本发明涉及无线传感器网络技术，更具体地说，是一种事件触发通信下的分布式自适应局部扩散控制方法。
背景技术：
近年来，无线传感器网络(wsns)在电网、环境检测等不同领域得到了广泛的应用。在无线传感器网络中，估计网络未知参数的方法很多，集中式求解和分布式求解由于具有更好的估计性能而受到研究者的关注。在集中式解决方案中，网络中的每个节点都将其数据传输到中心节点。在这种解决方案中，中心节点必须承担许多计算任务。一旦中心节点损坏或能量耗尽，可能会导致整个传感器网络崩溃。与集中式解决方案不同，在分布式解决方案中，局部节点相互协作完成网络的估计任务。因此，在链路失效的情况下，它比集中式解决方案具有更强的鲁棒性。
现有文献中，分布式解决方案包括增量、共识和扩散三种方案。在扩散方案中，节点通过广播的方式进行节点间的通信。因此，该方案不依赖于任何中央控制机制或协议，这使分布式算法对通信链路损伤或节点损伤具有更强的鲁棒性。由于这些优点，扩散方案在无线传感器网络中得到了广泛的应用。扩散最小均方(diffusionleastmean-square,dlms)是一种重要的扩散方案，它为在网络中实现分布式自适应滤波提供了一种简单有效的方法。
然而，在无线传感器网络中，节点往往受到计算能力和电力的限制。当节点在无线网络中执行分布式任务时，最消耗电能的动作是数据传输。因此，减少节点间通信是保证网络长期稳定的必要条件，有许多算法试图减少节点间的通信，如局部扩散或数据选择。
然而，现有的基于估计误差的数据选择方案，将数据分为无意义数据以及错误数据，通过设定合适的阈值降低数据冗余，以达到降低网络通信代价的目的。也有发明提出了基于最小均方(lms)算法的局部扩散方案，各个节点使用中间估计量的子集进行参数估计，进而降低网络的通信代价。但是，传统的局部扩散方案是以降低算法的估计性能作为降低通信量的代价。同时，没有考虑网络拓扑结构改变对估计性能的影响以及数据冗余造成的通信资源浪费。而在实际环境中，网络的拓扑结构可能随时在发生变化(如：海洋环境)。动态网络拓扑往往意味着每个节点的邻居节点每一时刻都在改变，往往会影响到传统局部扩散策略的估计性能。这意味着传统的算法并不适用动态网络拓扑环境。
技术实现要素：
针对目前研究存在的问题，本发明在于提供一种适于动态网络拓扑环境的局部扩散方法，尽量减少动态网络拓扑中的数据冗余。
为实现上述目的，本发明所采用的具体技术方案如下：
一种事件触发通信下的分布式自适应局部扩散控制方法，其关键在于包括以下步骤：
s1：获取每个节点当前时刻输入数据和上一时刻输出数据，并根据上一时刻每个节点位置信息和移动距离确定当前时刻每个节点位置信息；
s2：根据当前时刻每个节点位置信息确定每个节点的邻居节点，并根据每个节点上一时刻的自适应权重系数、各个邻居节点的输入数据和输出数据确定每个节点当前时刻的中间估计值；
s3：根据每个节点当前时刻的中间估计值判断是否满足触发条件，如果满足触发条件，则采用当前时刻的中间估计值，如不满足触发条件，则采用上一次满足触发条件时的中间估计值作为当前时刻的中间估计值；
s4：根据步骤s3所得每个节点当前时刻的中间估计值和每个邻居节点当前时刻的中间估计值确定每个节点当前时刻的自适应权重系数；
s5：根据每个节点输入数据和当前时刻的自适应权重系数确定每个节点的输出数据。
可选地，整个网络中有n个节点，且在二维平面中移动，节点k第n时刻的位置表示为：(ak,n,bk,n),k∈{1,2,…,n}；则步骤s1中按照：
可选地，步骤s2中通过两个节点之间能否直接通信确定是否为邻居节点，且在确定每个节点当前时刻的中间估计值时采用自适应局部扩散算法，按照：
其中：wk,n-1表示节点k在第n-1时刻的自适应权重系数，
cl,k＝0，if
μk表示节点k的权重系数补偿参数。
可选地，步骤s3中通过设置触发机制ek,n来修正第n时刻节点k的中间估计值，其中：
ek,n:
ρ为正标量，且0＜ρ＜1；
可选地，步骤s4中按照
可选地，步骤s4中按照：
可选地，m的取值根据当前网络规模和邻居节点数确定。
可选地，以
可选地，步骤s5中按照
可选地，所述节点为无线传感器节点。
本发明的显著效果是：
(1)本方法考虑到动态网络拓扑结构对局部策略估计性能的影响，引入了全新的局部代价函数，同时借助传统的atc算法，通过自适应局部扩散得到了系统估计。
(2)为了减少自适应局部扩散中由于数据冗余造成的通信资源浪费，本发明设计了事件触发机制，来决定节点在某时刻是否需要向邻居节点发送数据，从而有效减少通信代价。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的控制流程图；
图2为动态网络节点位置信息变化示意图；
图3为本发明提出的事件触发机制控制原理图；
图4为仿真实验中输入信号和噪声波形图；
图5为不同时间点上动态网络拓扑结构图；
图6为中间估计子集维数m对估计性能的影响对比图；
图7为节点上邻居数量对估计性能的影响对比图；
图8为动态网络和非动态网络的估计性能效果对比图；
图9为不同算法的估计效果对比图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提出的一种事件触发通信下的分布式自适应局部扩散控制方法，包括以下步骤：
s1：获取每个节点当前时刻输入数据和上一时刻输出数据，并根据上一时刻每个节点位置信息和移动距离确定当前时刻每个节点位置信息；
网络模型通常采用无线传感器网络，在进行系统研究时，通常要先定义系统模型，节点之间的通信是一个无向图
其中vk,n为空间独立的零均值高斯噪声，其方差表示为
如图2所示，针对动态网络而言，如果整个网络中有n个节点，且在二维平面中移动，节点k第n时刻的位置表示为：(ak,n,bk,n),k∈{1,2,…,n}；则可以按照：
本发明使用了分布式扩散最小均方策略，我们通过最小化全局成本函数来寻求最优估计wo：
在分布式估计中，通过寻找局部最优估计得到全局最优估计。它们可以通过以下线性关系联系起来：
网络的局部成本函数可以表示为：
其中cl,k表示n×n非负实矩阵c中对应的元素，且有：
1表示n×1的单位向量；
为了求解代价函数式(4)，作为一种实施方式，可以直接利用自适应-再结合(atc)扩散lms算法。atc的具体过程如下：
系数al,k表示n×n非负实矩阵a中对应的元素，且有：
1表示n×1的单位向量。
基于上述分析可以得出步骤s2和步骤s4的具体实现方式，即：
s2：根据当前时刻每个节点位置信息确定每个节点的邻居节点，并根据每个节点上一时刻的自适应权重系数、各个邻居节点的输入数据和输出数据确定每个节点当前时刻的中间估计值；
具体实施时，通过两个节点之间能否直接通信确定是否为邻居节点，且在确定每个节点当前时刻的中间估计值时采用自适应局部扩散算法，按照：
计算节点k在第n时刻的中间估计值ψk,n；
其中：wk,n-1表示节点k在第n-1时刻的自适应权重系数，
cl,k＝0，if
μk表示节点k的权重系数补偿参数。
为了避免由于数据冗余而造成通信资源的浪费，本发明设计了一个事件触发机制，它可以决定每个节点当前的中间估计是否发送给它的邻居，即步骤s3所限定的内容，具体如下：
s3：根据每个节点当前时刻的中间估计值判断是否满足触发条件，如果满足触发条件，则采用当前时刻的中间估计值，如不满足触发条件，则采用上一次满足触发条件时的中间估计值作为当前时刻的中间估计值；
具体实施时，步骤s3中通过设置触发机制ek,n来修正第n时刻节点k的中间估计值，其中：
ρ为正标量，且0＜ρ＜1；
s4：根据步骤s3所得每个节点当前时刻的中间估计值和每个邻居节点当前时刻的中间估计值确定每个节点当前时刻的自适应权重系数；
作为第二实施方式，为了适应网络拓扑结构的动态变化，本发明还重新设计了一种自适应局部扩散方法，即通过：
确定节点k在第n时刻的自适应权重系数wk,n，其中系数ak,k和al,k表示n×n非负实矩阵a中对应的元素，且有al,k＝0，if
s5：根据每个节点输入数据和当前时刻的自适应权重系数确定每个节点的输出数据。具体地，步骤s5中按照：
确定节点k第n时刻的输出数据，
为了进一步理解本发明的技术效果，下面将本实施例定义为et-pdlms算法，并对其均方性能和通信成本性能分析做进一步介绍。
为了便于分析，我们设定以下条件：
一、输入向量xk,n，在时空上是独立的，输入向量的协方差表示为：
二、噪声向量vk,n在时空上是独立的。我们有e[vk,n]＝0以及：
三、步长参数μk足够小，其平方值可以忽略。
我们定义中间估计误差向量为：
节点k的估计误差为：
将式(1)带入式(6)，两边同时减去wo，得到中间估计误差向量：
根据式(5)和式(7)，将k节点的估计值改写为：
将式(18)中的估计值代入wo得到：
如果节点k的中间估计ψk,n在时间n时满足
因此，我们将所有节点的中间估计误差向量的叠加向量定义为：
为了便于后续分析，我们将中间估计误差叠加矩阵
我们定义：
m＝blockdiag{μ1il,…,μkil,…,μnil}(24)
我们可以证明
以及
其中1是l×l的0矩阵。将式(23)带入式(27)，得到估计误差向量为：
对于均值性能而言，
这里的
λmax{·}表示矩阵的最大特征值。矩阵
对于均方性能而言，向量b与加权矩阵a的平方加权欧几里德范数是：
利用这个欧几里德范数，我们可以分析et-apdlms算法的均方稳定性。对式(29)两边取平方欧几里德范数，在考虑a1和a2时应用期望算子。我们有：
其中σ是一个随机对称非负定矩阵。在条件一和条件二的前提下，
通过定义γ＝vec{e[γ]}和δ＝vec{σ}，根据式(36)，我们把式(34)修改为：
vec{.}是一个向量化算子，它可以将矩阵的列向量叠加成一个列向量，vect{.}是矩阵向量化操作的转置。根据矩阵向量化操作，我们将vec{.}表示为：
同时，我们可以将γ重写为：γ＝λδ(39)，其中：
以及
考虑到条件三，我们可以将式(40)近似为：
根据向量运算vec{.}与矩阵道的关系，我们得到了：
tr{atb}＝vect{b}vec{a}(43)
以及：
将式(39)和式(44)带入式(37)。我们可以得到：
当λ稳定时，均方意义上的式(22)稳定,λ可近似为：
因此，式(47)的稳定性与式
对于通信代价而言，本实例分别从自适应步骤和再组合步骤来分析。
自适应：在此步骤中，每个节点从相邻节点接收{xl,n,dl,n}，xl,n是一个l维向量，dl,n是一个标量。假设网络中的每个节点平均有
组合：在此步骤中，使用节点k的邻居节点的中间估计子集进行参数估计。假设使用的数据为m维向量(m的选择与h有关)，其余的l-m维数据用节点k的中间估计代替，因此在组合步骤中传输的数据量为nfm。
具体通过设置条件
接下来进一步通过仿真实验来说明本发明定义的et-apdlms算法在网络中的性能。我们设计了一个有50个节点的无线传感器网络。每个节点的输入xk,n和噪声vk,n如图4所示。在仿真过程中，我们在200*200区域内随机放置50个节点，动态网络拓扑的四次指标如图5所示。
图6显示了中间估计子集的维m对估计性能的影响。仿真中使用的步长为μk＝0.05，每个节点平均有f＝4个邻居节点。图6的结果是50个独立实验值的平均值，表明随着m的增大，算法的估计性能得到了提高。
每个节点有f个邻居节点的平均值，仿真中使用的步长为μk＝0.05，中间估计子集的维数为m＝4。图7是50个独立实验值的平均值。仿真结果表明，随着相邻节点数目的增加，算法的估计性能有所提高。
在图8中，对比了动态网络拓扑中的pdlms算法和非动态网络拓扑中的pdlms算法。研究发现，动态网络拓扑结构影响pdlms算法的估计性能。
