CN107222275B - 基于马尔科夫随机场的dmwc节点选择方法 - Google Patents

基于马尔科夫随机场的dmwc节点选择方法 Download PDF

Info

Publication number
CN107222275B
CN107222275B CN201710461704.2A CN201710461704A CN107222275B CN 107222275 B CN107222275 B CN 107222275B CN 201710461704 A CN201710461704 A CN 201710461704A CN 107222275 B CN107222275 B CN 107222275B
Authority
CN
China
Prior art keywords
node
nodes
dmwc
weight coefficient
central node
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.)
Expired - Fee Related
Application number
CN201710461704.2A
Other languages
English (en)
Other versions
CN107222275A (zh
Inventor
李智
符博娟
朱嘉微
徐自勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201710461704.2A priority Critical patent/CN107222275B/zh
Publication of CN107222275A publication Critical patent/CN107222275A/zh
Application granted granted Critical
Publication of CN107222275B publication Critical patent/CN107222275B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明为基于马尔科夫随机场的DMWC节点选择方法，针对解决融合中心如何选择最优的感知节点作为DMWC的欠采样通道的问题。该方法包括：（1）确定节点数目，根据时变支撑集确定需要增加的节点数目；（2）邻域系统划分，用候选新节点与融合中心交互先验知识，配对邻近节点完成邻域系统划分；（3）确定能量函数，利用先验知识计算中心节点的自身权重系数和相互作用权重系数；（4）判断节点是否作为DMWC采样通道。通过以上方法选择的节点作为DMWC采样通道，可以提升采样通道的衰减系数，进而提高重构的效率。

Description

基于马尔科夫随机场的DMWC节点选择方法
技术领域
本发明涉及协作电磁频谱感知网络和马尔科夫随机场交叉的领域，具体而言，涉及一种在感知网络中利用马尔科夫随机场来判断节点是否作为分布式调制宽带转换器采样通道的方法。
背景技术
电磁频谱资源是一种不可再生资源，随着通信业务的飞速增长，有限的频谱资源不再能满足人类的需求，寻求提高有限频谱资源的利用率是目前人类正在努力的目标，认知无线电（CR）的出现是实现频谱资源有效利用的一种手段。压缩感知（CS）突破了Nyquist采样定理的瓶颈，可以利用远低于Nyquist采样率的欠采样方式恢复出原始信号，将CS用于宽带电磁频谱感知中成为CR的研究热点。2007年密歇根理工大学的Zhi Tian教授第一次把CS引入到电磁频谱感知中，在理论上论证了宽带稀疏信号在欠采样条件下高概率恢复信号频域以实现信号频点功率检测的可行性，然而并没有把理论落实到实际硬件电路的研制中。2010年麻省理工学院的Eldar教授第一次提出调制宽带转换器（MWC）体系，把CS欠采样技术落实到实际硬件电路研制中。MWC的基本原理是利用伪随机序列对宽带多子带信号进行频谱的搬移、叠加，通过低通滤波器得到低频的混叠部分，通过欠采样得到采样序列，对采样序列利用CS中的重构算法恢复出原始信号的频域支撑集。继而Eldar教授把MWC体系应用到电磁频谱感知中，为宽带信号的欠采样压缩感知提供了实际可行的技术方案，但是在MWC体系中，对信号的时变支撑集没有自适应机制，而硬件板子是根据固定的支撑集定制出特定的采样通道数的，当稀疏子频带个数增加时，由于采样通道数不够会造成支撑集重构率降低的问题，而且单个节点的欠采样通道数较大时，硬件开销和能耗会变大。分布式调制宽带转换器（DMWC）的提出解决了时变支撑集的问题，该方法通过时变支撑集对应增加感知节点的方法实现虚拟欠采样通道数的增加。但是感知网络中节点的衰减程度是不一样的，在多个节点的感知网络中选择衰减系数最大
Figure 554063DEST_PATH_IMAGE001
的节点作为虚拟欠采样通道数才能达到支撑集的重构率。
马尔科夫随机场具有系统、完备的理论框架，可以充分利用先验知识实现实际应用的建模，以解决参数估计、代价优化、边缘分割等问题。要利用马尔科夫随机场必须含有两个特性：具有马尔科夫性，即对象未来的状态仅与现在有关，而与过去无关；必须是随机场，即在时空上对象的状态取值满足一定的概率分布。而在分布式感知网络中，可以认为节点之间的传输衰减是随着时间和距离的变化而均匀连续的，在时间域上，节点下一时刻的传输衰减与当前时刻的衰减存在相关性，而与过去时刻关系较远；在空间域上，连续的相邻节点之间的衰减存在相关性，单个节点的传输衰减与其全部邻近节点的衰减具有依赖关系，满足一定条件分布的局部统计特征。马尔科夫随机场在图像分割处理领域具有广泛应用，其理论依据即为图像相邻像元基团的像素值满足马尔科夫随机场特性。作为类比，在地理上均匀分布的感知节点就好似一张图像的像元，而传输衰减即为像素值，为马尔科夫随机的引入奠定模型基础。利用马尔科夫随机场实现DMWC感知节点的选择，本质上是一个二分类问题，即确定节点是否作为欠采样通道参与DMWC协作感知。
发明内容
本发明旨在解决融合中心如何选择最优的感知节点作为DMWC的欠采样通道的问题，提供一种基于马尔科夫随机场的DMWC节点选择方法
本发明所采用的技术方法如下：
基于马尔科夫随机场的DMWC节点选择方法，其实现步骤如下：
步骤一：确定节点数目，根据时变支撑集确定需要增加的节点数目；
步骤二：邻域系统划分，用候选新节点与融合中心交互先验知识，配对邻近节点完成邻域系统划分；
步骤三：确定能量函数，利用先验知识计算中心节点的自身权重系数和相互作用权重系数；步骤四：判断节点是否作为DMWC采样通道。
有益效果：本发明利用马尔科夫随机场对感知网络中的节点进行选择，节点的选择效果优于随机选择节点的效果。
附图说明
图1是基于马尔科夫随机场的DMWC节点选择方法的流程图。
图2是一个节点的原始地理节点和等效的一阶邻域系统图。
图3是全局一阶邻域系统划分图。
图4自身权重系数对节点被选中概率的影响图。
图5 邻近节点距离之比为1:1:1:1时
Figure 443521DEST_PATH_IMAGE002
与
Figure 916091DEST_PATH_IMAGE003
的关系图。
图6邻近节点距离之比为1:2:3:4时
Figure 29540DEST_PATH_IMAGE002
与
Figure 954771DEST_PATH_IMAGE003
的关系图。
具体实施方式
下面给出具体实施示例并结合附图对本发明进一步阐述说明。
图1是基于马尔科夫随机场的DMWC节点选择方法的流程图，该方法包括以下步骤：
步骤一：确定节点数目，根据时变支撑集确定需要增加的节点数目，
可靠支撑集重构需要对欠采样通道数有限制条件，根据
Figure 179079DEST_PATH_IMAGE004
和
Figure 240576DEST_PATH_IMAGE005
，其中m为通道数，N为子频带数，C是一个独立的常整数，K为稀疏度，可计算出当时变支撑集N=6，C=4时m为50，即节点数目为50，减去上一时刻的节点数目，即可得到需要增加的节点数目；
步骤二：邻域系统划分，用候选新节点与融合中心交互先验知识，配对邻近节点完成邻域系统划分，
在二维平面空间R中，第
Figure 118402DEST_PATH_IMAGE006
个节点的状态集合为
Figure 530929DEST_PATH_IMAGE007
，0表示该节点不参与DMWC感知，1表示被选择参与。其坐标位置为
Figure 558928DEST_PATH_IMAGE008
，以其为中心节点的邻域系统为
Figure 740510DEST_PATH_IMAGE009
，则问题转变为在已知中心节点邻近节点的状态，如何映射确定中心节点状态的问题。因为在时变支撑集情况下，DMWC必须动态地增加节点的数目，以保证拥有足够的欠采样通道，而新参与进来的节点拥有当前正参与感知节点的先验知识。图2左图为表示原始地理节点的中心节点（新参与节点）与邻近的4个节点，节点1-4是地理上距离中心节点最近并且已经确定状态的节点，中心节点依据从融合中心交互得到的位置消息，获取距离自身最近的4个节点作为其一阶邻域系统的邻近节点。图2右图为将这4个临近节点与中心节点等效为一阶邻域系统，图3为网络中全局一阶邻域系统划分；
步骤三：确定能量函数，利用先验知识计算中心节点的自身权重系数
Figure 399025DEST_PATH_IMAGE003
和相互作用权重系数
Figure 298848DEST_PATH_IMAGE010
步骤3.1：计算中心节点的自身权重系数
Figure 864958DEST_PATH_IMAGE003
，其取值大小与中心节点到信号源的距离和中心节点的经验传输衰减有关，在实际应该场景中依据先验知识得到；
步骤3.2：计算相互权重系数
Figure 166627DEST_PATH_IMAGE010
，其与中心节点到邻近节点的距离有关，把中心节点对于邻近节点1~4的能量定义为
Figure 527201DEST_PATH_IMAGE011
其中
Figure 914320DEST_PATH_IMAGE012
是中心节点到信源的距离，
Figure 284121DEST_PATH_IMAGE013
是中心节点和邻近节点之间的距离。则取归一化相互作用权重系数
Figure 768192DEST_PATH_IMAGE013
为
Figure 565247DEST_PATH_IMAGE014
步骤3.3：计算能量函数：设第
Figure 174083DEST_PATH_IMAGE006
个中心节点的状态为
Figure 347575DEST_PATH_IMAGE015
，
Figure 358257DEST_PATH_IMAGE016
和
Figure 326213DEST_PATH_IMAGE017
分别为其一阶子团和二阶子团，第
Figure 891186DEST_PATH_IMAGE018
个邻近节点的状态为
Figure 602790DEST_PATH_IMAGE019
，则DMWC节点一阶邻域系统的能量函数可以表示为
Figure 467978DEST_PATH_IMAGE020
根据得到的中心节点的自身权重系数
Figure 606835DEST_PATH_IMAGE003
和相互作用权重系数
Figure 190263DEST_PATH_IMAGE021
计算出能量函数的值；
步骤四：计算概率函数，确定节点是否被选择
由于是4个邻近节点的一阶邻域系统，与图像分割问题类似，此时马尔科夫随机场的auto-logistic模型退化成为Ising模型，其条件概率为
Figure 33454DEST_PATH_IMAGE022
而利用马尔科夫随机场研究DMWC的节点选择，即关注中心节点的状态
Figure 18728DEST_PATH_IMAGE023
时，中心节点被选中的概率大小，此时条件概率为
Figure 328487DEST_PATH_IMAGE024
图4为自身权重系数
Figure 399211DEST_PATH_IMAGE003
对节点被选中概率的影响。由于一阶邻域系统有4个邻近节点，其子团状态集合
Figure 701885DEST_PATH_IMAGE025
有
Figure 740334DEST_PATH_IMAGE026
种可能。当4个邻近节点为全0状态时，意味着中心节点不受邻近节点状态的影响，被选择与否的概率为0.5；当4个邻近节点为全1状态时，中心节点受最大程度的影响，其被选中的概率与
Figure 220994DEST_PATH_IMAGE003
和
Figure 575752DEST_PATH_IMAGE027
有关。依据上述分析，取全0和全1状态时，分析式
Figure 557484DEST_PATH_IMAGE024
中
Figure 251770DEST_PATH_IMAGE003
对
Figure 965648DEST_PATH_IMAGE028
的影响。
图5为邻近节点距离之比为1:1:1:1时
Figure 10965DEST_PATH_IMAGE002
与
Figure 468491DEST_PATH_IMAGE003
的关系图。为了验证马尔科夫随机场对DMWC节点选择的提升效果。在数值实验中，设置一阶邻域系统个数为20，而需要新加入的节点个数
Figure 141918DEST_PATH_IMAGE029
，则DMWC按照随机概率选择节点的情形下，中心节点被选中的概率为
Figure 354593DEST_PATH_IMAGE030
；在全部20个中心节点中，设置节点的较好传输衰减在区间
Figure 683943DEST_PATH_IMAGE031
的个数为10，剩下的10个节点在较差衰减区间，选取
Figure 351685DEST_PATH_IMAGE032
，令子团状态集合在1000次蒙特卡罗试验下按照随机概率取值。
图6为邻近节点距离之比为1:2:3:4时
Figure 941935DEST_PATH_IMAGE002
与
Figure 263195DEST_PATH_IMAGE003
的关系图。为了验证马尔科夫随机场对DMWC节点选择的提升效果。在数值实验中，设置一阶邻域系统个数为20，而需要新加入的节点个数
Figure 611000DEST_PATH_IMAGE029
，则DMWC按照随机概率选择节点的情形下，中心节点被选中的概率为
Figure 410329DEST_PATH_IMAGE030
；在全部20个中心节点中，设置节点的较好传输衰减在区间
Figure 402555DEST_PATH_IMAGE031
的个数为10，剩下的10个节点在较差衰减区间，选取
Figure 832400DEST_PATH_IMAGE032
，令子团状态集合在1000次蒙特卡罗试验下按照随机概率取值。

Claims (3)

1.基于马尔科夫随机场的DMWC节点选择方法，其特征在于所述的方法过程为：
步骤一：确定节点数目，根据时变支撑集确定需要增加的节点数目；
步骤二：邻域系统划分，用候选新节点与融合中心交互先验知识，配对邻近节点完成邻域系统划分；所述的邻域系统的划分，把候选新节点和邻近的4个已选节点映射为马尔科夫随机场中的一阶邻域系统，把整个网络中的所有候选节点都相应地映射为一阶邻域系统；
步骤三：确定能量函数
Figure 618328DEST_PATH_IMAGE001
，利用先验知识计算中心节点的自身权重系数
Figure 535469DEST_PATH_IMAGE002
、相互作用权重系数
Figure 315206DEST_PATH_IMAGE003
、能量函数
Figure 303890DEST_PATH_IMAGE001
，计算中心节点的自身权重系数
Figure 118263DEST_PATH_IMAGE002
，自身权重系数
Figure 940725DEST_PATH_IMAGE002
的取值大小与中心节点到信号源的距离和中心节点的经验传输衰减有关，在实际应用场景中依据先验知识得到；计算相互作用权重系数
Figure 207758DEST_PATH_IMAGE003
，假设
Figure 406659DEST_PATH_IMAGE004
为中心节点到信源的距离，
Figure 75537DEST_PATH_IMAGE005
是中心节点和邻近节点之间的距离，把一阶邻域系统中中心节点邻近的4个节点的能量定义为
Figure 68901DEST_PATH_IMAGE006
则取归一化相互作用权重系数为
Figure 292072DEST_PATH_IMAGE007
；
计算能量函数
Figure 29084DEST_PATH_IMAGE001
，设第
Figure 552469DEST_PATH_IMAGE008
个中心节点的状态为
Figure 982314DEST_PATH_IMAGE009
，
Figure 223939DEST_PATH_IMAGE010
和
Figure 499063DEST_PATH_IMAGE011
分别为其一阶子团和二阶子团，第
Figure 142533DEST_PATH_IMAGE012
个邻近节点的状态为
Figure 71175DEST_PATH_IMAGE013
，则DMWC节点一阶邻域系统的能量函数可以表示为
Figure 800097DEST_PATH_IMAGE014
根据得到的中心节点的自身权重系数
Figure 878911DEST_PATH_IMAGE002
和相互作用权重系数
Figure 376889DEST_PATH_IMAGE003
计算出能量函数
Figure 148536DEST_PATH_IMAGE001
的值；
步骤四：计算概率函数
Figure 99174DEST_PATH_IMAGE015
的值，判断节点是否作为DMWC欠采样通道。
2.根据权利要求1所述的基于马尔科夫随机场的DMWC节点选择方法，其特征在于步骤一中所述的节点数目是根据支撑集不断变化而自适应改变的。
3.根据权利要求书1所述的基于马尔科夫随机场的DMWC节点选择方法，其特征在于步骤四利用一阶邻域系统中马尔科夫随机场的Ising模型且在DMWC中只关注中心节点的状态为选中时被选中的概率函数为
Figure 981679DEST_PATH_IMAGE016
根据中心节点的自身权重系数
Figure 803005DEST_PATH_IMAGE002
、相互作用权重系数
Figure 745553DEST_PATH_IMAGE003
和邻近节点的全部状态可计算出中心节点被选择为DMWC欠采样通道的概率。
CN201710461704.2A 2017-06-19 2017-06-19 基于马尔科夫随机场的dmwc节点选择方法 Expired - Fee Related CN107222275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710461704.2A CN107222275B (zh) 2017-06-19 2017-06-19 基于马尔科夫随机场的dmwc节点选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710461704.2A CN107222275B (zh) 2017-06-19 2017-06-19 基于马尔科夫随机场的dmwc节点选择方法

Publications (2)

Publication Number Publication Date
CN107222275A CN107222275A (zh) 2017-09-29
CN107222275B true CN107222275B (zh) 2020-09-08

Family

ID=59949626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710461704.2A Expired - Fee Related CN107222275B (zh) 2017-06-19 2017-06-19 基于马尔科夫随机场的dmwc节点选择方法

Country Status (1)

Country Link
CN (1) CN107222275B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109120266A (zh) * 2018-09-05 2019-01-01 四川大学 一种用于dmwc的高效测量矩阵相移校准方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504391A (zh) * 2014-12-04 2015-04-08 哈尔滨工程大学 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011127087A1 (en) * 2010-04-06 2011-10-13 University Of Notre Dame Du Lac Sequence detection methods, devices, and systems for spectrum sensing in dynamic spectrum access networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504391A (zh) * 2014-12-04 2015-04-08 哈尔滨工程大学 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Broadband Cooperative Spectrum Sensing Based on Distributed Modulated Wideband Converter;徐自勇等;《Sensors》;20160928;第1-12页 *
Cooperative Spectrum Sensing in Cognitive Radio Networks Using Hidden Markov Model;Jyu-Wei Wang;《IEEE Xplore Digital Library》;20151106;第518-522页 *

Also Published As

Publication number Publication date
CN107222275A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
Yang et al. Application of reinforcement learning in UAV cluster task scheduling
Han et al. Radio environment map construction by kriging algorithm based on mobile crowd sensing
CN105531963B (zh) 无线网络中多目标小区关闭的系统和方法
CN107356819B (zh) 一种智能家用电磁辐射信息服务系统
Ma et al. Range-free wireless sensor networks localization based on hop-count quantization
Kumar et al. An energy efficient and optimized load balanced localization method using CDS with one-hop neighbourhood and genetic algorithm in WSNs
Lin et al. An on-demand coverage based self-deployment algorithm for big data perception in mobile sensing networks
Han et al. An energy efficiency node scheduling model for spatial-temporal coverage optimization in 3D directional sensor networks
CN104010329A (zh) 基于量化无偏广播Gossip算法的分布式负载均衡方法
CN107222275B (zh) 基于马尔科夫随机场的dmwc节点选择方法
Xiang et al. Robust sub-meter level indoor localization-a logistic regression approach
Lu et al. Multiple-target tracking based on compressed sensing in the Internet of Things
Reddy et al. Spectrum cartography techniques, challenges, opportunities, and applications: A survey
Mabrook et al. Cooperative spectrum sensing optimization based adaptive neuro-fuzzy inference system (ANFIS) in cognitive radio networks
Ng et al. Critical density for connectivity in 2D and 3D wireless multi-hop networks
Wang et al. Dynamic deployment optimization of near space communication system using a novel estimation of distribution algorithm
Zheng et al. Topology control in self-organized optical satellite networks based on minimum weight spanning tree
Maiti et al. Complexity reduction of ordinary kriging algorithm for 3D REM design
Le et al. An efficient throughput improvement through bandwidth awareness in cognitive radio networks
CN103607768A (zh) 一种非集中式场景下的目标设备定位方法及相关设备
Zhang et al. RealSense: Real-time compressive spectrum sensing testbed over TV white space
CN108736991B (zh) 一种基于分级的群体智能频谱切换方法
Truong et al. Performance analysis and optimization of multiple IIoT devices radio frequency energy harvesting NOMA mobile edge computing networks
Wang Clustering mesh-like wireless sensor networks with an energy-efficient scheme
Wang et al. An intelligence optimization method based on crowd intelligence for IoT devices

Legal Events

Date Code Title Description
PB01 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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200908

Termination date: 20210619