[发明专利]基于分簇的多层MIMO无线传感器网络盲检测方法

摘要

本发明提出了基于分簇的多层MIMO无线传感器网络盲检测方法。所述方法包括两层MIMO，第一层为Sink节点负责的至少两个区域的智能传感器节点构成的MIMO，通过基于二阶统计量的盲检测实现了分层WSN中多区域MIMO信道中的信号恢复；第二层为Sink节点间的多跳构成的MIMO，结合基于混沌初始化的正反馈Hopfield神经网络CPFHNN盲检测算法，并引入信号空间删除法和连续信号干扰法来分离多发送天线的数据，进行Sink节点间的MIMO信道的信号检测，本发明方法提高了簇内传输系统的通信效率和可靠性，有效的减少了无线传感器网络的能耗。

主权项

1.基于分簇的多层MIMO无线传感器网络盲检测方法，其特征在于，所述方法包括WSN的簇内MIMO盲检测方法和WSN的Sink节点间多跳MIMO盲检测方法；其中，WSN表示无线传感器网络；所述WSN的簇内MIMO盲检测方法，用于实现分层WSN中多区域MIMO信道中的信号恢复；所述WSN的Sink节点间多跳MIMO盲检测方法，用于进行Sink节点间的MIMO信道的信号检测；所述WSN的簇内MIMO盲检测方法，其实现步骤如下：步骤A1，构造簇内MIMO预编码器：对于P输入Q输出簇内MIMO的源发送信号si(n),1≤i≤P，进行预编码处理：xi(n)＝[si(n)ci(n)]*pi(n)其中，n为信号第n个采样周期；xi(n)为簇内MIMO的第i个发送信号；ci(n)为si(n)的扰码，pi(n)为si(n)的频移预编码，*为卷积运算；频移编码pi(n)＝ρi,0δ(n)+ρi,1δ(n‑1)+…+ρi,Lδ(n‑L)，δ(n)为单位冲激函数；L为预编码阶数，且L＝4P‑1，对于频移编码pi(n)的系数ρi,l,0≤l≤L，其值为：α，β为固定的编码系数，l为预编码系数索引；步骤B1：构造簇内MIMO信道接收矩阵：Y(n)＝HX(n)+V(n)式中，X(n)＝[x1(n),…,xP(n)]T为发送序列矩阵，P为系统发送天线个数；Y(n)＝[y1(n),…,yQ(n)]T为接收序列矩阵，Q为系统接收天线个数；[ ]T表示矩阵转置；H为P×Q阶传输信道矩阵；V(n)为加性高斯白噪声矩阵；步骤C1，构建接收信号自相关矩阵：RY(τ)＝Ε(Y(n)·Y(n‑τ)H)式中，Y(n‑τ)H为接收序列矩阵τ延时的共轭转置；当选取延时因子τ＝4i‑1时，发送信号自相关矩阵RX(τ)为RX(τ)＝2αβZi,τ＝4i‑1式中，Zi是P×P的方阵且其第(i,i)个元素为1，其他元素为0；则接收信号自相关矩阵为：RY(τ)＝HRX(τ)HH＝2αβHZiHH＝2αβhihiH其中，hi为信道矩阵H的第i列，所以RY(τ)是秩为1的非满秩矩阵；步骤D1，非满秩矩阵R的奇异值分解：式中，[U,UC]和V为正交矩阵；D为非零对角阵，U为酉矩阵；UC是非满秩矩阵R通过奇异值分解得到的酉矩阵，即R的噪声子空间；步骤E₁，获取发送信号x_i(n)的估计信号τi,j,1≤j≤P‑1表示估计第i个发送序列选取的延时因子，将τi,j不断代入自相关矩阵RY(τi,j)，对RY(τi,j)进行奇异值分解；依次求得矩阵(Γi,1…Γi,j‑1)H