CN110113759A - 一种基于能量有效性分析的量化协作频谱感知方法 - Google Patents
一种基于能量有效性分析的量化协作频谱感知方法 Download PDFInfo
- Publication number
- CN110113759A CN110113759A CN201910344340.9A CN201910344340A CN110113759A CN 110113759 A CN110113759 A CN 110113759A CN 201910344340 A CN201910344340 A CN 201910344340A CN 110113759 A CN110113759 A CN 110113759A
- Authority
- CN
- China
- Prior art keywords
- energy
- sensor
- spectrum sensing
- node
- sensor 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000013139 quantization Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 9
- 101150110390 Slc10a6 gene Proteins 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于能量有效性分析的量化协作频谱感知方法。该方法为:首先传感器节点在频谱感知阶段对监测的目标频段进行数据采集,并建立二元假设模型和基于能量的测量统计量;然后传感器节点对测量统计量进行量化处理,并发送至汇聚节点,汇聚节点建立最终判决统计量和融合判决准则,结合融合判决结果,分析频谱监测传感网在一个周期性帧内的平均能耗情况,当目标频段为空闲时,计算传感器节点利用该频段传输数据的吞吐量;最后构建能量有效性度量,建立关于能量有效性的优化模型,求解模型的最优参数,频谱监测传感网在最优参数上进行数据传输。本发明在能量受限和控制信道受限的条件下,最大限度地提高了频谱监测传感网的网络性能。
Description
技术领域
本发明涉及协作频谱感知技术领域,特别是一种基于能量有效性分析的量化协作频谱感知方法。
背景技术
协作频谱感知是频谱监测传感网的核心关键技术之一,是无线传感网在频谱监测领域得以生存和应用的重要途径。基于传感器网络的协作频谱感知方法在建立电磁环境感知模型的基础上,充分利用传感器之间的数据融合,对感知目标进行深度分析,不仅能正确感知可用频谱资源、提高频谱资源的利用率,同时能够对目标信号进行分类和筛选,还可对各类目标信号进行快速精确定位,通过多源感知数据的融合处理挖掘有用的战场态势信息。此外,无线传感器节点的电池能量有限,一旦部署难以回收和更换电池。在完成协作频谱感知任务的同时,如何延长整个频谱监测传感网的生命周期是设计人员必须考虑的实际问题之一。
如何在能量受限的情况下优化协作频谱感知的性能参数,如感知时间、发射功率、检测门限等、节点数量等参数,目前的相关研究较少,且当前方法普遍存在以下问题:第一,考虑的应用场景较为理想,如感知节点分布于小范围区域,接收到的功率电平值相同;第二,描述协作频谱感知性能限制条件不全,如仅对检测概率进行了限制,没有考虑控制信道带宽的限制;第三,很少考虑感知节点数量对协作频谱感知性能的影响,大大限制了协作频谱感知技术的应用范围。
发明内容
本发明的目的在于提供一种基于能量有效性分析的量化协作频谱感知方法,从而提高频谱监测传感网在能量受限和控制信道受限条件下的网络性能。
实现本发明目的的技术解决方案为:一种基于能量有效性分析的量化协作频谱感知方法,步骤如下:
步骤1、数据采集:传感器节点周期性的进行频谱感知、信息上报以及数据传输,并在频谱感知阶段对监测的目标频段进行数据采集;
步骤2、能量检测:建立二元假设模型,建立基于能量的测量统计量;
步骤3、量化处理:传感器节点利用均匀量化器对测量统计量进行量化处理,并将量化测量统计量发送至汇聚节点;
步骤4、量化信息融合判决:汇聚节点接收到所有传感器节点发送的量化测量统计量后,建立最终判决统计量,并建立融合判决准则;
步骤5、能耗分析:结合融合判决结果,分析频谱监测传感网在一个周期性帧内的平均能耗情况;
步骤6、数据传输:当频谱监测传感网的目标频段为空闲时,计算传感器节点利用该频段传输数据的吞吐量;
步骤7、能量有效性分析:构建能量有效性度量,并建立关于能量有效性的优化模型,求解模型的最优参数,频谱监测传感网在最优参数上进行数据传输。
