CN110912843A - 大规模无线传感器网络中的分布式盲估计方法及系统 - Google Patents

Abstract

本发明公开了一种大规模无线传感器网络中的分布式盲估计方法及系统，相关方法包括：无线传感器网络中的所有传感器节点同时观测源信号，每一传感器节点采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号至融合中心；融合中心基于高斯混合模型对所有传感器节点输出的符号进行聚类，得到处于活跃状态的传感器节点占总传感器节点数的比例，从而恢复出源信号。上述方法，使用基于概率编码的分布式盲估计方案充分利用大规模传感器网络传感器节点数目较大且状态易于判断的特点，避免了恢复源数据时对CSI的依赖，有效降低了估计开销。除此之外，本发明的分布式盲估计方案具有易于实现，运算量低等特点。

Description

大规模无线传感器网络中的分布式盲估计方法及系统

技术领域

本发明涉及无线传感器网络技术领域，尤其涉及一种大规模无线传感器网络中的分布式盲估计方法及系统。

背景技术

分布式估计(Distributed Estimation)是一种运用在无线传感器网络中的数据(参数)收集的方法。由于在无线传感器网络中，传感器节点通常为低成本低功耗低精度器件，采用单个传感器节点获取环境数据(参数)会造成较大的误差且会大大降低传感器的使用寿命。分布式估计方法采用多个传感器节点观测同一物理量(如温度，湿度等)，各传感器节点对观测值进行一定的处理(如压缩，量化)后发送到融合中心，融合中心综合接收到的所有传感器节点的数据，估计得到具有较高精度的数据(参数)。采用分布式估计方法不仅能够提高参数估计精度，还能够有效降低单个传感器节点数据处理复杂度以及能量损耗，大大提高了整个网络的生命周期。

分布式估计主要流程为数据感知，数据传输以及数据(估计)恢复。数据感知和数据传输由传感器节点完成，融合中心完成数据的恢复。数据从传感器节点传输到融合中心的过程中受无线衰落信道的影响，会发生一定的畸变，为了准确恢复出原发送数据，CSI(channel state information，信道状态信息)是必要的。CSI的获取需要传感器节点发送训练信号到融合中心，融合中心根据对应的期望输出进行信道估计。

随着大规模无线传感网的兴起，分布式估计也受到广泛关注。然而，在大规模无线传感器网络中进行频繁的信道估计会造成极大的资源损耗，是不切实际的，因此传统的分布式估计方法不适用于大规模无线传感器网络。

发明内容

本发明的目的是提供一种大规模无线传感器网络中的分布式盲估计方法及系统，通过概率编码的方式，将源数据转换成控制传感器状态的一个参数，融合中心根据传感器状态的统计分布特性实现对原数据的恢复。这种基于概率编码的分布式盲估计方案无需CSI，避免了由信道估计带来的巨大开销。

本发明的目的是通过以下技术方案实现的：

一种大规模无线传感器网络中的分布式盲估计方法，包括：

无线传感器网络中的所有传感器节点同时观测源信号，每一传感器节点采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号至融合中心；

融合中心基于高斯混合模型对所有传感器节点输出的符号进行聚类，得到处于活跃状态的传感器节点占总传感器节点数的比例，从而恢复出源信号。

由上述本发明提供的技术方案可以看出，使用基于概率编码的分布式盲估计方案充分利用大规模传感器网络传感器节点数目较大且状态易于判断的特点，避免了恢复源数据时对CSI的依赖，有效降低了估计开销。除此之外，本发明的分布式盲估计方案具有易于实现，运算量低等特点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种大规模无线传感器网络中的分布式盲估计方法的流程图；

图2为本发明实施例提供的一种大规模无线传感器网络部署结构的示意图；

图3为本发明实施例提供的一种大规模无线传感器网络中的分布式盲估计方法的示意图；

图4为本发明实施例提供的传感器节点的示意图；

图5为本发明实施例提供的融合中心的示意图；

图6为本发明实施例提供传感器节点数目与分布式盲估计性能关系的性能仿真图；

图7为本发明实施例提供接收噪声对分布式盲估计性能影响的性能仿真图。

具体实施方式

下面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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。

本发明实施例提供一种大规模无线传感器网络中的分布式盲估计方法，如图1所示，其主要包括如下步骤：

1、无线传感器网络中的所有传感器节点同时观测源信号，每一传感器节点采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号至融合中心。

2、融合中心基于高斯混合模型对所有传感器节点输出的符号进行聚类，得到处于活跃状态的传感器节点占总传感器节点数的比例，从而恢复出源信号。

上述方法可以避免传统分布式估计方案中对于CSI的依赖，省去了大规模无线传感器网络中进行信道估计带来的巨大开销，大大减少了传感器节点的能量带宽损耗，提高了大规模无线传感器网络的生命周期。

为了便于理解，下面针对上述方法做详细介绍。

如图2所示，为一种多传感器节点与单个融合中心的传感器网络部署结构。下面主要从传感器节点处理方式与融合中心处理方式两部分进行介绍。

一、传感器节点处理方式。

如图3所示，本发明实施例中，无线传感器网络中传感器节点总数记为M，M个传感器节点同时观测源信号s(确定性标量源信号)，得到M个测量值x₁,x₂,...,x_M，测量噪声为n₁,n₂,...,n_M，即x_i＝s+n_i,i＝1,...,M。设传感器节点的测量范围为[-W,W]，-W与W分别为最小观测值与最大观测值。

利用测量范围[-W,W]对自身的观测值进行归一化处理，得到归一化测量值：

生成一个(0,1)范围内的随机数ρ_i,i＝1,...,M；

比较归一化测量值和随机数的大小，并决定输出符号：

其中，输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态。

二、融合中心处理方式。

假设处于活跃状态的传感器节点真实数目为m，则处于非活跃状的传感器节点数目为M-m，则源信号s与处于活跃状态的传感器节点数目有如下关系：

传感器节点输出的符号经过正交衰落信道传送到融合中心，融合中心的接收信号表示为：y_i＝h_ib_i+w_i,i＝1,...,M，其中，h₁,...,h_M为衰落信道系数，w₁,...,w_M为零均值加性高斯白噪声，b₁,...,b_M为传感器节点输出的符号；输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态；当b_i＝a时，接收信号y_i＝ah_i+w_i；当b_i＝0时，接收信号为y_i＝w_i。基于以上原理，可以将接收信号分为两簇，一簇为从活跃态传感器节点收集的数据，另一簇为从非活跃态传感器节点收集的数据。

如图3所示，本发明实施例中，基于高斯混合模型对接收信号进行聚类(也即后文介绍的基于高斯混合模型建模接收信号分布到求解高斯混合模型参数)，得到处于活跃态以及非活跃态传感器节点占总节点数的比例，即可得到源信号的估计

具体来说，可以利用K分量的高斯混合模型逼近接收信号的概率密度分布：

其中，y＝(y₁,...,y_N)，

表示高斯分布，π₁,...,π_K为混合权重，满足0＜π_k＜1,k＝1,...,K以及

μ_k,

为第k个高斯分量的均值和方差；令μ₁＝0，即用第一个高斯分量表征接收信号y_i＝w_i的概率密度分布，剩余的K-1个高斯分量的叠加表征接收信号y_i＝ah_i+w_i的概率密度分布。

利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型，获得基于K分量的高斯混合模型收敛后最优混合权值

并估计处于活跃态的传感器节点的数目占总节点数目的比例：

其中，m为处于活跃态的传感器节点的真实数目；

从而恢复出源信号：

其中，W为设定的传感器节点的测量范围中的最大观测值。

为了确保融合中心估计结果的准确信，下面提供一种高斯混合模型训练的方式：

步骤A、初始化K分量的高斯混合模型参数：

上标0表示相关参数为初始参数；

步骤B、计算隐变量的期望：

其中，隐变量z_ik表征接收信号y_i属于第k个高斯分量，t表示更新时的迭代次数，t＝1,2,......；

表示在接收信号y_i来源于第k个高斯分量的的条件概率分布，

表示第接收信号y_i来源于第k个高斯分量的先验分布；

步骤C、更新高斯混合模型参数，方式如下：

重复以上步骤B～步骤C，直至收敛，获得基于K分量的高斯混合模型收敛后最优混合权值

本发明另一实施例提供一种大规模无线传感器网络中的分布式盲估计系统，其主要包括：无线传感器网络中的所有传感器节点与融合中心。

所有传感器节点具有相同的结构，如图4所示，主要包括：观测模块、量化编码模块与发射天线模块；所有传感器节点通过自身的观测模块同时观测源信号，并通过量化编码模块采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号通过发射天线模块发送至融合中心；

如图5所示，融合中心包括：聚簇模块，基于高斯混合模型对所有传感器节点输出的符号进行聚类；信号估计模块，利用聚类结果得到处于活跃状态的传感器节点占总传感器节点数的比例，从而恢复出源信号。

如图4所示，传感器节点还包括：归一化模块、比较器模块以及随机数生成模块；

无线传感器网络中传感器节点总数记为M，M个传感器节点同时观测源信号s，得到M个测量值x₁,x₂,...,x_M，测量噪声为n₁,n₂,...,n_M，即x_i＝s+n_i,i＝1,...,M；设传感器节点的测量范围为[-W,W]，-W与W分别为最小观测值与最大观测值；

归一化模块利用测量范围[-W,W]对自身的观测值进行归一化处理，得到归一化测量值：

随机数生成模块生成一个(0,1)范围内的随机数ρ_i,i＝1,...,M；

比较器模块比较归一化测量值和随机数的大小，并决定输出符号：

其中，输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态。

本发明实施例中，传感器节点输出的符号经过正交衰落信道传送到融合中心，融合中心的接收信号表示为：y_i＝h_ib_i+w_i,i＝1,...,M，其中，h₁,...,h_M为衰落信道系数，w₁,...,w_M为零均值加性高斯白噪声，b₁,...,b_M为传感器节点输出的符号，M为传感器节点总数；

输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态；当b_i＝a时，接收信号y_i＝ah_i+w_i；当b_i＝0时，接收信号为y_i＝w_i。

本发明实施例中，融合中心基于K分量的高斯混合模型逼近接收信号的概率密度分布：

其中，y＝(y₁,...,y_N)，

表示高斯分布，π₁,...,π_K为混合权重，满足0＜π_k＜1,k＝1,...,K以及

μ_k,

为第k个高斯分量的均值和方差；令μ₁＝0，即用第一个高斯分量表征接收信号y_i＝w_i的概率密度分布，剩余的K-1个高斯分量的叠加表征接收信号y_i＝ah_i+w_i的概率密度分布；

利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型，获得基于K分量的高斯混合模型收敛后最优混合权值

并估计处于活跃态的传感器节点的数目占总节点数目的比例：

其中，m为处于活跃态的传感器节点的真实数目；

从而恢复出源信号：

其中，W为设定的传感器节点的测量范围中的最大观测值。

本发明实施例中，利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型的步骤包括：

步骤A、初始化K分量的高斯混合模型参数：

上标0表示相关参数为初始参数；

步骤B、计算隐变量的期望：

其中，隐变量z_ik表征接收信号y_i属于第k个高斯分量；t表示更新时的迭代次数，t＝1,2,......；

表示在接收信号y_i来源于第k个高斯分量的的条件概率分布，

表示第接收信号y_i来源于第k个高斯分量的先验分布；

步骤C、更新高斯混合模型参数，方式如下：

重复以上步骤B～步骤C，直至收敛，获得基于K分量的高斯混合模型收敛后最优混合权值

上述系统所涉及的技术细节及其他的相关技术介绍在之前的实施例中进行了详细的说明，故不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

为了说明本发明实施例所提供方案的可行效果，下面结合附图6和附图7所示的性能测试图来进行说明。

图6测试参数：传感器节点个数为50到1000个，融合中心个数为1，信道为多个高斯信道叠加构成的随机衰落信道，传感器观测源信号的观测信噪比为20dB，融合中心处的接收信噪比为15dB，传感器的观测范围为[-2,2]。

图6测试了传感器节点数目与估计性能之间的关系。为了更直观的说明本发明的性能，图6中给出了两个对比项：

1)理论值：给定目标估计误差上限σ，为保证估计误差小于σ的概率大于概率门限值C，传感器节点数目M应满足如下条件

2)真实m/M：融合中心已知处于活跃状态的传感器节点真实数目占总传感器节点数的比例。

图6中理论值结果为给定系统性能指标(误差上限σ设置为0.05和0.1，概率门限值C设置为0.7,0.75,0.8,0.85,0.9和0.95)，根据理论结果可以计算得到所需的最小传感器节点数目；已知真实m/M的测试结果是融合中心已知m/M，根据理论值结果得到的最小传感器节点数，进行5000次的分布式盲估计后得到的统计结果；估计m/M的测试结果是融合中心未知m/M，根据理论值结果得到的最小传感器节点数，同样进行5000次的分布式盲估计得到的统计结果。

从测试结果可以看到，已知真实m/M的情况下，测试结果与理论值结果一致，利用估计m/M值的进行源信号恢复时需要更多的传感器节点。测试结果表明了当传感器节点数目足够大时，我们提出的分布式盲估计方案是有效的。

图7测试参数：传感器节点数目为250和700，融合中心个数为1，信道为多个高斯信道叠加构成的随机衰落信道，传感器观测源信号的观测信噪比为20dB，融合中心处的接收信噪比为2dB～26dB，传感器的观测范围为[-2,2]。

图7测试了融合中心噪声对于估计性能的影响。为了更直观的说明本发明的性能，图7中给出了最大似然估计方法作为对比项，最大似然估计是传统的假设融合中心已知完美CSI时分布式估计方法。

从测试结果看到，当接收SNR较小时，平均估计误差随着接收SNR增大而减小，当接收SNR达到一定值时，平均估计误差不再下降，此时分布式盲估计的性能瓶颈为传感器节点数目。对比传统的最大似然估计方法，分布式盲估计的方案牺牲了一定了估计准确度，但避免了获取准确CSI的信道估计过程，大大降低了分布式估计的资源损耗。

因此，本发明实现了分布式盲估计的功能，避免大规模CSI的获取成本，从而达到降低传感器节点能量带宽损耗的目标。除此之外，本发明的CSI的获取方法具有实现简单、运算量低以及设备配置要求不高等特点。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种大规模无线传感器网络中的分布式盲估计方法，其特征在于，包括：

无线传感器网络中的所有传感器节点同时观测源信号，每一传感器节点采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号至融合中心；

融合中心基于高斯混合模型对所有传感器节点输出的符号进行聚类，得到处于活跃状态的传感器节点占总传感器节点数的比例，从而恢复出源信号。

2.根据权利要求1所述的一种大规模无线传感器网络中的分布式盲估计方法，其特征在于，每一传感器节点采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号包括：

无线传感器网络中传感器节点总数记为M，M个传感器节点同时观测源信号s，得到M个测量值x₁,x₂,...,x_M，测量噪声为n₁,n₂,...,n_M，即x_i＝s+n_i,i＝1,...,M；设传感器节点的测量范围为[-W,W]，-W与W分别为最小观测值与最大观测值；

利用测量范围[-W,W]对自身的观测值进行归一化处理，得到归一化测量值：

生成一个(0,1)范围内的随机数ρ_i,i＝1,...,M；

比较归一化测量值和随机数的大小，并决定输出符号：

其中，输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态。

3.根据权利要求1所述的一种大规模无线传感器网络中的分布式盲估计方法，其特征在于，传感器节点输出的符号经过正交衰落信道传送到融合中心，融合中心的接收信号表示为：y_i＝h_ib_i+w_i,i＝1,...,M，其中，h₁,...,h_M为衰落信道系数，w₁,...,w_M为零均值加性高斯白噪声，b₁,...,b_M为传感器节点输出的符号，M为传感器节点总数；

输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态；当b_i＝a时，接收信号y_i＝ah_i+w_i；当b_i＝0时，接收信号为y_i＝w_i。

4.根据权利要求3所述的一种大规模无线传感器网络中的分布式盲估计方法，其特征在于，融合中心基于K分量的高斯混合模型逼近接收信号的概率密度分布：

其中，y＝(y₁,...,y_N)，

表示高斯分布，π₁,...,π_K为混合权重，满足0＜π_k＜1,k＝1,...,K以及

μ_k,

为第k个高斯分量的均值和方差；令μ₁＝0，即用第一个高斯分量表征接收信号y_i＝w_i的概率密度分布，剩余的K-1个高斯分量的叠加表征接收信号y_i＝ah_i+w_i的概率密度分布；

利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型，获得基于K分量的高斯混合模型收敛后最优混合权值

并估计处于活跃态的传感器节点的数目占总节点数目的比例：

其中，m为处于活跃态的传感器节点的真实数目；

从而恢复出源信号：

其中，W为设定的传感器节点的测量范围中的最大观测值。

5.根据权利要求4所述的一种大规模无线传感器网络中的分布式盲估计方法，其特征在于，利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型的步骤包括：

步骤A、初始化K分量的高斯混合模型参数：

上标0表示相关参数为初始参数；

步骤B、计算隐变量的期望：

其中，隐变量z_ik表征接收信号y_i属于第k个高斯分量；t表示更新时的迭代次数，t＝1,2,......；

表示在接收信号y_i来源于第k个高斯分量的的条件概率分布，

表示第接收信号y_i来源于第k个高斯分量的先验分布；

步骤C、更新高斯混合模型参数，方式如下：

重复以上步骤B～步骤C，直至收敛，获得基于K分量的高斯混合模型收敛后最优混合权值

6.一种大规模无线传感器网络中的分布式盲估计系统，其特征在于，包括：无线传感器网络中的所有传感器节点与融合中心；其中：

所有传感器节点具有相同的结构，包括：观测模块、量化编码模块与发射天线模块；所有传感器节点通过自身的观测模块同时观测源信号，并通过量化编码模块采用概率编码的方式对观测值进行处理，输出一个表征自身处于活跃状态或者非活跃状态的符号通过发射天线模块发送至融合中心；

融合中心包括：聚簇模块，基于高斯混合模型对所有传感器节点输出的符号进行聚类；信号估计模块，利用聚类结果得到处于活跃状态的传感器节点占总传感器节点数的比例，从而恢复出源信号。

7.根据权利要求6所述的一种大规模无线传感器网络中的分布式盲估计系统，其特征在于，传感器节点还包括：归一化模块、比较器模块以及随机数生成模块；

无线传感器网络中传感器节点总数记为M，M个传感器节点同时观测源信号s，得到M个测量值x₁,x₂,...,x_M，测量噪声为n₁,n₂,...,n_M，即x_i＝s+n_i,i＝1,...,M；设传感器节点的测量范围为[-W,W]，-W与W分别为最小观测值与最大观测值；

归一化模块利用测量范围[-W,W]对自身的观测值进行归一化处理，得到归一化测量值：

随机数生成模块生成一个(0,1)范围内的随机数ρ_i,i＝1,...,M；

比较器模块比较归一化测量值和随机数的大小，并决定输出符号：

其中，输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态。

8.根据权利要求6所述的一种大规模无线传感器网络中的分布式盲估计系统，其特征在于，传感器节点输出的符号经过正交衰落信道传送到融合中心，融合中心的接收信号表示为：y_i＝h_ib_i+w_i,i＝1,...,M，其中，h₁,...,h_M为衰落信道系数，w₁,...,w_M为零均值加性高斯白噪声，b₁,...,b_M为传感器节点输出的符号，M为传感器节点总数；

输出符号b_i＝a表征处于活跃状态；输出符号b_i＝0表征处于非活跃状态；当b_i＝a时，接收信号y_i＝ah_i+w_i；当b_i＝0时，接收信号为y_i＝w_i。

9.根据权利要求8所述的一种大规模无线传感器网络中的分布式盲估计系统，其特征在于，融合中心基于K分量的高斯混合模型逼近接收信号的概率密度分布：

其中，y＝(y₁,...,y_N)，

表示高斯分布，π₁,...,π_K为混合权重，满足0＜π_k＜1,k＝1,...,K以及

μ_k,

为第k个高斯分量的均值和方差；令μ₁＝0，即用第一个高斯分量表征接收信号y_i＝w_i的概率密度分布，剩余的K-1个高斯分量的叠加表征接收信号y_i＝ah_i+w_i的概率密度分布；

利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型，获得基于K分量的高斯混合模型收敛后最优混合权值

并估计处于活跃态的传感器节点的数目占总节点数目的比例：

其中，m为处于活跃态的传感器节点的真实数目；

从而恢复出源信号：

其中，W为设定的传感器节点的测量范围中的最大观测值。

10.根据权利要求9所述的一种大规模无线传感器网络中的分布式盲估计系统，其特征在于，利用接收信号y₁,...,y_N训练基于K分量的高斯混合模型的步骤包括：

步骤A、初始化K分量的高斯混合模型参数：

上标0表示相关参数为初始参数；

步骤B、计算隐变量的期望：

其中，隐变量z_ik表征接收信号y_i属于第k个高斯分量；t表示更新时的迭代次数，t＝1,2,......；

表示在接收信号y_i来源于第k个高斯分量的的条件概率分布，

表示第接收信号y_i来源于第k个高斯分量的先验分布；

步骤C、更新高斯混合模型参数，方式如下：

重复以上步骤B～步骤C，直至收敛，获得基于K分量的高斯混合模型收敛后最优混合权值

Images