CN104320845B - 一种基于传感器和量子智能计算的主用户定位方法 - Google Patents
一种基于传感器和量子智能计算的主用户定位方法 Download PDFInfo
- Publication number
- CN104320845B CN104320845B CN201410321036.XA CN201410321036A CN104320845B CN 104320845 B CN104320845 B CN 104320845B CN 201410321036 A CN201410321036 A CN 201410321036A CN 104320845 B CN104320845 B CN 104320845B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mtr
- msub
- quantum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0273—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves using multipath or indirect path propagation signals in position determination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于传感器和量子智能计算的主用户定位方法,其基于无线传感器网络辅助认知无线电网络实现,包括如下步骤:步骤一网络部署阶段,步骤二定位信息收集阶段,步骤三测距阶段,数据融合中心对采样到的信号强度求均值作为该锚节点的接收信号强度RSS,在对数正态阴影路径损耗无线传播环境模型下,根据RSS估计出主用户和锚节点之间的距离;步骤四定位阶段,将定位问题转化为优化问题,采用量子遗传模拟退火算法解决该优化问题,进而实现对主用户二维空间的位置定位。本发明能够在确保良好的定位性能的前提下,达到同时降低算法的复杂度又节约电池能耗的效果;基于量子遗传模拟退火算法的定位方法可以获得精确的主用户位置信息。
Description
技术领域
本发明涉及认知无线电和传感器网络的交叉应用领域,尤其涉及一种基于传感器和量子智能计算的主用户定位方法。
背景技术
随着无线通信的应用大量增加,无线终端的数量激增,而且越来越多的移动通信设备和通信服务的融合对更高的数据传输速率的需求日益增加,这造成对无线频谱资源的需求量将达到前所未有的程度,那么可用的频谱资源将会很快被消耗殆尽。而现实的问题是,无线通信频谱的利用效率并不高。在目前投入运营的无线频段中,存在着许多“频谱空洞”(未被利用的频谱),美国通信联邦委员会(FCC)测量了在亚特兰大、芝加哥等的频谱使用情况,研究表明,平均只有5%-10%的频谱被使用,DARPA的研究表明,只有2%的频谱资源是在任何时候都被占用的(谢显中.认知无线电技术及其应用[M].北京:电子工业出版社,2008.)。
为此,于1999年Joseph Mitola博士提出认知无线电(Cognitive Radio,CR)的概念(Mitola J,Maguire Jr G Q.Cognitive radio:making software radios morepersonal[J].IEEE Personal Communications,1999,6(4):13-18.)。他提出的认知无线电是智能的、灵活的、可重构的软件无线电。通过对外界环境的感知,并使用人工智能技术从环境中有目地进行学习,实现对某些操作参数(比如载波频率、传输功率和调制技术等)的实时改变,并且其内部状态能够自动地适应接收的无线信号的统计变化,进而实现任何时间、任何地点的高可靠通信,以及对不同网络环境中有限的无线频谱资源进行高效地利用(Haykin S.Cognitive radio:brain-empowered wireless communications[J].IEEEJournal on Selected Areas in Communications,2005,23(2):201-220.)。因此认知无线电被认为是一种最有前途的无线通信技术之一,近些年的许多研究都集中在认知无线电网络。
在认知无线电网络中,其位置和环境认知功能旨在为无线设备和网络提供有用的信息,使得他们能够互动和从周围环境中学习。其位置认知功能为认知无线电网络引入了新技术和应用(基于位置信息的服务、移动性管理、安全和隐私、无缝定位和互操作性、统计学习和跟踪、位置估计和认知)。一个包括这些功能并被称为位置认知引擎的架构在文献(Celebi H,Arslan H.Utilization of location information in cognitive wirelessnetworks[J].IEEE Wireless Communications,2007,14(4):6-13.)中被提出。如图1所示。不同的定位系统和各种定位方法之间的数据流被用于无缝定位和互操作功能中,移动设备的跟踪可以通过统计学习和跟踪工具来进行,关于实施成本和系统容量的问题交由移动性管理来处理。
测量和(或)认知设备接口被用来从操作环境中获取主用户的信号,获得的信号被发送到位置认知中心进行数据的后处理。定位估计和(或)认知算法对这些数据进行处理,进而获得位置信息。在获得主用户的位置信息之后,其位置信息的应用可以分为四大类:(1)基于位置信息的服务应用(例如:实时交通监控);(2)位置信息辅助的网络优化应用(例如:位置信息辅助的动态频谱接入系统);(3)位置信息辅助的发射接收机算法优化应用(例如:位置信息辅助的通信链路自适应器);(4)位置信息辅助的周围通信环境认知应用(例如:位置信息辅助的信道环境识别)(Celebi H,Arslan H.Utilization of locationinformation in cognitive wireless networks[J].IEEE Wireless Communications,2007,14(4):6-13.)。
Nam H认为,在认知无线电网络中,主用户的位置信息对实现频谱资源的分配有着非常重要的作用:已知主用户的精确位置,就能够估算出主用户和次用户之间的距离,根据发射机与接收机的测量功率来估计出信道环境的路径损耗因子,进而估计出主用户和锚节点之间的信道状态信息(Channel State Information,CSI),这比在假设信道状态已知的条件下进行频谱资源的分配更切合实际;这样利于主用户位置信息采用频谱资源管理相关算法能够在保证主、次用户之间正常通信的前提下,使主用户免受锚节点的干扰,同时保持主用户发射信号功率最小,进而极大地提高频谱的利用效率,有助于实现认知无线电网络的优化配置,使频谱资源的利用率和空间重用率达到最大化。
Celebi H(Celebi H,Arslan H.Utilization of location information incognitive wireless networks[J].IEEE Wireless Communications,2007,14(4):6-13.)认为,主用户的位置信息对于保证认知无线电网络频谱认知阶段的网络安全性也具重要作用。在频谱感知阶段,有一种称为模拟主用户攻击的问题威胁着频谱感知结果。在这种攻击中,攻击者效仿主用户信号向周围发射信号。由于认知无线电网络的空中接口高度灵活且基于软件而设计,因而使得模拟主用户攻击成为可能。模拟主用户攻击不仅严重干扰了频谱感知过程,而且将显著减少提供给主用户的信道资源。为应对该威胁,文中设计了一种基于主用户位置信息的发射机验证方案,通过估计主用户的位置和观察信号特征来验证一个给定的信号是否为主用户发射机的发射信号,进而避免模拟主用户攻击,提高锚节点利用频谱的机会。仿真结果显示,在一定条件下,设计的基于主用户位置信息的安全算法在避免模拟主用户攻击方面是有效的。因此,主用户的位置信息在频谱认知过程中发挥着重要的作用。
根据是否需要在定位过程中对主用户节点和次用户之间的距离进行测量,可以把现有定位算法分为两大类:range-based和range-free(Werner J,Hakkarainen A,ValkamaM.Estimating the primary user location and transmit power in cognitive radiosystems using extended Kalman filters[C].2013IEEE10th Annual Conference onWireless On-demand Network Systems and Services(WONS),2013:68-73.),即基于测距的定位方法和基于非测距的定位方法。目前,现有的测距技术主要有基于RSS(ReceivedSignal Strength)、DOA(Direction Of Arrival)、TOA(Time Of Arrival)、TDOA(TimeDifference Of Arrival)的测距技术,基于测距的定位方法是采用这些测距技术测量用户间的距离、角度或到达时间等信息,根据这些信息利用特定的定位算法定位主用户的位置;而基于非测距的定位方法则无需这些测距信息就可实现主用户的定位,DV-Hop算法(Distance Vector-hop:基于距离向量-跳段的算法)、Centroid算法(质心算法)和MDS-MAP(Multidimensional Scaling-Map:多维定标算法)算法是三种主要的基于非测距的定位方法。
