CN114204969B - 用于去蜂窝大规模mimo系统的数据删失和融合方法 - Google Patents

用于去蜂窝大规模mimo系统的数据删失和融合方法 Download PDF

Info

Publication number
CN114204969B
CN114204969B CN202111414441.2A CN202111414441A CN114204969B CN 114204969 B CN114204969 B CN 114204969B CN 202111414441 A CN202111414441 A CN 202111414441A CN 114204969 B CN114204969 B CN 114204969B
Authority
CN
China
Prior art keywords
access point
data
deletion
energy
processing unit
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
Application number
CN202111414441.2A
Other languages
English (en)
Other versions
CN114204969A (zh
Inventor
王同
张志野
高林
蒋宇飞
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202111414441.2A priority Critical patent/CN114204969B/zh
Publication of CN114204969A publication Critical patent/CN114204969A/zh
Application granted granted Critical
Publication of CN114204969B publication Critical patent/CN114204969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种用于去蜂窝大规模MIMO系统的数据删失和融合方法，系统包括N个接入点、K个用户以及1个中央处理器，方法包括:建立数据删失模型和能量收集模型；根据数据删失模型和能量收集模型，以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限；中央处理器将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值。本发明针对去蜂窝大规模MIMO系统，通过数据删失模型和能量收集推导出删失门限，并将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合，实现最优删失，在不降低融合精度的情况下延长了系统寿命。

