CN115776724A - 面向电磁频谱地图测绘的传感器节点布局优化方法及*** - Google Patents
面向电磁频谱地图测绘的传感器节点布局优化方法及*** Download PDFInfo
- Publication number
- CN115776724A CN115776724A CN202310091981.4A CN202310091981A CN115776724A CN 115776724 A CN115776724 A CN 115776724A CN 202310091981 A CN202310091981 A CN 202310091981A CN 115776724 A CN115776724 A CN 115776724A
- Authority
- CN
- China
- Prior art keywords
- sampling
- variance
- nodes
- node
- variance value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Complex Calculations (AREA)
Abstract
面向电磁频谱地图测绘的传感器节点布局优化方法及***,包括:对待测区域进行频谱数据移动式初始化采集,获得初始频谱数据;利用初始频谱数据,将采样位置两两配对,获得经验半方差值数据点;将经验半方差值数据点进行聚类分组;根据聚类分组后的半方差值数据点,确定最小采样节点数;根据最小采样节点数,基于随机优化算法进行初始采样节点位置的优化;基于克里金方差最大原则对剩下的采样节点位置进行贯序式优化,直至总采样节点数。本发明综合考虑了电波传播模型与频谱数据空间相关性,对于未知场景下的多节点传感器协同频谱地图测绘任务,可获得最少采样节点的数目和最优位置,从而达到利用最少节点数目实现最优的频谱地图测绘性能。
Description
技术领域
本发明属于无线信息传输领域,具体涉及一种面向电磁频谱地图测绘的传感器节点布局优化方法及***,特别针对多节点传感器协同感知场景下的电磁频谱地图测绘应用。
背景技术
随着信息技术和无线通讯技术的迅速发展,各类无线通信网络设备的急剧增加,电磁频谱空间日益复杂。电磁频谱地图可将包括时间、频率、接收信号强度和位置在内的频谱相关信息进行定量表征与可视化,有望在非法射频信号检测、辐射源定位、频谱资源管理等多个领域发挥作用。因此,如何进行精准电磁频谱地图测绘变得越来越重要。
针对广域的三维地理空间,电磁频谱地图测绘面临着采集节点数目有限、采集时间有限和采集环境复杂多变等挑战。此外,频谱地图的最终准确性既取决于采样节点的数量,也依赖于采样节点所处的具***置。采样节点的数量越多,越能精确地重构待测区域的电磁频谱,但是采集工作负担也随之增加。因此,如何在给定采样节点数目的条件下,选取最优的位置进行布局和采样,是一种兼顾性能和效率的折中解决方案。
发明内容
本发明针对现有技术中的不足,提供一种面向电磁频谱地图测绘的传感器节点布局优化方法及***,其综合考虑了电波传播模型与频谱数据空间相关性,对于未知场景下的多节点传感器协同频谱地图测绘任务,可获得最少采样节点的数目和最优位置,从而达到利用最少节点数目实现最优的频谱地图测绘性能。
为实现上述目的,本发明采用以下技术方案:
一种面向电磁频谱地图测绘的传感器节点布局优化方法,其特征在于,包括以下步骤:
步骤1:利用采集设备对待测区域按照随机轨迹或均匀轨迹进行频谱数据移动式初始化采集,获得初始频谱数据;
步骤2:利用获得的初始频谱数据,将采样位置两两配对,计算半方差值,获得经验半方差值数据点;
步骤3:将经验半方差值数据点进行聚类分组,获得聚类分组后的半方差值数据点;
步骤4:根据聚类分组后的半方差值数据点,拟合获得空间全局半变异函数,根据获得的空间全局半变异函数,确定最小采样节点数;
步骤5:根据最小采样节点数,基于随机优化算法进行初始采样节点位置的优化;
步骤6:根据优化后的初始采样节点位置所采集的数据,基于克里金方差最大原则对剩下的采样节点位置进行贯序式优化,直至总采样节点数。
为优化上述技术方案,采取的具体措施还包括:
进一步地,所述步骤1中,初始频谱数据M表示为:
式中,为第i个采样节点位置处采集T时间的平均接收功率,为位置处t时刻的瞬时电压,和分别为等间隔均匀采集的横向间隔与纵向间隔;L为待测区域长度,W为待测区域宽度,N为总采样节点数,t 1表示任意起始时刻。
式中,d表示第i个采样节点与第j个采样节点的距离,表示第i个采样节点与第j个采样节点的半方差值,表示任意两个距离为d的采样节点的半方差值,表示距离d的经验半方差值;将距离为d的任意两个采样节点称为距离为d的节点组,N d 为距离为d的节点组的组数。
进一步地,所述步骤3具体包括以下步骤:
