CN110139208B - 基于dai的无线传感器网络协作通信中对管理智能体ma位置预测方法 - Google Patents

Abstract

本发明公开了基于DAI的无线传感器网络协作通信中对管理智能体(MA)位置预测方法，基于盲源分离技术识别活动节点并确定活动节点位置，选择相似度最高的节点形成簇；在簇内利用分层最大似然估计法识别簇头(CH)，将簇头(CH)作为协调智能体(CoA)；利用分布式人工智能对管理智能体(MA)的位置进行预测；对于MA的位置预测是实现了实时动态更新，它独立于无线传感器网络中的簇成员节点编号及其各自的位置。本发明方法在簇形成和CoA定位时只考虑活动节点，节点间的响应时间较高。

Description

基于DAI的无线传感器网络协作通信中对管理智能体MA位置 预测方法

技术领域

本发明属于通信技术领域，尤其涉及基于DAI的无线传感器网络协作通信中的MA位置预测方法。

背景技术

无线传感器网络是由空间分布的传感器节点组成，每个传感器节点具有独立求解的能力，但是节点的通信能力和能量都是有限的。因此面对网络的节能，高效等实际需求时，节点之间必须进行协作通信才能解决大规模的复杂问题，完成全局任务。因此，基于分布式人工智能的无线传感器网络成为如今无线通信领域的热点课题。

分布式人工智能(DAI)的主要研究内容是应用多个独立的智能体相互协作共同完成任务。比起传统的集中式结构，DAI强调的是分布式智能处理，克服了集中式系统中心部件负荷重，知识调度困难等弱点。并且DAI克服了原有专家系统和学习系统等弱点，极大的提高只是系统的性能，可提高问题求解能力和效率，扩大应用范围，降低计算复杂度。

基于多智能体系统的无线传感器网络有效的实现了传感器节点之间的智能的协作通信。但是在无线传感器网络的实际应用中，大多数任务都要求实时性与高效性。但是现有技术大多都是面对静态网络，并且在协作通信过程中响应时间较长。因此必须有效的平衡协作通信过程中的计算时间与通信时间，提高智能体间的响应时间。

发明内容

本发明根据现有技术中存在的问题，提出了基于DAI的无线传感器网络协作通信中的管理智能体(MA)位置预测方法，实现对MA位置的实时动态更新，提高CoA对于MA位置预测的响应时间，降低计算复杂度。

本发明所采用的技术方案如下：

基于DAI的无线传感器网络协作通信中对管理智能体(MA)位置预测方法，包括以下步骤：

步骤1：基于盲源分离技术识别活动节点并确定活动节点位置，选择相似度最高的节点形成簇；

步骤2：在簇内利用分层最大似然估计法识别簇头(CH)，将簇头(CH)作为协调智能体(CoA)；

步骤3：利用分布式人工智能对管理智能体(MA)的位置进行预测；

进一步，形成簇的过程为：

基于结点接收到的不同信号的功率谱密度(PSD)进行检测识别，根据信号的功率谱密度PSD的自相关函数的差异计算节点对的距离，基于节点距离将相似度较高的节点对合并形成簇；

进一步，所述PSD的自相关函数的差异表示为：

PSD的自相关函数表示为：

其中，T为当前时刻，p是独立分布信道的数量，接收器数量j＝1,2,...,j，Γ为时滞，g为噪声，

是信号a_l(k)在信道传输中多个时刻的自相关函数，

为源信号；

进一步，所述计算节点对的距离ED表示为：

其中，a_l(T)为T时刻里面取得瞬间的信号。

进一步，识别簇头的方法：

假设网络中有k个不同的对数似然函数来寻找CH位置，在n个信道中的选取功率谱密度PSD样本对象为X＝{x₁,x₂,x₃,...,x_n}，其样本维度为d；

步骤2.1，计算样本对象的均值：

步骤2.2，计算样本对象的协方差：

步骤2.3，当更多的活动节点对合并时，根据均值与协方差得到簇的对数似然函数：

其中L_k为簇X_k的对数似然。当对数似然差异的最大的地方为簇头的位置。

进一步，所述步骤3的过程为：

步骤3.1，根据步骤1所确定的活动节点位置，基于实时信号，分布式人工智能DAI对MA位置的连续预测，

其中，

步骤3.2，获得调智能体CoA对管理智能体MA定位的响：

假设与单个传感器的增益相比，网络的增益非常大，即

趋于1，得到CoA对于MA的位置预测为：

本发明的有益效果：

本发明提供了一种无线传感器网络中基于分布式人工智能的协作通信管理智能体(MA)的位置预测方法，可用于基于多智能体系统的无线传感器网络。与现有技术相比，本发明的技术方案具有以下有益效果：对于MA的位置预测是实现了实时动态更新，它独立于无线传感器网络中的簇成员节点编号及其各自的位置。所提方法在簇形成和CoA定位时只考虑活动节点。与现有技术相比，所提方法的节点间的响应时间较高。并且采用分布式计算保持了系统最小的计算复杂度。

附图说明

图1为为本发明实现流程图；

图2为本发明实施例的网络结构图；

图3为本发明实施例中MA的响应时间；

图4为本发明实施例中基于AE的MA位置预测的似然估计。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

图1为本发明的实现流程框图，基于DAI的无线传感器网络协作通信中的管理智能体(MA)位置预测方法，包括以下步骤：

步骤1：基于盲源分离技术识别活动节点并确定活动节点位置；具体过程如下：如图2，基于结点接收到的不同信号的功率谱密度(PSD)进行检测识别，根据信号的功率谱密度PSD，基于PSD的自相关函数的差异计算节点对的距离，基于节点距离将相似度较高的节点对合并形成簇，如果节点数量不够形成簇，将等待更多的活动节点数量直到簇形成。

考虑到信道中的两个独立信号，我们使用以下符号：p是第j个接收器输出的独立相同分布信道输入的数量，即j＝1,2,...,j。考虑T时刻具有时滞Γ的独立信号a(k)的PSD，噪声为g，其时滞传递函数的差异：

PSD的自相关函数表示为：

其中，T为当前时刻，p是独立分布信道的数量，接收器数量j＝1,2,...,j，Γ为时滞，g为噪声，

是信号a_l(k)在信道传输中多个时刻的自相关函数，

为源信号；

将自相关误差收敛系数看作二维矢量，推导出自相关误差与欧几里得距离ED的广义关系：

其中，a_l(T)为T时刻里面取得瞬间的信号。

我们考虑了3个接收器和2个发射器用于源分离。所提出的工作的分析和合成直接取自通用软件定义无线电外围设备(USRP(解调之后))中获得的实时信号并将信道划分为多个频带，并假设每个频带由节点感测，因此，基于盲源分离技术的簇的形成：

步骤2：在簇内利用分层最大似然估计法识别簇头CH，将簇头CH作为协调智能体CoA；具体过程如下：

假设网络中有k个不同的对数似然函数来寻找CH位置(在特定水平上的最大对数似然率)，在n个信道中的选取样本对象PSD为X＝{x₁,x₂,x₃,...,x_n}，其样本维度为d。

步骤2.1，计算样本对象的均值：

步骤2.2，计算样本对象的协方差：

步骤2.3，当更多的活动节点对合并时，根据均值与协方差得到簇的对数似然函数：

其中L_k为簇X_k对数似然，当对数似然差异的最大的地方为簇头的位置。

步骤3：利用分布式人工智能对管理智能体(MA)的位置进行预测；

步骤3.1，已计算出网络中所有MA的可能空间位置分配，即：

其中，

现在，基于上述实时信号，DAI计算出最佳的策略/策略/模式。相应地，形成MA位置的连续预测：

其中，

步骤3.2，CoA对MA定位的响应将是：

也就是：

假设与单个传感器的增益相比，网络的增益非常大，即

趋于1(对于所有p>2，即每个节点与最少3个其他节点通信，即至少3个信道用于通信在一个簇中)，因此基于每‘T’秒的‘AE’的测试数据建立DAI与传感器定位的关系。我们得到CoA对于MA的位置预测为：

如图3所示，我们进行上千次模拟仿真，簇的形成阶段从BSS和HML开始，然后将DAI应用到对MA位置的预测中。随着模拟次数的增加，基于BSS和HML的协作通信的MA的响应时间明显优于现有技术。所提方法建议每个节点与最少3个其他节点通信，即至少3个信道用于通信在一个簇中。因此，分别比较了在协作通信过程中，三个簇以及多个簇的MA响应时间。从仿真结果可以看出加入DAI技术后，无论是三个簇还是多个簇以上，MA的响应时间都有明显的改善，验证了所提方法的有效性。

如图4所示，基于实时的AE的测试数据对MA的位置进行了预测，并计算了相应的ED。我们对这些参数进行了实时模拟，并分析了预测正确位置的似然比。从仿真结果可以看出，所提方法在对MA位置进行预测的过程中的似然比表现良好，最高能达到0.9左右。因此，从图中可以看出，基于AE的性能对MA位置预测的方法具有较高的似然估计性。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (3)

1.基于DAI的无线传感器网络协作通信中对管理智能体MA位置预测方法,其特征在于，包括以下步骤：

步骤1：基于盲源分离技术识别活动节点并确定活动节点位置，选择相似度最高的节点形成簇；所述形成簇的过程为：

基于结点接收到的不同信号的功率谱密度进行检测识别，根据信号的功率谱密度的自相关函数的差异计算节点对的距离，基于节点距离将相似度高的节点对合并形成簇；

步骤2：在簇内利用分层最大似然估计法识别簇头CH，将簇头CH作为协调智能体CoA；识别簇头的方法：

假设网络中有k个不同的对数似然函数来寻找CH位置，在n个信道中的选取功率谱密度PSD样本对象为X＝{x₁,x₂,x₃,...,x_n}，其样本维度为d；

步骤2.1，计算样本对象的均值：

步骤2.2，计算样本对象的协方差：

步骤2.3，当更多的活动节点对合并时，根据均值与协方差得到簇的对数似然函数：

其中L_k为簇X_k的对数似然；当对数似然差异的最大的地方为簇头的位置；

步骤3：利用分布式人工智能对管理智能体MA的位置进行预测；所述步骤3的过程为：

步骤3.1，根据步骤1所确定的活动节点位置，基于实时信号，分布式人工智能DAI对MA位置的连续预测，

其中，

步骤3.2，获得调智能体CoA对管理智能体MA定位的响：

假设与单个传感器的增益相比，网络的增益非常大，即

趋于1，得到CoA对于MA的位置预测为：

AE是PSD的自相关函数的差异，p是节点输出的独立分布信道的数量，g为噪声，ED是节点对的距离。

2.根据权利要求1所述的基于DAI的无线传感器网络协作通信中对管理智能体MA位置预测方法，其特征在于，所述PSD的自相关函数的差异AE表示为：

其中，t为时间变量，T为当前时刻，p是节点输出的独立分布信道的数量，Γ为时滞，g为噪声，

是信号a_l(k)在信道传输中多个时刻的自相关函数，

为源信号。

3.根据权利要求1所述的基于DAI的无线传感器网络协作通信中对管理智能体MA位置预测方法，其特征在于，所述节点对的距离ED表示为：

其中，a_l(T)为T时刻里面取得瞬间的信号，AE是PSD的自相关函数的差异，p是节点输出的独立分布信道的数量，g为噪声。

Images