：

设无线传感网虚拟MIMO传输模型传感器节点分为p簇，Sink接收端安装有 q根天线，簇首间信号无相关性，将该模型作为p输入q输出的虚拟MIMO有限冲激响应系统，其基带输出信号为：

XN=SN·Γ^T

式中，XN是接收数据阵，SN是是各簇簇首的发送信号阵，Γ是由信道冲激响应h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

SN=[sL(k),…,sL(k+N-1)]^T=[sn(k),…,sn(k-M-L)]_N×(L+M+1)p，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

sL(k)=[s^T(k),…,s^T(k-L-M)]^T；其中，s^T(k)=[s₁(k) s₂(k) … s_p(k)]，

s_i(k)∈{±1},i=1,2…,p，时刻k为自然数，[·]^T为矩阵转置；

h_jj=[h₀,…,h_M]_q×(M+1)p，jj=0,1,…,p；

q是过采样因子，取值为正整数；

XN=[x(k),…,x(k+N-1)]^T是Sink接收端接收数据阵是N×(L+1)q接收数据阵，其中x(k)=Γ·sL(k)；

步骤B，接收数据矩阵奇异值分解：

式中，

U_s是奇异值分解中的N×(L+M+1)p酉基阵；

0是(N-(L+M+1)p)×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

U_v是N×(N-(L+M+1)p)酉基阵；

D是(L+M+1)p×(L+1)q奇异值阵；

步骤C，设置权矩阵W=I_N-Q，其中I_N是N×N维的单位阵，

步骤D，得到一个簇的发送信号sn(k)

利用全反馈神经网络动力学方程

sn(k+1)=f(W·sn(k))=f(y(k))

对该方程进行迭代，直到sn(k+1)=sn(k)；

其中y(k)是由标量y_i(k)构成的向量，w_ij为神经网络权矩阵W中的元素，表示从神经元i到神经元j的联结权值，i、j都为小于等于N的正整数；最后平衡时得到的sn(k)即为所求的簇的发送信号，此簇标识为第一个簇；

f(·)为连续二值激活函数，且：f(·)=tanh(·)为双曲正切函数；

步骤E，MIMO信号空间删除法

对于p簇情况，由于第一个簇信号对于其他簇来说是干扰信号，将检测出的第一个簇信号加入到XN的补空间，

式中定义为步骤D获得的第一个簇的发送信号；

利用U_v构造新的补投影算子Q，再一次构成新的代价函数

设置权矩阵

W=I_N-Q

然后继续利用步骤D进行求解，由于第一簇的估计信号已经加入到其补空间里，因此，此时估计出的信号序列不会依然收敛于第一个簇，从而求出第二个簇的信号序列，依次类推，求出所有簇的信号；

2.簇内簇首节点自带的SIMO Hopfield信号检测方法

步骤F，构造簇内SIMO模型接收矩阵

设无线传感网某簇内具有qc个节点，分别发送信号至簇首，将该模型看作SIMO的有限冲激响应系统，其输出信号为：

Xc=Sc·Γc^T

式中，Xc是接收数据阵，Sc是加扰后的发送信号阵，Γc是由各节点至簇首信道的冲激响应hc_l构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

Sc=[sLc(t),…，sLc(t+Nc-1)]^T=[snc(t),…,snc(t-Mc-Lc)]_{Nc×(Lc+Mc+1)}，

Mc为各节点至簇首信道的阶数，Lc为均衡器阶数，Nc为簇首接收数据长度；

sLc(t)=[sc^T(t),…,sc^T(t-Lc-Mc)]^T；其中，sc(t)∈{±1}，是传感器发送的数字信号b(t)被扰码c扰动后的信号，sc(t)=c·b(t)，时刻t为正整数；

hc_l=[hc₀,…,hc_M]_qc×(Mc+1)；

Xc=[xLc(t),…,xLc(t+Nc-1)]^T是簇首接收数据阵，是Nc×(Lc+1)·qc接收数据阵，其中xLc(t)=Γc·sLc(t)；

步骤G，簇首接收数据矩阵奇异值分解：

式中，

Uc_s是奇异值分解中的Nc×(Lc+Mc+1)酉基阵；

0是(Nc-(Lc+Mc+1))×(Lc+1)q_c零矩阵；

Vc是(Lc+1)q_c×(Lc+1)q_c酉基阵；

Uc_v是Nc×(Nc-(Lc+Mc+1))酉基阵；

Dc是(Lc+Mc+1)×(Lc+1)q_c奇异值阵；

步骤H，设置Wc=Ic_N-Qc，其中Ic_N是Nc×Nc维的单位阵，

步骤I，

利用全反馈神经网络动力学方程

snc(t+1)=f(Wc·snc(t))=f(yc(t))

