CN108882155B - 基于粒子群算法的盲信号功率及盲源位置确定方法、系统 - Google Patents
基于粒子群算法的盲信号功率及盲源位置确定方法、系统 Download PDFInfo
- Publication number
- CN108882155B CN108882155B CN201810752078.7A CN201810752078A CN108882155B CN 108882155 B CN108882155 B CN 108882155B CN 201810752078 A CN201810752078 A CN 201810752078A CN 108882155 B CN108882155 B CN 108882155B
- Authority
- CN
- China
- Prior art keywords
- signal
- blind
- power
- value
- power 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种基于粒子群算法的盲信号功率及盲源位置确定方法、系统,该方法包括:接收预设区域范围内多个信号强度传感器发送的采集信号功率值;选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定盲源位置区域;基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围;依据盲源位置区域和盲信号的功率范围,基于粒子群算法可以计算出盲源的位置和盲信号功率值。由此,本发明方案仅基于信号强度传感器的接收功率而没有任何先验知识的发射功率,通过确定出盲源位置区域和盲信号的功率范围,进而利用粒子群算法准确地计算出具体的盲源位置和盲信号功率值。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及一种基于粒子群算法的盲信号功率及盲源位置确定方法、系统。
背景技术
移动宽带流量的持续增长和高端用户的需求导致无线资源的密集使用。因此,在典型环境中检测和识别未知RF(Radio Frequency,射频)传输的问题正变得至关重要。在没有用于先验信息的情况下,单频道同频干扰信号盲源的功率和位置联合估计是一项具有挑战性的任务。在空间分布式传感器上接收到的功率测量结果中包含的信息可用于许多应用,如室内定位,信号识别,认知无线电系统和检测窃听设备等。作为无线通信的主要威胁,干扰会对用户和运营商使用无线通信产生重大的不利影响,同时还会造成对财务的不利影响。
未知传输检测或盲信号检测不同于定位源目标,其中后者可以基于接收信号功率测量和自由空间路径损耗模型来估计。然而,盲信号检测仅使用一般的路径损耗模型,当发射功率未知时,还需要同时定位多个同频节点。
综上所述,从无线频谱检测和干扰检测的实际需求角度考虑,开展盲信号功率和位置联合估计的研究具有十分重要的意义。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于粒子群算法的盲信号功率及盲源位置确定方法、系统。
依据本发明以方面,提供了一种基于粒子群算法的盲信号功率及盲源位置确定方法,包括:
接收预设区域范围内多个信号强度传感器发送的采集信号功率值,其中,所述信号强度传感器采集盲源发出的盲信号并确定采集到的信号功率值;
从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域;
基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围;
依据所述盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
可选地,基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围,包括:
设定盲信号的功率范围的下限值为0;
从接收到的采集信号功率值中选取最小采集信号功率值,并确定所述预设区域范围内存在的最长距离;
基于路径损耗模型利用选取的最小采集信号功率值和所述最长距离,确定盲信号的最大功率值,将该最大功率值作为盲信号的功率范围的上限值。
可选地,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域,包括:
预先为信号强度传感器分配用于标识其位置的坐标值,其中,一个信号强度传感器对应一个唯一坐标值;
从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,获取大于预设阈值的采集信号功率值对应的信号强度传感器的坐标值;
将获取到的信号强度传感器坐标值附近的指定区域作为盲源位置区域。
可选地,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域,包括:
绘制与所述预设区域范围对应的网格,将所述信号强度传感器的坐标值及采集信号功率值映射到网格中;
在网格中标识出大于预设阈值的采集信号功率值;
获取标识出的采集信号功率值对应的信号强度传感器的坐标值,对获取的坐标值附近的指定网格覆盖区进行标识,将该指定网格覆盖区作为盲源位置区域。
可选地,所述方法还包括:
将映射有信号强度传感器的坐标值和采集信号功率值的网格发送至显示设备,在所述显示设备的显示界面上进行展示;
在所述显示界面上展示网格中标识出的大于预设阈值的采集信号功率值、指定网格覆盖区。
