一种非稳态随机机会网络特征值滤波方法技术

本发明专利技术公开了一种非稳态随机机会网络特征值滤波方法，首先获取不稳定状态下的特征值信号，判断获取的不稳定状态下特征值信号是否为混沌信号；然后针对特征值信号的特性，采用扩展卡尔曼滤波算法进行特征值滤波。本发明专利技术在基于扩展卡尔曼滤波进行特征值滤波过程中，依据扩展卡尔曼滤波算法特性，通过对滤波结果的分析，验证滤波方式符合滤波精度要求，解决了非稳态下随机机会网络特征值滤波方式不足的问题。

【技术实现步骤摘要】
一种非稳态随机机会网络特征值滤波方法
本专利技术属于移动通信
，涉及一种特征值滤波方法，具体涉及一种采用扩展卡尔曼滤波进行非稳态随机机会网络特征值滤波的方法。
技术介绍
随机机会网络(OpportunisticNetworks,ON)的核心是节点在进行网络通信时，通信的目的节点与源节点可以不存在完整的路径，取而代之的是利用节点的移动时节点相遇的情况，随机建立相遇节点的通讯连接。而节点之间采取的消息传递方法时通过节点移动随机建立的通讯连接进行逐跳信息传递，其路由模式可以概括为“信息存储—信息携带—信息转发”。随着随机机会网络的研究，其在许多领域，例如传感器设备，车载系统等有着广泛的应用。机会网络相关技术虽然有广阔的发展前景，但目前仍然面临诸多挑战：①现阶段的机会网络的研究工作缺乏对于通讯节点移动初期，即不稳定状态下相关网络特征的描述，因此研究不可谓之完整。②网络拓扑的相关参数作为信号的研究过程中，由于其包含噪声的因素，对于网络拓扑的刻画会出现偏差。由此可见，研究随机机会网络必须解决的问题是：对于网络节点初期的不稳定情况应该深入刻画研究。某些拓扑结构相关的全局状态参量完全可以揭示随机机会网络自身的结构特征，比如，通过Fielder向量可以判断出每个网络节点的连接性。由于目前广泛采用一些分布式信号处理算法来实现无基础设施机会网络的数据融合、估算、路由、压缩与检测等任务，这些分布式信号处理算法主要包括分布式估算(包括一致性(consensus)计算、扩散(diffusion)和流言(gossip)算法)，以及最近出现的分布式滤波。而网络拓扑和拓扑结构相关的全局状态参量可以对所运行的分布式信号的相关处理产生重大影响。因此，这就要求本实施例需要选择合适的滤波算法，以解决随机机会网络所面临的关键性问题。混沌信号(ChaoticSignal,CS)是指确定性动力学系统表现出的不可预测的、类似随机性的信号。混沌现象存在于诸多研究领域，如基础物理学，宇宙天体运动，天气状况预测等。混沌现象研究之初，人们缺乏对于混沌理论的相关了解，错把其当作噪声处理，随着混沌理论的研究，人们开始认识到混沌存在的研究价值。混沌在通讯技术等领域中也有关键技术的不断发展，混沌时间序列分析作为混沌理论的一个重要组成部分在电路系统负载短期预测、网络关键参数滤波、DNA结构序列分析等领域有着广泛的应用。扩展卡尔曼滤波(ExtendedKalmanFilter，EKF)是一种常用的滤波工具，其基本原理是通过系统的输入和输出来进行数据观测，对系统的状态进行最优估计的滤波算法。扩展卡尔曼滤波算法自提出以来，它在信息通信，系统的调控与信号滤波等领域发挥了非常重要的作用，成为相关领域最有效、最常见的计算和建模工具之一。扩展卡尔曼滤波的本质就是结合上一状态系统测量值与预测值来估计当前系统的状态参数。经典的卡尔曼滤波只能解决线性系统的滤波问题，对于机会网络中网络节点组成的非线性系统则不再适用。与传统的卡尔曼滤波只能在现行系统发挥作用不同的是，扩展卡尔曼滤波可以处理非线性系统的滤波问题。这主要因为扩展卡尔曼滤波对非线性函数的泰勒展开式进行一阶线性化截取处理，从而将原本的非线性问题转化为线性问题进行处理。这样一来就解决了传统卡尔曼滤波不能应用于非线性系统的问题。扩展卡尔曼滤波应用于非线性系统的状态估计已经的到了相关领域学术界的认可，并广泛使用。
