论文部分内容阅读
近年来,无线传感器网络受到越来越多研究人员的关注。它具有低功耗、动态的拓扑结构、低成本以及不易受环境影响等特性。其应用领域也是越来越广,涉及到军事、医疗、经济以及生活等各个方面。但是组成该网络的传感器节点是由有限能源且不可替换的电池供电的,所以能耗问题是一个迫切需要解决的问题。另外,信道状态信息的优劣是决定能耗大小的重要因素之一。数据通过良好的信道环境传输,会大幅度的降低信号丢失、重传以及信号衰弱等问题,从而提高数据的传输效率,降低功率损耗。为了解决无线传感器网络的能耗问题,本论文主要研究了无线传感器网络的信道估计算法。通过保证信道的通信质量,提高无线传感器网络的能量利用率,从而增加无线传感器网络的使用寿命并保证其优越的性能。目前相关领域的研究人员已经提出了大量的信道估计算法,但是这些算法无法解决快速收敛速度和低的稳态均方误差的折中问题。其中最小均方误差系列的算法使用最快速下降方法,实现简单,并且拥有较低的计算复杂度,但是其稳态的最小均方误差性能受到收敛因子的限制;对于最小二乘系列算法而言,该系列算法由于保留了矩阵求逆的计算,因此其可以实现快速的收敛且拥有低的稳态最小均方误差性能,但是也因为矩阵求逆的保留,致使其计算复杂度特别高,在计算时会消耗大量的资源。针对上述传统算法的不足,本文将从另一种梯度下降算法入手,逐步深入研究,通过避免不必要的计算来降低算法的计算复杂度,提高传感器网络的能量利用率,从而延长无线传感器网络的使用寿命。本论文提出了基于矩阵的共轭梯度信道估计算法,提高了共轭梯度信道估计算法的实用性。共轭梯度算法通过在共轭梯度方向上趋近最优解而拥有快速的收敛性能,并且计算简单、复杂度低,弥补了最快速下降法收敛速度的不足以及解决了牛顿法由于矩阵求逆带来的高计算复杂度的难题。首先,在基于向量的共轭梯度算法的基础上,本论文引入了数据窗处理,并提出了基于矩阵的共轭梯度算法,通过引入相关矩阵的弗罗宾尼斯范数来计算每次迭代的收敛因子,然后调整收敛因子使算法最后趋于收敛。同时由于数据窗的引入,该算法在每个数据窗中迭代一定次数后就收敛了,我们称该迭代的次数为最大的迭代次数,其值小于或者等于输入信号维度和数据窗长度的最小值。由于在实际环境中,信号往往模拟化为复数的矩阵形式,因此基于矩阵的共轭梯度算法拥有更加普遍的实用性,更适合实际的传输环境。通过数值仿真结果表明,对于数据窗中最大迭代次数的任何取值而言,基于矩阵的共轭梯度信道估计算法可以实现比最小均方误差算法和仿射投影算法更好的性能。另外,基于矩阵的共轭信道估计算法随着数据窗中的最大迭代次数的取值不同,其收敛速度以及稳态均方误差性能也不同。最大迭代次数越大,其收敛速度越快,但是稳态均方误差性能越差;最大迭代次数越小,其收敛速度越慢,但是稳态均方误差的性能越好。因此,最大迭代次数将会致使共轭梯度信道估计算法产生快速收敛和低的稳态均方误差性能的折中问题。并且该算法的计算复杂度仍然较高,针对这两个问题,本论文将进行进一步的研究。为了降低算法的计算复杂度,本论文将集员滤波框架和共轭梯度信道估计算法相结合,提出了基于向量的和矩阵的集员共轭梯度信道估计算法。集员滤波框架与共轭梯度信道估计算法相结合的方案是通过推导引入的边界值与误差向量的相关关系,将所有的解集进行相应的约束,从而使得该算法对于在边界外的解在下次更新时直接从最快的方向趋近并落在约束边界上,而对于边界内的解则不进行更新,实现数据选择性更新的性能。通过对数据进行选择性更新,该算法能够降低共轭梯度信道估计算法的计算复杂度,并且保证该集员算法的收敛速度几乎与原来的共轭梯度算法的收敛速度相近。通过相应的数据仿真证明,对于基于矩阵的共轭梯度信道估计算法而言,基于矩阵的集员共轭梯度信道估计算法能够实现相近甚至更好的性能,并且通过对数据进行选择性更新,该信道估计算法能够大幅度地降低计算复杂度。但是不同边界值的约束使得该信道估计算法的收敛速度和稳态均方误差性能会有不同,同时边界值的大小也会导致更新过于频繁或者不更新的极端情况。因此,本论文需要进行大量的实验训练之后再选出最优的边界值,以免造成不必要的影响。相对于基于向量的集员共轭梯度信道估计算法而言,基于矩阵的集员共轭梯度信道估计算法同样拥有更好的实用性。为了解决快速收敛和低的稳态均方误差性能的折中问题,本论文提出了最大迭代次数的更新策略,并将其应用于共轭梯度信道估计算法。通过对算法进行更加深入的研究,本论文发现信道估计算法即将收敛时,前后估计信道参数的均方误差的值相差很小;信道估计算法未收敛时,前后估计信道参数的均方误差的值相差很大。所以,对于最大迭代次数固定的共轭梯度算法和集员共轭梯度算法而言,当前后估计信道参数的均方误差的差值小于某个边界值时,该算法就收敛了;否则,该算法继续迭代。如果在此刻更新该数据窗的最大迭代次数的取值,则该算法将继续迭代,直到再次收敛。如此重复,直到数据窗中最大迭代次数的值为1,不再进行更新。另外,算法收敛速度越快,该边界值就越大,收敛速度越慢,该边界值会越小。因此,本论文提出了一个基于指数下降边界的最大迭代次数更新策略,并将该策略与共轭梯度信道估计算法,从而解决快速收敛速度与低的稳态均方误差的折中问题。相关的数值仿真结果表明,结合了最大迭代次数更新策略的共轭梯度信道估计算法能够很好地追踪到每个数据窗中的最优的迭代次数,通过减少每个数据窗中的迭代次数,从而降低了该算法的计算复杂度。其次,该算法能够快速收敛,并且实现了最好的稳态均方误差性能。本论文给出了最大迭代次数更新策略的指数下降边界与集员边界的相关关系,并将该更新策略与集员共轭梯度信道估计算法相结合,更进一步降低了算法的计算复杂度。根据指数下降边界与集员边界的关系,该信道估计算法可以通过判断一个条件就可以得到相应的更新信息。相关的数据仿真表明,对于结合了最大迭代次数更新策略的集员共轭梯度信道估计算法而言,其数据选择性更新的性能能够实现较小的数据窗更新速率,从而可以大幅度地降低其计算复杂度。另外,对于每个更新的数据窗而言,更新策略将进一步更新数据窗中的最大迭代次数,从而使其避免不必要的数据窗更新的同时又减少了数据窗中的迭代次数。因此,该算法可以进一步的降低其计算复杂度,同时也成功的解决了快速的收敛速度和低的稳态均方误差的折中问题,具有很好的追踪性能。在多跳协作无线传感器网络系统模型上,本论文以共轭梯度信道估计算法为基础,进一步提出了集员共轭梯度信道估计算法、应用最大迭代次数更新策略的共轭梯度信道估计算法以及应用最大迭代次数更新策略的集员共轭梯度信道估计算法。相对于传统的信道估计算法而言,共轭信道估计算法能够实现更优越的性能。通过应用最大迭代次数更新策略和集员滤波框架,解决了快速的收敛速度和低的稳态均方误差的折中问题,使得共轭梯度信道估计算法具有收敛速度快以及稳态最小均方误差低的性能,能够节省相当多的计算资源,并很好地估计出信道状态信息,提高数据的传输效率。另外,该信道估计算法通过大幅度地降低了计算复杂度,来进一步减少无线传感器网络计算资源的消耗,提高了无线传感器网络的能量利用率,进而延长了无线传感器网络的使用寿命。