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 PDF

Info

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
Application number
CN202310091981.4A
Other languages
English (en)
Other versions
CN115776724B (zh
Inventor
朱秋明
赵翼
林志鹏
王洁
黄洋
李婕
吴启晖
仲伟志
高钱豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310091981.4A priority Critical patent/CN115776724B/zh
Publication of CN115776724A publication Critical patent/CN115776724A/zh
Application granted granted Critical
Publication of CN115776724B publication Critical patent/CN115776724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

面向电磁频谱地图测绘的传感器节点布局优化方法及***
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：
Figure SMS_1
，
式中，
Figure SMS_2
为第i个采样节点位置
Figure SMS_3
处采集T时间的平均接收功率，
Figure SMS_4
为
Figure SMS_5
位置处t时刻的瞬时电压，
Figure SMS_6
和
Figure SMS_7
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。
进一步地，所述步骤2中，经验半方差值数据点
Figure SMS_8
的计算方式如下：
Figure SMS_9
，
式中，d表示第i个采样节点与第j个采样节点的距离，
Figure SMS_10
表示第i个采样节点与第j个采样节点的半方差值，
Figure SMS_11
表示任意两个距离为d的采样节点的半方差值，
Figure SMS_12
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
Figure SMS_13
作为聚类分组变量，
Figure SMS_14
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
Figure SMS_15
；用
Figure SMS_16
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
Figure SMS_17
，则第k组的聚类中心
Figure SMS_18
为：
Figure SMS_19
；
步骤3.2：计算每个半方差值数据点中的距离变量
Figure SMS_20
与每个聚类中心
Figure SMS_21
的欧氏距离
Figure SMS_22
：
Figure SMS_23
，
式中，ep的取值是1~epn；
步骤3.3：根据计算的欧式距离，将每个样本依次划分到最近的一组，然后重新计算聚类中心
Figure SMS_24
，若
Figure SMS_25
，则将
Figure SMS_26
的值更新为聚类中心
Figure SMS_27
；
步骤3.4：重复步骤3.2和步骤3.3，迭代至聚类中心不再改变，达到收敛后结束算法，并输出最终聚类分组结果
Figure SMS_28
；
步骤3.5：将经验半方差值数据点
Figure SMS_29
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
Figure SMS_30
，其中
Figure SMS_31
表示聚类分组后的半方差值数据点，
Figure SMS_32
表示第K个聚类分组后的半方差值数据点的距离变量，
Figure SMS_33
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：
根据聚类分组后的半方差值数据点
Figure SMS_34
，拟合获得空间全局半变异函数
Figure SMS_35
，其优化目标为：
Figure SMS_36
，
式中，
Figure SMS_37
表示目标函数，
Figure SMS_38
表示第k个聚类分组后的半方差值数据点的距离变量，
Figure SMS_39
表示第k个聚类分组后的半方差值数据点的半方差值变量，
Figure SMS_40
是待定参数，c 0是半方差零点偏移值，c是半方差缩放系数，
Figure SMS_41
为距离缩放系数；
将
Figure SMS_42
趋于稳定时的距离d记作相关距离d 0，此时的
Figure SMS_43
为临界空间变异值C，根据如下等间隔约束公式确定最小采样节点数P：
Figure SMS_44
，
式中，
Figure SMS_45
为波动阈值。
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：
Figure SMS_46
，
式中，
Figure SMS_47
为解空间中的第q个解，
Figure SMS_48
为第q个解的搜索速度，
Figure SMS_49
为第q个解中的第1个节点位置，
Figure SMS_50
是第q个解中第1个节点的搜索速度，
Figure SMS_51
是初始解空间X中的最优初始采样节点位置；函数initialize表示初始化；
步骤5.2：计算P个初始采样节点的半方差值
Figure SMS_52
；
步骤5.3：计算优化目标函数：
Figure SMS_53
；
步骤5.4：依据如下原则更新解空间并获得全局最优情况：
Figure SMS_54
，
式中，
Figure SMS_55
是第t+1次迭代时第q个解的搜索速度，
Figure SMS_56
是第t次迭代后第q个解的最优情况，
Figure SMS_57
是第t次迭代后最优节点位置情况，
Figure SMS_58
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；
步骤5.5：重复步骤5.2至步骤5.4，迭代至收敛后结束算法，并输出优化后的初始采样节点位置
Figure SMS_59
。
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：
Figure SMS_60
，
式中，
Figure SMS_61
是采样节点位置
Figure SMS_62
和未采样位置
Figure SMS_63
的半方差值，
Figure SMS_64
是待求解系数；
然后利用下式计算每个未知采样位置处的克里金方差值
Figure SMS_65
：
Figure SMS_66
；
步骤6.2：取克里金方差值最大的位置
Figure SMS_67
为下一个采样节点位置，并加入已采样节点位置集合
Figure SMS_68
，更新已采样节点数n =n+1；
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
Figure SMS_69
、发射频率f和发射功率
Figure SMS_70
如表1所示。
表1 发射机配置参数
Figure SMS_71
。
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
Figure SMS_72
= 30m和纵向间隔
Figure SMS_73
= 30m，得到初始采集后的频谱数据M，如图3所示。
Figure SMS_74
（1）
式中，
Figure SMS_75
为第i个采样节点位置
Figure SMS_76
处采集T时间的平均接收功率，
Figure SMS_77
为
Figure SMS_78
位置处t时刻的瞬时电压；t 1表示任意起始时刻。
第二步：根据初始采集后的频谱数据M，将每个采样节点两两配对，利用公式（2）计算得到经验半方差值数据点
Figure SMS_79
，如图4所示。
Figure SMS_80
（2）
式中，d表示第i个采样节点与第j个采样节点的距离，
Figure SMS_81
表示第i个采样节点与第j个采样节点的半方差值，
Figure SMS_82
表示任意两个距离为d的采样节点的半方差值，
Figure SMS_83
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。
对得到的经验半方差值
Figure SMS_84
进行聚类分组，聚类分组数K=12。利用公式（3）计算每组的距离向量，利用公式（4）进行距离度量，直至收敛后结束，并根据聚类结果计算每类的半方差均值，如图5所示。
Figure SMS_85
（3）
Figure SMS_86
（4）
式中，经验半方差值数据点中的距离变量组成集合
Figure SMS_87
作为聚类分组变量，
Figure SMS_88
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
Figure SMS_89
；用
Figure SMS_90
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
Figure SMS_91
，
Figure SMS_92
表示第k组的聚类中心，ep的取值是1~epn。
第四步：根据聚类分组后的半方差均值，拟合获得全局空间半变异函数
Figure SMS_93
，如图6所示，其优化目标为：
Figure SMS_94
（5）
式中，
Figure SMS_95
表示目标函数，
Figure SMS_96
表示第k个聚类分组后的半方差值数据点的距离变量，
Figure SMS_97
表示第k个聚类分组后的半方差值数据点的半方差值变量，
Figure SMS_98
是待定参数，c 0是半方差零点偏移值，c是半方差缩放系数，
Figure SMS_99
为距离缩放系数。
将
Figure SMS_100
趋于稳定时的距离d记作相关距离d 0，此时的
Figure SMS_101
为临界空间变异值C，根据公式（6）确定d 0为10m，最小初始布局点数P =25。
Figure SMS_102
（6）
式中，
Figure SMS_103
为波动阈值。
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：
Figure SMS_104
（7）
式中，
Figure SMS_105
为解空间中的第q个解，
Figure SMS_106
为第q个解的搜索速度，
Figure SMS_107
为第q个解中的第1个节点位置，
Figure SMS_108
是第q个解中第1个节点的搜索速度，
Figure SMS_109
是初始解空间X中的最优初始采样节点位置，函数initialize表示初始化。
S5.2：根据第二步、第三步的方法计算P个初始采样节点的半方差值
Figure SMS_110
。
S5.3：利用公式（8）计算目标函数值：
Figure SMS_111
（8）
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：
Figure SMS_112
（9）
式中，
Figure SMS_113
是第t+1次迭代时第q个解的搜索速度，
Figure SMS_114
是第t次迭代后第q个解的最优情况，
Figure SMS_115
是第t次迭代后最优节点位置情况，
Figure SMS_116
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。
重复S5.2至S5.4，迭代至收敛后结束算法，并输出最优采样节点位置
Figure SMS_117
如图7a到图7d所示，详细采样坐标如表2所示。
表2 详细采样坐标
Figure SMS_118
。
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：
Figure SMS_119
（10）
Figure SMS_120
（11）
式中，
Figure SMS_121
是采样节点位置
Figure SMS_122
和未采样位置
Figure SMS_123
的半方差值，
Figure SMS_124
是待求解系数。
S6.2：令克里金方差值最大的未采样位置为下一个采样节点位置
Figure SMS_125
，并将该位置加入已采样节点集合
Figure SMS_126
。更新已采样节点数n=n+1。
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。
2.如权利要求1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1中，初始频谱数据M表示为：
Figure QLYQS_1
，
式中，
Figure QLYQS_3
为第
Figure QLYQS_8
个采样节点位置
Figure QLYQS_13
处采集
Figure QLYQS_5
时间的平均接收功率，
Figure QLYQS_9
为
Figure QLYQS_11
位置处
Figure QLYQS_14
时刻的瞬时电压，
Figure QLYQS_2
和
Figure QLYQS_6
分别为等间隔均匀采集的横向间隔与纵向间隔；
Figure QLYQS_10
为待测区域长度，
Figure QLYQS_12
为待测区域宽度，
Figure QLYQS_4
为总采样节点数，
Figure QLYQS_7
表示任意起始时刻。
3.如权利要求2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2中，经验半方差值数据点
Figure QLYQS_15
的计算方式如下：
Figure QLYQS_16
，
式中，
Figure QLYQS_18
表示第
Figure QLYQS_22
个采样节点与第
Figure QLYQS_28
个采样节点的距离，
Figure QLYQS_20
表示第
Figure QLYQS_23
个采样节点与第
Figure QLYQS_27
个采样节点的半方差值，
Figure QLYQS_30
表示任意两个距离为
Figure QLYQS_17
的采样节点的半方差值，
Figure QLYQS_21
表示距离
Figure QLYQS_25
的经验半方差值；将距离为
Figure QLYQS_29
的任意两个采样节点称为距离为
Figure QLYQS_19
的节点组，
Figure QLYQS_24
为距离为
Figure QLYQS_26
的节点组的组数。
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
Figure QLYQS_33
作为聚类分组变量，
Figure QLYQS_37
表示第
Figure QLYQS_39
个经验半方差值数据点的距离变量；随机选取
Figure QLYQS_34
个互不重复的样本作为聚类中心
Figure QLYQS_36
；用
Figure QLYQS_40
表示第
Figure QLYQS_42
组内半方差值数据点的数目，
Figure QLYQS_31
的取值是
Figure QLYQS_35
，每个分组集合为
Figure QLYQS_38
，则第
Figure QLYQS_41
组的聚类中心
Figure QLYQS_32
为：
Figure QLYQS_43
；
步骤3.2：计算每个半方差值数据点中的距离变量
Figure QLYQS_44
与每个聚类中心
Figure QLYQS_45
的欧氏距离
Figure QLYQS_46
：
Figure QLYQS_47
，
式中，
Figure QLYQS_48
的取值是
Figure QLYQS_49
；
步骤3.3：根据计算的欧式距离，将每个样本依次划分到最近的一组，然后重新计算聚类中心
Figure QLYQS_50
，若
Figure QLYQS_51
，则将
Figure QLYQS_52
的值更新为聚类中心
Figure QLYQS_53
；
步骤3.4：重复步骤3.2和步骤3.3，迭代至聚类中心不再改变，达到收敛后结束算法，并输出最终聚类分组结果
Figure QLYQS_54
；
步骤3.5：将经验半方差值数据点
Figure QLYQS_57
根据聚类后划分的
Figure QLYQS_59
组求取平均值，获得聚类分组后的半方差值数据点集合
Figure QLYQS_60
，其中
Figure QLYQS_56
表示聚类分组后的半方差值数据点，
Figure QLYQS_58
表示第
Figure QLYQS_61
个聚类分组后的半方差值数据点的距离变量，
Figure QLYQS_62
是第
Figure QLYQS_55
个聚类分组后的半方差值数据点的半方差值变量。
5.如权利要求4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4具体如下：
根据聚类分组后的半方差值数据点
Figure QLYQS_63
，拟合获得空间全局半变异函数
Figure QLYQS_64
，其优化目标为：
Figure QLYQS_65
，
式中，
Figure QLYQS_67
表示目标函数，
Figure QLYQS_70
表示第
Figure QLYQS_72
个聚类分组后的半方差值数据点的距离变量，
Figure QLYQS_68
表示第
Figure QLYQS_71
个聚类分组后的半方差值数据点的半方差值变量，
Figure QLYQS_73
是待定参数，
Figure QLYQS_74
是半方差零点偏移值，
Figure QLYQS_66
是半方差缩放系数，
Figure QLYQS_69
为距离缩放系数；
将
Figure QLYQS_75
趋于稳定时的距离
Figure QLYQS_76
记作相关距离
Figure QLYQS_77
，此时的
Figure QLYQS_78
为临界空间变异值
Figure QLYQS_79
，根据如下等间隔约束公式确定最小采样节点数
Figure QLYQS_80
：
Figure QLYQS_81
，
式中，
Figure QLYQS_82
为波动阈值。
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5.1：初始化解空间X、搜索速度V与
Figure QLYQS_83
个初始采样节点位置：
Figure QLYQS_84
，
式中，
Figure QLYQS_86
为解空间中的第
Figure QLYQS_89
个解，
Figure QLYQS_91
为第
Figure QLYQS_87
个解的搜索速度，
Figure QLYQS_90
为第
Figure QLYQS_92
个解中的第1个节点位置，
Figure QLYQS_93
是第
Figure QLYQS_85
个解中第1个节点的搜索速度，
Figure QLYQS_88
是初始解空间X中的最优初始采样节点位置，函数initialize表示初始化；
步骤5.2：计算P个初始采样节点的半方差值
Figure QLYQS_94
；
步骤5.3：计算优化目标函数：
Figure QLYQS_95
；
步骤5.4：依据如下原则更新解空间并获得全局最优情况：
Figure QLYQS_96
，
式中，
Figure QLYQS_97
是第t+1次迭代时第q个解的搜索速度，
Figure QLYQS_98
是第t次迭代后第q个解的最优情况，
Figure QLYQS_99
是第t次迭代后最优节点位置情况，
Figure QLYQS_100
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，
Figure QLYQS_101
是惯性权重，
Figure QLYQS_102
、
Figure QLYQS_103
是服从均匀分布的随机数，函数max表示取最大值；
步骤5.5：重复步骤5.2至步骤5.4，迭代至收敛后结束算法，并输出优化后的初始采样节点位置
Figure QLYQS_104
。
7.如权利要求6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：
Figure QLYQS_105
，
式中，
Figure QLYQS_106
是采样节点位置
Figure QLYQS_107
和未采样位置
Figure QLYQS_108
的半方差值，
Figure QLYQS_109
是待求解系数；
然后利用下式计算每个未知采样位置处的克里金方差值
Figure QLYQS_110
：
Figure QLYQS_111
；
步骤6.2：取克里金方差值最大的位置
Figure QLYQS_112
为下一个采样节点位置，并加入已采样节点位置集合
Figure QLYQS_113
，更新已采样节点数
Figure QLYQS_114
；
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。
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。
CN202310091981.4A 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*** Active CN115776724B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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