Description

用于去蜂窝大规模MIMO系统的数据删失和融合方法
技术领域
本发明属于无线通信技术领域，具体涉及一种用于去蜂窝大规模MIMO系统的数据删失和融合方法。
背景技术
在去蜂窝大规模多输入多输出（Multiple input multiple output，MIMO）系统中，接入点将采集到的用户数据发送给中央处理器进行下一步处理，承担着数据采集和数据传输的功能，需要消耗大量的能量。并且，接入点通常体积小，运算负载有限。因此，考虑在接入点引入数据删失技术来减少低信息度数据的传输，有效地降低负载并延长系统寿命。数据删失作为一种统计学的数据约简方法目前已被广泛的用于信号处理过程来降低计算量从而提升能效，它的主要思路是将接收到的数据分为高信息度信号和低信息度信号，然后根据删失规则滤除掉低信息度信号而仅将高信息度信号转发给中央处理器。目前的数据删失技术主要是随机删失，它通过设定一个预设的概率，使接入点依概率对数据进行删失，不能实现对数据不同重要性的甄别。
目前的数据融合算法主要包括最小均方算法（Least Mean Square，LMS）和递归最小二乘算法（Recursive Least Squares，RLS）以及二者衍生出的相关算法。LMS算法是一种一阶梯度最速下降法，该算法不需要已知输入信号和期望信号的统计特征，当前时刻的权系数是通过上一时刻权系数再加上一个负均方误差梯度的比例项求得，具有原理简单、参数少、收敛速度较快而且易于实现等优点。RLS算法是一种二阶梯度算法，它的目标函数是使得期望信号与输出信号的差的平方和最小。不同于LMS算法只使用了当前时刻的输入信号矢量和期望信号，RLS算法利用过去的信息来使得算法加速收敛，所以它相对于LMS算法的优点是收敛速度更快，误差更小，但缺点就是计算复杂度更高。对于运算负载不足，融合精度要求低的系统，LMS算法更合适；对于运算负载足，融合精度要求高的系统，RLS算法更合适。利用这两种算法，中央处理器可以对来自接入点的用户数据进行高精度的恢复。
去蜂窝大规模 MIMO 系统中接入点需要根据数据的重要程度进行选择性的传输，从而降低因传递相近数据而增加的数据冗余度，而随机删失是接入点按照预设的概率而不是根据数据的特征进行删失，这种随机删失无法实现接入点对数据的甄别，只能笼统的降低整体的数据传输量，因此无法满足系统的需求。传统的基于门限的删失中的门限通常是一个预设的常数，当实测信号与估计信号之间的差值大于这个常数的时候，接入点将该实测信号判断为高信息度的数据转发给中央处理器，反之则删除。这种删失方式能够使得接入点根据系统的差异化需求进行数据预处理，降低传输量从而节约了宝贵的能量。然而目前没有相关研究给出适应于相应系统的门限求解规则，只能通过以往经验来预设一个笼统的值，从而无法实现最优删失。
发明内容
本发明针对上述问题，提供了一种用于去蜂窝大规模MIMO系统的数据删失和融合方法，具体采用了基于门限的数据删失，以防止低信息量数据的传输。提出了将数据删失与LMS算法和RLS算法相结合的TDC-LMS算法和TDC-RLS算法，在实现高精度数据恢复的同时尽可能延长系统寿命。
本发明的技术方案如下：
一种用于去蜂窝大规模MIMO系统的数据删失和融合方法，所述去蜂窝大规模MIMO系统包括 N个接入点、K个用户以及1个中央处理器，方法包括以下步骤:
建立数据删失模型，具体为：接入点接收用户传输的当前采集数据和中央处理器返回的上一时隙的参考值；接入点将当前采集数据和参考值进行差值比较，将与参考值的绝对差值小的当前采集数据判断为低信息度数据，将与参考值的绝对差值大的当前采集数据判断为高信息度数据，将高信息度数据发送给中央处理器；
建立能量收集模型，具体为：根据接入点能量收集效率确定T个时隙内接入点的能量约束；
根据数据删失模型和能量收集模型，以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限；
中央处理器将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值。
进一步地，所述数据删失模型的具体表达式为：
Figure 728451DEST_PATH_IMAGE001
其中y n (t)表示第n个接入点采集的数据，c n (t)为二元删失变量，
Figure 930762DEST_PATH_IMAGE002
，e n (t)表示数据融合误差，
Figure 307517DEST_PATH_IMAGE003
，
Figure 911674DEST_PATH_IMAGE004
来表示第n个接入点和用户之 间的信道参数集，
Figure 614051DEST_PATH_IMAGE005
表示接入点接收中央处理器返回的上一时隙的参考值，
Figure 306588DEST_PATH_IMAGE006
表 示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号，
Figure 487033DEST_PATH_IMAGE007
表示删失门限，*表示 被删失后的值。
进一步地，所述能量收集模型的具体表达式为：
Figure 945696DEST_PATH_IMAGE008
其中E n 为接入点每次传输所消耗的总能量，
Figure 818974DEST_PATH_IMAGE009
表示在T个时隙内的总传输能量消耗，E表示接入点的初始能量，
Figure 871244DEST_PATH_IMAGE010
表示第n个接入点收集的能量，
Figure 980014DEST_PATH_IMAGE011
表示能量收集效率，c n (t)为二元删失变量，
Figure 168550DEST_PATH_IMAGE012
。
进一步地，所述以数据最小融合误差为目标函数，以接入点的能量约束为限制条件得到的优化问题P1：
Figure 71784DEST_PATH_IMAGE013
其中
Figure 611350DEST_PATH_IMAGE014
表示中央处理器接收到的第n个接入点的数据，
Figure 258232DEST_PATH_IMAGE015
，
Figure 566853DEST_PATH_IMAGE016
为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子，
Figure 640989DEST_PATH_IMAGE017
表示接入点和中央处理器之间的信道，
Figure 667851DEST_PATH_IMAGE018
表示第n个接入点和用户之间的信道参数集，
Figure 852844DEST_PATH_IMAGE019
表示中央处理器当前参考值。
进一步地，优化问题P1结合接入点配备的能量收集器得到的删失门限具体表达式为：
Figure 15972DEST_PATH_IMAGE020
其中
Figure 792167DEST_PATH_IMAGE021
为高斯概率密度函数的互补累积分布函数，
Figure 40746DEST_PATH_IMAGE022
表示第n个接入点的传输概率，E表示接入点的初始能量，
Figure 170376DEST_PATH_IMAGE023
为接入点收集能量均值，E n 为接入点每次传输所消耗的总能量，T表示时隙个数，
Figure 581153DEST_PATH_IMAGE024
表示能量收集效率。
进一步地，所述中央处理器将删失门限与最小均方算法结合执行数据融合并更新数据删失模型中的参考值
Figure 872457DEST_PATH_IMAGE025
，具体为：
Figure 998545DEST_PATH_IMAGE026
其中，
Figure 666287DEST_PATH_IMAGE027
表示接入点接收中央处理器返回的上一时隙的参考值，
Figure 69586DEST_PATH_IMAGE028
是在（0，1）中的收敛因子，
Figure 656426DEST_PATH_IMAGE029
表示第n个接入点和用户之间的信道参数集，
Figure 879597DEST_PATH_IMAGE030
表示误差函数
Figure 210084DEST_PATH_IMAGE031
，
Figure 202311DEST_PATH_IMAGE032
表示中央处理器接收到的第n个接入点的数据，
Figure 491209DEST_PATH_IMAGE033
，
Figure 201676DEST_PATH_IMAGE034