技术实现思路
本专利技术针对非稳态下特征值信号的混沌特性，提供了一种特征值滤波方法，采用扩展卡尔曼滤波解决了非稳态下特征值信号滤波方式不足的问题。本专利技术所采用的技术方案是：一种非稳态随机机会网络特征值滤波方法，其特征在于，包括以下步骤：步骤1：获取不稳定状态下的特征值信号，判断获取的不稳定状态下特征值信号是否为混沌信号；步骤2：针对特征值信号的特性，采用扩展卡尔曼滤波算法进行特征值滤波。本专利技术在基于扩展卡尔曼滤波进行特征值滤波过程中，依据扩展卡尔曼滤波算法特性，通过对滤波结果的分析，验证滤波方式符合滤波精度要求，解决了非稳态下随机机会网络特征值滤波方式不足的问题。附图说明图1为本专利技术实施例的圆内单个节点RWP模型示意图；图2为本专利技术实施例的扩展卡尔曼滤波递推流程图；图3为本专利技术实施例的状态测量值1示意图；图4为本专利技术实施例的状态测量值2示意图；图5为本专利技术实施例的非稳态特征值信号1示意图；图6为本专利技术实施例的非稳态特征值信号2示意图；图7为本专利技术实施例的最小嵌入维数示意图；图8为本专利技术实施例的关联维数示意图；图9为本专利技术实施例的特征值λ2滤波示意图；图10为本专利技术实施例的特征值λ10滤波示意图；图11为本专利技术实施例的扩展卡尔曼滤波收敛性分析实例示意图；图12为本专利技术实施例的MSE算法判断流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术开展的不稳定状态下随机机会网络的特征值滤波，是对于估算网络拓扑结构相关的全局状态信息工作的补充，鉴定随机机会网络在不稳定情况下的特征值信号符合混沌特征，分析系统在不稳定状态下网络拓扑信息中的特征值信号的特性的过程采用计算最大李雅普诺夫指数，鉴定其为混沌信号，并以扩展卡尔曼滤波解决特征值信号滤波方式不足的问题。本专利技术的研究对象为随机机会网络的节点移动模型。由于拓扑结构相关的全局状态参数包括特征值、特征值、网络直径等，因此研究中需要选取具有重要价值的参数。本专利技术中，随机机会网络的“特征值”指的是网络邻接矩阵的特征值，网络邻居矩阵的特征值是一种能够用于标识网络关键信息，帮助实现网重构的关键状态参数。在实际情况下，机会网络设备之间存在结构的差异，不同通信设备之间的通信方式和通讯距离存在差异。而且由于设备数量有限，通常不可能模拟大型机会网络。因此，本专利技术利用网络仿真建立节点移动模型。在此基础上，研究了非稳态随机机会网络的特征。本专利技术中，针对随机机会网络非稳态下特征值滤波的研究方式采用的是采用网络仿真的方式进行，并不是在真实网络中进行实验。因此，本实施例需要将真实网络抽象为随机机会网络相关运动节点，而节点具有相应的运动模型的特点。根据研究现状和实际存在的问题，本专利技术研究过程选择了具有“通信”功能的节点移动模型。以RWP模型为例，“随机机会网络”在本专利技术中具有以下特点：(1)节点的运动是在一个平面的区域，区域为圆形且有界。(2)通信节点数目选择大于400个，目的是为了减少随机移动模型本身所具有的移动模式的偶然性。(3)节点有独立运动的特点。节点之间是相互独立存在的，节点之间的通信方式是双向通信。为了确保机会网络本身的稀疏性特点，网络节点的通信范围与整个运动区域的比值应该小于0.3。(4)网络节点的运动速度和节点停滞时间在一定范围内是可变化的。(5)节点的移动准则按照标准RWP模型中节点的运动准则来设置。采取以上节点的模拟规则的原因，是为了尽量使移动模型贴近于真实的随机网络的节点运动情况，使得后续实验结论能有实际的参考价值。实体移动模型之间有着各自的特点，因此移动模型的选取，要根据研究的实际，结合研究所需要的实体移动模型的相关性能来进行。表1给出了几种主要实体移动模本文档来自技高网...

