CN106682234A - 一种基于空间插值的电磁频谱分布预测和动态可视化方法 - Google Patents

Abstract

本发明公开一种涉及基于空间插值的电磁频谱分布预测和动态可视化方法，对来自网格化监测的数据按照时间粒度聚合，对每一个时间段内的监测数据使用Kriging空间插值算法，拟合监测站点间距离与电磁信号强度的统计关系，对未知区域的电磁频谱分布数据进行最优无偏插值预测。对每个时间段下的插值预测数据进行热力图渲染并按照时间先后顺序输出到GIS地图中，进而实现对监测区域电磁频谱分布的预测和动态可视化展示。采用本发明的技术方案，可以提高频谱监测数据利用效率。

Description

一种基于空间插值的电磁频谱分布预测和动态可视化方法

技术领域

本发明属于无线电监测技术领域，具体涉及一种基于空间插值的电磁频谱分布预测和动态可视化方法。

背景技术

在无线电管理机构的日常无线电监测中，网格化监测作为无线电监测精细化管理的有效手段，正在成为一种越来越普遍的监测方式。然而目前的监测方向集中在频段(频率)占用度的统计分析、单站点频谱监测、不明信号侦听解调和测向定位等方面。然而相对于监测产生的大量频谱监测数据，目前的监测手段对监测数据的利用率仍然显得偏低，对监测区域内的电磁频谱分布和变化情况依然停留在独立站点监测处理的阶段，对于站点以外的大面积区域中的电磁频谱连续分布和变化情况监测没有有效的方法。

发明内容

本发明的目的是针对无线电网格化监测中产生大量监测数据，却不能及时反映监测区域内电磁频谱分布和变化情况，数据低效利用的现状，提供一种基于Kriging插值算法的空间电磁态势预测及动态可视化方法。为网格化监测提供一种新的监测手段。所述方法将空间上离散分布的网格化监测数据，运用空间插值的办法对未覆盖区域的电磁分布情况进行统计预测，构建在空间上连续分布，时间上连续变化的电磁态势曲面，并使用热力图渲染技术实现电磁频谱态势可视化动态化展示。

为实现上述目的，本发明采用如下的技术方案：

一种基于空间插值的电磁频谱分布预测和动态可视化方法包含以下步骤：

第一步，读取网格监测数据，其包括：频率、经度、维度、时间、场强；

第二步，根据所选频段、门限、时间粒度对监测数据进行筛选压缩，将监测区域进行栅格化处理，栅格交点作为未知数据点；

第三步，构建当前时间段t_i每个时间段内的已知监测点数据Z_ij(Lng,Lat,E)；

第四步，计算筛选后监测点两两之间的距离{d_ij}和半方差{γ_ij}；

第五步，对距离{d_ij}和半方差{γ_ij}数据进行曲线拟合，获取拟合曲线函数γ_ij＝f(d_ij)；

第六步，根据拟合曲线重新计算已知监测点两两之间的半方差{γ_ij}；

第七步，任选一个未知点，利用拟合函数计算其与所有已知监测点之间的距离{d_io}和半方差{γ_io＝f(d_io)}；

第八步，计算未知点到各个已知监测点的权重系数λ_i；

第九步，计算未知点的信号强度得到未知点数据Z_o(Lng,Lat,E)；

第十步，重复第七步到第九步，直到完成所有未知点的数据计算，生成当前时间段t_i内的未知点预测数据集{Z_o}，并存储；

第十一步，判断是否完成所有时间段的插值计算和结果存储，若完成则将所有时间段内的数据集{Z_o}进行热力图渲染，并按照时间先后顺序依次展示在GIS地图上；若未完成，则重复第三步到第十步运算过程。

作为优选，第四步中，监测点之间的距离d_ij(Z_i,Z_j)(km)计算涉及球面两点间距计算，经纬度参数需要做一定的转换，转换公式如下：

d_ij[Z_i(Lng_i,Lat_i,E_i),Z_j(Lng_i,Lat_j,E_j)]＝

int((cos^-1(sin(Lat_i/180×π)×sin(Lat_j/180×π)+cos(Lat_i/180×π)

×cos(Lat_j/180×π)×cos(Lng_i/180×π-Lng_j/180×π))

×180×60÷π)×100000)÷100000×1.852

各监测点间的半方差γij计算：

作为优选，第八步中采用Kriging空间插值算法进行曲线拟合，具体为：

在Kriging插值中，权重系数λ与半方差{γ_ij}、{γ_io}存在线性函数关系，具体关系如下：

对矩阵求逆，即可解得：

本发明的基于空间插值的电磁频谱分布预测和动态可视化方法，目的在于推动无线电监测频谱精细化管理的发展，提高频谱监测数据利用效率。实现本发明方法的主要思路是对来自网格化监测的数据按照时间粒度聚合，对每一个时间段内的监测数据使用Kriging空间插值算法，拟合监测站点间距离与电磁信号强度的统计关系，对未知区域的电磁频谱分布数据进行最优无偏插值预测。对每个时间段下的插值预测数据进行热力图渲染并按照时间先后顺序输出到GIS地图中，进而实现对监测区域电磁频谱分布的预测和动态可视化展示。

本发明优点在于：

1、使用地理统计学插值算法实现对空间电磁场分布的插值预测，构建电磁场在空间上连续分布曲面，并反映时间维度上的电磁态势变化情况。

2、充分利用网格化监测数据，挖掘监测数据的潜在应用，推动频谱精细化管理的发展。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明

实施例

如图1所示，一种基于空间插值和聚类分析的无线发射源定位方法，其方法步骤如下：

第一步，读取网格监测数据，Point(频率(Freq)、经度(Lng)、维度(Lat)、时间(timestamp)、场强(E))

第二步，根据所选频段(频率)、门限、时间粒度为5min对监测数据进行筛选压缩，将监测区域进行栅格化处理，栅格粒度100m×100m，栅格交点作为未知数据点{Z_o(Lng_o,Lat_o,E_o)}。

第三步，构建当前时间段t_i每个时间段内的已知监测点数据Z_ij(Lng,Lat,E)。

第四步，计算筛选后监测点两两之间的距离d_ij和半方差γ_ij

监测点之间的距离d_ij(Z_i,Z_j)(km)计算涉及球面两点间距计算，经纬度参数需要做一定的转换，转换公式如下：

d_ij[Z_i(Lng_i,Lat_i,E_i),Z_j(Lng_i,Lat_j,E_j)]＝

int((cos^-1(sin(Lat_i/180×π)×sin(Lat_j/180×π)+cos(Lat_i/180×π)

×cos(Lat_j/180×π)×cos(Lng_i/180×π-Lng_j/180×π))

×180×60÷π)×100000)÷100000×1.852

各监测点间的半方差γij计算：

第五步，对距离d_ij和半方差γ_ij数据进行曲线拟合，获取拟合曲线函数γ_ij＝f(d_ij)

第六步，根据拟合曲线重新计算已知监测点两两之间的半方差γ_ij

γ_ij＝f(d_ij)

第七步，任选一个未知点，计算其与已知监测点之间的距离d_io和半方差γ_io＝f(d_io)

第八步，计算未知点到各个已知监测点的权重系数λ_i

在Kriging插值中，权重系数λ与半方差{γ_ij}、{γ_io}存在线性函数关系，具体关系如下：

对矩阵求逆，即可解得：

第九步，计算未知点的信号强度获得单个未知点的结果Z_o(Lng_o,Lat_o,E_o)

第十步，重复第七步到第九步，直到完成所有未知点的数据计算，生成当前时间段内的未知点插值预测数据集{Z_o(Lng_o,Lat_o,E_o)}，并存储。

第十一步，判断是否完成所有时间段的插值计算和结果存储。若未完成，则重复第三步到第十步运算过程；若完成则将数据集{Z_o}进行热力图渲染，并按照时间先后顺序依次展示在GIS地图上，实现对监测区域内电磁频谱分布的预测和动态化展示。

本发明根据电磁信号在空间分布的统计规律，引入地理统计学中广泛使用的Kriging插值算法，实现对网格化监测站未覆盖区域场强分布的插值预测，并按照时间粒度对监测数据进行压缩和分别插值预测，以反映监测区域内电磁态势分布在时间上的变化情况。通过GIS地图上热力图渲染的方式，实现电磁态势分布可视化动态化展示。为无线电频谱精细化管理提供一个有力工具。

Claims (3)

1.一种基于空间插值的电磁频谱分布预测和动态可视化方法，其特征在于，包含以下步骤：

第一步，读取网格监测数据，其包括频率、经度、维度、时间、场强；

第二步，根据所选频段、门限、时间粒度对监测数据进行筛选压缩，将监测区域进行栅格化处理，栅格交点作为未知数据点；

第三步，构建当前时间段t_i每个时间段内的已知监测点数据Z_ij(Lng，Lat，E)；

第四步，计算筛选后监测点两两之间的距离{d_ij}和半方差{γ_ij}；

第五步，对距离{d_ij}和半方差{γ_ij}数据进行曲线拟合，获取拟合曲线函数γ_ij＝f(d_ij)；

第六步，根据拟合曲线重新计算已知监测点两两之间的半方差{γ_ij}；

第七步，任选一个未知点，利用拟合函数计算其与所有已知监测点之间的距离{d_io}和半方差{γ_io＝f(d_io)}；

第八步，计算未知点到各个已知监测点的权重系数λ_i；

第九步，计算未知点的信号强度得到未知点数据Z_o(Lng，Lat，E)；

第十步，重复第七步到第九步，直到完成所有未知点的数据计算，生成当前时间段t_i内的未知点预测数据集{Z_o}，并存储；

第十一步，判断是否完成所有时间段的插值计算和结果存储，若完成则将所有时间段内的数据集{Z_o}进行热力图渲染，并按照时间先后顺序依次展示在GIS地图上；若未完成，则重复第三步到第十步运算过程。

2.如权利要求1所述的基于空间插值的电磁频谱分布预测和动态可视化方法，其特征在于，第四步中，监测点之间的距离d_ij(Zi，Zj)(km)计算涉及球面两点间距计算，经纬度参数需要做一定的转换，转换公式如下：

d_ij[Z_i(Lng_i，Lat_i，E_i)，Z_j(Lng_i，Lat_j，E_j)]＝

int((cos^-1(sin(Lat_i/180×π)×sin(Lat_j/180×π)+cos(Lat_j/180×π)

×cos(Lat_j/180×π)×cos(Lng_i/180×π-Lng_j/180×π))×180×60

÷π)×100000)÷100000×1.852

各监测点间的半方差γ_ij计算：

$\begin{array}{c}{\mathrm{\γ}}_{ij}\[Z_i({\mathrm{Lng}}_i,{\mathrm{Lat}}_i,E_i),Z_j({\mathrm{Lng}}_i,{\mathrm{Lat}}_j,E_j)\]=\frac{1}{2}E\[{(E_i-E_j)}^2\]\\ =\frac{1}{2}{(E_i-E_j)}^2.\end{array}$

3.如权利要求1所述的基于空间插值的电磁频谱分布预测和动态可视化方法，其特征在于，第八步中采用Kriging空间插值算法进行曲线拟合，具体为：

在Kriging插值中，权重系数λ与半方差{γ_ij}、{γ_io}存在线性函数关系，具体关系如下：

$\left[\begin{array}{ccccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1n}& 1\\ r_{21}& r_{22}& \mathrm{...}& r_{2n}& 1\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ r_{n1}& r_{n2}& \mathrm{...}& r_{nn}& 1\\ 1& 1& \mathrm{...}& 1& 0\end{array}\right]\left[\begin{array}{c}{\mathrm{\λ}}_1\\ {\mathrm{\λ}}_2\\ \mathrm{...}\\ {\mathrm{\λ}}_n\\ 0\end{array}\right]=\left[\begin{array}{c}{r}_{1o}\\ r_{2o}\\ \mathrm{...}\\ r_{no}\\ 1\end{array}\right]$

对矩阵求逆，即可解得：

$\left|\begin{array}{c}{\mathrm{\λ}}_i\\ 0\end{array}\right|={\left|\begin{array}{cc}{\mathrm{\γ}}_{ij}& 1\\ 1& 0\end{array}\right|}^{-1}\left|\begin{array}{c}{\mathrm{\λ}}_{io}\\ 1\end{array}\right|.$