为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子，
Figure 211221DEST_PATH_IMAGE035
表示接入点和中央处理器之间的信道，
Figure 448167DEST_PATH_IMAGE036
表示数据融合误差，
Figure 252175DEST_PATH_IMAGE037
表示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号，
Figure 840151DEST_PATH_IMAGE038
表示删失门限。
进一步地，所述中央处理器将删失门限与递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值
Figure 387807DEST_PATH_IMAGE039
，具体为：
Figure 620205DEST_PATH_IMAGE040
；其中，
Figure 985328DEST_PATH_IMAGE041
，
Figure 404808DEST_PATH_IMAGE042
，
Figure 883718DEST_PATH_IMAGE043
表示接入点接收中央处理器返回的上一时隙的参考值，
Figure 970623DEST_PATH_IMAGE044
表示第n个接入点和用户之间的信道参数集，
Figure 506646DEST_PATH_IMAGE045
表示误差函数
Figure 679002DEST_PATH_IMAGE031
，
Figure 568460DEST_PATH_IMAGE032
表示中央处理器接收到的第n个接入点的数据，
Figure 900084DEST_PATH_IMAGE033
，
Figure 482376DEST_PATH_IMAGE034
为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子，
Figure 1082DEST_PATH_IMAGE035
表示接入点和中央处理器之间的信道，c n (t)为二元删失变量，
Figure 959810DEST_PATH_IMAGE012
。
进一步地，所述中央处理器将删失门限与最小均方算法结合执行数据融合并更新数据删失模型中的参考值，具体步骤为：
步骤1、设置初始参考值
Figure 490149DEST_PATH_IMAGE046
，设置删失门限
Figure 633554DEST_PATH_IMAGE047
；
步骤2、中央处理器向各接入点广播
Figure 780502DEST_PATH_IMAGE043
；
步骤3、时隙
Figure 277342DEST_PATH_IMAGE048
，当时隙
Figure 317979DEST_PATH_IMAGE049
，n=1执行步骤4，当时隙
Figure 976494DEST_PATH_IMAGE050
，执行步骤9；
步骤4、接入点
Figure 469792DEST_PATH_IMAGE051
，当接入点
Figure 770323DEST_PATH_IMAGE052
，执行步骤5，当接入点
Figure 540833DEST_PATH_IMAGE053
，
Figure 760462DEST_PATH_IMAGE054
，返回步骤3；
步骤5、接入点接收到中央处理器返回的
Figure 616422DEST_PATH_IMAGE043
，计算
Figure 720645DEST_PATH_IMAGE055
；
步骤6、 判断
Figure 219364DEST_PATH_IMAGE056
是否大于
Figure 485260DEST_PATH_IMAGE057
，如果是，
Figure 953151DEST_PATH_IMAGE058
；如果不是，
Figure 595485DEST_PATH_IMAGE059
；
步骤7、中央处理器执行数据融合，更新误差函数
Figure 340587DEST_PATH_IMAGE060
；
步骤8、更新
Figure 902018DEST_PATH_IMAGE061
，n=n+1，返回步骤4；
步骤9、中央处理器得到更新值
Figure 732571DEST_PATH_IMAGE062
。
进一步地，所述中央处理器将删失门限与递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值，具体步骤为：
步骤1、设置初始参考值
Figure 37650DEST_PATH_IMAGE063
，设置删失门限
Figure 637259DEST_PATH_IMAGE064
；
步骤2、中央处理器向各接入点广播
Figure 510537DEST_PATH_IMAGE065
；
步骤3、时隙
Figure 687440DEST_PATH_IMAGE066
，当时隙
Figure 671577DEST_PATH_IMAGE067
，n=1执行步骤4，当时隙
Figure 125692DEST_PATH_IMAGE068
，执行步骤11；
步骤4、接入点
Figure 28926DEST_PATH_IMAGE069
，当接入点
Figure 834071DEST_PATH_IMAGE070
，执行步骤5，当接入点
Figure 480953DEST_PATH_IMAGE071
，
Figure 789575DEST_PATH_IMAGE054
，返回步骤3；
步骤5、接入点接收到中央处理器返回的
Figure 4655DEST_PATH_IMAGE072
，计算
Figure 890572DEST_PATH_IMAGE073
；
步骤6、 判断
Figure 482090DEST_PATH_IMAGE074
是否大于
Figure 772782DEST_PATH_IMAGE075
，如果是，
Figure 158764DEST_PATH_IMAGE076
；如果不是，
Figure 672921DEST_PATH_IMAGE077
；
步骤7、中央处理器执行数据融合，更新误差函数
Figure 927185DEST_PATH_IMAGE078
；
步骤8、更新
Figure 944820DEST_PATH_IMAGE079
；
步骤9、 更新
Figure 767282DEST_PATH_IMAGE080
；
步骤10、更新
Figure 627791DEST_PATH_IMAGE081
，n=n+1，返回步骤4；
步骤11、中央处理器得到更新值
Figure 561112DEST_PATH_IMAGE082
。
本发明提供的一种用于去蜂窝大规模MIMO系统的数据删失和融合方法，为了解决接入点电池寿命有限的问题，在接入点上采用了基于门限的数据删失，以防止低信息量数据的传输，具体为建立了数据删失模型和能量收集模型，以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限。提出了将删失门限与LMS算法和RLS算法相结合的TDC-LMS算法和TDC-RLS算法，在实现高精度数据恢复的同时尽可能延长系统寿命。此外，还考虑了在接入点上配置能量收集器，经仿真证明，该方案不仅可以实现能量的可持续供应，还可以提高算法的融合精度。仿真结果表明，与未删失的直接传输相比，所提出的算法能够在不降低数据融合精度的情况下，显著提高系统的使用寿命。与随机删失相比。仿真结果表明，所提出的算法收敛速度更快，融合精度更高。最终达到的有益效果是：提出的基于门限的离线数据删失和融合算法，实现了离线最优删失，在不降低融合精度的情况下，大幅地延长系统寿命。数据删失通过降低一部分数据传输量降低了能量消耗，而能量收集技术则可以为接入点进一步提供能量补充，二者结合可开源节流。
附图说明
图1是本发明实施例中去蜂窝大规模MIMO系统结构示意图；
图2是本发明实施例中去蜂窝大规模 MIMO 系统传输模型结构示意图；
图3是本发明实施例中两种基于门限的数据删失和融合算法在接入点未配备能量收集器场景下的性能对比图；
图4是本发明实施例中两种基于门限的数据删失和融合算法与随机删失算法的性能对比图；
图5是本发明实施例中LMS算法在接入点未配备或配备能量收集器场景下的性能对比图；
图6是本发明实施例中RLS算法在接入点未配备或配备能量收集器场景下的性能对比图。
具体实施方式
为进一步对本发明的技术方案作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的步骤。
实施例
（1）去蜂窝大规模 MIMO 系统模型
本实施例的数据删失和融合方法应用于去蜂窝大规模MIMO系统，系统结构如图1所示，去蜂窝大规模 MIMO 系统可以看作是由多个服务小区组成，每个服务小区包含N个接入点，K个用户和1个中央处理器组成。接入点随机分布在中央处理器周围，并通过回程链路实现它与中央处理器之间的数据交互。每个相干时隙包括三个阶段:数据采集、数据删失和数据融合。在数据采集阶段，用户将数据
Figure 557887DEST_PATH_IMAGE083
通过信道
Figure 285671DEST_PATH_IMAGE084
传输给接入点，在信道传输过程中会受到噪声的干扰。在数据删失阶段，每个接入点接收到中央处理器返回的参考值后进行数据删失，选择性地将低信息度的数据删除，这样便能大大降低回程链路的通信消耗。在数据融合阶段，每个接入点将保留下的高信息度的数据通过回程链路传输给中央处理器。同样，在回程链路中的数据传输也会受到噪音的干扰。中央处理器接收到数据后，利用自适应滤波算法恢复出被破坏的原始数据。
（1.1）数据传输模型
去蜂窝大规模 MIMO 系统传输模型如图2所示，用向量
Figure 774422DEST_PATH_IMAGE085
来表示K个用户的数据集合，即
Figure 104909DEST_PATH_IMAGE086
。类似地，使用向量
Figure 362715DEST_PATH_IMAGE087
来表示第n个接入点和第k个用户之间的信道参数集，其中
Figure 386034DEST_PATH_IMAGE088
。因此，在第n个接入点处数据采集的线性表达式为
Figure 96501DEST_PATH_IMAGE089
(1)
其中
Figure 106046DEST_PATH_IMAGE090
，假设数据集
Figure 342992DEST_PATH_IMAGE091
中的元素是服从独立同分布的高斯数，均值为零，方差为
Figure 412579DEST_PATH_IMAGE092
。类似地，假设
Figure 734976DEST_PATH_IMAGE093
也是均值为零，方差为
Figure 548211DEST_PATH_IMAGE094
的高斯分布。
Figure 515030DEST_PATH_IMAGE095
表示第n个接入点和第k个用户之间的零均值加性高斯噪声，其方差为
Figure 883082DEST_PATH_IMAGE096
。
在不考虑数据删失的情况下，每个接入点采用放大转发的方式将数据转发给中央处理器，转发因子为
Figure 568142DEST_PATH_IMAGE097
。N个接入点和中央处理器之间的信道是相互正交的，信道用
Figure 185068DEST_PATH_IMAGE098
表示。则中央处理器接收到的第n个接入点的信号可以表示为
Figure 131027DEST_PATH_IMAGE099
(2)
其中
Figure 807996DEST_PATH_IMAGE100
是中央处理器处方差为
Figure 839406DEST_PATH_IMAGE101
的零均值加性高斯噪声。为了简化表达式，发明人将
Figure 994444DEST_PATH_IMAGE102
替换为
Figure 935855DEST_PATH_IMAGE103
，结合公式（1）和（2）可得
Figure 642780DEST_PATH_IMAGE104
(3)
（1.2）建立数据删失模型
正常情况下，每个接入点都会直接将采集结果发送给中央处理器。但完成从接入点到中央处理器的一次传输所消耗的能量远远大于数据接收和数据处理所消耗的能量。因此，发明人考虑在接入点处引入数据删失方案来降低能量消耗从而延长系统寿命。具体是：当接入点接收到中央处理器返回的参考值时，会将当前采集值和参考值进行比较，对于那些与参考值很接近的数据将其判断为低信息度的数据即将与参考值的绝对差值小的当前采集数据判断为低信息度数据，将误差大的数据判定为是高信息度数据即将与参考值的绝对差值大的当前采集数据判断为高信息度数据，高信息度的数据将被保留并发送给中央处理器。后续将验证该方案可以节省大部分能量消耗，而不会大大降低融合精度。
一般的数据删失规则如下：
Figure 36852DEST_PATH_IMAGE105
(4)
其中*表示被删失后的值，
Figure 995581DEST_PATH_IMAGE106
表示删失区间，如果
Figure 916132DEST_PATH_IMAGE107
属于删失区间内，那么
Figure 934904DEST_PATH_IMAGE107
被认为是低信息度的数据并被删除；否则，
Figure 81851DEST_PATH_IMAGE107
被认为是高信息度数据并被传输给中央处理器进行下一步处理。
为了降低计算复杂度，发明人引入了二元删失变量
Figure 437746DEST_PATH_IMAGE108
，当
Figure 88170DEST_PATH_IMAGE109
时，
Figure 402477DEST_PATH_IMAGE110
，这意味着
Figure 771142DEST_PATH_IMAGE111
可以近似地估计为
Figure 71673DEST_PATH_IMAGE112
，即数据融合误差
Figure 701237DEST_PATH_IMAGE113
足够小，其中
Figure 61812DEST_PATH_IMAGE112
表示接入点端接收到来自中央处理器处在上一时隙估计出的参考值。这种通过多次迭代的自适应删失方案考虑了所有的采集结果，充分利用上一个时隙得到的
Figure 45336DEST_PATH_IMAGE112
来提高融合精度，在引入
Figure 883979DEST_PATH_IMAGE108
后式（4）可以表示为
Figure 508995DEST_PATH_IMAGE114
(5)
多数情况下的删失门限
Figure 899525DEST_PATH_IMAGE115
是一个固定值。在本发明中，发明人通过能量限制推导出了不同接入点的不同删失门限。有了这一门限，每个接入点在接收到中央处理器返回的上一个时隙的参考值后，便可以准确地在本地执行删失。后续将描述如何在一个时隙内通过接入点处能量的消耗和收集过程来得到
Figure 242782DEST_PATH_IMAGE115
。
（1.3）建立能量收集模型
假设在第n个接入点收集的能量
Figure 150695DEST_PATH_IMAGE116
服从均值为
Figure 754852DEST_PATH_IMAGE117
的泊松分布，能量收集效率为
Figure 457228DEST_PATH_IMAGE118
(
Figure 146836DEST_PATH_IMAGE119
)，这意味着在T个时隙中有
Figure 327281DEST_PATH_IMAGE120
能量可用于支撑传输消耗。将
Figure 926890DEST_PATH_IMAGE121
定义为每次传输所消耗的总能量，E为接入点的初始能量，那么在T个时隙内的总传输能量消耗可以表示为
Figure 924802DEST_PATH_IMAGE122
。 因此，能量约束可以推导为
Figure 977071DEST_PATH_IMAGE123
(6)
（2）基于门限的离线数据删失-融合算法
对于去蜂窝大规模 MIMO 系统，主要目标是在满足上述能量限制的情况下，在不降低数据融合精度的情况下尽可能延长系统的使用寿命。加入了数据删失后可以减少数据传输量，但这将不可避免地导致数据融合准确性的下降。 因此，发明人研究目标应该是在满足能量收集约束的情况下，尽可能减小融合误差，其公式如下：
Figure 961208DEST_PATH_IMAGE124
(7)
Figure 539957DEST_PATH_IMAGE125
(8)
其中（C1）表示T时隙内第n个接入点的能量约束，（C2）表示
Figure 584136DEST_PATH_IMAGE126
是从一和零中选择的二元变量。优化问题P1是一个关于二元变量
Figure 248336DEST_PATH_IMAGE126
和连续变量
Figure 36163DEST_PATH_IMAGE127
的双线性非凸函数，虽然将离散变量
Figure 344785DEST_PATH_IMAGE126
