認知無線視覺傳感網(wǎng)絡(luò)機會傳輸?shù)姆植际娇鐚觾?yōu)化

由 磊，雷建軍

(天津大學電子信息工程學院，天津 300072)

認知無線電能夠使非授權(quán)用戶(稱為次用戶，secondary users)通過頻譜感知技術(shù) “機會式地”(opportunistically)接入到未被授權(quán)用戶(稱為主用戶，primary user)占用的授權(quán)頻段，以提高次用戶的可用帶寬[1-2]．無線視覺傳感網(wǎng)絡(luò)由多個集成了微型視覺傳感器的無線節(jié)點組成，可以把所獲取的視覺感知信息通過多節(jié)點協(xié)同方式傳輸?shù)絽R聚節(jié)點(Sink 節(jié)點)，進而發(fā)送到應(yīng)用服務(wù)器上進行后續(xù)處理和分析．無線視覺傳感器網(wǎng)絡(luò)既具有傳統(tǒng)無線傳感器網(wǎng)絡(luò)自組織、自愈、靈活配置、快速覆蓋和低成本部署等優(yōu)點，又具有傳統(tǒng)視覺應(yīng)用系統(tǒng)信息量豐富的特點，能夠支持更廣泛的智能應(yīng)用，如交通監(jiān)控和流量統(tǒng)計、輔助生活、公共行為分析和建模以及虛擬現(xiàn)實等[3-4]．然而適合視覺信息無線多跳傳輸?shù)姆鞘跈?quán)頻段的資源有限，限制了網(wǎng)絡(luò)的規(guī)模和性能．利用認知無線電技術(shù)接入閑置的授權(quán)頻段是增強無線視覺傳感網(wǎng)絡(luò)性能和實現(xiàn)規(guī)模應(yīng)用的可行途徑之一[5]．認知無線視覺傳感網(wǎng)絡(luò)的主要挑戰(zhàn)是可用頻譜或信道的隨機性．由于無線節(jié)點機會式的接入到空閑授權(quán)頻譜，因而其底層的鏈路傳輸容量是動態(tài)變化的．在傳統(tǒng)的分層網(wǎng)絡(luò)協(xié)議設(shè)計[6]原則下，上層視覺信息的發(fā)送不會自適應(yīng)地匹配底層傳輸能力的改變，因而不能充分利用認知無線電所帶來的好處．這就需要采用跨層設(shè)計方法讓上層應(yīng)用實時感知下層鏈路上可能的傳輸機會，以增強視覺信息的端到端服務(wù)質(zhì)量．另一方面，為了保持網(wǎng)絡(luò)的有效性、實時性和可擴展性，所設(shè)計的算法必須是能夠分布式運行的．當前關(guān)于認知無線多跳網(wǎng)絡(luò)或無線傳感網(wǎng)絡(luò)的研究大多集中在頻譜感知技術(shù)[2，7]、認知信道的分配[8]、認知MAC 協(xié)議設(shè)計[9]、認知路由[10-11]和認知無線網(wǎng)格網(wǎng)絡(luò)頻譜共享[12]等方面．筆者針對認知無線電的隨機性，通過聯(lián)合控制視覺感知信息的壓縮速率、路由和鏈路流速率的跨層設(shè)計來提高整個無線視覺傳感網(wǎng)絡(luò)的平均性能，同時提出了跨層設(shè)計的分布式實現(xiàn)算法，并通過仿真驗證了其收斂性和最優(yōu)性．

1 網(wǎng)絡(luò)模型和問題描述

1.1 網(wǎng)絡(luò)模型和假設(shè)

一個無線視覺傳感網(wǎng)絡(luò)的拓撲如圖 1 所示．配置攝像頭的無線傳感器節(jié)點按照一定的策略部署在監(jiān)控區(qū)域內(nèi)．節(jié)點除了監(jiān)控以外，還可以協(xié)同傳輸視覺信息(圖像序列或視頻等)到匯聚節(jié)點(Sink)．雖然可以使用非授權(quán)頻段(如ISM 2.4,G)作為公共傳輸信道，但其帶寬無法完全滿足視覺信息的傳輸要求．為了提高鏈路速率和網(wǎng)絡(luò)容量，每個節(jié)點還具有認知無線電的功能，即節(jié)點可以實時感知(但無法提前預(yù)測)其鏈路的可用授權(quán)頻段，以機會式地接入這些空白頻段進行視覺感知信息的傳輸．