【技术保护点】
1.一种非稳态随机机会网络特征值滤波方法，其特征在于，包括以下步骤：步骤1：获取不稳定状态下的特征值信号，判断获取的不稳定状态下特征值信号是否为混沌信号；步骤2：针对特征值信号的特性，采用扩展卡尔曼滤波算法进行特征值滤波。

【技术特征摘要】
1.一种非稳态随机机会网络特征值滤波方法，其特征在于，包括以下步骤：步骤1：获取不稳定状态下的特征值信号，判断获取的不稳定状态下特征值信号是否为混沌信号；步骤2：针对特征值信号的特性，采用扩展卡尔曼滤波算法进行特征值滤波。2.根据权利要求1所述的非稳态随机机会网络特征值滤波方法，其特征在于：步骤1中所述特征值是网络邻接矩阵的特征值。3.根据权利要求2所述的非稳态随机机会网络特征值滤波方法，其特征在于，步骤1的具体实现包括以下子步骤：步骤1.1：搭建具有“通信”功能的节点移动模型，对随机机会网络不稳定状态提出具体界定，获取不稳定状态下的特征值信号；步骤1.2：通过最大李雅普诺夫指数的计算，判断获取的不稳定状态下特征值信号是否为混沌信号。4.根据权利要求3所述的非稳态随机机会网络特征值滤波方法，其特征在于：步骤1.1中所述具有“通信”功能的节点移动模型为RWP模型，所述RWP模型具有以下特点：特点1：节点的运动是在一个平面的区域，区域为圆形且有界；特点2：通信节点数大于400个；特点3：节点有独立运动的特点；节点之间是相互独立存在的，节点之间的通信方式是双向通信；网络节点的通信范围与整个运动区域的比值小于0.3；特点4：网络节点的运动速度和节点停滞时间在一定范围内是可变化的；特点5：节点的移动准则按照标准RWP模型中节点的运动准则来设置。5.根据权利要求3所述的非稳态随机机会网络特征值滤波方法，其特征在于：步骤1.1中所述获取不稳定状态下的特征值信号，是在特征值曲线中，取在特征值达到常数之前的信号。6.根据权利要求3所述的非稳态随机机会网络特征值滤波方法，其特征在于：步骤1.2中，李雅普诺夫指数λ是否为正值，如果测量值为正，则信号为混沌信号。7.根据权利要求6所述的非稳态随机机会网络特征值滤波方法，其特征在于：所述李雅普诺夫指数λ，其计算过程为：首先对于获取的特征值信号x(n)，选取一定的延迟时间τ，构造Nm个m维矢量Xi：Xi＝(xi,xi+τ,…,xi+(m-1)τ)(1)式中，τ＝kΔt，k是正数，Δt是特征值时间序列采样的时间间隔，i＝1,2,…,Nm,Nm＝N-(m-1)τ，m为嵌入维数，τ为延迟时间；选取合适的延迟时间τ和相关嵌入维数m，通过计算互信息函数的第一极小值的方式确定延迟时间τ，互信息函数表示的是两个随机变量间普遍性随机关联的数值关系；特征值时间序列x(n)的互信息定义为：式中,P是时间序列x(n)中互信息所对应的概率分布，Pi是xn落入第i个划分的区间里的概率，Pij(τ)是xn落入第i个划分的区间的同时x(n+τ)落入第j个区间的几率的表示；当I(τ)数值为最小时，为理论上合适的时间序列延迟τ；随后从相空间Nm个点里面任意选择一个参考点Xj，计算剩余部分(Nm-1)个点到Xi的相对距离：其中，i＝1,2,…,Nm；I表示式(2)获取的互信息函数第一极小值；t为特征值时间序列采样的时间；对所有Xi采用上述计算方式，算取关联积分：式中，θ()表示的是Heaviside函数，且当x＞0时：θ(x)＝1(5)用logCm...

【专利技术属性】
技术研发人员：颜昕，崔利坤，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42