连续化再用拉格朗日乘子法是一种办法，但该方法的准确度会导致融合精度大大降低。因为约束集（C1）是一个与时间相关的函数，只有当（C2）中
Figure 684499DEST_PATH_IMAGE128
时每个接入点才会决定传输当前数据，所以可以将这种能量约束条件转化为传输概率约束，并用它来确定删失门限。为了描述删失的效果，发明人首先在接入点未配备收集能量器的场景下进行推导。
（2.1）接入点未配备能量收集器
在接入点处如果不配置能量收集器，限制条件（C1）可以转化为
Figure 445782DEST_PATH_IMAGE129
，可以利用对函数求时间期望的方式将限制条件松弛化为
Figure 37300DEST_PATH_IMAGE130
(9)
每个接入点在收到上一时隙的估计值后做出是否删失的决定是统计独立的，这意味着
Figure 316273DEST_PATH_IMAGE131
(10)
因此式（10）可以重写为
Figure 702255DEST_PATH_IMAGE132
(11)
另外，
Figure 341047DEST_PATH_IMAGE126
是一个二元决策变量，所以
Figure 470677DEST_PATH_IMAGE126
的期望等于
Figure 488311DEST_PATH_IMAGE128
的概率，即
Figure 435408DEST_PATH_IMAGE133
。因此，第n个接入点的传输概率可以表示为
Figure 171282DEST_PATH_IMAGE134
(12)
需要注意的是，优化问题P1是关于
Figure 698079DEST_PATH_IMAGE126
的单调递减函数，故其最优解在下式成立时可得
Figure 101378DEST_PATH_IMAGE135
(13)
当t足够大时，估计值
Figure 829163DEST_PATH_IMAGE136
将非常接近实际测量，即
Figure 176967DEST_PATH_IMAGE137
，因此
Figure 648400DEST_PATH_IMAGE138
(14)
式中
Figure 906206DEST_PATH_IMAGE139
为高斯概率密度函数的互补累积分布函数。此时可以得到接入点未配备能量收集器的场景下删失门限的表达式，并且推导出的
Figure 663947DEST_PATH_IMAGE140
可以作为实现传输概率的粗略近似
Figure 639993DEST_PATH_IMAGE141
(15)
（2.2）接入点配备能量收集器
在配备了能量收集器的接入点场景中，限制条件（C1）可以松弛为
Figure 774171DEST_PATH_IMAGE142
(16)
每个接入点独立地收集能量，则
Figure 620904DEST_PATH_IMAGE143
(17)
那么式（16）可以写为
Figure 956071DEST_PATH_IMAGE144
(18)
假设以均值
Figure 12888DEST_PATH_IMAGE145
为收集能量，则有
Figure 91703DEST_PATH_IMAGE146
。那么第n个接入点在配备了能量收集器的传输概率为
Figure 186085DEST_PATH_IMAGE147
(19)
与接入点未配备能量收集器类似，可以得到接入点配备了能量收集器场景下的删失门限表达式为
Figure 160994DEST_PATH_IMAGE148
(20)
进一步地，发明人将数据删失与最小均方算法（Least Mean Square，LMS）和递归最小二乘算法（Recursive Least Squares，RLS）结合，提出了两种可以减少能耗的基于门限的数据删失和融合算法（Threshold-base data censoring-LMS，TDC-LMS）和（Threshold-base data censoring-RLS，TDC-RLS）来恢复出用户端的源数据，并且利用数据删失的优势来延长去蜂窝大规模MIMO系统寿命。
（2.3）TDC-LMS数据删失和融合算法
LMS算法通过用
Figure 111633DEST_PATH_IMAGE149
的期望值代替统计值来加快估计的收敛速度，它的更新表达式是
Figure 587614DEST_PATH_IMAGE150
(21)
其中，
Figure 674518DEST_PATH_IMAGE151
，
Figure 944963DEST_PATH_IMAGE152
是在（0，1）中选取的收敛因子。当恢复出的数据与实际数据之间的误差超过设定的门限时，接入点将采集到的数据发送给中央处理器。否则，接入点将不向中央处理器发送数据，保持空闲状态。因此，TDC-LMS数据删失和融合算法表达式可以写为
Figure 117318DEST_PATH_IMAGE153
(22)
（2.4）TDC-RLS数据删失和融合算法
RLS算法可以看作是一种二阶牛顿法，它利用矩阵反演引理求矩阵步长。通过将P1相对于
Figure 272356DEST_PATH_IMAGE154
的梯度设为0，可以得到：
Figure 72822DEST_PATH_IMAGE155
(23)
然后有
Figure 920692DEST_PATH_IMAGE156
(24)
其中
Figure 580343DEST_PATH_IMAGE157
(25)
Figure 398127DEST_PATH_IMAGE158
(26)
注意到(26)等号右边第一部分可以表示为
Figure 459624DEST_PATH_IMAGE159
，再应用矩阵求逆定理可得
Figure 337450DEST_PATH_IMAGE160
(27)
类似地
Figure 953239DEST_PATH_IMAGE161
(28)
为了简化(27)式，令
Figure 715658DEST_PATH_IMAGE162
(29)
Figure 490716DEST_PATH_IMAGE163
(30)
则(26)可以转换为
Figure 680389DEST_PATH_IMAGE164
(31)
代入(28) ，(30)和 (31)到(24)可得
Figure 173688DEST_PATH_IMAGE165
(32)
因此， TDC-RLS数据删失和融合算法的更新表达式可总结为
Figure 474219DEST_PATH_IMAGE166
(33)
Figure 979150DEST_PATH_IMAGE167
(34)
其中
Figure 467287DEST_PATH_IMAGE168
(35)
Figure 57669DEST_PATH_IMAGE169
(36)
算法估计的初始值可以设置为
Figure 161891DEST_PATH_IMAGE170
，
Figure 911541DEST_PATH_IMAGE171
，
Figure 443016DEST_PATH_IMAGE172
是一个很小的正整数，优选为[1,10]，
Figure 645328DEST_PATH_IMAGE173
是单位矩阵。最终实施例中TDC-LMS算法具体实施步骤为：
步骤1、设置初始参考值
Figure 22082DEST_PATH_IMAGE046
，设置删失门限
Figure 767184DEST_PATH_IMAGE047
；
步骤2、中央处理器向各接入点广播
Figure 328616DEST_PATH_IMAGE043
；
步骤3、时隙
Figure 159169DEST_PATH_IMAGE048
，当时隙
Figure 464248DEST_PATH_IMAGE049
，n=1执行步骤4，当时隙
Figure 329436DEST_PATH_IMAGE050
，执行步骤9；
步骤4、接入点
Figure 937135DEST_PATH_IMAGE051
，当接入点
Figure 114038DEST_PATH_IMAGE052
，执行步骤5，当接入点
Figure 98175DEST_PATH_IMAGE053
，
Figure 676923DEST_PATH_IMAGE054
，返回步骤3；
步骤5、接入点接收到中央处理器返回的
Figure 721103DEST_PATH_IMAGE043
，计算
Figure 260669DEST_PATH_IMAGE055
；
步骤6、 判断
Figure 907551DEST_PATH_IMAGE056
是否大于
Figure 481751DEST_PATH_IMAGE057
，如果是，
Figure 431253DEST_PATH_IMAGE058
；如果不是，
Figure 585678DEST_PATH_IMAGE059
；
步骤7、中央处理器执行数据融合，更新误差函数
Figure 911617DEST_PATH_IMAGE060
；
步骤8、更新
Figure 464958DEST_PATH_IMAGE061
，n=n+1，返回步骤4；
步骤9、中央处理器得到更新值
Figure 585361DEST_PATH_IMAGE062
。
TDC-RLS算法具体实施步骤为：
步骤1、设置初始参考值
Figure 99519DEST_PATH_IMAGE063
，设置删失门限
Figure 88204DEST_PATH_IMAGE064
；
步骤2、中央处理器向各接入点广播
Figure 636997DEST_PATH_IMAGE065
；
步骤3、时隙
Figure 52935DEST_PATH_IMAGE066
，当时隙
Figure 54389DEST_PATH_IMAGE067
，n=1执行步骤4，当时隙
Figure 722130DEST_PATH_IMAGE068
，执行步骤11；
步骤4、接入点
Figure 250064DEST_PATH_IMAGE069
，当接入点
Figure 712269DEST_PATH_IMAGE070
，执行步骤5，当接入点
Figure 201019DEST_PATH_IMAGE071
，
Figure 797086DEST_PATH_IMAGE054
，返回步骤3；
步骤5、接入点接收到中央处理器返回的
Figure 789312DEST_PATH_IMAGE072
，计算
Figure 812632DEST_PATH_IMAGE073
；
步骤6、 判断
Figure 523099DEST_PATH_IMAGE074
是否大于
Figure 798223DEST_PATH_IMAGE075
，如果是，
Figure 769590DEST_PATH_IMAGE076
；如果不是，
Figure 104756DEST_PATH_IMAGE077
；
步骤7、中央处理器执行数据融合，更新误差函数
Figure 176222DEST_PATH_IMAGE078
；
步骤8、更新
Figure 989457DEST_PATH_IMAGE079
；
步骤9、 更新
Figure 956276DEST_PATH_IMAGE080
；
步骤10、更新
Figure 586978DEST_PATH_IMAGE081
，n=n+1，返回步骤4；
步骤11、中央处理器得到更新值
Figure 6458DEST_PATH_IMAGE082
。
为了更好地体现本发明的效果，实施例通过仿真分析了本发明提出的两种数据删失和融合算法的性能。去蜂窝大规模 MIMO 系统包括1个中央处理器，N=30个接入点，K=15个用户，信道向量和参数向量均服从均值为零、方差为
Figure 623384DEST_PATH_IMAGE174
的高斯分布，时隙长度T=200。为了便于定量分析，发明人将传输能量归一化，并能量收集的均值
Figure 569343DEST_PATH_IMAGE175
设为0.5，能量收集效率
Figure 246312DEST_PATH_IMAGE176
，表示所有的收集到的能量都可用于数据传输。每个接入点的初始电池能量E设置为50。因此，在不考虑数据删失和接入点未配备能量收集器的场景下，接入点的电池可以支持50次数据传输，即去蜂窝大规模MIMO系统的寿命为50个时隙。仿真的蒙特卡罗次数设为50000。发明人采用归一化均方误差性能来表征数据融合精度，归一化均方误差值越小，表示融合精度越高，并用系统工作的时隙长度来表示系统的寿命。
如图3所示，展示了本发明提出的算法在接入点未配备能量收集器场景下的性能。图示中使用传统未删失-LMS算法进行全数据传输的融合结果，表明该系统最多可支持50个时隙。在加入了数据删失后的TDC-LMS算法，可以看出，由于门限的过滤效应，那些低信息度的采集数据在接入点处被删失，而高信息度的数据则被发送到中央处理器进行融合。结果显示，与全数据传输相比，TDC-LMS算法的融合精度虽然有所降低，但优点是系统的传输消耗将减少，去蜂窝大规模MIMO系统的寿命将得到延长。在这种情况下，系统可以支持大约82个时隙，这比传统算法可以支持的50个时隙高约64％。图示中接入点未配备能量收集器场景下的未删失-RLS算法、以及接入点未配备能量收集器场景下的TDC-RLS算法，与未删失-LMS算法进行全数据传输一样，未删失-RLS也可以支持50个时隙，但是在收敛精度和收敛速度方面比LMS算法更好。在加入了数据删失后，TDC-RLS算法与TDC-LMS算法具有相同的删失门限，所以TDC-RLS算法下的系统寿命也将延长到84个时隙。同时可注意到RLS算法在收敛性上要明显优于LMS算法。
如图4所示，对比了基于门限的数据删失和融合算法与随机删失融合算法的性能，证明了基于门限删失的有效性。点线和点划线分别表示TDC-LMS算法和TDC-RLS算法，实线表示随机删失-LMS算法，虚线表示随机删失-RLS算法，图例中删失率表示未传输的次数占数据检测总次数的百分比。以TDC-RLS算法为例，首先得到TDC-RLS的删失率为0.7526，意味着整个过程的传输次数减少了75%。然后取该值作为随机删失算法的概率。结果表明，本发明提出的算法在收敛速度和精度上都优于随机删失算法。
图5和图6分别展示了接入点在未配备或配备能量收集器场景下LMS算法和RLS算法的性能。以图6基于RLS的算法为例进行说明，以实线为基准表示接入点未配备能量收集器的场景下的性能。虚线表示接入点配备了能量收集器的场景下的未删失-RLS算法性能。点划线表示接入点配备了能量收集器的场景下的TDC-RLS算法性能。可以看出，在保持融合精度基本不变的情况下，系统的寿命可以增加一倍，达到100个时隙左右。将数据删失与RLS算法结合后，由于新的删失门限更小，系统的寿命能够进一步延长到143个时隙，且融合精度也接近初始RLS算法。同时，相比于未配备能量收集器的情况，在接入点配备了能量收集器后的场景中的融合精度比TDC-RLS算法有了很大提高，这充分证明了在加入了能量收集技术不仅可以直接增加系统的寿命，而且可以间接地弥补由数据删失所造成的融合性能的下降。
通过实施例可以看出，本发明针对去蜂窝大规模MIMO系统，提出了基于门限的TDC-LMS和TDC-RLS数据删失与融合算法。首先利用接入点的初始能量和预期寿命推导出了门限的闭合表达式。为了解决接入点电池寿命有限的问题，在接入点上采用了基于门限的数据删失，以防止低信息量数据的传输。提出了将数据删失与LMS算法和RLS算法相结合的TDC-LMS算法和TDC-RLS算法，在实现高精度数据恢复的同时尽可能延长系统寿命。此外，还考虑了在接入点上配置能量收集器，经证明，本发明方法不仅可以实现能量的可持续供应，还可以提高算法的融合精度。仿真结果表明，与未删失的直接传输相比，所提出的算法能够在不降低数据融合精度的情况下，显著提高系统的使用寿命。与随机删失相比。仿真结果表明，所提出的算法收敛速度更快，融合精度更高。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的步骤、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种步骤、方法所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种用于去蜂窝大规模MIMO系统的数据删失和融合方法，所述去蜂窝大规模MIMO系统包括N个接入点、K个用户以及1个中央处理器，其特征在于，包括以下步骤:
建立数据删失模型，具体为：接入点接收用户传输的当前采集数据和中央处理器返回的上一时隙的参考值；接入点将当前采集数据和参考值进行差值比较，将与参考值的绝对差值小的当前采集数据判断为低信息度数据，将与参考值的绝对差值大的当前采集数据判断为高信息度数据，将高信息度数据发送给中央处理器；
建立能量收集模型，具体为：根据接入点能量收集效率确定T个时隙内接入点的能量约束，具体表达式为：
Figure FDA0003757458800000011
其中En为接入点每次传输所消耗的总能量，
Figure FDA0003757458800000012
表示在T个时隙内的总传输能量消耗，E表示接入点的初始能量，
Figure FDA0003757458800000013
表示第n个接入点收集的能量，η表示能量收集效率，cn(t)为二元删失变量，cn(t)∈{0，1}；
根据数据删失模型和能量收集模型，以最小数据融合误差为目标函数、以接入点的能量约束为限制条件得到删失门限，具体为：以数据最小融合误差为目标函数，以接入点的能量约束为限制条件得到的优化问题P1：
P1:
Figure FDA0003757458800000014
s.t.(C1):
Figure FDA0003757458800000015
for n＝1,…,N,for t＝1,…,T
(C2):cn(t)∈{0,1},for n＝1,…,N
其中zn(t)表示中央处理器接收到的第n个接入点的数据，bn(t)＝αngn(t)，αn为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子，gn(t)表示接入点和中央处理器之间的信道，Hn(t)表示第n个接入点和用户之间的信道参数集，
Figure FDA0003757458800000016
表示中央处理器当前参考值；
优化问题P1结合接入点未配备能量收集器得到的删失门限具体表达式为：
Figure FDA0003757458800000017
优化问题P1结合接入点配备的能量收集器得到的删失门限具体表达式为：
Figure FDA0003757458800000021
其中Q(·)为高斯概率密度函数的互补累积分布函数，ρn表示第n个接入点的传输概率，E表示接入点的初始能量，λ为接入点收集能量均值，En为接入点每次传输所消耗的总能量，T表示时隙个数，η表示能量收集效率；
中央处理器将删失门限与最小均方算法或递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值；
其中，中央处理器将删失门限与最小均方算法结合执行数据融合并更新数据删失模型中的参考值
Figure FDA0003757458800000022
具体为：
Figure FDA0003757458800000023
其中，
Figure FDA0003757458800000024
表示接入点接收中央处理器返回的上一时隙的参考值，μ是在(0，1)中的收敛因子，Hn(t)表示第n个接入点和用户之间的信道参数集，εn(t)表示误差函数
Figure FDA0003757458800000025
zn(t)表示中央处理器接收到的第n个接入点的数据，bn(t)＝αngn(t)，αn为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子，gn(t)表示接入点和中央处理器之间的信道，en(t)表示数据融合误差，σn(t)表示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号，τn表示删失门限；
中央处理器将删失门限与递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值
Figure FDA0003757458800000026
具体为：
Figure FDA0003757458800000027
其中，
Figure FDA0003757458800000028
P(t)＝P(t-1)-P(t-1)cn(t)bn(t)Hn(t)K(t)，
Figure FDA0003757458800000029
表示接入点接收中央处理器返回的上一时隙的参考值，Hn(t)表示第n个接入点和用户之间的信道参数集，εn(t)表示误差函数
Figure FDA00037574588000000210
zn(t)表示中央处理器接收到的第n个接入点的数据，bn(t)＝αngn(t)，αn为不考虑数据删失情况下每个接入点将数据转发给中央处理器的转发因子，gn(t)表示接入点和中央处理器之间的信道，cn(t)为二元删失变量，cn(t)∈{0，1}。
2.根据权利要求1所述的用于去蜂窝大规模MIMO系统的数据删失和融合方法，其特征在于，所述数据删失模型的具体表达式为：
Figure FDA0003757458800000031
其中yn(t)表示第n个接入点采集的数据，cn(t)为二元删失变量，cn(t)∈{0，1}，en(t)表示数据融合误差，
Figure FDA0003757458800000032
Hn(t)来表示第n个接入点和用户之间的信道参数集，
Figure FDA0003757458800000033
表示接入点接收中央处理器返回的上一时隙的参考值，σn(t)表示第n个接入点与用户之间的零均值加性高斯噪声的方差开根号，τn表示删失门限，*表示被删失后的值。
3.根据权利要求2所述的用于去蜂窝大规模MIMO系统的数据删失和融合方法，其特征在于，所述中央处理器将删失门限与最小均方算法结合执行数据融合并更新数据删失模型中的参考值，具体步骤为：
步骤1、设置初始参考值
Figure FDA0003757458800000034
设置删失门限τn；
步骤2、中央处理器向各接入点广播
Figure FDA0003757458800000035
步骤3、时隙t＝1,2,...T，当时隙t≤T，n＝1执行步骤4，当时隙t＞T，执行步骤9；
步骤4、接入点n＝1,2,...N,当接入点n≤N,执行步骤5，当接入点n＞N,t＝t+1，返回步骤3；
步骤5、接入点接收到中央处理器返回的
Figure FDA0003757458800000036
计算en(t)；
步骤6、判断
Figure FDA0003757458800000037
是否大于τn，如果是，cn(t)＝1；如果不是，cn(t)＝0；
步骤7、中央处理器执行数据融合，更新误差函数
Figure FDA0003757458800000038
步骤8、更新
Figure FDA0003757458800000039
返回步骤4；
步骤9、中央处理器得到更新值
Figure FDA00037574588000000310
4.根据权利要求3所述的用于去蜂窝大规模MIMO系统的数据删失和融合方法，其特征在于，所述中央处理器将删失门限与递归最小二乘算法结合执行数据融合并更新数据删失模型中的参考值，具体步骤为：
步骤1、设置初始参考值
Figure FDA00037574588000000311
设置删失门限τn；
步骤2、中央处理器向各接入点广播
Figure FDA0003757458800000041
步骤3、时隙t＝1,2,...T，当时隙t≤T，n＝1执行步骤4，当时隙t＞T，执行步骤11；
步骤4、接入点n＝1,2,...N,当接入点n≤N,执行步骤5，当接入点n＞N,t＝t+1，返回步骤3；
步骤5、接入点接收到中央处理器返回的
Figure FDA0003757458800000042
计算en(t)；
步骤6、判断
Figure FDA0003757458800000043
是否大于τn，如果是，cn(t)＝1；如果不是，cn(t)＝0；
步骤7、中央处理器执行数据融合，更新误差函数
Figure FDA0003757458800000044
步骤8、更新P(t)＝P(t-1)-P(t-1)cn(t)bn(t)Hn(t)K(t)；
步骤9、更新
Figure FDA0003757458800000045
步骤10、更新
Figure FDA0003757458800000046
返回步骤4；
步骤11、中央处理器得到更新值
Figure FDA0003757458800000047
CN202111414441.2A 2021-11-25 2021-11-25 用于去蜂窝大规模mimo系统的数据删失和融合方法 Active CN114204969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111414441.2A CN114204969B (zh) 2021-11-25 2021-11-25 用于去蜂窝大规模mimo系统的数据删失和融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111414441.2A CN114204969B (zh) 2021-11-25 2021-11-25 用于去蜂窝大规模mimo系统的数据删失和融合方法

Publications (2)

Publication Number Publication Date
CN114204969A CN114204969A (zh) 2022-03-18
CN114204969B true CN114204969B (zh) 2022-09-27

Family

ID=80649020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111414441.2A Active CN114204969B (zh) 2021-11-25 2021-11-25 用于去蜂窝大规模mimo系统的数据删失和融合方法

Country Status (1)

Country Link
CN (1) CN114204969B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104901908B (zh) * 2015-05-18 2018-01-19 杭州电子科技大学 基于信息论学习的删失数据参数自适应估计方法
KR20190103162A (ko) * 2017-01-26 2019-09-04 엘지전자 주식회사 무선 통신 시스템에서 데이터 통신 수행 방법 및 상기 방법을 이용하는 단말
CN108228959A (zh) * 2017-11-10 2018-06-29 东北石油大学 利用删失数据估计系统实际状态的方法及应用其的滤波器

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统

Also Published As

Publication number Publication date
CN114204969A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Wang et al. Reinforcement learning-based adaptive transmission in time-varying underwater acoustic channels
Tutuncuoglu et al. Optimum transmission policies for battery limited energy harvesting nodes
CN101790251B (zh) 基于改进粒子群优化算法的无线传感器节点联盟生成方法
Holliday et al. Distributed power and admission control for time varying wireless networks
CN109089271B (zh) 一种混合能量供能的无线协同网络资源随机分配方法
CN110928678B (zh) 一种基于移动边缘计算的区块链系统资源分配方法
CN102316496A (zh) 无线传感器网络中基于卡尔曼滤波的数据融合方法
Holliday et al. Distributed power control for time varying wireless networks: Optimality and convergence
Gregori et al. Throughput maximization for a wireless energy harvesting node considering the circuitry power consumption
CN112333809B (zh) 一种基于Lyapunov框架的能量收集中继安全传输在线功率控制方法
CN114968404B (zh) 一种位置隐私保护的计算任务分布式卸载方法
Umashankar et al. An efficient hybrid model for cluster head selection to optimize wireless sensor network using simulated annealing algorithm
CN110366225B (zh) 一种无线供能多跳通信系统节点选择方法
Liu et al. Remote estimation for energy harvesting systems under multiplicative noises: A binary encoding scheme with probabilistic bit flips
CN114204969B (zh) 用于去蜂窝大规模mimo系统的数据删失和融合方法
Ko et al. Spatiotemporal correlation-based environmental monitoring system in energy harvesting Internet of Things (IoT)
Wang et al. A multi-featured actor-critic relay selection scheme for large-scale energy harvesting WSNs
Du et al. Distortion minimization in wireless sensor networks with energy harvesting
Liu et al. Power and rate control in wireless communication systems with energy harvesting and rateless codes
CN113329419A (zh) 基于Raptor码的能量收集通信系统功率及速率在线联合控制方法
Puviarasu et al. Dynamic uneven clustering protocol for efficient energy management in EH-WSNs
CN105933913B (zh) 无线传感器网络中分层数据回传链路能量收集存储方法
Qi et al. A flexible topology reconstruction strategy based on deep q-learning for balance performance and efficiency of stins
CN103826279A (zh) 具有并发数据上传和收集代价最小化的移动数据收集方法
Li et al. Real-time optimal resource allocation in multiuser mobile edge computing in digital twin applications with deep reinforcement learning

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