CN104902492A - 一种面向无线体域网的高能效拓扑结构优化方法 - Google Patents

Abstract

本发明涉及一种面向无线体域网的高能效拓扑结构优化方法，包括以下步骤：A、分析无线体域网应用场景，确定可供选择的网络拓扑结构；B、分析信道路径损耗对数据传输的影响，获得单位时间内传感器节点的成功传输的数据量；C、计算单位时间内传感器节点的能耗，并求出传感器节点的单位比特能耗模型；D、求出传感器节点的最优发射功率；E、对同一拓扑结构中所有传感器节点应用步骤B、C和D，得到汇聚节点接收数据的单位比特能耗模型；F、对所有待选的网络拓扑结构应用步骤E，建立并分析最优汇聚节点位置模型，获得最优网络拓扑结构。采用本发明，可优化无线体域网的拓扑结构，实现提高无线体域网通信系统能效的目的。

Description

一种面向无线体域网的高能效拓扑结构优化方法

技术领域

本发明涉及无线通信领域，尤其涉及一种面向无线体域网的高能效拓扑结构优化方法。

背景技术

无线体域网(Wireless Body Area Networks,WBAN)是一种位于人体附近(或体内)的短距离无线网络。IEEE802.15.6工作组将星型拓扑应用于无线体域网中，其汇聚节点唯一并且置于人体体表附近，例如腰部。传感器节点采集数据，然后发送至汇聚节点。当网络中所有传感器节点和汇聚节点直接连接的时候，网络结构为单跳星型拓扑。网络节点被放置于人体的固定位置，因此人体的运动会造成遮挡影响通信，并且人体组织结构的特异性和阴影效应也会引起信号传输过程中极大的路径损耗。

无线体域网中节点是随身携带的，有些特殊节点甚至需要植入人体内部，所以WBAN的节点都需要具备体积小、重量轻、能源有限的特点，而且不容易进行频繁的电池更换。因此节点的能耗问题一直是研究的核心问题之一。通常，在无线通信系统中，能量消耗大体上可分为电路消耗的能量(即电路能耗)和在无线链路上发送无线信号消耗的能量(即传输能耗)，其中传输能耗占主要部分。

目前针对WBAN能耗问题采取的措施主要包括物理层节能，MAC层节能和网络层节能。对于物理层节能，目前主要通过自适应功率控制和利用压缩感知技术的数据压缩等方法降低网络能耗。对于MAC层节能，目前有BSN-MAC、CA-MAC、BATMAC协议等高能效MAC协议，通过减少数据流量、减少数据冲突等方法降低网络能耗。对于网络层节能，目前有CICADA、RTT和Anybody等路由协议，通过高效的路由算法实现降低传输能耗的目的。

