一种基于传感器和量子智能计算的主用户定位方法
【专利摘要】本发明公开了一种基于传感器和量子智能计算的主用户定位方法，其基于无线传感器网络辅助认知无线电网络实现，包括如下步骤：步骤一网络部署阶段，步骤二定位信息收集阶段，步骤三测距阶段，数据融合中心对采样到的信号强度求均值作为该锚节点的接收信号强度RSS，在对数正态阴影路径损耗无线传播环境模型下，根据RSS估计出主用户和锚节点之间的距离；步骤四定位阶段，将定位问题转化为优化问题，采用量子遗传模拟退火算法解决该优化问题，进而实现对主用户二维空间的位置定位。本发明能够在确保良好的定位性能的前提下，达到同时降低算法的复杂度又节约电池能耗的效果；基于量子遗传模拟退火算法的定位方法可以获得精确的主用户位置信息。
【专利说明】一种基于传感器和量子智能计算的主用户定位方法
【技术领域】
[0001] 本发明涉及认知无线电和传感器网络的交叉应用领域，尤其涉及一种基于传感器 和量子智能计算的主用户定位方法。
【背景技术】
[0002] 随着无线通信的应用大量增加，无线终端的数量激增，而且越来越多的移动通信 设备和通信服务的融合对更高的数据传输速率的需求日益增加，这造成对无线频谱资源的 需求量将达到前所未有的程度，那么可用的频谱资源将会很快被消耗殆尽。而现实的问题 是，无线通信频谱的利用效率并不高。在目前投入运营的无线频段中，存在着许多"频谱空 洞"（未被利用的频谱），美国通信联邦委员会（FCC)测量了在亚特兰大、芝加哥等的频谱使 用情况，研究表明，平均只有5 % -10 %的频谱被使用，DARPA的研究表明，只有2 %的频谱资 源是在任何时候都被占用的（谢显中.认知无线电技术及其应用[M].北京：电子工业出 版社，2008.)。
[0003]为此，于 1999 年JosephMitola博士提出认知无线电（CognitiveRadio,CR) 的概念（MitolaJ,MaguireJrGQ.Cognitiveradio:makingsoftwareradiosmore personal[J].IEEEPersonalCommunications, 1999, 6 (4): 13-18.)。他提出的认知无线 电是智能的、灵活的、可重构的软件无线电。通过对外界环境的感知，并使用人工智能技术 从环境中有目地进行学习，实现对某些操作参数（比如载波频率、传输功率和调制技术等） 的实时改变，并且其内部状态能够自动地适应接收的无线信号的统计变化，进而实现任何 时间、任何地点的高可靠通信，以及对不同网络环境中有限的无线频谱资源进行高效地利 用(HaykinS.Cognitiveradio:brain-empoweredwirelesscommunications[J].IEEE JournalonSelectedAreasinCommunications, 2005, 23 (2) : 201-220.)。因此认知无 线电被认为是一种最有前途的无线通信技术之一，近些年的许多研究都集中在认知无线电 网络。
[0004] 在认知无线电网络中，其位置和环境认知功能旨在为无线设备和网络提供有用的 信息，使得他们能够互动和从周围环境中学习。其位置认知功能为认知无线电网络引入了 新技术和应用（基于位置信息的服务、移动性管理、安全和隐私、无缝定位和互操作性、统 计学习和跟踪、位置估计和认知）。一个包括这些功能并被称为位置认知引擎的架构在文 献（CelebiH,ArslanH.Utilizationoflocationinformationincognitivewireless networks[J].IEEEWirelessCommunications，2007, 14(4) :6_13.)中被提出。如图 1 所 示。不同的定位系统和各种定位方法之间的数据流被用于无缝定位和互操作功能中，移动 设备的跟踪可以通过统计学习和跟踪工具来进行，关于实施成本和系统容量的问题交由移 动性管理来处理。
[0005] 测量和（或）认知设备接口被用来从操作环境中获取主用户的信号，获得的信号 被发送到位置认知中心进行数据的后处理。定位估计和（或）认知算法对这些数据进行 处理，进而获得位置信息。在获得主用户的位置信息之后，其位置信息的应用可以分为四 大类：（1)基于位置信息的服务应用（例如：实时交通监控）；（2)位置信息辅助的网络优 化应用（例如：位置信息辅助的动态频谱接入系统）；（3)位置信息辅助的发射接收机算法 优化应用（例如：位置信息辅助的通信链路自适应器）；(4)位置信息辅助的周围通信环境 认知应用（例如：位置信息辅助的信道环境识别）（CelebiH，ArslanH.Utilizationof locationinformationincognitivewirelessnetworks[J].IEEEWirelessCommunica tions, 2007, 14(4) : 6-13.)。
[0006]NamH认为，在认知无线电网络中，主用户的位置信息对实现频谱资源的分配有着 非常重要的作用：已知主用户的精确位置，就能够估算出主用户和次用户之间的距离，根据 发射机与接收机的测量功率来估计出信道环境的路径损耗因子，进而估计出主用户和锚节 点之间的信道状态信息（ChannelStateInformation,CSI)，这比在假设信道状态已知的 条件下进行频谱资源的分配更切合实际；这样利于主用户位置信息采用频谱资源管理相关 算法能够在保证主、次用户之间正常通信的前提下，使主用户免受锚节点的干扰，同时保持 主用户发射信号功率最小，进而极大地提高频谱的利用效率，有助于实现认知无线电网络 的优化配置，使频谱资源的利用率和空间重用率达到最大化。
[0007]CelebiH(CelebiH,ArslanH.Utilizationoflocationinformationin cognitivewirelessnetworks[J].IEEEWirelessCommunications, 2007, 14(4) :6-13.) 认为，主用户的位置信息对于保证认知无线电网络频谱认知阶段的网络安全性也具重要作 用。在频谱感知阶段，有一种称为模拟主用户攻击的问题威胁着频谱感知结果。在这种攻 击中，攻击者效仿主用户信号向周围发射信号。由于认知无线电网络的空中接口高度灵活 且基于软件而设计，因而使得模拟主用户攻击成为可能。模拟主用户攻击不仅严重干扰了 频谱感知过程，而且将显著减少提供给主用户的信道资源。为应对该威胁，文中设计了一种 基于主用户位置信息的发射机验证方案，通过估计主用户的位置和观察信号特征来验证一 个给定的信号是否为主用户发射机的发射信号，进而避免模拟主用户攻击，提高锚节点利 用频谱的机会。仿真结果显示，在一定条件下，设计的基于主用户位置信息的安全算法在避 免模拟主用户攻击方面是有效的。因此，主用户的位置信息在频谱认知过程中发挥着重要 的作用。
[0008] 根据是否需要在定位过程中对主用户节点和次用户之间的距离进行测量，可以把 现有定位算法分为两大类：range-based和range-free(WernerJ，HakkarainenA，Valkama M.Estimatingtheprimaryuserlocationandtransmitpowerincognitiveradio systemsusingextendedKalmanfilters[C]? 2013IEEE10thAnnualConferenceon WirelessOn-demandNetworkSystemsandServices(WONS), 2013:68-73.)，即基于测距 的定位方法和基于非测距的定位方法。目前，现有的测距技术主要有基于RSSOteceived SignalStrength)、D0A(DirectionOfArrival)、T0A(TimeOfArrival)、TD0A(Time DifferenceOfArrival)的测距技术，基于测距的定位方法是采用这些测距技术测量用 户间的距离、角度或到达时间等信息，根据这些信息利用特定的定位算法定位主用户的位 置；而基于非测距的定位方法则无需这些测距信息就可实现主用户的定位，DV-Hop算法 (DistanceVector-hop:基于距离向量-跳段的算法）、Centroid算法（质心算法）和 MDS_MAP(MultidimensionalScaling-Map:多维定标算法）算法是三种主要的基于非测距 的定位方法。
[0009] 文献（马志垚，陈巍，曹志刚.认知无线电网络中基于检测概率的主用户定位算 法[了].北京邮电大学学报，2009,32(2):14-19.)〇\&12,〇161111^七&16€1(8,6七31^861111 range-basediterativelocalizationalgorithmforcognitiveradionetworks[J]. IEEETransactionsonVehicularTechnology, 2010, 59 (2) : 704-717.)提出了一种新的定 位算法，即基于检测概率的三维定位算法。在认知无线电网络中，能量检测是检测主用户存 在与否的最常用的方法。次用户可以检测到主用户存在的成功概率的高低与次用户到主用 户的距离具有很大的关系，通过对信道模型的分析和对次用户检测概率的估计，根据合作 频谱认知得到的次用户n的主用户检测概率与平均接收信噪比f的关系，假设信道环 境采用Rayleigh信道，可得到第n个次用户处的接收信噪比[与次用户n到主用户的距 离^，以及发射信号强度A的关系。然后采用加权最小二乘迭代算法间接实现主用户测距 及三维空间位置定位，解决认知无线电网络中的主用户定位的主要问题。
[0010] 文献(WangZ,FengZ,SongJ,etal.Apracticalsemirange-based localizationalgorithmforcognitiveradio[C]?2010IEEE71stVehicular TechnologyConference(VTC201〇-Spring), 2010:1-5.)利用 了频谱认知信息和主 从用户之间的距离之间的潜在关系，提出了一种实用的被称为PSRB(Practicalsemi range-based)的定位算法，该算法为了摆脱定位对主用户发射端的先验信息的依赖，将主 用户的发射功率和主用户的位置信息都作为要估计的参数，这体现了该算法的实用性。而 且采取联合频谱感知技术来精确地估计主用户的占用状态，这使得次用户的估计检测概率 更精确。
[0011] 此外，还有一些研究了融合一种或者两种方法的混合定位算法，如融合RSS和T0A 的算法，融合RSS和TD0A的算法等。
[0012] 以上这些定位方法的研究背景只是单纯的认知无线电网络，对于无线传感器网络 辅助认知无线电网络的定位方法研究甚少。无线传感器网络以自组织的的方式进行协作， 能够实时监测和采集网络分布区域内的各种检测对象的信息，并将这些信息发送到融合中 心进行融合，可实现复杂的指定范围内目标的检测，具有可靠性、抗毁性高的优点，并且部 署灵活、成本较低（孔德阳，梁涛，张建照，蒋慧娟.面向频谱感知的传感器网络设计[J]. 电子设计工程，2012, 20(13) :65-68.)。将无线传感器网络引入认知无线电网络中，将形成 一个全新的无线通信平台--无线传感器网络辅助的认知无线电系统（MercierB，F〇dor V,ThobabenR,etal.Sensornetworksforcognitiveradio:Theoryandsystem design[J].ICTmobileANmmit，2008.)，该系统兼具传感器网络的优势和认知无线电网络 的认知能力，目前现有技术中还没有将传感器网络和无线电网络相结合用来定位主用户 特别有效的方法。
【发明内容】
[0013] 针对上述技术问题，本发明提供如下技术方案：
[0014] 一种基于传感器和量子智能计算的主用户定位方法，基于无线传感器网络辅助认 知无线电网络实现，该网络包括主用户、无线传感器节点和融合中心，其步骤如下 ：
[0015] 1.步骤一：网络部署阶段；将无线传感器锚节点部署在主用户周围所在 200mX200m感知区域中；
[0016] 步骤二：定位信息的收集阶段，锚节点对主用户的发射信号进行采样接收，并将每 个锚节点测量接收到的主用户的信号强度RSS发送至数据融合中心；
[0017] 步骤三：在测距阶段，数据融合中心根据该锚节点的接收信号强度计算出路径损 耗，对每个锚节点的RSS进行采样求平均值，将得到的均值作为该锚节点实际的接收信号 强度：
【权利要求】
1. 一种基于传感器和量子智能计算的主用户定位方法，基于无线传感器网络辅助认知 无线电网络实现，该网络包括主用户、无线传感器节点和融合中心，其步骤如下 ： 步骤一：网络部署阶段；将无线传感器锚节点部署在主用户周围所在200mX200m感知 区域中； 步骤二：定位信息的收集阶段，锚节点对主用户的发射信号进行采样接收，并将每个锚 节点测量接收到的主用户的信号强度RSS发送至数据融合中心； 步骤三：在测距阶段，数据融合中心根据该锚节点的接收信号强度计算出路径损耗，对 每个锚节点的RSS进行采样求平均值，将得到的均值作为该锚节点实际的接收信号强度：
其中，M为采样次数，RSSu为第i个锚节点在第j次的接收信号强度； 据此估计出主用户和锚节点之间的距离； 步骤四：将定位问题转化为优化问题，采用量子遗传模拟退火算法对主用户进行二维 空间里两种场景下的位置定位，并对影响定位性能的因素进行了分析。
2. 根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法，其步骤 一中网络部署结构根据主用户和锚节点所处的相对位置的不同分为主用户位于锚节点组 成的凸包内和凸包外两种网络部署结构。
3. 根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法，其步骤 二中按照距离主用户最近的原则选取合适数量的锚节点来接收信号，并将它们的RSS发送 至数据融合中心进行处理。
4. 根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法，其步骤 三中测量距离的方法根据对数正态阴影路径损耗模型计算出信号传播的路径损耗，进而求 出主用户发射机和锚节点接收机之间的距离； 基于RSS的测距方法采用的无线传播信道环境模型设定为对数正态阴影路径损耗模 型，其数学模型为：
其中Cltl表示参考距离，一般取经验值ImTL(Clci)表示在Cltl处的路径损耗，η为与环境 相关的路径损耗指数，其取值见表1，Χ。代表一个具有〇均值且标准差为σ的高斯随机变 量；据此模型估计主用户和锚节点之间的距离d;
表1。
5. 根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法，其步骤 四中将定位问题转化为优化问题的方法如下： 假设二维空间的认知无线电网络中含有N个锚节点，1个主用户；使用向量Θ= [Z1,Z2，…，zN]代表锚节点的初始坐标，其中Zi = [Xi,yj'i= 1，2,…N，表示第i个锚节 点的坐标，i为该用户在网络中的唯一标示符；对待定位的主用户，设其坐标为（x，y)，测得 N个锚节点与主用户的距离分别为rf,^,，用户定位问题的实质便转化为求解下式的 优化问颢： 1 - 1
其中N为锚节点的数量，（x，y)为待定位的主用户位置，（Xi，yi)为第i个锚节点的位 置，i为第i个锚节点到主用户的估计距离。
6. 根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法，其步骤 四中的定位性能是指选择定位结果的平均定位误差MeanError来评估采用的定位算法的 性能；
其中，N为定位主用户的次数，（x，y)和分别是主用户的实际位置和第i次的QGSA定位估计位置； 那么，定义本发明采用的QGSA算法的适应度函数fitnessO为：
其中，N为选择到距离主用户最近的锚节点数，（Xi，yi)为第i个锚节点的位置， 为主用户的估计位置，i为第i个锚节点与主用户之间的估计距离； 通过QGSA算法求解该适应度函数的最优解实现对认知无线电网络主用户定位模型的 求解。
7. 根据权利要求6所述的一种基于传感器和量子智能计算的主用户定位方法，其QGSA 算法的实现过程为： 步骤1 :参数设置及种群初始化： 参数设置：量子遗传操作的种群规模pop、染色体编码长度length、进化代数maxgen、 量子变异概率Pv、转角步长Λθ;模拟退火操作的初始温度T、退火系数λ、每一固定温度 下的迭代次数为L、更新解的概率Praew、学习步长step、搜索半径sR; 种群的初始化：随机生成初始化种群QUtl)，种群由量子染色体构成，在第t代的种群 为ρ(〇 =+!?···，〇染色体<定义如下：
将全部pop条染色体的2popXlength个概率幅都初始化为I/ ^ ,那么在第1代时，所 有染色体均以相同的概率I/^处于所有可能状态的线性叠加态之中，即
其中sk是由二进制串（X1X2. ..xm)描述的第k个状态，Xi = 0, 1，i= 1，2,…，length; 那么，初始化的种群
步骤2 :通过观察测量QUci)的状态来生成二进制解集PUci) = (X1,X2, ...，x_),每个 解= 是一个由〇和1组成的长度为length的二进制串，其值是0还是1 要由相应量子位的观测概率β丨2或|/<|(i= 1,2,…,/ewgi/i)决定； 步骤3:评估PUtl)的适应度函数值，以函数fitness(x，y)为适应度函数进行评估； 步骤4:记录PUtl)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标； 步骤5:对当代的种群进行量子交叉、更新和变异，得到子代Q(t+1); a) 量子交叉：采用全干扰交叉，该交叉方式在所有的染色体之间进行交叉； b) 量子更新：采用适当的量子旋转门来实现，采用的量子旋转门为：
量子态的更新策略（ct ' i β ' D = U ( Θ D · ( a i β D，即
/ ·\ 其中，$是染色体中第i位量子位，Si是量子旋转门旋转角，其大小、方向可以通过 相应的资料查得； c) 量子变异：对选中的个体按照变异概率确定若干个量子位，对选中的量子位进行非 f αΛ fβΛ 门操作，即当前量子位为Λ *变异后为 ，即可实现量子变异操作； \aI J 步骤6 :模拟退火操作： 1)依据遗传操作求得的当前最优解S生成新解S'，新解的产生方法如下：
其中s，S'分别代表了当前解和产生的新解，U(a，b)表示随机产生的a?b之间的任 何值，P为取值在〇. 3-0. 4之间的概率值，sR为算法搜索半径，step学习步长；具体操作时， 若温度较高，新解的产生采用式（12);若温度较低，新解的产生则采用式（13); 2) 求解当前解与新解之间的能级差△ =f(S)-f(S'）； 3) 评估新解S'，根据Metropolis接收准则来判断接收或抛弃新解；Metropolis接收 准则表达式可表述如下：
其中P^s,表示由当前解S向这新解S'的转换接收概率，Λ=f(S)-f(S'）表示状态 间能级的差值，当能级增量△< 〇时，接收新状态，否则以某一概率接收新状态； 4) 判断当前温度是否足够低，当温度不够低时，继续进行模拟退火操作；当温度足够 低，停止模拟退火操作，并记录目前最佳适应度函数值及最佳个体，将最佳个体作为下一次 种群更新的目标，继续步骤7; 步骤7 :判断遗传操作是否达到最大进化代数maxgen，若没有达到，继续步骤5-6 ;若 达到，算法结束。
8.根据权利要求1所述的一种基于传感器和量子智能计算的主用户定位方法，其应用 量子遗传模拟退火算法实现主用户定位的具体步骤如下： 步骤1 :参数设置及种群初始化： 参数设置：主用户发射功率Pt、路径损耗指数η、量子遗传操作的种群规模pop、染色 体编码长度length、进化代数maxgen、量子变异概率Pv、转角步长ΔΘ;模拟退火操作的 初始温度T、退火系数λ、每一固定温度下的迭代次数为L、更新解的概率Pmiot、学习步长 step、搜索半径sR; 种群的初始化：随机生成初始化种群QUtl)，种群由量子染色体构成，在第t代的种群 为0(0 =丨"…染色体<定义如下：
将全部pop条染色体的2popXlength个概率幅都初始化为〖1 ，那么在第1代时，所 有染色体均以相同的概率I/处于所有可能状态的线性叠加态之中，即
其中Sk是由二进制串（X1X2. . .Xm)描述的第k个状态，Xi = 0, 1，i= 1，2,···，length; 那么，初始化的种群！
步骤2 :通过观察测量QUci)的状态来生成二进制解集PUci) = (X1,X2,...，x_),每个 解= …JengiA)是一个由〇和！组成的长度为iength的二进制串，其值是〇还是1 要由相应量子位的观测概率或I贫f(/ = 1,2,…,/?igrt)决定； 步骤3 :评估PUtl)的适应度函数值，适应度函数为上述的将定位问题转化为优化问题 的救受摁型.
步骤4:记录Patl)中最佳适应度函数值及对应最佳个体作为下一步种群更新的目标； 步骤5 :对当代的种群进行量子交叉、更新和变异，得到子代Q(t+1); d) 量子交叉：采用全干扰交叉，该交叉方式在所有的染色体之间进行交叉； e) 量子更新：采用适当的量子旋转门来实现，采用的量子旋转门为：
量子态的更新策略（a'iβ'D=U(ΘD· (aiβD，即
其中，是染色体中第i位量子位，Si是量子旋转门旋转角，其大小、方向可以通过 相应的资料查得； f) 量子变异：对选中的个体按照变异概率确定若干个量子位，对选中的量子位进行非 fa \ fβ\ 门操作，即当前量子位为j，变异后为 ，即可实现量子变异操作； KAJ KaJ 步骤6 :模拟退火操作： 5)依据遗传操作求得的当前最优解S生成新解S'，新解的产生方法如下：
其中S，S'分别代表了当前解和产生的新解，U(a，b)表示随机产生的a?b之间的任 何值，P为取值在0. 3-0. 4之间的概率值，SR为算法搜索半径，step学习步长；具体操作时， 若温度较高，新解的产生采用式（12);若温度较低，新解的产生则采用式（13); 6) 求解当前解与新解之间的能级差Λ=f(S)-f(S'）； 7) 评估新解S'，根据Metropolis接收准则来判断接收或抛弃新解；Metropolis接收 准则表达式可表述如下：
其中P^s,表示由当前解S向这新解S'的转换接收概率，Λ=f(S)-f(S'）表示状态 间能级的差值，当能级增量△< 〇时，接收新状态，否则以某一概率接收新状态； 8) 判断当前温度是否足够低，当温度不够低时，继续进行模拟退火操作； 当温度足够低，停止模拟退火操作，并记录目前最佳适应度函数值及最佳个体，将最佳 个体作为下一次种群更新的目标，继续步骤7 ; 步骤7 :判断遗传操作是否达到最大进化代数maxgen，若没有达到，继续步骤5-6 ;若 达到，算法结束；此时搜索到的最终解所对应的变量值即为QGSA算法对主用户的定位结果 (%Λ.、 Iχ\γ& \j
【文档编号】H04W64/00GK104320845SQ201410321036
【公开日】2015年1月28日 申请日期:2014年7月4日 优先权日:2014年7月4日
【发明者】李飞, 季薇, 肖婵婵, 葛文雪, 吴铭烨 申请人:南京邮电大学, 华为技术有限公司