CN105187139B - 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 - Google Patents

Abstract

本发明公开了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，提出了一个CARM算法来解决群智感知中的数据不准确和不完全的问题。具体地，基于实验观察来构建手机的测量值误差模型。更进一步地，结合误差模型和信号传播模型，提出一种迭代方法，以交替地校准手机测量值和估计传播模型参数。同时，用传播模型来预测未测量位置的RSS值。通过实际的群智感知实验的验证，方法的性能远远超过当前基本的方法，并能够获得与基于真值参考值方法近似相同的精度。

Description

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

技术领域

本发明涉及一种室外无线信号接收强度地图构建方法。

背景技术

现在，城市中部署了大量的WiFi接入点(Access Point,AP)。为了便于有效而又灵活的接入，WiFi接入用户最关心的是通信质量和干扰样式。在大规模的环境中，AP的接收信号强度(Recieved Signal Strength,RSS)地图(Map)能够为移动用户提供基本的信息，以便于构建冲突图(Conflict Graph)和提高通信质量。

不幸的是，由于实际物理环境非常复杂，构建精确的RSS地图很困难。而且，超大规模的无线网络使RSS地图构建更困难，特别是对于城市无线接入网络。一种简单直接的办法是利用带有经验参数的信号传播模型(Signal Propagation Model)来构建虚拟的RSS地图。但是，通过实验研究发现，在实际中，这种虚拟方法会产生不可接受的误差。另外一种直接的方法是遍历所有区域进行RSS采样。但由于在大规模的室外环境中耗费很大，这种方法几乎不可行。

群智感知(Crowd Sensing)能够被巧妙地用来构建一个开放而又低耗费的平台，以构建实时的RSS地图。最近的研究工作也显示，在某些场景中，智能手机(Smart phone)的高度动态的RSS测量值可被用来定位和构建室内布局图(floor plan)。受这些工作启发，利用群智感知，即大量智能手机的RSS测量值来构建精确的室外RSS地图。

发明内容

本发明的目的是提供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。

为了实现上述目的，采用以下技术方案：

一种基于群智感知的室外无线信号接收强度图构建方法，其特征在于：所述方法包括下列步骤：

首先计算和(j∈[1,M])

其中表示第j个AP的RSS测量值的个数，即K_ij表示第i个用户关于第j个AP的测量值集合；U_j表示测量第j个AP的用户集合； 和分别表示第i个用户关于第j个AP的第k个RSS测量值和其对应的测量位置，表示位置到第j个AP位置的距离，即 表示第j个AP的位置；和分别表示第t-1次迭代校准模型中两个参数的估计值；

然后计算第t次迭代中校准模型参数新的估计值，即i∈[1,N]：

其中表示第i个用户的RSS测量值个数，即A_i表示第i个用户测得的AP集合；

再计算和的收敛值和

计算测量值的校准值

和分别表示和的收敛值；

计算未测量位置的RSS值集合

表示第j个AP无线信号覆盖范围中所有位置的集合，表示已被测量的位置，即

最后得到构建结果

本发明是第一个用群智感知来构建实际的室外RSS地图的工作。与当前方法最显著的区别是，不需专有测量设备(如高接收灵敏度的WiFi网卡)和专有测量人员，仅仅用现有但不准确的设备(智能手机)和普通用户的群智感知来构建RSS地图。本发明提出了一种迭代方法。它可在测量的真实值(Ground truth)大部分未知以及测量噪声预先未知的情况下，同时校准群智感知中不准确的测量值和预测未采样位置的测量值。实验结果表明，所提方法能够获得平均误差为8.5dBm的精确RSS地图。较之最基本的方法(即直接利用群智感知测量值构建地图)能够提高精度57.2％。

具体实施方式

下面通过具体实施例对本发明对详细的描述。

本发明提出了一种基于群智感知测量值构建精确的室外RSS地图的算法。简称为CARM。这个算法主要是基于下面三个基本的思想。首先，联合手机测量值和基于信号传播模型的RSS预测值来估计测量误差模型的参数。这些模型参数再被用来校准手机测量值。其次，利用已校准的测量值来估计信号传播模型参数。最后，提出了一种迭代方法，在测量值校准和估计传播模型参数之间交替迭代循环。通过多次迭代，测量值的校准精度和传播模型的参数估计精度都不断提高直至收敛。

这个算法主要包含两部分：

1)模型参数的迭代估计：迭代地估计手机的测量误差模型和信号传播模型的参数直至收敛。具体地，利用误差模型的参数估计值来估计传播模型的参数。然后，反过来，这些估计结果被用来重新估计误差模型的参数。

2)基于模型的RSS地图构建：当迭代收敛后，利用每个手机的测量误差模型来校准它的测量值。同时，利用每个AP的信号传播模型来预测未测量位置的RSS值。基于已校准的测量值和预测的RSS值，可以得到一个既精确又完整的RSS地图。

下面将详细介绍群智感知RSS地图构建算法。首先依次介绍算法的两个主要部分，，即参数的迭代估计和基于模型的RSS地图构建。在最后，给出算法的描述。

模型参数的迭代估计:手机的RSS测量值与真实参考值之间存在线性关系。因此，利用这个误差模型来校准手机的RSS测量值。用和分别表示第i个用户关于第j个AP的第k个RSS测量值和其对应的测量位置。因此，可得它的RSS校准值为：

公式1.1

其中π_i和η_i分别表示校准模型的两个未知参数。它们由智能手机的型号和使用方式决定。

用经典的信号传播模型(即Uniform Pathloss Model[20])来刻画AP的室外RSS分布。用表示第j个AP的位置。因此，根据信号传播模型，第j个AP在位置的RSS的预测值为：

公式1.2

其中表示位置到第j个AP位置的距离，即表示第j个AP的信号发送能量。d₀和γ_j分别表示参考距离和信号衰减指数。

和γ_j是关于第j个AP设置的两个未知参数。d₀是一个已知常数。用α_j＝10·γ_j和因此，公式可被表示为：

公式1.3

其中α_j和β_j是由AP的设置参数以及部署的物理环境决定的两个未知参数。

理想情况下，基于误差模误差模型和传播模型的参数都很准确时，校准测量值和RSS预测值之间的差值非常小。因此，目标是计算误差模型和传播模型的参数估计值，以使校准测量值与RSS预测值之间的差值最小。根据公式1.1和公式1.3，这个参数估计问题可以描述为：

公式1.4

公式1.5

其中N和M分别表示群智感知的用户数和室外环境部署的AP个数。U_j表示测量第j个AP的用户集合。K_ij表示第i个用户关于第j个AP的测量值集合。

这个参数估计问题是一个非线性单目标优化问题。一方面，由于非线性优化自然复杂性，直接求解最优解是非常困难。另一方面，由于目标函数含有大量的未知变量(即2·(M+N))，即使用启发式算法(如模拟退火算法等)搜索次优解也需要耗费大量的时间。

为了解决这个问题，提出了一种迭代估计方法，仅仅以线性时间复杂度的耗费就能得到最优解。具体地，在每次迭代，首先用临时的不准确的误差模型参数来估计传播模型的参数；然后，反过来，用这些估计结果来重新修正前面不准确的误差模型参数。这两步交替执行直至收敛，即目标函数值最小。在下面，以第t次迭代为例来详细介绍这两步迭代过程。

在第一步，已知误差模型参数的最新估计值(即)，计算传播模型的参数值(即)以使目标函数最小。因此，可得：

公式1.6

用和作为第t次迭代中传播模型参数的新估计值，即和因此，通过解公式，可推得和(j∈[1,M])为：

公式1.7

公式1.8

其中表示第j个AP的RSS测量值的个数，即

同样地，在第二步，已知传播模型参数新的估计值(即)，计算第t次迭代中误差模型参数新的估计值(即i∈[1,N])为：

公式1.9

公式1.10

其中表示第i个用户的RSS测量值个数，即A_i表示第i个用户测得的AP集合。

基于模型的RSS地图构建

基于前面误差模型和传播模型的参数估计值，构建RSS地图。具体地，根据公式1.1中的误差模型，已知模型参数，计算每个手机测量值的校准值。由于只有少部分位置被采样，大部分位置都没有测量值。根据每个AP的传播模型参数，利用传播模型来预测各个为采样位置的RSS测量值。

总结前面方法的介绍，如表1-2所示，给出群智感知RSS地图构建算法描述。

在算法的第1行，每个用户的误差模型参数用经验值进行初始化。由于算法具有收敛性，因此，初始值对算法的性能影响较小。在第2-11行，算法迭代地估计传播模型的参数和误差模型的参数，直至目标函数值收敛。当迭代收敛后，在第12-15行，根据误差模型参数的估计收敛值来校准智能手机的测量值，同时，也用传播模型参数的估计收敛值来预测未测位置的RSS值。最后，在第16-17行，结合校准测量值和预测RSS值构建RSS地图。说明在表1-2中，表示第j个AP无线信号覆盖范围中所有位置的集合。表示已被测量的位置，即

此外，还利用少部分的种子用户。种子用户是指他(她)的智能手机的误差模型参数预先已知。在系统中加入一些真值参考值或者已校准测量值是合理的。首先，系统中存在少部分高级或者合作用户的手机在使用前已校准。其次，虽然用专有设备进行大规模测量耗费很大，但是仅仅只采样几个位置还是可以接受的。利用少量已校准手机或者真值参考值，算法能够有效地校准其它大量手机的测量值。更进一步地，即使当更多的新手机加入系统中感知数据时，算法仍然可以利用少量已校准的测量值来校准它们。值得注意的是，在这个算法中，仅仅少量的种子用户就可以满足要求，如在实验中仅仅只有一个种子用户。

这个算法不仅简单而且有效。具体地，它只简单地迭代计算几个公式，如公式1.5、公式1.7、公式1.8、公式1.9和公式1.10等。而且，这个算法具有线性时间复杂度，即其中和I分别表示群智感知测量值个数和迭代次数。

表1-1：群智感知RSS地图构建算法(CARM)

在本发明中用现有智能机的群智感知来构建准确RSS地图。提出了一个CARM算法来解决群智感知中的数据不准确和不完全的问题。具体地，基于实验观察来构建手机的测量值误差模型。更进一步地，结合误差模型和信号传播模型，提出一种迭代方法，以交替地校准手机测量值和估计传播模型参数。同时，用传播模型来预测未测量位置的RSS值。通过实际的群智感知实验的验证，方法的性能远远超过当前基本的方法，并能够获得与基于真值参考值方法近似相同的精度。

Claims (1)

1.一种基于群智感知的室外无线信号接收强度地图构建方法，其特征在于：所述方法包括下列步骤：

首先计算和

其中表示第j个AP的RSS测量值的个数，即K_ij表示第i个用户关于第j个AP的测量值集合；U_j表示测量第j个AP的用户集合； 和分别表示第i个用户关于第j个AP的第k个RSS测量值和其对应的测量位置，表示位置到第j个AP位置的距离，即x_j表示第j个AP的位置；和分别表示第t-1次迭代校准模型中两个参数的估计值；

然后计算第t次迭代中校准模型参数新的估计值，即

其中表示第i个用户的RSS测量值个数，即A_i表示第i个用户测得的AP集合；

和分别表示第j个AP的信号传播模型的斜率参数和截距参数在第t次迭代中的估计值，和分别表示第i个用户的测量校准模型的斜率参数和截距参数在第t次迭代中的估计值；

再计算和的收敛值和

计算测量值的校准值

和分别表示和的收敛值；

计算未测量位置 的RSS值集合

表示第j个AP无线信号覆盖范围中所有位置的集合，表示已被测量的位置，即

最后得到构建结果