进一步地,步骤1所述的数据采集,具体如下:
设定频谱监测传感网中包含了N个传感器节点和一个汇聚节点,传感器节点周期性的进行频谱感知、信息上报以及数据传输:
频谱感知阶段,传感器节点对所监测目标频段信号进行数据采集,并对采集的数据进行分析,得出其频谱占用状况或对应的信号参数,并根据实际需求在传输阶段将相应的监测信息传递给汇聚节点;
信息上报阶段,传感器节点将所监测目标频段的被占用情况传递给汇聚节点,汇聚节点融合所有传感器的感知结果做出最终判决,并为传感器节点选择可用频谱资源进行数据的传递;
数据传输阶段,传感器节点根据汇聚节点的指令传递频谱感知阶段采集分析后的信号特征参数;
将一个周期的帧长T分为频谱感知时间Ts、信息上报时间Tr、融合判决以及数据传输时间Td,Td=T-Ts-Tr;设定频谱监测传感网监测的目标频段被占用和空闲的概率分别为π1和π0,每个传感器节点的采样频率为fs,则每个传感器节点信号采样长度为L=fs×Ts;设定D为传感器上报阶段的数据速率,B为传感器节点数据上报阶段的量化比特数,则数据传输时间Td为
进一步地,步骤2所述的能量检测,具体如下:
设定第i个传感器节点采样的第k个样点为yi(k),i=1,2,…,N,基于能量检测器的测量统计量当L充分大时,根据中心极限定理,Si服从下列高斯分布函数:
其中,H0和H1分别为传感器节点监测的目标频段空闲和被占用的假设检验,用符号Hθ,θ∈{0,1}表示;L为传感器节点信号采样长度;和分别为第i个传感器节点的信道噪声方差和接收到目标频段发射信号的信号方差,设定信道噪声为加性高斯白噪声,均值为0;
高斯分布的定义为:
若连续随机变量X的概率密度f(x)为:
其中μ,σ(σ>0)为常数;
则X服从参数为μ,σ的高斯分布,记为X~N(μ,σ2);
因此,Si关于Hθ的条件概率密度分布函数为fi(x/Hθ),θ∈{0,1},为高斯分布函数。
进一步地,步骤3所述的量化处理,具体如下:
步骤3.1、设定传感器节点均采用均匀量化器,Δ为量化间隔,和分别为第i个传感器节点的量化电平和量化门限,其中M=2B,εi,j=jΔ,Li,j=j,j∈{1,2,…,M},测量统计量的量化过程为:
如果εi,k-1≤Si≤εi,k,k∈{1,2,…,M},则
其中,为测量统计量Si的量化值;
步骤3.2、每个传感器节点直接发送B比特量化测量统计量到汇聚节点。
进一步地,步骤4所述的量化信息融合判决,具体如下:
汇聚节点接收到N个传感器节点发送的所有量化测量统计量后,建立最终判决统计量并建立融合判决准则:
其中,λq为检测门限;对于H0和H1,设定第i个传感器节点的量化测量统计量取值为k的概率为θ∈{0,1},则
在Hθ条件下的均值μi,θ和方差为:
由于各传感器节点相互独立,所以在Hθ条件下的均值μθ和方差分别为:
根据Lyapunov定理,当传感器节点数足够多时,近似服从均值为μθ和方差为的高斯分布,且汇聚节点的检测概率和虚警概率分别为:
进一步地,步骤5所述的能耗分析,具体如下:
设定es和et分别为传感器节点在频谱感知和数据传输阶段所消耗的能量,单位为瓦;er为传感器节点上报1比特信息所消耗的能量,单位为瓦;设定有n个传感器节点参与频谱感知和信息上报,1≤n≤N,则n个传感器节点在频谱感知和信息上报阶段所消耗的总能量Esr为:
Esr=n×es+n×B×er
当汇聚节点确定监测的目标频段空闲时,通知传感器节点传输数据,由于汇聚中心存在虚警概率和漏检概率,因此,传感器节点在数据传输阶段消耗的平均能量Edt为:
进一步地,步骤6所述的数据传输,具体如下:
传感器节点在数据传输阶段的吞吐量R为:
其中,C0=log2(1+Rsn),Rsn为传感器节点的发送信号功率和噪声功率之比。
进一步地,步骤7所述的能量有效性分析,具体如下:
能量有效性度量η(λq,B,n)为:
对于频谱监测传感网,目标是消耗尽量少的能量使得网络吞吐量达到最大,因此建立优化模型:
其中,为目标频段监测概率,限制条件表示频谱感知和信息上报的时间之和不能超过一个周期总时间,量化比特数B的最大值其中是向下取整函数;
给定n和B,选择确定最优检测门限对于离散变量n和B的可行解空间,采用二维线性搜索的方法获取,共有N×Bmax组局部最优解使得吞吐量R达到局部最优,从中选择使得吞吐量R达到最大的一组最优值(n*,B*,(λq)*),从而在设定段时间内,频谱监测传感网在最优参数上进行数据传输。