可选地,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域之后,还包括:
将所述盲源位置区域外侧的预设区域和所述盲源位置区域的总和作为最终盲源位置区域。
可选地,依据所述盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值,包括:
依据所述最终盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
依据本发明另一方面,还提供了一种基于粒子群算法的盲信号功率及盲源位置确定系统,包括:
多个信号强度传感器,适于采集盲源发出的盲信号并确定采集到的信号功率值,将采集信号功率值发送至服务器,其中,所述多个信号强度传感器位于预设区域范围内;
服务器,适于接收来自多个信号强度传感器的采集信号功率值,从所述采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域;
所述服务器,还适于基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围;
所述服务器,还适于依据所述盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
可选地,所述服务器还适于:
绘制与所述预设区域范围对应的网格,将所述信号强度传感器的坐标值及采集信号功率值映射到网格中;
在网格中标识出大于预设阈值的采集信号功率值;
获取标识出的采集信号功率值对应的信号强度传感器的坐标值,对获取的坐标值附近的指定网格覆盖区进行标识,将该指定网格覆盖区作为盲源位置区域。
可选地,还包括显示设备,适于:
接收所述服务器发送的映射有信号强度传感器的坐标值和采集信号功率值的网格;
在显示界面上展示映射有信号强度传感器的坐标值和采集信号功率值的网格,以及展示网格中标识出的大于预设阈值的采集信号功率值、指定网格覆盖区。
在本发明实施例中,服务器首先,通过接收预设区域范围内多个信号强度传感器发送的采集信号功率值,并从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定盲源位置区域。然后,基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围。最后,依据盲源位置区域和盲信号的功率范围,基于粒子群算法可以计算出盲源的位置和盲信号功率值。由此,本发明实施例仅仅基于信号强度传感器的接收功率(即采集信号功率)而没有任何先验知识的发射功率,通过确定出盲源位置区域和盲信号的功率范围,进而利用粒子群算法准确地计算出具体的盲源位置和盲信号功率值。此外,本发明方案将初步确定出的盲源位置区域和盲信号的功率范围应用于粒子群算法中,能够大大地提升粒子群算法的估计性能。
进一步地,即使没有信号强度传感器对采集信号功率的充分测量,采用本发明实施例的方案也能够实现独特的估计。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的基于粒子群算法的盲信号功率及盲源位置确定方法的流程示意图;
图2示出了在传感器网络中的功率极大值区域和次功率极大值区域的展示示意图;
图3示出了根据本发明一个实施例的基于粒子群算法的盲信号功率及盲源位置确定系统;以及
图4示出了根据本发明另一个实施例的基于粒子群算法的盲信号功率及盲源位置确定系统。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为解决上述技术问题,本发明实施例提供了一种基于粒子群算法的盲信号功率及盲源位置确定方法,应用于服务器端。图1示出了根据本发明一个实施例的基于粒子群算法的盲信号功率及盲源位置确定方法的流程示意图。参见图1,该方法至少包括步骤S102至步骤S108。
步骤S102,接收预设区域范围内多个信号强度传感器发送的采集信号功率值,其中,信号强度传感器采集盲源发出的盲信号并确定采集到的信号功率值。
在该步骤中,预设区域范围内包含有多个信号强度传感器,这些信号强度传感器可以组成一个传感器网络,网络中的各信号强度传感器实时采集空间中的盲源发出的盲信号,并获取采集到的信号的RSSI(Received Signal Strength Indication接收的信号强度指示),从而确定出采集信号功率值。此处需要说明的是,由于盲源发出的盲信号在传输的过程中会出现路径损耗,因此,信号强度传感器实际确定的采集信号功率值是盲信号衰减后的信号值,而并非盲源发出的初始的盲信号。
在该步骤中,预设区域范围可以是例如10m×10m规则的正方形区域范围,也可以是形状不规则的区域范围,此处对预设区域范围的面积、形状不做具体的限定。另外,需要说明的是,本发明实施例后文所提及的接收机实际指的是信号强度传感器,发射机指的是盲源。
步骤S104,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定盲源位置区域。
在该步骤中,若信号强度传感器采集到的采集信号功率值较大,那么可以初步确定该信号强度传感器距离盲源较近,因此,本方案据此预估出盲源所在的范围,即盲源位置区域。此外,本发明实施例对预设阈值的大小不做具体的限定,预设阈值可以依据实际情况来选定。
步骤S106,基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围。
