无线传感器网络近年来发展迅速,由于其具有体积小、自组织性、布置速度快、容错性强等优良性能以及众多的应用领域,现在已经成为了无线通信网络中最重要的组成部分之一。在健康方面,无线传感器可作为探测器进入人的身体或附着于身体表面,帮助医生诊断病情或治疗疾病;在农业方面,推进智能农业的进步与发展,方便农民,通过对农田、作物数据的实时分析,合理规划,增加产量;在工业上,可作为工业监控,监控工业生产中的各项指标,保证安全,提高产品合格率;气象预测上,由于无线传感器网络的自组织性与快速布置性,传感器布置更方便,对地形要求更低,所获取的信息更全面,整体上可以提高气象预测的准确度;在军事上,战场环境的侦察、无人值守等都是无线传感网络的应用场景。然而,在应用这项技术的过程中,一些潜在的限制也在不断地被发现,比如电池续航能力的限制、测量精度的限制、带宽限制等。其中最重要的限制之一便是数据传输过程、数据处理过程中的能量消耗。众所周知,无线传感器网络的节点是由电力驱动的,由于其无线、快速布置的性质使其不得不使用电池的电力能源,而无法选择有线电力传输。在电能受限的条件下,延长无线传感器网络的使用寿命、提高传输效率对于技术的发展与应用尤为重要。基于以上情况,一些低复杂度的信号处理算法、能量分配方案在近年来受到很大的关注。数据删失算法便是其中一种。删失是统计学中的一个基本概念,它主要指在数据的采集过程中,由于某种因素,使得被采集的数据只在某个界限内是准确的。界限被称为删失门限,如果其大于门限值的部分被认定为准确,那么这种现象被称为左侧删失;相反,如果小于门限值的部分准确,则被称为右侧删失。删失的概念在经济学、生物学、心理学等多个学科被广泛的应用。在数据删失算法的分类中,这种由于客观因素如仪器量程不合适、测量精确度不够以及在数据传输过程中的数据丢失等,导致的数据删失,往往被称为被动删失。与之相对的,本文为了减小计算复杂度或节约传输资源而主动设定删失范围,对信号进行的删失处理被称为主动删失。在主动删失过程中,数据通过设定的删失门限被选择性的发送或处理,以此减少传输与信号处理过程中的能量消耗。本文主要关注于基于数据删失的无线传感器网络信道估计算法。在系统模型的选择上,本文选择了一个多跳的协作无线传感器网络模型。该模型以矩阵为单位对信号进行处理,大大提高了数据处理效率。数据删失方案被应用于该模型,并以此为基础推导信道估计算法,从而得到低复杂度的信道估计算法,以节省传输能耗与信号处理能耗。基于数据门限的选择方式,本文提出了两种数据删失方案—非自适应数据删失方案与自适应数据删失方案。其中非自适应数据删失方案的门限由一个固定的初始估计值计算获得,在应用非自适应数据删失方案的信道估计模型中,该参数由被估计的信道的初始值与输入信号共同确定,当二者乘积与接收信号的差值的模处于被删失范围时,该信号被判定为删失,否则该信号正常传输。在实际操作过程中,本文设置了初始迭代的次数,在这些次数以内,并不对数据进行删失,从而利用这些数据估计出初始估计值。为针对该方案的删失规则,用极大似然估计算法对该模型中的信道进行估计,考虑到极大似然估计的计算复杂度很高,本文将其结合随机梯度下降法,提出了基于极大似然估计算法的信道估计算法:随机梯度下降法。随机梯度下降法的计算复杂度相对较低,但梯度下降的步长是一个固定值。固定的步长使其在步长较小时能够取得很小的稳态均方误差,但是收敛速度也会随着步长的减小而放缓。为了同时在收敛速度与稳态均方误差性能上都取得较为满意的效果,本文在随机梯度下降法的基础上,为完成极大似然估计引入了牛顿算法。牛顿算法将固定的步长替换为似然函数的二阶梯度,在不同迭代次数的输入值的变化时,步长也随之变化,使收敛速度与稳态均方误差值都达到较好的效果。