CN105323024A - 一种网络信号强度检测及融合方法 - Google Patents

Abstract

本发明公开了一种基于众包和贝叶斯一致性估计的网络信号强度检测及融合方法，包括以下步骤：利用智能手机终端检测各地点的网络信号强度，并通过蜂窝网或无线网络将数据上传至数据库，其中采集到的数据包含以下信息：检测到的网络类型，检测的时间段T，检测的位置P及关于无线信号强度的数据S；根据分类准则对以上数据进行筛选及分类；分别对每一类数据进行融合，获得某位置某时间段某种网络的信号强度；融合结果的显示及输出，使用户得到某位置某时间段某种网络的信号强度，并在地图上以不同颜色标注该种网络的信号强度范围，更新显示不同时间段的信号强度。

Description

一种网络信号强度检测及融合方法

技术领域

本发明涉及无线通讯，尤其涉及一种基于众包和贝叶斯一致性估计的网络信号强度检测及融合方法。

背景技术

随着信息技术的高度发展，人们对于网络的依赖程度正日益提高，通过检测某一位置的2G、3G、4G以及无线等网络信号强度，可以建立精确的信号地图，为智能终端实现网络切换、选择最优网络模式提供依据，同时也能为各网络服务运营商提供重要的数据支撑。

近年来，收集大量信息比较普遍的方法是利用无线传感器网络，它通过网络中随机分布的大量节点收集信息，并返回给所在区域供查询用户进行分析和处理。而关于信号地图，根据对相关技术的检索发现，OpenSignalMaps提供Android客户端以众包的形式进行数据采集，大量的Android用户安装OpenSignal应用后，程序即开始收集附近的基站ID、信号强度等信息并上传到OpenSignalMaps，OpenSignalMaps汇总用户上传的数据，在GoogleMaps上以单个点或者热点图的方式显示出来。根据检索发现，中国专利申请号为CN201410844292，名称为“基于众包的位置定位方法、系统及服务器”的专利公开了一种将众包运用于位置定位、系统及服务器的方法，以有效降低事件定位的成本。另外，中国专利申请号为CN201510184200，名称为“一种面向智能服务引擎的任务众包方法”的专利公开了一种在大规模任务众包环境下快速发现并选择最优服务节点的方法，以提高任务众包效率和合理性。由此可见，众包这一思想已经在互联网、物联网、信息技术等各领域获得了广泛的应用。

当大量的数据上传至数据库后，对于数据库中积累的海量数据，可以通过数据融合将这些数据在空间和时间上的互补与冗余信息依据某种优化准则或算法组合来产生对观测对象的一致性解释和描述，从而导出更多的有效信息。根据对数据融合方法综述的检索，现有的多传感器数据融合方法可分为3个层次：像素级融合、特征级融合、决策级融合。

经对现有文献的检索，中国专利申请号为CN201010139821，名称为“一种基于移动汇聚节点的无线传感器网络数据收集方法”的专利公开了一种使用移动汇聚节点收集无线传感器网络数据的方法，该方法可以减少数据收集过程中传感器网络的能量开销，从而延长传感器网络的寿命。类似地，中国专利申请号为CN201410004551，名称为“基于无线传感器网络的被动定位及追踪方法”的专利公开了一种在无线传感器网络中采集信息的方法，该方法利用多个节点间的信息传输并对信息做初步处理后上传至上位机进行进一步处理。

现有的多传感器数据融合方法可分为3个层次：像素级融合、特征级融合、决策级融合。像素级融合是最底层次的信息融合，在这种方法中，匹配的传感器数据直接融合，而后对融合的数据进行特征提取和特征说明。但这种融合方式的数据处理量大，不可用于精度要求较高的场合。目前，像素级融合常用的方法有：加权平均法、小波变换融合法、金字塔融合法等。特征级融合属于中间层次的信息融合，是指从各个传感器提供的原始数据中进行特征提取，产生特征矢量，然后融合这些特征矢量，并做出基于联合特征矢量的属性说明，因此在融合前必须实现一定的信息压缩，才能有利于实时处理。目前，特征级数据融合的主要方法有：聚类分析方法、D-S证据推理方法、信息熵方法、神经网络方法等。决策级融合是最高层次的信息融合，指在融合之前，各传感器数据源都经过变换并获得独立的身份估计，信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合，最终得到整体一致的决策。目前，常用的决策级数据融合的主要方法有：贝叶斯估计法、模糊聚类法、专家系统等。