进行迭代，直到snc(t+1)=snc(t)；

yc(t)是由标量yc_i(t)构成的向量，wc_mm为权矩阵Wc中的元素，表示从神经元m到神经元n的联结权值，m和n为小于等于Nc的正整数；最后平衡时得到的snc(t)即为所求簇内第一个传感器的发送信号；

f(·)为连续二值激活函数，且：f(·)=tanh(·)为双曲正切函数；

步骤J，由扰码特性对求得的snc(t)解扰，得到第一个传感器的发送信号b(t)；

步骤K，由求得的snc(t)构造Sc，求得第一个传感器信道的Toeplitz矩阵Γc：

Γc=Xc^T(Sc^T)^#

其中(·)^#表示伪逆运算；

步骤L，由相关性推导出簇内其他传感器的信道；

利用该簇中所有节点的发送信号具有高互相关性的特点，对该簇中所有传感器节点进行信道盲估计与均衡；

设求得的簇首信道的Toeplitz矩阵为Γ_c1，定义对应于第a列向量为：

Hc₁(a)=[0_a-M,hc_M,…,hc₀ 0_L-a]^T

其中M≤a≤L，0_a-M即为a-M维的0向量；

求取簇内任一传感器e与簇首之间的信号相关矩阵，设定

其中X₁(n_1l+a)=Γ_c1·s_(Lc+Mc)1(n_1l+a)，n_1l为一正整数；当M≤a≤L且e≠1时，即有

r_1e为传感器e与簇首之间信号的相关性，其值为0.95；

获取传感器e的信道向量Hc_e(a)：

本发明的有益效果是：本发明公开了无线传感网虚拟多输入多输出系统信号盲检测方法，所述方法利用无线传感器网传感器高密度分布的特点，在无线传感器网进行分簇处理的基础上，构造了一种虚拟MIMO系统盲检测模型，引入hopfield神经网络，采用多用户的Hopfield盲检测算法，实现无线传感网的接收端对簇间的簇首信号盲检测；然后将单用户的Hopfield盲检测算法，用于簇内各传感器节点信号盲检测。本发明方法在低信噪比，短数据的环境下，成功实现了盲检测，性能较好，为无线传感网提供了一种高速、低复杂度的信号盲检测方法。

附图说明

图1本发明无线传感器网络虚拟MIMO系统分层结构图。

图2本发明基于分簇无线传感器网络簇内SIMO盲检测系统模型图。

具体实施方式

下面结合附图，对本发明提出的无线传感网虚拟多输入多输出系统信号盲检测方法进行详细说明：

图1是本发明无线传感器网络虚拟MIMO系统分层结构图。

定义1忽略噪声时，无线传感网虚拟MIMO传输模型的接收方程定义如下

XN=SN·Γ^T (1)

其中，虚拟MIMO传输模型传感器节点分为p簇，各簇簇首的发送信号阵为SN=[sL(k),…,sL(k+N-1)]^T=[sn(k),…,sn(k-M-L)]_N×(L+M+1)p，M为信道阶 数，L为均衡器阶数，N为所需数据长度，sL(k)=[s^T(k),…,s^T(k-L-M)]^T；其中，s^T(k)=[s₁(k) s₂(k) … s_p(k)]，Γ是由h_jj，jj=0,1,…,p构成的块Toeplitz矩阵，其维数为(L+1)q×(L+M+1)p，h_jj=[h₀,…,h_M]_q×(M+1)p是信道冲激响应，Sink接收端接收数据阵

(XN)_N×(L+1)q=[x(k),…,x(k+N-1)]^T

x(k)=Γ·sL(k)

定义2对于式(1)，Γ满列秩时，构造性能函数及优化问题

J₀=sn^T(k-d)·Q·sn(k-d)(2)

其中，sn∈{±1}^N是N维向量，所属字符集{±1}，表示信号的估计值。

Γ满列秩时，一定有满足Q·sn(k-d)=0。d=0,…,M+L，且(U_c)_{N×(N-(L+M+1))}是奇异值分解中的酉基阵。如此，虚拟MIMO簇间信号的盲检测问题就成为了式(3)的全局最优解问题。

本发明设计了MIMO的Hopfield算法来解决此问题，步骤如簇间MIMO传感器信号的Hopfield检测方法所述。

图2是本发明基于分簇无线传感器网络簇内SIMO盲检测系统模型图。

定义3忽略噪声时，设无线传感网某簇内具有qc个传感器节点，基于分簇无线传感网簇内SIMO传输模型的接收方程定义如下

Xc=Sc·Γc^T (4)