文献(马志垚,陈巍,曹志刚.认知无线电网络中基于检测概率的主用户定位算法[J].北京邮电大学学报,2009,32(2):14-19.)(Ma Z,Chen W,Letaief K B,et al.A semirange-based iterative localization algorithm for cognitive radio networks[J].IEEE Transactions on Vehicular Technology,2010,59(2):704-717.)提出了一种新的定位算法,即基于检测概率的三维定位算法。在认知无线电网络中,能量检测是检测主用户存在与否的最常用的方法。次用户可以检测到主用户存在的成功概率的高低与次用户到主用户的距离具有很大的关系,通过对信道模型的分析和对次用户检测概率的估计,根据合作频谱认知得到的次用户n的主用户检测概率与平均接收信噪比的关系,假设信道环境采用Rayleigh信 道,可得到第n个次用户处的接收信噪比与次用户n到主用户的距离以及发射信号强度A的关系。然后采用加权最小二乘迭代算法间接实现主用户测距及三维空间位置定位,解决认知无线电网络中的主用户定位的主要问题。
文献(Wang Z,Feng Z,Song J,et al.A practical semi range-basedlocalization algorithm for cognitive radio[C].2010IEEE71st VehicularTechnology Conference (VTC2010-Spring),2010:1-5.)利用了频谱认知信息和主从用户之间的距离之间的潜在关系,提出了一种实用的被称为PSRB(Practical semi range-based)的定位算法,该算法为了摆脱定位对主用户发射端的先验信息的依赖,将主用户的发射功率和主用户的位置信息都作为要估计的参数,这体现了该算法的实用性。而且采取联合频谱感知技术来精确地估计主用户的占用状态,这使得次用户的估计检测概率更精确。
此外,还有一些研究了融合一种或者两种方法的混合定位算法,如融合RSS和TOA的算法,融合RSS和TDOA的算法等。
以上这些定位方法的研究背景只是单纯的认知无线电网络,对于无线传感器网络辅助认知无线电网络的定位方法研究甚少。无线传感器网络以自组织的的方式进行协作,能够实时监测和采集网络分布区域内的各种检测对象的信息,并将这些信息发送到融合中心进行融合,可实现复杂的指定范围内目标的检测,具有可靠性、抗毁性高的优点,并且部署灵活、成本较低(孔德阳,梁涛,张建照,蒋慧娟.面向频谱感知的传感器网络设计[J].电子设计工程,2012,20(13):65-68.)。将无线传感器网络引入认知无线电网络中,将形成一个全新的无线通信平台——无线传感器网络辅助的认知无线电系统(Mercier B,Fodor V,Thobaben R,et al.Sensor networks for cognitive radio:Theory and system design[J].ICT mobile ANmmit,2008.),该系统兼具传感器网络的优势和认知无线电网络的 认知能力,目前现有技术中还没有将传感器网络和无线电网络相结合用来定位主用户特别有效的方法。
发明内容
针对上述技术问题,本发明提供如下技术方案:
一种基于传感器和量子智能计算的主用户定位方法,基于无线传感器网络辅助认知无线电网络实现,该网络包括主用户、无线传感器节点和融合中心,其步骤如下:
1.步骤一:网络部署阶段;将无线传感器锚节点部署在主用户周围所在200m×200m感知区域中;
步骤二:定位信息的收集阶段,锚节点对主用户的发射信号进行采样接收,并将每个锚节点测量接收到的主用户的信号强度RSS发送至数据融合中心;
步骤三:在测距阶段,数据融合中心根据该锚节点的接收信号强度计算出路径损耗,对每个锚节点的RSS进行采样求平均值,将得到的均值作为该锚节点实际的接收信号强度:
其中,M为采样次数,RSSi,j为第i个锚节点在第j次的接收信号强度。
据此估计出主用户和锚节点之间的距离;
步骤四:将定位问题转化为优化问题,采用量子遗传模拟退火算法对主用户进行二维空间里两种场景下的位置定位,并对影响定位性能的因素进行了分析;
2.步骤一中网络部署结构根据主用户和锚节点所处的相对位置的不同分为主用户位于锚节点组成的凸包内和凸包外两种网络部署结构
3.步骤二中按照距离主用户最近的原则选取合适数量的锚节点来接收信号,并将它们的RSS发送至数据融合中心进行处理。
4.步骤三中测量距离的方法根据对数正态阴影路径损耗模型计算出信号传播的路径损耗,进而求出主用户发射机和锚节点接收机之间的距离;
基于RSS的测距方法采用的无线传播信道环境模型设定为对数正态阴影路径损耗模型,其数学模型为:
其中d0表示参考距离,一般取经验值1m。PL(d0)表示在d0处的路径损耗,n为与环境相关的路径损耗指数,其取值见表1,Xσ代表一个具有0均值且标准差为σ的高斯随机变量。据此模型估计主用户和锚节点之间的距离d。
表1
环境 | 路径损耗指数n |
室外-自由空间 | 2.0 |
室外-城市环境 | 2.7-5.0 |
室外-视距传播 | 1.6-1,8 |
室外-有障碍物 | 4.0-6.0 |
5.步骤四中将定位问题转化为优化问题的方法如下:
假设二维空间的认知无线电网络中含有N个锚节点,1个主用户。使用向量θ=[z1,z2,…,zN]代表锚节点的初始坐标,其中zi=[xi,yi]T,i=1,2,…N,表示第i个锚节点的坐标,i为该用户在网络中的唯一标示符。对待定位的主用户,设其坐标为(x,y),测得N个锚节点与主用户的距离分别为用户定位问题的实质便转化为求解下式的优化问题:
其中N为锚节点的数量,(x,y)为待定位的主用户位置,(xi,yi)为第i个锚节点的位置,为第i个锚节点到主用户的估计距离。
6.步骤四中的定位性能是指选择定位结果的平均定位误差MeanError来评估采用的定位算法的性能。
其中,N为定位主用户的次数,(x,y)和分别是主用户的实际位置和第i次的QGSA定位估计位置。
那么,定义本发明采用的QGSA算法的适应度函数fitness()为:
其中,N为选择到距离主用户最近的锚节点数,(xi,yi)为第i个锚节点的位置,为主用户的估计位置,为第i个锚节点与主用户之间的估计距离。
通过QGSA算法求解该适应度函数的最优解实现对认知无线电网络主用户定位模型的求解。
7.本专利中采用的量子遗传模拟退火算法(Quantum Genetic SimulatedAnnealing Algorithm,QGSA)的实现过程为:
步骤1:参数设置及种群初始化:
参数设置:量子遗传操作的种群规模pop、染色体编码长度length、进化代数maxgen、量子变异概率Pv、转角步长Δθ;模拟退火操作的初始温度T、退火 系数λ、每一固定温度下的迭代次数为L、更新解的概率Prenew、学习步长step、搜索半径sR。
种群的初始化:随机生成初始化种群Q(t0),种群由量子染色体构成,在第t代的种群为染色体定义如下:
将全部pop条染色体的2pop×length个概率幅都初始化为那么在第1代时,所有染色体均以相同的概率处于所有可能状态的线性叠加态之中,即
其中sk是由二进制串(x1x2...xm)描述的第k个状态,xi=0,1,i=1,2,…,length。那么,初始化的种群
步骤2:通过观察测量Q(t0)的状态来生成二进制解集P(t0)=(x1,x2,...,xpop),每个解是一个由0和1组成的长度为length的二进制串,其值是0还是1要由相应量子位的观测概率或决定。
步骤3:评估P(t0)的适应度函数值,以函数fitness(x,y)为适应度函数进行评估;
步骤4:记录P(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标;
步骤5:对当代的种群进行量子交叉、更新和变异,得到子代Q(t+1)。
a)量子交叉:采用全干扰交叉,该交叉方式在所有的染色体之间进行交叉;
b)量子更新:采用适当的量子旋转门来实现,采用的量子旋转门为:
量子态的更新策略(α'i β'i)=U(θi)·(αi βi),即
其中,是染色体中第i位量子位,θi是量子旋转门旋转角,其大小、方向可以通过相应的资料查得。
c)量子变异:对选中的个体按照变异概率确定若干个量子位,对选中的量子位进行非门操作,即当前量子位为变异后为即可实现量子变异操作。
