一種基於傳感器和量子智能計算的主用戶定位方法

2024-02-17 15:13:15 1

一種基於傳感器和量子智能計算的主用戶定位方法
【專利摘要】本發明公開了一種基於傳感器和量子智能計算的主用戶定位方法，其基於無線傳感器網絡輔助認知無線電網絡實現，包括如下步驟：步驟一網絡部署階段，步驟二定位信息收集階段，步驟三測距階段，數據融合中心對採樣到的信號強度求均值作為該錨節點的接收信號強度RSS，在對數正態陰影路徑損耗無線傳播環境模型下，根據RSS估計出主用戶和錨節點之間的距離；步驟四定位階段，將定位問題轉化為優化問題，採用量子遺傳模擬退火算法解決該優化問題，進而實現對主用戶二維空間的位置定位。本發明能夠在確保良好的定位性能的前提下，達到同時降低算法的複雜度又節約電池能耗的效果；基於量子遺傳模擬退火算法的定位方法可以獲得精確的主用戶位置信息。
【專利說明】一種基於傳感器和量子智能計算的主用戶定位方法

【技術領域】
[0001] 本發明涉及認知無線電和傳感器網絡的交叉應用領域，尤其涉及一種基於傳感器 和量子智能計算的主用戶定位方法。

【背景技術】
[0002] 隨著無線通信的應用大量增加，無線終端的數量激增，而且越來越多的移動通信 設備和通信服務的融合對更高的數據傳輸速率的需求日益增加，這造成對無線頻譜資源的 需求量將達到前所未有的程度，那麼可用的頻譜資源將會很快被消耗殆盡。而現實的問題 是，無線通信頻譜的利用效率並不高。在目前投入運營的無線頻段中，存在著許多"頻譜空 洞"（未被利用的頻譜），美國通信聯邦委員會（FCC)測量了在亞特蘭大、芝加哥等的頻譜使 用情況，研究表明，平均只有5 % -10 %的頻譜被使用，DARPA的研究表明，只有2 %的頻譜資 源是在任何時候都被佔用的（謝顯中.認知無線電技術及其應用[M].北京：電子工業出 版社，2008.)。
[0003]為此，於 1999 年JosephMitola博士提出認知無線電（CognitiveRadio,CR) 的概念（MitolaJ,MaguireJrGQ.Cognitiveradio:makingsoftwareradiosmore personal[J].IEEEPersonalCommunications, 1999, 6 (4): 13-18.)。他提出的認知無線 電是智能的、靈活的、可重構的軟體無線電。通過對外界環境的感知，並使用人工智慧技術 從環境中有目地進行學習，實現對某些操作參數（比如載波頻率、傳輸功率和調製技術等） 的實時改變，並且其內部狀態能夠自動地適應接收的無線信號的統計變化，進而實現任何 時間、任何地點的高可靠通信，以及對不同網絡環境中有限的無線頻譜資源進行高效地利 用(HaykinS.Cognitiveradio:brain-empoweredwirelesscommunications[J].IEEE JournalonSelectedAreasinCommunications, 2005, 23 (2) : 201-220.)。因此認知無 線電被認為是一種最有前途的無線通信技術之一，近些年的許多研究都集中在認知無線電 網絡。
[0004] 在認知無線電網絡中，其位置和環境認知功能旨在為無線設備和網絡提供有用的 信息，使得他們能夠互動和從周圍環境中學習。其位置認知功能為認知無線電網絡引入了 新技術和應用（基於位置信息的服務、移動性管理、安全和隱私、無縫定位和互操作性、統 計學習和跟蹤、位置估計和認知）。一個包括這些功能並被稱為位置認知引擎的架構在文 獻（CelebiH,ArslanH.Utilizationoflocationinformationincognitivewireless networks[J].IEEEWirelessCommunications，2007, 14(4) :6_13.)中被提出。如圖 1 所 示。不同的定位系統和各種定位方法之間的數據流被用於無縫定位和互操作功能中，移動 設備的跟蹤可以通過統計學習和跟蹤工具來進行，關於實施成本和系統容量的問題交由移 動性管理來處理。
[0005] 測量和（或）認知設備接口被用來從操作環境中獲取主用戶的信號，獲得的信號 被發送到位置認知中心進行數據的後處理。定位估計和（或）認知算法對這些數據進行 處理，進而獲得位置信息。在獲得主用戶的位置信息之後，其位置信息的應用可以分為四 大類：（1)基於位置信息的服務應用（例如：實時交通監控）；（2)位置信息輔助的網絡優 化應用（例如：位置信息輔助的動態頻譜接入系統）；（3)位置信息輔助的發射接收機算法 優化應用（例如：位置信息輔助的通信鏈路自適應器）；(4)位置信息輔助的周圍通信環境 認知應用（例如：位置信息輔助的信道環境識別）（CelebiH，ArslanH.Utilizationof locationinformationincognitivewirelessnetworks[J].IEEEWirelessCommunica tions, 2007, 14(4) : 6-13.)。
[0006]NamH認為，在認知無線電網絡中，主用戶的位置信息對實現頻譜資源的分配有著 非常重要的作用：已知主用戶的精確位置，就能夠估算出主用戶和次用戶之間的距離，根據 發射機與接收機的測量功率來估計出信道環境的路徑損耗因子，進而估計出主用戶和錨節 點之間的信道狀態信息（ChannelStateInformation,CSI)，這比在假設信道狀態已知的 條件下進行頻譜資源的分配更切合實際；這樣利於主用戶位置信息採用頻譜資源管理相關 算法能夠在保證主、次用戶之間正常通信的前提下，使主用戶免受錨節點的幹擾，同時保持 主用戶發射信號功率最小，進而極大地提高頻譜的利用效率，有助於實現認知無線電網絡 的優化配置，使頻譜資源的利用率和空間重用率達到最大化。
[0007]CelebiH(CelebiH,ArslanH.Utilizationoflocationinformationin cognitivewirelessnetworks[J].IEEEWirelessCommunications, 2007, 14(4) :6-13.) 認為，主用戶的位置信息對於保證認知無線電網絡頻譜認知階段的網絡安全性也具重要作 用。在頻譜感知階段，有一種稱為模擬主用戶攻擊的問題威脅著頻譜感知結果。在這種攻 擊中，攻擊者效仿主用戶信號向周圍發射信號。由於認知無線電網絡的空中接口高度靈活 且基於軟體而設計，因而使得模擬主用戶攻擊成為可能。模擬主用戶攻擊不僅嚴重幹擾了 頻譜感知過程，而且將顯著減少提供給主用戶的信道資源。為應對該威脅，文中設計了一種 基於主用戶位置信息的發射機驗證方案，通過估計主用戶的位置和觀察信號特徵來驗證一 個給定的信號是否為主用戶發射機的發射信號，進而避免模擬主用戶攻擊，提高錨節點利 用頻譜的機會。仿真結果顯示，在一定條件下，設計的基於主用戶位置信息的安全算法在避 免模擬主用戶攻擊方面是有效的。因此，主用戶的位置信息在頻譜認知過程中發揮著重要 的作用。
[0008] 根據是否需要在定位過程中對主用戶節點和次用戶之間的距離進行測量，可以把 現有定位算法分為兩大類：range-based和range-free(WernerJ，HakkarainenA，Valkama M.Estimatingtheprimaryuserlocationandtransmitpowerincognitiveradio systemsusingextendedKalmanfilters[C]? 2013IEEE10thAnnualConferenceon WirelessOn-demandNetworkSystemsandServices(WONS), 2013:68-73.)，即基於測距 的定位方法和基於非測距的定位方法。目前，現有的測距技術主要有基於RSSOteceived SignalStrength)、D0A(DirectionOfArrival)、T0A(TimeOfArrival)、TD0A(Time DifferenceOfArrival)的測距技術，基於測距的定位方法是採用這些測距技術測量用 戶間的距離、角度或到達時間等信息，根據這些信息利用特定的定位算法定位主用戶的位 置；而基於非測距的定位方法則無需這些測距信息就可實現主用戶的定位，DV-Hop算法 (DistanceVector-hop:基於距離向量-跳段的算法）、Centroid算法（質心算法）和 MDS_MAP(MultidimensionalScaling-Map:多維定標算法）算法是三種主要的基於非測距 的定位方法。
[0009] 文獻（馬志垚，陳巍，曹志剛.認知無線電網絡中基於檢測概率的主用戶定位算 法[了].北京郵電大學學報，2009,32(2):14-19.)〇\&12,〇161111^七&16€1(8,6七31^861111 range-basediterativelocalizationalgorithmforcognitiveradionetworks[J]. IEEETransactionsonVehicularTechnology, 2010, 59 (2) : 704-717.)提出了一種新的定 位算法，即基於檢測概率的三維定位算法。在認知無線電網絡中，能量檢測是檢測主用戶存 在與否的最常用的方法。次用戶可以檢測到主用戶存在的成功概率的高低與次用戶到主用 戶的距離具有很大的關係，通過對信道模型的分析和對次用戶檢測概率的估計，根據合作 頻譜認知得到的次用戶n的主用戶檢測概率與平均接收信噪比f的關係，假設信道環 境採用Rayleigh信道，可得到第n個次用戶處的接收信噪比[與次用戶n到主用戶的距 離^，以及發射信號強度A的關係。然後採用加權最小二乘迭代算法間接實現主用戶測距 及三維空間位置定位，解決認知無線電網絡中的主用戶定位的主要問題。
[0010] 文獻(WangZ,FengZ,SongJ,etal.Apracticalsemirange-based localizationalgorithmforcognitiveradio[C]?2010IEEE71stVehicular TechnologyConference(VTC201〇-Spring), 2010:1-5.)利用 了頻譜認知信息和主 從用戶之間的距離之間的潛在關係，提出了一種實用的被稱為PSRB(Practicalsemi range-based)的定位算法，該算法為了擺脫定位對主用戶發射端的先驗信息的依賴，將主 用戶的發射功率和主用戶的位置信息都作為要估計的參數，這體現了該算法的實用性。而 且採取聯合頻譜感知技術來精確地估計主用戶的佔用狀態，這使得次用戶的估計檢測概率 更精確。
[0011] 此外，還有一些研究了融合一種或者兩種方法的混合定位算法，如融合RSS和T0A 的算法，融合RSS和TD0A的算法等。
[0012] 以上這些定位方法的研究背景只是單純的認知無線電網絡，對於無線傳感器網絡 輔助認知無線電網絡的定位方法研究甚少。無線傳感器網絡以自組織的的方式進行協作， 能夠實時監測和採集網絡分布區域內的各種檢測對象的信息，並將這些信息發送到融合中 心進行融合，可實現複雜的指定範圍內目標的檢測，具有可靠性、抗毀性高的優點，並且部 署靈活、成本較低（孔德陽，梁濤，張建照，蔣慧娟.面向頻譜感知的傳感器網絡設計[J]. 電子設計工程，2012, 20(13) :65-68.)。將無線傳感器網絡引入認知無線電網絡中，將形成 一個全新的無線通信平臺--無線傳感器網絡輔助的認知無線電系統（MercierB，F〇dor V,ThobabenR,etal.Sensornetworksforcognitiveradio:Theoryandsystem design[J].ICTmobileANmmit，2008.)，該系統兼具傳感器網絡的優勢和認知無線電網絡 的認知能力，目前現有技術中還沒有將傳感器網絡和無線電網絡相結合用來定位主用戶 特別有效的方法。


【發明內容】

[0013] 針對上述技術問題，本發明提供如下技術方案：
[0014] 一種基於傳感器和量子智能計算的主用戶定位方法，基於無線傳感器網絡輔助認 知無線電網絡實現，該網絡包括主用戶、無線傳感器節點和融合中心，其步驟如下 ：
[0015] 1.步驟一：網絡部署階段；將無線傳感器錨節點部署在主用戶周圍所在 200mX200m感知區域中；
[0016] 步驟二：定位信息的收集階段，錨節點對主用戶的發射信號進行採樣接收，並將每 個錨節點測量接收到的主用戶的信號強度RSS發送至數據融合中心；
[0017] 步驟三：在測距階段，數據融合中心根據該錨節點的接收信號強度計算出路徑損 耗，對每個錨節點的RSS進行採樣求平均值，將得到的均值作為該錨節點實際的接收信號 強度：

【權利要求】
1. 一種基於傳感器和量子智能計算的主用戶定位方法，基於無線傳感器網絡輔助認知 無線電網絡實現，該網絡包括主用戶、無線傳感器節點和融合中心，其步驟如下 ： 步驟一：網絡部署階段；將無線傳感器錨節點部署在主用戶周圍所在200mX200m感知 區域中； 步驟二：定位信息的收集階段，錨節點對主用戶的發射信號進行採樣接收，並將每個錨 節點測量接收到的主用戶的信號強度RSS發送至數據融合中心； 步驟三：在測距階段，數據融合中心根據該錨節點的接收信號強度計算出路徑損耗，對 每個錨節點的RSS進行採樣求平均值，將得到的均值作為該錨節點實際的接收信號強度：
其中，M為採樣次數，RSSu為第i個錨節點在第j次的接收信號強度； 據此估計出主用戶和錨節點之間的距離； 步驟四：將定位問題轉化為優化問題，採用量子遺傳模擬退火算法對主用戶進行二維 空間裡兩種場景下的位置定位，並對影響定位性能的因素進行了分析。
2. 根據權利要求1所述的一種基於傳感器和量子智能計算的主用戶定位方法，其步驟 一中網絡部署結構根據主用戶和錨節點所處的相對位置的不同分為主用戶位於錨節點組 成的凸包內和凸包外兩種網絡部署結構。
3. 根據權利要求1所述的一種基於傳感器和量子智能計算的主用戶定位方法，其步驟 二中按照距離主用戶最近的原則選取合適數量的錨節點來接收信號，並將它們的RSS發送 至數據融合中心進行處理。
4. 根據權利要求1所述的一種基於傳感器和量子智能計算的主用戶定位方法，其步驟 三中測量距離的方法根據對數正態陰影路徑損耗模型計算出信號傳播的路徑損耗，進而求 出主用戶發射機和錨節點接收機之間的距離； 基於RSS的測距方法採用的無線傳播信道環境模型設定為對數正態陰影路徑損耗模 型，其數學模型為：
其中Cltl表示參考距離，一般取經驗值ImTL(Clci)表示在Cltl處的路徑損耗，η為與環境 相關的路徑損耗指數，其取值見表1，Χ。代表一個具有〇均值且標準差為σ的高斯隨機變 量；據此模型估計主用戶和錨節點之間的距離d;
表1。
5. 根據權利要求1所述的一種基於傳感器和量子智能計算的主用戶定位方法，其步驟 四中將定位問題轉化為優化問題的方法如下： 假設二維空間的認知無線電網絡中含有N個錨節點，1個主用戶；使用向量Θ= [Z1,Z2，…，zN]代表錨節點的初始坐標，其中Zi = [Xi,yj'i= 1，2,…N，表示第i個錨節 點的坐標，i為該用戶在網絡中的唯一標示符；對待定位的主用戶，設其坐標為（x，y)，測得 N個錨節點與主用戶的距離分別為rf,^,，用戶定位問題的實質便轉化為求解下式的 優化問顥： 1 - 1
其中N為錨節點的數量，（x，y)為待定位的主用戶位置，（Xi，yi)為第i個錨節點的位 置，i為第i個錨節點到主用戶的估計距離。
6. 根據權利要求1所述的一種基於傳感器和量子智能計算的主用戶定位方法，其步驟 四中的定位性能是指選擇定位結果的平均定位誤差MeanError來評估採用的定位算法的 性能；
其中，N為定位主用戶的次數，（x，y)和分別是主用戶的實際位置和第i次的QGSA定位估計位置； 那麼，定義本發明採用的QGSA算法的適應度函數fitnessO為：
其中，N為選擇到距離主用戶最近的錨節點數，（Xi，yi)為第i個錨節點的位置， 為主用戶的估計位置，i為第i個錨節點與主用戶之間的估計距離； 通過QGSA算法求解該適應度函數的最優解實現對認知無線電網絡主用戶定位模型的 求解。
7. 根據權利要求6所述的一種基於傳感器和量子智能計算的主用戶定位方法，其QGSA 算法的實現過程為： 步驟1 :參數設置及種群初始化： 參數設置：量子遺傳操作的種群規模pop、染色體編碼長度length、進化代數maxgen、 量子變異概率Pv、轉角步長Λθ;模擬退火操作的初始溫度T、退火係數λ、每一固定溫度 下的迭代次數為L、更新解的概率Praew、學習步長step、搜索半徑sR; 種群的初始化：隨機生成初始化種群QUtl)，種群由量子染色體構成，在第t代的種群 為ρ(〇 =+!?···，〇染色體<定義如下：
將全部pop條染色體的2popXlength個概率幅都初始化為I/ ^ ,那麼在第1代時，所 有染色體均以相同的概率I/^處於所有可能狀態的線性疊加態之中，即
其中sk是由二進位串（X1X2. ..xm)描述的第k個狀態，Xi = 0, 1，i= 1，2,…，length; 那麼，初始化的種群
步驟2 :通過觀察測量QUci)的狀態來生成二進位解集PUci) = (X1,X2, ...，x_),每個 解= 是一個由〇和1組成的長度為length的二進位串，其值是0還是1 要由相應量子位的觀測概率β丨2或|/<|(i= 1,2,…,/ewgi/i)決定； 步驟3:評估PUtl)的適應度函數值，以函數fitness(x，y)為適應度函數進行評估； 步驟4:記錄PUtl)中最佳適應度函數值及對應最佳個體作為下一步種群更新的目標； 步驟5:對當代的種群進行量子交叉、更新和變異，得到子代Q(t+1); a) 量子交叉：採用全乾擾交叉，該交叉方式在所有的染色體之間進行交叉； b) 量子更新：採用適當的量子旋轉門來實現，採用的量子旋轉門為：
量子態的更新策略（ct ' i β ' D = U ( Θ D · ( a i β D，即
/ ·\ 其中，$是染色體中第i位量子位，Si是量子旋轉門旋轉角，其大小、方向可以通過 相應的資料查得； c) 量子變異：對選中的個體按照變異概率確定若干個量子位，對選中的量子位進行非 f αΛ fβΛ 門操作，即當前量子位為Λ *變異後為 ，即可實現量子變異操作； \aI J 步驟6 :模擬退火操作： 1)依據遺傳操作求得的當前最優解S生成新解S'，新解的產生方法如下：
其中s，S'分別代表了當前解和產生的新解，U(a，b)表示隨機產生的a?b之間的任 何值，P為取值在〇. 3-0. 4之間的概率值，sR為算法搜索半徑，step學習步長；具體操作時， 若溫度較高，新解的產生採用式（12);若溫度較低，新解的產生則採用式（13); 2) 求解當前解與新解之間的能級差△ =f(S)-f(S'）； 3) 評估新解S'，根據Metropolis接收準則來判斷接收或拋棄新解；Metropolis接收 準則表達式可表述如下：
其中P^s,表示由當前解S向這新解S'的轉換接收概率，Λ=f(S)-f(S'）表示狀態 間能級的差值，當能級增量△< 〇時，接收新狀態，否則以某一概率接收新狀態； 4) 判斷當前溫度是否足夠低，當溫度不夠低時，繼續進行模擬退火操作；當溫度足夠 低，停止模擬退火操作，並記錄目前最佳適應度函數值及最佳個體，將最佳個體作為下一次 種群更新的目標，繼續步驟7; 步驟7 :判斷遺傳操作是否達到最大進化代數maxgen，若沒有達到，繼續步驟5-6 ;若 達到，算法結束。
8.根據權利要求1所述的一種基於傳感器和量子智能計算的主用戶定位方法，其應用 量子遺傳模擬退火算法實現主用戶定位的具體步驟如下： 步驟1 :參數設置及種群初始化： 參數設置：主用戶發射功率Pt、路徑損耗指數η、量子遺傳操作的種群規模pop、染色 體編碼長度length、進化代數maxgen、量子變異概率Pv、轉角步長ΔΘ;模擬退火操作的 初始溫度T、退火係數λ、每一固定溫度下的迭代次數為L、更新解的概率Pmiot、學習步長 step、搜索半徑sR; 種群的初始化：隨機生成初始化種群QUtl)，種群由量子染色體構成，在第t代的種群 為0(0 =丨"…染色體<定義如下：
將全部pop條染色體的2popXlength個概率幅都初始化為〖1 ，那麼在第1代時，所 有染色體均以相同的概率I/處於所有可能狀態的線性疊加態之中，即
其中Sk是由二進位串（X1X2. . .Xm)描述的第k個狀態，Xi = 0, 1，i= 1，2,···，length; 那麼，初始化的種群！
步驟2 :通過觀察測量QUci)的狀態來生成二進位解集PUci) = (X1,X2,...，x_),每個 解= …JengiA)是一個由〇和！組成的長度為iength的二進位串，其值是〇還是1 要由相應量子位的觀測概率或I貧f(/ = 1,2,…,/?igrt)決定； 步驟3 :評估PUtl)的適應度函數值，適應度函數為上述的將定位問題轉化為優化問題 的救受摁型.
步驟4:記錄Patl)中最佳適應度函數值及對應最佳個體作為下一步種群更新的目標； 步驟5 :對當代的種群進行量子交叉、更新和變異，得到子代Q(t+1); d) 量子交叉：採用全乾擾交叉，該交叉方式在所有的染色體之間進行交叉； e) 量子更新：採用適當的量子旋轉門來實現，採用的量子旋轉門為：
量子態的更新策略（a'iβ'D=U(ΘD· (aiβD，即
其中，是染色體中第i位量子位，Si是量子旋轉門旋轉角，其大小、方向可以通過 相應的資料查得； f) 量子變異：對選中的個體按照變異概率確定若干個量子位，對選中的量子位進行非 fa \ fβ\ 門操作，即當前量子位為j，變異後為 ，即可實現量子變異操作； KAJ KaJ 步驟6 :模擬退火操作： 5)依據遺傳操作求得的當前最優解S生成新解S'，新解的產生方法如下：
其中S，S'分別代表了當前解和產生的新解，U(a，b)表示隨機產生的a?b之間的任 何值，P為取值在0. 3-0. 4之間的概率值，SR為算法搜索半徑，step學習步長；具體操作時， 若溫度較高，新解的產生採用式（12);若溫度較低，新解的產生則採用式（13); 6) 求解當前解與新解之間的能級差Λ=f(S)-f(S'）； 7) 評估新解S'，根據Metropolis接收準則來判斷接收或拋棄新解；Metropolis接收 準則表達式可表述如下：
其中P^s,表示由當前解S向這新解S'的轉換接收概率，Λ=f(S)-f(S'）表示狀態 間能級的差值，當能級增量△< 〇時，接收新狀態，否則以某一概率接收新狀態； 8) 判斷當前溫度是否足夠低，當溫度不夠低時，繼續進行模擬退火操作； 當溫度足夠低，停止模擬退火操作，並記錄目前最佳適應度函數值及最佳個體，將最佳 個體作為下一次種群更新的目標，繼續步驟7 ; 步驟7 :判斷遺傳操作是否達到最大進化代數maxgen，若沒有達到，繼續步驟5-6 ;若 達到，算法結束；此時搜索到的最終解所對應的變量值即為QGSA算法對主用戶的定位結果 (%Λ.、 Iχ\γ& \j
【文檔編號】H04W64/00GK104320845SQ201410321036
【公開日】2015年1月28日 申請日期:2014年7月4日 優先權日:2014年7月4日
【發明者】李飛, 季薇, 肖嬋嬋, 葛文雪, 吳銘燁 申請人:南京郵電大學, 華為技術有限公司