在该步骤中,由于盲源发出的盲信号在传输的过程中会出现路径损耗,因此,信号强度传感器实际采集到的信号功率值是盲信号衰减后的信号。该步骤基于路径损耗模型可以根据采集信号功率值和预设区域范围的大小来初步的确定出盲信号的功率范围。
在本发明一实施例中,服务器在使用信号强度传感器发送的采集信号功率值之前,还可以对采集信号功率值的单位进行换算,以方便功率值的计算。例如,信号强度传感器发送至服务器中的采集信号功率值单位为dBm,那么可以将其单位换算成mw。当然,还可以根据实际需要将采集信号功率值换算成其他单位,此处不做具体的限定。
步骤S108,依据盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
本发明实施例仅仅基于信号强度传感器的接收功率(即采集信号功率)而没有任何先验知识的发射功率,通过确定出盲源位置区域和盲信号的功率范围,进而利用粒子群算法准确地计算出具体的盲源位置和盲信号功率值。此外,本发明方案将初步确定出的盲源位置区域和盲信号的功率范围应用于粒子群算法中,能够大大地提升粒子群算法的估计性能。
进一步地,即使没有信号强度传感器对采集信号功率的充分测量,采用本发明实施例的方案也能够实现独特的估计。
参见上文步骤S104,在本发明一实施例中,在确定盲源位置区域时,可以预先为信号强度传感器分配用于标识其位置的坐标值,其中,一个信号强度传感器对应一个唯一坐标值。然后,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,获取大于预设阈值的采集信号功率值对应的信号强度传感器的坐标值。将获取到的信号强度传感器坐标值附近的指定区域作为盲源位置区域。
在该实施例中,信号强度传感器坐标值附近的指定区域与预设区域范围有关,若预设区域范围大,那么指定区域也可以大一些,若预设区域范围小,那么指定区域可以小一些。例如,预设区域范围为10m×10m,那么,指定区域可以是1m,这里对指定区域大小的举例仅仅是示意性的,对本发明的保护范围不做具体限定。
其中,若具有至少两个信号强度传感器采集到的信号功率值大于预设阈值,且至少两个信号强度传感器的坐标值附近的指定区域具有重叠区域,则可以将具有重叠区域的各指定区域的总和看作一个盲源位置区域。
在本发明一实施例中,还可以通过采用绘制网格的方式更直观的体现出盲源位置区域。
具体的,首先,绘制与预设区域范围对应的网格,将预先为信号强度传感器分配的坐标值及采集信号功率值映射到网格中。
其次,在网格中标识出大于预设阈值的采集信号功率值。例如,可以采用高亮、特殊符号等标志标识大于预设阈值的采集信号功率值。
然后,获取标识出的采集信号功率值对应的信号强度传感器的坐标值,对获取的坐标值附近的指定网格覆盖区进行标识,将该指定网格覆盖区作为盲源位置区域。
在本发明一实施例中,还可以将映射有信号强度传感器的坐标值和采集信号功率值的网格发送至前端的显示设备,在显示设备的显示界面上进行展示。并且,在显示界面上展示网格中标识出的大于预设阈值的采集信号功率值、指定网格覆盖区。
在本发明实施例中,盲信号初始位置的估计的准确性,直接会影响后续使用的粒子群算法的性能。粒子在受限制的测试区域中生成,改进盲信号初始位置估计方案,可以使粒子群算法的估计性能大大提升。而采用上述实施例方案可以更好的确定出盲源位置区域,以得到较准确的盲信号初始位置。
此处的盲信号初始位置也即发射机(盲源)的初始位置,盲源位置区域代表了传感器网络中信号能量的极大值区域,即图2所示的用虚线圈起来的功率极大值区域。
在本发明一实施例中,为了保证盲源确实能够位于已经估算出的盲源位置区域,还可以在盲源位置区域外围再延伸一些区域以适当的扩大盲源位置区域的面积,进而将盲源位置区域外侧延伸的预设区域和盲源位置区域的总和作为最终盲源位置区域。这里,盲源位置区域外侧延伸的预设区域,即对应于图2所示的10m×10m预设区域范围内的实线所圈起来的次功率极大值区域。
进而,在后续依据盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值时,则可以依据最终盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
参见上文步骤S106,在本发明一实施例中,路径损耗模型可以采用如下模型(即公式1)。
其中,d表示发射机(即盲源)和传感器之间的欧几里德距离,pr表示传感器的测量功率(即采集信号功率),PT表示盲信号的传输功率,k是基于载波频率和天线结构选择的已知常数。在实际环境中,α的取值范围是[2,6]。在本发明实施例中,采用α=2。由于本发明方法仅利用了信号强度传感器的接收功率(即采集信号功率),因此对短时衰落不予考虑。
在该实施例中,基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围的具体实现过程可以如下。
首先,设定盲信号的功率范围的下限值为0。当然,功率范围的下限值还可以是其他数值,此处不做具体的限定。这里下限值为0指的是0mw。
然后,从接收到的采集信号功率值中选取最小采集信号功率值,并确定预设区域范围内存在的最长距离。
最后,基于路径损耗模型利用选取的最小采集信号功率值和最长距离,确定盲信号的最大功率值,并将该最大功率值作为盲信号的功率范围的上限值。
该步骤中,将最小采集信号功率值和最长距离代入上文公式1中,计算出盲信号的功率范围。本发明实施例中,信号强度传感器所采集到的盲信号实际上是不同盲源发出的盲信号叠加后的信号,因此,最大功率值也是盲信号功率之和的最大值。
本发明实施例,通过一组信号强度传感器的采样信号功率来解决在一个区域内估计多个盲信号功率和坐标的问题。应用测量的空间多样性,并结合粒子群优化算法来估计未知节点(盲源)的位置和功率。根据上文内容,本申请通过传感器网络可以轻松地确定未知节点的近似范围。同时,根据路径损耗模型和空间分布式传感器(即包含多个信号强度传感器的传感器网络)预设区域范围,可以估计未知节点的发射功率范围,即初步估计出盲信号功率范围。
参见上文步骤S108,本发明一实施例中,在依据盲源位置区域和盲信号的功率范围,并基于粒子群算法计算盲源的位置和盲信号功率值,该步骤实际上是通过上文初步计算得到的盲源位置区域和盲信号的功率范围对现有的粒子群算法进行了相应的优化,以使粒子群优化算法的性能大幅提高,降低了盲源信号位置和功率的估计误差。
在粒子群算法计算盲源的位置和盲信号功率值时,可以采用传感器网络的数学模型作为目标函数,从而找出目标函数的最优估计,即,将盲源位置区域中的相应位置坐标和盲信号的功率范围中的功率值代入到目标函数中,目标函数的最优估计即对应于最终计算得到的盲源的位置和盲信号功率值。
该实施例中,对于估计多个同频未知节点,传感器获得的接收功率实际是同频未知节点功率的叠加。该传感器网络的数学模型是非凸的,并且该目标函数具有多个最小点。通过预先估计未知节点的功率和坐标来减少目标函数解的范围,以减少非劣解的数量并提高盲信号功率及盲源位置确定的准确性。
下面假设一个场景,M个发射机和N个信号强度传感器节点在10m×10m的正方形预设区域范围内。其中,信号强度传感器的坐标是随机且已知的。发射机和传感器的位置以笛卡尔坐标表示。大写符号表示发射机的坐标和功率,例如(X1,Y1)和PT1,而小写字母表示传感器的坐标和功率,例如(x1,y1)和pr1。这里,只考虑从每个发射机到每个传感器的视距信道,不考虑发射机和传感器的物理体积。
根据上文介绍的路径损耗模型,本发明实施例提出的粒子群目标函数如下公式2:
其中,d2实际上为(X1-x1)2+(Y1-y1)2。上文提及的达到目标函数的最优估计,即公式2中的F为0时,得到的PTj和d的值,根据d的值再确定出盲源的位置。
本发明实施例目标函数对估算的发射机位置不是凸的。此处需要说明的是,当传感器节点数量较少时,可能会有许多局部最优解,并且随着传感器节点数量的增加,估计误差也不会无限趋近于零。
该实施例中的粒子群目标函数实际上作为基于粒子群算法计算得到盲源的位置和盲信号功率值的重要函数。而在使用粒子群目标函数的过程中,还需要用到具体的粒子群算法工具。下面对使用的工具,即粒子群算法进行介绍。
粒子群算法是一种基于群体中粒子相互学习的进化算法。粒子的种群大小会影响算法的性能。它通常与目标函数的维数有关。本发明实施例提出的方法对其可处理的维度没有固有的限制,因此本实施例使用(2M+1)2个粒子(M为目标函数的维度),这对于大多数估计问题已经足够了。粒子的拓扑结构直接决定了粒子学习样本的选择。最早提出的结构是全局拓扑结构,每个粒子的学习样本都是群体中的所有其他粒子。然后又提出了局部粒子群算法,并发现全局粒子群优化算法适用于全局搜索,局部粒子群优化算法在局部搜索中具有较好的性能。因此,本发明实施例采用全局拓扑结构。标准PSO(Particle SwarmOptimization,粒子群优化算法)的公式如下所示:
标准PSO的流程步骤如下:
Step1、假设估计是最小值问题。即上文提到的粒子群目标函数的值达到最小值。
Step2、初始化,随机生成粒子的位置和速度。
Step3、评估粒子,计算每个粒子的适应度函数值。
Step4、更新种群,如果粒子当前适应度函数值小于之前的pbest(Particle Best,粒子自身最优适应度函数值),则赋值pbest当前的适应度函数值。如果pbest小于gbest(GlobalBest,全局粒子最优适应度函数值),则赋值gbest当前pbest的值。
Step5、更新粒子,根据上述公式3来更新粒子的速度和位置。
Step6、当达到最大迭代次数时,停止迭代。
在上述公式3和流程步骤中:
v表示迭代时间t时粒子i的速度。
xi表示粒子i的位置。
pbest表示在群体中最佳运行的粒子的位置。
c1和c2表示粒子的加速常数,在该实施例中,c1线性递减,c2线性递增,这样可以使粒子自身初期有较强的搜索能力,避免早熟,而在后期则更注重全局,容易收敛。
r1和r2表示两个在[0,1]中均匀分布的随机数。
迭代总数T等于50,即最大迭代次数可以为50。
在本发明实施例中,ω随迭代次数线性递减,范围为[0.4,0.9]。
由于粒子群算法在处理非凸优化函数时容易收敛到局部最优解,因此预估粒子的初始位置非常重要。一个好的粒子初始位置优化解决方案可以避开许多局部最优解,并让粒子从一开始就接近全局最优解。对于初始计算盲信号的功率范围、盲源位置区域的过程可以参见上文实施例,此处不再赘述。
在本发明一实施例中,如果存在多个极大值区域,由于没有任何先验信息,因此无法确定各个节点(即盲源)分别对应的哪个区域。本方案的解决办法是尝试每种情况的排列组合,计算出每种情况下目标函数的适应度值,取最小的作为最优估计。同时,还可以根据接收机到最高点的距离进一步估算功率范围。
基于同一发明构思,本发明实施例还提供了一种基于粒子群算法的盲信号功率及盲源位置确定系统,图3示出了根据本发明一个实施例的基于粒子群算法的盲信号功率及盲源位置确定系统的结构示意图。参见图3,该系统包括传感器网络310、服务器320,传感器网络310中包括有多个信号强度传感器(如图3中的信号强度传感器1、信号强度传感器2……信号强度传感器N),其中,