其中，Sc=[sLc(t),…,sLc(t+Nc-1)]^T=[snc(t),…,snc(t-Mc-Lc)]_{Nc×(Lc+Mc+1)}是簇内各传感器到簇首的发送信号，Mc为各传感器节点至簇首的通信信道的阶数，Lc为均衡器阶数，Nc为簇首接收数据长度；

sLc(t)=[sc^T(t),…,sc^T(t-Lc-Mc)]^T；其中sc(t)∈{±1}，是传感器发送的数字信号b(t)被扰码c扰动后的信号，sc(t)=c·b(t)，时刻t为正整数，Γc是由hc_l， l=0,1,…,M构成的块Toeplitz矩阵，其维数为(Lc+1)q_c×(Lc+Mc+1)，hc_l=[hc₀,…,hc_M]_qc×(Mc+1)是信道冲激响应；簇首的接收数据阵为

Xc=[xLc(t),…,xLc(t+Nc-1)]^T

xLc(t)=Γc·sLc(t)

定义4对于式(4)的，Γc满列秩时，构造性能函数及优化问题

Jc=snc^T(t)·Qc·snc(t) (5)

其中，snc∈{±1}^N是N维向量，所属字符集{±1}，表示信号的估计值。

同理，簇内簇首信号的盲检测问题就成为了式(5)的全局最优解问题。

Claims (1)

1.无线传感网虚拟多输入多输出系统信号盲检测方法，其特征在于，包括簇间MIMO传感器信号的Hopfield检测方法和簇内簇首节点自带的SIMO Hopfield信号检测方法，具体步骤如下：

簇间MIMO传感器信号的Hopfield检测方法

步骤A，构造接收数据矩阵：

设无线传感网虚拟MIMO传输模型传感器节点分为p簇，Sink接收端安装有q根天线，簇首间信号无相关性，将该模型作为p输入q输出的虚拟MIMO有限冲激响应系统，其基带输出信号为：

XN=SN·Γ^T

式中，XN是接收数据阵，SN是是各簇簇首的发送信号阵，Γ是由信道冲激响应h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

SN=[sL(k),…,sL(k+N-1)]^T=[sn(k),…,sn(k-M-L)]_N×(L+M+1)p，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

sL(k)=[s^T(k),…,s^T(k-L-M)]^T；其中，s^T(k)=[s₁(k) s₂(k) … s_p(k)]，

s_i(k)∈{±1},i=1,2…,p，时刻k为自然数，[·]^T为矩阵转置；

h_jj=[h₀,…,h_M]_q×(M+1)p，jj=0,1,…,p；

q是过采样因子，取值为正整数；

XN=[x(k),…,x(k+N-1)]^T是Sink接收端接收数据阵是N×(L+1)q接收数据阵，其中x(k)=Γ·sL(k)；

步骤B，接收数据矩阵奇异值分解：

$\mathrm{XN}=[U_s,U_v]\·\left[\begin{array}{c}D\\ 0\end{array}\right]\·V^T$

式中，

U_s是奇异值分解中的N×(L+M+1)p酉基阵；

0是(N-(L+M+1)p)×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

U_v是N×(N-(L+M+1)p)酉基阵；

D是(L+M+1)p×(L+1)q奇异值阵；

步骤C，设置权矩阵W=I_N-Q，其中I_N是N×N维的单位阵，

步骤D，得到一个簇的发送信号sn(k)

利用全反馈神经网络动力学方程

sn(k+1)=f(W·sn(k))=f(y(k))

对该方程进行迭代，直到sn(k+1)=sn(k)；

其中y(k)是由标量y_i(k)构成的向量，w_ij为神经网络权矩阵W中的元素，表示从神经元i到神经元j的联结权值，i、j都为小于等于N的正整数；最后平衡时得到的sn(k)即为所求的簇的发送信号，此簇标识为第一个簇；

f(·)为连续二值激活函数，且：f(·)=tanh(·)为双曲正切函数；

步骤E，MIMO信号空间删除法

对于p簇情况，由于第一个簇信号对于其他簇来说是干扰信号，将检测出的第一个簇信号加入到XN的补空间，

式中定义为步骤D获得的第一个簇的发送信号；

利用U_v构造新的补投影算子Q，再一次构成新的代价函数

$Q=U_v{U}_v^T$

设置权矩阵

W=I_N-Q

然后继续利用步骤D进行求解，由于第一簇的估计信号已经加入到其补空间里，因此，此时估计出的信号序列不会依然收敛于第一个簇，从而求出第二个簇的信号序列，依次类推，求出所有簇的信号；

