基于随机自动学习机与模糊算法的高吞吐量中继选择方法技术

本发明专利技术公布了一种基于随机自动学习机与模糊算法的高吞吐量中继选择方法。主要解决在无线传感网中由于子节点和协调器之间链路损耗大使网络性能严重下降的问题。所述的方法包括：通过将无线传感网和随机自动学习机相结合，源节点可以通过学习的方式，找到最佳中继，使系统达到平衡稳定的状态。对于中继节点将接收到的数据进行AF转发，不同传感器数据拥有不同优先级。具有高优先级的节点在一帧内可以多次接入信道，发送成功的概率高。中继节点采用模糊算法，实现负载均衡。本发明专利技术的实施例，保证节点在运行期间内无需人为干预，可以自适应的达到稳定状态，使网络整体吞吐量最大化，具有广泛的应用价值。

【技术实现步骤摘要】
基于随机自动学习机与模糊算法的高吞吐量中继选择方法
本专利技术属于无线传感器网络
，特别涉及基于随机自动学习机与模糊算法的高吞吐量的继选择方法。
技术介绍
在无线传感器网络中，无线传感器节点的资源非常有限，主要体现在能量、存储能力、处理能力和通信宽带上。在一些场景中，如机器人搜救、无人机指挥，传感器节点处于复杂的环境中，在源节点和目的节点直接距离远或者通信链路质量差的情况下，采用直接传输的方式将使系统性能严重下降。合作通信被证明是实现空间多样性和解决无线网络中日益增长的数据吞吐量需求的方法。如何选择最佳中继，通过选择的中继进行多跳传输，进而提高网络的吞吐量等性能指标，对无线传感器网络的研究具有深远的影响。近年来，提出许多中继选择算法。例如提出的基于模型预测控制(MPC)的方法，通过粒子群移动的算法来定位和控制中继节点的移动，通过简单的考虑可用节点的数量来联合优化网络连接和吞吐量。另外，还有将遗传算法应用到中继选择中。另外一种算法维护一个中继速率表，每次进行源节点到目标节点的传输，要比较直接传输和潜在的协作传输之间速率，选出具有最快速率路径进行传输。然而这种算法当链路质量下降时，通信性能将受到严重影响。在此基础上，提出基于备份路径的辅助传输，来保证数据的可靠性，但这种方法采用可用的潜在路径进行传输，不能选择使吞吐量最优的中继进行传输。协调器端的通信，由媒体访问控制协议(MAC)提供周期性的监听/睡眠状态，防止偷听和空闲监听。当前大多数的研究集中于解决传感器节点的能量消耗问题。但这也导致了其他问题，传感器节点可以关闭其无线传输，但不能与处于该状态的其他节点通信。如果传感器节点切换到侦听状态发送数据，则必须等到其他节点也切换到侦听状态。如果其他节点具有不同的时间表，通信将变得很困难。需要紧急传输的数据经常迟到，整个网络的吞吐量和无线传感网的传输速率因此下降。此外，存在中继负载不均衡的情况，导致网络整体性能下降。
技术实现思路
本专利技术实施例提供基于随机自动学习机与模糊算法的高吞吐量的继选择方法。在运行期间，各个源节点具有自组织性，拥有自我优化和自学能力。运行期内，无需与其他节点交换信息，通过环境反馈自适应选择中继，不需要人为干预，以便最大化吞吐量，保证系统稳定运行。在中继与目的节点之间，通过模糊算法达到负载均衡。为达到上述目的，本专利技术实施例提供了基于随机自动学习机与模糊算法的高吞吐量的继选择方法，随机自动学习机应用于无线传感器网络中的源传感器节点所在设备上，模糊算法用于进行中继负载均衡，方法包括：根据无线传感器网络环境进行模型建立，将传感器网络环境模型用四个参数表示E＝{S,M,(Ai)i∈S,(Cj)j∈M}，其中S表示源节点，即随机自动学习机的输入；M代表所有备选中继，用于进行辅助传输；Ai代表可选动作，即选择了哪一个中继去传输；Cj表示节点选择合适的中继之后与环境交互输出的反馈信号，本专利技术中表示为各个源节点与环境交互以后得到的效益函数。具体的，本专利技术属于合作通信模式，中继起到数据转发的功能。存在两种中继转发方法，放大转发(AF)和解码转发(DF)。在DF模式下，中继将接收到的源节点数据包进行解调，解码，然后再次进行调制，编码以后，发送到目的节点。这种方法由于编码，解码以及调制解调，使系统延时上升，传输速率下降。采用DF模式传输，系统吞吐量表示如下：在AF模式下，中继节点简单地放大从源节点接收到的信号并将其传输到目标节点。这是一种简单的方法，并且可以低成本实施。采用AF模式传输，系统吞吐量表示如下：需要说明的是，对于合作传输，在特定的情况下，采用中继辅助传输系统的吞吐量不总是比采用直接传输系统的吞吐量大。所以本系统存在直接传输和AF传输两种传输方法。采用直接传输，系统的吞吐量如下：CD(s,d)＝Wlog2(1+SNRsd)(3)节点生成特定帧结构格式，节点选择相应的动作。即选择特定中继进行传输时，由于中继被共用，中继将采用时分多址的方式服务于各个源节点。一帧内分为两个时隙，用于从源到中继，中继到目标节点的两跳传输。源节点根据环境反馈获得自学能力，通过和环境的反复交互不断更新状态，最终，找到最优中继进行传输。具体的，为各个源节点初始化其动作集合，动作选择概率集合，反馈集合。随机自动学习机是一个基于概率的学习工具，它通过随机动作概率向量Pik(t)来选择动作，动作概率向量是学习自动机的主要构件，所以必须保持随时更新。需要说明的是，该系统存在多个源节点去竞争一个中继进行传输的情况，即存在竞争关系，网络建模为拥塞的非合作博弈，网络存在纳什均衡点。即系统达到NE点以后，任何一个节点改变动作，都不会获得更大的效用。需要说明的是，在初始阶段，设置迭代因子t＝0,动作选择概率集合初始化为这样可以保证初始时刻，源节点随机接入中继，进行自动学习。源节点使用随机学习自动机方法(SLA)方法与周围环境进行交互。具体的，对于任意一个源节点i，初始化概率选择集合，节点通过该概率向量选择相应的动作。选择的动作将作为随机自动学习机的输入。随机自动学习机将评估该动作与环境交互后对数据传输的影响，输出相应的效用函数，更新动作选择概率集合。具体的，在时隙t开始时刻，源节点i根据其初始化的概率选择集合选择一个动作，输入到随机自动学习机。随机自动学习机与环境进行交互，在时隙t结束的时候，源节点i将会收到一个效用函数。依据此效用函数的反馈去更新动作概率集合。需要说明的是，随机自动学习机是一个不断迭代的过程。每个时隙结束以后，完成一次迭代，更新各个源节点的概率选择集合。概率选择集合的更新按照如下公式进行。其中，β取值代表一个步进值，取值范围是0到1，β取初始值0.4，既能保证一定的学习速度，又不至于步进过大，错过最优动作。β用于将各个源节点趋近于稳定的NE点。Pik(t+1)＝pik(t)+βri(t)(1-pik(t)),k＝ai(t)(4)Pik(t+1)＝pik(t)-βri(t)pik(t),k≠ai(t)(5)随着t不断的增大，学习不断进行，概率选择概率集合趋向于集中化。此时应当调整β使其变小，由此可以在小范围内进行继续的学习探索。β和迭代次数存在关联，本专利技术中，将β定义如下：本专利技术中，ri(t)代表环境奖励。源节点选择一个动作以后，会收到环境反馈的一个效用函数uo(i)，然后源节点再选择另外一个动作与环境交互，得到最新的效用函数un(i)，定义Δu为效用函数的差值。当Δu增大时，ri(t)取值+1，反之，取-1。定义如下：源节点接有不同传感器，本专利技术考虑实际应用中，传感器不同节点发送数据的紧急情况有所不同。本专利技术在中继节点转发源节点数据到目的节点时，考虑数据发送的差异，故而本专利技术中存在不同优先级的数据以及不同的优先队列，用于对不同优先级数据的传输。具体的，具有高优先级的数据比低优先级的数据拥有更多的传输机会。本专利技术中存在三种不同优先级的数据，优先级为1、2、3代表的优先级依次升高。优先级为1的数据在一帧内有一次数据接入信道，发送到目的节点的机会。优先级为2的数据在一帧内有两次机会。优先级为3的数据有4次数据传输机会。相应的，存在三种级别的优先级队列。中继节点将高优先级的数据放入高优先级队列中，将低优先级数据放入低优先级队列。本文档来自技高网...

【技术保护点】
1.基于随机自动学习机与模糊算法的高吞吐量中继选择方法，其特征在于，包括以下步骤：第一步，根据无线传感器网络环境进行模型建立，将博弈论思想以及随机自动学习机方法应用到无线传感器网络的环境之中，将传感器网络环境模型用四个参数表示E＝{S,M,(Ai)i∈S,(Cj)j∈M}。其中S＝{1，2，，，N}代表N个不同的源节点；M＝{1，2，，，M}代表M个不同的中继节点。对于

【技术特征摘要】
1.基于随机自动学习机与模糊算法的高吞吐量中继选择方法，其特征在于，包括以下步骤：第一步，根据无线传感器网络环境进行模型建立，将博弈论思想以及随机自动学习机方法应用到无线传感器网络的环境之中，将传感器网络环境模型用四个参数表示E＝{S,M,(Ai)i∈S,(Cj)j∈M}。其中S＝{1，2，，，N}代表N个不同的源节点；M＝{1，2，，，M}代表M个不同的中继节点。对于Ai代表第i个源节点选择的动作策略，即选择哪一个中继进行辅助传输。对于Cj(k)代表选择第j个中继节点进行传输的效用函数，k表示有k个节点选择该中继进行数据传输。第二步，发送节点生成特定的帧结构。本系统的发送节点中，一帧包含两个时隙。在第一个时隙中，源节点S将信息发送到目标节点D。由于广播的性质，中继节点R可以监听到该信息的传输；在第二个时隙内，中继节点R将信息进行放大转发。即以AF的方式将信息传输到目标节点D。信息使用如图3所示的帧结构进行传输。第三步，节点初始化动作集合，动作选择概率集合以及反馈集合。其中，为了保证节点刚开始采用随机接入，动作选择概率集合初始化如下：第四步，源节点使用随机自动学习机(SLA)的方法和周围环境进行交互；源节点按照如下公式更新各自的概率选择集合：Pik(t+1)＝pik(t)+βri(t)(1-pik(t)),k＝ai(t)(2)Pik(t+1)＝pik(t)-βri(t)pik(t),k≠ai(t)(3)第五步，按照动作选择集合进行相应的动作，同时，将收到环境的反馈。环境反馈对应本系统中的效用函数。随着t不断的增大，学习不断进行，概率选择概率集合趋向于集中化。此时应当调整β使其变小，由此可以在小范围内进行继续的学习探索。β和迭代次数存在关联，本发明中，将β定义如下：本发明中，ri(t)代表环境奖励。源节点选择一个动作以后，会收到环境反馈的一个效用函数uo(i)，然后源节点再选择另外一个动作与环境交互，得到最新的效用函数un(i)，定义Δu为效用函数的差值。当Δu增大时，ri(t)取值+1，反之，取-1。定义如下：第六步，在某个时隙开始时，基于概率选择集合选择相应中继进行动作，在某个时隙结束以后，当概率选择集合中存在趋近于1的概率时，停止学习，此时已经达到了NE点；当概率选择集合中不存在趋近于1的概率时，返回到第四步继续进行迭代。第七步，考虑传感器不同节点发送数据的紧急情况有所不同。本发明在中继节点转发源节点数据到目的节点时，考虑数据发送的差异，故而本发明中存在不同优先级的数据以及不同的优先队列，用于对不同优先级数据的传输。具体的，具有高优先级的数据比低优先级的数据拥有更多的传输机会。本发明中存在三种不同优先级的数据，优先级为1、2、3代表的优先级依次升高。优先级为1的数据在一帧内有一次数据接入信道，发送到目的节点的机会。优先级为2的数据在一帧内有两次机会。优先级为3的数据有4次数据传输机会。相应的，存在三种级别的优先级队列。中继节点将高优先级的数据放入高优先级队列中，将低优先级数据放入低优先级队列。因此，高优先级的数据有机会在任何时间内发送。具体的发送方案见图5。第八步，考虑不同链路有不同的信道条件，信道条件好的链路被选择的概率大，负载严重，不利于平衡传输，本发明中采用模糊算法平衡负载。具体的，模糊系统的设计包含定义的输入信号和隶属函数，隶属函数用于量化模糊集输入值的隶属度。模糊系统的每个输出都对应一个标签。本系统中，”FIR_CH”，”SEC_CH”，”TH_CH”，”NO_CH”被用作模糊输出的标签。不同隶属函数可以确定输入空间中不同的粒度，同时保持少量状态减少控制规则的大小。系统存在两种模糊集，SNR模糊集和负载模糊集。将SNR模糊集分别定义为相对高集(RH),高集(H)和非常高(VH)集。利用信噪比SNR和负载两个输入集，通过各个中继的输出，选取FIR_CH、SEC_CH、TH_CH、NO_CH的最大者，不至于出现一个信道条件好的中继负载严重的情况。...

【专利技术属性】
技术研发人员：张洪光，刘元安，吴帆，范文浩，张丽彪，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11