2.3 基于物联网的智能协作信息处理框架

由于物联网中的单个监测结点的信息采集、处理和通信能力通常有限，因此，多采用多个监测结点相互协作的方法完成环境信息感知与处理、数据通信与传输等复杂的任务，可在节省网络能量、延长网络寿命的同时提高整个物联网系统的鲁棒性和可靠性[91-92]。物联网智能协作信息处理技术主要解决以下问题。

（1）基于概率估计理论结合网络拓扑结构设计分布式信息算法，在本书中主要采用分布式估计算法实现。

（2）基于信息融合参数和效用函数设计物联网中监测结点的调度和路由规划策略，实现实时动态环境中监测结点的激活和运动控制，并基于通信协议实现物联网内监测结点自组织通信。图2-1描述了物联网智能协作信息处理功能模块及其相互关系结构。

2.3.1 经典分布式估计算法

物联网中多个监测结点协作信息处理一般采用分布式估计算法实现，对特定事件如危化气体泄漏源的监测定位来讲，分布式估计算法的设计是关系到整个物联网络能否高效完成气体泄漏状态参数估计的核心问题。

下面介绍后续章节所涉及的经典分布式估计算法及估计理论主要包括最小方差估计、最小均方差（MMSE）估计和卡尔曼滤波等理论。

1．最小方差无偏估计器（MVUE）

根据估计理论，参数θ∈Rp×1，基于观测数据集z产生估计，若满足，则该估计量是无偏的。估计量的均方误差（MSE）为

若直接采用极小化作为估计性能准则将导致不可实现的估计器，最优估计将不能仅仅表示成观测数据的函数，这是因为

其中，为估计量的协方差阵的迹，b2（θ）为偏差项。由于偏差项依赖于未知参数θ，因此通过对求极小值的方法将依赖于未知参数θ，从而导致不可实现的估计器。因此需要考虑无偏估计，即偏差项为零的估计[93]。下面介绍一种最优线性无偏估计器，即偏差项为零且为线性最优的估计器。

2．最优线性无偏估计器（BLUE）

设观测向量z=[z1，z2，…，zN]T，且其联合概率分布为p（z，θ），考虑一般性的线性观测模型，若观测模型为

其中，z∈RN×1，观测矩阵H∈RN×p，待估量参数θ∈Rp×1，w∈RN×1为一零均值噪声向量，协方差为C，w概率分布可任意，则关于θ的最优线性无偏估计为

且的协方差矩阵为

3．最小均方差估计器（MMSE）

考虑随机向量θ∈Rp×1，设其先验分布为pθ（θ），均方误差亦根据式（2-15）给定，设z为观测数据集，则关于θ的最小均方差估计为

考虑一种特殊情况，若x和y是联合高斯随机向量，其中x∈Rm×1y∈Rn×1期望向量为[ExT，EyT ]T且协方差矩阵为，则

其中，后验协方差矩阵Cy|x与观测x无关，这是因为x和y服从联合高斯分布，而通常情形下后验协方差矩阵与观测有关。

4．线性最小均方差估计（LMMSE）

对于线性最小均方差估计，若观测x满足下面的贝叶斯线性模型：

其中，z∈RN×1，观测矩阵H∈RN×p已知，θ∈Rp×1为待估计向量，其均值为E（θ），协方差阵为Cθθ，w∈RN×1为零均值协方差阵为Cw噪声向量，且与θ不相关，联合分布p（w，θ）可任意，则对θ的线性最小均方差估计为

估计器的性能通过误差测定，其均值为0，协方差阵为

若以上联合分布p（w，θ）为高斯分布，则线性最小均方差估计器即为最小均方差估计器。虽然一般来说线性最小均方差估计器是次优的，但由于它的解析形式以及仅依赖于均值和协方差的性质，故在实际中经常用到。

5．卡尔曼滤波

卡尔曼滤波给出了一种高效的计算方法来实现系统的状态参数估计，并可以使估计量的均方误差最小。卡尔曼滤波在线性系统中的应用非常广泛且功能强大，它不仅能够实现信号参量的过去和当前状态估计，甚至能对其将来的状态进行估计。下面对卡尔曼滤波器进行概括介绍。

假设高斯离散马尔可夫模型为

其中，状态向量θ（k）∈Rp×1，且A∈Rp×p和B∈Rp×r为已知矩阵。驱动噪声向量μ（k）∈Rr×1，且μ（k）～N（0，Q），其不同时刻相互独立，即若m=n，则E[μ（m）μT（n）]=0。初始状态θ（0）～N（μs，Σs），且与μ（k）独立。

观测向量z（k）∈RN×1，为下面贝叶斯线性模型

其中，观测矩阵H（k）∈RN×p已知，观测噪声向量w（k）∈RN×1，且w（k）～N[0，Σ（k）]，其不同时刻相互独立，即若m≠n，则E[w（m）wT（n]=0。则基于观测向量对θ（k）的最小均方差估计，即

可以通过下面的递归方程进行计算。

估计预测：

协方差阵预测：

卡尔曼滤波增益：

估计校正：

协方差阵校正：

其中，G（k）∈Rp×m，P( k|k)∈Rp×p，上述递归方程初始化为和P（0|0）∈Σs。

2.3.2 物联网监测结点调度与规划策略及自组织通信

物联网中的单个监测结点虽然具有独立的信息感知、信息处理与通信功能，但其感知范围、通信半径以及计算能力等非常有限，同时结点的空间分布性决定多数情况下单个甚至几个传感器结点没有能力获得整个监测区域的全局信息。因此，多个监测结点协作信息处理技术通常成为物联网分布式信息融合实现的必然选择[94]，即通过多结点之间的协商与合作，并综合分析与考虑融合算法的收敛性、可靠性以及网络性能与资源消耗等约束条件，以完成物联网信息处理中所涉及的信息驱动机制、结点自组织与通信、结点调度与路由规划、分布式估计算法设计与实现等[95]。

在实际应用中，物联网中的监测结点通常高密度部署，如何有效地提高资源利用率，延长网络生命周期，完成大量冗余感知数据的协作信息处理成为物联网信息处理的重要研究课题。要想动态地调度多个结点相互协作实现分布式信息融合，基于动态路由协议和调度策略的结点路由规划和自组织通信成为物联网多结点协作信息处理亟待解决的重点问题。结点路由规划和自组织通信实质上是在能量约束条件下的网络中的结点调度和动态路由规划及数据通信传输问题，通常涉及两个既重要又相互矛盾的指标：目标源状态参数估计量的估计精度和网络能量消耗。如何合理地利用网络中大量的冗余信息在保证一定的跟踪精度前提下节约能量消耗，并且使整个网络的生命周期最大化是结点协同调度策略算法设计的关键。

在目前的基于物联网的气体泄漏源监测定位研究工作中，所涉及的监测结点调度与动态路由规划通常是基于统一的采样周期，忽略目标源或任务随时间的动态性变化，简单地将传感器调度与路由规划问题退化为单纯的监测结点路径选择问题。Zhao等在文献[96]中提出了信息驱动传感器查询（Information-Driven Sensor Query, IDSQ）的选择策略，主要思想是基于信息增益、通信和网络能耗等约束条件，动态地决定哪个传感器结点最适合完成待执行任务，解决不同时钟周期结点之间有效信息的传递与协同处理更新。在具体实现上，该文给定一个信息融合目标函数作为反映信息增益与能量消耗的综合性能指标，通过在候选结点中选择使性能指标函数值最大的结点作为下一周期运算结点来完成结点间的自组织协同与通信。最小距离结点调度[97]和最小迹调度[98]都是IDSQ思想的具体应用。以上算法均属于传感网络中的单结点式调度与选择方法，每个周期只使用了单个结点进行目标感知和数据传递。杨小军等[99]提出的多结点动态协同跟踪算法是通过对包含目标跟踪精度和结点间通信消耗两方面参数的信息融合目标函数进行在线优化，自适应地动态选择当前运算结点并基于该选择结点进行分簇，最终实现目标跟踪。该算法属于分簇网络的动态局部分布式结点调度算法，也是目前物联网应用中的主流调度算法，通常使用概率预测估计机制具体实现。针对危化气体泄漏监测定位应用背景，本文将监测结点调度与选择、数据通信与传输以及能量消耗管理相结合，分别提出适用于序贯分布式估计算法的单个未知结点动态自组调度策略和分簇分散式估计算法的多个未知传感器结点协同调度策略，并给出了基于能量平衡的协作MIMO传感器数据通信与传输模型。

1．面向序贯分布式估计的单结点调度与规划策略

在序贯分布式估计实现过程中，参与运算传感器结点的调度与选择通常是以高估计精度和低能量消耗为原则。目标源参数的估计精度根据不同的估计算法有多种不同的描述方法，例如最小均方差、误差协方差的最小迹、误差协方差的行列式等。文献[26，59，96]中提出一种基于信息驱动机制的结点调度与选择算法，通过构造目标函数并求极值确定将要选择的下一个结点。描述如下：

其中，，Φutility指结点所能获得信息的有效性度量值且0≤Φutility≤1，Φcost是指通信及其他能耗的代价，β是信息有效性与资源消耗代价的平衡系数。由此可见传感结点i调度和选择通常符合两个标准，一是尽量选择信息增益最大的结点，二是选择通信消耗能最大限度降低的结点。其实质就是通过对信息获取和资源消耗代价目标函数求极值的能量均衡和优化问题。

基于上述算法思想提出一种单个未知结点动态自组调度策略并将其应用到序贯分布式估计算法中，具体描述如下。

（1）首先在监测区域内选择一个传感器结点作为初始激活任务结点s1，通常为浓度超阈值的结点，以该任务结点为中心结点，依据其设定的通信范围激活其周围的M－1个邻近结点，当前结点s1与这M－1个邻近结点动态自组形成一个邻近结点集合。

（2）通过G1内的传感器结点协同来实现目标源参数估计。在结点集合G1内，根据预先设定的估计精度阈值，构建目标函数如下：

当目标源参数估计精度Φutility（•）满足设定阈值Φ0时Φutility≤Φ0，从当前传感器结点sj的邻近结点集合中选择使目标函数最小的传感器结点sj作为下一时刻的任务结点；当目标源参数估计精度达不到设定阈值要求时，则由当前结点si及其邻近结点集中选择一个能量消耗最小的结点sj作为下一时刻的任务结点，进一步完成参数估计，Φutility≤Φ0为止。

（3）选择下一个任务结点sj后，以其为中心形成一个新的集合G2。重复完成第（2）步运算，类似的形成G3、G4、……

单个未知结点动态自组调度策略可根据网络拓扑结构和环境信息的实时变化，动态地激活当前结点的通信范围内部分结点以形成邻近结点集合，并根据包含能量和精度两个指标的目标函数模型在其邻近结点集合中选择相应的传感器结点作为下一个任务结点。该方法与最小距离调度算法相比，折衷了距离、精度和能量指标，在保持能量相当的情况下，提高了预测精度，同时减少了预测误差累积等负面影响。该方法与最小迹调度算法相比，除考虑了预测精度外，还考虑能量消耗和实时性；当精度满足要求时，考虑能量消耗最少的传感器结点作为下一个任务结点，方便灵活。该方法与文献[96，100-101]中调度算法相比，除了考虑精度和能量外，还考虑了环境变化因素，提高了估计的实时性和鲁棒性，并且可以根据实际需求，通过调整邻近结点集合内结点数目M以适应不同应用需要。在邻近结点集合中，当结点数M=1时，该方法可简化为单结点自适应调度算法；当结点集合内结点数M为整个网络中的结点数时，该算法就退化为最短距离调度算法。

2．面向分簇分散式估计的能量均衡多结点协同调度与规划策略

为了进一步提高分布式目标源参数估计精度和可靠性，特别是在一些具有多个不确定性参数的非线性环境中，通常需要考虑同时调度多个任务结点来并行分布式实现目标源的状态参数估计。目前，基于分簇传感网络的多个结点调度与选择可以通过如下两种方法实现[100]：静态分簇式传感网络多结点调度策略和动态分簇式传感网络多结点调度策略。其中静态分簇式多结点调度策略一般设定一些具有较强处理能力的结点作为簇头，其他结点定义为普通结点，并且普通结点需要将测量信息传递给簇头，由簇头完成信息融合并通过路由最终传递给用户。这种层次式的处理方法对于网络拓扑不可人为控制时，就失去了有效性。动态分簇式多结点调度策略中簇头通常在算法实现过程中动态产生，簇内结点将数据传送给动态簇头并由其完成估计运算，然后根据估计性能传递给新簇，同时为了保证通信的鲁棒性，通常簇与簇之间的通信采用协作MIMO方式[101]进行。多传感器调度策略对比单传感器调度策略，提高了估计精度和可靠性，但也同时会增加大量的能量消耗，因此在设计多结点调度策略时整个网络中参与感知和数据传输的簇内结点数量以及网络能量分配与均衡成为考虑的重点。

在上述单个结点动态自组调度的基础上，给出一种基于能量均衡的动态分簇多结点协同调度策略应用于分散式估计算法实现危化气体泄漏监测定位，具体实现主要包括结点动态分簇和簇头结点选择两部分构成，具体描述如下。

（1）在初始k=0时刻，激活监测区域中的一个初始结点并由其唤醒其邻近结点形成一个初始簇集，初始簇包含c0+1结点，n0为簇头。

（2）设k时刻被唤醒的簇为，簇头nk激活簇内各个结点并共同参与环境信息感知，通过相应路由算法将得到的测量数据发送给簇头nk，由其采用相应估计算法完成参数估计，给出参数估计结果和估计性能指标，根据所采用的算法不同，其参数估计量和估计量性能指标通常不同，一般采用预估值和预估协方差Pk+1|k来描述。

（3）k+1时刻，首先，基于nk所获得测量值预测，然后更新计算误差协方差矩阵Pk+1|k+1(nk)及其迹作为当前簇nk的预测性能指标Jk+1=trace[Pk+1|k+1(nk)]，并基于Pk+1|k+1(nk)的迹Jk+1选择下一个被激活任务结点，并同时指定其为下一个簇nk+1内的第一个簇内结点，即，其中表示nk的邻近结点的集合。如果Jk+1=trace[Pk+1|k+1(nk)]＞Σ0（Σ0是预先设定的误差阈值），则选择下一个簇内的第二个成员。选择如下：

其中，表示排除的邻近结点的集合。计算如下：融合和sj的测量值，并用nk和sj预测值，然后基于计算误差协方差矩阵。如果，下一个簇nk+1的剩余簇内结点采用类似的方式选择，直到为止，从而构成一个新的簇。

（4）选择簇内的剩余能耗最大的结点作为新簇内簇头nk+1，由nk+1重复实现以上内容。

3．监测结点自组织通信与数据传输

物联网中监测结点与结点之间数据通信模型一般由信息发送结点、信道和接收结点这3个部分所组成。主要考虑两个方面的影响因素。

（1）在数据通信过程中由于信道干扰噪声的存在，信息接收结点所接收的发送结点的数据往往存在着的干扰或噪声，具有一定的不确定性，其通常用信息量来表示。信息量的大小通常采用信息论中信息熵进行度量。

（2）对比结点的信息处理能耗，数据信息在传输过程中的信息发送能耗、信息接收能耗以及信道传输能耗在传感网络耗能中占有最大的比重，因此数据传输能耗是物联网系统能耗约束中所必须考虑重要因素。

传统的监测结点之间的数据通信与传输通常采用单输入单输出（Single Input Single Output, SISO）无线通信技术实现，其可靠性差，耗能高。近年来，人们将MIMO无线通信技术引入到物联网领域用以实现结点间的数据通信与传输。MIMO技术可以有效地利用多径效应抑制信道衰落（Channel Fading），提高无线通信系统的容量，降低接收端的误码率，提高信息传输的可靠性。同时在系统容量一定时，利用MIMO技术可以降低无线传感器结点的发射功率，相对于传统的SISO技术更节省能量。多个结点组成协作式MIMO传感网络系统如图2-2所示。

协作MIMO传感网络的基本思想为在分簇传感网络中，将当前簇内MT个结点协作起来进行发送，其中一个结点为当前簇头结点，其余MT－1个结点为协作结点或簇内普通结点。将当前簇内的MT个结点视为虚拟多天线阵列，建立起等效的MIMO通信系统与目标簇内的结点进行通信。接收端簇集由MR个结点构成，其中一个目的结点通常设定为新簇头，其余MR－1个结点为新簇内普通结点，MR个结点共同实现协作接收。当前簇头结点与目标簇头结点间距离为d，协作MIMO数据通信与传输数学模型可表示为

其中，表示MR维接收信号向量，代表MT维发送信号向量，n=[n1 n2 … nMR]T表示MR维信道噪声向量，H为MR×MT的信道增益矩阵，hij表示从结点si到结点sj的信道增益。在WSN中通常需要根据实际环境需求设计协作MIMO网络结点的通信方式，主要分为单跳通信方式和多跳通信方式，其中簇内结点通常采用单跳方式通信，簇与簇之间通常采用多跳方式通信。