发明内容

针对现有技术中存在的缺陷或不足，本发明提供一种面向无线体域网的高能效拓扑结构优化方法，通过优化无线体域网的拓扑结构，达到提高无线体域网通信系统能效的目的。

为达到上述目的，本发明采用如下技术方案：

一种面向无线体域网的高能效拓扑结构优化方法，包括以下步骤：

A、分析无线体域网应用场景，确定可供选择的网络拓扑结构；

B、分析信道路径损耗对数据传输的影响，获得单位时间内传感器节点的成功传输的数据量；

C、计算单位时间内传感器节点的能耗，并结合在步骤B中得到的数据，求出传感器节点的单位比特能耗模型；

D、分析步骤C中的传感器节点的单位比特能耗模型，获得传感器节点的最优发射功率，以降低传感器节点的单位比特能耗；

E、对同一拓扑结构中所有传感器节点应用步骤B、C和D，得到此时汇聚节点成功接收的数据的单位比特能耗模型；

F、对所有可供选择的网络拓扑结构应用步骤E，建立并分析最优汇聚节点位置模型，从而获得最优网络拓扑结构；

作为本发明的进一步改进，所述步骤A中确定可供选择的网络拓扑结构包括以下步骤：

A1、首先根据无线体域网应用场景，确定传感器节点的种类及数目，假设无线体域网中传感器节点个数为n；

A2、由于无线体域网中的传感器节点不止一个，所以确定每个传感器节点的位置；

A3、由于无线体域网中的汇聚节点有且只有一个，所以确定可供选择的汇聚节点位置，假设待选汇聚节点位置为x_j(j＝1,2,…,M)；

A4、最后根据不同的汇聚节点位置，确定可供选择的拓扑结构。

作为本发明的进一步改进，所述步骤B中获得单位时间内传感器节点的成功传输的数据量包括以下步骤：

B1、根据应用场景选取信道路径损耗模型。静态场景中最合适的路径损耗模型为对数正态分布；动态场景中最适合描述一般运动引起的中等衰落的是Nakagami-m分布，最适合描述剧烈运动引起的严重衰落的是Weibull分布；

B2、多次测量链路的信道增益，结合所选的路径损耗模型，利用最大似然估计获得路径损耗模型的概率密度函数的参数，进而获得路径损耗模型的累积分布函数；

B3、分析上述路径损耗模型的累积分布函数，得到传感器节点i的发射信号能被汇聚节点成功接收的概率α_i；

B4、根据传感器节点i在单位时间内发送的数据量，结合发射信号能被汇聚节点成功接收的概率，获得单位时间内被汇聚节点成功接收的数据量：

L_ri＝R_i·T_ai·α_i(1)

其中，R_i为传感器节点i的数据传输速率，T_ai表示传感器节点i的活跃期时间。步骤B中所述信道为CM3，所述链路为上行链路。

作为本发明的进一步改进，所述步骤C中获得每条链路的路径损耗模型及其参数包括以下步骤：

C1、计算单位时间内传感器节点的能耗；

C2、结合在步骤B中得到的数据，求出传感器节点的单位比特能耗模型：

$E_{\mathrm{bi}}=\frac{E_{\mathrm{Li}}}{L_{\mathrm{ri}}}\frac{(\frac{\mathrm{PAR}}{\mathrm{\ρ}}\·P_{\mathrm{ti}}+P_c)\·T_{\mathrm{ai}}+P_s\·T_{\mathrm{si}}}{R_i\·T_{\mathrm{ai}}\·{\mathrm{\α}}_i}---\left(2\right)$

其中，E_Li表示在时间T内传感器节点i传输L_i比特的信息时所消耗的能量，L_ri表示在时间T内传感器节点i的成功传输数据的比特信息数，PAR为信号的峰均比，ρ为射频端功放的漏极效率，P_ti表示传感器节点i的发射功率，T_ai表示活跃期的时间，T_si表示休眠期的时间，P_c为传感器节点中电路元器件的功率，P_s为传感器节点处于休眠期内系统的功率。

作为本发明的进一步改进，所述步骤D中传感器节点的最优发射功率包括以下步骤：

D1、分析步骤C中的传感器节点的单位比特能耗模型，在传感器节点i的种类和位置已知的情况下，模型(1)中除P_ti和α_i之外的参数均为定量，且α_i为参数为P_ti的一元方程，因此通过一系列变化可求得P_ti最优解，使传感器节点i单位比特能耗最小化；

D2、我们可以将传感器节点i单位比特能耗最小化模型建立为：

$\left\{\begin{array}{c}\underset{P_{\mathrm{ti}}}{\min }\frac{(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i}\\ s.t.0<P_{\mathrm{ti}}<P_{\max }\end{array}\right.---\left(3\right)$

其中，考虑到辐射对人体的影响以及节点硬件特点，P_max表示传感器节点i的最大发射功率。

用同样的方法，可求得每个传感器节点的最优发射功率，并使其单位比特能耗最小化。

作为本发明的进一步改进，所述步骤E中汇聚节点成功接收的数据的单位比特能耗模型为：

$E_b=\frac{E_L}{L_r}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i)}---\left(4\right)$