本发明与现有技术相比,其显著优点在于:(1)通过对传感器节点的测量统计量进行量化,解决控制信道带宽受限的问题;(2)通过对传感器节点在频谱感知、信息上报、数据传输阶段的能耗进行分析,结合传感器节点的吞吐量,建立能量有效性度量值,构建优化模型并求解模型最优参数,提高了频谱监测传感网在能量受限场景下的网络性能;(3)考虑了更加实际的应用场景,同时将传感器节点数量、量化比特数、检测门限做为优化参数,使得频谱监测传感网系统能量有效性度量达到最佳。
附图说明
图1是本发明基于能量有效性分析的量化协作频谱感知方法流程示意图。
图2是本发明中的量化协作频谱感知帧的结构示意图。
图3是本发明实施例中不同传感器数量下能量有效性度量随量化比特数变化的性能仿真图。
图4是本发明实施例中不同量化比特数时能量有效性度量随传感器节点数变化的性能仿真图。
具体实施方式
下面结合附图对本发明作进一步的说明。
结合图1,本发明基于能量有效性分析的量化协作频谱感知方法,包括以下步骤:
步骤1、数据采集:传感器节点周期性的进行频谱感知、信息上报以及数据传输,并在频谱感知阶段对监测的目标频段进行数据采集,具体如下:
设定频谱监测传感网中包含了N个传感器节点和一个汇聚节点,传感器节点可周期性的进行频谱感知、信息上报以及数据传输。频谱感知阶段,传感器节点对所监测目标频段信号进行数据采集,并对采集的数据进行分析,得出其频谱占用状况或对应的信号参数,如信号中心频率、带宽、功率、调制方式和速率、位置等,并根据实际需要在传输阶段将相应的监测信息传递给汇聚节点;信息上报阶段,传感器节点将对所监测目标频段的被占用情况传递给汇聚节点,汇聚节点融合所有传感器的感知结果做出最终判决,并为传感器节点选择可用频谱资源进行数据的传递;数据传输阶段,传感器节点根据汇聚节点的指令传递感知阶段采集分析后的信号特征参数。图2给出了量化协作频谱感知帧结构,一个周期的帧长T可分为频谱感知时间Ts、信息上报时间Tr、融合判决以及数据传输时间Td,Td=T-Ts-Tr,其中汇聚中心处的融合判决时间相对其它阶段的时间相对较小,可以忽略不计;设定频谱监测传感网监测的目标频段被占用和空闲的概率为分别为π1和π0,若每个传感器节点的采样频率为fs,则每个传感器节点信号采样长度为L=fs×Ts,设定D为传感器上报阶段的数据速率,B为传感器节点数据上报阶段的量化比特数,则数据传输时间Td为
步骤2、能量检测:建立二元假设模型,建立基于能量的测量统计量,具体如下:
设定第i(i=1,2,…,N)个传感器节点采样的第k个样点为yi(k),基于能量检测器的测量统计量当L充分大时,根据中心极限定理,Si服从下列高斯分布函数:
其中,H0和H1分别为传感器节点监测的目标频段空闲和被占用的假设检验,用符号Hθθ∈{0,1}表示;和表示第i个传感器节点的信道噪声方差和接收到目标频段发射信号的信号方差,设定信道噪声为加性高斯白噪声,均值为0。
高斯分布的定义为:
若连续随机变量X的概率密度为
其中μ,σ(σ>0)为常数;则称X服从参数为μ,σ的高斯分布,记为X~N(μ,σ2)。
因此,Si关于Hθ的条件概率密度分布函数为fi(x/Hθ),θ∈{0,1},为高斯分布函数。
步骤3、量化处理:传感器节点利用均匀量化器对测量统计量进行量化处理,并将量化测量统计量发送至汇聚节点,具体如下:
步骤3.1、由于控制信道带宽的受限,传感器节点在向汇聚节点发送测量统计量之前,需要对测量统计量进行量化处理,设定传感器节点均采用均匀量化器,Δ为量化间隔,和分别为第i个传感器节点的量化电平和量化门限,其中M=2B,εi,j=jΔ,Li,j=j,j∈{1,2,…,M},测量统计量的量化过程为:
如果εi,k-1≤Si≤εi,k,k∈{1,2,…,M},则
其中,为测量统计量Si的量化值;
步骤3.2、每个传感器节点直接发送B比特量化测量统计量到汇聚节点。
步骤4、量化信息融合判决:汇聚节点接收到所有传感器节点发送的量化测量统计量后,建立最终判决统计量,并建立融合判决准则,具体如下:
汇聚节点接收到N个传感器节点发送的所有量化测量统计量后,建立最终判决统计量并建立融合判决准则:
其中,λq为检测门限;对于H0和H1,第i个传感器节点的量化测量统计量取值为k的概率为θ∈{0,1},则
在Hθ条件下的均值μi,θ和方差为:
由于各传感器节点相互独立,所以在Hθ条件下的均值μθ和方差分别为:
根据Lyapunov定理,当传感器节点数足够多时,近似服从均值为μθ和方差为的高斯分布,且汇聚节点的检测概率和虚警概率分别为:
步骤5、能耗分析:结合融合判决结果,分析频谱监测传感网在一个周期性帧内的平均能耗情况,具体如下:
设定es和et分别为传感器节点在频谱感知和数据传输阶段所消耗的能量,单位为瓦;er表示传感器节点上报1比特信息所消耗的能量,单位为瓦;设定有n个传感器节点参与频谱感知和信息上报,1≤n≤N,则n个传感器节点在频谱感知和信息上报阶段所消耗的总能量Esr为:
Esr=n×es+n×B×er
当汇聚节点确定监测的目标频段空闲时,即可通知传感器节点传输数据,由于汇聚中心存在虚警概率和漏检概率,因此,传感器节点在数据传输阶段消耗的平均能量Edt为:
步骤6、数据传输:当频谱监测传感网的目标频段为空闲时,计算传感器节点利用该频段传输数据的吞吐量,具体如下:
传感器节点在数据传输阶段的吞吐量R为:
其中,C0=log2(1+Rsn),Rsn为传感器节点的发送信号功率和噪声功率之比。
步骤7、能量有效性分析:构建能量有效性度量,并建立关于能量有效性的优化模型,求解模型的最优参数,最后通过仿真分析证明算法的有效性,具体如下:
能量有效性度量η(λq,B,n)为:
对于频谱监测传感网,目标是消耗尽量少的能量使得网络吞吐量达到最大,因此建立优化模型:
其中,为目标频段监测概率,是衡量频谱监测传感网检测性能的重要指标,一般不低于90%;限制条件表示频谱感知和信息上报的时间之和不能超过一个周期总时间,量化比特数B的最大值其中是向下取整函数。
给定n和B,选择确定最优检测门限对于离散变量n和B的可行解空间,可采用二维线性搜索的方法获取,共有N×Bmax组局部最优解使得吞吐量R达到局部最优,从中选择使得吞吐量R达到最大的一组最优值(n*,B*,(λq)*),从而在某段时间内,频谱监测传感网可工作在该组参数上,使得系统性能达到最佳。
实施例1
图3、图4为本发明基于能量有效性分析的量化协作频谱感知方法的性能仿真图,仿真参数为:传感器节点的采样频率fs为100kHz,传感器节点数量为20,且π0=0.8,π1=0.2,T=50ms,Ts=5ms,D=3Kbps,er=2mJ,es=0.5mJ,et=100mJ,Rsn=-16dB。图3为分别选择10,12,14,16,18个传感器节点参与频谱感知时,能量有效性度量随着量化比特数的性能仿真图,从图中可以看出,在不同的传感器节点数量,均存在一个最优量化比特值使得能量有效性度量达到局部最优。图4为当量化比特数为4,5,6,7时,能量有效性度量随着传感器节点数量变化的性能仿真图,从图中可以看出,均存在一个最优的传感器节点数使得能量有效性到达局部最优,通过二维搜索的方法即可确定最优参数。
Claims (8)
1.一种基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤如下:
步骤1、数据采集:传感器节点周期性的进行频谱感知、信息上报以及数据传输,并在频谱感知阶段对监测的目标频段进行数据采集;
步骤2、能量检测:建立二元假设模型,建立基于能量的测量统计量;
步骤3、量化处理:传感器节点利用均匀量化器对测量统计量进行量化处理,并将量化测量统计量发送至汇聚节点;
步骤4、量化信息融合判决:汇聚节点接收到所有传感器节点发送的量化测量统计量后,建立最终判决统计量,并建立融合判决准则;
步骤5、能耗分析:结合融合判决结果,分析频谱监测传感网在一个周期性帧内的平均能耗情况;
步骤6、数据传输:当频谱监测传感网的目标频段为空闲时,计算传感器节点利用该频段传输数据的吞吐量;
步骤7、能量有效性分析:构建能量有效性度量,并建立关于能量有效性的优化模型,求解模型的最优参数,频谱监测传感网在最优参数上进行数据传输。
2.根据权利要求1所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤1所述的数据采集,具体如下:
设定频谱监测传感网中包含了N个传感器节点和一个汇聚节点,传感器节点周期性的进行频谱感知、信息上报以及数据传输:
频谱感知阶段,传感器节点对所监测目标频段信号进行数据采集,并对采集的数据进行分析,得出其频谱占用状况或对应的信号参数,并根据实际需求在传输阶段将相应的监测信息传递给汇聚节点;
信息上报阶段,传感器节点将所监测目标频段的被占用情况传递给汇聚节点,汇聚节点融合所有传感器的感知结果做出最终判决,并为传感器节点选择可用频谱资源进行数据的传递;
数据传输阶段,传感器节点根据汇聚节点的指令传递频谱感知阶段采集分析后的信号特征参数;
将一个周期的帧长T分为频谱感知时间Ts、信息上报时间Tr、融合判决以及数据传输时间Td,Td=T-Ts-Tr;设定频谱监测传感网监测的目标频段被占用和空闲的概率分别为π1和π0,每个传感器节点的采样频率为fs,则每个传感器节点信号采样长度为L=fs×Ts;设定D为传感器上报阶段的数据速率,B为传感器节点数据上报阶段的量化比特数,则数据传输时间Td为
