0 引言

　　無線傳感器網(wǎng)絡(luò)是一個能量受限的網(wǎng)絡(luò),，傳感器節(jié)點(diǎn)有體積、成本等方面的限制,，多數(shù)情況下傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)都是由電池供電,，電池容量有限，并且在很多應(yīng)用中不可能更換電池,。由于傳感器節(jié)點(diǎn)的無線通信傳輸能耗是傳感器節(jié)點(diǎn)能耗的主要部分,，因此設(shè)計(jì)有效的策略抑制多徑衰落影響是無線傳感器網(wǎng)絡(luò)提高能效和實(shí)用化的重要問題。

　　由于無線傳感網(wǎng)一般是由低處理能力的節(jié)點(diǎn)組成,，設(shè)計(jì)低復(fù)雜度的接收算法是其必然要求[1-3],。參考文獻(xiàn)[4]中Cui等人首次建立了協(xié)作式虛擬MIMO系統(tǒng)的能耗模型，但需要發(fā)送訓(xùn)練序列估計(jì)信道，會耗費(fèi)傳感器節(jié)點(diǎn)能量,?；?a class="innerlink" href="http://forexkbc.com/tags/Hopfield神經(jīng)網(wǎng)絡(luò)" title="Hopfield神經(jīng)網(wǎng)絡(luò)" target="_blank">Hopfield神經(jīng)網(wǎng)絡(luò)的盲檢測算法具有良好的自適應(yīng)性和并行處理信息的能力[5-6]，所需數(shù)據(jù)量極短,，復(fù)雜度較低,，但由于單純采用梯度下降的動力學(xué)特性進(jìn)行尋優(yōu)，具有易收斂到優(yōu)化問題的局部極小解的缺陷,。因此混沌技術(shù)被引入Hopfield神經(jīng)網(wǎng)絡(luò)中,，利用混沌的遍歷性和類隨機(jī)性等豐富的動力學(xué)特性進(jìn)行全局遍歷搜索以改善Hopfield神經(jīng)網(wǎng)絡(luò)的這一缺陷，使得網(wǎng)絡(luò)跳出局部最小以實(shí)現(xiàn)全局最優(yōu)[7-8],。

　　針對無線傳感網(wǎng)的上述需求和混沌Hopfield神經(jīng)網(wǎng)絡(luò)的特點(diǎn),，本文構(gòu)造了基于改進(jìn)的混沌Hopfield神經(jīng)網(wǎng)絡(luò)的盲檢測方法，對簇首進(jìn)行盲信號檢測和信道盲估計(jì),，并利用該簇中所有節(jié)點(diǎn)的發(fā)送信號具有高互相關(guān)性特點(diǎn),，最終得到簇內(nèi)所有傳感器檢測信號。

1 簇內(nèi)傳感器信號傳輸SIMO模型

　　如圖1所示,，在無線傳感網(wǎng)傳輸模型分簇的基礎(chǔ)上,，每個簇由簇首節(jié)點(diǎn)和成員節(jié)點(diǎn)構(gòu)成，分簇的原理是鄰近的傳感器節(jié)點(diǎn)收集的數(shù)據(jù)相關(guān)性高,，簇內(nèi)成員節(jié)點(diǎn)負(fù)責(zé)感知,、采集數(shù)據(jù)，并把監(jiān)測到的數(shù)據(jù)發(fā)送到本簇的簇首節(jié)點(diǎn),。各簇內(nèi)簇首一般是數(shù)據(jù)融合節(jié)點(diǎn),，包含低復(fù)雜度的檢測算法，負(fù)責(zé)接收簇成員發(fā)來的數(shù)據(jù),，對接收到的多個傳感器信息進(jìn)行相應(yīng)的融合及智能處理,，并將檢測出的信號發(fā)送到接收端(Sink)。