圖1 無線視覺傳感器網(wǎng)絡(luò)Fig.1 Wireless visual sensor network

認知無線視覺傳感網(wǎng)絡(luò)拓撲可以用有向圖G =(V,E) 來表示，其中 V 表示節(jié)點集合，而 E 表示無線鏈路集合．用 T 表示當前發(fā)送監(jiān)控視覺信息的源節(jié)點集合(如圖1 中的節(jié)點1 和節(jié)點3)．集合V、E和 T 的元素分別用 n 、l 和 m 表示，其元素數(shù)分別為N、L 和 M ．另外，節(jié)點 i 和節(jié)點 j 之間的鏈路也可以用(i，j)表示．假設(shè)網(wǎng)絡(luò)部署區(qū)域內(nèi)有 B 個授權(quán)頻帶(或信道)．由于主用戶的移動性或隨機接入性，這些頻段的可用與否是隨機變化的．在某一時刻網(wǎng)絡(luò)中鏈路的可用信道狀態(tài)用矢量 φ={sl,b}表示，其中sl,b= 1表示鏈路 l 可用信道 b(即該信道未被主用戶占用)，否則 sl,b= 0．用Φ表示所有可能φ 的狀態(tài)空間，即φ∈Φ．π (φ )表示信道狀態(tài)φ 的靜態(tài)概率分布．本文中假設(shè)網(wǎng)絡(luò)采用 CDMA 的接入技術(shù)．采用文獻[13]中碼分配算法為每條鏈路一個低相關(guān)性的擴頻碼．這樣，鏈路可以同時傳輸而相互干擾很少.鏈路 l 在狀態(tài)φ 時的鏈路容量可以表達為Cl( φ)=Wl( φ) l b( 1 + K ξl(φ ))，其 中 Wl(φ )表 示 鏈 路 l在狀態(tài)φ 時的可用帶寬，為信道b 的帶寬．ξl(φ )表示鏈路l 的在狀態(tài)φ 時的接收信號干擾噪聲比(SINR)．K 為常數(shù)．注意本文的設(shè)計方法也可以較容易地擴展到采用其他接入方式(如TDMA 或OFMDA 等)的網(wǎng)絡(luò)．鏈路l 的平均容量為

源節(jié)點所產(chǎn)生的視覺信息是連續(xù)的圖像序列(或視頻)，用峰值信噪比 PSNR 來表示信息傳輸質(zhì)量.視覺感知節(jié)點源 m 的 PSNR 可以表示為Qm=10lg DwcDm，其中Dm表示源m 的壓縮MSE(均方誤差)失真，而Dwc表示最壞情況的 MSE．當每個像素用 8,bit 表示時，Dwc= 2 552．根據(jù)文獻[15]，D m與視頻的壓縮速率rm有關(guān)，可以表示為

由于網(wǎng)絡(luò)可用信道的隨機性以及所有信息都發(fā)往同一個Sink 節(jié)點，采用多徑路由，即允許視覺信息在所有可能的鏈路上發(fā)送，而由第3 節(jié)中所提出的分布式算法決定鏈路上的流速率．用 fl表示鏈路流速率，而用 F =[ f1,…,fL]T表示所有鏈路流速率矢量．定義一個N × L的節(jié)點鏈路關(guān)聯(lián)矩陣Η ，其元素hnl=1表示節(jié)點 n 是鏈路 l 的發(fā)射節(jié)點，而 hnl= ?1 表示節(jié)點 n 是鏈路 l 的接收節(jié)點，否則 hnl= 0．定義R=[,…,]T為所有視覺傳感節(jié)點的源速率矢量，其中=0,n ? T ．網(wǎng)絡(luò)中每個節(jié)點來必須滿足流均衡原則，即流出該節(jié)點的數(shù)據(jù)速率與流入速率之差必須大于該節(jié)點的信息速率，即

