[发明专利]一种无线传感器网络汇聚节点下行传输干扰抑制方法

权利要求书

1.一种无线传感器网络汇聚节点下行传输干扰抑制方法，其特征在于，该方法基于的无线传感器网络架构包括1个配置有M根天线的汇聚节点和N个配置有单根天线的传感器节点，其中M、N均为1以上的自然数，具体包括以下步骤：

步骤1，汇聚节点选择P个不同时刻，在每一个时刻向网络中的所有传感器节点广播训练信号，其中P为1以上的自然数；

步骤2，各传感器节点根据接收到的每一次训练信号采用信道估计方法，获得各传感器节点与汇聚节点之间信道的统计自相关矩阵R_n(p)，并将信道统计自相关矩阵反馈给汇聚节点，其中表示M×M维的复矩阵，n＝1,2,…,N、p＝1,2,…,P；

步骤3，汇聚节点将不同时刻反馈得到的各传感器节点的信道统计自相关矩阵作为反映信道状态信息的样本，构建以汇聚节点下行传输总功率最小化为目标函数、传感器节点接收信干噪比下限和干扰信号功率上限为约束条件的干扰抑制优化问题；

步骤4，通过对约束条件中的样本进行特征值分解，并对优化问题中的复向量进行实数化处理，将优化问题转换为标准的支持向量回归机问题，进而求解得到汇聚节点相对于各传感器节点的下行传输权向量；

步骤5，汇聚节点在信号传输阶段对各传感器节点的传输信号乘以步骤4所得的相应下行传输权向量，实现对信号干扰的抑制。

2.根据权利要求1所述的无线传感器网络汇聚节点下行传输干扰抑制方法，其特征在于，步骤3中所述构建以汇聚节点下行传输总功率最小化为目标函数、传感器节点接收信干噪比下限和干扰信号功率上限为约束条件的干扰抑制优化问题，具体为：

(3.1)令汇聚节点下行传输总功率为P_T，则：

$P_T=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|w_n\left|\right|}_F^2$

式中，w_n为汇聚节点对第n个传感器的下行传输权向量，||·||_F为Frobenius范数；

令第n个传感器节点接收信干噪比为SINR_n，则：

${\mathrm{SINR}}_n=\frac{w_n^H{R}_n\left(p\right)w_n}{\underset{i=1,i\≠n}{\overset{N}{\mathrm{\Σ}}}{w}_i^H{R}_n\left(p\right)w_i+{\mathrm{\σ}}^2},n=\mathrm{1,2},...,N$

其中，σ²为噪声功率，(·)^H为共轭转置运算符；

令干扰信号功率为P_I,n,i，则n＝1,2,…,N，i≠n；

(3.2)采用汇聚节点下行传输总功率最小化准则，分别以传感器节点接收信干噪比下限和干扰信号功率上限为约束条件，则系统干扰抑制问题的优化方程为：

${\left\{w_n\right\}}_{n=1}^N=\arg \underset{{\left\{w_n\right\}}_{n=1}^N}{\min }\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|w_n\left|\right|}_F^2$

$s.t.\frac{w_n^H{R}_n\left(p\right)w_n}{\underset{i=1,i\≠n}{\overset{N}{\mathrm{\Σ}}}{w}_i^H{R}_n\left(p\right)w_i+{\mathrm{\σ}}^2}\≥{\mathrm{\γ}}_n^{\mathrm{th}},n=\mathrm{1,2},...,N,p=\mathrm{1,2},...,P$

n＝1,2,…,N,i≠n and p＝1,2,…,P

其中，表示第n个传感器节点接受信干噪比下限阈值，Δ_n,i表示第n个传感器节点对其它传感器节点的干扰功率上限阈值。

3.根据权利要求2所述的无线传感器网络汇聚节点下行传输干扰抑制方法，其特征在于，步骤4所述通过对约束条件中的样本进行特征值分解，并对优化问题中的复向量进行实数化处理，将优化问题转换为标准的支持向量回归机问题，进而求解得到汇聚节点相对于各传感器节点的下行传输权向量，具体如下：

(4.1)利用优化方程的第二个约束，将第一个约束条件重新表示为：

$w_n^H{R}_n\left(p\right)w_n\≥{\mathrm{\γ}}_n^{\mathrm{th}}(\underset{i=1,i\≠n}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{n,i}+{\mathrm{\σ}}^2)$

由于w_n取得最优解时等式成立，约束条件进一步表示为：

$w_n^H{R}_n\left(p\right)w_n={\mathrm{\γ}}_n^{\mathrm{th}}(\underset{i=1,i\≠n}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{n,i}+{\mathrm{\σ}}^2)$

(4.2)对信道的统计自相关矩阵R_n(p)进行特征值分解，在信道强相关情况下得：

$w_n^H{R}_n\left(p\right)w_n\≈{\mathrm{\δ}}_{n,1}\left(p\right){\left|w_n^H{v}_{n,1}\left(p\right)\right|}^2$

其中，δ_n,1(p)为R_n(p)的最大特征值，v_n,1(p)为δ_n,1(p)对应的特征向量；

(4.3)通过对向量v_n,1(p)进行旋转，优化方程的第一个约束条件表示为：

$\mathrm{Re}\left(w_n^H{v}_{n,1}\left(p\right)e^{{\mathrm{j\φ}}_{1,p}}\right)\≈\sqrt{{\mathrm{\γ}}_n^{\mathrm{th}}(\underset{i=1,i\≠n}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{n,i}+{\mathrm{\σ}}^2)/{\mathrm{\δ}}_{n,1}\left(p\right)}$

其中，φ_1,p为向量v_n,1(1)和v_n,1(p)的夹角，Re(·)表示取复数的实部；

(4.4)采用与步骤(4.2)、(4.3)相同的过程，在信道强相关情况下，优化方程的第二个约束条件表示为：

$\mathrm{Re}\left(w_n^H{v}_{i,1}\left(p\right)e^{{\mathrm{j\φ}}_{1,p}}\right)\≈\sqrt{{\mathrm{\Δ}}_{n,i}/{\mathrm{\δ}}_{i,1}\left(p\right)}$

(4.5)通过对约束条件的近似，第n个传感器节点的优化方程重新构建为：

$w_n=\arg \underset{w_n}{\min }{\left|\right|w_n\left|\right|}_F^2$

s.t.$\mathrm{Re}\left(w_n^H{v}_{i,1}\left(p\right)e^{{\mathrm{j\φ}}_{1,p}}\right)\≈d_{n,i}\left(p\right),$i＝1,2,…，N，p＝1,2,…,P

其中

$d_{n,i}\left(p\right)=\left\{\begin{array}{cc}\sqrt{{\mathrm{\γ}}_n^{\mathrm{th}}(\underset{i=1,i\≠n}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{n,i}+{\mathrm{\σ}}^2)/{\mathrm{\δ}}_{n,1}\left(p\right)}& n=i\\ \sqrt{{\mathrm{\Δ}}_{n,i}/{\mathrm{\δ}}_{i,1}\left(p\right)}& n\≠i\end{array}\right.$

(4.6)对优化方程进行实数化处理，首先构造实数向量：

${\tilde{w}}_n={[\mathrm{Re}\left(w_n^T\right),\mathrm{Im}\left(w_n^T\right)]}^T$

式中，(·)^T为共轭转置运算符，Im(·)表示取复数的虚部；

然后将步骤(4.5)中的优化方程实数化表示为：

${\tilde{w}}_n=\arg \underset{{\tilde{w}}_n}{\min }{\left|\right|{\tilde{w}}_n\left|\right|}_F^2$

s.t.${\tilde{w}}_n^T{\tilde{v}}_i\left(p\right)\≈{\tilde{d}}_{n,i}\left(p\right),$i＝1,2,…,N,p＝1,2,…,2P

其中，

${\tilde{d}}_{n,i}\left(p\right)=\left\{\begin{array}{cc}\mathrm{Re}\left(d_{n,i}\left(p\right)\right)& p=\mathrm{1,2},...,P\\ \mathrm{Im}\left(d_{n,i}(p-P)\right)& p=P+1,P+2,...,2P\end{array}\right.$

(4.7)利用支持向量回归机求解汇聚节点下行传输权向量，得到的第n个传感器节点的下行传输权向量为：

${\tilde{w}}_n=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{2P}{\mathrm{\Σ}}}(a_i^{*}\left(p\right)-a_i\left(p\right)){\tilde{v}}_i\left(p\right)$

式中，α和α^*通过求解如下二次方程获得：

$L(a,a^{*})=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{2P}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{2P}{\mathrm{\Σ}}}(a_i^{*}\left(p\right)-a_i\left(p\right))(a_j^{*}\left(q\right)-a_j\left(q\right)){\tilde{v}}_i^T\left(p\right){\tilde{v}}_j\left(q\right)$

$-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{2P}{\mathrm{\Σ}}}(a_i^{*}\left(p\right)-a_i\left(p\right)){\tilde{d}}_i\left(p\right)+\mathrm{\ϵ}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{p=1}{\overset{2P}{\mathrm{\Σ}}}(a_i^{*}\left(p\right)+a_i\left(p\right))$

其中，ε≥0为支持向量回归机不敏感损失函数系数。