步骤6:模拟退火操作:
1)依据遗传操作求得的当前最优解S生成新解S',新解的产生方法如下:
其中S,S'分别代表了当前解和产生的新解,U(a,b)表示随机产生的a~b之间的任何值,P为取值在0.3-0.4之间的概率值,sR为算法搜索半径,step学习步长。具体操作时,若温度较高,新解的产生采用式(10);若温度较低,新解的产生则采用式(11)。
2)求解当前解与新解之间的能级差Δ=f(S)-f(S');
3)评估新解S',根据Metropolis接收准则来判断接收或抛弃新解。Metropolis接收准则表达式可表述如下:
其中PS→S′表示由当前解S向这新解S'的转换接收概率,Δ=f(S)-f(S')表示状态间能级的差值,当能级增量Δ≤0时,接收新状态,否则以某一概率接收新状态。
4)判断当前温度是否足够低,当温度不够低时,继续进行模拟退火操作;当温度足够低,停止模拟退火操作,并记录目前最佳适应度函数值及最佳个体,将最佳个体作为下一次种群更新的目标,继续步骤7;
步骤7:判断遗传操作是否达到最大进化代数max gen,若没有达到,继续步骤5-6;若达到,算法结束。
8.应用量子遗传模拟退火算法实现主用户定位的具体步骤如下:
步骤1:参数设置及种群初始化:
参数设置:主用户发射功率Pt、路径损耗指数n、量子遗传操作的种群规模pop、染色体编码长度length、进化代数max gen、量子变异概率Pv、转角步长Δθ;模拟退火操作的初始温度T、退火系数λ、每一固定温度下的迭代次数为L、更新解的概率Prenew、学习步长step、搜索半径sR。
种群的初始化:随机生成初始化种群Q(t0),种群由量子染色体构成,在第t代的种群为染色体定义如下:
将全部pop条染色体的2pop×length个概率幅都初始化为那么在第1代时,所有染色体均以相同的概率处于所有可能状态的线性叠加态之中,即
其中sk是由二进制串(x1x2...xm)描述的第k个状态,xi=0,1,i=1,2,…,length。那么,初始化的种群
步骤2:通过观察测量Q(t0)的状态来生成二进制解集P(t0)=(x1,x2,...,xpop),每个解是一个由0和1组成的长度为length的二进制串,其值是0还是1要由相应量子位的观测概率或决定。
步骤3:评估P(t0)的适应度函数值,适应度函数为上述的将定位问题转化为优化问题的数学模型:
步骤4:记录P(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标;
步骤5:对当代的种群进行量子交叉、更新和变异,得到子代Q(t+1)。
d)量子交叉:采用全干扰交叉,该交叉方式在所有的染色体之间进行交叉;
e)量子更新:采用适当的量子旋转门来实现,采用的量子旋转门为:
量子态的更新策略(α'i β'i)=U(θi)·(αi βi),即
其中,是染色体中第i位量子位,θi是量子旋转门旋转角,其大小、方向可以通过相应的资料查得。
f)量子变异:对选中的个体按照变异概率确定若干个量子位,对选中的量子位进行非门操作,即当前量子位为变异后为即可实现量子变异操作。
步骤6:模拟退火操作:
5)依据遗传操作求得的当前最优解S生成新解S',新解的产生方法如下:
其中S,S'分别代表了当前解和产生的新解,U(a,b)表示随机产生的a~b之间的任何值,P为取值在0.3-0.4之间的概率值,sR为算法搜索半径,step学习步长。具体操作时,若温度较高,新解的产生采用式(10);若温度较低,新解的产生则采用式(11)。
6)求解当前解与新解之间的能级差Δ=f(S)-f(S');
7)评估新解S',根据Metropolis接收准则来判断接收或抛弃新解。Metropolis接收准则表达式可表述如下:
其中PS→S′表示由当前解S向这新解S'的转换接收概率,Δ=f(S)-f(S')表示状态间能级的差值,当能级增量Δ≤0时,接收新状态,否则以某一概率接收新状态。
8)判断当前温度是否足够低,当温度不够低时,继续进行模拟退火操作;当温度足够低,停止模拟退火操作,并记录目前最佳适应度函数值及最佳个体,将最佳个体作为下一次种群更新的目标,继续步骤7;
步骤7:判断遗传操作是否达到最大进化代数max gen,若没有达到,继续步骤5-6;若达到,算法结束。此时搜索到的最终解所对应的变量值即为QGSA算法对主用户的定位结果
本发明的有益效果是,采用的测距策略能够有效的降低信道环境中阴影效应对定位性能的影响;对锚节点进行一定数量的选择而非选择感知区域的所有锚节点,这样能够在确保良好的定位性能的前提下即降低算法的复杂度又节约电池的能量消耗;基于量子遗传模拟退火算法的定位方法可以获得精确的主用户位置信息。
附图说明
图1:位置认知架构示意图。
图2:基于RSS定位的无线传感器网络辅助认知无线电网络场景示意图。
图3:无线传感器网络辅助认知无线电网络场景下主用户定位过程流程图。
图4:对数正态阴影路径损耗模型仿真示意图。
图5:阴影效应对RSS的影响示意图。
图6:采取采样策略前后的测距误差仿真对比示意图。
图:7:网络部署结构Inner Case示意图。
图8:网络部署结构Outer Case示意图。
图9:Inner Case时采样次数sample对定位误差影响的比较图。
图10:Inner Case时锚节点数量ANnum对定位误差影响的比较图。
图11:Inner Case时标准差σ对定位误差影响的比较图。
图12:Outer Case时采样次数sample对定位误差影响的比较图。
图13:Outer Case时锚节点数量ANnum对定位误差影响的比较图。
图14:Outer Case时标准差σ对定位误差影响的比较图。
具体实施方式
下面结合实施例及附图,详细描述本发明的技术方案。
本发明为无线传感器网络辅助认知无线电网络的定位场景,选择基于接收信号强度RSS的测距方法(Werner J,Hakkarainen A,Valkama M.Estimating the primary userlocation and transmit power in cognitive radio systems using extended Kalmanfilters[C].2013IEEE10th Annual Conference on Wireless On-demand NetworkSystems and Services(WONS),2013:68-73.)(Kim S,Jeon H,Ma J.Robust localizationwith unknown transmission power for cognitive radio[C].IEEE MilitaryCommunications Conference,2007:1-6.)(Radhi N,Aziz K,Hamad S,et al.Estimateprimary user localization using cognitive radio networks[C].2011IEEEInternational Conference on Innovations in Information Technology(IIT),2011:381-385.)(Radhi N,Al-Raweshidy H S.Primary Signal Transmitter LocalizationUsing Cognitive Radio Networks[C].2011IEEE5th International Conference onNext Generation Mobile Applications,Services and Technologies(NGMAST),2011:137-141.)(Li X.Collaborative localization with received-signal strength inwireless sensor networks[J].IEEE Transactions on Vehicular Technology,2007,56(6):3807-3817.)(Li X.Performance study of RSS-based location estimationtechniques for wireless sensor networks[C].IEEE Military CommunicationsConference (MILCOM),2005:1064-1068.),采用量子遗传模拟退火算法实现主用户的定位。主用户定位问题实质上是一个基于不同距离或者路径测量值的全局优化问题, 量子遗传模拟退火算法具有全局搜索最优解的能力,该算法是量子遗传算法(李士勇,李盼池.量子计算与量子优化算法[M].哈尔滨:哈尔滨工业大学出版社,2009.)和模拟退火算法的有机融合,能够实现两种算法的优劣互补,使得量子遗传模拟退火算法在求解定位问题时具有更强的搜索能力和搜索效率,并能够获得较高质量的最优解,从而可以实现较高精度的主用户定位。目前,对基于量子智能算法的认知无线电网络中主用户定位的研究尚无,本发明致力于在无线传感器辅助认知无线电网络场景下,将量子遗传模拟退火算法应用于主用户定位的研究中,实现基于量子遗传模拟退火算法的主用户定位方法。
