要求：
1、外文资料翻译内容要求：外文资料的内容应为本学科研究领域，并与毕业设计（论文）选题相关的技术资料或专业文献，译文字数应不少于3000汉字以上，同时应在译文末注明原文的出处。不可采用网络中直接有外文和原文的。
2、外文资料翻译格式要求：译文题目采用小二号黑体，居中；译文正文采用宋体小四号，段前、段后距为0行；行距：固定值20磅。英文原文如果为打印的话用新罗马（Times New Roman）小四号字。装订时原文在前，译文在后。
文章中有引用的地方在原文中也要体现。参考文献也要翻译成中文！
用于无线传感器网络数据估算的节能协调算法
摘要：无线传感器网络的各节点是用电池供电的，网络的生存期取决于各节点的能耗大小。考虑到这类传感器网络在不同地方，节点都是检测单一现象并发送信息到汇聚中心(Fusion Center， FC为其缩写形式)，以便汇聚中心能够处理实时信息。在传统的系统中，数据处理任务是由汇聚中心来完成的，在传输之前是没有进行加工处理的。在综合各种适值计算方法基础
上，把网络分成了多个簇，数据分两个部分进行处理。第一个部分是在各个簇的各个传感器节点上完成本地数据共享。第二部分将在汇聚中心从各簇节点接收到所有的信息后完成。本地数据共享将会使比特数据传输方面更高效。在每个簇的所有节点上，我们可以采用相同的数据备份和一个虚拟的多输入-多输出（V-MIMO）架构，在簇到汇聚（FC）中心之间进行数据传输。一个虚拟V-MIMO网络是由一组的分布式节点组成，每个节点都有自己的天线。通过他们之间的数据共享，这些节点将变成传统的MIMO系统。在协同/虚拟的MIMO架构提出之前，协同阶段是没有进行任何数据处理或压缩的。我们改变现有的V-MIMO网络算法来适应我们所关心的特殊类别的传感器网络。我们用正交的时空分组码（STBC）作为MIMO部分。通过仿真表明，这种算法相比于传统系统更加节能。
I.简介
一个典型的无线传感器网络是由一组小型的、低价的和只有有限能源的传感器节点组成。而这些传感器节点是部署在现场，以探测环境信息并将这些信息传输到汇聚中心（FC），他们被部署在邻近的地方，读取的环境信息是高度相关的。这些传感器的目标是向汇聚中心上报基于所有测量值的描述性的环境行为。这些测量值的多样性使得系统更加可靠和健壮以应对
出错。总之，每个节点都装有传感器设备、处理器和通信模块（这种通信模块具有收发功能）。
所有的传感器节点都装配了电池，且这些电池在没有更换的情况下必须能够工作很长一段时间。因此，它们在能源上受到了限制，在设计传感器网络时，最重要的问题之一是传感器节点的能量损耗问题。为了解决这个问题，我们可以通过信源压缩的方法来减少比特数的传输或在满足某一性能要求的情况下，通过采用先进的传输技术来减少传输功耗。
许多研究已经完成了利用传感器数据的相关性来减少比特位数的传输。一些是基于分布式的源代码[1]。而另一些则是利用分散估计[2,3,4,5]，在文献[1]中，作者提出了一种应用基于Slepian-Wolf[14]编码技术的分布式压缩的有效算法，利用自适应信号处理的算法来跟踪传感器数据间的相关性。传感器网络的分散式估计的问题已经在不同的约束条件下得到了研究。在这些算法中，传感器对它们的数据进行本地量化处理，并考虑它们的测量值与其它传感器测量值的相关性。它们生成二进制信息并发给FC。FC把基于量化规范（该规范应用于传感器节点）的信息组合在一起，然后估算出未知的参数。这些著作都研究了最理想的本地量化和最终的汇聚规则。论文中，为传感器检测而假设的的分布式数据服从概率分布函数。在模
型中，我们考虑在传感器测量值中引入了较容易实现的高斯分布[17]。
作为可选择的途径，一些著作都已经使用节能的通信技术，如传感器网络中的协同/虚拟多输入输出（MIMO）传输[6,7,8,9,10,11]。在这些著作中，由于每一个传感器都装配了天线，因此，通过与其它节点的协作，这些节点能够组成一个虚拟的MIMO系统。在文献[6]中，基于Alamouti[15]空时分组码的MIMO技术的应用已经被引入传感器网络中。在文献[8,9]中，MIMO的节能技术已被探索，在文献[7]中，综合分布式信号处理算法被提出，在文献[1]中，协同MIMO也得到了研究。
