[論文レビュー] Sequential Channel State Tracking & SpatioTemporal Channel Prediction in Mobile Wireless Sensor Networks

Dionysios S. Kalogerias, Athina P. Petropulu|arXiv (Cornell University)|Feb 6, 2015

Distributed Sensor Networks and Detection Algorithms参考文献 49被引用数 4

ひとこと要約

本稿では、移動型無線センサネットワークにおける逐次的チャネル状態追跡および空間時間的チャネルゲイン予測のための非線形ベイジアンフィルタリングフレームワークを提案する。グリッドベースの近似フィルタリングを用いることで、時間変動するチャネル状態および動的チャネルゲインマップのリアルタイム推定を可能にし、一般の非ガウス的・非線形的・非 stationarity（定常でない）チャネルダイナミクス下でも、最適MMSE推定器への理論的収束を示す。

ABSTRACT

We propose a nonlinear filtering framework for approaching the problems of channel state tracking and spatiotemporal channel gain prediction in mobile wireless sensor networks, in a Bayesian setting. We assume that the wireless channel constitutes an observable (by the sensors/network nodes), spatiotemporal, conditionally Gaussian stochastic process, which is statistically dependent on a set of hidden channel parameters, called the channel state. The channel state evolves in time according to a known, non stationary, nonlinear and/or non Gaussian Markov stochastic kernel. This formulation results in a partially observable system, with a temporally varying global state and spatiotemporally varying observations. Recognizing the intractability of general nonlinear state estimation, we advocate the use of grid based approximate filters as an effective and robust means for recursive tracking of the channel state. We also propose a sequential spatiotemporal predictor for tracking the channel gains at any point in time and space, providing real time sequential estimates for the respective channel gain map, for each sensor in the network. Additionally, we show that both estimators converge towards the true respective MMSE optimal estimators, in a common, relatively strong sense. Numerical simulations corroborate the practical effectiveness of the proposed approach.

研究の動機と目的

• 時間変動的かつ空間相関を持つチャネルを有する移動型無線センサネットワークにおける、正確でリアルタイムなチャネル状態および空間時間的ゲイン推定の課題に対処する。
• 非定常的・非線形的・非ガウス的無線環境において、従来のパイロットベースおよび線形フィルタリング手法に見られる限界を克服する。
• 各センサの局所的観測と空間相関モデリングを用いて、動的かつ逐次的なチャネルマップ推定を可能にする。
• チャネル状態追跡および空間時間的予測の両方について、最適MMSE推定器への理論的収束保証を提供する。
• 正確でリアルタイムなチャネル状態情報により、動的ビームフォーミング、物理層セキュリティ、接続維持などのモビリティ対応応用を支援する。

提案手法

• 無線チャネルを、隠れの時間発展するチャネル状態パラメータを有する部分的に観測可能な、空間時間的に変化する条件付きガウス確率過程として定式化する。
• 既知の非定常的・非線形的・非ガウス的マルコフ確率的カーネルを用いて、チャネル状態の時間発展をモデル化する。
• グリッドベースの近似ベイジアンフィルタリングを採用し、時間変動するチャネル状態を再帰的に推定することで、非線形状態推定の解析的 tractability（取り扱いやすさ）を実現する。
• 未観測の空間的位置におけるリアルタイムで再帰的なチャネルゲインマップ推定を生成する逐次的空間時間予測器を開発する。
• 計算可能性を保証するため、グリッドベースのフィルタリングによる拡張カルマンスムージング（EKS）近似を用いて、状態推定値および予測器出力を計算する。
• チャネル状態トラッカーおよび空間時間予測器が、強い意味でのほとんど確実に、それぞれの最適MMSE推定器に収束することを理論的に確立する。

実験結果

リサーチクエスチョン

• RQ1 一般の非線形的・非ガウス的・非定常的ダイナミクス下で、移動型無線センサネットワークにおけるチャネル状態をどのように正確に追跡できるか？
• RQ2 局所的センサ観測と空間相関のみを用いて、空間時間的チャネルゲインマップをどの程度リアルタイムに予測できるか？
• RQ3 非線形フィルタリングフレームワークが、チャネル状態および空間的チャネルゲイン予測の両方において最適MMSE推定器への収束を達成できるか？
• RQ4 部分的に観測可能で非線形的かつ非ガウス的システムにおいて、グリッドベースの近似フィルタの理論的性能保証は何か？
• RQ5 本稿で提案するフレームワークは、動的で移動的かつ空間相関を持つ無線環境において、従来の線形またはパイロットベースの手法をどのように上回るか？

主な発見

• 提案されたグリッドベースの近似フィルタは、与えられた非線形的かつ非ガウス的システムモデル下で、真の最適MMSE最適チャネル状態推定器にほとんど確実に収束する。
• 逐次的空間時間予測器は、任意の未観測空間位置および時刻点において、最適MMSEチャネルゲインマップ予測器に収束する。
• 理論的解析により、チャネル状態トラッカーおよび空間時間予測器の両方が、技術的に強い意味でのほとんど確実に、それぞれの最適推定器に収束することが確認された。
• 数値シミュレーションにより、フレームワークの実用的有効性が検証され、動的環境下での正確で頑健なリアルタイムチャネル推定および予測が実現されていることが示された。
• グローバルなネットワーク全体の協調を必要としない動的で局所的かつ正確なチャネル状態およびゲイン推定を可能にするため、モビリティ対応応用を支援する。
• 非線形的・非ガウス的チャネルダイナミクスを扱えるため、従来の線形手法（例：Kriged Kalman Filtering）に比べて、屋内および屋外環境で一般的に見られる状況に適応できる。