另外，鏈路分配的流速率必須小于鏈路的平均容量，即

1.2 視覺信息傳輸?shù)目鐚釉O(shè)計問題表達

對于實時監(jiān)控來說，除了傳輸質(zhì)量，傳輸時延也是一個重要的性能參數(shù)．一般來說，無線視覺傳感器網(wǎng)絡(luò)所有監(jiān)控源節(jié)點的優(yōu)先級是等同的，因此可以考慮優(yōu)化整個網(wǎng)絡(luò)的平均(或總)時延(而不是單個源的端到端時延)，以提高整個網(wǎng)絡(luò)的實時性能．在M/M/1 隊列模型的假設(shè)下，單位數(shù)據(jù)流在鏈路l 上的時延為1/(Cl(φ)?fl)[17]．可見鏈路時延也是依賴于φ的隨機變量．鏈路 l 上單位數(shù)據(jù)流時延的期望定義D=[ d1,…,dL]T．對于協(xié)同多徑傳輸?shù)臒o線視覺傳感器網(wǎng)絡(luò)來說，視覺信息流可以在各個鏈路和端到端路徑上自適應(yīng)分配，以避免某些鏈路過分擁塞導(dǎo)致網(wǎng)絡(luò)平均時延太大．

無線視覺傳感器網(wǎng)絡(luò)跨層設(shè)計的目標是在底層可用授權(quán)信道隨機性和多徑路由條件下，最大化網(wǎng)絡(luò)視覺信息的傳輸質(zhì)量和最小化傳輸時延．然而這兩個設(shè)計目標不可能同時滿足，為此可以通過引入權(quán)值β=[β1,…,βL]T來達到兩個優(yōu)化目標的權(quán)衡．因此，最優(yōu)跨層設(shè)計問題可以表達為

式中，L=[1,…,1 ]T．權(quán)值β 衡量傳輸質(zhì)量Θ 與時延D 的重要程度，可以根據(jù)網(wǎng)絡(luò)的運營策略和實際部署場景等進行取值．由于Θ 和鏈路時延D 分別是源速率R 和F 的凸函數(shù)，因此問題(3)是一個隨機凸優(yōu)化問題[18]．如果可以預(yù)先獲知網(wǎng)絡(luò)的狀態(tài)空間Φ 及其每個狀態(tài)靜態(tài)概率 π(φ)，則可以采用經(jīng)典的非線性優(yōu)化算法(如牛頓法、內(nèi)點法等)來求解[18-19]．由于狀態(tài)的靜態(tài)概率很難精確獲得以及需要全網(wǎng)傳播狀態(tài)和控制信息，這些集中式算法無法在網(wǎng)絡(luò)實際運行中采用，而只能用在網(wǎng)絡(luò)前期規(guī)劃和性能估計中．為此，應(yīng)用隨機規(guī)劃的相關(guān)理論提出了一種分布式跨層傳輸算法，可以作為認知無線視覺傳感網(wǎng)絡(luò)的實用傳輸協(xié)議，并且能夠獲得與(已知狀態(tài)概率條件下的)集中式算法相似的優(yōu)化性能．

2 隨機次梯度法求解

通過對約束條件式(1)和式(2)引入拉格朗日乘子λ=[λ1,…,λN]T和μ=[μ1,…,μL]T，可以獲得問題式(3)的拉格朗日函數(shù)為

則式(3)的對偶問題的目標函數(shù)為

式中

式中下標l(i) 表示鏈路l 的接收節(jié)點，而l(o) 表示鏈路l 的發(fā)射節(jié)點．因此式(3)的對偶問題[18]為

式中λ 和μ 變成了對偶問題的優(yōu)化變量．由于式(3)是一個凸優(yōu)化問題，因此可以通過求解其對偶式(5)來獲得原問題的最優(yōu)解(二者的對偶間隔為0)[18]．對偶問題式(5)也是一個隨機優(yōu)化問題，可以采用 “隨機次梯度更新法”[19]來求解．假設(shè)在第t 步循環(huán)中對

偶變量為 λ(t)和 μ(t)，則在t+1 步進行如下方式的更新，即

式中：上標“+” 表示取值大于等于 0；θ (t) 和 ρ(t) 分別是變量 λ 和 μ 的更新步長；Χ(t) 和 Ζ(t) 分別為D (λ,μ)在 λ(t)和 μ(t)處的隨機次梯度，都是隨機變量．根據(jù)文獻[16-17]Danskin 定理，Χ (t)和 Ζ(t)計算式為

式中：φ(t)為 t 時刻網(wǎng)絡(luò)的信道狀態(tài)；C(φ(t))是 t 時刻鏈路瞬時容量矢量；R?和 F?分別是最大化問題(4)在對應(yīng)狀態(tài)φ(t)時源速率和鏈路流速率的最優(yōu)解．注意到最大化問題式(4)可以進一步分解為M +L 個獨立的子問題，即

(1) M 個獨立的源速率控制子問題

(2) L 個獨立的鏈路數(shù)據(jù)流分配子問題

式(8)和式(9)中的各個子問題可以采用拉格朗日法[17]求解．其中，式(8)中每個子問題的解為

式中： rmax為視覺節(jié)點的最大可能感知速率；而 式(9) 中 每個子問題的解為

3 分布式機會傳輸算法

對第 2 節(jié)中隨機次梯度求解過程進行仔細分析后，可以發(fā)現(xiàn)：①對偶變量λ 的每個分量都對應(yīng)一個節(jié)點，而μ 的每個分量都與一個鏈路相對應(yīng)；②由式(6)和式(7)可知，λ 的每個分量的更新只與其對應(yīng)節(jié)點的所有鏈路流速率和本身產(chǎn)生的源速率有關(guān)，而μ的每個分量更新只與其對應(yīng)鏈路的當前容量和承載的流速率有關(guān)；③由式(10)和式(11)可知，一個鏈路的最優(yōu)速率和節(jié)點的最優(yōu)源速率的計算只與本地對偶變量和信道狀態(tài)有關(guān)．這 3 個特點都有利于算法的分布式實現(xiàn)．據(jù)此，提出了如下的分布式機會傳輸算法．該算法把隨機次梯度算法的循環(huán)對應(yīng)到網(wǎng)絡(luò)傳輸時隙，即每個時隙更新一次對偶變量，而節(jié)點根據(jù)該時隙中所感知的信道狀態(tài)自適應(yīng)地進行視覺信息的網(wǎng)絡(luò)傳輸．

認知無線視覺傳感網(wǎng)絡(luò)分布式機會傳輸算法包括初始化和算法循環(huán)．

1) 初始化

根據(jù)網(wǎng)絡(luò)應(yīng)用要求和運營策略等確定權(quán)值β；設(shè)置對偶矢量 λ(0 ) 和 μ (0)各個分量的初值，并保存在相應(yīng)的節(jié)點中(μl保存在鏈路l 的發(fā)射節(jié)點)；設(shè)置固定步長θ和δ；確定網(wǎng)絡(luò)中鏈路可用的B 個授權(quán)頻段；鏈路的發(fā)射節(jié)點測量并保存該鏈路上信道的SINR；離線或在線估計每個源視覺節(jié)點參數(shù)、θm和．

2) 算法循環(huán)

在第t 個時隙有

(1) 每個節(jié)點n 向鄰居節(jié)點廣播對偶變量λn(i).

(2) 發(fā)送視覺信息的源節(jié)點m ∈ T，根據(jù)式(10)計算當前視頻發(fā)送速率 rm．

(3) 每條鏈路 l 的發(fā)射節(jié)點測量該鏈路的可用授權(quán)信道，計算鏈路瞬時速率并根據(jù)式(11)計算本時隙內(nèi)可發(fā)送的流速率 fl．

(4) 根據(jù)步驟(2)和(3)的計算結(jié)果進行信息傳輸．

(5) 每個節(jié)點根據(jù)本地鏈路容量、流速率和視頻源速率，按照式(7)計算相應(yīng)的隨機次梯度，并按照式(6)更新其對應(yīng)的對偶變量．

上述過程循環(huán)執(zhí)行，直到收斂．

上述算法中每個時隙內(nèi)節(jié)點向鄰居節(jié)點廣播自己的對偶變量，并根據(jù)收到的對偶變量獨立地計算與本節(jié)點相關(guān)的源速率、鏈路速率、隨機次梯度和對偶變量．這種分布式算法避免了集中式算法在全網(wǎng)傳播控制信息和狀態(tài)信息的問題．另外，算法不需要預(yù)先估計可用授權(quán)信道狀態(tài)的靜態(tài)概率分布，只需要節(jié)點(如算法的步驟(3)所述）感知當前時隙中授權(quán)信道的可用性，使鏈路能夠進行機會傳輸．視覺源節(jié)點通過對偶變量實現(xiàn)對底層認知信道的自適應(yīng)匹配，因而能夠充分利用認知無線電增強網(wǎng)絡(luò)性能．分布式算法的收斂性和最優(yōu)性將通過第4 節(jié)的仿真給出．

4 仿真結(jié)果與分析

4.1 仿真場景與參數(shù)

采用如圖 2 所示的無線視覺傳感網(wǎng)絡(luò)拓撲來驗證所提出的分布式機會傳輸算法的收斂性和最優(yōu)性．該拓撲中包含 16 個無線視覺傳感節(jié)點，均勻分布在一個300 m ×300 m的區(qū)域內(nèi)．假設(shè)該區(qū)域有4 個可用的授權(quán)頻段，同時為了保持網(wǎng)絡(luò)的連接性還使用一個固定的 ISM 非授權(quán)頻段．每個頻段的信道帶寬設(shè)為 1,MHz．對于網(wǎng)絡(luò)每個鏈路來說，授權(quán)頻段的可用概率是獨立同分布的．設(shè)4 個授權(quán)頻段被主用戶占用的靜態(tài)概率分別為 0.5、0.2、0.3 和 0.4．所有鏈路在每個可用信道上的發(fā)射功率固定為 Pt= 5 00 mW ，接收噪聲為3 mW ，接收功率只考慮自由空間路徑損耗，假設(shè)為Pr=ξd?3Pt，其中ξ為常數(shù)，設(shè)為105，d 為鏈路傳輸距離，m．設(shè)置節(jié)點 1 、4 和 9 為當前需要發(fā)送視覺信息的源節(jié)點，節(jié)點 16 為匯聚節(jié)點，其余節(jié)點作為中繼節(jié)點．設(shè) rmax=10．假設(shè)3 個源節(jié)點視覺信息的 PSNR 特征參數(shù)分別為= 1 .380，θ1= 1 .830，

圖2 仿真拓撲示意Fig.2 Topology for simulations

4.2 算法的收斂性

驗證在整個網(wǎng)絡(luò)運行的分布式算法能夠通過節(jié)點的本地信息交換使得優(yōu)化變量協(xié)同收斂到穩(wěn)定(平均)值．為了便于仿真結(jié)果顯示，在不失一般性的情況下，權(quán)值β各個分量設(shè)為βl=2 0,l ∈ E ．圖3顯示了3個視覺傳感器節(jié)點 1 、4 和 9 的源速率隨著算法循環(huán)的變化情況．可見，源速率在 4 00 次循環(huán)后基本能夠收斂到一個穩(wěn)定值，3 個源速率最終收斂的穩(wěn)定平均值分別為3.053,3,Mb/s 、2.497,4,Mb/s 和3.481,0,Mb/s．圖4顯示了鏈路(1，2)和(4，8)上瞬時流速率和平均流速率隨著算法循環(huán)的變化．由于認知無線電的隨機性，每個循環(huán)(相當于每個傳輸時隙)中鏈路可用信道和鏈路容量是隨機變化的，鏈路的瞬時傳輸速率也隨著鏈路容量的變化而變化．然而鏈路的平均流速率可以收斂到一個穩(wěn)定值．如圖4所示，鏈路(1，2)和(4，8)的平均流速率在大約 200 次循環(huán)后收斂到 1.556,1,Mb/s 和 2.428,9,Mb/s．這表明：所提出的跨層優(yōu)化算法能夠通過節(jié)點的局部信息交換和分布式計算使源速率和鏈路流速率收斂．

圖3 3個視覺傳感節(jié)點源速率的收斂性Fig.3 Convergence of source rate of three visual sensor nodes

圖4 鏈路(1，2)和(4，8)流速率的收斂性Fig.4 Convergence of flow rate of links(1,2)and(4,8)

4.3 算法的最優(yōu)性

如果已知網(wǎng)絡(luò)的信道狀態(tài)及其概率分布，可以采用集中式的非線性優(yōu)化算法求得式(3)的最優(yōu)解.通過與集中式算法比較來說明所提出的分布式算法的最優(yōu)性．集中式算法采用 “序列二次規(guī)劃算法”，并在 M atlab 中用 F mincon 函數(shù)得到優(yōu)化結(jié)果．表 1 為設(shè)置權(quán)值βl= 20、l ∈ E時，采用分布式算法和集中式算法所得到節(jié)點的平均流入和流出速率的比較．節(jié)點1、4 和9 是源節(jié)點，因而沒有流入速率，只有流出速率，且平均流出速率與平均源速率相等(見圖3)．節(jié)點16 是匯聚節(jié)點，沒有流出速率，只有流入速率，且流入平均速率與 3 個源速率之和相等．其余節(jié)點數(shù)據(jù)中繼節(jié)點既有流入速率，又有流出速率．從表1 中可以看出，分布式算法與集中式算法所獲得優(yōu)化結(jié)果非常接近，特別是視覺源節(jié)點的發(fā)送速率．

表 2 為設(shè)置不同的權(quán)值β時，集中式算法與分布式算法所獲得的平均 PSNR、平均網(wǎng)絡(luò)時延和式

(3)的優(yōu)化目標值的比較．減少β值相當于降低了網(wǎng)絡(luò)時延的權(quán)重．由表 2 可以看出，隨著β值的降低，網(wǎng)絡(luò)可以通過容忍更大的時延來換取視覺信息平均PSNR 的提高．同時，β= [ 200100 20 51]時，分布式算法可以獲得與集中式算法相近的平均 PSNR、平均時延和優(yōu)化目標值．值得注意的是當β=0 (即不考慮網(wǎng)絡(luò)時延)時雖然分布式算法所獲得的平均PSNR 和優(yōu)化目標值略低于集中式算法，但其平均時延卻比集中式算法小得多．集中式算法平均時延為 4.048,6×1016,ms/(Mb/s)，這實際上相當于無窮大，無法實現(xiàn)實時監(jiān)控的目的．

表 1 和表 2 的優(yōu)化數(shù)據(jù)表明：分布式算法能夠獲得與集中式算法相似的優(yōu)化性能，而分布式算法不需要預(yù)先知道或估計認知網(wǎng)絡(luò)的信道狀態(tài)的概率分布，只需實時感知網(wǎng)絡(luò)的瞬時信道狀況即可動態(tài)適應(yīng)和充分利用網(wǎng)絡(luò)的傳輸機會，并且具有可擴展性和實時性保證，因此該算法對于認知無線視覺傳感器網(wǎng)絡(luò)的規(guī)模應(yīng)用具有一定的實用價值．

表1 分布式算法與集中式算法節(jié)點平均流入和流出速率優(yōu)化結(jié)果比較( βl=2 0,l ∈ E)Tab.1 Comparison of average input and output flow rate of nodes of distributed and centralized algorithms( βl=2 0,l ∈ E)(Mb·s-1)

表2 分布式算法與集中式算法平均PSNR、平均傳輸時延和優(yōu)化目標值優(yōu)化結(jié)果比較Tab.2 Comparison of average PRNR，delay and optimal objective value of distributed and centralized algorithms

5 結(jié) 語

研究了認知無線視覺傳感網(wǎng)絡(luò)的跨層設(shè)計方法，并提出了一個分布式優(yōu)化算法．通過聯(lián)合控制上層視覺信息的壓縮速率和底層認知鏈路的機會傳輸達到端到端服務(wù)質(zhì)量和網(wǎng)絡(luò)平均時延的權(quán)衡最優(yōu)化．通過對偶分解和隨機次梯度法求解該優(yōu)化問題，推導(dǎo)出一個可以分布式實現(xiàn)的跨層優(yōu)化算法．該算法不需要預(yù)知可用頻段的靜態(tài)概率分布，能通過本地計算和信息交換達到全網(wǎng)控制參數(shù)和端到端視覺信息傳輸?shù)淖顑?yōu)化．本文中所提出的算法能夠為認知無線視覺傳感網(wǎng)絡(luò)的大規(guī)模部署和傳輸協(xié)議設(shè)計提供實用參考．

在網(wǎng)絡(luò)模型和仿真中假設(shè)節(jié)點在每個信道上的發(fā)射功率是固定的，而對于電池或太陽能供電的無線視覺傳感網(wǎng)絡(luò)設(shè)計能量有效的傳輸協(xié)議是非常必要的．今后將進一步研究怎樣將功率分配和能量控制集成到所提出的跨層設(shè)計方法和分布式算中．

［1］Akyildiz I F，Lee W-Y，Vuran M C，et al. Next generation/dynamic spectrum access/cognitive radio wireless networks：A survey[J].Computer Networks(Elsevier)，2006，50(13)：2127-2159.

［2］Haykin S. Cognitive radio：Brain-empowered wireless communications[J].IEEE Journal on Selected Areas in Communications，2005，23(2)：201-220.

［3］Soro Stanislava，Heinzelman Wendi. A Survey of visual sensor networks[J].Advances in Multimedia，2009：Article ID 640386.

［4］Charfi Y，Wakamiya N，Murata M. Challenging issues in visual sensor networks[J].IEEE Wireless Communications Magazine，2009，16(2)：44-49.

［5］Akyildiz I F，Melodia T，Chowdhury K R. A survey on wireless multimedia sensor networks[J].Computer Networks(Elsevier)，2007，51(4)：921-960.

［6］由 磊. 無線多跳網(wǎng)絡(luò)跨層設(shè)計與優(yōu)化的相關(guān)理論和算法研究[D]. 北京：北京郵電大學電子工程學院，2009.You Lei. Research on the Theory and Algorithms of Cross-Layer Design and Optimization for Wireless Multihop Network[D]. Beijing：School of Electronic Engineering，Beijing University of Posts and Telecommunications，2009(in Chinese).

［7］Zhao Q，Sadler B. A survey of dynamic spectrum access[J].IEEE Signal Process Mag，2007，24(3)：79-89.

［8］AL-Fuquha A，Khan B，Rayes A，et al. Opportunistic channel selection strategy for better QoS in cooperative networks with cognitive radio capabilities[J].IEEE Journal on Selected Areas in Communications，2008，26(1)：156-167.

［9］Cordeiro C，Challapali K. C-MAC：A cognitive MAC protocol for multi-channel wireless networks[C]//IEEE DySPAN. Dublin，Ireland，2007：147-157.

［10］Cheng G，Liu W，Li Y，et al. Joint on-demand routing and spectrum assignment in cognitive radio networks[C]//IEEE ICC. Glasgow，Scotland，2007：6499-6503.

［11］鄭騰飛，朱 琦. 認知 Ad Hoc 網(wǎng)絡(luò)中的跨層路由協(xié)議[J]. 計算機應(yīng)用，2011，31(增2)：9-13.

［12］Zheng Tengfei，Zhu Qi. Cross-layer routing protocol for cognitive Ad Hoc networks[J].Journal of Computer Applications，2011，31(Supl2)：9-13(in Chinese).

［13］Chowdhury K R，Akyildiz I F. Cognitive wireless mesh networks with dynamic spectrum access[J].IEEE Journal of Selected Areas in Communications， 2008 ，26(1)：168-181.

［14］Hu L. Distributed code assignments for CDMA packet radio networks[J].IEEE/ACM Trans Networking，1993，1(1)：668-677.

［15］由 磊，雷建軍，王丕超. 無線多跳網(wǎng)絡(luò)中SVC 視頻流傳輸?shù)姆植际絻?yōu)化方法[J]. 天津大學學報，2013，46(1)：73-78.You Lei，Lei Jianjun，Wang Pichao. Distributed optimization method for SVC streaming in wireless multihop networks[J].Journal of Tianjin University，2013，46(1)：73-78(in Chinese).

［16］Stuhlmuller K，F(xiàn)arber N，Link M，et al. Analysis of video transmission over lossy channels[J].IEEE Journal on Selected Areas in Communication，2000，18(6)：1012-1032.

［17］Pudlewski S，Prasanna A，Melodia T. Compressedsensing-enabled video streaming for wireless multimedia sensor networks[J].IEEE Transactions on Mobile Computing，2012，11(6)：1060-1072.

［18］Bertsekas D，Gallager R.Data Networks[M]. New York，USA：Prentice Hall，2000.

［19］Bertsekas D P.Nonlinear Programming[M]. Belmont，USA：Athena Scientific，1999.

［20］Kall Peter ， Wallace Stein W.Stochastic Programming[M]. 2nd,ed. Chichester，UK：John Wiley and Sons，1994.