　　不失一般性,，設(shè)無線傳感網(wǎng)某簇內(nèi)具有q個節(jié)點(diǎn)，分別發(fā)送信號至簇首,，則模型可看作SIMO的有限沖激響應(yīng)系統(tǒng),，其基帶輸出信號為：

　　其中，sN∈{±1}N是N維向量,，所屬字符集{±1},。

　　滿列秩時，一定有Q=Uc U滿足QsN(k-d)=0,。d=0,，…，M+L，且(Uc)N×(N-(L+M+1))是奇異值分解XN=[U,，Uc]·D0·VT中的酉基陣,。如此，簇內(nèi)簇首信號的盲檢測問題就成為了式(3)的全局最優(yōu)解問題,。

2 改進(jìn)的混沌Hopfield盲檢測算法

　　本文將混沌初始化和混沌擾動引入經(jīng)典Hopfield神經(jīng)網(wǎng)絡(luò),，設(shè)計(jì)了改進(jìn)的混沌Hopfield神經(jīng)網(wǎng)絡(luò)來解算式(3)的目標(biāo)函數(shù)，其結(jié)構(gòu)如圖2所示,。

　　為利用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)信號的盲檢測,，設(shè)計(jì)聯(lián)接矩陣為W=IN-Q，所以能量函數(shù)的極值點(diǎn)就是式(3)優(yōu)化問題的解,。本文選取邏輯自映射,、H映射這兩種混沌映射進(jìn)行相關(guān)的分析。

　　2.1 混沌初始化

　　利用混沌映射產(chǎn)生混沌初始化序列的步驟如下：

　　(1)隨機(jī)產(chǎn)生一個初始向量y0=(y11,，y12,，…，y1N)T,，y1i∈[-1,，1]，將y0代入混沌映射函數(shù),，得到m個向量y1,，y2，…,，ym,。

　　(2)計(jì)算y1，y2,，…,，ym中每組序列的目標(biāo)函數(shù)值，選取最好的一組向量yi,。

　　(3)將yi變換到目標(biāo)函數(shù)初始序列的取值區(qū)間即可得到盲檢測初始發(fā)送序列,。

　　2.2 混沌擾動

　　在當(dāng)前全局最優(yōu)值不變時進(jìn)行小幅度的混沌擾動?；煦鐢_動的過程如下：令算法中當(dāng)前迭代搜索到的最優(yōu)解為sbest,，以sbest為基礎(chǔ)進(jìn)行混沌擾動，有：

　　s=sbest+aw(4)

　　式中,，w是采用類似混沌初始化的方法利用混沌映射產(chǎn)生的混沌序列,，a是調(diào)整參數(shù)；計(jì)算此時目標(biāo)函數(shù)的值并與對應(yīng)的sbest的值進(jìn)行對比,，如果取得的解優(yōu)于sbest則取代成為當(dāng)前全局最優(yōu)解,，否則進(jìn)入下一次迭代,。

　　2.3 算法流程圖

　　在初始化階段，混沌初始化發(fā)送序列,，在算法陷入早熟收斂時進(jìn)行混沌擾動,，算法流程圖如圖3所示。

3 由相關(guān)性推導(dǎo)出簇內(nèi)其他傳感器的信道

　　利用簇內(nèi)所有節(jié)點(diǎn)的發(fā)送信號具有高互相關(guān)性的特點(diǎn),，對其余傳感器節(jié)點(diǎn)進(jìn)行信道盲估計(jì)[4-5],。

　　由擾碼特性對求得的sN(k)解擾，得到簇首傳感器的發(fā)送信號b(k),，構(gòu)造S,，即可由式(5)求得簇首傳感器信道的Toeplitz矩陣。

　　其中,，( )#表示偽逆運(yùn)算,。不失一般性，設(shè)求得的簇首信道的Toeplitz矩陣為?祝1,，可定義對應(yīng)于第a列向量為H1(a)=[0a-M,，hM，…,，h0  0L-a]T,，其中M≤a≤L，0a-M即為a-M維的0向量,。

　　求取簇內(nèi)某個傳感器e與簇首傳感器之間的信號相關(guān)矩陣,，假設(shè)：

　　依次類推，即可一一求得簇內(nèi)所有傳感器信道,。

4 仿真分析

　　固定簇內(nèi)成員節(jié)點(diǎn)發(fā)送信號數(shù)據(jù)量N=100時,，發(fā)送信號為BPSK信號，噪聲為加性高斯白噪聲,。所有仿真結(jié)果都經(jīng)過100次Monte Carlo實(shí)驗(yàn)而得,，為作圖方便，將誤碼率為零的點(diǎn)均設(shè)為10-5處理,。

　　實(shí)驗(yàn)1：不同信噪比情況下采用典型的Logistic混沌映射（u取4.0）時算法的平均誤碼率曲線圖,。

　　由圖4可知，基于經(jīng)典Logistic混沌映射的Hopfield神經(jīng)網(wǎng)絡(luò)算法會導(dǎo)致穩(wěn)定和不穩(wěn)定的情況發(fā)生,，雖然也能改善收斂性能但穩(wěn)定性較差,。

　　實(shí)驗(yàn)2：不同信噪比情況下，分別采用邏輯自映射,、3階Chebyshev混沌模型、2階Chebyshev混沌模型,、H映射時算法的平均誤碼率如圖5所示,。

　　由圖5可知,，利用邏輯自映射、Chebyshev混沌映射以及H映射的算法性能均優(yōu)于普通的Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測算法,，且穩(wěn)定性較好,，優(yōu)于采用經(jīng)典Logistic混沌映射。

5 結(jié)論

　　本文在無線傳感網(wǎng)傳輸模型分簇的基礎(chǔ)上,，提出一種改進(jìn)的基于混沌Hopfield神經(jīng)網(wǎng)絡(luò)盲檢測算法,，利用混沌映射產(chǎn)生初始發(fā)送序列并在算法陷入早熟收斂時進(jìn)行小幅度的混沌擾動。仿真結(jié)果表明,，混沌系統(tǒng)豐富的動力學(xué)特性使得算法的收斂性能得到了改善,。

參考文獻(xiàn)

　　[1] LI X.Blind channel estimation and equalization in wirelesssensor networks based on correlations among sensors[J].IEEE Transactions on Signal Processing，2005,，53(4)：1511-1519.

　　[2] LI X.Blind channel identification and equalization in dense wireless sensor networks with distributed transmissions[C].2004 IEEE International Conference on Acoustics,，Speech，and Signal Processing,，May 17-21,，2004，Montreal,，Quebec,，Canada，2004.

　　[3] 程波.無線傳感器網(wǎng)絡(luò)虛擬MIMO接收技術(shù)研究[D].武漢：華中科技大學(xué),，2007.

　　[4] CUI S,，GOLDSMITH A J，BAHAI A.Energy-efficiency of MIMOand cooperative MIMO techniques in sensor networks[J].Selected Areas in Communications,，IEEE Journal on,，2004，22(6)：1089-1098.

　　[5] 張昀,，張志涌,，于舒娟.基于幅值相位型離散Hopfield神經(jīng)網(wǎng)絡(luò)的多進(jìn)制振幅鍵控盲檢測[J].物理學(xué)報，2012,，61(14)：82-90.

　　[6] 張昀,，于舒娟，張志涌,，等.基于實(shí)虛型連續(xù)多值復(fù)數(shù)Hop field神經(jīng)網(wǎng)絡(luò)的QAM盲檢測[J].電子學(xué)報,，2013(2)：255-259.

　　[7] 張坤，郁湧.一種小波神經(jīng)網(wǎng)絡(luò)的混沌加密算法研究[J].電子技術(shù)應(yīng)用,，2011,，37(1)：132-134.

　　[8] 俞斌，賈雅瓊.一種新的混沌擴(kuò)頻序列及其性能分析[J].電子技術(shù)應(yīng)用,，2013,，39(1)：136-138.