无线体域网(Wireless Body Area Network,WBAN)是一种部署在人体表面(或内部)的无线传感器网络,是个人健康信息采集和传输的重要手段之一,为普适的健康医疗监控系统的发展提供必备条件,因此受到学术界和工业界的广泛关注。无线体域网需要进行长时间不间断的工作,因此能耗尤其是通信能耗一直是最大的挑战。为了实现高能效通信,我们采用功率控制和反向散射传输两种有效并且实用的低功耗传输技术。但是,无线体域网使用者经常处于移动状态,使用者的移动性不但会使得无线信道产生十分剧烈的动态变化,而且也会造成使用者周围环境的射频信号强度不稳定,因此极大的影响了功率控制技术和反向散射传输技术的性能,给它们在无线体域网中的应用带来了挑战。为了解决这个问题,我们开展了如下的研究。1.研究加速度信息融合的功率控制算法。根据无线信号周期性变化的特点,我们将反应节点运动的加速度信号和反应信道质量的接收信号强度指标(RSSI)进行关联分析,根据分析结果研究对加速度信号和信道状态信息进行决策级融合的功率控制算法以提升其在信道剧烈动态变化情况下的性能。实验结果说明,相比传统的功率控制,提出的算法可以降低18%的能耗和40%的丢包率。2.研究步态信息融合的功率控制算法。由于大多数无线信道动态变化和使用者步态周期在时间上同步。根据这一特点,研究如何实时的跟踪使用者的行走步态周期,以及将行走步态信息和信道状态信息进行决策级融合,以提升功率控制算法的性能。实验结果说明,相比传统的功率控制算法,提出的算法可以节约25%的能耗,并且减少65%的丢包率。3.研究基于在线学习的双模式无线体域网反向散射传输策略。在采用反向散射传输技术的情况下,为了解决使用者的移动性造成的环境RF信号强度不稳定这一问题,研究将环境反向散射模式和固定反向散射模式相结合,并且综合考虑系统状态信息的传输策略,利用约束马尔科夫决策过程对问题进行建模。考虑到在实际应用中无法获取系统动态变化的概率统计信息这一问题,研究利用在线学习算法在系统运行过程中计算最优的传输策略。仿真实验说明,利用在线学习算法可以获得和最优的马尔科夫决策过程得到的策略相近的性能,远远高于不利用系统统计信息的固定散射模式优先机制。