认知无线电传感器网络中能耗优化的智能通信算法研究

Energy cost of the spectrum sensing and communication stability are crucial for Cognitive Radio Sensor Networks (CRSN) which play a key role in the Internet of Things (IoT). Unfortunately, current related researches can not provide efficient solutions for optimizing both of the energy cost in spectrum sensing and communication stability. For this reason, we aim to design intelligent communication algorithms to provide energy efficient context awareness, and reliable channel and route selection schemes for CRSN. In order to achieve the purposes, first, we design an energy efficient context aware method for efficiently collecting context information. Then, based on the context awareness, the labeled network context information can be utilized for the machine learning algorithm which learns the labeled date and classifies the current state. The learning algorithm can provide channel and route selecting metrics which are efficient for finding stable channel and route. Finally, an algorithm optimization will be performed for optimizing the storage of the labeled context information, and cooperation between context awareness and channel and route selection schemes. The efficiency of the proposed algorithms will be proved by a set of simulations and experiments. We look forward to this project could promote the application and development of CRSN.

作为物联网应用的基础，认知无线电传感器网络中环境感知能耗成本和数据通信稳定性问题至关重要。然而，当前国内外相关研究刚刚起步，尚未提出能够有效优化网络环境感知能耗及保障数据稳定传输的通信协议。为此，本课题围绕认知无线电传感器网络能耗优化，在网络环境感知有效性、信道选取和路径选择准确性方面研究认知无线电传感器网络核心智能通信算法。首先，设计能耗优化的频谱感知算法，并以此为依托，实现网络环境感知，为传感器节点能够有效掌握主要用户行为规律打下基础。随后利用网络环境数据和能耗优化的半监督学习算法，建立信道和路径决策机制，保障网络数据传输效率。最后拟优化标记样本存储空间，以加强半监督学习算法在认知无线电传感器网络的适用性，并通过建立网络环境感知与各层协议间协作机制，进一步优化信道和路径决策效率。本课题将通过计算机仿真与实物实验相结合的方式进行验证，预计将对物联网应用的顺利开展起到一定推动作用。

已有的对认知无线电的研究主要涉及网络环境感知能耗优化和通信稳定，且这些工作独立地分布在PHY，MAC和NET层。对于网络环境感知能耗优化，在目前基于预测的方案中往往需要大量采样，一方面将减少能量有限的传感器节点的寿命，另一方面给存储空间有限的传感器带来了很大样本存储压力。同时这些方案忽视了传感器节点的不可靠性，进而影响了网络环境感知的准确性。在认知无线电领传感网中，目前已有的研究往往简单的将一些算法与传统协议简单耦合，这些方案仅能够在MAC层或NET层发挥作用而无法进行跨层协调，因此需要进行跨层协议优化。本项目一方面对网络环境感知算法进行优化，降低预测所需的历史数据量，剔除环境感知中的不可靠节点保障感知的准确性；另一方面，提出基于半监督学习算法的决策机制对跨层协议进行了优化，使环境感知结果充分利用在PHY,MAC和NET层，分别指导频谱感知、信道选择和路径规划。具体展开了如下主要研究：1)频谱及网络环境感知算法研究。通过剔除不可靠节点提高频谱感知的精度，同时减少冗余感知节点数量以提高整体网络能效；2)基于机器学习算法的路径选取算法研究。考虑节点移动的因素，预测节点轨迹并选择最优传输路径；3)基于半监督学习的决策机制及跨层协议优化研究。在1)和2)研究的基础上，采用半监督学习算法在降低历史数据数量、不降低预测精度的前提下对主要用户活动进行预测，利用预测结果指导认知无线电节点进行频谱感知、信道及路径选取，同时达到降低能耗的目标。本项目对推动认知无线电的理论研究和发展，推动认知无线电在工业、通信等领域的应用有着积极的理论和实际意义。