改进的树型WSN分布式LCMV波束形成方法.docx

改进的树型WSN分布式LCMV波束形成方法
一、前言
在无线传感器网络（WSN）应用中，如何合理利用有限的资源进行分布式信号处理和通信是一个重要的研究方向。其中，分布式线性复杂度最小变换（LCMV）波束形成技术受到广泛关注，其通过将多个传感器的信号进行加权和求和，可以达到降低噪声、提高信号能量等目的。
然而，当前的树型WSN分布式LCMV波束形成存在一些问题，例如充分利用邻居节点信息、减少通信开销、增强抗干扰能力等方面。本文针对上述问题，提出了一种改进的树型WSN分布式LCMV波束形成方法，并通过实验验证了方法的有效性。
二、相关工作
树型WSN分布式LCMV波束形成方法之前的研究主要采用了集中式或分布式方法。集中式方法将所有的传感器节点的信号中心化到基站，经过中心处理后再发回节点进行加权和求和。分布式方法则是在每个节点处进行信号处理和通信，最终节点之间相互通信计算形成波束。
然而，这些方法存在一些问题。在集中式方法中，由于需要将所有节点的信号中心化到基站，因此会增加通信开销和延迟，并且由于信号会被频繁传输，容易受到干扰。而在分布式方法中，由于节点间的通信次数很大，因此会增加通信开销和能量消耗，并且容易受到干扰。
为了解决上述问题，研究者们提出了一些新的算法和方法。比如，一些研究者提出了基于图模型的方法，利用图模型来描述节点之间的关系，通过优化图中的权重来达到波束形成的目的。另外，一些研究者还提出了分层方式，将节点分为若干层，对同一层的节点进行通信处理，减少通信次数和能量消耗。但是，这些方法都存在着复杂度高和实际应用难度大等问题。
三、改进的树型WSN分布式LCMV波束形成方法
针对上述问题，我们提出了一种改进的树型WSN分布式LCMV波束形成方法。该方法能够充分利用邻居节点信息、减少通信开销、增强抗干扰能力等特点。
3.1方法概述
改进的树型WSN分布式LCMV波束形成方法是基于树型结构的分布式处理方法。该方法将所有节点构成一棵以根节点为根的树形网络结构，利用树形结构的特点，从而减少节点之间的通信次数和能量消耗。具体而言，该方法采用的分布式LCMV波束形成技术主要分为三个阶段：
1.邻居节点信息的交换：每个节点首先通过无线传感器网络与其邻居节点进行通信，交换其自身的信息、邻居的信息和目标信号的信息。节点通过邻居节点的信息对信号进行过滤处理，并将处理结果发回给邻居节点。
2.加权系数的计算：每个节点基于它自身和邻居的信息，计算出每个节点的加权系数。这里采取了快速最小二乘法（FastLeastSquares，F-LS）求解加权系数的方法，该方法能够大幅度降低计算量，并提高计算速度和准确性。
3.波束形成和目标信号估计：每个节点根据自身和邻居的加权系数，对接收到的信号进行加权和求和，从而估计出目标信号，并将估计结果发回到根节点，形成波束。
3.2加权系数的计算
由于在节点间信息交换的过程中，每个节点只能获取到邻居节点的信息，并不知道邻居节点与目标信号的权值，因此我们无法直接利用LCMV算法得出加权系数。针对这个问题，我们采用了F-LS算法来求解加权系数。
具体而言，F-LS算法的目的是给定一个样本矢量y（其中，y是一个列矢量，包括了s和一些噪声），并给定一个数据矩阵X（其中，第k列是来自位置k的传感器产生的测量信号），求出其中一个（或所有）基本组合的加权系数。根据最小二乘法（LS）的原理，加权系数的求解过程可以被表示为：
w=X*y/(X*X^T+lambda*I)^(-1)*X公式(1)
其中，I是一个单位矩阵，lambda是一个正则化项，用来保证加权系数的数值稳定性。在树型WSN分布式LCMV波束形成中，每个节点将收到的邻居节点的信息进行矩阵X构建，并将其与目标信号进行拼接，然后通过公式（1）计算其加权系数。由于F-LS算法不需要节点与目标信号的距离信息，因此可以大幅度降低计算量，加速算法的运行速度。
3.3抗干扰能力的提高
在多目标环境下，信号的干扰影响是一个重要的问题。在传统的LCMV算法中，为了充分利用节点的信息，节点之间必须交换信息，容易受到干扰而影响波束形成性能。针对这个问题，我们采用了一些新的抗干扰方法。具体而言，我们将不同邻居节点的数据分别计算加权系数，然后将其平均化再进行波束形成，这样可以有效地降低由于干扰产生的误差和波形失真。
四、实验分析
为了验证改进的树型WSN分布式LCMV波束形成方法的有效性，我们进行了一系列实验。
4.1实验平台
我们采用了一个拥有10个节点的树型结构，其中节点12为根节点，其他9个节点分5层放置。每个节点上都安装有同一种类型的传感器，可以对目标信号进行检测和采样。我们使用Matlab软件进行了实验。
4.2实验结果
我们在实验中选择两种不同的目标信号：一个低频信号和一个高频信号。实