本发明实施例中基于RSS定位的无线传感器网络辅助认知无线电网络场景见图2,主用户向周围不断发射信号,其感知区域中部署的带有无线收发器的锚节点探测并接收来自主用户发射机的信号。每个锚节点测量接收到的主用户的信号强度(RSS),并和其他锚节点共享测量的RSS值和位置信息(Kim S,Jeon H,Ma J.Robust localization withunknown transmission power for cognitive radio[C].IEEE MilitaryCommunications Conference,2007:1-6.)。锚节点将接收到的定位信息发送到融合中心,融合中心可以是一台独立的计算机或者基站,也可以由锚节点轮流担当。融合中心对接收到的信息进行融合,然后使用测距技术和QGSA算法进行主用户定位。
如图3所示,本发明方法包括如下四个步骤:
步骤一:网络部署阶段;将无线传感器锚节点部署在主用户周围所在200m×200m感知区域中。
步骤二:定位信息的收集阶段,锚节点对主用户的发射信号进行采样接收,并将采样数据发送至数据融合中心。
定位信息的收集阶段:在认知无线电网络部署完成以后,主用户进行通信的过程中,向周围环境中不断发射信号,其周围的每个锚节点对自己所处位置探测到的主用户信号强度进行一定次数的采样接收,并将采样结果发送到信息融合中心进行处理。
考虑到锚节点用于通信的电池能量有限,选取感知区域中所有的锚节点辅助定位主用户的方法并不可行,所以选择一定数量的锚节点是比较理智的,选择的原则是按照距离主用户最近进行选取,将选择到的一定数量的锚节点辅助定位主用户,在保证定位性能的前提下,能够有效节省能量和降低算法复杂度。
所述的锚节点对主用户的发射信号进行采样接收,按照对每个锚节点的接收信号强度求均值的策略来获得更为精确的RSS,考虑到无线网络环境中检测到的RSS测量值会受到阴影效应的影响(见图5),在相同距离处两次的接收信号强度却不同,这导致RSS出现误差,进而影响定位性能。为降低阴影效应的影响,采取对每个锚节点的RSS进行采样求平均值的策略(Werner J,Hakkarainen A,Valkama M.Estimating the primary userlocation and transmit power in cognitive radio systems using extended Kalmanfilters[C].2013IEEE10th Annual Conference on Wireless On-demand NetworkSystems and Services(WONS),2013:68-73.)(Radhi N,Aziz K,Hamad S,et al.Estimateprimary user localization using cognitive radio networks[C].2011IEEEInternational Conference on Innovations in Information Technology(IIT),2011:381-385.),将得到的均值作为该锚节点实际的接收信号强度:
其中,M为采样次数,RSSi,j为第i个锚节点在第j次的接收信号强度。将得到的作为第i个锚节点的接收信号强度进行测距,这样的测距误差会减小很 多,如图6中带有米字符号的曲线所示,为采用该方法后的测距误差仿真结果,带有圆形符号的曲线为根据单次接收信号强度进行测距产生的测距误差,随着主用户和锚节点之间距离的增加,测距误差越来越大。采用该测距策略能够有效地提高测距结果,进而提高定位的精度。
步骤三:在测距阶段,数据融合中心根据该锚节点的接收信号强度计算出路径损耗,据此估计出主用户和锚节点之间的距离。
测距阶段:在采用基于RSS的测距原理,即已知主用户的发射信号强度的条件下,信息融合中心根据锚节点采样到的主用户发射信号强度,对每个锚节点的采样值求平均,求得的平均接受信号强度作为最终的RSS,然后,根据对数正态阴影路径损耗模型计算出信号传播的路径损耗,进而求出主用户发射机和锚节点接收机之间的距离,即测量距离。
采用基于RSS的测距方法采用的无线传播信道环境模型设定为对数正态阴影路径损耗模型(梁久祯.无线定位系统[M].北京:电子工业出版社,2013.)见图4,其数学模型为:
其中d0表示参考距离,一般取经验值1m。PL(d0)表示在d0处的路径损耗,n为与环境相关的路径损耗指数,其取值见表1,Xσ代表一个具有0均值且标准差为σ的高斯随机变量。据此模型估计主用户和锚节点之间的距离d。
表1
环境 | 路径损耗指数n |
室外-自由空间 | 2.0 |
室外-城市环境 | 2.7-5.0 |
室外-视距传播 | 1.6-1,8 |
室外-有障碍物 | 4.0-6.0 |
该环境模型使得在相同距离d处的接收机的路径损耗不同,图4展示了在载波频率fc=2.4GHz,σ=3dB,n=2的情况下,对数正态阴影模型的路径损耗图。通过该图,我们可以清楚地看到加在具有确定性特性的对数距离路径损耗模型上的随机阴影效应。
步骤四:将定位问题转化为优化问题,采用量子遗传模拟退火算法对主用户进行二维空间里两种场景下的位置定位,并对影响定位性能的因素进行了分析。
信息融合中心根据测距阶段得到的主用户和锚节点之间的测量距离,以主用户定位问题的数学模型表示的适应度函数(5)为目标函数,采用QGSA算法求解该函数的最小值,得到的最小的适应度函数值所对应的变量即为主用户的估计位置。
二维空间里的两种定位场景,考虑到主用户和锚节点不同的网络部署结构,按照主用户是否处于锚节点组成的凸包(convex hull(Kim S,Jeon H,Ma J.Robustlocalization with unknown transmission power for cognitive radio[C].IEEEMilitary Communications Conference,2007:1-6.))内,分为主用户处于锚节点组成的凸包内(inner case(Kim S,Jeon H,Ma J.Robust localization with unknowntransmission power for cognitive radio[C].IEEE Military CommunicationsConference,2007:1-6.))(见图7)和主用户处于锚节点组成的凸包外(outer case(Kim S,Jeon H,Ma J.Robust localization with unknown transmission power for cognitiveradio[C].IEEE Military Communications Conference,2007:1-6.))(见图8)两种结构,两种网络部署中均有12个锚节点和1个主用户。主用户位于[225225]m,Inner Case时,锚节点的位置分别为[191217]m、[213274]m、[259165]m、[273285]m、 [182135]m、[363213]m、[25774]m、[214389]m、[56335]m、[387387]m、[6611]m、[290522]m,Outer Case时,锚节点的位置分别为[225190]m、[180202]m、[237157]m、[242150]m、[157152]m、[17297]m、[121111]m、[66183]m、[51123]m、[12718]m、[4231]m、[713]m。对这两种结构对定位性能的影响均进行了仿真分析。
定位性能是指选择定位结果的平均定位误差MeanError来评估采用的定位算法的性能。
其中,N为定位主用户的次数,(x,y)和分别是主用户的实际位置和第i次的QGSA定位估计位置。
影响定位性能的因素包括三个参数:锚节点数量、接收信号强度的采样次数、正态对数阴影模型中的高斯随机变量的标准差,这三个参数均对定位性能有一定的影响,对此进行了仿真分析。
将主用户定位问题转化为优化问题,考虑到主用户定位问题的实质主要是一个基于不同距离或者路径测量值的全局优化问题,据此可以将解决主用户定位问题转化为求解优化问题,主要思路如下:
假设二维空间的认知无线电网络中含有N个锚节点,1个主用户。使用向量θ=[z1,z2,…,zN]代表锚节点的初始坐标,其中zi=[xi,yi]T,i=1,2,…N,表示第i个锚节点的坐标,i为该用户在网络中的唯一标示符。对待定位的主用户,设其坐标为(x,y),测得N个锚节点与主用户的距离分别为则求主用户的位置就是求解下面的方程:
对于上式的求解,如果能够得到精确的距离测量值,那么得到的主用户定位结果是准确的。但实际应用中,因为其他因素(如环境、硬件等)的影响,距离测量值总是存在着一定的误差。于是,主用户定位问题的实质便转化为求解下式的优化问题:
其中N为锚节点的数量,(x,y)为待定位的主用户位置,(xi,yi)为第i个锚节点的位置,为第i个锚节点到主用户的估计距离。
那么,定义本发明采用的QGSA算法的适应度函数fitness()为:
其中,N为选择到距离主用户最近的锚节点数,(xi,yi)为第i个锚节点的位置,为主用户的估计位置,为第i个锚节点与主用户之间的估计距离。
通过QGSA算法求解该适应度函数的最优解实现对认知无线电网络主用户定位模型的求解。
本发明所述的量子遗传模拟退火算法(Quantum Genetic Simulated AnnealingAlgorithm,QGSA)实现定位,是将量子遗传算法和模拟退火算法相结合而实现的一种仿生智能优化算法,其特征在于量子遗传算法的多点并行性搜索及模拟退火算法具有较强的单点串行搜索能力,考虑将模拟退火操作作为一个算子引入到量子遗传算法中,达到两种算法的优劣集成互补,实现了量子遗传模拟退 火算法。该算法具有并行性、搜索速度快、鲁棒性高、局部搜索能力强且搜索效率高的优点,在求解优化问题时能够获得较高质量的最优解。
应用量子遗传模拟退火算法实现主用户定位的具体步骤如下:
步骤1:参数设置及种群初始化:
参数设置:主用户发射功率Pt、路径损耗指数n、量子遗传操作的种群规模pop、染色体编码长度length、进化代数max gen、量子变异概率Pv、转角步长Δθ;模拟退火操作的初始温度T、退火系数λ、每一固定温度下的迭代次数为L、更新解的概率Prenew、学习步长step、搜索半径sR。
种群的初始化:随机生成初始化种群Q(t0),种群由量子染色体构成,在第t代的种群为染色体定义如下:
将全部pop条染色体的2pop×length个概率幅都初始化为那么在第1代时,所有染色体均以相同的概率处于所有可能状态的线性叠加态之中,即
其中sk是由二进制串(x1x2...xm)描述的第k个状态,xi=0,1,i=1,2,…,length。那么,初始化的种群
步骤2:通过观察测量Q(t0)的状态来生成二进制解集P(t0)=(x1,x2,...,xpop),每个解是一个由0和1组成的长度为length的二进制串,其值是0还是1要由相应量子位的观测概率或决定。
步骤3:评估P(t0)的适应度函数值,适应度函数为上述的将定位问题转化为优化问题的数学模型:
步骤4:记录P(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标;
步骤5:对当代的种群进行量子交叉、更新和变异,得到子代Q(t+1)。
g)量子交叉:采用全干扰交叉,该交叉方式在所有的染色体之间进行交叉;
h)量子更新:采用适当的量子旋转门来实现,采用的量子旋转门为:
量子态的更新策略(α'i β'i)=U(θi)·(αi βi),即
其中,是染色体中第i位量子位,θi是量子旋转门旋转角,其大小、方向可以通过相应的资料查得。
i)量子变异:对选中的个体按照变异概率确定若干个量子位,对选中的量子位进行非门操作,即当前量子位为变异后为即可实现量子变异操作。
步骤6:模拟退火操作:
9)依据遗传操作求得的当前最优解S生成新解S',新解的产生方法如下:
其中S,S'分别代表了当前解和产生的新解,U(a,b)表示随机产生的a~b之间的任何值,P为取值在0.3-0.4之间的概率值,sR为算法搜索半径,step学习步长。具体操作时,若温度较高,新解的产生采用式(10);若温度较低,新解的产生则采用式(11)。
10)求解当前解与新解之间的能级差Δ=f(S)-f(S');
11)评估新解S',根据Metropolis接收准则来判断接收或抛弃新解。Metropolis
接收准则表达式可表述如下:
其中PS→S′表示由当前解S向这新解S'的转换接收概率,Δ=f(S)-f(S')表示状态间能级的差值,当能级增量Δ≤0时,接收新状态,否则以某一概率接收新状态。
12)判断当前温度是否足够低,当温度不够低时,继续进行模拟退火操作;
当温度足够低,停止模拟退火操作,并记录目前最佳适应度函数值及最佳个体,将最佳个体作为下一次种群更新的目标,继续步骤7;
步骤7:判断遗传操作是否达到最大进化代数max gen,若没有达到,继续步骤5-6;若达到,算法结束。此时搜索到的最终解所对应的变量值即为QGSA算法对主用户的定位结果
本发明实施例中对该定位方案的定位性能进行评估,每种情况均定位500次。仿真场景从Inner Case和Outer Case两种情况进行了仿真分析,每种场景下主要从影响定位性能MeanError的三个参数(接收信号强度的采样次数、锚节点数量、标准差σ)进行定位性能的仿真分析,并将本专利的定位方案的定位性能和基于最小二乘法(Least Squares,LS)的主用户定位方法的定位性能进行了 对比(见图9-图14)。
两种定位方法的实验结果表明,在每种场景下,定位性能随着采样数量的增加,定位性能越来越好,这主要是因为采样次数的增加使阴影效应越来越弱,测距越来越精确,进而使得定位误差越来越小;定位性能随着锚节点数量的增加反而越来越差,这主要是因为选择了哪些距离主用户比较远、接收信号强度比较弱的锚节点进行测距计算,导致测距误差增大,进而导致定位误差越来越大;随着标准差σ的增加定位性能越来越差,主要是因为阴影效应的变得越来越严格,导致定位误差越来越大。并且,Inner Case场景下的定位性能优于Outer Case情况下的定位性能,这主要是因为Inner Case的网络部署结构优于OuterCase的网络部署结构,体现在Inner Case场景下的锚节点环绕分布在主用户的周围,这确保了一个良好的网络几何结构,而Outer Case场景下的主用户处于锚节点的凸包外,这样的网络几何结构不利于主用户定位。
两种定位方法的仿真对比结果表明,基于QGSA的主用户定位性能优于基于LS的主用户定位性能,并且网络部署结构对QGSA定位性能的影响不明显,而对LS定位性能的影响非常明显。
本发明提供了一种无线传感器网络辅助认知无线电网络场景下基于量子遗传模拟退火算法的主用户定位方法,本发明采用的方案创新点是:
1)利用无线传感器锚节点辅助定位认知无线电网络中的主用户,一定数量的无线传感器节点部署在主用户所在的感知区域中,作为锚节点辅助定位主用户。这些无线传感器节点只需自带无线收发器,不用额外添加硬件设备,方法简单,成本低廉。
2)辅助定位主用户的无线传感器锚节点并不是感知区域的所有锚节点都参与定位,而是按照距离主用户最近的原则选取合适数量的锚节点辅助定位,因此,在保证定位性能的前提下,能够有效降低算法复杂度并节省能耗。
3)对主用户发射信号进行采样接收,并对采样到的RSS求均值,该均值作为该锚节点最终的RSS,该策略能够有效地降低对数正态阴影路径损耗无线传播模型带来的阴影效应。
4)将主用户定位问题转化为优化问题,并给出优化问题的数学模型,据此解决主用户定位的问题。
5)本方案的定位方法采用量子遗传模拟退火算法,通过对该优化问题的求解来实现主用户二维空间的定位,该定位算法将量子智能计算中的量子遗传算法和模拟退火算法相结合,能够实现主用户的有效定位。
Claims (8)
1.一种基于传感器和量子智能计算的主用户定位方法,基于无线传感器网络辅助认知无线电网络实现,该网络包括主用户、无线传感器节点和融合中心,其步骤如下:
步骤一:网络部署阶段;将无线传感器锚节点部署在主用户周围所在200m×200m感知区域中;
步骤二:定位信息的收集阶段,锚节点对主用户的发射信号进行采样接收,并将每个锚节点测量接收到的主用户的信号强度RSS发送至数据融合中心;
步骤三:在测距阶段,数据融合中心根据该锚节点的接收信号强度计算出路径损耗,对每个锚节点的RSS进行采样求平均值,将得到的均值作为该锚节点实际的接收信号强度:
<mrow>
<mover>
<mrow>
<msub>
<mi>RSS</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>&ap;</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>RSS</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
其中,M为采样次数,RSSi,j为第i个锚节点在第j次的接收信号强度;
据此估计出主用户和锚节点之间的距离;
步骤四:将定位问题转化为优化问题,采用量子遗传模拟退火算法对主用户进行二维空间里两种场景下的位置定位,并对影响定位性能的因素进行了分析。
2.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法,其步骤一中网络部署结构根据主用户和锚节点所处的相对位置的不同分为主用户位于锚节点组成的凸包内和凸包外两种网络部署结构。
3.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法,其步骤二中按照距离主用户最近的原则选取合适数量的锚节点来接收信号,并将它们的RSS发送至数据融合中心进行处理。