美中不足的是,由于牛顿法需要求解似然函数的二阶梯度,所以在计算复杂度上高于随机梯度下降法。由于迭代次数与数据是否删失无关,所以这两种算法在信号处理的复杂度上相较于不考虑数据删失的信道估计算法没有明显的减少。但是这两种信道估计算法仍然具有很大价值,因为其主要目标是在估计信道的基础上通过减少传输消耗来延长无线传感器网络的使用寿命。而且在自然删条件下,此两种方法可以在估计参数的同时恢复信号中所蕴含的信息。自适应数据删失方案的门限由一个自适应的估计值计算获得,在使用自适应数据删失方案的信道估计模型中,该参数由信道的上一次迭代估计值与输入信号共同确定,当二者乘积与接收信号的差值的模处于删失范围时,该信号被判定为删失,否则该信号正常传输。针对自适应删失方案的规则,本文采用自适应滤波算法对该情况下的信道进行估计。本文分别将最小均方误差估计和递归最小误差估计与自适应删失方案结合,利用每一次迭代的信道估计值计算下一次删失的门限,在这两种算法中,被删失的信号不参与信道估计,以此构成了数据选择,只有被选择的数据才能够被发送和处理,并通过这样的方式降低了系统的计算复杂度,同时减少了传输消耗。除此之外,本文还将集员滤波架构应用于自适应删失规则,从而推导出基于集员滤波的最小均方误差估计。对比加入集员滤波之前的算法,该算法的估算结果更为精准,收敛效果更好。在此基础上,本文分别对比了自适应删失条件下与无删失条件下的最小均方误差估计的性能以及自适应删失条件下与无删失条件下的递归最小误差估计的性能。通过对比可以得出,在收敛速度、稳态均方误差性能相似的情况下,自适应删失条件下的信道估计算法所需的迭代次数更少,所需数据量也更少。而同在自适应删失条件下的最小均方误差估计与递归最小误差估计相比,最小均方误差估计计算复杂度较低,但在收敛速度、稳态均方误差均差于递归最小误差估计。这是因为二者的代价函数不同,前者只是使该时刻估计的均方误差最小,而后者则考虑此次迭代前的每一时刻,使估计值收敛于均方误差的加权值最小时,所以后者的性能更好。此外,本文还对非自适应删失条件与自适应删失条件的删失率影响因素进行了分析,在非自适应删失条件下,删失率代表着允许传输的数据所占的比例,也就是说删失率的大小间接的等价于传输过程中耗费能量的多少。本文得出了删失率与门限系数、初始迭代次数三者之间的关系,从而本文可以通过对门限系数的调整控制删失率,进而实现对删失率与估计性能之间的权衡。其中门限系数、初始迭代次数均与删失率呈正相关,而且随着初始迭代次数的增加,初始估计值的误差更小,极大似然估计的准确度会更高。在基于矩阵的自适应删失条件下,删失率的大小不仅代表着传输过程中耗费能量的多少,还等价于在估计过程中迭代次数的多少。对于相同算法来说,删失率越高,迭代次数越少,则计算复杂度越低。本文通过引入卡方分布函数,得出了稳态条件下删失率与门限系数之间的关系。二者同样呈正相关关系,随着门限系数的增大,删失率上升。稳态条件下的删失率同样可以由改变门限系数的大小控制。基于文中提出的理论,本文使用软件进行了数字化的仿真。仿真结果证实了本文所提出的四种信道估计算法均具有良好的估计性能。与此同时,本文对比了不同算法的仿真结果,并对其进行了分析。最小均方误差性能、收敛速度、删失率等指标均与本文在理论公式推导中得出的结果一致。本文可以通过对门限系数的控制,得到计算复杂度与估计性能之间的平衡。在一定的删失率的条件下,本文所提出的基于非自适应删失的信道估计算法的稳态均方误差和收敛速度效果近似或优于无删失条件的相同算法,而且在传输上消耗了更少的能量。基于自适应删失的信道估计算法的稳态均方误差和收敛速度效果近似或优于无删失条件的相同算法,同时传输消耗、计算复杂度均小于后者,且在复杂度相同的情况下,本文提出的基于自适应删失的信道估计算法的稳态均方误差优于无删失条件的相同算法。