一种无线传感器网络观测质量估算方法和系统

摘要

本发明提出一种无线传感器网络观测质量估算方法和系统，包括：根据节点处信源的物理信号和观测噪声计算观测数据，对观测数据编码得到编码后数据，计算观测节点处被测信号的估计值，计算信源的观测值，根据观测质量的量化表示计算出观测质量。本发明减少网络能耗，缩短观测时间并提高观测质量。

说明书

技术领域

本发明属于无线自组织和传感器网络领域，具体涉及无线传感器网络观测质量估算方法和系统。

背景技术

无线传感器网络(Wireless Sensor Network，WSN)是一种由若干无线传感器节点自组织构成的以采集信息为目标的网络。无线传感器网络使逻辑上的信息世界与真实的物理世界紧密结合，改变了人与自然的交互方式，真正实现了“无处不在的计算”模式。鉴于其将为人类带来的不可估量的好处，无线传感器网络受到了全球范围内学术界、工业界、军队及政界的广泛关注。由于MEMS技术和嵌入式技术的日趋成熟，我们能以廉价的方式大量生产构成WSN的微型传感器节点，使得WSN能被广泛的应用在军事和民用的各个领域。

WSN的目标是观测自然界物理事件的特征值，比如，某个物体的温度或湿度。物理世界中各种信号的强度在空间上所覆盖的区域通常是有限的，因此，WSN中能观测到目标信源的区域也是有限的，我们把该区域称为信源的观测区域。这一区域的大小可以由具体的应用场景来确定，通常是一个以被测目标为中心的区域。由于许多应用要求WSN中的节点在空间上具有密集的分布，因此在观测区域内，通常会有多个传感器节点，这些节点都可以参与对信源的观测。观测得到数据将通过多跳的传感器网络发送给远端的接收器sink，它负责对这些观测数据进行集中处理，最终为用户提供所需的处理结果。图1显示了WSN中一个典型的数据采集过程。

在信源的观测区域内，节点对信源的观测属于WSN中原始数据的采集阶段。该阶段的观测质量高低直接决定了WSN向最终用户提供的数据质量高低。因此，如何正确估算一组节点参与观测时的观测质量就成了WSN提高服务质量的根源。另外，由于同一个观测区域内节点观测到的数据之间存在一定的相关性，因此，没有必要让大量的节点同时参与观测，如果能正确估算出任意一组节点参与观测时的观测质量，就能选择出一组最合适的节点参与实际的观测过程，以满足用户对数据质量的要求，同时避免网络能量的浪费，提高网络资源的利用率。

在现有对无线传感器应用中，对观测质量的估算方法主要靠对样本观测数据的估算，这不仅需要消耗节点能量进行样本采集，而且需要耗费时间等待样本数据的采集，这样的观测质量估算方法不仅增加了网络的能耗开销，而且延长了网络完成观测任务的时间。另外，对于体积微小的传感器节点来说，内存空间十分有限，存储样本观测数据将占用节点不少的内存空间，降低了节点资源的利用率。

发明内容

鉴于现有的观测质量估算方法存在以上的缺点，本发明基于被测信源的空域分布特征和节点观测数据之间的相关性，提出了一种节能的观测质量估算方法，该方法不需要采集样本数据就能估算出任意一组节点参与观测时获取的观测质量，同时减少网络能耗，缩短观测时间。

根据本发明一方面，提出一种无线传感器网络观测质量估算方法，包括以下步骤：

在空域上多个节点同时参与观测的数据观测模型中，根据节点i处信源S的物理信号S_i和观测噪声N_i计算观测数据X_i，即X_i＝S_i+N_i；

对X_i进行编码，得到编码后数据Y_i，$Y_i=\sqrt{\frac{P^E}{{\sigma }_S^2+{\sigma }_{N_i}^2}}{X}_i,$其中，P^E是节点的能量上限，是信源的方差系数，是节点i的噪声方差系数；

计算观测节点i处被测信号S_i的估计值${\hat{S}}_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i);$

设定参与观测的节点个数为M时，信源的观测值为$\hat{S}=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i);$

根据观测质量Q的量化表示为：$Q=1-\frac{E\left[{(S-\hat{S})}^2\right]}{E\left[S^2\right]},$计算出观测质量$Q=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{-d_{S,i}/{\theta }_1}-\frac{1}{M^2}\{\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}\};$

其中，${\delta }_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2},$${\delta }_j=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_j}^2}$分别表示观测节点处的噪声和信源的方差参数，d_s，i表示信源S与节点i之间的几何空间距离；d_i，j表示节点i与节点j之间的几何空间距离，θ₁是信源的协方差参数。

根据本发明一方面，提出一种无线传感器网络观测质量估算系统，包括：

计算单元，在空域上多个节点同时参与观测的数据观测模型中，根据节点i处信源S的物理信号S_i和观测噪声N_i计算观测数据X_i，即X_i＝S_i+N_i；

编码单元，对X_i进行编码，得到编码后数据Y_i，$Y_i=\sqrt{\frac{P^E}{{\sigma }_S^2+{\sigma }_{N_i}^2}}{X}_i,$其中，P^E是节点的能量上限，是信源的方差系数，是节点i的噪声方差系数；

估值单元，计算观测节点i处被测信号S_i的估计值${\hat{S}}_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i);$

统计单元，设定参与观测的节点个数为M时，信源的观测值为$\hat{S}=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i);$

量化单元，根据观测质量Q的量化表示为：$Q=1-\frac{E\left[{(S-\hat{S})}^2\right]}{E\left[S^2\right]},$计算出观测质量$Q=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{-d_{S,i}/{\theta }_1}-\frac{1}{M^2}\{\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}\};$

其中，${\delta }_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2},$${\delta }_j=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_j}^2}$分别表示观测节点处的噪声和信源的方差参数，d_s，i表示信源S与节点i之间的几何空间距离；d_i，j表示节点i与节点j之间的几何空间距离，θ₁是信源的协方差参数。

本发明相对现有技术而言，具有至少如下之一的优点和效果：

节点无需采集和传递观测样本数据，节约了能量。

节点无需存储历史观测样本数据，节约了内存开销。

节点无需启动样本数据采集过程，缩短了观测时间。

估算过程充分利用信源的分布特征等先验知识，减少了估算误差。

附图说明

下面参照附图并结合实施例来进一步描述本发明。其中，

图1所示为现有技术中无线传感器网络数据观测示意图；

图2所示为现有技术中无线传感器网络数据观测模型；

图3所示为本发明无线传感器网络观测质量估算方法流程图；

图4所示为本发明实施例中网络拓扑图，×表示信源S，O表示节点；

图5所示为本发明无线传感器网络观测质量估算系统结构图；

图6所示为本发明中观测节点个数与观测质量的关系示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例和附图，对本发明做进一步的详细说明。

本发明针对常见的零均值高斯随机被测信源和图1所示的分簇网络，利用被测信源的空域相关性，提出一种无线传感器网络观测质量估算方法，其流程如图3所示。本发明能节约网络的能耗，延长网络的生存期，并且缩短整体的观测时间。

在步骤101，在空域上多个节点同时参与观测的数据观测模型中，根据节点i处信源S的物理信号S_i和观测噪声N_i计算观测数据X_i，即X_i＝S_i+N_i。

数据观测模型可由图2描述。其中，共有M个节点参与观测，被测信源为S，S_i是节点i处信源的物理被测信号，N_i是节点i处的观测噪声，X_i是节点i对S_i的观测数据，Y_i是节点i对X_i进行编码后的值，是网络接收器根据M个节点观测数据产生的信源的观测值。

在步骤102，对观测数据X_i进行编码，得到编码后数据Y_i，$Y_i=\sqrt{\frac{P^E}{{\sigma }_S^2+{\sigma }_{N_i}^2}}{X}_i,$其中，P^E是节点的能量上限，是信源的方差系数，是节点i的噪声方差系数。

信息通过无线信道传输过程中，可以使用多种编码方式，在较佳实施方式中，可以采用联合信源信道编码方式对X_i进行编码，这也是零均值高斯信源在高斯白噪声无线信道中传输时使用的最优编码方式。零均值高斯信源是一种自然界常见的信源，具体是指那些统计均值为零，方差为一个常数的信源。高斯白噪声无线信道也是无线通信中一种常见的信道，具体是指那些统计均值为零，方差为一个常数的无线信道。

在步骤103，计算观测节点i处被测信号S_i的估计值${\hat{S}}_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i).$

其中，计算观测节点i处被测信号S_i的估计值的操作包括以下步骤：根据最小均方误差的解码方式和编码后数据Y_i计算即${\hat{S}}_i=\frac{E\left[Y_i{S}_i\right]}{E\left[{Y^2}_i\right]}{Y}_i.$E是一个求均值的数学标识，在下述推导过程中，${\alpha }_i=\sqrt{\frac{P^E}{{\sigma }_S^2+{\sigma }_{N_i}^2}}.$具体推导过程如下：

${\hat{S}}_i=\frac{E\left[Y_i{S}_i\right]}{E\left[{Y_i}^2\right]}{Y}_i$

$=Y_i\frac{E\left[{\alpha }_i(S_i+N_i)S_i\right]}{E\left[{\left({\alpha }_i(S_i+N_i)\right)}^2\right]}{\alpha }_i(S_i+N_i)$

$=\frac{E[S_i^2+S_i{N}_i]}{E[S_i^2+{2S}_i{N}_i+N_i^2]}(S_i+N_i)$

$=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i)$

在步骤104，设定参与观测的节点个数为M时，信源的观测值为$\hat{S}=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i).$

在步骤105，根据观测质量Q的量化表示为：$Q=1-\frac{E\left[{(S-\hat{S})}^2\right]}{E\left[S^2\right]},$计算出观测质量$Q=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{-d_{S,i}/{\theta }_1}-\frac{1}{M^2}\{\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}\};$

在计算出观测质量Q的操作中，利用被测信源的空域相关性，即设定所述信源的方差为常数且所述信源的协方差与距离成反比。具体计算过程如下：

将步骤104中$\hat{S}=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i)$代入$Q\left(M\right)=1-\frac{E{(S-\hat{S})}^2}{E\left(S^2\right)},$得到：

$Q\left(M\right)=1-\frac{E{(S-\hat{S})}^2}{E\left(S^2\right)}=1-\frac{E{(S-\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i(S_i+N_i))}^2}{E\left(S^2\right)}.$

信源的均值为零，方差为常数，即E(S)＝E(S_i)＝0；$\mathrm{var}\left(S\right)=\mathrm{var}\left(S_i\right)={\sigma }_S^2$代入上式，得到：

$Q\left(M\right)=1-\frac{E{(S-\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i(S_i+N_i))}^2}{{\delta }_S^2},$

信源协方差与距离成反比，即$\mathrm{cov}(S,S_i)={\sigma }_S^2{e}^{{-d}_{S,i}/{\theta }_1},$$\mathrm{cov}(S_i,S_j)={\sigma }_S^2{e}^{{-d}_{i,j}/{\theta }_1}$代入上式，得到：

$Q\left(M\right)=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{{-d}_{S,i}/{\theta }_1}-\frac{1}{M^2}[\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}].$

其中，${\delta }_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2},$${\delta }_j=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_j}^2}$分别表示观测节点处的噪声和信源的方差参数，d_s，i表示信源S与节点i之间的几何空间距离；d_i，j表示节点i与节点j之间的几何空间距离，θ₁是信源的协方差参数。

现有技术是对样本观测数据进行估算，估算过程不考虑信源特征，而本发明估算过程不基于样本，并且利用了信源的分布特征等先验知识，从信息论的角度来说，本发明估算过程中利用的信息量更大、结果的失真度更小。

下面通过具体实施例对本发明方法进行说明。本实施例中适用图1所示的分簇网络，网络拓扑结构如图4所示，其中的无线传感器节点及网络环境满足以下设置：

网络中共有34个静止的节点以2米×2米的间距排列成5行7列，所有节点都是静止不动的；

信源S位于网络的中心，其坐标为(6，4)，接收器sink位于网络的边缘；

接收器sink预先知道簇内其它节点的坐标；

信源S为指数型相关的高斯随机平稳信源，其空域上的特性参数为：E(S)＝0，${\sigma }_S^2=10,$θ₁＝30.

网络内观测噪声为同分布的高斯白噪声，均值为E(N)＝0，方差为${\sigma }_N^2=1;$

基于以上的实施例网络场景，建立网络中34个节点同时参与观测的数据观测模型，该模型中：被测信源位于图4中心(×表示)，各个节点所处位置上被测信源的物理信号满足指数型高斯随机平稳信源分布，各节点处的观测噪声满足高斯白噪声分布特性，各节点的坐标位置已知，任意两个节点的间距可以由它们的位置计算得出，节点与信源之间的距离也可以由它们的位置计算得出。

记录下图4网络中任意两个节点之间的距离及任意节点与信源的距离后，令观测节点个数M从1逐渐增大到34，对于每个M，我们在图4所示的网络中随机选择观测节点的位置，根据如下公式计算出每次选择的观测节点集合对应的观测质量Q：

$Q=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{-d_{S,i}/{\theta }_1}-\frac{1}{M^2}\{\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}\}.$

图5示出本发明中无线传感器网络观测质量估算系统结构图，所述系统包括：

计算单元，在空域上多个节点同时参与观测的数据观测模型中，根据节点i处信源S的物理信号S_i和观测噪声N_i计算观测数据X_i，即X_i＝S_i+N_i。

数据观测模型可由图2描述。其中，共有M个节点参与观测，被测信源为S，S_i是节点i处信源的物理被测信号，N_i是节点i处的观测噪声，X_i是节点i对S_i的观测数据，Y_i是节点i对X_i进行编码后的值，是网络接收器根据M个节点观测数据产生的信源的观测值。

编码单元，对观测数据X_i进行编码，得到编码后数据Y_i，$Y_i=\sqrt{\frac{P^E}{{\sigma }_S^2+{\sigma }_{N_i}^2}}{X}_i,$其中，P^E是节点的能量上限，是信源的方差系数，是节点i的噪声方差系数。

信息通过无线信道传输过程中，可以使用多种编码方式，在较佳实施方式中，所述编码单元可以采用联合信源信道编码方式对X_i进行编码，这也是零均值高斯信源在高斯白噪声无线信道中传输时使用的最优编码方式。零均值高斯信源是一种自然界常见的信源，具体是指那些统计均值为零，方差为一个常数的信源。高斯白噪声无线信道也是无线通信中一种常见的信道，具体是指那些统计均值为零，方差为一个常数的无线信道。

估值单元，计算观测节点i处被测信号S_i的估计值${\hat{S}}_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i).$

所述估值单元根据最小均方误差的解码方式和编码后数据Y_i计算即${\hat{S}}_i=\frac{E\left[Y_i{S}_i\right]}{E\left[{Y^2}_i\right]}{Y}_i.$E是一个求均值的数学标识，在下述推导过程中，${\alpha }_i=\sqrt{\frac{P^E}{{\sigma }_S^2+{\sigma }_{N_i}^2}}.$具体推导过程如下：

${\hat{S}}_i=\frac{E\left[Y_i{S}_i\right]}{E\left[{Y_i}^2\right]}{Y}_i$

$=Y_i\frac{E\left[{\alpha }_i(S_i+N_i)S_i\right]}{E\left[{\left({\alpha }_i(S_i+N_i)\right)}^2\right]}{\alpha }_i(S_i+N_i)$

$=\frac{E[S_i^2+S_i{N}_i]}{E[S_i^2+{2S}_i{N}_i+N_i^2]}(S_i+N_i)$

$=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i)$

统计单元，设定参与观测的节点个数为M时，信源的观测值为$\hat{S}=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i).$

量化单元，根据观测质量Q的量化表示为：$Q=1-\frac{E\left[{(S-\hat{S})}^2\right]}{E\left[S^2\right]},$计算出观测质量$Q=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{-d_{S,i}/{\theta }_1}-\frac{1}{M^2}\{\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}\}.$

所述量化单元计算出观测质量Q的操作中，利用被测信源的空域相关性，即设定所述信源的方差为常数且所述信源的协方差与距离成反比。具体计算过程如下：

将$\hat{S}=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2}(S_i+N_i)$代入$Q\left(M\right)=1-\frac{E{(S-\hat{S})}^2}{E\left(S^2\right)},$得到：

$Q\left(M\right)=1-\frac{E{(S-\hat{S})}^2}{E\left(S^2\right)}=1-\frac{E{(S-\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i(S_i+N_i))}^2}{E\left(S^2\right)}.$

信源的均值为零，方差为常数，即E(S)＝E(S_i)＝0；$\mathrm{var}\left(S\right)=\mathrm{var}\left(S_i\right)={\sigma }_S^2$代入上式，得到：

$Q\left(M\right)=1-\frac{E{(S-\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i(S_i+N_i))}^2}{{\delta }_S^2},$

信源协方差与距离成反比，即$\mathrm{cov}(S,S_i)={\sigma }_S^2{e}^{{-d}_{S,i}/{\theta }_1},$$\mathrm{cov}(S_i,S_j)={\sigma }_S^2{e}^{{-d}_{i,j}/{\theta }_1}$代入上式，得到：

$Q\left(M\right)=\frac{2}{M}\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i{e}^{{-d}_{S,i}/{\theta }_1}-\frac{1}{M^2}[\underset{i=1}{\overset{M}{\Sigma }}{\delta }_i+\underset{i=1}{\overset{M}{\Sigma }}\underset{j\ne i}{\overset{M}{\Sigma }}{\delta }_i{\delta }_j{e}^{{-d}_{i,j}/{\theta }_1}].$

其中，${\delta }_i=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_i}^2},$${\delta }_j=\frac{{\sigma }_S^2}{{\sigma }_S^2+{\sigma }_{N_j}^2}$分别表示观测节点处的噪声和信源的方差参数，d_s，i表示信源S与节点i之间的几何空间距离；d_i，j表示节点i与节点j之间的几何空间距离，θ₁是信源的协方差参数。

图6所示为本发明中观测节点个数与观测质量的关系图。从图6中可以看出，当观测节点个数到达4时，观测质量就可以达到80％以上；当观测节点个数达到7个时，观测质量就可达到90％，从试验结果曲线可以看出，已经接近所有的观测节点全部参与观测时可达到的观测质量上限了。利用本发明提出的观测质量估算方法能直接计算出任意一组观测节点集合所对应的观测质量。本发明可由计算机实现，而现有技术是靠实际测量的结果来计算观测质量，因此，本发明不仅具有较高的观测质量，同时节省人力、物力、提高效率。

在本发明中，充分体现了观测质量估算过程中，减少网络资源开销的各种要求。节点无需采集和传递观测样本数据，节约了能量；节点无需启动样本数据采集过程，缩短了观测时间；节点无需存储观测样本数据，节约了内存开销。

以上所述的具体实施例仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。