4.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法,其步骤三中测量距离的方法根据对数正态阴影路径损耗模型计算出信号传播的路径损耗,进而求出主用户发射机和锚节点接收机之间的距离;
基于RSS的测距方法采用的无线传播信道环境模型设定为对数正态阴影路径损耗模型,其数学模型为:
<mrow>
<mi>P</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>10</mn>
<mi>n</mi>
<mi> </mi>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mi>d</mi>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>X</mi>
<mi>&sigma;</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中d0表示参考距离,一般取经验值1m;PL(d0)表示在d0处的路径损耗,n为与环境相关的路径损耗指数,Xσ代表一个具有0均值且标准差为σ的高斯随机变量;据此模型估计主用户和锚节点之间的距离d。
5.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法,其步骤四中将定位问题转化为优化问题的方法如下:
假设二维空间的认知无线电网络中含有N个锚节点,1个主用户;使用向量θ=[z1,z2,…,zN]代表锚节点的初始坐标,其中zi=[xi,yi]T,i=1,2,…N,表示第i个锚节点的坐标,i为该用户在网络中的唯一标示符;对待定位的主用户,设其坐标为(x,y),测得N个锚节点与主用户的距离分别为用户定位问题的实质便转化为求解下式的优化问题:
<mrow>
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中N为锚节点的数量,(x,y)为待定位的主用户位置,(xi,yi)为第i个锚节点的位置,为第i个锚节点到主用户的估计距离。
6.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法,其步骤四中的定位性能是指选择定位结果的平均定位误差MeanError来评估采用的定位算法的性能;
<mrow>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mi>E</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,N为定位主用户的次数,(x,y)和分别是主用户的实际位置和第i次的QGSA定位估计位置;
那么,定义本发明采用的QGSA算法的适应度函数fitness()为:
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,N为选择到距离主用户最近的锚节点数,(xi,yi)为第i个锚节点的位置,为主用户的估计位置,为第i个锚节点与主用户之间的估计距离;
通过QGSA算法求解该适应度函数的最优解实现对认知无线电网络主用户定位模型的求解。
7.根据权利要求6所述的一种基于传感器和量子智能计算的主用户定位方法,其QGSA算法的实现过程为:
步骤1:参数设置及种群初始化:
参数设置:量子遗传操作的种群规模pop、染色体编码长度length、进化代数maxgen、量子变异概率Pv、转角步长Δθ;模拟退火操作的初始温度T、退火系数λ、每一固定温度下的迭代次数为L、更新解的概率Prenew、学习步长step、搜索半径sR;
种群的初始化:随机生成初始化种群Q(t0),种群由量子染色体构成,在第t代的种群为染色体定义如下:
<mrow>
<msubsup>
<mi>q</mi>
<mi>j</mi>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
<mo>|</mo>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
<mo>|</mo>
<mtable>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
</mtable>
<mo>|</mo>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
将全部pop条染色体的2pop×length个概率幅都初始化为那么在第1代时,所有染色体均以相同的概率处于所有可能状态的线性叠加态之中,即
其中sk是由二进制串(x1x2...xm)描述的第k个状态,xi=0,1,i=1,2,…,length;那么,初始化的种群
步骤2:通过观察测量Q(t0)的状态来生成二进制解集P(t0)=(x1,x2,...,xpop),每个解是一个由0和1组成的长度为length的二进制串,其值是0还是1要由相应量子位的观测概率或决定;
步骤3:评估P(t0)的适应度函数值,以函数fitness(x,y)为适应度函数进行评估;
步骤4:记录P(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标;
步骤5:对当代的种群进行量子交叉、更新和变异,得到子代Q(t+1);
a)量子交叉:采用全干扰交叉,该交叉方式在所有的染色体之间进行交叉;
b)量子更新:采用适当的量子旋转门来实现,采用的量子旋转门为:
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
量子态的更新策略(α′i β′i)=U(θi)·(αi βi),即
<mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,是染色体中第i位量子位,θi是量子旋转门旋转角,其大小、方向可以通过相应的资料查得;
c)量子变异:对选中的个体按照变异概率确定若干个量子位,对选中的量子位进行非门操作,即当前量子位为变异后为即可实现量子变异操作;
步骤6:模拟退火操作:
1)依据遗传操作求得的当前最优解S生成新解S',新解的产生方法如下:
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>S</mi>
</mtd>
<mtd>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mo>+</mo>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>&times;</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>S</mi>
</mtd>
<mtd>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mo>&times;</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>s</mi>
<mi>R</mi>
<mo>,</mo>
<mn>1</mn>
<mo>+</mo>
<mi>s</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中S,S'分别代表了当前解和产生的新解,U(a,b)表示随机产生的a-b之间的任何值,P为取值在0.3-0.4之间的概率值,sR为算法搜索半径,step学习步长;具体操作时,若温度较高,新解的产生采用式(12);若温度较低,新解的产生则采用式(13);
2)求解当前解与新解之间的能级差Δ=f(S)-f(S');
3)评估新解S',根据Metropolis接收准则来判断接收或抛弃新解;Metropolis接收准则表达式可表述如下:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mo>&RightArrow;</mo>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mi>&Delta;</mi>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中PS→S'表示由当前解S向这新解S'的转换接收概率,Δ=f(S)-f(S')表示状态间能级的差值,当能级增量Δ≤0时,接收新状态,否则以某一概率接收新状态;
4)判断当前温度是否足够低,当温度不够低时,继续进行模拟退火操作;当温度足够低,停止模拟退火操作,并记录目前最佳适应度函数值及最佳个体,将最佳个体作为下一次种群更新的目标,继续步骤7;
步骤7:判断遗传操作是否达到最大进化代数maxgen,若没有达到,继续步骤5-6;若达到,算法结束。
8.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法,其应用量子遗传模拟退火算法实现主用户定位的具体步骤如下:
步骤1:参数设置及种群初始化:
参数设置:主用户发射功率Pt、路径损耗指数n、量子遗传操作的种群规模pop、染色体编码长度length、进化代数maxgen、量子变异概率Pv、转角步长Δθ;模拟退火操作的初始温度T、退火系数λ、每一固定温度下的迭代次数为L、更新解的概率Prenew、学习步长step、搜索半径sR;
种群的初始化:随机生成初始化种群Q(t0),种群由量子染色体构成,在第t代的种群为染色体定义如下:
<mrow>
<msubsup>
<mi>q</mi>
<mi>j</mi>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<mrow>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
<mo>|</mo>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
<mo>|</mo>
<mtable>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
</mtable>
<mo>|</mo>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>l</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
将全部pop条染色体的2pop×length个概率幅都初始化为那么在第1代时,所有染色体均以相同的概率处于所有可能状态的线性叠加态之中,即
其中sk是由二进制串(x1x2...xm)描述的第k个状态,xi=0,1,i=1,2,…,length;那么,初始化的种群
步骤2:通过观察测量Q(t0)的状态来生成二进制解集P(t0)=(x1,x2,...,xpop),每个解是一个由0和1组成的长度为length的二进制串,其值是0还是1要由相应量子位的观测概率或决定;
步骤3:评估P(t0)的适应度函数值,适应度函数为上述的将定位问题转化为优化问题的数学模型:
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4:记录P(t0)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标;
步骤5:对当代的种群进行量子交叉、更新和变异,得到子代Q(t+1);
d)量子交叉:采用全干扰交叉,该交叉方式在所有的染色体之间进行交叉;
e)量子更新:采用适当的量子旋转门来实现,采用的量子旋转门为:
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
量子态的更新策略(α′i β′i)=U(θi)·(αi βi),即
<mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,是染色体中第i位量子位,θi是量子旋转门旋转角,其大小、方向可以通过相应的资料查得;
f)量子变异:对选中的个体按照变异概率确定若干个量子位,对选中的量子位进行非门操作,即当前量子位为变异后为即可实现量子变异操作;
步骤6:模拟退火操作:
5)依据遗传操作求得的当前最优解S生成新解S',新解的产生方法如下:
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>S</mi>
</mtd>
<mtd>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mo>+</mo>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>&times;</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>S</mi>
</mtd>
<mtd>
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mo>&times;</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>s</mi>
<mi>R</mi>
<mo>,</mo>
<mn>1</mn>
<mo>+</mo>
<mi>s</mi>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中S,S'分别代表了当前解和产生的新解,U(a,b)表示随机产生的a-b之间的任何值,P为取值在0.3-0.4之间的概率值,sR为算法搜索半径,step学习步长;具体操作时,若温度较高,新解的产生采用式(12);若温度较低,新解的产生则采用式(13);
6)求解当前解与新解之间的能级差Δ=f(S)-f(S');
7)评估新解S',根据Metropolis接收准则来判断接收或抛弃新解;Metropolis接收准则表达式可表述如下:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mo>&RightArrow;</mo>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mi>&Delta;</mi>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&Delta;</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中PS→S'表示由当前解S向这新解S'的转换接收概率,Δ=f(S)-f(S')表示状态间能级的差值,当能级增量Δ≤0时,接收新状态,否则以某一概率接收新状态;
8)判断当前温度是否足够低,当温度不够低时,继续进行模拟退火操作;当温度足够低,停止模拟退火操作,并记录目前最佳适应度函数值及最佳个体,将最佳个体作为下一次种群更新的目标,继续步骤7;
步骤7:判断遗传操作是否达到最大进化代数maxgen,若没有达到,继续步骤5-6;若达到,算法结束;此时搜索到的最终解所对应的变量值即为QGSA算法对主用户的定位结果
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321036.XA CN104320845B (zh) | 2014-07-04 | 2014-07-04 | 一种基于传感器和量子智能计算的主用户定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321036.XA CN104320845B (zh) | 2014-07-04 | 2014-07-04 | 一种基于传感器和量子智能计算的主用户定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104320845A CN104320845A (zh) | 2015-01-28 |
CN104320845B true CN104320845B (zh) | 2018-02-02 |
Family
ID=52375993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321036.XA Active CN104320845B (zh) | 2014-07-04 | 2014-07-04 | 一种基于传感器和量子智能计算的主用户定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104320845B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105915891B9 (zh) * | 2016-05-06 | 2018-08-24 | 哈尔滨工程大学 | 一种基于暗场方差信号的图像传感器关键参数测试方法 |
US10176433B2 (en) * | 2016-05-13 | 2019-01-08 | Microsoft Technology Licensing, Llc | Training a quantum optimizer |
CN106059692A (zh) * | 2016-06-15 | 2016-10-26 | 全球能源互联网研究院 | 一种变电站环境的路径损耗建模方法 |
CN106131956A (zh) * | 2016-07-14 | 2016-11-16 | 广东工业大学 | 一种多个小型移动主用户的定位方法及装置 |
CN109756902B (zh) * | 2017-11-03 | 2022-01-11 | 富士通株式会社 | 多跳无线网络部署方法和装置 |
CN108111440A (zh) * | 2017-12-29 | 2018-06-01 | 重庆邮电大学 | 一种ofdm的子信道估计测距方法 |
CN110290455A (zh) * | 2018-03-15 | 2019-09-27 | 奥孛睿斯有限责任公司 | 基于场景识别的目标场景确定方法及系统 |
CN109348531B (zh) * | 2018-11-20 | 2021-05-11 | 南京邮电大学 | 基于缓存的高铁通信上行链路能效优化的功率分配方法 |
CN111007460B (zh) * | 2019-12-11 | 2022-04-15 | 中国人民解放军陆军工程大学 | 直升机协同定位方法 |
CN111817805B (zh) * | 2020-07-08 | 2022-07-19 | 中国人民解放军国防科技大学 | 一种信道传播模型参数的调整方法、装置和介质 |
CN111770549B (zh) * | 2020-07-10 | 2022-04-22 | 重庆师范大学 | 一种低成本无线传感网的构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001067186A1 (en) * | 2000-03-09 | 2001-09-13 | Stmicroelectronics S.R.L. | Method and hardware architecture for controlling a process or for processing data based on quantum soft computing |
CN101419276A (zh) * | 2008-12-10 | 2009-04-29 | 清华大学 | 一种认知无线电网络中定位主用户的方法 |
CN101808336A (zh) * | 2009-04-30 | 2010-08-18 | 清华大学 | 一种认知无线电网络中主用户的定位方法及系统 |
CN103200670A (zh) * | 2013-02-25 | 2013-07-10 | 北京科技大学 | 基于回溯检查凸集投影的认知无线电主用户定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI362500B (en) * | 2008-03-03 | 2012-04-21 | Ind Tech Res Inst | Transformation apparatus for the signal strength in a wireless location system and method thereof |
-
2014
- 2014-07-04 CN CN201410321036.XA patent/CN104320845B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001067186A1 (en) * | 2000-03-09 | 2001-09-13 | Stmicroelectronics S.R.L. | Method and hardware architecture for controlling a process or for processing data based on quantum soft computing |
CN101419276A (zh) * | 2008-12-10 | 2009-04-29 | 清华大学 | 一种认知无线电网络中定位主用户的方法 |
CN101808336A (zh) * | 2009-04-30 | 2010-08-18 | 清华大学 | 一种认知无线电网络中主用户的定位方法及系统 |
CN103200670A (zh) * | 2013-02-25 | 2013-07-10 | 北京科技大学 | 基于回溯检查凸集投影的认知无线电主用户定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104320845A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104320845B (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
Shen et al. | UAV-based 3D spectrum sensing in spectrum-heterogeneous networks | |
Choi et al. | Deep learning based NLOS identification with commodity WLAN devices | |
Huang et al. | Historical spectrum sensing data mining for cognitive radio enabled vehicular ad-hoc networks | |
Rabbat et al. | Decentralized source localization and tracking [wireless sensor networks] | |
Vazquez-Rodas et al. | Experimental evaluation of RSSI-based positioning system with low-cost LoRa devices | |
CN102064895B (zh) | Rssi与模式匹配相结合的无源定位方法 | |
CN102595592A (zh) | 一种移动社会网络目标节点的室内定位方法 | |
CN103873171B (zh) | 基于多用户互协作的协作频谱感知决策融合方法 | |
CN104581943A (zh) | 用于分布式无线传感网络的节点定位方法 | |
CN102364983A (zh) | 无线传感网中基于rssi测距的wls节点自定位方法 | |
Bejar et al. | Cooperative localisation in wireless sensor networks using coalitional game theory | |
Parwekar et al. | An efficient fuzzy localization approach in Wireless Sensor Networks | |
Mahjoub et al. | Composite $\alpha-\mu $ Based DSRC Channel Model Using Large Data Set of RSSI Measurements | |
Chagas et al. | Genetic algorithms and simulated annealing optimization methods in wireless sensor networks localization using artificial neural networks | |
Zhu et al. | On improving the cooperative localization performance for IoT WSNs | |
Song et al. | Fingerprinting localization method based on toa and particle filtering for mines | |
CN104202106A (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
CN103067108B (zh) | 一种认知无线电频谱感知合作检测方法 | |
Rathod et al. | Data-driven and GIS-based coverage estimation in a heterogeneous propagation environment | |
Sun et al. | AI model selection and monitoring for beam management in 5G-advanced | |
Li et al. | Localisation algorithm for security access control in railway communications | |
Wang et al. | A practical semi range-based localization algorithm for cognitive radio | |
El Samadony et al. | Enhanced trilateration localization using fuzzy logic for WSN | |
Zhou et al. | Improved localisation algorithm based on Markov chain Monte Carlo-Metropolis Hastings for wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |