一种盲源分离的无线传感器网络节点选择方法

摘要

本发明提出一种盲源分离的无线传感器网络节点选择方法，基于传感器节点的观测噪声和剩余能量两个因素，首先通过数值拟合的方法确定节点平均观测噪声和盲源分离性能之间的关系；在此基础上，将节点选择问题建模为基于节点剩余能量和盲源分离性能折中的组合优化问题，在汇聚节点处采用基于凸优化的启发算法求解该优化问题以确定被选中的节点；最后，被选中的节点将采集到的混合信号传输到汇聚节点，在汇聚节点出进行盲源分离恢复出各个独立的源信号。采用该节点优化选择算法能有效提高节点剩余能量，延长无线传感器网络的生存周期，同时保证良好的信号分离性能。

主权项

一种盲源分离的无线传感器网络节点选择方法，其特征在于该方法包含以下步骤：步骤1、确定参与盲源分离的传感器节点个数最优值k，具体步骤如下：(1)、设信号源个数为q，令k'＝q+1，定义效用函数：$G=\lambda (\underset{i=1}{\overset{N}{\Sigma }}{E}_{{\mathrm{tol}}_i}-\underset{j\in S_k}{\Sigma }{E}_{{\mathrm{Tx}}_j})+C;$其中，第一项为选中的k'个传感器节点传输数据后，WSN全部节点的总剩余能量；λ为加权系数；N为WSN节点总数；为节点i传输数据之前的能量；S_k为选中的k'个节点构成的子集；为被选中的节点j(j∈S_k)传输混合信号的能耗；第二项C为k'个节点参与的信号盲分离的性能参数；(2)、给定参数λ的一个取值，采用FastICA盲源分离方法，进行3000次独立的语音信号盲分离实验：每次实验随机选取参与盲源分离的k'个传感器节点，其对应的混叠系数用服从高斯分布的随机变量表示，每个被选中传感器节点的观测信噪比SNR是随机的，因此平均信噪比MSNR取值也是随机的；计算每次实验l对应的G_l，最后取均值作为k'为某一特定值时所对应的参数G；(3)、k'＝k'+1，判断k'是否大于N，如果是，则转(4)，否则转(2)(4)、λ分别取100、200、400和600时，重复(2)(3)的方法，可以得到一组k'‑G关系曲线，当曲线达到峰值时对应的横坐标的值就是最优传感器节点个数k；步骤2、定义被选中传感器节点的平均观测信噪比MSNR和基于相关系数的盲源分离性能参数C之间的函数关系：C＝f(MSNR)＝a₂MSNR²+a₁MSNR+a₀；其中，二阶多项式系数a₂，a₁，a₀通过最小二乘拟合的方法确定，a₂＝‑0.06627,a₁＝1.783,a₀＝85.23；步骤3、对参与盲源分离的传感器节点进行优化选择，将实现盲源分离的无线传感器网络节点优化选择建模为如下组合优化问题：$\min \mathrm{}g(b_1,...,b_N)=\mu \underset{i=1}{\overset{N}{\Sigma }}{b}_i[({\mathrm{lE}}_{\mathrm{elec}}+{\mathrm{lϵ}}_{\mathrm{mp}}{d}_i^4)-E_{{\mathrm{tol}}_i}]-[a_2{\left(\frac{1}{k}\underset{i=1}{\overset{N}{\Sigma }}{b}_i{\mathrm{SNR}}_i\right)}^2+a_1\left(\frac{1}{k}\underset{n=1}{\overset{N}{\Sigma }}{b}_i{\mathrm{SNR}}_i\right)]$$s.t.\underset{i=1}{\overset{N}{\Sigma }}{b}_i=k$b_i∈{0,1},i＝1,...N其中，b_i为0‑1指示变量，当b_i值为1时，表示传感器节点i被选中，将其采集到的语音混合信号发送到融合中心sink，当b_i值为0时，表示传感器节点i未被选中，其采集到的混合信号将不被发送；为传感器节点i的当前能量；N是无线传感器网络节点总数；lE_elec+lε_mpd⁴为传感器节点传输能耗模型，l为传输一帧数据包含的总比特数，E_elec＝50nJ/bit为常数，d为传输距离，参数ε_mp＝0.0013pJ/bit/m⁴；SNR_i为传感器节点i的观测信噪比；k为步骤1中确定的最优节点个数；a₂，a₁为步骤2中确定的拟合系数；μ为加权系数；步骤4、通过基于凸优化的启发式方法求解步骤3中的组合优化问题，求解步骤如下：(1)将步骤3中的非凸约束条件b_i∈{0,1},i＝1,...N松弛为凸约束条件0≤b_i≤1,i＝1,...N(2)初始化可行点i＝1,...,N，λ^2N×1>0，v，其中，k为步骤1中确定的最优节点个数，N为WSN节点总数，v，λ^2N×1为对偶变量，参数μ＝20，ε_feas＝10^‑8，ε＝10^‑6；(3)计算代理对偶间隙惩罚因子其中m＝2N,N为WSN中节点总数，f(b)＝[b₁‑1,...,b_N‑1,‑b₁,...,‑b_N]^T；(4)通过求解下述方程组求解牛顿步长的方程组确定当前搜索方向(△b,△λ,△v)$\left[\begin{array}{ccc}H& \mathrm{Df}{\left(b\right)}^T& 1^{N\times 1}\\ -\mathrm{diag}\left(\lambda \right)\mathrm{Df}\left(b\right)& -\mathrm{diag}\left(f\left(b\right)\right)& 0\\ 1^{1\times N}& 0& 0\end{array}\right]\left[\begin{array}{c}\mathrm{\Delta b}\\ \mathrm{\Delta \lambda }\\ \mathrm{\Delta v}\end{array}\right]=-\left[\begin{array}{c}{r}_{\mathrm{dual}}\\ r_{\mathrm{cent}}\\ r_{\mathrm{pri}}\end{array}\right]$其中，b＝[b₁,…,b_N]^T，SNR＝[SNR₁,…,SNR_N]^T，1^N×1和1^1×N分别为全1矩阵，Df(b)＝[I；‑I]，I^N×N为单位阵，r_dual＝Hb+Df(b)^Tλ+v,r_pri＝1^Tb‑k，r_cent＝‑diag(λ)f(b)‑(1/t)1^2N(5)s^max＝min{1,min{‑λ_i/△λ_i|△λ_i<0}}，初始化前进步长s＝0.99s^max；用回溯法迭代求前进步长s，直到满足：||r_t(b+s△b,λ+s△λ,v+s△v||₂≤(1‑αs)||r_t(b,λ,v)||₂，回溯法参数取值为α＝0.01,β＝0.5,r_t(b,λ,v)计算公式如下：$r_t(b,\lambda ,v)=\left[\begin{array}{c}\mathrm{Hb}+\mathrm{Df}{\left(b\right)}^T\lambda +v\\ -\mathrm{diag}\left(\lambda \right)f\left(b\right)-(1/t)1^{2N}\\ 1^{T}b-k\end{array}\right]$(6)判断是否满足迭代终止条件||r_pri||₂≤ε_feas,||r_dual||₂≤ε_feas,and如果不满足，返回(3)；如果满足，停止迭代，设得到的最优解为(7)对进行降序排序，将前k个置为1，后面N‑k个置为0，k为步骤1中确定的最优节点个数，对应b_j＝1的节点j即为被选中的节点；步骤5、被选中的节点将观测数据发送到融合中心sink进行盲源分离。