[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

摘要

本发明公开了无线传感网虚拟多输入多输出系统信号盲检测方法，所述方法利用无线传感器网传感器高密度分布的特点，在无线传感器网进行分簇处理的基础上，构造了一种虚拟MIMO系统盲检测模型，引入hopfield神经网络，采用多用户的Hopfield盲检测算法，实现无线传感网的接收端对簇间的簇首信号盲检测；然后将单用户的Hopfield盲检测算法，用于簇内各传感器节点信号盲检测。本发明方法在低信噪比，短数据的环境下，成功实现了盲检测，性能较好，为无线传感网提供了一种高速、低复杂度的信号盲检测方法。

主权项

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·ΓT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hjj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)=[sT(k),…,sT(k‑L‑M)]T；其中，sT(k)=[s1(k) s2(k) … sp(k)]，si(k)∈{±1},i=1,2…,p，时刻k为自然数，[·]T为矩阵转置；hjj=[h0,…,hM]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，Us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；Uv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=IN‑Q，其中IN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yi(k)构成的向量，wij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Uv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=IN‑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·ΓcT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hcl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)=[scT(t),…,scT(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；hcl=[hc0,…,hcM]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，Ucs是奇异值分解中的Nc×(Lc+Mc+1)酉基阵；0是(Nc‑(Lc+Mc+1))×(Lc+1)qc零矩阵；Vc是(Lc+1)qc×(Lc+1)qc酉基阵；Ucv是Nc×(Nc‑(Lc+Mc+1))酉基阵；Dc是(Lc+Mc+1)×(Lc+1)qc奇异值阵；步骤H，设置Wc=IcN‑Qc，其中IcN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yci(t)构成的向量，wcmm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=XcT(ScT)#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Γc1，定义对应于第a列向量为：Hc1(a)=[0a‑M,hcM,…,hc0 0L‑a]T其中M≤a≤L，0a‑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(n1l+a)=Γc1·s(Lc+Mc)1(n1l+a)，n1l为一正整数；当M≤a≤L且e≠1时，即有R1e=r1eHc1(a)·HceT(a)]]>r1e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Hce(a)：Hce(a)=1r1eR1e·Hc1(a).]]>