本發(fā)明涉及通信網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種無線體域網(wǎng)中wifi和zigbee節(jié)點避免沖突的方法。

背景技術(shù)：

無線體域網(wǎng)(wban)是以人體周圍的生物傳感節(jié)點或植入節(jié)點等為對象的無線通信專用系統(tǒng)。它傳遞生理數(shù)據(jù)，如心電圖，腦電圖，血壓等。所記錄的生理信號經(jīng)由無線技術(shù)發(fā)送至協(xié)調(diào)器，然后被發(fā)送到醫(yī)療監(jiān)控中心。由于wban中需要低速率和較長電池壽命的傳感節(jié)點，所以最廣泛使用的無線技術(shù)就是zigbee。但zigbee網(wǎng)絡(luò)面臨著wifi網(wǎng)絡(luò)的嚴重干擾問題，這是因為它們都在未經(jīng)授權(quán)的ism2.4ghz頻段上工作，它是全球唯一公開的頻段，許多系統(tǒng)都在此頻段上工作，這就導致不同系統(tǒng)間相互干擾的問題日益加重，并且這種干擾是不可避免的，其中以wifi對zigbee的干擾最為嚴重。

在未經(jīng)授權(quán)的ism2.4ghz頻段上，zigbee節(jié)點受到wifi設(shè)備的干擾，這是因為wifi的發(fā)送功率比zigbee強5-20分貝，zigbee信號能勉強的被wifi設(shè)備檢測，而wifi信號則很容易地被zigbee設(shè)備檢測，這就會導致zigbee節(jié)點主動退避沖突。在無線體域網(wǎng)的醫(yī)學領(lǐng)域中，zigbee是非常關(guān)鍵的，它用于傳輸大量的人體生理數(shù)據(jù)，我們不能承受在wifi網(wǎng)絡(luò)的高干擾下其吞吐量降低，導致敏感數(shù)據(jù)失去時效性。因此，需要提出一種成本低能耗低的避免干擾方案運用到醫(yī)療生產(chǎn)中。

現(xiàn)有技術(shù)中，解決辦法大多集中在物理層，例如更改調(diào)制的類型、發(fā)射功率、擴展頻譜、切換信道等。這些方法大多對zigbee都不可行，因為會造成節(jié)點能耗的浪費。當前無線體域網(wǎng)中zigbee和wifi沖突的解決方法主要可以分為共存和避免，其中，避免干擾的方法是通過物理層掃描信道強度，找到比較空閑的工作信道，從而減少wifi的干擾，但是隨著wifi設(shè)備和熱點的不斷增加，空閑的信道越來越少，而且頻繁的切換信道也會造成zigbee的能源消耗，不太可行；在一般情況下，對于共存問題提出的技術(shù)，基本上有以下幾個方面，例如調(diào)制的類型，發(fā)射功率，擴展頻譜，負載，包的大小，相互作用節(jié)點的地理分布等解決辦法。雖然這些研究方法不同程度地減少了wifi對zigbee通信的干擾，但有一些研究卻不切實際，例如使用特殊的硬件、控制所有的wifi接入點、以及系統(tǒng)的修改等。這些要求大大地提高了成本和能量的消耗，在實際應用中很能實現(xiàn)。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明的目的在于提供一種無線體域網(wǎng)中wifi和zigbee節(jié)點避免沖突的方法，通過虛擬wifi數(shù)據(jù)幀沖突抑制wifi傳輸進而滿足優(yōu)先級較高的zigbee節(jié)點通信。

為了解決背景技術(shù)中所存在的問題，本發(fā)明的技術(shù)方案為：

一種無線體域網(wǎng)中wifi和zigbee節(jié)點避免沖突的方法，包括以下步驟：

1)對zigbee、wifi的傳輸信道狀態(tài)通過隱形馬爾可夫模型進行建模；

2)根據(jù)網(wǎng)絡(luò)中預先獲得的數(shù)據(jù)痕跡，學習隱形馬爾可夫模型中所有參數(shù)，訓練及預測zigbee和wifi的傳輸模式，獲取當前狀態(tài)和下一個狀態(tài)的信道沖突概率分布；

3)當預測到zigbee和wifi的信道沖突后，通過ap虛擬wifi數(shù)據(jù)幀的沖突，抑制周圍的wifi傳輸，保證優(yōu)先級高的zigbee節(jié)點進行通信。

