您好, 访客   登录/注册

基于多级维纳滤波器的树型WSN分布式线性约束最小方差波束形成方法

来源:用户上传      作者:

  摘要:为减少树型无线传感器网络( Wireless scnsor nctwork,WSN)中分布式线性约束最小方差(Linearly constrained minimum variance.LCMV)波束形成器的计算量,将多级分解技术用于WSN分布式波束形成技术中,提出基于多级维纳滤波器( Multistage Wiener filtcr,MSWF)的分布式LCMV波束形成器方法。该方法通过有效引入MISWF技术避免本地协方差矩阵估计及求逆运算,能以更少的计算量获得分布式LCMV波束形成器相同的输出性能,说明新方法继承了MSWF和分布式LCMV波束形成器的优点。计算机仿真结果验证了算法的优良性能。
  关键词:无线传感器网络:LCMV波束形成器;多级维纳滤波器;分布式信号估计
  中图分类号:TN911. 23
  文献标志码:A
  文章编号:1005-2615(2015)01-0052-07
  无线传感器网络( Wireless sensor network,WSN)通过互联节点相互协作完成一定的信号处理任务。集中式处理方法容易获取最优输出,但往往不能够充分体现WSN网络的性能和特点。分布式处理方法具有通信带宽小、节点处理能力要求较低且算法可扩展性强等特点,引起广大学者的普遍关注。分布式参数估计(Distributed pa-rameter estimation,DPE)方法通过网络节点交互协作迭代估计一个同定长度的参数向量。分布式信号估计( Distributed signal estimation,DSF)类似于块处理算法对成批数据进行处理.它对所收集的传感器数据进行基于波束形成技术的网内压缩形成标量(单通道)信号进行信息交瓦。因此DSE算法相比DPE算法需要的通信带宽更小。在DSE算法方而,最优化分布式波束形成器可以通过自适应的途径进行解决。研究了无约束分布式节点特定的信号估计;将问题推广为线性约束节点特定的信号估计。在此基础上,提出并研究了分布式线性约束最小方差( Distrihuted lincarly consiraincd minlmlum variancC,D-LCMV)波束形成方法。与不同,每个节点具有相同的线性约束,它只需要单个通道用于标量压缩/融合信号传输,且每个节点的波束形成器输出相同。D-LCMV在不需要计算全局协方差矩阵情况下,每个节点仍可获得与集中型LCMV波束形成器相同的输出。
  本文的算法进行改进,提出了在树型WSN应用环境下基于多级维纳滤波器(MultiStage Wiener filter, MSWF)的D-LCMV( D-LCMSWF)波束形成方法。新算法在继承原有算法优点的基础上,融入MSWF算法低复杂度、快收敛特件,可以避免本地节点局部协方差矩阵估计及求逆运算,进而有效降低了节点的运算量。仿真表明新算法在较小的运算量条件下,每个节点仍然能获得与D-LCMV波束形成器相同的输出。
  6 结束语
  本文研究了 D-LCMSWF在树型拓扑结构网络中的波束形成算法。此算法由于避免协方差矩阵估计及求逆运算,在达到与 D-LCMV相同输出性能情况下,节约运算量约为O(P+Q)3+(P+ Q)2N)。另外采用CSA-MSWF时,每一级均可得到从O( P2 N)到O(PN)的降低。例如在一个树形WSN中,某一节点k邻居节点数为10个(包含节点k自身),设每节点传感器数Mk=6,样本数N=1 000,线性约束数Q=2,则
  为(9+6)×1 000复信号矩阵;因此.此节点采用D-LCM-SWF比D- LCMV在每次迭代所节约运算量约为0((9+6)3+ (9+6)2×1 000)=0(3 375+225 000)。设整个WSN网络迭代计算次数i=200,若其中节点k执行了20次迭代计算,则此节点k节约运算量为O(20×( 3 375+225 000);而在进行D-LCMSWF算法前要对Di/q奇异值分解,所需计算量约为10×(2)3=80,因此可忽略不计。此节点若采用CSA-MSWF结构相比MSWF结构每一级还可得到从0(9 2×l 000)到0(9×1 000)计算量降低,即每一级节约运算量0(72 000);以满秩分解为例,每次迭代需要9级分解,CSAMSWF相比MSWF可节约运算量0(9×72 000);设整个WSN网络迭代计算次数i=200,若其中节点k执行了20次迭代计算,则此节点k采用CSAMSWF相比MSWF节约运算量为0(20×(9×72 000))。此外,在MSWF算法达到稳定状态时可以通过截断处理大量节约节点的运算量。
转载注明来源:https://www.xzbu.com/4/view-8479991.htm