RY(τi,j)(Γi,1…Γi,j‑1)的噪声空间Γi,j，分别求得酉矩阵Γi,1,Γi,2,…,Γi,P‑1，其中Γi,k为RY(τi,k)的噪声空间，1≤k≤j‑1；选取矩阵(Γ_i,1Γ_i,2…Γ_i,P‑1)的任意列向量α_i，得x_i(n)的估计序列所述WSN的Sink节点间多跳MIMO盲检测方法，其实现步骤如下：步骤A2，构造簇外MIMO信道输出矩阵模型：(y(n))Q×1＝(HH)Q×(M+1)P·ss(n)+vv(n)式中，HH＝[HH0,…,HHM]为传输信道矩阵；(y(n))Q×1为接收序列向量，其中，Q为输出信号个数；ss(n)＝[ssT(n),…ssT(n‑M)]T为发送序列向量，其中，M＝max{Mi|i＝1,…,P}，P为输入信号个数，Mi为子信道HHi的阶数；vv(n)∈R为加性噪声向量，时刻n为第n个采样周期；步骤B2，构造接收信号矩阵通过均衡器的矩阵表达式：式中，W＝(w1,w2,…,wP)((L+1)Q)×P为均衡器的权矩阵，其中，wi(1≤i≤P)为均衡器的权值；YN＝{[yL(n),yL(n+1),…yL(n+N‑1)]T}N×(L+1)Q为接收序列矩阵；SSN＝[SN1,SN2,…,SN(M+L)]N×(M+L+1)P为发送序列矩阵；其中，SNj＝{[ss(n‑j),…,ss(n‑j+N‑1)]T}N×P,j＝0,…,M+L；为发送序列的估计矩阵；ΓL(Η)是Toeplitz矩阵，ΓL(Η)∈Rq(L+1)×p(M+L+1)，其中q为过采样因子；VV为加性噪声矩阵；E0＝VV·W＝{[ε1,ε2,…,εP]T}N×P为残差矩阵，N为接收矩阵连续采样个数，εi(1≤i≤P)为残差矩阵的第i列；步骤C2，结合基于混沌初始化正反馈的Hopfield神经网络进行估计：式中，Q'为新的值空间补投影算子；argmintrace(·)为求矩阵最小迹运算；0＜ρ＜1为上限因子，且ρ＝0.4；表示连续N个ss采样序列矩阵中第i个采样序列的估计；为两个信号序列ss_i(n)和ss_j(n)的相关系数，其中为发送序列i的方差；步骤D2，恢复发送序列矩阵，具体包括步骤如下：引入信号空间删除法CPFHNN‑SSC和连续干扰抵消法CPFHNN‑SIC两种方法，求得步骤C2中的Q'值，实现基于MIMO的无线传感器网络系统对多发送信号的分离；步骤D2‑1，MIMO系统的CPFHNN‑SSC盲检测：对式进行奇异值分解，得[U1,Σ1,V1]＝SVD(U'n)式中，为发送序列的第i个估计序列；U_n为接收矩阵序列Y_N的补空间，U′_n为加入Y_N补空间生成的矩阵；SVD(·)表示奇异值分解运算；为U'_n奇异值对应的酉矩阵，U_1s为U'_n的正交基阵，U_1n为U'_n的噪声子空间；Σ1为奇异值矩阵；V1酉矩阵；得到新的补空间为：UnNEW＝(U1s)N×(N‑(L+1)q+(M+1))再由上式重新构补投影算子步骤D2‑2，MIMO系统的CPFHNN‑SIC盲检测：构建信道转移估计矩阵：式中，为第i发送天线到第k个接收天线的信道转移估计；τ为延迟因子；yk(n)为接收端的第k个接收序列；E{·}为求均值运算；为发送序列ss的第i个估计序列；重新构造已恢复序列在接收端的影响构建删除干扰接收序列y'k(n)：重新构造删除干扰接收矩阵Y'N＝[y'1(n),y'2(n),…,y'q(n)]，求出Y'N的Q'补投影算子；返回步骤C2，利用基于混沌初始化正反馈的Hopfield神经网络进行求解，恢复出第二个发送序列，进而恢复出所有发送序列。