现有技术缺点有：1)在大多数情况下，传感器节点的能量和资源有限，当信息收集的范围很大时，所需传感器数量会相应增多，使得传感器的成本和能耗也随之增大，也决定了使用无线传感器网络来进行信号强度收集建立信号地图的方法不可行；2)就决策级融合而言，在缺乏一定的准则和决策方法时往往难以处理，迫切需要开发一种新的一致性估计算法与传统的多传感器数据融合方法相结合来进行有效的一致性估计。因此，本领域的技术人员致力于开发一种基于众包和贝叶斯一致性估计的网络信号强度检测及融合方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题寻找一种取代传感器网络检测大量网络信号的方法，从而节省成本，且无需消耗能量；寻找一种数据融合方法，可以针对大量的数据进行有效的一致性估计，保证信息丢失最少的同时得到最优的信号强度估计。

为实现上述目的，本发明提供了一种网络信号强度检测及融合方法，改方法基于众包和贝叶斯一致性估计，包括以下步骤：

步骤100：利用智能手机终端检测各地点的网络信号强度，并通过蜂窝网或无线网络将数据上传至数据库，其中采集到的数据包含以下信息：检测到的网络类型，检测的时间段T，检测的位置P及关于无线信号强度的数据S；

步骤200：根据分类准则对以上数据进行筛选及分类；

步骤300：分别对每一类数据进行融合，获得某位置某时间段某种网络的信号强度；

步骤400：融合结果的显示及输出，使用户得到某位置某时间段某种网络的信号强度，并在地图上以不同颜色标注该种网络的信号强度范围，更新显示不同时间段的信号强度。

进一步地，所述步骤200包括以下步骤：

步骤210：将待检测区域地图划分为大小相同的网格状，每一格内代表同一个位置，将同一位置同一时间段的数据归为同一类；

步骤220：根据网络的种类对同一类数据继续进行分类，得到2G、3G、4G、WiFi等不同网络信号；

步骤230：计算每一类数据的平均值与方差，若某个数据与平均值差的平方大于方差，则删除该数据。

进一步地，其特征在于，所述步骤300包括以下步骤：

步骤310：针对某一类数据，所述数据对应某位置某时间段某种网络由不同智能终端测得的信号强度，设置时间段k的前一时间段k-1第j个智能终端测得的信号强度概率密度函数

步骤320：利用步骤310的结果及贝叶斯估计方法局部估计第j个智能终端在k时间段测得的该网络在该位置信号强度的先验概率密度函数

$p_k^j\left(x_k\right)=\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(x_k\right|x_{k-1})p_{k-1}^j\left(x_{k-1}\right)d\mathrm{\μ}\left(x_{k-1}\right);$

步骤330：利用步骤320的结果及最新检采集到的经筛选分类后的数据，计算第j个智能终端在k时间段测得的该网络在该位置信号强度的后验概率密度函数

$F_k^j=p_k^j\left(x_k\right|z_k^j)=\frac{p_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)}{\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)d\mathrm{\μ}\left(x_k\right)},$

其中为第k时间段第j个智能终端的测量数据；

步骤340：设置一致性阶段的循环周期n_loop＝n，其中n为智能终端个数；设置每个智能终端与云计算中心传输通路的权重且

步骤350：进入一致性阶段，检查循环迭代次数v是否等于1，若是，则将步骤330所得结果设为初始值若不是则进入下一步；

步骤360：计算每个智能终端上的后验概率密度函数经信号通路传输至云计算中心后，在云计算中心利用对数意见池得到的新概率密度函数

$F_{k.v}^j=p_{k,v}^j\left(x_k\right)=\frac{{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}}{\underset{\mathrm{\χ}}{\∫}{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}d\mathrm{\μ}\left(x_k\right)};$

步骤370：重复步骤350至360，当执行完n_loop个迭代次数后将最后一次执行的结果作为最终结果

本发明的目的在于克服现有技术存在的上述不足，提供一种基于众包和贝叶斯一致性估计的无线信号强度检测及融合方法。本发明通过模块化设计，实现将某时间段内在某区域由众包方式检测到的无线信号强度通过蜂窝网或无线网传输至云计算中心，并利用贝叶斯一致性估计方法对检测到的信号强度数据进行融合，得到最优估计。该系统一方面取代了普遍的利用无线传感器网络进行信号检测的方法，节省了安装大量传感器的成本，且无需消耗能量；另一方面基于贝叶斯估计这一经典的统计方法，结合本系统实际应用情况，设计一致性估计算法从而得到最优的信号强度估计。

本发明提供一种基于众包和贝叶斯一致性估计的无线信号强度检测及融合方法，其特征在于，设有大量众包的智能终端和云计算中心。其中，本发明所述智能终端即为无线信号强度检测及传输模块；本发明所述云计算中心包括数据分类及筛选模块，数据融合模块，及融合后结果的显示及输出模块。其中，本发明所述数据融合模块包括贝叶斯估计及一致性估计模块。

如上所述的基于众包和贝叶斯一致性估计的无线信号强度检测及融合方法，其包括以下步骤：

步骤100：利用智能手机终端检测各地点的网络信号强度，并通过蜂窝网或无线网络将数据上传至数据库，其中采集到的数据包含以下信息：检测到的网络类型，检测的时间段T，检测的位置P及关于无线信号强度的数据S；

步骤200：根据事先确定的分类准则对以上数据进行筛选及分类；

步骤300：分别对每一类数据进行融合，获得某位置某时间段某种网络的信号强度；

步骤400：融合结果的显示及输出，使用户得到某位置某时间段某种网络的信号强度，并在地图上以不同颜色标注该种网络的信号强度范围，更新显示不同时间段的信号强度。

如上所述的基于众包和贝叶斯一致性估计的无线信号强度检测及融合方法，其中，所述步骤200包括以下步骤：

步骤210：将待检测区域地图划分为大小相同的网格状，每一格内代表同一个位置，将同一位置同一时间段的数据归为同一类；

步骤220：根据网络的种类对同一类数据继续进行分类，得到2G、3G、4G、WiFi等不同网络信号；

步骤230：计算每一类数据的平均值与方差，若某个数据与平均值差的平方大于方差，则删除该数据。

如上所述的基于众包和贝叶斯一致性估计的无线信号强度检测及融合方法，其中，所述步骤300包括以下步骤：

步骤310：针对某一类数据(对应某位置某时间段某种网络由不同智能终端测得的信号强度)，设置时间段k的前一时间段k-1第j个智能终端测得的信号强度概率密度函数

$F_{k-1}^j=p_{k-1}^j\left(x_{k-1}\right);$

步骤320：利用步骤310的结果及贝叶斯估计方法局部估计第j个智能终端在k时间段测得的该网络在该位置信号强度的先验概率密度函数

$p_k^j\left(x_k\right)=\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(x_k\right|x_{k-1})p_{k-1}^j\left(x_{k-1}\right)d\mathrm{\μ}\left(x_{k-1}\right);$

步骤330：利用步骤320的结果及最新检采集到的经筛选分类后的数据，计算第j个智能终端在k时间段测得的该网络在该位置信号强度的后验概率密度函数

$F_k^j=p_k^j\left(x_k\right|z_k^j)=\frac{p_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)}{\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)d\mathrm{\μ}\left(x_k\right)},$

其中为第k时间段第j个智能终端的测量数据；

步骤340：设置一致性阶段的循环周期n_loop＝n，其中n为智能终端个数；设置每个智能终端与云计算中心传输通路的权重且

步骤350：进入一致性阶段，检查循环迭代次数v是否等于1，若是，则将步骤330所得结果设为初始值若不是则进入下一步；

步骤360：计算每个智能终端上的后验概率密度函数经信号通路传输至云计算中心后，在计算中心利用对数意见池LogOP得到的新概率密度函数

$F_{k.v}^j=p_{k,v}^j\left(x_k\right)=\frac{{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}}{\underset{\mathrm{\χ}}{\∫}{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}d\mathrm{\μ}\left(x_k\right)};$

步骤370：重复步骤350至360，当执行完n_loop个迭代次数后将最后一次执行的结果作为最终结果

其中步骤360利用了对数意见池LogOP得到新的概率密度函数保证每一个以指数方式逐点收敛于一致的概率密度函数如下式所示，该大大减小了本地估计的先验概率密度函数的KL散度之和，保证了步骤370得到的结果为一致性估计的最优结果：

$F_k^{*}=p_k^{*}\left(x_k\right)=\frac{{\Π}_{i=1}^n{\left(p_{k,0}^i\right(x_k\left)\right)}^{\frac{1}{n}}}{{\∫}_x{\Π}_{i=1}^n{\left(p_{k,0}^i\right(x_k\left)\right)}^{\frac{1}{n}}d\mathrm{\μ}\left(x_k\right)}$

在这里，KL散度描述了当一致概率密度函数被用来近似本地估计的先验概率密度函数时的信息丢失。

与现有技术相比，本发明的基于众包和贝叶斯一致性估计的无线信号强度检测及融合方法以当前基本人人都有的智能终端为检测工具，通过安装检测无线信号强度的应用程序(自己编写)来获取相关数据，只需手持手机在相关区域内移动，即可获得大量数据。相比通常情况下利用无线传感器网络进行信号检测，一方面节省了安装大量传感器的成本，另一方面也无需消耗能量。另外，本发明提出利用贝叶斯一致性估计方法对检测到的信号强度数据进行融合，该方法利用对数意见池对各终端采集数据的先验概率分布进行结合，在保证KL散度最小，即信息丢失最少的同时能得到最优的信号强度估计。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的结构框图；

图2是本发明的一个较佳实施例的检测及融合方法；

图3是本发明的一个较佳实施例的流程图。

具体实施方式

下面结合附图和实施例对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分了解本发明的目的、特征和效果。

如图1所示，其为本发明的基于众包和贝叶斯一致性估计的无线信号强度检测及融合系统的结构框图。其特征在于，设有大量众包的智能终端1和云计算中心2。其中，本发明所述智能终端1即为无线信号强度检测及传输模块；本发明所述云计算中心2包括数据分类及筛选模块3，数据融合模块4，及融合后结果的显示及输出模块5。其中，本发明所述数据融合模块4包括贝叶斯估计模块6及一致性估计模块7。

图2以本发明的基于众包和贝叶斯一致性滤波的无线信号强度检测及融合方法应用于上海交通大学校园内的各网络信号强度为例，具体的检测及融合方法包括以下步骤：

步骤100：多人持安装有检测网络信号强度应用程序(自己编写)的智能终端在校园内移动，获取各位置的不同网络的信号强度，并通过蜂窝网或无线网将数据上传至数据库，其中采集到的数据包含以下信息：检测到的网络类型，检测的时间段T，手机终端的位置P及关于无线信号强度的数据S；

步骤200：根据事先确定的分类准则对以上数据进行筛选及分类；

步骤200具体包括以下步骤：

步骤210：按照比例尺将上海交通大学地图划分为实际大小为1x1㎡的网格状，每一格内代表同一个位置，另外每整点到下一个整点的一个小时为同一个时间段，将同一位置同一时间段的数据归为同一类；

步骤220：根据网络的种类对同一类数据继续进行分类，得到2G、3G、4G、WiFi等不同网络信号；

步骤230：计算每一类数据的平均值与方差，若某个数据与平均值差的平方大于方差，则删除该数据。

步骤300：分别对每一类数据进行融合，获得某位置某时间段某种网络的信号强度；

如图3所示，步骤300具体包括以下步骤：

步骤310：选取其中一类数据，设置时间段k的前一时间段k-1第j个智能终端测得的信号强度概率密度函数

步骤320：利用步骤310的结果及贝叶斯滤波器局部估计第j个智能终端在k时间段测得的该网络在该位置信号强度的先验概率密度函数

$p_k^j\left(x_k\right)=\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(x_k\right|x_{k-1})p_{k-1}^j\left(x_{k-1}\right)d\mathrm{\μ}\left(x_{k-1}\right);$

步骤330：利用步骤320的结果及最新检采集到的经筛选分类后的数据，计算第j个智能终端在k时间段测得的该网络在该位置信号强度的后验概率密度函数

$F_k^j=p_k^j\left(x_k\right|z_k^j)=\frac{p_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)}{\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)d\mathrm{\μ}\left(x_k\right)},$

其中为第k时间段第j个智能终端的测量数据；

步骤340：设置一致性阶段的循环周期n_loop＝n，其中n为智能终端个数；设置每个智能终端与云计算中心传输通路的权重且

步骤350：进入一致性阶段，检查循环迭代次数v是否等于1，若是，则将步骤330所得结果设为初始值若不是则进入下一步；

步骤360：计算每个智能终端上的后验概率密度函数经信号通路传输至云计算中心后，在计算中心利用对数意见池LogOP得到的新概率密度函数

$F_{k.v}^j=p_{k,v}^j\left(x_k\right)=\frac{{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}}{\underset{\mathrm{\χ}}{\∫}{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}d\mathrm{\μ}\left(x_k\right)};$

步骤370：重复步骤350至360，当执行完n_loop个迭代次数后将最后一次执行的结果作为最终结果

其中步骤360利用了对数意见池LogOP得到新的概率密度函数保证每一个以指数方式逐点收敛于一致的概率密度函数如下式所示，该大大减小了本地估计的先验概率密度函数的KL散度之和，保证了步骤370得到的结果为一致性估计的最优结果：

$F_k^{*}=p_k^{*}\left(x_k\right)=\frac{{\Π}_{i=1}^n{\left(p_{k,0}^i\right(x_k\left)\right)}^{\frac{1}{n}}}{{\∫}_x{\Π}_{i=1}^n{\left(p_{k,0}^i\right(x_k\left)\right)}^{\frac{1}{n}}d\mathrm{\μ}\left(x_k\right)}$

在这里，KL散度描述了当一致概率密度函数被用来近似本地估计的先验概率密度函数时的信息丢失。

步骤400：融合结果的显示及输出，使用户得到某位置某时间段某无线网络的信号强度信息，并在地图上以不同颜色标注该无线网络的信号强度范围，且每隔一小时地图自动刷新一次，更新显示该时间段的信号强度。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种网络信号强度检测及融合方法，其特征在于，所述方法基于众包和贝叶斯一致性估计，包括以下步骤：

步骤100：利用智能手机终端检测各地点的网络信号强度，并通过蜂窝网或无线网络将数据上传至数据库，其中采集到的数据包含以下信息：检测到的网络类型，检测的时间段T，检测的位置P及关于无线信号强度的数据S；

步骤200：根据分类准则对以上数据进行筛选及分类；

步骤300：分别对每一类数据进行融合，获得某位置某时间段某种网络的信号强度；

步骤400：融合结果的显示及输出，使用户得到某位置某时间段某种网络的信号强度，并在地图上以不同颜色标注该种网络的信号强度范围，更新显示不同时间段的信号强度。

2.根据权利要求1所述的网络信号强度检测及融合方法，其特征在于，所述步骤200包括以下步骤：

步骤210：将待检测区域地图划分为大小相同的网格状，每一格内代表同一个位置，将同一位置同一时间段的数据归为同一类；

步骤220：根据网络的种类对同一类数据继续进行分类，得到2G、3G、4G、WiFi等不同网络信号；

步骤230：计算每一类数据的平均值与方差，若某个数据与平均值差的平方大于方差，则删除该数据。

3.根据权利要求1所述的网络信号强度检测及融合方法，其特征在于，所述步骤300包括以下步骤：

步骤310：针对某一类数据，所述数据对应某位置某时间段某种网络由不同智能终端测得的信号强度，设置时间段k的前一时间段k-1第j个智能终端测得的信号强度概率密度函数 $F_{k-1}^j=p_{k-1}^j\left(x_{k-1}\right);$

步骤320：利用步骤310的结果及贝叶斯估计方法局部估计第j个智能终端在k时间段测得的该网络在该位置信号强度的先验概率密度函数

$p_k^j\left(x_k\right)=\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(x_k\right|x_{k-1})p_{k-1}^j\left(x_{k-1}\right)d\mathrm{\μ}\left(x_{k-1}\right);$

步骤330：利用步骤320的结果及最新检采集到的经筛选分类后的数据，计算第j个智能终端在k时间段测得的该网络在该位置信号强度的后验概率密度函数

$F_k^j=p_k^j\left(x_k\right|z_k^j)=\frac{p_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)}{\underset{\mathrm{\χ}}{\∫}{p}_k^j\left(z_k^j\right|x_k)p_k^j\left(x_k\right)d\mathrm{\μ}\left(x_k\right)},$

其中为第k时间段第j个智能终端的测量数据；

步骤340：设置一致性阶段的循环周期n_loop＝n，其中n为智能终端个数；设置每个智能终端与云计算中心传输通路的权重且

步骤350：进入一致性阶段，检查循环迭代次数v是否等于1，若是，则将步骤330所得结果设为初始值若不是则进入下一步；

步骤360：计算每个智能终端上的后验概率密度函数经信号通路传输至云计算中心后，在云计算中心利用对数意见池得到的新概率密度函数

$F_{k.v}^j=p_{k,v}^j\left(x_k\right)=\frac{{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}}{\underset{\mathrm{\χ}}{\∫}{\left(p_{k,v-1}^j\right(x_k\left)\right)}^{a_{k,v-1}^j}d\mathrm{\μ}\left(x_k\right)};$

步骤370：重复步骤350至360，当执行完n_loop个迭代次数后将最后一次执行的结果作为最终结果