图9比较了et-apdlms算法和pdlms算法的估计性能。仿真中使用的步长为μk＝0.05，阈值为th＝25。仿真结果表明，et-apdlms算法比pdlms算法更能适应动态网络拓扑结构。与dlms算法相比，et-apdlms算法的估计性能略低，但前面的分析表明etapdlms算法的通信成本明显降低。
综上所述，本发明提出的事件触发通信下的分布式自适应局部扩散方法，充分考虑到动态网络拓扑结构对局部策略估计性能的影响，引入了全新的局部代价函数，同时借助传统的atc算法，通过自适应局部扩散得到了系统估计，同时为了减少自适应局部扩散中由于数据冗余造成的通信资源浪费，本发明设计了事件触发机制，来决定节点在某时刻是否需要向邻居节点发送数据，从而有效减少通信代价。
最后要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
1.一种事件触发通信下的分布式自适应局部扩散控制方法，其特征在于包括以下步骤：
s1：获取每个节点当前时刻输入数据和上一时刻输出数据，并根据上一时刻每个节点位置信息和移动距离确定当前时刻每个节点位置信息；
s2：根据当前时刻每个节点位置信息确定每个节点的邻居节点，并根据每个节点上一时刻的自适应权重系数、各个邻居节点的输入数据和输出数据确定每个节点当前时刻的中间估计值；
s3：根据每个节点当前时刻的中间估计值判断是否满足触发条件，如果满足触发条件，则采用当前时刻的中间估计值，如不满足触发条件，则采用上一次满足触发条件时的中间估计值作为当前时刻的中间估计值；
s4：根据步骤s3所得每个节点当前时刻的中间估计值和每个邻居节点当前时刻的中间估计值确定每个节点当前时刻的自适应权重系数；
s5：根据每个节点输入数据和当前时刻的自适应权重系数确定每个节点的输出数据。
2.根据权利要求1所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于：整个网络中有n个节点，且在二维平面中移动，节点k第n时刻的位置表示为：(ak,n,bk,n),k∈{1,2,…,n}；则步骤s1中按照：
3.根据权利要求1所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于：步骤s2中通过两个节点之间能否直接通信确定是否为邻居节点，且在确定每个节点当前时刻的中间估计值时采用自适应局部扩散算法，按照：
其中：wk,n-1表示节点k在第n-1时刻的自适应权重系数，nk表示节点k在第n时刻的邻居节点集合，dl,n表示的l个邻居节点在第n时刻的输出数据，xl,n表示的l个邻居节点在第n时刻的输入数据的，
cl,k＝0，
μk表示节点k的权重系数补偿参数。
4.根据权利要求3所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，步骤s3中通过设置触发机制ek,n来修正第n时刻节点k的中间估计值，其中：
ρ为正标量，且0＜ρ＜1；
5.根据权利要求4所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，步骤s4中按照
6.根据权利要求4所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，步骤s4中按照：
7.根据权利要求6所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，m的取值根据当前网络规模和邻居节点数确定。
8.根据权利要求6或7所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，以
9.根据权利要求8所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，步骤s5中按照
10.根据权利要求1所述的事件触发通信下的分布式自适应局部扩散控制方法，其特征在于，所述节点为无线传感器节点。
技术总结