CN106507387B - 农田多径信道快衰落环境的概率窗不规则识别方法及装置 - Google Patents
农田多径信道快衰落环境的概率窗不规则识别方法及装置 Download PDFInfo
- Publication number
- CN106507387B CN106507387B CN201610835709.2A CN201610835709A CN106507387B CN 106507387 B CN106507387 B CN 106507387B CN 201610835709 A CN201610835709 A CN 201610835709A CN 106507387 B CN106507387 B CN 106507387B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- network
- weighted directed
- channel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005562 fading Methods 0.000 title claims abstract description 35
- 230000001788 irregular Effects 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000006855 networking Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 10
- 239000013256 coordination polymer Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 20
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000004321 preservation Methods 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 241000854291 Dianthus carthusianorum Species 0.000 description 2
- 241000209149 Zea Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开一种农田多径信道快衰落环境的概率窗不规则识别方法及装置。所述方法包括：采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。所述装置用于实现所述方法。本发明提供的农田多径信道快衰落环境的概率窗不规则识别方法，可实现对农田复杂渐变多径信道快衰落环境下节点间实时信道特性的准确实时描述。
Description
技术领域
本发明涉及无线通信领域，具体涉及一种多径信道快衰落环境的概率窗不规则识别方法及装置。
背景技术
无线通信是无线传感器网络数据传输的基础，农田环境由于作物密集生长，表现为典型的多径信道环境，无线信号在传播过程中，受不同种类障碍物的影响会发生不同程度的反射、散射和衍射等现象，造成信号能量的衰减，以及时延、相位、频率等的变化。农田中作物每年都经历不同生长阶段，这些阶段的枝叶密度差异很大，对信号传播产生不同程度的影响，其中，由于多径效应的作用，接收端信号主要表现为信号的不规则跳变，对农田无线传感器网络信号的正确稳定通信造成了影响。为此，研究建立农田环境下的信号传播特性模型显得尤为必要。
在现有的无线网络信道衰减建模研究中，郭秀明等对苹果园中2.4GHz无线信道在不同高度的传播特性进行了分析，通过实验数据得出了无线信号强度衰减与天线高度与环境参数之间的关系；李震等在基于神经网络预测的无线传感器网络田间射频信号路径损耗，研究了橘园中WSN射频信号与影响因素间的关系。但上述研究的重点均是信号强度与环境因素之间的相互关系，并未考虑小尺度衰落对信号强度与信号质量的影响，且对环境特征参数的选取不够准确。发明专利“一种高精度无线信道参数化模型的联合估计方法”(公告号：CN 101588328)提供了一种高精度无线信道参数化模型联合估计方法，主要包括：反射径分量参数估计、漫散射径分量参数估计、反射径信号分量重建、漫散射信号分量重建，并通过负反馈的方式对无线信道进行分析建模预测。发明专利“一种多径信道估计方法”(公告号：CN 101471904)提供一种多径信道延时估计方法，包括：对多径信道进行粗估计，得到多径信道延时的初始估计值；由多径信道采用多径时延对信道进行初估，然后通过测量多径信道的冲激响应h(n)得到多径信道模型。上述两方法的关键在于需要有效区分各反射、散射分量，并对每一条路径进行参数重建，但在实际应用中，尤其是在农田生产环境中，由于遮挡物密集，信道条件复杂，多径路径数量趋于无穷，因此无法采用上述方法中的有限数量反射、散射路径对信道进行描述重建；其次，在采取单纯基于实测的建模方法时，没有与环境变量参数关联，建模结果仅针对当前测量结果，普适性差，在无线传感器网络应用中局限性明显。发明专利“玉米大田无线传感器网络信道多尺度衰落模型的建模方法(公告号：CN103888204A)提供一种玉米大田无线传感器网络信道多尺度衰落模型的建模方法，根据采样区域内影响无线信号传播的环境因子，在不同环境因子及关键因子条件下，采集采样区域内的无线信号传播特征数据，并进行拟合建模。虽然解决了无穷不可分辨多径下的多尺度建模问题，但该方法将农田信道环境视为各向均匀的传播环境。实际上由于作物生长态势并不完全一致，且作物对无线信号的遮挡和天线与作物间的相对位置关系紧密，农田多径信道表现为方向的不均匀。此外由于现有经验模型建模方法的实时性不高，已建立模型无法对当前作物生长变化中的无线传感器应用场景进行准确描述。
