一种基于copula理论的光学无线传感器网络成簇方法与流程

本发明属于通信技术领域，具体涉及一种基于copula理论的光学无线传感器网络成簇方法，可用于光学无线传感器网络。

背景技术：

无线传感器网络(wsns)是由空间分布的传感器节点组成的自组织网络，通过无线通信的方式协作完成全局任务。wsns主要分为平面网络结构和分簇网络结构。相对于平面网络结构，分簇网络结构具有更好的扩展性与鲁棒性。因此，为了提高网络的整体性能，制定良好的分簇策略是wsns中的关键问题。

分簇算法的基本思想是根据制定的策略将网络划分为多个子区域,这些区域称为“簇”，每个簇由簇头节点(ch)与簇成员节点(cm)组成，并通过协作完成任务。目前，已经有很多分簇算法，例如leach算法(lowenergyadaptiveclusteringhierarchy)，teen算法(thresholdsensitiveenergyefficientsensornetworkprotocol)，pegasis算法(powerefficientgatheringinsensorinformationsystems)，gaf(geographicadaptivefidelity)等。但是，这些算法大多数侧重于均衡网络能耗，忽略了传输数据的信息量。leach算法是典型的分布式分簇算法，在形成簇的过程中是根据概率随机地选取ch，这可能造成ch分布不均；gaf算法是基于节点地理位置的分簇算法，但是邻近节点间的传输给ch的数据可能相同，这将造成数据的冗余。因此，在分簇过程中，为了提高网络的性能，必须充分考虑能源效率与数据信息量。

技术实现要素：

为了解决现有技术中的不足，提出了一种无线传感器网络中基于功率需求的分簇方法，本发明图通过设计一种用于通用实时无线传感器网络应用的根据节点间通信的功率需求的分簇方法，简化网络的计算复杂度，减少计算开销和时间，并均衡网络中每个簇的功率需求。

本发明所采用的技术方案如下：

一种基于copula理论的光学无线传感器网络成簇方法，包括以下步骤：

步骤1，利用分层最大似然估计法确定簇头(ch)的位置，进而形成初始簇；

步骤2，当簇外节点请求加入簇时，簇头(ch)要求簇外节点发送簇外节点的观测值，簇头(ch)将根据copula理论对簇外节点的观测值进行相关性分析。

步骤3，在能量负载的约束下，根据簇外节点的加入能否提高簇内信息量来决定簇外节点是否可以加入，当簇外节点加入时形成新的簇。

进一步，所述步骤2中相关性分析的方法为：

步骤2.1，将传感器节点接收到的信号a(k)表示为观测值v＝(v1,...,vi,...,vj,...,vk)，观测值v中有用的信息为θ，节点观测值v的联合概率密度函数(pdf)表示为fn(v|θ)；

步骤2.2，两个传感器节点之间的依赖关系用高斯copula函数来描述，kendall秩相关系数表示观测值相关性测度值，因此，观测值得多元分布之间的相关性，可描述为：

c(v|σ)＝φσ(φ^-1(v1),...,φ^-1(vk))

其中，c(v|σ)为高斯copula函数，φσ表示变量服从标准形式的正态分布，σ为观测值相关性测度值，φ^-1(vk)是服从逆分布；

步骤2.3，将高斯copula函数微分处理得到copula密度函数：

其中，e为单位矩阵；

步骤2.4，利用联合理论用边缘pdfs和copula密度函数表示传感器节点间观测值的联合pdf，计算得到信息量i(θ)：

其中，f(vi|θ)为边缘pdfs，c(v1,v2,...,vk|θ)为观测值中关于有用信息θ的coupla密度函数；

进一步，所述观测值相关性测度值其中，τ(vi,vj)为高斯copula函数的kendall秩相关系数，vi为簇内节点观测值，vj为簇外节点观测值，c(vi,vj)为用高斯copula函数表示两个变量间的相关性；

进一步，能量负载约束条件，写为：

其中，ei为簇内第i个节点的能量，eave为簇内所有节点的平均能量，el为能量负载阈值。

进一步，根据相关性分析结果比较簇外节点的加入后的簇内信息量i′(θ)与加入前的信息量i(θ)，如果i′(θ)＞i(θ)，则接受节点加入请求，形成新的簇；如果i′(θ)≤i(θ)，则拒绝加入。

本发明的有益效果：

本发明的成簇方法与现有技术相比，本发明在形成簇的过程中，簇内的数据信息量实现最大化；本发明通过设置网络能耗的约束条件，能够有效的均衡能耗与数据信息量，提高能源效率。同时本发明所提出的基于copula理论的光学无线传感器网络成簇方法，可用于光学无线传感器网络。

附图说明

图1为本发明实现流程图；

图2为本发明实施例的网络结构图。

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。

结合如图1所示的本发明一种基于copula理论的光学无线传感器网络成簇方法，本发明的方法如下所示：

步骤1：以信号的功率谱密度psd为考虑对象，利用分层最大似然估计hml识别簇头ch，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个信道中的信号功率谱密度psd作为样本对象为xk＝{x1,x2,...,xn}，其样本维度为d。

1)计算样本对象的均值：

2)计算样本对象的协方差：

3)根据均值与协方差得到对数似然函数：

其中，lk为第k组样本对象xk相应的对数似然函数，当对数似然率最大的地方为簇头ch的位置。

步骤2：当簇外节点请求加入簇时如图2，簇头(ch)要求簇外节点发送簇外节点的观测值，簇头(ch)将根据copula理论对簇外节点的观测值进行相关性分析；具体过程如下：

步骤2.1，将传感器节点接收到的信号a(k)表示为观测值v＝(v1,...,vi,...,vj,...,vk)，观测值v的联合概率密度函数(pdf)表示为fn(v|θ)；

步骤2.2，在具体实施过程中，两个传感器节点之间的依赖关系用高斯copula来描述，通过kendall秩相关系数表示观测值的相关性测度值。因此，不同观测值的多元分布之间的相关性表示为：

c(v|σ)＝φσ(φ^-1(v1),...,φ^-1(vk))(1)

其中，c(v|σ)为高斯copula函数，φσ表示变量服从标准形式的正态分布，σ为观测值相关性测度值，φ^-1(vk)是服从逆分布；

步骤2.3，将高斯copula函数微分处理得到copula密度函数：

其中，观测值相关性测度值高斯copula函数的kendall秩相关系数vi为簇内节点观测值，vj为簇外节点观测值，e为单位矩阵，c(vi,vj)为用高斯copula函数表示两个变量间的相关性；

步骤2.4，当传感器节点的观测值测度值小于或者等于1时，则会造成数据冗余与资源浪费。因此，在成簇过程中根据相关性计算了簇内的信息量，使用费希尔信息(fisherinformation)表示簇内的信息量，写为：

再利用联合理论用边缘pdfs和copula密度函数表示传感器节点间观测值的联合pdf，计算得到信息量i(θ)：

其中，f(vi|θ)为边缘pdfs，c(v1,v2,...,vk|θ)为观测值中关于有用信息的coupla密度函数；

步骤3：在能量负载的约束下，根据簇外节点的加入能否提高簇内信息量来决定簇外节点是否可以加入，当簇外节点加入时形成新的簇。

步骤3.1，由于网络的能量负载过高可能影响整个网络的生命周期，因此设置了能量负载约束条件，写为：

其中，ei为簇内第i个节点的能量，eave为簇内所有节点的平均能量，el为能量负载阈值。

步骤3.2，在能量负载的约束下，根据相关性分析结果比较簇外节点的加入后的簇内信息量i′(θ)与加入前的信息量i(θ)，如果i′(θ)＞i(θ)，则接受节点加入请求，形成新的簇；如果i′(θ)≤i(θ)，则拒绝加入，即：

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。