所述步驟1)具體為：根據(jù)隱形馬爾可夫模型，對可列的狀態(tài)空間在離散化的時間參數(shù)空間上進行建模。

所述步驟2)具體包括：

2.1、根據(jù)網(wǎng)絡(luò)中預先獲得的數(shù)據(jù)痕跡，利用前向后向算法學習隱形馬爾可夫模型中所有參數(shù)；

2.2、通過遞歸方式，更新隱形馬爾可夫模型中的參數(shù)系統(tǒng)使其收斂，得到的參數(shù)系統(tǒng)和當前樣本是最匹配的參數(shù)；

2.3、利用步驟2.2所得的參數(shù)，使用viterbi算法對輸入的測試數(shù)據(jù)預測出可能的信道傳輸狀態(tài)序列；

2.4、根據(jù)訓練的隱形馬爾可夫模型，基于極大似然估計當前狀態(tài)和下一個狀態(tài)的信道沖突概率分布。

所述步驟3)中，ap位置通過采用多目標遺傳算法獲取。

采用多目標遺傳算法獲取ap位置包括：

第一步、將位置信息編碼為遺傳算法的染色體，每一條染色體代表空間中的一個ap位置，在解空間中隨機均勻選取多個由位置編碼形成的染色體作為初始種群；

第二步、設(shè)置目標函數(shù)：

函數(shù)一：收集ap所在位置所有wifi設(shè)備的信號強度，取其最大值；函數(shù)二：設(shè)置一個最小信號強度閾值，計算ap所在位置所有信號強度大于該閾值的wifi設(shè)備的數(shù)量；

第三步、對初始種群的每個個體，通過目標函數(shù)進行評估，選取若干個帕累托占優(yōu)的解作為下一代種群；

第四步、獲取交叉算子和變異算子，生成子代；

第五步、將新生成的子代作為下一代的父輩種群，如果滿足經(jīng)過若干次迭代結(jié)果穩(wěn)定，或者超過預設(shè)的迭代次數(shù)，則迭代終止進入第六步，否則進入第二步。

第六步、選取產(chǎn)生的結(jié)果作為最優(yōu)解。

與現(xiàn)有技術(shù)相比較，本發(fā)明的有益效果為：

本發(fā)明提供了一種無線體域網(wǎng)中wifi和zigbee節(jié)點避免沖突的方法，通過虛擬wifi數(shù)據(jù)幀沖突抑制wifi傳輸進而滿足優(yōu)先級較高的zigbee節(jié)點通信，使用戶不需要額外的硬件設(shè)備，也不需要更改wifi、zigbee設(shè)備的相關(guān)參數(shù)，只通過修改ap來避免或減少zigbee傳輸中來自wifi的干擾，進而節(jié)省芯片的能耗，另外，使病人的監(jiān)測數(shù)據(jù)更加實時，這樣對醫(yī)院和病人都能帶來便利，本發(fā)明能夠提供高效的、有價值的幫助。

附圖說明

圖1是本發(fā)無線體域網(wǎng)中wifi和zigbee節(jié)點避免沖突的方法流程圖；

圖2是本發(fā)明預測結(jié)果與原數(shù)據(jù)的情況對比圖；

圖3是本發(fā)明zigbee-wifi沖突的預測結(jié)果圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做詳細描述。

如圖1所示，本發(fā)明提供了一種無線體域網(wǎng)中wifi和zigbee節(jié)點避免沖突的方法，包括以下步驟：

1)對zigbee、wifi的傳輸信道狀態(tài)通過隱形馬爾可夫模型進行建模；

具體為：根據(jù)隱形馬爾可夫模型，對可列的狀態(tài)空間在離散化的時間參數(shù)空間上進行建模。在進行信道沖突分析時，首先將信道沖突序列切分為許多不同類型的信道沖突(可能有重疊)，對每一種沖突或者非沖突信號進行特征提取，這樣得到一個一維的特征向量序列o＝o1o2o3…ot。認為每一個特征向量是滿足某種概率分布的隨機向量，這種隨機向量序列又是隨時間變化的，因此可以看作是一種隨機過程。由于狀態(tài)空間連續(xù)(即特征向量非離散)，直接以這種連續(xù)的狀態(tài)空間進行建模十分復雜，因此基于某種可列的離散狀態(tài)空間對沖突信號進行建模。考慮到?jīng)_突信號具有一定的短時平穩(wěn)特性，即在一個較短的時間內(nèi)可以認為沖突的狀態(tài)是不變的，而一段信道的狀態(tài)的整個過程則是由不同狀態(tài)構(gòu)成的，因此提煉出一個可列的狀態(tài)空間在離散化的時間參數(shù)空間上進行建模。

本發(fā)明把改變信道狀態(tài)的節(jié)點分為三種，分別為zigbee類、wifi類和zigbee-wifi類，其中zigbee類節(jié)點發(fā)送zigbee信號和zigbee自身沖突信號，wifi類節(jié)點發(fā)送wifi信號和wifi自身沖突信號，zigbee-wifi類則是二者在傳輸中發(fā)送沖突信號。同樣的，我們把空信號看做是不同類節(jié)點在發(fā)送空信號，并歸為以下三類，一類是zigbee類節(jié)點發(fā)送的空信號，一類是wifi類節(jié)點發(fā)送的空信號，最后一類是zigbee-wifi類節(jié)點發(fā)送的空信號。這樣我們就可以按照空信號緊接著的信號類型來劃分狀態(tài)，并把這些狀態(tài)作為隱藏狀態(tài)。例如：空信號后面緊接著zigbee信號那我們就認為這是狀態(tài)一的情況。

2)根據(jù)網(wǎng)絡(luò)中預先獲得的數(shù)據(jù)痕跡，學習隱形馬爾可夫模型中所有參數(shù)，訓練及預測zigbee和wifi的傳輸模式，獲取當前狀態(tài)和下一個狀態(tài)的信道沖突概率分布；

具體包括：

2.1、根據(jù)網(wǎng)絡(luò)中預先獲得的數(shù)據(jù)痕跡，利用前向后向算法學習隱形馬爾可夫模型中所有參數(shù)；

2.2、通過遞歸方式，更新隱形馬爾可夫模型中的參數(shù)系統(tǒng)使其收斂，得到的參數(shù)系統(tǒng)和當前樣本是最匹配的參數(shù)；

2.3、利用步驟2.2所得的參數(shù)，使用viterbi算法對輸入的測試數(shù)據(jù)預測出可能的信道傳輸狀態(tài)序列；

2.4、根據(jù)訓練的隱形馬爾可夫模型，基于極大似然估計當前狀態(tài)和下一個狀態(tài)的信道沖突概率分布。

3)當預測到zigbee和wifi的信道沖突后，通過ap(無線訪問接入點，wirelessaccesspoint)虛擬wifi數(shù)據(jù)幀的沖突，抑制周圍的wifi傳輸，保證優(yōu)先級高的zigbee節(jié)點進行通信。

本發(fā)明中，采用多目標遺傳算法來對傳統(tǒng)的ap放置方法進行優(yōu)化。傳統(tǒng)的ap設(shè)置方法根據(jù)信號強度來選擇位置，信號強度越強說明ap到wifi設(shè)備的距離越近，當ap距離某個wifi設(shè)備足夠近的時候，距離其它wifi設(shè)備就會相對變遠，從而導致其他設(shè)備的信號強度低，這種方法在位置選擇上難免會忽略一些wifi設(shè)備，得出的結(jié)果往往距離信號強度更大的設(shè)備更近，同最大限度的覆蓋重疊區(qū)域相比有著不小的誤差。

因此，本發(fā)明采用多目標遺傳算法在二維空間中選取合適的ap位置，通過設(shè)置合適的目標函數(shù)評價該位置的優(yōu)劣，對于初步選取出的占優(yōu)解集，再通過交叉、變異等方式增加解的多樣性，然后進行多次迭代，優(yōu)中取優(yōu)，最終得到二維空間中ap位置的最優(yōu)解。

采用多目標遺傳算法獲取ap位置包括：

第一步、將位置信息編碼為遺傳算法的染色體，每一條染色體代表空間中的一個ap位置，在解空間中隨機均勻選取多個由位置編碼形成的染色體作為初始種群，染色體格式即為二維空間內(nèi)的坐標；

第二步、設(shè)置目標函數(shù)：

函數(shù)一：收集ap所在位置所有wifi設(shè)備的信號強度，取其最大值；函數(shù)二：設(shè)置一個最小信號強度閾值，計算ap所在位置所有信號強度大于該閾值的wifi設(shè)備的數(shù)量；

第三步、對初始種群的每個個體，通過目標函數(shù)進行評估，選取若干個帕累托占優(yōu)的解作為下一代種群；示例性的選取100個帕累托占優(yōu)的解；

第四步、獲取交叉算子和變異算子，生成子代；

交叉算子：

(1)設(shè)定發(fā)生交叉的幾率為90％；

(2)對上一步中選取出的每一對解，計算是否發(fā)生交叉；

(3)若發(fā)生交叉：將這一對解的縱坐標互換，產(chǎn)生新的一對解，并將這一對解并入子代種群；

變異算子：

(1)設(shè)定發(fā)生變異的幾率為10％；

(2)設(shè)定變異的范圍為解空間；

(3)對上一步中選取出的每一個解的每一位，計算是否發(fā)生變異；

(4)若發(fā)生變異：在預設(shè)的范圍中隨機獲取一個值，作為該坐標變異的結(jié)果，并將變異后的解并入子代種群。

第五步、將新生成的子代作為下一代的父輩種群，如果滿足經(jīng)過若干次迭代結(jié)果穩(wěn)定，或者超過預設(shè)的迭代次數(shù)，則迭代終止進入第六步，否則進入第二步。

第六步、選取產(chǎn)生的結(jié)果作為最優(yōu)解。

本發(fā)明提出基于隱馬爾科夫模型來訓練及預測zigbee和wifi的傳輸模式。了解了二者的傳輸模式后，在每次zigbee-wifi沖突到來前通過ap虛擬wifi數(shù)據(jù)幀沖突從而抑制wifi傳輸，保證優(yōu)先級較高的zigbee節(jié)點進行通信，同時不改變wifi和zigbee設(shè)備的相關(guān)參數(shù)。并在測試平臺進行測試，證明了它的有效性，本發(fā)明可以預測出90％左右的zigbee-wifi沖突并進行抑制，避免或減少了wifi信號對于zigbee的干擾。

實驗驗證：

對于隱馬爾可夫模型這種方法，是先訓練數(shù)據(jù)得出具體的模型參數(shù)，然后使用模型參數(shù)來預測即將到來的沖突。為了證明所提出方法的有效性，進行了實驗評估。測試平臺建立在筆記本電腦的matlab上，數(shù)據(jù)集采用wifi和zigbee的真實數(shù)據(jù)，如圖2所示，是本方法的預測結(jié)果與原數(shù)據(jù)的情況對比。

在圖中，對比了觀測狀態(tài)鏈中真實隱狀態(tài)的變化和預測的狀態(tài)變化，可以看到當觀測狀態(tài)長度為100的時候，通過隱馬爾可夫模型進行預測結(jié)果的正確率占整個狀態(tài)的50％左右，但因為每個狀態(tài)都有發(fā)送空信號的可能，因此在判斷zigbee-wifi沖突狀態(tài)并抑制時有三種情況：

1.在信道狀態(tài)為空閑時，誤判為zigbee-wifi沖突進而抑制；

2.在信道狀態(tài)為忙時，誤判為zigbee-wifi沖突進而抑制；

3.在信道狀態(tài)為其余兩種沖突時，誤判為zigbee-wifi沖突進而抑制。

其中，在第一種情況下發(fā)送抑制信號并不影響其他信號的正常傳輸，而在其余情況的誤判下可能會影響到wifi信號的正常傳輸，導致wifi信號的時延增大。

如圖3所示，為zigbee-wifi沖突的預測結(jié)果，可以看出在預測的狀態(tài)鏈中，狀態(tài)三的預測率有90％以上，即(zigbee-wifi)空信號和zigbee-wifi發(fā)生沖突的情況，因此可以抑制掉90％左右的wifi傳輸，進而保證zigbee傳輸?shù)膬?yōu)先級，進而保證所需的鏈路吞吐量和數(shù)據(jù)包投遞率。實驗結(jié)果表明了該發(fā)明的有效性。

對于本領(lǐng)域技術(shù)人員而言，顯然能了解到上述具體實施例只是本發(fā)明的優(yōu)選方案，因此本領(lǐng)域的技術(shù)人員對本發(fā)明中的某些部分所可能作出的改進、變動，體現(xiàn)的仍是本發(fā)明的原理，實現(xiàn)的仍是本發(fā)明的目的，均屬于本發(fā)明所保護的范圍。