现有实用场景建模方法中一般仅研究信号大尺度建模，划分参数主要考虑节点之间通信距离与天线高度，并未将农田生长高度变化、作物密度、植株空间结构等复杂渐变环境因子对信道传播模型的影响进行深入研究讨论。虽可以在大尺度上描述信道环境，但因没有与现场环境参数进行关联，也就无法依据可测量的环境参数对类似场景中的衰减因子进行预测分析，实用价值低。部分农田信道建模研究采用了概率分布模型用以达到对小尺度效应的准确描述，但依据概率分布模型难以对节点部署和拓扑控制过程实现直接的精确估计与指导。不仅如此，现有经验模型将某一阶段的农田地块视为各向均匀且同性介质，采用同一化模型进行描述，但实际中，由于作物生长并不完全一致，而节点天线与作物间的相对位置关系也对信号传播特性有着较大影响，所以农田信道并不是各向同性且均匀的。
此外，现有农田环境建模方法均采用经验模型，而对于农田而言，作物生长状况与环境参数在不同地块、同一地块不同年份均有所不同，根据某次实验数据拟合得出的信道特征参数对当年当期作物下的信号传播描述准确，但对于其他地块或同一地块不同年份的描述仍存在较大偏差。而经验模型一般将作物生长期分为多个阶段进行分别描述。虽然这样简化了经验模型的建模方法，但同一阶段内作物生长也存在差异，传统经验建模方法忽略了同一阶段内作物生长带来的信道模型区别，而用某次实验时的数据代表了整个生长阶段的信道特性。
因此，如何提出一种方法，实现对农田复杂渐变多径信道快衰落环境下节点间实时信道特性的准确实时描述，具有十分重要的意义。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种农田多径信道快衰落环境的概率窗不规则识别方法及装置。
一方面，本发明提出一种农田多径信道快衰落环境的概率窗不规则识别方法，包括：
采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；
采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。
本发明提供的农田多径信道快衰落环境的概率窗不规则识别方法，由于可通过概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别，因此可实现对农田复杂渐变多信道快衰落环境下节点间实时信道特性的准确实时描述。
另一方面，本发明还提出一种农田多径信道快衰落环境的概率窗不规则识别装置，包括采集单元以及连通图单元；
所述采集单元用于采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；
所述连通图单元用于采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。
本发明提供的农田多径信道快衰落环境的概率窗不规则识别装置，由于可通过概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别，因此可实现对农田复杂渐变多信道快衰落环境下节点间实时信道特性的准确实时描述。
附图说明
图1为本发明农田多径信道快衰落环境的概率窗不规则识别方法实施例的流程示意图；
图2为节点间定位测距分布示意图；
图3为本发明实施例中的网络加权有向连通图；
图4为本发明实施例对所述网络加权有向连通图进行更新的流程示意图；
图5本发明农田多径信道快衰落环境的概率窗不规则识别装置实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明农田多径信道快衰落环境的概率窗不规则识别方法实施例的流程示意图，参看图1，本实施例公开一种农田多径信道快衰落环境的概率窗不规则识别方法，包括：
S1、采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；
S2、采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。
本发明提供的农田多径信道快衰落环境的概率窗不规则识别方法，由于可通过概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别，因此可实现对农田复杂渐变多信道快衰落环境下节点间实时信道特性的准确实时描述。
其中，在S1中，所述采集节点间测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别包括：
获取所述节点在其通信半径内存在的可达邻居节点；
根据预设次数重复获取所述节点与其所有所述邻居节点的节点间测距样本；
根据所述节点间测距样本对节点间的实际连通距离进行分布估计，以获取节点间的有向信道路径的实际连通距离概率密度；
根据所述节点间的有向信道路径的实际连通距离概率密度采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别。