簇内簇首节点自带的SIMO Hopfield信号检测方法

步骤F，构造簇内SIMO模型接收矩阵

设无线传感网某簇内具有qc个节点，分别发送信号至簇首，将该模型看作SIMO的有限冲激响应系统，其输出信号为：

Xc=Sc·Γc^T

式中，Xc是接收数据阵，Sc是加扰后的发送信号阵，Γc是由各节点至簇首信道的冲激响应hc_l构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

Sc=[sLc(t),…,sLc(t+Nc-1)]^T=[snc(t),…,snc(t-Mc-Lc)]_{Nc×(Lc+Mc+1)}，

Mc为各节点至簇首信道的阶数，Lc为均衡器阶数，Nc为簇首接收数据长度；

sLc(t)=[sc^T(t),…,sc^T(t-Lc-Mc)]^T；其中，sc(t)∈{±1}，是传感器发送的数字信号b(t)被扰码c扰动后的信号，sc(t)=c·b(t)，时刻t为正整数；

hc_l=[hc₀,…,hc_M]_qc×(Mc+1)；

Xc=[xLc(t),…,xLc(t+Nc-1)]^T是簇首接收数据阵，是Nc×(Lc+1)·qc接收数据阵，其中xLc(t)=Γc·sLc(t)；

步骤G，簇首接收数据矩阵奇异值分解：

$\mathrm{Xc}=[{\mathrm{Uc}}_s,{\mathrm{Uc}}_v]\·\left[\begin{array}{c}\mathrm{Dc}\\ 0\end{array}\right]\·V{c}^T$

式中，

Uc_s是奇异值分解中的Nc×(Lc+Mc+1)酉基阵；

0是(Nc-(Lc+Mc+1))×(Lc+1)q_c零矩阵；

Vc是(Lc+1)q_c×(Lc+1)q_c酉基阵；

Uc_v是Nc×(Nc-(Lc+Mc+1))酉基阵；

Dc是(Lc+Mc+1)×(Lc+1)q_c奇异值阵；

步骤H，设置Wc=Ic_N-Qc，其中Ic_N是Nc×Nc维的单位阵，

步骤I，

利用全反馈神经网络动力学方程

snc(t+1)=f(Wc·snc(t))=f(yc(t))

进行迭代，直到snc(t+1)=snc(t)；

yc(t)是由标量yc_i(t)构成的向量，wc_mm为权矩阵Wc中的元素，表示从神经元m到神经元n的联结权值，m和n为小于等于Nc的正整数；最后平衡时得到的snc(t)即为所求簇内第一个传感器的发送信号；

f(·)为连续二值激活函数，且：f(·)=tanh(·)为双曲正切函数；

步骤J，由扰码特性对求得的snc(t)解扰，得到第一个传感器的发送信号b(t)；

步骤K，由求得的snc(t)构造Sc，求得第一个传感器信道的Toeplitz矩阵Γc：

Γc=Xc^T(Sc^T)^#

其中(·)^#表示伪逆运算；

步骤L，由相关性推导出簇内其他传感器的信道；

利用该簇中所有节点的发送信号具有高互相关性的特点，对该簇中所有传感器节点进行信道盲估计与均衡；

设求得的簇首信道的Toeplitz矩阵为Γ_c1，定义对应于第a列向量为：

Hc₁(a)=[0_a-M,hc_M,…,hc₀ 0_L-a]^T

其中M≤a≤L，0_a-M即为a-M维的0向量；

求取簇内任一传感器e与簇首之间的信号相关矩阵，设定

$R_{\mathrm{le}}=\underset{M\→\∞}{\lim }\frac{1}{M}\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{X}_1(n_{1l}+a)X_e^T(n_{\mathrm{el}}+a){\mathrm{\ω}}_{1e}\left(l\right)$

其中X₁(n_1l+a)=Γ_c1·s_(Lc+Mc)1(n_1l+a)，n_1l为一正整数；当M≤a≤L且e≠1时，即有

$R_{1e}=r_{1e}{H}_{c1}\left(a\right)\·H_{\mathrm{ce}}^T\left(a\right)$

r_1e为传感器e与簇首之间信号的相关性，其值为0.95；

获取传感器e的信道向量Hc_e(a)：

$H{c}_e\left(a\right)=\frac{1}{r_{1e}}{R}_{1e}\·H{c}_1\left(a\right).$