3.根据权利要求1或2所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤2所述的能量检测,具体如下:
设定第i个传感器节点采样的第k个样点为yi(k),i=1,2,…,N,基于能量检测器的测量统计量当L充分大时,根据中心极限定理,Si服从下列高斯分布函数:
H0:
H1:
其中,H0和H1分别为传感器节点监测的目标频段空闲和被占用的假设检验,用符号Hθ,θ∈{0,1}表示;L为传感器节点信号采样长度;和分别为第i个传感器节点的信道噪声方差和接收到目标频段发射信号的信号方差,设定信道噪声为加性高斯白噪声,均值为0;
高斯分布的定义为:
若连续随机变量X的概率密度f(x)为:
其中μ,σ(σ>0)为常数;
则X服从参数为μ,σ的高斯分布,记为X~N(μ,σ2);
因此,Si关于Hθ的条件概率密度分布函数为fi(x/Hθ),θ∈{0,1},为高斯分布函数。
4.根据权利要求3所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤3所述的量化处理,具体如下:
步骤3.1、设定传感器节点均采用均匀量化器,Δ为量化间隔,和分别为第i个传感器节点的量化电平和量化门限,其中M=2B,εi,j=jΔ,Li,j=j,j∈{1,2,…,M},测量统计量的量化过程为:
如果εi,k-1≤Si≤εi,k,k∈{1,2,…,M},则
其中,为测量统计量Si的量化值;
步骤3.2、每个传感器节点直接发送B比特量化测量统计量到汇聚节点。
5.根据权利要求4所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤4所述的量化信息融合判决,具体如下:
汇聚节点接收到N个传感器节点发送的所有量化测量统计量后,建立最终判决统计量并建立融合判决准则:
其中,λq为检测门限;对于H0和H1,设定第i个传感器节点的量化测量统计量取值为k的概率为则
在Hθ条件下的均值μi,θ和方差为:
由于各传感器节点相互独立,所以在Hθ条件下的均值μθ和方差分别为:
根据Lyapunov定理,当传感器节点数足够多时,近似服从均值为μθ和方差为的高斯分布,且汇聚节点的检测概率和虚警概率分别为:
6.根据权利要求5所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤5所述的能耗分析,具体如下:
设定es和et分别为传感器节点在频谱感知和数据传输阶段所消耗的能量,单位为瓦;er为传感器节点上报1比特信息所消耗的能量,单位为瓦;设定有n个传感器节点参与频谱感知和信息上报,1≤n≤N,则n个传感器节点在频谱感知和信息上报阶段所消耗的总能量Esr为:
Esr=n×es+n×B×er
当汇聚节点确定监测的目标频段空闲时,通知传感器节点传输数据,由于汇聚中心存在虚警概率和漏检概率,因此,传感器节点在数据传输阶段消耗的平均能量Edt为:
7.根据权利要求6所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤6所述的数据传输,具体如下:
传感器节点在数据传输阶段的吞吐量R为:
其中,C0=log2(1+Rsn),Rsn为传感器节点的发送信号功率和噪声功率之比。
8.根据权利要求1所述的基于能量有效性分析的量化协作频谱感知方法,其特征在于,步骤7所述的能量有效性分析,具体如下:
能量有效性度量η(λq,B,n)为:
对于频谱监测传感网,目标是消耗尽量少的能量使得网络吞吐量达到最大,因此建立优化模型:
其中,为目标频段监测概率,限制条件表示频谱感知和信息上报的时间之和不能超过一个周期总时间,量化比特数B的最大值其中是向下取整函数;
给定n和B,选择确定最优检测门限对于离散变量n和B的可行解空间,采用二维线性搜索的方法获取,共有N×Bmax组局部最优解使得吞吐量R达到局部最优,从中选择使得吞吐量R达到最大的一组最优值(n*,B*,(λq)*),从而在设定段时间内,频谱监测传感网在最优参数上进行数据传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910344340.9A CN110113759B (zh) | 2019-04-26 | 2019-04-26 | 一种基于能量有效性分析的量化协作频谱感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910344340.9A CN110113759B (zh) | 2019-04-26 | 2019-04-26 | 一种基于能量有效性分析的量化协作频谱感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110113759A true CN110113759A (zh) | 2019-08-09 |