步骤3.1:选取经验半方差值数据点中的距离变量组成集合作为聚类分组变量,表示第epn个经验半方差值数据点的距离变量;随机选取K个互不重复的样本作为聚类中心;用表示第k组内半方差值数据点的数目,k的取值是1~K,每个分组集合为,则第k组的聚类中心为:
式中,ep的取值是1~epn;
步骤3.5:将经验半方差值数据点根据聚类后划分的K组求取平均值,获得聚类分组后的半方差值数据点集合,其中表示聚类分组后的半方差值数据点,表示第K个聚类分组后的半方差值数据点的距离变量,是第K个聚类分组后的半方差值数据点的半方差值变量。
进一步地,所述步骤4具体如下:
进一步地,所述步骤5具体包括如下步骤:
步骤5.1:初始化解空间X、搜索速度V与P个初始采样节点位置:
步骤5.3:计算优化目标函数:
步骤5.4:依据如下原则更新解空间并获得全局最优情况:
式中,是第t+1次迭代时第q个解的搜索速度,是第t次迭代后第q个解的最优情况,是第t次迭代后最优节点位置情况,为第t+1次迭代时的第q个解,函数update表示从解空间X中取得最优节点位置情况,并更新到Gb中,w是惯性权重,r 1、r 2是服从均匀分布的随机数,函数max表示取最大值;
进一步地,所述步骤6具体包括如下步骤:
步骤6.1:首先利用下式求解权重系数:
步骤6.3:重复步骤6.1与步骤6.2,直至达到总采样节点数N,输出最终采样节点位置优化结果。
本发明还提出了一种面向电磁频谱地图测绘的传感器节点布局优化***,其特征在于,包括:
采集设备,用于对待测区域按照随机轨迹或均匀轨迹进行频谱数据移动式初始化采集,获得初始频谱数据;
计算模块,用于利用获得的初始频谱数据,将采样位置两两配对,计算半方差值,获得经验半方差值数据点;将经验半方差值数据点进行聚类分组,获得聚类分组后的半方差值数据点;根据聚类分组后的半方差值数据点,拟合获得空间全局半变异函数,根据获得的空间全局半变异函数,确定最小采样节点数;
优化模块,用于根据最小采样节点数,基于随机优化算法进行初始采样节点位置的优化;根据优化后的初始采样节点位置所采集的数据,基于克里金方差最大原则对剩下的采样节点位置进行贯序式优化,直至总采样节点数。
本发明的有益效果是:
1)本发明提出的面向电磁频谱地图测绘的传感器节点布局优化方法及***,综合考虑了电波传播模型与频谱数据空间相关性,能利用最少的传感器数目获取精确的电磁频谱地图;
2)本发明提出的传感器节点布局优化方案,基于混合构建的频谱数据空间相关性模型与克里金方差模型,将采样节点布局优化与贯序式节点优化相结合,有效降低了计算复杂度。
附图说明
图1为本发明面向电磁频谱地图测绘的传感器节点布局优化方法流程图。
图2为实施例的全局频谱地图。
图3为实施例的等间隔初始化采集的频谱数据示意图。
图4为实施例的经验半方差值的计算结果图。
图5为实施例的聚类中心示意图。
图6为实施例的拟合全局空间半变异函数的计算结果图。
图7a到图7d为实施例的初始采样节点优化的结果图,图7a表示初始化的25个节点位置,图7b表示迭代10次后25个节点位置,图7c表示迭代20次后25个节点位置,图7d表示最终优化后25个节点位置。
图8a到图8d为实施例的采样节点优化最终输出的结果图,图8a表示50个节点的优化位置,图8b表示100个节点的优化位置,图8c表示150个节点的优化位置,图8d表示256个节点的优化位置。
实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在一实施例中,如图1所示,本发明提出了一种面向电磁频谱地图测绘的传感器节点布局优化方法。本实施例的全局频谱地图如图2所示,待测场景中存在有发射机数目8个。对应发射机的位置参数、发射频率f和发射功率如表1所示。
表1 发射机配置参数
具体实施步骤如下:
第一步:用户设置待测区域长度L = 500m和宽度W = 500m,待测频段f =2450Mhz;用户设置总采样节点数N = 256。本实施例采用均匀等间隔布置的方案。根据公式(1)的约束条件进行等间隔采集,横向间隔= 30m和纵向间隔= 30m,得到初始采集后的频谱数据M,如图3所示。
式中,d表示第i个采样节点与第j个采样节点的距离,表示第i个采样节点与第j个采样节点的半方差值,表示任意两个距离为d的采样节点的半方差值,表示距离d的经验半方差值;将距离为d的任意两个采样节点称为距离为d的节点组,N d 为距离为d的节点组的组数。
式中,经验半方差值数据点中的距离变量组成集合作为聚类分组变量,表示第epn个经验半方差值数据点的距离变量;随机选取K个互不重复的样本作为聚类中心;用表示第k组内半方差值数据点的数目,k的取值是1~K,每个分组集合为,表示第k组的聚类中心,ep的取值是1~epn。
第五步:基于随机优化算法求解获得初始采样节点优化位置。具体实现步骤如下:
S5.1:利用公式(7)对解空间、搜索速度和最优节点位置进行初始化:
S5.3:利用公式(8)计算目标函数值:
S5.4:利用公式(9)更新解空间、搜索速度与最优初始节点位置:
式中,是第t+1次迭代时第q个解的搜索速度,是第t次迭代后第q个解的最优情况,是第t次迭代后最优节点位置情况,为第t+1次迭代时的第q个解,函数update表示从解空间X中取得最优节点位置情况,并更新到Gb中,w是惯性权重,r 1、r 2是服从均匀分布的随机数,函数max表示取最大值。
表2 详细采样坐标
第六步:初始化已采样节点数n=P=25,基于克里金方差最大原则对剩余节点进行贯序式优化,直至达到总采样节点数N=256。具体实现步骤如下:
S6.1:利用公式(10)和公式(11)计算每个未采样位置的克里金方差值:
S6.3:重复S6.1与S6.2直至达到总采样节点数N=256,输出最终采样节点位置优化结果,如图8a到图8d所示。
在另一实施例中,本发明还提出了与第一实施例所提出的面向电磁频谱地图测绘的传感器节点布局优化方法相对应的***,即一种面向电磁频谱地图测绘的传感器节点布局优化***,具体包括:
采集设备,用于对待测区域按照随机轨迹或均匀轨迹进行频谱数据移动式初始化采集,获得初始频谱数据;
计算模块,用于利用获得的初始频谱数据,将采样位置两两配对,计算半方差值,获得经验半方差值数据点;将经验半方差值数据点进行聚类分组,获得聚类分组后的半方差值数据点;根据聚类分组后的半方差值数据点,拟合获得空间全局半变异函数,根据获得的空间全局半变异函数,确定最小采样节点数;
优化模块,用于根据最小采样节点数,基于随机优化算法进行初始采样节点位置的优化;根据优化后的初始采样节点位置所采集的数据,基于克里金方差最大原则对剩下的采样节点位置进行贯序式优化,直至总采样节点数。
在面向电磁频谱地图测绘的传感器节点布局优化***中,各设备/模块的具体工作方式及实施步骤与面向电磁频谱地图测绘的传感器节点布局优化方法相同,故不再重复描述。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种面向电磁频谱地图测绘的传感器节点布局优化方法,其特征在于,包括以下步骤:
步骤1:利用采集设备对待测区域按照随机轨迹或均匀轨迹进行频谱数据移动式初始化采集,获得初始频谱数据;
步骤2:利用获得的初始频谱数据,将采样位置两两配对,计算半方差值,获得经验半方差值数据点;
步骤3:将经验半方差值数据点进行聚类分组,获得聚类分组后的半方差值数据点;
步骤4:根据聚类分组后的半方差值数据点,拟合获得空间全局半变异函数,根据获得的空间全局半变异函数,确定最小采样节点数;
步骤5:根据最小采样节点数,基于随机优化算法进行初始采样节点位置的优化;
步骤6:根据优化后的初始采样节点位置所采集的数据,基于克里金方差最大原则对剩下的采样节点位置进行贯序式优化,直至总采样节点数。
4.如权利要求3所述的一种面向电磁频谱地图测绘的传感器节点布局优化方法,其特征在于:所述步骤3具体包括以下步骤:
步骤3.1:选取经验半方差值数据点中的距离变量组成集合作为聚类分组变量,表示第个经验半方差值数据点的距离变量;随机选取个互不重复的样本作为聚类中心;用表示第组内半方差值数据点的数目,的取值是,每个分组集合为,则第组的聚类中心为:
6.如权利要求5所述的一种面向电磁频谱地图测绘的传感器节点布局优化方法,其特征在于:所述步骤5具体包括如下步骤:
步骤5.3:计算优化目标函数:
步骤5.4:依据如下原则更新解空间并获得全局最优情况:
式中,是第t+1次迭代时第q个解的搜索速度,是第t次迭代后第q个解的最优情况,是第t次迭代后最优节点位置情况,为第t+1次迭代时的第q个解,函数update表示从解空间X中取得最优节点位置情况,并更新到Gb中,是惯性权重,、是服从均匀分布的随机数,函数max表示取最大值;
8.一种面向电磁频谱地图测绘的传感器节点布局优化***,其特征在于,包括:
采集设备,用于对待测区域按照随机轨迹或均匀轨迹进行频谱数据移动式初始化采集,获得初始频谱数据;
计算模块,用于利用获得的初始频谱数据,将采样位置两两配对,计算半方差值,获得经验半方差值数据点;将经验半方差值数据点进行聚类分组,获得聚类分组后的半方差值数据点;根据聚类分组后的半方差值数据点,拟合获得空间全局半变异函数,根据获得的空间全局半变异函数,确定最小采样节点数;
优化模块,用于根据最小采样节点数,基于随机优化算法进行初始采样节点位置的优化;根据优化后的初始采样节点位置所采集的数据,基于克里金方差最大原则对剩下的采样节点位置进行贯序式优化,直至总采样节点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091981.4A CN115776724B (zh) | 2023-02-10 | 2023-02-10 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091981.4A CN115776724B (zh) | 2023-02-10 | 2023-02-10 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115776724A true CN115776724A (zh) | 2023-03-10 |
CN115776724B CN115776724B (zh) | 2023-05-05 |
Family
ID=85393772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310091981.4A Active CN115776724B (zh) | 2023-02-10 | 2023-02-10 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115776724B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663437A (zh) * | 2023-08-02 | 2023-08-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于深度神经网络的频谱测绘图构建方法和*** |
CN117147966A (zh) * | 2023-08-30 | 2023-12-01 | 中国人民解放军军事科学院***工程研究院 | 一种电磁频谱信号能量异常检测方法 |
CN117807469A (zh) * | 2024-02-29 | 2024-04-02 | 青岛道万科技有限公司 | 一种水下传感器数据采集方法、介质及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190302169A1 (en) * | 2018-03-30 | 2019-10-03 | Wuhan University | Nonlinear model transformation solving and optimization method for partial discharge positioning based on multi-ultrasonic sensor |
CN110445567A (zh) * | 2019-08-06 | 2019-11-12 | 中国人民解放军国防科技大学 | 一种电磁频谱地图的构建方法 |
CN114741908A (zh) * | 2022-02-08 | 2022-07-12 | 南京航空航天大学 | 基于聚类和全局空间距离分布系数的混合传感器配置方法 |
-
2023
- 2023-02-10 CN CN202310091981.4A patent/CN115776724B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190302169A1 (en) * | 2018-03-30 | 2019-10-03 | Wuhan University | Nonlinear model transformation solving and optimization method for partial discharge positioning based on multi-ultrasonic sensor |
CN110445567A (zh) * | 2019-08-06 | 2019-11-12 | 中国人民解放军国防科技大学 | 一种电磁频谱地图的构建方法 |
CN114741908A (zh) * | 2022-02-08 | 2022-07-12 | 南京航空航天大学 | 基于聚类和全局空间距离分布系数的混合传感器配置方法 |
Non-Patent Citations (2)
Title |
---|
徐炜;薛红;邵尉;: "基于K-means算法的非均匀网格化空间采样分布优化" * |
王瑞霞;: "频谱监测***电磁态势感知模块设计" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663437A (zh) * | 2023-08-02 | 2023-08-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于深度神经网络的频谱测绘图构建方法和*** |
CN116663437B (zh) * | 2023-08-02 | 2023-11-21 | 中国人民解放军战略支援部队航天工程大学 | 一种基于深度神经网络的频谱测绘图构建方法和*** |
CN117147966A (zh) * | 2023-08-30 | 2023-12-01 | 中国人民解放军军事科学院***工程研究院 | 一种电磁频谱信号能量异常检测方法 |
CN117147966B (zh) * | 2023-08-30 | 2024-05-07 | 中国人民解放军军事科学院***工程研究院 | 一种电磁频谱信号能量异常检测方法 |
CN117807469A (zh) * | 2024-02-29 | 2024-04-02 | 青岛道万科技有限公司 | 一种水下传感器数据采集方法、介质及*** |
CN117807469B (zh) * | 2024-02-29 | 2024-05-17 | 青岛道万科技有限公司 | 一种水下传感器数据采集方法、介质及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115776724B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115776724A (zh) | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** | |
US7196662B2 (en) | Probabilistic model for a positioning technique | |
CN106162869B (zh) | 移动自组织网络中高效协作定位方法 | |
KR20190053470A (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN104581943B (zh) | 用于分布式无线传感网络的节点定位方法 | |
Nan et al. | Estimation of node localization with a real-coded genetic algorithm in WSNs | |
CN104053129A (zh) | 一种基于稀疏射频指纹插值的无线传感器网络室内定位方法和装置 | |
CN103747419A (zh) | 一种基于信号强度差值与动态线性插值的室内定位方法 | |
He et al. | A novel radio map construction method to reduce collection effort for indoor localization | |
CN101982953B (zh) | 宽带无线通信信道频域多维参数化模型及建模方法 | |
CN104066179A (zh) | 一种改进的自适应迭代ukf的wsn节点定位方法 | |
CN104363649A (zh) | 带有约束条件的ukf的wsn节点定位方法 | |
Zhao et al. | An efficient radio map updating algorithm based on K-means and Gaussian process regression | |
KR101597690B1 (ko) | 무선 측위를 위한 가상 무선지도 구축 방법 및 그 장치 | |
Gumaida et al. | An efficient algorithm for wireless sensor network localization based on hierarchical structure poly-particle swarm optimization | |
Tao et al. | Enhancement of DV-Hop by weighted hop distance | |
Qi et al. | A combined localization algorithm for wireless sensor networks | |
CN102970677B (zh) | 基于侦听的Gossip平均共识技术的无线通信方法 | |
CN105187139A (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
Fan et al. | Removing heavily curved path: Improved dv-hop localization in anisotropic sensor networks | |
Ahmad et al. | Towards probabilistic localization using airborne mobile anchors | |
Marks et al. | High performance wireless sensor network localisation system | |
CN110536410B (zh) | 非视距环境下基于rss和tdoa测量的定位方法 | |
CN108848447B (zh) | 一种采用未知节点修正的差分DV_Distance节点定位方法 | |
CN112887909B (zh) | 一种基于Wi-Fi信号的室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |