工业无线网络Krylov子空间估计与动态信道选择

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (11): 62-66.

工业无线网络Krylov子空间估计与动态信道选择

邓昌建1，2，陈东义1，张衡3，胡红阳1，凌建中1

1.电子科技大学自动化工程学院，成都 611731
2.成都信息工程学院控制工程系，成都 610225
3.西南大学计算机与信息技术学院，重庆 400700

出版日期:2015-06-01 发布日期:2015-06-12

Krylov subspace estimation and dynamic channel choice of industrial wireless network

DENG Changjian1，2, CHEN Dongyi1, ZHANG Heng3, HU Hongyang1, LING Jianzhong1

1.School of Automation Engineering, University of Electronic Science and Technology, Chengdu 611731, China
2.Department of Control Engineering, Chengdu University of Information Technology, Chengdu 610225, China
3.School of Computer and Information Technology, Southwest University, Chongqing 400700, China

Online:2015-06-01 Published:2015-06-12

摘要/Abstract

摘要： 在工业无线传感网络中，信道性能要进行估计，工作信道要进行选择，以保证通信的可靠性。以分析工业环境噪声为基础，建立Krylov子空间频率选择接收信道模型，并分析信道中接收信号的时空性能。根据信道估计分析，提出使用时延判断信道的优劣的动态信道选择方法。实验数据表明，该方法能提高有效通讯距离2 m左右，减少丢包率30%以上。

关键词: 子空间, 噪声模型, 信道估计, 有效通信距离, 信道选择

Abstract: In industrial wireless sensor networks, the performance of channel should be estimated and the operating channel should be selected to ensure reliability of communication. Based on analysis of industrial noise, the model of frequency selective receiving channel of Krylov subspace is established, and the time-space performance of receiving signal is analyzed. According to the analysis of channel estimation, a method of dynamic channel selection which judges the quality of channel based on time delay is introduced. Experimental results show it can increase 2 meters of communication distance, and can reduce the packet loss rate 30% or so.

Key words: subspace, noise model, channel estimation, active communication distance, channel selection

邓昌建1，2，陈东义1，张衡3，胡红阳1，凌建中1. 工业无线网络Krylov子空间估计与动态信道选择[J]. 计算机工程与应用, 2015, 51(11): 62-66.

DENG Changjian1，2, CHEN Dongyi1, ZHANG Heng3, HU Hongyang1, LING Jianzhong1. Krylov subspace estimation and dynamic channel choice of industrial wireless network[J]. Computer Engineering and Applications, 2015, 51(11): 62-66.

[1]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[2]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[5]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[6]	王雨思，路德杨，李海洋. 基于分式函数约束的稀疏子空间聚类方法[J]. 计算机工程与应用, 2020, 56(7): 39-47.
[7]	王义武，杨余旺. 空间投影在K-means算法中的研究与应用[J]. 计算机工程与应用, 2020, 56(7): 200-204.
[8]	孙泽宇，吕治国. 大规模MIMO加权正交匹配追踪信道估计算法[J]. 计算机工程与应用, 2020, 56(5): 118-124.
[9]	郑毅，马盈仓，杨小飞，续秋霞. 基于[k]-近邻与局部相似度的稀疏子空间聚类[J]. 计算机工程与应用, 2020, 56(4): 99-108.
[10]	金闳奇，陈新度，吴磊. 结合随机子空间和级联残差网络的缺陷检测[J]. 计算机工程与应用, 2020, 56(23): 265-269.
[11]	朱丹，陈晓红，吴卿源，李舜酩. 自适应图学习诱导的子空间聚类[J]. 计算机工程与应用, 2020, 56(21): 30-37.
[12]	徐娟，姚如贵，高岩，朱礼亚. 信道估计误差有界时速率损失上界统计特性[J]. 计算机工程与应用, 2020, 56(20): 82-86.
[13]	丁青锋，吴泽祥，刘梦霞，奚韬. 非理想CSI下全双工双向中继网络安全性能研究[J]. 计算机工程与应用, 2020, 56(19): 99-104.
[14]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[15]	郭圣，仲兆满，李存华. 基于深度自编码的多视图子空间聚类网络[J]. 计算机工程与应用, 2020, 56(17): 60-68.