这里不考虑汇聚节点的功耗。此时仅确定了一种拓扑结构下无线体域网的单位比特能耗。通过改变汇聚节点位置可以获得不同的网络拓扑结构，对每一种拓扑结构均使用上述方法确 定网络的单位比特能耗，就能得到一个汇聚节点的位置使无线体域网的单位比特能耗最小。

作为本发明的进一步改进，所述步骤F中最优汇聚节点位置模型为：

$\left\{\begin{array}{c}\underset{x_j}{\min }\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i)}\\ s.t.x_j,j=\mathrm{1,2},...,M\end{array}\right.---\left(5\right)$

通过求解公式(5)可获得汇聚节点的最优位置x_j，使时间T内汇聚节点成功接收的数据的单位比特能耗最小。此时的拓扑结构即为最优拓扑结构，从而实现提高网络能效的目的。

附图说明

图1是本发明可供选择的无线体域网拓扑结构的示意图。

图2是本发明流程图。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

如图1和图2所示，本发明提供一种面向无线体域网的高能效拓扑结构优化方法，包括以下步骤：

S1、分析无线体域网应用场景，确定可供选择的网络拓扑结构；

S2、分析信道路径损耗对数据传输的影响，获得单位时间内传感器节点的成功传输的数据量；

S3、计算单位时间内传感器节点的能耗，并结合在步骤S2中得到的数据，求出传感器节点的单位比特能耗模型；

S4、分析步骤S3中的传感器节点的单位比特能耗模型，获得传感器节点的最优发射功率，以降低传感器节点的单位比特能耗；

S5、对同一拓扑结构中所有传感器节点应用步骤S2、S3和S4，得到此时汇聚节点成功接收的数据的单位比特能耗模型；

S6、对所有可供选择的网络拓扑结构应用步骤S5，建立并分析最优汇聚节点位置模型，从而获得最优网络拓扑结构。

无线体域网有很多实际应用场景，包括医疗保健、运动监测和娱乐应用等。针对不同的无线体域网应用场景，所需传感器的种类和数目也不尽相同，因此对应不同的网络拓扑结构。所以首先要根据不同的应用场景，确定传感器节点的种类和数目，并根据实际需求确定每个传感器节点的位置。

本发明采用星型拓扑结构。这时，由于传感器节点的种类、数目和位置已确定，影响无线体域网网络拓扑结构的因素就是汇聚节点的位置。根据实际需求，列出可供选择的汇聚节点位置，并通过以下方法获得最优汇聚节点位置，即可实现对无线体域网拓扑结构的优化。

首先假设无线体域网中传感器节点个数为n，传感器节点的种类已知，每个传感器节点的位置也已确定。待选汇聚节点位置为x_j(j＝1,2,…,M)。

传感器节点和汇聚节点间能否正常通信取决于接收机的接收功率是否满足接收机灵敏度的要求。如果链路方程的输出等于或大于接收机灵敏度的接收功率，则链路在起作用，也就是说接收机能正确地提取发射信号中所包含的信息。如果接收功率小于灵敏度电平，那么所提取的信息质量就达不到要求。

由于人体运动以及阴影效应的影响，无线体域网中的信道路径损耗一直在变化。根据路径损耗模型：

P_r＝P_t-PL(1)

其中P_t表示传感器节点的发射功率，P_r表示汇聚节点的接收功率，PL(dB)表示信道的路径损耗。可知当传感器节点的发射功率不变时，信道路径损耗的改变会引起汇聚节点的接收功率变化。当汇聚节点的接收功率小于灵敏度电平时，信号不能被成功接收。假设汇聚节点的灵敏度功率电平为P₀(dBm)，汇聚节点的接收功率高于或等于灵敏度电平的概率(也即传感器节点的发射信号能被汇聚节点成功接收的概率)为α，可得：

α＝P(P_r≥P₀)(2)

由式(1)和式(2)可得：

α＝P(PL≤P_t-P₀)(3)

当传感器节点的发射功率P_t不变时，由于汇聚节点的灵敏度功率电平P₀是常量，所以P_t-P₀也是常量。不难看出，对信道的路径损耗建模，公式(3)中的α即为路径损耗模型位于P_t-P₀点的累计概率分布(CDF)。

根据应用场景选取信道路径损耗模型。现有研究表明，静态场景中最合适的路径损耗模型为对数正态分布；动态场景中最适合描述一般运动引起的中等衰落的是Nakagami-m分布，最适合描述剧烈运动引起的严重衰落的是Weibull分布。这里以剧烈运动场景的情况举例说明。

下面是剧烈运动场景下路径损耗模型的概率分布函数(PDF)：

$f(h;\mathrm{\&lambda;},k)=\left\{\begin{array}{cc}\frac{k}{\mathrm{\&lambda;}}{\left(\frac{h}{\mathrm{\&lambda;}}\right)}^{k-1}{e}^{-{(h/\mathrm{\&lambda;})}^k},& h\&GreaterEqual;0\\ 0,& h<0\end{array}\right.---\left(4\right)$

其中，λ＞0是比例参数，k＞0是形状参数。

多次测量链路的信道增益，结合所选的路径损耗模型，利用最大似然估计获得路径损耗模型的参数λ和k。

进而获得剧烈运动场景下路径损耗模型的累积分布函数：

$F(h;\mathrm{\&lambda;},k)=1-e^{-{(h/\mathrm{\&lambda;})}^k}---\left(5\right)$

因此，传感器节点i的发射信号能被汇聚节点成功接收的概率α_i可以表示为：

${\mathrm{\&alpha;}}_i=1-e^{-{((P_{\mathrm{ti}}-P_0)/{\mathrm{\&lambda;}}_i)}^{k_i}---\left(6\right)}$

其中，P_ti表示传感器节点i的发射功率，λ_i和k_i为传感器节点i和汇聚节点间的信道路径损耗模型参数；

假设传感器节点i在时间T内传输的比特信息数为L_i，可得汇聚节点在时间T内成功接收的比特信息数为：

$L_r=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(L_i\&CenterDot;{\mathrm{\&alpha;}}_i)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\{L_i\&CenterDot;[1-e^{-{((P_{\mathrm{ti}}-P_0)/{\mathrm{\&lambda;}}_i)}^{k_i}}\left]\right\}---\left(7\right)$

其中，n表示传感器节点个数，α_i表示传感器节点i的发射信号能被汇聚节点成功接收的概率。

在无线体域网通信系统中，传感器节点工作的时序是基于占空比的实时处理过程。节点处于活跃期时，完成对人体生理信号的采集与传输；节点处于休眠期时，仅维持最小的功耗以等待被唤醒。并且对于正常的人体生理数据，其数据量大概可以确定。假设时间T内传感器节点i的活跃期时间为T_ai，传感器节点i的数据传输速率为R_i，公式(7)又可以表示为：

$L_r=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\{R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;[1-e^{-{((P_{\mathrm{ti}}-P_0)/{\mathrm{\&lambda;}}_i)}^{k_i}}\left]\right\}---\left(8\right)$

其中来自传感器节点i的数据的比特信息数为：

在传感器节点i和汇聚节点间的上行链路中，在时间T内传输L_i比特的信息时所消耗的能 量E_Li可以表示为： 

E_Li＝P_ai·T_ai+P_s·T_si(10)

其中，T_ai表示活跃期的时间，T_si表示休眠期的时间，P_ai为传感器节点处于活跃期内系统的功率，T_si为传感器节点处于休眠期内系统的功率，同时，T_ai+T_si＝T。

其中，功率P_ai包括射频端功放的功率P_PA和整个链路中电路元器件的功率P_c：

P_ai＝P_PA+P_c(11)

其中，对于固定的链路，P_c一般为常量，射频端功放的功率由发射功率P_ti和射频端功放的电路功率P_amp组成：

P_PA＝P_ti+P_amp(12)

其中，

$P_{\mathrm{amp}}=(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}-1)P_{\mathrm{ti}}---\left(13\right)$

式(13)中，ρ为射频端功放的漏极效率，PAR为信号的峰均比。

因此，信号活跃期内系统的功率P_ai可表示为：

$P_{\mathrm{ai}}=\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c---\left(14\right)$

于是，可得时间T内汇聚节点成功接收的数据中，来自传感器节点i的数据的单位比特能量消耗模型的结构为：

$E_{\mathrm{bi}}=\frac{E_{\mathrm{Li}}}{L_{\mathrm{ri}}}=\frac{(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;[1-e^{-{((P_{\mathrm{ti}}-P_0)/{\mathrm{\&lambda;}}_i)}^{k_i}]}}---\left(15\right)$

由此我们可以将传感器节点i单位比特能耗最小化模型建立为：

考虑到辐射对人体的影响以及节点硬件特点，P_max表示传感器节点i的最大发射功率。

在传感器节点i的种类和位置已知的情况下，模型(15)中除P_ti之外的参数均为定量，因此通过一系列变化可求得P_ti最优解，使传感器节点i单位比特能耗最小化。

用同样的方法，可求得每个传感器节点的最优发射功率，此时时间T内所有传感器节点的总能耗为：

$E_L=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}]---\left(17\right)$

进而可以得到时间T内汇聚节点成功接收的数据的单位比特能耗模型为：

$E_b=\frac{E_L}{L_r}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}]}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;[1-e^{-{((P_{\mathrm{ti}}-P_0)/{\mathrm{\&lambda;}}_i)}^{k_i}}\left]\right)}---\left(18\right)$

这里不考虑汇聚节点的功耗。此时仅确定了一种拓扑结构下无线体域网的单位比特能耗。通过改变汇聚节点位置可以获得不同的网络拓扑结构，对每一种拓扑结构均使用上述方法确定网络的单位比特能耗，就能得到一个汇聚节点的位置使无线体域网的单位比特能耗最小。

因此最优汇聚节点位置模型可建立为：

$\left\{\begin{array}{c}\underset{x_j}{\min }\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}]}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\{R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;[1-e^{-{((P_{\mathrm{ti}}-P_0)/{\mathrm{\&lambda;}}_i)}^{k_i}\left]\right\}}\mathrm{\&alpha;}}\\ s.t.x_j,j=\mathrm{1,2},...,M\end{array}\right.---\left(19\right)$

通过求解公式(19)可获得汇聚节点的最优位置x_j，使时间T内汇聚节点成功接收的数据的单位比特能耗最小。此时的拓扑结构即为最优拓扑结构，从而实现提高网络能效的目的。

Claims (7)

1.一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，包括以下步骤：

A、分析无线体域网应用场景，确定可供选择的网络拓扑结构；

B、分析信道路径损耗对数据传输的影响，获得单位时间内传感器节点的成功传输的数据量；

C、计算单位时间内传感器节点的能耗，并结合在步骤B中得到的数据，求出传感器节点的单位比特能耗模型；

D、分析步骤C中的传感器节点的单位比特能耗模型，获得传感器节点的最优发射功率，以降低传感器节点的单位比特能耗；

E、对同一拓扑结构中所有传感器节点应用步骤B、C和D，得到此时汇聚节点成功接收的数据的单位比特能耗模型；

F、对所有可供选择的网络拓扑结构应用步骤E，建立并分析最优汇聚节点位置模型，从而获得最优网络拓扑结构。

2.根据权利要求1所述的一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，上述步骤A中确定可供选择的网络拓扑结构包括以下步骤：

A1、根据无线体域网应用场景，确定传感器节点的种类及数目，假设无线体域网中传感器节点个数为n；

A2、确定每个传感器节点的位置；

A3、确定可供选择的汇聚节点位置，假设待选汇聚节点位置为x_j，其中j＝1,2,…,M并且M表示待选汇聚节点的总数；

A4、根据不同的汇聚节点位置，确定可供选择的拓扑结构。

3.根据权利要求1所述的一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，上述步骤B中获得单位时间内传感器节点的成功传输的数据量包括以下步骤：

B1、根据应用场景选取信道路径损耗模型，静态场景中最合适的路径损耗模型为对数正态分布；动态场景中最适合描述一般运动引起的中等衰落的是Nakagami-m分布，最适合描述剧烈运动引起的严重衰落的是Weibull分布；

B2、多次测量链路的信道增益，结合所选的路径损耗模型，利用最大似然估计获得路径损耗模型的概率密度函数的参数，进而获得路径损耗模型的累积分布函数；

B3、分析上述路径损耗模型的累积分布函数，得到传感器节点i的发射信号能被汇聚节点成功接收的概率α_i；

B4、根据传感器节点i在单位时间内发送的数据量，结合发射信号能被汇聚节点成功接收的概率，获得单位时间内被汇聚节点成功接收的数据量：

L_ri＝R_i·T_ai·α_i     (1)

其中，R_i为传感器节点i的数据传输速率，T_ai表示传感器节点i的活跃期时间；步骤B中所述信道为CM3，所述链路为上行链路。

4.根据权利要求1所述的一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，上述步骤C中获得每条链路的路径损耗模型及其参数包括以下步骤：

C1、计算单位时间内传感器节点的能耗；

C2、结合在步骤B中得到的数据，求出传感器节点的单位比特能耗模型：

$E_{\mathrm{bi}}=\frac{E_{\mathrm{Li}}}{L_{\mathrm{ri}}}=\frac{(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i}---\left(2\right)$

其中，E_Li表示在时间T内传感器节点i传输L_i比特的信息时所消耗的能量，L_ri表示在时间T内传感器节点i的成功传输数据的比特信息数，PAR为信号的峰均比，ρ为射频端功放的漏极效率，P_ti表示传感器节点i的发射功率，T_ai表示活跃期的时间，T_si表示休眠期的时间，P_c为传感器节点中电路元器件的功率，P_s为传感器节点处于休眠期内系统的功率。

5.根据权利要求1所述的一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，上述步骤D中传感器节点的最优发射功率包括以下步骤：

D1、分析步骤C中的传感器节点的单位比特能耗模型，求得P_ti最优解，使传感器节点i单位比特能耗最小化；

D2、传感器节点i单位比特能耗最小化模型：

$\left\{\begin{array}{c}\underset{P_{\mathrm{ti}}}{\min }\frac{(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i}\\ s.t.0<P_{\mathrm{ti}}<P_{\max }\end{array}\right.---\left(3\right)$

其中，考虑到辐射对人体的影响以及节点硬件特点，P_max表示传感器节点i的最大发射功率。

6.根据权利要求1所述的一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，上述步骤E中汇聚节点成功接收的数据的单位比特能耗模型为：

$E_b=\frac{E_L}{L_r}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}]}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i)}---\left(4\right)$

其中，E_L表示时间T内所有传感器节点的总能耗，L_r表示汇聚节点在时间T内成功接收的比特信息数。

7.根据权利要求1所述的一种面向无线体域网的高能效拓扑结构优化方法，其特征在于，上述步骤F中最优汇聚节点位置模型为：

$\left\{\begin{array}{c}\underset{x_j}{\min }\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(\frac{\mathrm{PAR}}{\mathrm{\&rho;}}\&CenterDot;P_{\mathrm{ti}}+P_c)\&CenterDot;T_{\mathrm{ai}}+P_s\&CenterDot;T_{\mathrm{si}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(R_i\&CenterDot;T_{\mathrm{ai}}\&CenterDot;{\mathrm{\&alpha;}}_i)}\\ s.t.x_j,j=\mathrm{1,2},...,M\end{array}\right.---\left(5\right).$