佘昕宸,刘兆霆,李子愚
(杭州电子科技大学通信工程学院,浙江 杭州 310018)
无线传感器网络(Wireless Sensor Networks, WSNs)通常由大量具有集成感知、信号处理和通信能力的微小型传感器节点组成,在环境检测[1]、目标跟踪[2]和工农业控制[3]等领域均有广泛应用。在带有融合中心(Fusion Center, FC)的集中式传感器网络参数估计[4]问题中,传感器节点将采集到的数据发送到融合中心,融合中心采用相应的算法对接收到的数据进行未知参数估计。一般情况下,考虑到传感器节点受到带宽、能量和计算能力[5-7]的限制,通常将每个传感器节点的采样信号值压缩至多比特或1比特信息值后再传输到融合中心进行集中处理。目前,国内外已有大量基于多比特或1比特参数估计算法[8-14]的研究。大多数算法采用的是基于1比特的参数估计算法,这些算法都有各自的优点,但一般只考虑加性噪声,很少考虑乘性噪声的情况,而事实上,乘性噪声[12-14]在实际当中经常出现(如多径信道)。文献[12]提出一种基于乘性高斯噪声环境下的1比特量化参数估计,但该算法基于批处理的方法,当传感器节点数量增加时,容易造成数据冗余。相比于批处理的方法,在线处理的方法具有更低的复杂度和存储要求,并且能实现对慢变参数的在线估计。在文献[12]的基础上,本文利用网络各个节点的模拟信号值(无限比特)和利用其1比特量化值,分别提出相应的自适应最大似然估计算法。
图1 二值传感器网络的参数估计模型
假设一个无线二值传感器网络参数估计模型如图1所示。通过各个传感器节点采集到的数据来获得感兴趣的未知物理量(如温度、气压)θ的估计值。假设节点k获得的采样信号为xk,并与未知参数θ满足如下关系:
xk=hkθ+vk,k=1,2,…
(1)
xk=θ+zkk=1,2,…
(2)
(3)
首先,本文给出一种基于采样信号值{xk}的最大似然(Maximum Likelihood, ML)自适应参数估计算法,然后在此基础上推导出一种基于1比特量化数据{yk}的自适应参数估计算法。
假设每个节点发送给融合中心的采样信号{xk}是相互独立的,那么参数θ的最大似然估计可以表示为
(4)
(5)
式中,rk,sk和tk分别满足下列关系
(6)
观察式(6)可以发现,在每次接收传感器节点发送过来的采样信号后,都需要重复计算前k-1个求和项,当k较大时,将导致较大的运算量和时延。为了解决这个问题,需要进一步简化。注意到满足下列递推关系
(7)
在2.1节中提出的自适应参数估计算法是基于采样信号值{xk},各个节点将它们发送到融合中心时需要消耗较大的通信资源。本文提出一种基于量化比特数据{yk}的最大似然自适应参数估计算法。
为了降低通信的成本,运用式(3)将传感器节点获得的采样信号值压缩到1 bit,然后再传到融合中心进行处理。在这种情况下,基于量化比特数据{yk}的最大似然估计表示为
(8)
(9)
(10)
(11)
(12)
(13)
同样地,为了得到未知参数的估计值,对代价函数式(12)求关于θ的导数,并令其等于0,得到下列方程:
(14)
(15)
(16)
(17)
将式(16)和式(17)代入式(13),并改写为如下递推形式
(18)
其中fk和gk定义如下:
(19)
初始化:令θ ^0=0,r0=1,s ^0=0,^t0=0for k=1,2,… rk=λrk-1+1, α^k-1=θ ^k-1-τσ2eθ ^2k-1+σ2v s ^k=λs ^k-1+fk, fk≜θ ^k-1+ykδ^z,k-1Ωykα^k-1 ^tk=λ^tk-1+gk, gk≜θ ^2k-1+δ^2z,k-1+yk(θ ^k-1+τ)Ω(ykα^k-1)求解关于ξ的方程rkσ4eξ3+σ2es ^kξ2+(rkσ2v-σ2e^tk+rkσ2eσ2v)ξ-σ2vs ^k=0,得到3个根ξ1,ξ2,ξ3,满足代价函数rk2lg(δ2eξ2+δ2v)+^tk-2ξs ^k+rkξ22(δ2eξ2+δ2v)最小的根即为θ ^k。end
图2 不同算法的MSD对比
图3 遗忘因子对MSD的影响
图4 不同噪声方差对MSD的影响
本文研究多径环境下传感器网络的在线参数估计问题,结合期望最大化算法,分别利用模拟采样信号值和1比特量化值提出了自适应最大似然参数估计算法,解决了多径环境下估计精度较低的问题。另外,本文算法是在假设噪声方差已知情况下提出的,对于方差未知情况下的算法有待进一步研究。