[发明专利]无线传感网虚拟多输入多输出系统信号盲检测方法

权利要求书

1.无线传感网虚拟多输入多输出系统信号盲检测方法，其特征在于，包括簇间MIMO传感器信号的Hopfield检测方法和簇内簇首节点自带的SIMO Hopfield信号检测方法，具体步骤如下：

簇间MIMO传感器信号的Hopfield检测方法

步骤A，构造接收数据矩阵：

设无线传感网虚拟MIMO传输模型传感器节点分为p簇，Sink接收端安装有q根天线，簇首间信号无相关性，将该模型作为p输入q输出的虚拟MIMO有限冲激响应系统，其基带输出信号为：

XN=SN·Γ^T

式中，XN是接收数据阵，SN是是各簇簇首的发送信号阵，Γ是由信道冲激响应h_jj构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

SN=[sL(k),…,sL(k+N-1)]^T=[sn(k),…,sn(k-M-L)]_N×(L+M+1)p，

M为信道阶数，L为均衡器阶数，N为所需数据长度；

sL(k)=[s^T(k),…,s^T(k-L-M)]^T；其中，s^T(k)=[s₁(k) s₂(k) … s_p(k)]，

s_i(k)∈{±1},i=1,2…,p，时刻k为自然数，[·]^T为矩阵转置；

h_jj=[h₀,…,h_M]_q×(M+1)p，jj=0,1,…,p；

q是过采样因子，取值为正整数；

XN=[x(k),…,x(k+N-1)]^T是Sink接收端接收数据阵是N×(L+1)q接收数据阵，其中x(k)=Γ·sL(k)；

步骤B，接收数据矩阵奇异值分解：

XN=[Us,Uv]·D0·VT]]>

式中，

U_s是奇异值分解中的N×(L+M+1)p酉基阵；

0是(N-(L+M+1)p)×(L+1)q零矩阵；

V是(L+1)q×(L+1)q酉基阵；

U_v是N×(N-(L+M+1)p)酉基阵；

D是(L+M+1)p×(L+1)q奇异值阵；

步骤C，设置权矩阵W=I_N-Q，其中I_N是N×N维的单位阵，

步骤D，得到一个簇的发送信号sn(k)

利用全反馈神经网络动力学方程

sn(k+1)=f(W·sn(k))=f(y(k))

对该方程进行迭代，直到sn(k+1)=sn(k)；

其中y(k)是由标量y_i(k)构成的向量，w_ij为神经网络权矩阵W中的元素，表示从神经元i到神经元j的联结权值，i、j都为小于等于N的正整数；最后平衡时得到的sn(k)即为所求的簇的发送信号，此簇标识为第一个簇；

f(·)为连续二值激活函数，且：f(·)=tanh(·)为双曲正切函数；

步骤E，MIMO信号空间删除法

对于p簇情况，由于第一个簇信号对于其他簇来说是干扰信号，将检测出的第一个簇信号加入到XN的补空间，

式中定义为步骤D获得的第一个簇的发送信号；

利用U_v构造新的补投影算子Q，再一次构成新的代价函数

Q=UvUvT]]>

设置权矩阵

W=I_N-Q

然后继续利用步骤D进行求解，由于第一簇的估计信号已经加入到其补空间里，因此，此时估计出的信号序列不会依然收敛于第一个簇，从而求出第二个簇的信号序列，依次类推，求出所有簇的信号；

簇内簇首节点自带的SIMO Hopfield信号检测方法

步骤F，构造簇内SIMO模型接收矩阵

设无线传感网某簇内具有qc个节点，分别发送信号至簇首，将该模型看作SIMO的有限冲激响应系统，其输出信号为：

Xc=Sc·Γc^T

式中，Xc是接收数据阵，Sc是加扰后的发送信号阵，Γc是由各节点至簇首信道的冲激响应hc_l构成的块Toeplitz矩阵；(·)^T表示矩阵转置；

其中，发送信号阵：

Sc=[sLc(t),…,sLc(t+Nc-1)]^T=[snc(t),…,snc(t-Mc-Lc)]_{Nc×(Lc+Mc+1)}，

Mc为各节点至簇首信道的阶数，Lc为均衡器阶数，Nc为簇首接收数据长度；

sLc(t)=[sc^T(t),…,sc^T(t-Lc-Mc)]^T；其中，sc(t)∈{±1}，是传感器发送的数字信号b(t)被扰码c扰动后的信号，sc(t)=c·b(t)，时刻t为正整数；

hc_l=[hc₀,…,hc_M]_qc×(Mc+1)；

Xc=[xLc(t),…,xLc(t+Nc-1)]^T是簇首接收数据阵，是Nc×(Lc+1)·qc接收数据阵，其中xLc(t)=Γc·sLc(t)；

步骤G，簇首接收数据矩阵奇异值分解：

Xc=[Ucs,Ucv]·Dc0·VcT]]>

式中，

Uc_s是奇异值分解中的Nc×(Lc+Mc+1)酉基阵；

0是(Nc-(Lc+Mc+1))×(Lc+1)q_c零矩阵；

Vc是(Lc+1)q_c×(Lc+1)q_c酉基阵；

Uc_v是Nc×(Nc-(Lc+Mc+1))酉基阵；

Dc是(Lc+Mc+1)×(Lc+1)q_c奇异值阵；

步骤H，设置Wc=Ic_N-Qc，其中Ic_N是Nc×Nc维的单位阵，

步骤I，

利用全反馈神经网络动力学方程

snc(t+1)=f(Wc·snc(t))=f(yc(t))

进行迭代，直到snc(t+1)=snc(t)；

yc(t)是由标量yc_i(t)构成的向量，wc_mm为权矩阵Wc中的元素，表示从神经元m到神经元n的联结权值，m和n为小于等于Nc的正整数；最后平衡时得到的snc(t)即为所求簇内第一个传感器的发送信号；

f(·)为连续二值激活函数，且：f(·)=tanh(·)为双曲正切函数；

步骤J，由扰码特性对求得的snc(t)解扰，得到第一个传感器的发送信号b(t)；

步骤K，由求得的snc(t)构造Sc，求得第一个传感器信道的Toeplitz矩阵Γc：

Γc=Xc^T(Sc^T)^#

其中(·)^#表示伪逆运算；

步骤L，由相关性推导出簇内其他传感器的信道；

利用该簇中所有节点的发送信号具有高互相关性的特点，对该簇中所有传感器节点进行信道盲估计与均衡；

设求得的簇首信道的Toeplitz矩阵为Γ_c1，定义对应于第a列向量为：

Hc₁(a)=[0_a-M,hc_M,…,hc₀ 0_L-a]^T

其中M≤a≤L，0_a-M即为a-M维的0向量；

求取簇内任一传感器e与簇首之间的信号相关矩阵，设定

Rle=limM→∞1MΣl=1MX1(n1l+a)XeT(nel+a)ω1e(l)]]>

其中X₁(n_1l+a)=Γ_c1·s_(Lc+Mc)1(n_1l+a)，n_1l为一正整数；当M≤a≤L且e≠1时，即有

R1e=r1eHc1(a)·HceT(a)]]>

r_1e为传感器e与簇首之间信号的相关性，其值为0.95；

获取传感器e的信道向量Hc_e(a)：

Hce(a)=1r1eR1e·Hc1(a).]]>