一种减小链路噪声的方法与流程

本发明属于通信技术领域，具体涉及一种减小链路噪声的方法。

背景技术：

目前，研究的分布式扩散协作策略下的算法，大都是假定节点之间的链路是理想的，即不存在链路噪声。然而，现实情况下链路噪声对网络之间的影响是非常大的，它影响着传递给下一个节点的自身估计值，将受影响的估计值传递到无线传感器网络中，将大大降低网络对未知参量估计的准确性。另外，链路噪声很可能造成链路故障，在分布式协作策略中要形成环的增量协作策略就不适合这种易断网络，而扩散协作策略因其网络健壮性可以很好的兼容这种问题。

一、链路噪声的影响

1.链路噪声情况下的dlms算法

传感器节点之间的通信链路通常是噪声链路。一个典型的例子是时分多址复用，在某个用户的指定时隙，其中的信道可能还被占用而不可用，即使勉强可用，这样的通信信道是含有噪声的。传感器网络的拓扑结构总是随机的，且在链路噪声影响下节点之间会因故障导致通信连接断开，网络的拓扑结构会重组，分布式扩散策略下的dlms方法在噪声链路中的研究对提高自适应网络稳态性能是很有实际意义的。

观测信号采用线性的数学模型：dk(i)＝uk,iw⁰+vk(i)，其中vk(i)是方差为且在时间和空间上都相互独立的加性高斯白噪声。

为了获取网络中n个节点对未知参量w⁰的局部估计值，其中w⁰是m×1的向量，利用最小均方误差准则，取其均方误差作为目标函数(代价函数)：

网络中所有传感器节点的测量数据{dk,j,uk,j}可以用以下矩阵表示：则目标函数(代价函数)可以改写为：

理想链路情况下的dlms算法：其中是节点k在第i-1时刻对未知向量的估计值，是在节点k的融合估计值，μk＞0(常数)是收敛步长，非负的ckl,k＝1,2,…,n是局部融合参数且满足

节点k和节点l之间存在链路噪声情况下的自适应和融合过程，节点k收到从邻居节点(不包括自身)中传输来的各节点对目标参量的估计值但这些估计值有的收到m×1阶加性噪声向量的干扰，故噪声链路情况下的dlms算法如式(1)所示：

其中是加性链路噪声，是均值为零的广义平稳随机过程。

将式(1)展开有：

令则式(2)可以改写为：

其中代表了与节点k相

连的所有链路的等效噪声。从而考虑噪声情况下dlms算法的融合过程为：

节点k自身估计值的自适应更新过程为：

2.噪声链路影响下dlms方法仿真

仿真条件：利用matlab仿真软件对dlms算法在链路噪声有无的情况下进行仿真分析。

(1)收敛步长都设为μk＝0.05,k＝1,2,…,n；

(2)加性噪声为高斯白噪声且信噪比snr＝10db；

(3)qk＝10^-3im；

(4)以全局均方偏差(msd)作为方法性能指标，即msd＝e||ψj-w⁽⁰⁾||²/n，其中ψj和x⁰分别表示各节点估计值和未知参数。

从图2的仿真结果可以看出，在没有考虑链路噪声的情况下，整个传感器网络的msd的值稳定在-43db附近，算法性能良好，而考虑到链路噪声后，dlms方法的性能急剧恶化，msd稳定在了-28db附近，直接恶化了15db，这种程度的恶化，对于整个无线传感器网络完成未知参量估计的准确性的影响是巨大的。所以在传感器网络中对于链路噪声这个问题必须引起足够的重视，尽量减小其对方法性能的影响。

在无线传感器网络中，所有节点都以一个共同的未知参量的估计作为目标协同工作，节点根据不同的策略下的随机拓扑向周围节点传输本节点所采集到的数据向量，而在传输链路上的噪声将对这些向量进行加性干扰。链路噪声主要是在传输过程加入估计值信号中的，由于链路噪声的不可估计性，无法判断噪声的统计特性及大小，无法将其从信号中去除。

技术实现要素：

本发明为了解决链路噪声对传感器网络中方法性能的影响，提供一种减小链路噪声的方法。

本发明采用如下技术方案：

一种减小链路噪声的方法，从传感器节点之间传输的向量的分量入手，既然不能直接去除噪声，那就减少在邻居节点传输来的带有噪声的估计向量的分量数，采用本地的无链路噪声的分量代替没有传输的分量，如果只传输一个噪声分量，其余的用本地估计向量分量代替，本地估计中不存在链路噪声，这样从源头减少链路噪声。

参数设置：μk＝0.05,k＝1,2,…,n；

初始化：cl,k(0)＝1/|nk|，ψk(0)＝0；

进一步地，一种减小链路噪声的方法，包括如下步骤：

第一步，利用伪随机数发生器获取分量选择矩阵a，

选用伪随机数发生器产生序列生成矩阵m，在i时刻，邻居节点l对目标参数的局部估计值是m×1的向量现只传输其中的l个分量，而剩余的m﹣l个分量则使用本地局部估计值中对应的分量代替，对于m个分量，假设所需传输分量为l个(0<l<m)，剩余m﹣l个用本地局部估计值中的分量值代替，如式(3)所示：

其中：cn，k表示邻居节点n和本地节点k的融合参数，且nk表示参与节点k融合运算的邻居节点集合，nk＝{1,2,3,…,n}，表示i时刻本地节点k的估计值；表示i时刻n节点的第m个分量，m＝1,2…m；n＝1,2…n；

第二步，选取本地的局部估计值的im-a中的分量，填充到邻居节点传来的局部估计值中，如式(4)所示：

其中：为链路噪声向量；为选择矩阵；表示邻居节点l的估计值；

第三步，进行融合过程和自适应更新过程，其中，融合过程如式(5)所示：

，将向量a中为0的分量用本地局部估计值的对应分量代替，即用代替则融合过程如式(6)所示：

其中：φk^(i-1)表示i-1时刻的融合估计值，cnk表示节点n和本地节点k的融合参数，n＝1,2,3…nk，且

自适应更新过程如式(7)所示：

将得到的融合估计值φk^(i-1)通过自适应更新过程得到局部估计值ψk⁽ⁱ⁾，这个局部估计值又发给邻居节点，用于计算该邻居节点的融合估计值；

第四步，将分量所携带的噪声弱化，将带有链路噪声的分量和没有噪声的分量进行一个平均，邻居节点l在节点k处的局部估计值分量之和如式(8)所示：式(8)，其中i1×m向量的作用是将参与融合的所有分量相加，取平均后，分量平均值为定义融合阶段节点i的局部估计值则带平均的融合过程如式(9)所示：

第二步中所述选取本地的局部估计值的im-a中的分量的方法包括随机选择或采用顺序方式选取要传输的分量。

随机选择要传输的分量，包括如下步骤：节点利用伪随机数发生器生成随机序列来选择要传输的分量，邻居节点l选择完要传输的分量后，会生成一个种子文件，记录这个所传的分量的坐标信息，即定义为分量选择矩阵，其中1表示传输分量，0表示不传输该分量，节点k根据坐标信息用本地局部估计值中的对应分量填补邻居节点中的未传输分量。

顺序方式选取要传输的分量，包括如下步骤：按在一个周期即两次传输内包含所有的分量坐标的序列选取利用每个邻居节点的序列中的分量，在传输局部估计值的时候传递一个包含分量坐标信息的种子，在多周期传输后，邻居节点的所有分量信息都可以传输到节点k处进行融合。整个过程如下：假设邻居节点要传输的总分量数是4，预先定制的序列可以是(1,0,1,0)，(0,1,0,1)这样经过一个周期(两次传输)后，本地节点k就完全获取邻居节点的分量信息了。

本发明的有益效果如下：

本发明从源头就减少了链路噪声，改进方法很好的解决了链路噪声问题，为了将一个分量所携带的噪声弱化，所以我们将带有链路噪声的分量和没有噪声的分量进行一个平均运算，那么噪声的影响平均后又会弱很多，方法性能得到了进一步的提高。

附图说明

图1为网络拓扑结构图；

图2为噪声链路影响下dlms算法仿真分析图；

图3为局部估计值分量传输过程；

图4为本发明的仿真分析图；

图5为对分量平均的改进算法的仿真分析图。

具体实施方式

邻居节点选择要传递的局部估计值的分量的方式有两种，一种是随机选择，节点利用伪随机数发生器生成随机序列来选择要传输的分量，在这种方式中，邻居节点l选择完要传输的分量后，会生成一个种子文件，记录这个所传的分量的坐标信息(即定义为分量选择矩阵，其中1表示传输分量，0表示不传输该分量)，节点k根据坐标信息用本地局部估计值中的对应分量填补邻居节点中的未传输分量。

以节点个数n＝8，分量总数m＝4选取的分量数l＝2为例，节点1，2在随机方式下所传输的分量如式(10)和式(11)所示，在8个时刻后，节点1，2的所有分量信息都传输到节点k处。

另一种方法是采用顺序方式选取要传输的分量，即，按预先制定的序列选取利用每个邻居节点的某些分量，这种方式同样也会在传输局部估计值的时候传递一个包含分量坐标信息的种子，以前一种方法同样的条件作分析如式(12)和式(13)所示，同样，在一定时刻的传输后，邻居节点的所有分量信息都可以传输到节点k出进行融合。

对本发明方法进行仿真分析，仿真条件：利用matlab仿真软件对dlms方法分为有无链路噪声、是否对分量进行平均的情况进行仿真。方法的详细参数设置为：

(1)收敛步长都设为μk＝0.05,k＝1,2,…,n；

(2)加性噪声为高斯白噪声且信噪比snr＝10db；

(3)qk＝10^-3im；

(4)以全局均方偏差(msd)作为方法性能指标，即msd＝e||ψj-w⁽⁰⁾||²/n，其中ψj和x⁰分别表示各节点估计值和未知参数。

如图4所示，图中给出了考虑链路噪声情况下本发明和传统dlms算法的性能仿真分析。可以看出本发明有着良好的性能提升，传统dlms算法在有噪声全传输时方法性能急剧恶化，msd的值下降到了-25db，甚至比单节点融合时的性能还低；本发明采用本地估计值分量代替部分噪声分量，msd的值稳定在了-33db，达到了单节点融合的性能值，与无噪声部分传输的-38db相比，还是存在一定的噪声影响。在无噪声情况下，部分传输的性能稳定值值比全传输高了2db左右，这说明部分传输对系统性能的整体还是有一定缺陷的。

如图5所示，图中给出了对部分噪声分量和部分本地无噪声分量进行平均，利用平均值参与融合过程的一个仿真结果。经过平均后的方法在收敛速度上还有了一定的提升，在60次迭代后达到稳定值，对于噪声影响的克服，在部分全传输的情况下又有了进一步的改善，达到了不考虑链路噪声的dlms方法的-40db附近。对方法性能有了很大程度的提升。