[发明专利]基于隐马尔科夫模型的潮间带传感器节点状态估计方法

摘要

本发明公开了一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法，步骤如下1)建立隐马尔科夫模型，2)测量节点状态转移矩阵，3)测量混淆矩阵，4)估计节点状态。本发明通过针对部署在潮间带的传感器网络，通过利用节点状态与数据包信号强度的强相关系，设计隐马尔科夫模型，最终准确估计节点状态。对于潮间带无线传感器网络，准确获取节点的状态，有利于选择更高效的数据传输路径，最终达到降低系统延时的目的。

主权项

1.一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法，包括如下步骤：步骤(1)确定隐马尔科夫模型模型的隐含状态的数量、可观测状态的数量、初始状态概率；隐含状态指潮间带传感器网络节点所可能处于的状态，包括：水上，水下，临界状态；其数量N为3；可观测状态数量R为6，是指在不同条件下数据包的信号强度RSSI的取值在如下六个区间：[y，y+1/6*(x‑y)][y+1/6*(x‑y)，y+2/6*(x‑y)][y+2/6*(x‑y)，y+3/6*(x‑y)][y+3/6*(x‑y)，y+4/6*(x‑y)][y+4/6*(x‑y)，y+5/6*(x‑y)][y+5/6*(x‑y)，x]；其中x为节点的发射功率，y为环境噪声；节点初始状态概率通过统计潮水周期历史数据获得；步骤(2)测量节点状态转移矩阵；节点状态转移矩阵为N*N矩阵，其中从状态i转移到状态j的概率Φij的取值如下：Φij＝Pr(Nt(i)|Nt‑1(j)).i，j∈|N|采用在传感器部署水域通过统计一段时间内节点从状态i转变为状态j的次数获得；步骤(3)测量混淆矩阵；节点在不同状态下处于各隐藏状态的概率，其中节点信号RSSI值为可观测状态j处于状态i的概率Ψij的取值如下：Ψij＝Pr(Rt(i)|Nt(j))，i∈|N|，j∈|R|采用在传感器所部署水域改变发送端节点所处水位，并记录接收端节点收到的数据包RSSI分布的实验方法，通过一段时间的实验统计获得；步骤(4)估计节点状态；经步骤(1)，步骤(2)和步骤(3)建立完整的马尔科夫模型；利用该模型，在需要估计节点状态时，通过测量收到数据包的RSSI值来估计节点处于不同状态的概率；系统稳定运行后，只需要重复步骤(4)即可。