在本论文中，我们既考虑了压缩技术，同时也考虑了协同传输。我们从两个方面减少了能量消耗：1）在发送端对数据进行一定程度的处理来降低数据的冗余度，从而使发送端发送更少的比特信息。2）通过应用分集和时空分组编码技术减少所需的传输能耗。这两个目标可以通过我们所提出的二相算法来实现。在我们的模型中，这样做的目的是估计未知参数，而这些未知参数，从根本上来说就是所有节点的平均测量值。也就说，对个别节点的精密测量已经没有那么重要了，也没有必要浪费太多的能量和带宽来传输所有的高精度的测量数据给FC。我们可以把部分数据处理任务转移到传感器端。这些可以在传感器间的本地数据共享中
实现。我们把网络分成多个簇，每个簇有m个成员。簇成员的数量包括数据处理的压缩单元和虚拟MIMO构架的分集单元。论文剩下的部分由以下组成：第二部分我们将介绍系统模型和基本设想。在第三部分我们提出协同算法。第四部分我们介绍改进算法的数学分析。第五部分我们将给出一些数值仿真。最后的第六部分是论文总结。
II. 系统模块
A． 网络模块
我们使用的网络模块类似于之前提到的那个。我们的网络包括N个分布式传感器节点（Sensor Nodes，缩写为SN）和汇聚中心（FC）。传感器都部署在实地，并与其它传感器节点相邻，并获取测量值，设为未知数θ。汇聚中心则远离这些传感器节点。所有的节点都测量同样的物理量并获得不同的测量值。这些节点和汇聚中心一起被用来求出未知参数的值。节点发送二进制信息到汇聚中心。汇聚中心将处理接受到的信息和估算出未知参数的值。
B． 数据模块
在方案中我们采用了文献[17]中介绍的数据模块。我们假设所有的传感器都监测相同的现场信息（θ），这个现场信息服从高斯分布且方差为σx2。它们监测不同的θ值，我们把这些不同值模拟成一个零均值方差为σn 2高斯噪声。因此，传感器监测值可以描述为：
  （1）
其中，θ ~ N (0, σx2)，ni ~ N (0, σn2)且i = 1, 2, … , N。基于这个假设，θ值可以通过节点监测数据的平均值来估算。也就是：
  （2）
C． 参考系统模块
我们的参考系统包括N个的传统的单输入单输出（Single Input Single Output，缩写为SISO）无线电线路，每一条都连接了其中一个传感器节点到汇聚中心。对于参考系统，我们无法考虑所有传感器间的通信和协同。因此，每个传感器把它检测到的信号按照长为L位的标量量化方法进行量化处理。生成一个长度为L的信号，并把它直接传给FC。汇聚中心接收所有的信息，然后进行处理，以计算获得这些信息的平均数值。
III.协同数据处理算法
传感器采集的是模拟量。因此，每个传感器都得把自己的数据压缩成几位。我们采用了L位的标量量化[12,13]的数据压缩方法。
在我们的算法中，网络被分为多个簇，每个簇都有一个确定的、事先定义的成员数m。簇成员应该在两个方面进行协作：
1. 共享、处理和压缩它们的数据。
2. 通过虚拟的MIMO来协同传输它们处理后的数据。
IV.分析
我们分析中的性能标准是根据所有因压缩和传输中的错误产生的失真度来判别的。第一种失真来自各传感器用有限的量化长度L来代替连续的数值。这些失真取决于量化器的设计。我们考虑了一种高斯标量量化器，它的设计超过content的中文翻译105个随机生成的样点。第二种失真在于因信道传输而造成的错误。在我们的系统中，这些失真与误比特率成比例关系。误比特率（Pe）
是每比特传输能量（Eb）的函数，所有的失真将是Eb的函数。在下一部分，我们将描述传输、所有传感器的能量消耗，以及出失真与误比特率间的关系。
V.仿真数值结果
为了给出数值化实例，设每个簇的成员数m=4。因此，我们的虚拟MIMO图表将包括四个发射天线。假设网络里有32个传感器。传感器的检测值服从方差σx2 = 1的高斯分布，同时加入了方差σn2 = 0.1的高斯噪声。节点都分布在区域中的同一位置，节点间的间隔都是2米，而区域中心与汇聚中心的距离有100米。电路中的参数引用自文献[6]，并在表I中列出。这些参数取决于硬件设计和工艺水平。图1给出了参数系统的性能（失真度），并列出两种V-MIMO方案与传输能耗之间的关系图。正如图表所示，根据系统的精度要求，我们能够通过应用已提出的算法来减少能耗。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。