一种基于最优量化策略的WSN通信负载降低方法

摘要

本发明公开了一种基于最优量化策略的WSN通信负载降低方法，包括以下步骤：利用观测信息的数据相关性进行信息去冗余化；设计一种最优量化策略；基于所述一种最优量化策略设计一种基于最优量化策略的最优量化器；采用所述一种基于最优量化策略的最优量化器对无线传感器网络的观测数据进行量化；利用量化后的观测新息值进行量化卡尔曼滤波算法预测估计。本发明克服了现有技术的缺陷，采用所述一种最优量化策略降低了量化过程对用于预测估计的原始观测数据性能损失，采用所述一种基于最优量化策略的最优量化器降低WSN通信负载。

主权项

一种基于最优量化策略的WSN通信负载降低方法，其特征在于包括以下步骤：1)观测信息去冗余化，利用观测信息的相关性，将原始观测信息中能够通过预测信息得到的信息量进行削减，通过下式得到观测新息值$\tilde{y}\left(n\right|m_{0:n-1})=y\left(n\right)-\hat{y}\left(n\right|m_{0:n-1})---\left(1\right)$其中y(n)为n时刻的原始观测信息，m_0:n‑1为n时刻之前的量化观测新息序列，为n时刻根据n时刻之前量化新息序列预测的观测信息值；2)设计一种最优量化策略，利用得到的最优量化阈值或确定量化器的量化区间设计最优量化器，其中，N＝2^l,l为量化比特数；3)采用所述一种基于最优量化策略的最优量化器对无线传感器网络的观测数据进行量化，将原始的观测新息值量化成l比特的二进制数，以便减少用于WSN中传输的数据量降低网络通信负载，其中l为自然数；4)利用量化后的观测新息值进行量化卡尔曼滤波算法预测估计，在预测估计端接收到量化观测新息值后首先进行量化新息值的重建，然后利用重建量化新息值对WSN中观测对象运用卡尔曼滤波方法进行预测估计；所述步骤2)中的最优量化策略通过以下方法实现：(a)首先从最大化量化卡尔曼滤波每次迭代误差协方差减少量角度出发的最优量化策略，通过下式得到归一化最优量化阈值$\{{{\Delta }_i}^{*}\left(n\right){\}}_{i=2}^N=\arg \underset{{\left\{{\Delta }_i\left(n\right)\right\}}_{i=2}^N}{\max }{E}_{m\left(n\right)}[\mathrm{\Delta P}\left(n\right)\left|m_{0:n-1}\right]---\left(2\right)$式中ΔP(n)为每次量化卡尔曼滤波迭代误差协方差矩阵的减少量，m(n)为量化新息，m_0:n‑1为n时刻之前的量化新息序列,E_m(n)[□]表示表示求估计值；(b)然后从最小化量化新息重建误差角度出发的最优量化策略，通过下式得到归一化最优量化阈值式中d[·]表示重建误差，表示观测新息值，表示量化新息的重建值；(c)最后证明上述两种归一化最优量化阈值存在如下式所示的相等关系：