具体地，图2为节点间定位测距分布示意图，参看图2，假设对于网络中任意节点Si，其通信半径内存在可达邻居节点Sl、Sm、Sn…，根据预设次数例如20次，重复地获取其与所有邻居节点的连通距离，分别记为测距样本向量Dil，Dim，Din…，其中Dil＝{Dil(1)，Dil(2)，…，Dil(20)}。之后，计算节点Si与其所有邻居节点的连测距样本平均值
根据信道模型，路径损耗与距离的关系可表示为：
PL＝10n lg d+A+X
其中，n为环境遮挡相关的衰减系数，A为特定环境下的一常数，X为表征小尺度效应的路径损耗随机变量，其也是造成农田多径信道不规则的原因所在。在本发明方法中，由于将实际传输距离视为随机变量，因此，将路径损耗模型改写为：
PL＝10n lg D+A*
其中D为表征节点间实际连通距离的随机变量，PL为表征节点间实际路径损耗的随机变量，A*为特定环境下的一常数。
对于节点Si到Sj间的有向路径而言，因多径信道快衰落而造成定位测距值随机变化，所以采用随机变量Dij表征路径的实际连通距离。
根据定位测距样本值对实际距离分布进行估计，Dij的概率密度可按如下方法对其进行估计：
其中，N为定位测距样本总数，Dij(c)为路径定位测距的第c个样本值，hN为概率窗宽度，可视为边长为hN的超立方体的体积，a为数据维度。
对于概率窗函数其条件为且
特殊地，对于本实施例而言，选择正态分布函数作为本实施例的窗函数，则有Dij概率密度函数估计式为：
特殊地，本实施例中hN取值为0.05。
因为随机变量PL是随机变量D的单调连续可微函数，所以可得出路径上对应的信号路径损耗随机变量PL的概率密度函数为
由于农田无线信道的非均匀性，，所以节点Si到其邻居节点Sj、Sl、Sm、Sn…等间的信道均不一致，不仅如此，由于收发天线与遮挡作物的相对关系不尽相同，节点Si到Sj的信道与节点Sj到Si的信道也存在一定差异，即农田无线传感器网络节点间信道具有不规则性与有向性的特点。所以有
PLij、PLil、PLim、PLji等均不相同。
在完成对节点间有向信道路径损耗值进行估计与不规则识别后，则采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。
具体地，节点Si按照上述方法求得与所有邻居节点的传输信道路损后，建立节点间加权有向连通图，采用向量形式表示如下：
CPi代表Si的邻居节点到节点Si的多径信道不规则情况，节点Si对自身加权有向连通向量进行维护。所有节点的加权有向连通向量共同组成网络的加权有向连通矩阵，由sink节点收集并更新维护，网络加权有向连通矩阵表示如下：
对应的网络加权有向连通图如图3所示。
在分布式路由算法中节点根据自身维护的加权有向连通向量进行路径或簇头选择，在集中式路由算法中sink节点或是区域关键节点，可以收集形成并维护区域内节点的加权有向连通矩阵，并用以进行路由选择优化。
进一步地，所述方法还包括：
根据所述网络加权有向连通图获取节点间通信发射功率；
根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新。
其中，所述根据所述网络加权有向连通图获取节点间通信发射功率包括：
节点按照预设最大感知通信半径寻找邻居节点；
节点根据所述网络加权有向连通图获取其与所述邻居节点的节点间通信发射功率。
所述根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新包括：
节点按照所述节点间通信发射功率对目标节点发送试组网消息，若接收到所述目标节点发送的确认消息，则不对所述网络加权有向连通图中对应的双向边进行更新；
若节点未收到所述目标节点发送的试组网消息或确认消息，则对所述网络加权有向连通图中对应的双向边进行更新。
具体地，图4为本发明实施例对所述网络加权有向连通图进行更新的流程示意图，参看图4，对于农田无线传感器网络而言，低能耗是所有优化方法中需要考虑的重要问题。有效的预知网络节点间的连通关系，可以为网络低能耗稳定通信提供保障。为此，本发明提出的方法还包括一种网络加权有向连通图的更新机制，通过网络加权有向连通图得出节点通信发射功率预设值，并在满足预设条件时对网络加权有向连通图进行更新，以适应农田渐变多径信道条件。
所述网络加权有向连通图更新机制具体包括如下步骤：
步骤一、在网络建立初期，所有节点按照预设最大感知通信半径寻找邻居节点，并将所有的可达邻居节点加入其可达邻居节点集Ni＝{Sj|u(Dij)+σ(Dij)<dcrossover}中；
其中u(Dij)为随机变量Dij的均值，σ(Dij)为随机变量Dij的均方差。因为农田无线传感器网络一般从作物播种开始监测，所以可认为在网络建立初期任意节点Si可达邻居节点集为其最大可达邻居节点集。
步骤二、按照上述节点间测距定位方法以及概率窗不规则识别法建立网络节点间加权有向连通图，将置向图更新标志置0，并转至步骤三；
步骤三、从节点Si的加权有向连通图向量中选择对应的节点项，以确定节点Si对特定邻居节点的发射功率。以节点Si到Sj的通路为例：
Ptij＝u(PLij)+σ(PLij)+Psensitivity+A0
其中Ptij为节点Si对Sj的发射功率，Psensitivity为节点的接收灵敏度，A0为一预设的较小附加量。
若节点Si需同时与多个邻居节点进行连接通信，则取
Pti＝max{Ptij,Ptim,…,Ptin}
若处于路由建立或更新阶段，则选取能保证网络连通的最小连通邻居节点数量，一般地最小连通邻居节点数为5。则从节点Si的加权有向连通图向量中所需发射功率最小的5个邻居节点作为连通对象。若可达邻居节点集的节点数量小于5，则选择全部。并按上述方法确定节点间的发射功率。
步骤四、若进行了连通图更新，则以步骤三中确定的节点发射功率进行试组网，若未进行连通图更新，则按上一次的发射功率进行试组网，节点按各自的预设发射功率对目标节点发送试组网消息，若收到确认消息，则认为该对节点间双向信道均未发生变化或变化较小，无需对加权有向图中的该双向边进行更新。若某节点在加权有向连通图中的所有连接均未发生变化，则直接转入休眠，在预设时间唤醒，转入步骤五。
若节点未收到某连通对象的试组网消息，或未收到确认消息，则认为该节点间信道发生明显变化，需要对该连接边进行更新。则相关节点跳转至步骤二，对发生变化的连接边进行更新，并采用步骤三重新确定发射功率后，休眠并与无需建模节点在同一预设唤醒时间，转入步骤五。
步骤五、唤醒后，所有网内节点按最新的发射功率进行组网与数据上传。
本发明提供的农田多径信道快衰落环境的概率窗不规则识别方法，从农田复杂渐变环境对无线信号传输影响的角度出发，考虑农田无线信道的各向差异性，从农田无线传感器网络定位测距与信道条件的关系出发，采集定位测距样本以表征信道快衰落环境。采用正态分布概率窗不规则识别的方法，基于测距样本对节点间有向信道路径损耗值进行估计与不规则识别。并采用节点间连通向量的方式对信道特定进行描述，并形成网络加权有向连通图，实现了对农田各向异性环境中不规则信道的准确描述。采用矩阵向量的方式对连通图进行保存与维护，降低了节点资源要求，也可现实网络信道的任意区域分割，方便与不同路由算法进行适配对接。针对作物生长变化造成农田信道环境变化特点，提出加权有向连通图更新机制，在农田环境无变化或变化较小的情况下延用原有信道模型，避免不必要的算法开销。在环境总体或局部发生明显变化时，针对变化区域进行针对性更新，在实现对农田环境信道实时建模的同时也保证了较低的算法开销。为农田复杂环境中无线传感器网络监测应用中后续通信质量预测、节点位置部署、网络拓扑控制、覆盖度量、路由选择优化等提供基础理论基础与依据。
图5本发明农田多径信道快衰落环境的概率窗不规则识别装置实施例的结构示意图，参看图5，本发明还提供一种农田多径信道快衰落环境的概率窗不规则识别装置，所述装置包括采集单元1以及连通图单元2；所述采集单元1用于采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；所述连通图单元2用于采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。
本发明提供的农田多径信道快衰落环境的概率窗不规则识别装置，由于可通过概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别，因此可实现对农田复杂渐变多信道快衰落环境下节点间实时信道特性的准确实时描述。
其中，所述采集单元1具体用于：
获取所述节点在其通信半径内存在的可达邻居节点；
根据预设次数重复获取所述节点与其所有所述邻居节点的节点间测距样本；
根据所述节点间测距样本对节点间的实际连通距离进行分布估计，以获取节点间的有向信道路径的实际连通距离概率密度；
根据所述节点间的有向信道路径的实际连通距离概率密度采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别。
具体地，假设对于网络中任意节点Si，其通信半径内存在可达邻居节点Sl、Sm、Sn…，根据预设次数例如20次，重复地获取其与所有邻居节点的连通距离，分别记为测距样本向量Dil，Dim，Din…，其中Dil＝{Dil(1)，Dil(2)，…，Dil(20)}。之后，计算节点Si与其所有邻居节点的连测距样本平均值
根据信道模型，路径损耗与距离的关系可表示为：
PL＝10n lg d+A+X
其中，n为环境遮挡相关的衰减系数，A为特定环境下的一常数，X为表征小尺度效应的路径损耗随机变量，其也是造成农田多径信道不规则的原因所在。在本发明方法中，由于将实际传输距离视为随机变量，因此，将路径损耗模型改写为：
PL＝10n lg D+A*
其中D为表征节点间实际连通距离的随机变量，PL为表征节点间实际路径损耗的随机变量，A*为特定环境下的一常数。
对于节点Si到Sj间的有向路径而言，因多径信道快衰落而造成定位测距值随机变化，所以采用随机变量Dij表征路径的实际连通距离。
根据定位测距样本值对实际距离分布进行估计，Dij的概率密度可按如下方法对其进行估计：
其中，N为定位测距样本总数，Dij(c)为路径定位测距的第c个样本值，hN为概率窗宽度，可视为边长为hN的超立方体的体积，a为数据维度。
对于概率窗函数其条件为且
特殊地，对于本实施例而言，选择正态分布函数作为本实施例的窗函数，则有Dij概率密度函数估计式为：
特殊地，本实施例中hN取值为0.05。
因为随机变量PL是随机变量D的单调连续可微函数，所以可得出路径上对应的信号路径损耗随机变量PL的概率密度函数为
由于农田无线信道的非均匀性，，所以节点Si到其邻居节点Sj、Sl、Sm、Sn…等间的信道均不一致，不仅如此，由于收发天线与遮挡作物的相对关系不尽相同，节点Si到Sj的信道与节点Sj到Si的信道也存在一定差异，即农田无线传感器网络节点间信道具有不规则性与有向性的特点。所以有