CN110113759B CN110113759B (zh) | 2022-12-13 |
Family
ID=67486967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910344340.9A Active CN110113759B (zh) | 2019-04-26 | 2019-04-26 | 一种基于能量有效性分析的量化协作频谱感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110113759B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116318478A (zh) * | 2023-03-23 | 2023-06-23 | 中山大学 | 一种基于能效的归一化无人机频谱感知方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011082527A1 (zh) * | 2010-01-07 | 2011-07-14 | 上海贝尔股份有限公司 | 感知无线网络的协作频谱感知方法和感知节点 |
CN102571240A (zh) * | 2012-02-15 | 2012-07-11 | 上海大学 | 一种运用改进能量检测器的协作频谱感知参数优化方法 |
CN103338458A (zh) * | 2013-07-11 | 2013-10-02 | 东南大学 | 一种用于认知无线电系统的协作频谱感知方法 |
CN105227253A (zh) * | 2015-08-20 | 2016-01-06 | 黑龙江科技大学 | 一种新型的基于能量检测的双门限协作频谱感知算法 |
CN107770778A (zh) * | 2017-09-20 | 2018-03-06 | 宁波大学 | 一种基于软融合策略的盲协作频谱感知方法 |
-
2019
- 2019-04-26 CN CN201910344340.9A patent/CN110113759B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011082527A1 (zh) * | 2010-01-07 | 2011-07-14 | 上海贝尔股份有限公司 | 感知无线网络的协作频谱感知方法和感知节点 |
CN102571240A (zh) * | 2012-02-15 | 2012-07-11 | 上海大学 | 一种运用改进能量检测器的协作频谱感知参数优化方法 |
CN103338458A (zh) * | 2013-07-11 | 2013-10-02 | 东南大学 | 一种用于认知无线电系统的协作频谱感知方法 |
CN105227253A (zh) * | 2015-08-20 | 2016-01-06 | 黑龙江科技大学 | 一种新型的基于能量检测的双门限协作频谱感知算法 |
CN107770778A (zh) * | 2017-09-20 | 2018-03-06 | 宁波大学 | 一种基于软融合策略的盲协作频谱感知方法 |
Non-Patent Citations (1)
Title |
---|
高卉等: "认知无线传感网络中吞吐量能耗均衡研究", 《计算机技术与发展》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116318478A (zh) * | 2023-03-23 | 2023-06-23 | 中山大学 | 一种基于能效的归一化无人机频谱感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110113759B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mulvey et al. | Cell fault management using machine learning techniques | |
Xue et al. | RVFL-LQP: RVFL-based link quality prediction of wireless sensor networks in smart grid | |
Kandukuri et al. | Energy-efficient data aggregation techniques for exploiting spatio-temporal correlations in wireless sensor networks | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN107124158B (zh) | 基于对数量化的无线传感器网络滤波信息处理系统及方法 | |
CN114511112A (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
CN110113759B (zh) | 一种基于能量有效性分析的量化协作频谱感知方法 | |
CN116885854A (zh) | 一种基于物联网的电力系统监测系统 | |
Al-Qurabat et al. | Distributed data aggregation protocol for improving lifetime of wireless sensor networks | |
Karaki et al. | An adaptive sampling technique for massive data collection in distributed sensor networks | |
CN111726768A (zh) | 一种基于压缩感知面向边缘计算的可靠数据收集方法 | |
CN107770778B (zh) | 一种基于软融合策略的盲协作频谱感知方法 | |
CN116633798A (zh) | 一种基于数据分析的物联网卡数据流量监控预警系统 | |
Arunraja et al. | Distributed similarity based clustering and compressed forwarding for wireless sensor networks | |
CN105208120B (zh) | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 | |
Quevedo et al. | A predictive power control scheme for energy efficient state estimation via wireless sensor networks | |
CN110647086B (zh) | 一种基于运行大数据分析的智能运维监控系统 | |
CN116546441A (zh) | 无线网络中面向多播传输场景的状态更新调度方法及系统 | |
CN113794646B (zh) | 能源行业的监控数据传输系统及方法 | |
Hu et al. | Decentralized sequential detection of a non-cooperative target based on uniform sampling and one-bit quantization | |
Al-Zubaidy et al. | Performance of in-network processing for visual analysis in wireless sensor networks | |
CN117651288B (zh) | 智能户外电视的信号传输方法、装置、设备及存储介质 | |
Zhou et al. | A Novel Wireless Sensor Network Data Aggregation Algorithm Based on Self-organizing Feature Mapping Neutral Network. | |
Quevedo et al. | Predictive power control of wireless sensor networks for closed loop control | |
CN118427026B (zh) | 用于电力通信芯片性能调优的修调设备控制方法及系统 |
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 |