一种低时间复杂度的随机机会网络拓扑重构方法技术

技术编号:19186213 阅读:26 留言:0更新日期:2018-10-17 02:13
本发明专利技术公开了一种低时间复杂度的随机机会网络拓扑重构方法,结合矩阵与特征值和特征向量的关系给出了应用压缩感知理论进行网络重构时测量值和测量矩阵的选取方法。通过对稀疏信号重构原理分析,基于贪婪算法稀疏信号重构原理实现一种低时间复杂度的随机机会网络拓扑重构方法。本发明专利技术与现有的重构方法其重构耗时大大较低,算法性能有所提高。所以能较快的重构出随机机会网络拓扑结构,优化了随机机会网络的性能。

A low time complexity topology reconstruction method for stochastic opportunistic networks

The invention discloses a low time complexity stochastic chance network topology reconstruction method, and combines the relationship between matrix and eigenvalue and eigenvector to give the selection method of measurement value and measurement matrix in network reconstruction using compressed sensing theory. By analyzing the principle of sparse signal reconstruction, a low time complexity stochastic chance network topology reconstruction method based on greedy algorithm sparse signal reconstruction principle is proposed. Compared with the existing refactoring method, the invention has much lower reconfiguration time and improved algorithm performance. Therefore, we can quickly reconstruct the topology of random chance network and optimize the performance of random chance network.

【技术实现步骤摘要】
一种低时间复杂度的随机机会网络拓扑重构方法
本专利技术属于移动通信
,涉及一种随机机会网络拓扑重构方法,具体涉及一种应用压缩感知理论实现随机机会网络拓扑邻接矩阵的重构,实现了基于压缩感知理论的网络重构方法。
技术介绍
随机机会网络,也被称为稀疏Adhoc网络,它是一种移动自组织网络。其具有通信延迟与可容忍结构分裂的特点,这是和传统网络的不同之处。随机机会网络是由一系列不同的节点,这些所有的节点具有一定的通信范围,并且有着一定的运动规律,当然不同节点的移动规律和通信范围大小可能是不同的。其通信系统是由不断移动的节点构成,节点移动过程中保持通信,构成动态变化的通信链路。随机机会网络的节点能够进行报文转发,当两个节点不在其相互通信半径范围内时,那么这两节点的通信可以通过节点消息的转发实现。无中心节点、移动节点之间自组织、网络拓扑动态变化和移动节点的能源受限是随机机会网络最鲜明的特性。由于网络中任意一个节点都是在一直运动的,所以整个随机机会网络拓扑结构也是在不断地改变,所以对于那些拥有记录节点路径信息功能的路由来说,就必须不断更新路由表。随机机会网络节点间相互独立、采用分布式的控制方案,其具有移动终端功能,可以实现报文转发。所以其在军事战场和救灾现场等无通信基础设施的情境下有着重大的应用意义。在随机机会网络中,节点的移动性造成了网络拓扑动态变化,这使得在随机机会网络中通过路由协议获取网络拓扑结构变得异常困难。随着对随机机会网络拓扑获取算法的不断研究,已经取得了许多成果。目前对于随机机会网络拓扑获取的算法主要分为分布式估算算法和集中式估算算法。分布式的方法主要式利用拓扑控制算法通过网络节点的某时刻位置信息或者是其移动方向信息来计算网络拓扑结构,但由于其实现会占用很多信道资源,而造成网络拥堵、高延迟等现象。而在网络拓扑集中式估算中,许多学者将复杂网络中的研究方法应用到随机机会网络拓扑的研究中,也有学者应用信号滤波的方法研究网络拓扑的重构,并取得了许多成果,实现了随机机会网络拓扑的本地集中式估算。在以往的研究中估算得到某时刻随机机会网络邻接矩阵的特征值和特征向量之后,是通过(1-1)重构出某一时刻的网络邻接矩阵。假设矩阵A(G)∈RN×N随机机会网络稳态后某一时刻网络拓扑的邻接矩阵,那么之前的研究中A(G)是通过下式求得:其中λi为相关算法估算得到的特征值,xi为其对应的特征向量,xTi表示向量xi的转置,其计算时间复杂度为O(n3)。但是式(1-1)这种网络重构方式在网络节点数目较大时,由于重构算法时间复杂度,网络重构算法运行时间较长,就会造成随机机会网络的性能下降。
技术实现思路
为了解决原网络重构算法在节点数目较大时,计算耗时较长的问题,本专利技术提供了一种低时间复杂度的随机机会网络拓扑重构方法。本专利技术所采用的技术方案是:一种低时间复杂度的随机机会网络拓扑重构方法,其特征在于,包括以下步骤:步骤1:已知随机机会网络某时刻网络拓扑邻接矩阵A∈RN×N的所有特征值λ=(λ1,λ2,...λN)和其对应的特征向量p=(p1,p2,...,pN),选取部分特征值和特征向量,获得压缩感知网络重构所需的测量值和测量矩阵;其中,N为随机机会网络中节点的个数,矩阵A元素总个数为N2个;步骤2:输入测量矩阵Φ∈RM×N和测量值y∈RM×N;其中测量矩阵为选定M个特征值对应特征向量的转置并于每一列测量值一一对应,测量值矩阵y的1,2,...N列分别是网络邻接矩阵的第1,2,...N行的测量值;其中,M为网络邻接矩阵每一行重构所使用的测量值数目;步骤3:初始化邻接矩阵A∈RN×N,且矩阵中任意一个元素aij=0;步骤4:在每一行重构开始时初始化残差;对于第j行,初始化残差其中yi表示矩阵y中的第j列,Φl代表Φ中多列的累加和,即其中φl代表测量矩阵中的第l列,且l的取值仅为使ajl=1的列号,且l<j;步骤5:在第K次迭代中残差使用rK-1表示,求最相关列那么将最相关列对应矩阵中元素ajz和其对称位置元素azj置为1,将最相关列置为零,更新残差步骤6:判断;若||rK||2>||rK-1||2,则迭代终止,矩阵A第j行重构完成,则回转执行步骤4,继续进行第j+1行的重构;否则,回转执行步骤5,继续第K+1次迭代。使用现有重构算法完成网络重构的时间复杂度为O(n3);而对于基于贪婪算法的随机机会网络重构算法而言,其计算复杂性主要集中在第四步的计算最相关列的过程中,其完成任意一行重构时间复杂度为O(nlogn)。因为网络重构是n行分别完成重构,从而网络重构的时间复杂度为O(n2logn)。其时间复杂度低于现有的网络重构算法。但由于其运行时间受迭代次数的影响,所以当网络稀疏比增大时算法运行耗时会有所提升。本专利技术与现有的重构方法其重构耗时大大较低,算法性能有所提高。所以能较快的重构出随机机会网络拓扑结构,优化了随机机会网络的性能。附图说明图1为本专利技术实施例的流程图;图2为本专利技术实施例的压缩感知核心采样过程图;图3为本专利技术实施例的网络稀疏比与r0的关系图;图4为本专利技术实施例的不同度大小对应节点个数的分布区间;图5为本专利技术实施例的平均度与所有节点中度最大节点的度的关系;图6为本专利技术实施例的不同平均度下度的概率分布图;图7为本专利技术实施例的压缩感知网络重构算法与现有网络重构算法对比图。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。请见图1,为本实施例的流程图,具体过程如下:压缩感知(CompressiveSensing,CS),有时也叫成CompressiveSampling。相对于传统的奈奎斯特采样定理——要求采样频率必须是信号最高频率的两倍或两倍以上(这就要求信号是带限信号,通常在采样前使用低通滤波器使信号带限),压缩感知则利用数据的冗余特性,只采集少量的样本便可还原原始数据。其核心的压缩采样过程如图2所示:首先,需要知道信号x∈RN在变换域Ψ是稀疏的,即存在在变换矩阵Ψ使得x=Ψα,然后,设计一个与变换矩阵Ψ无关的M×N的观测矩阵Φ∈RM×N,用于对原始的信号x进行观测继而得到观测向量y∈RM,即y=Φx。再结合存在x=Ψα就可以得到:y=Φx=ΦΨα=Θα(1-2)在此压缩采样过程其一核心工作便是原始信号的采样压缩处理,另一方面在原始信号恢复的过程,我们所已知的便是观测值y和观测矩阵Φ、变换矩阵Ψ,然后通过重构算法进行原始信号的重构。信号的稀疏性是应用压缩感知理论进行信号处理的前提条件,信号稀疏比代表信号非零位与信号长度的比值,其大小影响压缩感知理论的应用效果。本实施例使用网络稀疏比作为网络整体稀疏性的一个衡量标准,其指的是网络拓扑邻接矩阵中非零位的数目与所有矩阵元素个数N2的比值。那么网络整体的稀疏性和网络邻接矩阵中每一行的稀疏性将是应用压缩感知理论进行信号重构必不可少的条件。假设使用μ代表网络稀疏比,μ的含义可以理解为网络拓扑邻接矩阵中所有非零位的数目M与所有矩阵元素个数N2的比值。网络平均度作为一个重要的随机机会网络全局状态参数,代表网络中每一个节点的平均联通信息。随机机会网络稀疏比与网络相关参本文档来自技高网
...

【技术保护点】
1.一种低时间复杂度的随机机会网络拓扑重构方法,其特征在于,包括以下步骤:步骤1:已知随机机会网络某时刻网络拓扑邻接矩阵A∈RN×N的所有特征值λ=(λ1,λ2,...λN)和其对应的特征向量p=(p1,p2,...,pN),选取部分特征值和特征向量,获得压缩感知网络重构所需的测量值和测量矩阵;其中,N为随机机会网络中节点的个数,矩阵A元素总个数为N2个;步骤2:输入测量矩阵Φ∈RM×N和测量值y∈RM×N;其中测量矩阵为选定M个特征值对应特征向量的转置并于每一列测量值一一对应,测量值矩阵y的1,2,...N列分别是网络邻接矩阵的第1,2,...N行的测量值;其中,M为网络邻接矩阵每一行重构所使用的测量值数目;步骤3:初始化邻接矩阵A∈RN×N,且矩阵中任意一个元素aij=0;步骤4:在每一行重构开始时初始化残差;对于第j行,初始化残差

【技术特征摘要】
1.一种低时间复杂度的随机机会网络拓扑重构方法,其特征在于,包括以下步骤:步骤1:已知随机机会网络某时刻网络拓扑邻接矩阵A∈RN×N的所有特征值λ=(λ1,λ2,...λN)和其对应的特征向量p=(p1,p2,...,pN),选取部分特征值和特征向量,获得压缩感知网络重构所需的测量值和测量矩阵;其中,N为随机机会网络中节点的个数,矩阵A元素总个数为N2个;步骤2:输入测量矩阵Φ∈RM×N和测量值y∈RM×N;其中测量矩阵为选定M个特征值对应特征向量的转置并于每一列测量值一一对应,测量值矩阵y的1,2,...N列分别是网络邻接矩阵的第1,2,...N行的测量值;其中,M为网络邻接矩阵每一行重构所使用的测量值数目;步骤3:初始化邻接矩阵A∈RN×N,且矩阵中任意一个元素aij=0;步骤4:在每一行重构开始时初始化残差;对于第j行,初始化残差其中yi表示矩阵y中的第j列,Φl代表Φ中多列的累加和,即其中φl代表测量矩阵中的第l列,且l的取值仅为使ajl=1的列号,且l<j;步骤5:在第K次迭代中残差使...

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

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1