PLij、PLil、PLim、PLji等均不相同。
在所述采集单元1完成对节点间有向信道路径损耗值进行估计与不规则识别后，则采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护。
具体地，节点Si按照上述方法求得与所有邻居节点的传输信道路损后，建立节点间加权有向连通图，采用向量形式表示如下：
CPi代表Si的邻居节点到节点Si的多径信道不规则情况，节点Si对自身加权有向连通向量进行维护。所有节点的加权有向连通向量共同组成网络的加权有向连通矩阵，由sink节点收集并更新维护，网络加权有向连通矩阵表示如下：
对应的网络加权有向连通图如图3所示。
在分布式路由算法中节点根据自身维护的加权有向连通向量进行路径或簇头选择，在集中式路由算法中sink节点或是区域关键节点，可以收集形成并维护区域内节点的加权有向连通矩阵，并用以进行路由选择优化。
进一步地，所述装置还包括连通图更新单元；所述连通图更新单元用于：
根据所述网络加权有向连通图获取节点间通信发射功率；
根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新。
其中，所述连通图更新单元根据所述网络加权有向连通图获取节点间通信发射功率包括：
使节点按照预设最大感知通信半径寻找邻居节点；
使节点根据所述网络加权有向连通图获取其与所述邻居节点的节点间通信发射功率。
所述连通图更新单元根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新包括：
使节点按照所述节点间通信发射功率对目标节点发送试组网消息，若接收到所述目标节点发送的确认消息，则不对所述网络加权有向连通图中对应的双向边进行更新；
若节点未收到所述目标节点发送的试组网消息或确认消息，则对所述网络加权有向连通图中对应的双向边进行更新。
具体地，对于农田无线传感器网络而言，低能耗是所有优化方法中需要考虑的重要问题。有效的预知网络节点间的连通关系，可以为网络低能耗稳定通信提供保障。为此，本发明提出的方法还包括一种网络加权有向连通图的更新机制，通过网络加权有向连通图得出节点通信发射功率预设值，并在满足预设条件时对网络加权有向连通图进行更新，以适应农田渐变多径信道条件。
所述网络加权有向连通图更新机制具体包括如下步骤：
步骤一、在网络建立初期，所有节点按照预设最大感知通信半径寻找邻居节点，并将所有的可达邻居节点加入其可达邻居节点集Ni＝{Sj|u(Dij)+σ(Dij)<dcrossover}中；
其中u(Dij)为随机变量Dij的均值，σ(Dij)为随机变量Dij的均方差。因为农田无线传感器网络一般从作物播种开始监测，所以可认为在网络建立初期任意节点Si可达邻居节点集为其最大可达邻居节点集。
步骤二、按照上述节点间测距定位方法以及概率窗不规则识别法建立网络节点间加权有向连通图，将置向图更新标志置0，并转至步骤三；
步骤三、从节点Si的加权有向连通图向量中选择对应的节点项，以确定节点Si对特定邻居节点的发射功率。以节点Si到Sj的通路为例：
Ptij＝u(PLij)+σ(PLij)+Psensitivity+A0
其中Ptij为节点Si对Sj的发射功率，Psensitivity为节点的接收灵敏度，A0为一预设的较小附加量。
若节点Si需同时与多个邻居节点进行连接通信，则取
Pti＝max{Ptij,Ptim,…,Ptin}
若处于路由建立或更新阶段，则选取能保证网络连通的最小连通邻居节点数量，一般地最小连通邻居节点数为5。则从节点Si的加权有向连通图向量中所需发射功率最小的5个邻居节点作为连通对象。若可达邻居节点集的节点数量小于5，则选择全部。并按上述方法确定节点间的发射功率。
步骤四、若进行了连通图更新，则以步骤三中确定的节点发射功率进行试组网，若未进行连通图更新，则按上一次的发射功率进行试组网，节点按各自的预设发射功率对目标节点发送试组网消息，若收到确认消息，则认为该对节点间双向信道均未发生变化或变化较小，无需对加权有向图中的该双向边进行更新。若某节点在加权有向连通图中的所有连接均未发生变化，则直接转入休眠，在预设时间唤醒，转入步骤五。
若节点未收到某连通对象的试组网消息，或未收到确认消息，则认为该节点间信道发生明显变化，需要对该连接边进行更新。则相关节点跳转至步骤二，对发生变化的连接边进行更新，并采用步骤三重新确定发射功率后，休眠并与无需建模节点在同一预设唤醒时间，转入步骤五。
步骤五、唤醒后，所有网内节点按最新的发射功率进行组网与数据上传。
本发明提供的农田多径信道快衰落环境的概率窗不规则识别装置，从农田复杂渐变环境对无线信号传输影响的角度出发，考虑农田无线信道的各向差异性，从农田无线传感器网络定位测距与信道条件的关系出发，采集定位测距样本以表征信道快衰落环境。采用正态分布概率窗不规则识别的方法，基于测距样本对节点间有向信道路径损耗值进行估计与不规则识别。并采用节点间连通向量的方式对信道特定进行描述，并形成网络加权有向连通图，实现了对农田各向异性环境中不规则信道的准确描述。采用矩阵向量的方式对连通图进行保存与维护，降低了节点资源要求，也可现实网络信道的任意区域分割，方便与不同路由算法进行适配对接。针对作物生长变化造成农田信道环境变化特点，提出加权有向连通图更新机制，在农田环境无变化或变化较小的情况下延用原有信道模型，避免不必要的算法开销。在环境总体或局部发生明显变化时，针对变化区域进行针对性更新，在实现对农田环境信道实时建模的同时也保证了较低的算法开销。为农田复杂环境中无线传感器网络监测应用中后续通信质量预测、节点位置部署、网络拓扑控制、覆盖度量、路由选择优化等提供基础理论基础与依据。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种农田多径信道快衰落环境的概率窗不规则识别方法，其特征在于，包括：
采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；
采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护；
所述正态分布概率窗不规则识别法包括：
路径上对应的信号路径损耗随机变量PL的概率密度函数为
其中，是任意节点Si到另一节点Sj间的有向路径；n为环境遮挡相关的衰减系数；A*为特定环境下的一常数；N为定位测距样本总数；Dij(c)为路径定位测距的第c个样本值；hN为概率窗宽度；
所述采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护包括：
建立节点间加权有向连通图，采用向量形式表示如下：
CPi代表节点Si的邻居节点到所述节点Si的多径信道不规则情况；PLij表示节点i到节点j的路径损耗；PLim表示节点i到节点m的路径损耗；PLin表示节点i到节点n的路径损耗；
所有节点的加权有向连通向量共同组成网络的加权有向连通矩阵，由sink节点收集并更新维护，网络加权有向连通矩阵表示如下：
其中，PLji表示节点j到节点i的路径损耗；PLjn表示节点j到节点n的路径损耗；PLni表示节点n到节点i的路径损耗；PLnj表示节点n到节点j的路径损耗。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述网络加权有向连通图获取节点间通信发射功率；
根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新。
3.根据权利要求1所述的方法，其特征在于，所述采集节点间测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别包括：
获取所述节点在其通信半径内存在的可达邻居节点；
根据预设次数重复获取所述节点与其所有所述邻居节点的节点间测距样本；
根据所述节点间测距样本对节点间的实际连通距离进行分布估计，以获取节点间的有向信道路径的实际连通距离概率密度；
根据所述节点间的有向信道路径的实际连通距离概率密度采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别。
4.根据权利要求2所述的方法，其特征在于，所述根据所述网络加权有向连通图获取节点间通信发射功率包括：
节点按照预设最大感知通信半径寻找邻居节点；
节点根据所述网络加权有向连通图获取其与所述邻居节点的节点间通信发射功率。
5.根据权利要求2所述的方法，其特征在于，所述根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新包括：
节点按照所述节点间通信发射功率对目标节点发送试组网消息，若接收到所述目标节点发送的确认消息，则不对所述网络加权有向连通图中对应的双向边进行更新；
若节点未收到所述目标节点发送的试组网消息或确认消息，则对所述网络加权有向连通图中对应的双向边进行更新。
6.一种农田多径信道快衰落环境的概率窗不规则识别装置，其特征在于，包括采集单元以及连通图单元；
所述采集单元用于采集节点间的测距样本，并根据所述节点间测距样本采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别；
所述连通图单元用于采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护；
所述正态分布概率窗不规则识别法包括：
路径上对应的信号路径损耗随机变量PL的概率密度函数为
其中，是任意节点Si到另一节点Sj间的有向路径；n为环境遮挡相关的衰减系数；A*为特定环境下的一常数；N为定位测距样本总数；Dij(c)为路径定位测距的第c个样本值；hN为概率窗宽度；
所述采用节点间连通向量的方式对信道进行描述以形成网络加权有向连通图，并采用矩阵向量的方式对所述网络加权有向连通图进行保存维护包括：
建立节点间加权有向连通图，采用向量形式表示如下：
CPi代表节点Si的邻居节点到所述节点Si的多径信道不规则情况；PLij表示节点i到节点j的路径损耗；PLim表示节点i到节点m的路径损耗；PLin表示节点i到节点n的路径损耗；
所有节点的加权有向连通向量共同组成网络的加权有向连通矩阵，由sink节点收集并更新维护，网络加权有向连通矩阵表示如下：
其中，PLji表示节点j到节点i的路径损耗；PLjn表示节点j到节点n的路径损耗；PLni表示节点n到节点i的路径损耗；PLnj表示节点n到节点j的路径损耗。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括连通图更新单元；所述连通图更新单元用于：
根据所述网络加权有向连通图获取节点间通信发射功率；
根据所述节点间通信发射功率进行试组网，以对所述网络加权有向连通图进行更新。
8.根据权利要求6所述的装置，其特征在于，所述采集单元具体用于：
获取所述节点在其通信半径内存在的可达邻居节点；
根据预设次数重复获取所述节点与其所有所述邻居节点的节点间测距样本；
根据所述节点间测距样本对节点间的实际连通距离进行分布估计，以获取节点间的有向信道路径的实际连通距离概率密度；
根据所述节点间的有向信道路径的实际连通距离概率密度采用正态分布概率窗不规则识别法对节点间有向信道路径损耗值进行估计与不规则识别。
9.根据权利要求7所述的装置，其特征在于，所述连通图更新单元根据所述网络加权有向连通图获取节点间通信发射功率包括：
使节点按照预设最大感知通信半径寻找邻居节点；
使节点根据所述网络加权有向连通图获取其与所述邻居节点的节点间通信发射功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610835709.2A CN106507387B (zh) | 2016-09-20 | 2016-09-20 | 农田多径信道快衰落环境的概率窗不规则识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610835709.2A CN106507387B (zh) | 2016-09-20 | 2016-09-20 | 农田多径信道快衰落环境的概率窗不规则识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106507387A CN106507387A (zh) | 2017-03-15 |
| CN106507387B true CN106507387B (zh) | 2019-07-02 |
Family
ID=58290240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610835709.2A Active CN106507387B (zh) | 2016-09-20 | 2016-09-20 | 农田多径信道快衰落环境的概率窗不规则识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106507387B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110518992B (zh) * | 2019-08-20 | 2022-02-18 | 贵州大学 | 一种在马尾松林中无线信号传播特性的测试方法 |
| CN113466781B (zh) * | 2021-05-21 | 2024-07-05 | 北京农业信息技术研究中心 | 露地蔬菜无人化作业无线信标精准对行纠偏方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0736979A2 (en) * | 1995-04-03 | 1996-10-09 | AT&T IPM Corp. | Fast fading packet diversity transmission method and system |
| US6505053B1 (en) * | 1999-11-05 | 2003-01-07 | At&T Corp. | Method for sinusoidal modeling and prediction of fast fading processes |
| CN101159962A (zh) * | 2007-10-29 | 2008-04-09 | 中国移动通信集团设计院有限公司 | 用于传播模型校正的连续波测试的数据处理方法及装置 |
| CN102158988A (zh) * | 2011-04-14 | 2011-08-17 | 北京交通大学 | 一种有向传感器网络强栅栏覆盖判定方法 |
-
2016
- 2016-09-20 CN CN201610835709.2A patent/CN106507387B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0736979A2 (en) * | 1995-04-03 | 1996-10-09 | AT&T IPM Corp. | Fast fading packet diversity transmission method and system |
| US6505053B1 (en) * | 1999-11-05 | 2003-01-07 | At&T Corp. | Method for sinusoidal modeling and prediction of fast fading processes |
| CN101159962A (zh) * | 2007-10-29 | 2008-04-09 | 中国移动通信集团设计院有限公司 | 用于传播模型校正的连续波测试的数据处理方法及装置 |
| CN102158988A (zh) * | 2011-04-14 | 2011-08-17 | 北京交通大学 | 一种有向传感器网络强栅栏覆盖判定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于统计分布的小麦农田多径衰落信道建模研究;缪伟晨;《电子学报》;20160331;全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106507387A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106714336B (zh) | 一种基于改进克里金算法的无线传感网温度监测方法 | |
| Di et al. | A survey of machine learning in wireless sensor netoworks from networking and application perspectives | |
| Wang et al. | UAV-assisted online machine learning over multi-tiered networks: A hierarchical nested personalized federated learning approach | |
| Yoon et al. | Coordinated locomotion and monitoring using autonomous mobile sensor nodes | |
| Zhao et al. | Information-driven distributed maximum likelihood estimation based on Gauss-Newton method in wireless sensor networks | |
| CN106507387B (zh) | 农田多径信道快衰落环境的概率窗不规则识别方法及装置 | |
| Dong et al. | Spatio-temporal soil moisture measurement with wireless underground sensor networks | |
| Bencini et al. | Agricultural monitoring based on wireless sensor network technology: Real long life deployments for physiology and pathogens control | |
| Testi et al. | Reinforcement learning for connected autonomous vehicle localization via UAVs | |
| Uddin et al. | Affordable broad agile farming system for rural and remote area | |
| Wang et al. | Optimizing quality-of-information in cost-sensitive sensor data fusion | |
| Cheng et al. | Improving area positioning in ZigBee sensor networks using neural network algorithm | |
| CN103888957B (zh) | 基于玉米生长态势的信号损耗预测的节点扩散方法 | |
| Chen et al. | Connectivity of wireless sensor networks for plant growth in greenhouse | |
| CN103067940A (zh) | 基于无线传感器网络的协同信息估计方法 | |
| CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
| CN111565430A (zh) | 一种基于预测轨迹的海洋船舶无线网络路由方法 | |
| Coppola et al. | Innovative Vineyards Environmental Monitoring System Using Deep Edge AI | |
| Bhat et al. | Correlating the Ambient Conditions and Performance Indicators of the LoRaWAN via Surrogate Gaussian Process-Based Bidirectional LSTM Stacked Autoencoder | |
| Guedes et al. | Towards a low-cost localization system for small ruminants | |
| Sun et al. | Generative ai for advanced uav networking | |
| CN116867025A (zh) | 无线传感器网络中传感器节点分簇方法及装置 | |
| Chen et al. | Using node clustering and genetic programming to estimate missing data for marine environmental monitoring | |
| CN105979564B (zh) | 一种发送数据的方法及装置 | |
| CN108684052A (zh) | 一种高自由度水下传感器网络中无线链路质量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |