基於卡爾曼濾波的湖泊生態智能感測方法
2023-06-06 00:26:36
基於卡爾曼濾波的湖泊生態智能感測方法
【專利摘要】本發明公開了一種基於卡爾曼濾波的湖泊生態智能感測方法，所述方法包括：給出噪聲平均功率波動性；利用ARMA卡爾曼濾波對所述噪聲進行跟蹤；對於高斯白噪聲信道，利用動態門限頻譜感測方法對生態進行智能感測；對於多徑頻選衰落信道，利用卡爾曼濾波對衰落信道跟蹤方法進行相關信息跟蹤，並通過協作動態門限頻譜感測方法對生態進行智能感測；對於高斯白噪聲和平坦衰落信道，利用高階循環平穩特徵感測方法進行感測，利用卡爾曼濾波的協作循環平穩特徵感測方法對抗頻選衰落信道。本發明提供的感測方法有效降低了湖泊生態監測感知系統中高密度傳感節點間的同道幹擾、增強了傳感節點間數據傳輸的並發性。
【專利說明】基於卡爾曼濾波的湖泊生態智能感測方法
【技術領域】
[0001]本發明涉及無線通信【技術領域】，尤其涉及一種基於卡爾曼濾波的湖泊生態智能感測方法。
【背景技術】
[0002]由於無線傳感器網絡(WSN)工作在的頻段是未授權頻段，目前越來越多的無線通信技術共享此頻段，造成該頻段越來越擁擠。認知無線電技術作為解決頻譜資源受限的良好技術被引入到無線傳感器網絡中。認知無線傳感器網絡(CRSN)開始得到深入的研究
[0003]認知無線傳感器網絡(CRSN)近年成為研究熱點問題，傳感節點能量、路由、時空動態監測網絡系統與虛擬仿真決策支持等方面成為主要研究方向。認知無線傳感器網絡(CRSN)通過認知傳感節點進行數據採集，通過無線傳感器網絡傳輸數據，然而在高密度傳感節點的通信網絡環境中，節點間存在同道幹擾。如何能夠在極少的網絡資源限制下，及時、同步的將數據傳輸出去也是無線傳感器網絡(WSN)亟待解決的問題，而基於認知無線傳感器網絡(CRSN)的動態頻譜訪問是實現此目標的一種重要手段，認知無線傳感器網絡(CRSN)系統中協作頻譜感測原理如圖1所示。目前，針對認知無線傳感器網絡(CRSN)的動態頻譜訪問現有技術存在如下缺點:
[0004](I)噪聲的波動導致信號感測性能急劇下降，未提出噪聲平均功率波動性思想；
[0005](2)未有效提出對抗噪聲平均功率波動性方案；
[0006](3)未提出噪聲平均功率的跟蹤方法；
[0007](4)未解決由於多徑衰落信道和陰影衰落信道導致感知用戶接收到的授權用戶的SNR變小而加劇生態智能感測難度問題；
[0008](5)湖泊地理特性導致生態智能感測時需要布設高密度傳感節點，此高密度傳感節點的認知無線傳感器網絡存在明顯的同道幹擾，影響感測數據的並發性傳輸，降低信道利用率，此問題並未得到很好的解決。
[0009]湖泊溼地生態經濟區物聯網應用示範項目的建設，離不開認知無線傳感器網絡技術的生態智能監測感知系統。由於湖泊溼地生態區涵蓋面積廣，溼地區域間生態環境存在一定的差異性，因此，不同區域布設傳感節點的密度不同，生態監控系統的有效性將取決於高密度傳感節點間信道協作感測性能，高魯棒的傳感節點頻譜感測算法將降低傳感節點間的同道幹擾，增強節點間數據傳輸的並發性，提高認知無線傳感器網絡的信道利用率。
[0010]因此，本領域的技術人員致力於開發一種湖泊生態智能感測方法，有效降低湖泊生態監測感知系統中高密度傳感節點間的同道幹擾、增強傳感節點間數據傳輸的並發性、明顯提高認知無線傳感器網絡的信道利用率、促進湖泊生態環境保護與治理的可控性，
【發明內容】
[0011]有鑑於現有技術的上述缺陷，本發明所要解決的技術問題是提供一種基於卡爾曼濾波的湖泊生態智能感測方法，給出高魯棒性的噪聲跟蹤算法和協作頻譜感測方法，降低湖泊生態監測感知系統中高密度傳感節點間的同道幹擾、增強傳感節點間數據傳輸的並發性、明顯提高認知無線傳感器網絡的信道利用率。
[0012]為實現上述目的，本發明提供了一種基於卡爾曼濾波的湖泊生態智能感測方法，包括如下步驟:
[0013]步驟1、定義接收噪聲平均功率波動性；
[0014]步驟2、利用ARMA卡爾曼濾波對所述高斯白噪聲進行跟蹤；
[0015]步驟3、對於高斯白噪聲信道，利用動態門限頻譜感測方法對生態進行智能感測；
[0016]步驟4、對於多徑頻選衰落信道，利用卡爾曼濾波方案對衰落信道信息進行跟蹤，並通過協作動態門限頻譜感測方法對生態進行智能感測；
[0017]步驟5、對於高斯白噪聲和平坦衰落信道，利用高階循環平穩特徵感測方法進行感測，利用卡爾曼濾波的協作循環平穩特徵感測方法對抗頻選衰落信道。
[0018]在本發明的較佳實施方式中，所述步驟3中動態門限頻譜感測方法包括如下步驟:
[0019]步驟3-1、尋找短時感測時間周期內初始判決門限；
[0020]步驟3-2、利用ARM卡爾曼濾波器對噪聲進行跟蹤；
[0021]步驟3-3、接收所述噪聲平均功率波動性並設定噪聲平均功率波動因子；
[0022]步驟3-4、根據所述噪聲平均功率波動因子動態更新判決門限；
[0023]步驟3-5、進行尋找下個短時感測時間周期內判決門限，重複步驟3-2至3_5。
[0024]在本發明的較佳實施方式中，所述步驟4中多徑頻選衰落信道下協作動態門限頻譜感測方法括如下步驟:
[0025]步驟4-1、尋找短時感測時間周期內初始判決結果；
[0026]步驟4-2、利用卡爾曼濾波器對衰落信道信息進行跟蹤；
[0027]步驟4-3、構建無線資源資料庫；
[0028]步驟4-4、基於所述無線資源資料庫的多用戶協作動態門限頻譜感測方法，進行尋找下個短時感測時間周期內判決結果，重複步驟4-1至4-4。
[0029]在本發明的較佳實施方式中，所述步驟5中協作循環平穩特徵感測方法包括如下步驟:
[0030]步驟5-1、構建高階循環平穩特徵感測器；
[0031]步驟5-2、尋找短時感測時間周期內初始判決結果；
[0032]步驟5-3、利用卡爾曼濾波器對衰落信道信息進行跟蹤；
[0033]步驟5-4、構建無線資源資料庫；
[0034]步驟5-5、基於所述無線資源資料庫的多用戶協作循環平穩特徵感測算法，進行尋找下個短時感測時間周期內判決結果，重複步驟5-1至5-5。
[0035]本發明給出的基於卡爾曼濾波的湖泊生態智能感測方法，針對高斯信道和多徑衰落信道環境，採用ARMA模型結合卡爾曼濾波器的噪聲跟蹤動態門限頻譜感測方案、基於卡爾曼濾波與經驗知識資料庫的多階循環平穩特徵感測器算法及其動態協作循環平穩特徵感測方案，給出湖泊區高密度傳感節點的多頻多跳認知無線傳感器網絡(CRSN)的智能生態感測方案，實現生態環境指標數據採集實時性和並發性。
[0036]以下將結合附圖對本發明的構思、具體結構及產生的技術效果作進一步說明，以充分地了解本發明的目的、特徵和效果。
【專利附圖】
【附圖說明】
[0037]圖1是認知無線傳感器網絡系統中協作頻譜感測原理圖；
[0038]圖2是本發明的一個較佳實施例的智能感測方法流程框圖；
[0039]圖3是本發明的一個較佳實施例的動態門限頻譜感測方法流程圖；
[0040]圖4是本發明的一個較佳實施例的協作動態門限頻譜感測方法流程圖；
[0041]圖5是本發明的一個較佳實施例的協作循環平穩特徵頻譜感測方法流程圖。
【具體實施方式】
[0042]現有資料研究的頻譜感測方法都是基於噪聲平均功率恆定，而實際應用場景是噪聲平均功率波動性的，且認知傳感節點的感測性能對噪聲平均功率波動性比較敏感。關於此方面的研究文獻不多。本發明一較佳實施例給出採用的噪聲模型，定義噪聲平均功率波動性和噪聲平均功率波動因子，給出傳感節點動態門限頻譜感測方法，並分析感測靈敏度、感測性能、噪聲平均功率和噪聲平均功率波動性之間的數學模型。針對環境噪聲隨機性的特點，採用ARMA模型結合卡爾曼濾波器對噪聲進行跟蹤，從理論上給出了噪聲可跟蹤的動態門限頻譜感測方案。根據認知無線傳感器網絡高密度傳感節點特點，同時研究頻選衰落信道下多頻多跳的協作動態門限頻譜感測方案，分析協作動態門限頻譜感測算法在認知無線傳感器網絡頻譜感測系統中的可行性。如圖2所示，基於卡爾曼濾波的鄱陽湖生態智能感測方法，包括如下步驟:
[0043]步驟1、定義接收噪聲平均功率波動性；
[0044]步驟2、利用ARMA卡爾曼濾波對所述噪聲進行跟蹤；
[0045]步驟3、對於高斯白噪聲信道，利用動態門限頻譜感測方法對生態進行智能感測；
[0046]步驟4、對於多徑頻選衰落信道，利用卡爾曼濾波衰落信道信息跟蹤方法進行跟蹤，並通過協作動態門限頻譜感測方法對生態進行智能感測；
[0047]步驟5、對於噪聲和平坦衰落，利用高階循環平穩特徵感測方法進行感測，利用卡爾曼濾波的協作循環平穩特徵感測方法對抗頻選衰落。
[0048]協作循環平穩特徵感測方法具有有效對抗噪聲和幹擾的優點，但對多徑衰落信道和陰影衰落信道比較敏感，基於此，構建一階、二階、高階循環平穩特徵感測器數學模型，弓丨入協作循環平穩特徵頻譜感測算法，給出動態門限在多頻多跳協作循環頻譜感測算法上的應用。建立無線資源知識庫，包括感知傳感節點位置信息、可接入的頻譜信息、頻譜分配策略信息、空間接收信號強度信息、功率譜密度數據、陰影區域分布信息、授權用戶信號類型等。設計卡爾曼濾波算法跟蹤認知網絡區域內任意位置的陰影衰落有效數學模型，建立經驗資料庫，提出基於卡爾曼濾波和經驗知識資料庫的協作循環平穩特徵感測方案。
[0049]動態門限頻譜感測方法流程圖如圖3所示，具體步驟如下:
[0050]步驟3-1、尋找短時感測時間周期內初始判決門限；
[0051]步驟3-2、利用ARM卡爾曼濾波器對噪聲進行跟蹤；
[0052]步驟3-3、接收噪聲平均功率波動性並設定噪聲平均功率波動因子；
[0053]步驟3-4、根據噪聲平均功率波動因子動態更新判決門限；[0054]步驟3-5、進行尋找下個短時感測時間周期內判決門限，重複步驟3-2至3_5。
[0055]多徑頻選衰落信道下協作動態門限頻譜感測方法流程圖如圖4所示，具體步驟如下:
[0056]步驟4-1、尋找短時感測時間周期內初始判決結果；
[0057]步驟4-2、利用卡爾曼濾波器對衰落信道信息進行跟蹤；
[0058]步驟4-3、構建無線資源資料庫；
[0059]步驟4-4、基於無線資源資料庫的多用戶協作動態門限頻譜感測方法，進行尋找下個短時感測時間周期內判決結果,重複步驟4-1至4-4。
[0060]協作循環平穩特徵感測方法流程圖如圖5所示，具體步驟如下；
[0061]步驟5-1、構建高階循環平穩特徵感測器；
[0062]步驟5-2、尋找短時感測時間周期內初始判決結果；
[0063]步驟5-3、利用卡爾曼濾波器對衰落信道信息進行跟蹤；
[0064]步驟5-4、構建無線資源資料庫；
[0065]步驟5-5、基於無線資源資料庫的多用戶協作循環平穩特徵感測算法，進行尋找下個短時感測時間周期內判決結果，重複步驟5-1至5-5。
[0066]本發明較佳實施例基於卡爾曼濾波的鄱陽湖生態智能感測方法針對高斯信道和多徑衰落信道環境，採用ARMA模型結合卡爾曼濾波器的噪聲跟蹤動態門限頻譜感測方案、基於卡爾曼濾波與經驗知識資料庫的多階循環平穩特徵感測器算法及其動態協作循環平穩特徵感測方案，給出鄱陽湖區高密度傳感節點的多頻多跳認知無線傳感器網絡(CRSN)的智能生態感測方案，實現生態環境指標數據採集實時性和並發性。
[0067]本發明較佳實施例針對認知傳感節點對噪聲、幹擾、衰落信道敏感的特點，面向能量感測、循環平穩特徵感測、協作感測等算法的理論分析、算法設計和實際應用三個層面研究認知無線傳感器網絡傳感節點頻譜感測機制，解決高密度傳感節點的同道幹擾、增強數據傳輸的並發性、提高信道利用率。根據方案給出的噪聲平均功率波動性的定義和理論、循環特徵感測器理論、噪聲跟蹤理論、衰落信道協作感測理論，給出ARMA模型結合卡曼濾波器的噪聲跟蹤動態門限頻譜感測算法、基於卡爾曼濾波與經驗知識資料庫的多階循環平穩特徵感測算法、動態協作循環平穩特徵感測算法，下面給出算法在鄱陽湖生態智能感測系統中的【具體實施方式】。
[0068]以上詳細描述了本發明的較佳具體實施例。應當理解，本領域的普通技術無需創造性勞動就可以根據本發明的構思作出諸多修改和變化。因此，凡本【技術領域】中技術人員依本發明的構思在現有技術的基礎上通過邏輯分析、推理或者有限的實驗可以得到的技術方案，皆應在由權利要求書所確定的保護範圍內。
【權利要求】
1.基於卡爾曼濾波的湖泊生態智能感測方法，包括如下步驟: 步驟1、定義接收噪聲平均功率波動性； 步驟2、利用ARMA卡爾曼濾波對所述高斯白噪聲進行跟蹤； 步驟3、對於高斯白噪聲信道，利用動態門限頻譜感測方法對生態進行智能感測； 步驟4、對於多徑頻選衰落信道，利用卡爾曼濾波方案對衰落信道信息進行跟蹤，並通過協作動態門限頻譜感測方法對生態進行智能感測； 步驟5、對於高斯白噪聲和平坦衰落信道，利用高階循環平穩特徵感測方法進行感測，利用卡爾曼濾波的協作循環平穩特徵感測方法對抗頻選衰落信道。
2.如權利要求1所述的基於卡爾曼濾波的湖泊生態智能感測方法，其中，所述步驟3中動態門限頻譜感測方法包括如下步驟: 步驟3-1、尋找短時感測時間周期內初始判決門限； 步驟3-2、利用ARM卡爾曼濾波器對噪聲進行跟蹤； 步驟3-3、接收所述噪聲平均功率波動性並設定噪聲平均功率波動因子； 步驟3-4、根據所述噪聲平均功率波動因子動態更新判決門限； 步驟3-5、進行尋找下個短時感測時間周期內判決門限，重複步驟3-2至3-5。
3.如權利要求1所述的基於卡爾曼濾波的湖泊生態智能感測方法，其中，所述步驟4中多徑頻選衰落信道下協作動態門限頻譜感測方法，包括如下步驟: 步驟4-1、尋找短時感測時間周期內初始判決結果； 步驟4-2、利用卡爾曼濾波器對衰落信道信息進行跟蹤； 步驟4-3、構建無線資源資料庫； 步驟4-4、基於所述無線資源資料庫的多用戶協作動態門限頻譜感測算法，進行尋找下個短時感測時間周期內判決結果,重複步驟4-1至4-4。
4.如權利要求1所述的基於卡爾曼濾波的湖泊生態智能感測方法，其中，所述步驟5中協作循環平穩特徵感測方法包括如下步驟: 步驟5-1、構建高階循環平穩特徵感測器； 步驟5-2、尋找短時感測時間周期內初始判決結果； 步驟5-3、利用卡爾曼濾波器對衰落信道信息進行跟蹤； 步驟5-4、構建無線資源資料庫； 步驟5-5、基於所述無線資源資料庫的多用戶協作循環平穩特徵感測算法，進行尋找下個短時感測時間周期內判決結果，重複步驟5-1至5-5。
【文檔編號】H04B17/00GK103607250SQ201310560744
【公開日】2014年2月26日 申請日期:2013年11月13日 優先權日:2013年11月13日
【發明者】虞貴財, 龍承志, 向滿天 申請人:南昌大學