传感器网络310中的多个信号强度传感器,适于采集盲源发出的盲信号并确定采集到的信号功率值,将采集信号功率值发送至服务器320,其中,多个信号强度传感器位于预设区域范围内。
服务器320,适于接收来自多个信号强度传感器的采集信号功率值,从采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定盲源位置区域。
服务器320,还适于基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围。
服务器320,还适于依据盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
在本发明一实施例中,服务器320还适于,绘制与预设区域范围对应的网格,将信号强度传感器的坐标值及采集信号功率值映射到网格中。在网格中标识出大于预设阈值的采集信号功率值。获取标识出的采集信号功率值对应的信号强度传感器的坐标值,对获取的坐标值附近的指定网格覆盖区进行标识,将该指定网格覆盖区作为盲源位置区域。
在本发明一实施例中,服务器320还适于,设定盲信号的功率范围的下限值为0。从接收到的采集信号功率值中选取最小采集信号功率值,并确定预设区域范围内存在的最长距离,基于路径损耗模型利用选取的最小采集信号功率值和最长距离,确定盲信号的最大功率值,将该最大功率值作为盲信号的功率范围的上限值。
在本发明一实施例中,服务器320还适于,预先为信号强度传感器分配用于标识其位置的坐标值,其中,一个信号强度传感器对应一个唯一坐标值,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,获取大于预设阈值的采集信号功率值对应的信号强度传感器的坐标值。将获取到的信号强度传感器坐标值附近的指定区域作为盲源位置区域。
在本发明一实施例中,服务器320还适于,在根据选取的采集信号功率值所对应的信号强度传感器的位置确定盲源位置区域之后,将盲源位置区域外侧的预设区域和盲源位置区域的总和作为最终盲源位置区域。
进而,服务器320可以依据最终盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
本发明实施例还提供了另一种基于粒子群算法的盲信号功率及盲源位置确定系统,参见图4,该系统除了包括传感器网络310、服务器320之外,还包括显示设备330。
显示设备330,适于接收服务器320发送的映射有信号强度传感器的坐标值和采集信号功率值的网格,进而在其显示界面上展示映射有信号强度传感器的坐标值和采集信号功率值的网格,以及展示网格中标识出的大于预设阈值的采集信号功率值、指定网格覆盖区。
根据上述任意一个优选实施例或多个优选实施例的组合,本发明实施例能够达到如下有益效果:
在本发明实施例中,服务器首先,通过接收预设区域范围内多个信号强度传感器发送的采集信号功率值,并从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定盲源位置区域。然后,基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围。最后,依据盲源位置区域和盲信号的功率范围,基于粒子群算法可以计算出盲源的位置和盲信号功率值。由此,本发明实施例仅仅基于信号强度传感器的接收功率(即采集信号功率)而没有任何先验知识的发射功率,通过确定出盲源位置区域和盲信号的功率范围,进而利用粒子群算法准确地计算出具体的盲源位置和盲信号功率值。此外,本发明方案将初步确定出的盲源位置区域和盲信号的功率范围应用于粒子群算法中,能够大大地提升粒子群算法的估计性能。
进一步地,即使没有信号强度传感器对采集信号功率的充分测量,采用本发明实施例的方案也能够实现独特的估计。
所属领域的技术人员可以清楚地了解到,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,为简洁起见,在此不另赘述。
另外,在本发明各个实施例中的各功能单元可以物理上相互独立,也可以两个或两个以上功能单元集成在一起,还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现,也可以采用软件或者固件的形式实现。
本领域普通技术人员可以理解:所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,其包括若干指令,用以使得一台计算设备(例如个人计算机,服务器,或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM),磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的计算设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被计算设备的处理器执行时,所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:在本发明的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案脱离本发明的保护范围。
Claims (10)
1.一种基于粒子群算法的盲信号功率及盲源位置确定方法,包括:
接收预设区域范围内多个信号强度传感器发送的采集信号功率值,其中,所述信号强度传感器采集盲源发出的盲信号并确定采集到的信号功率值;
从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域;
基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围;
依据所述盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
2.根据权利要求1所述的方法,其中,基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围,包括:
设定盲信号的功率范围的下限值为0;
从接收到的采集信号功率值中选取最小采集信号功率值,并确定所述预设区域范围内存在的最长距离;
基于路径损耗模型利用选取的最小采集信号功率值和所述最长距离,确定盲信号的最大功率值,将该最大功率值作为盲信号的功率范围的上限值。
3.根据权利要求1或2所述的方法,其中,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域,包括:
预先为信号强度传感器分配用于标识其位置的坐标值,其中,一个信号强度传感器对应一个唯一坐标值;
从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,获取大于预设阈值的采集信号功率值对应的信号强度传感器的坐标值;
将获取到的信号强度传感器坐标值附近的指定区域作为盲源位置区域。
4.根据权利要求3所述的方法,其中,从接收到的采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域,包括:
绘制与所述预设区域范围对应的网格,将所述信号强度传感器的坐标值及采集信号功率值映射到网格中;
在网格中标识出大于预设阈值的采集信号功率值;
获取标识出的采集信号功率值对应的信号强度传感器的坐标值,对获取的坐标值附近的指定网格覆盖区进行标识,将该指定网格覆盖区作为盲源位置区域。
5.根据权利要求4所述的方法,其中,还包括:
将映射有信号强度传感器的坐标值和采集信号功率值的网格发送至显示设备,在所述显示设备的显示界面上进行展示;
在所述显示界面上展示网格中标识出的大于预设阈值的采集信号功率值、指定网格覆盖区。
6.根据权利要求1或2所述的方法,其中,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域之后,还包括:
将所述盲源位置区域外侧的预设区域和所述盲源位置区域的总和作为最终盲源位置区域;
其中,所述盲源位置区域外侧的预设区域为次功率极大值区域。
7.根据权利要求6所述的方法,其中,依据所述盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值,包括:
依据所述最终盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
8.一种基于粒子群算法的盲信号功率及盲源位置确定系统,包括:
多个信号强度传感器,适于采集盲源发出的盲信号并确定采集到的信号功率值,将采集信号功率值发送至服务器,其中,所述多个信号强度传感器位于预设区域范围内;
服务器,适于接收来自多个信号强度传感器的采集信号功率值,从所述采集信号功率值中选取大于预设阈值的采集信号功率值,根据选取的采集信号功率值所对应的信号强度传感器的位置确定所述盲源位置区域;
所述服务器,还适于基于路径损耗模型利用接收到的采集信号功率值和预设区域范围的大小,确定盲信号的功率范围;
所述服务器,还适于依据所述盲源位置区域和盲信号的功率范围,基于粒子群算法计算盲源的位置和盲信号功率值。
9.根据权利要求8所述的系统,其中,所述服务器还适于:
绘制与所述预设区域范围对应的网格,将所述信号强度传感器的坐标值及采集信号功率值映射到网格中;
在网格中标识出大于预设阈值的采集信号功率值;
获取标识出的采集信号功率值对应的信号强度传感器的坐标值,对获取的坐标值附近的指定网格覆盖区进行标识,将该指定网格覆盖区作为盲源位置区域。
10.根据权利要求9所述的系统,其中,还包括显示设备,适于:
接收所述服务器发送的映射有信号强度传感器的坐标值和采集信号功率值的网格;
在显示界面上展示映射有信号强度传感器的坐标值和采集信号功率值的网格,以及展示网格中标识出的大于预设阈值的采集信号功率值、指定网格覆盖区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752078.7A CN108882155B (zh) | 2018-07-10 | 2018-07-10 | 基于粒子群算法的盲信号功率及盲源位置确定方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752078.7A CN108882155B (zh) | 2018-07-10 | 2018-07-10 | 基于粒子群算法的盲信号功率及盲源位置确定方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108882155A CN108882155A (zh) | 2018-11-23 |
CN108882155B true CN108882155B (zh) | 2020-11-10 |
Family
ID=64300691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810752078.7A Active CN108882155B (zh) | 2018-07-10 | 2018-07-10 | 基于粒子群算法的盲信号功率及盲源位置确定方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108882155B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783533B (zh) * | 2020-05-28 | 2023-10-24 | 宁波大学 | 一种基于粒子群算法的离子淌度重叠信号峰分离方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105072581A (zh) * | 2015-08-26 | 2015-11-18 | 四川星网云联科技有限公司 | 一种基于路径衰减系数建库的室内定位方法 |
CN107295465A (zh) * | 2016-03-31 | 2017-10-24 | 华为技术有限公司 | 一种定位方法及设备 |
CN107734479A (zh) * | 2017-09-11 | 2018-02-23 | 广东广业开元科技有限公司 | 一种基于无线传感技术的消防人员定位方法、系统和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10338191B2 (en) * | 2014-10-30 | 2019-07-02 | Bastille Networks, Inc. | Sensor mesh and signal transmission architectures for electromagnetic signature analysis |
-
2018
- 2018-07-10 CN CN201810752078.7A patent/CN108882155B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105072581A (zh) * | 2015-08-26 | 2015-11-18 | 四川星网云联科技有限公司 | 一种基于路径衰减系数建库的室内定位方法 |
CN107295465A (zh) * | 2016-03-31 | 2017-10-24 | 华为技术有限公司 | 一种定位方法及设备 |
CN107734479A (zh) * | 2017-09-11 | 2018-02-23 | 广东广业开元科技有限公司 | 一种基于无线传感技术的消防人员定位方法、系统和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108882155A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9560532B2 (en) | Signal strength profiling | |
CN103874118B (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
Elbakly et al. | A robust zero-calibration RF-based localization system for realistic environments | |
EP3404439A1 (en) | Cluster-based magnetic positioning method, device and system | |
Daiya et al. | Experimental analysis of RSSI for distance and position estimation | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
KR20140063650A (ko) | 하향링크 액세스 포인트를 이용한 위치추정장치 및 위치추정방법 | |
Obreja et al. | Evaluation of an indoor localization solution based on bluetooth low energy beacons | |
Raspopoulos | Multidevice map-constrained fingerprint-based indoor positioning using 3-D ray tracing | |
Chaudhari et al. | Spatial interpolation of cyclostationary test statistics in cognitive radio networks: Methods and field measurements | |
Song et al. | Implementation of android application for indoor positioning system with estimote BLE beacons | |
US10356744B2 (en) | Node localization method and device | |
Yiu et al. | Locating user equipments and access points using RSSI fingerprints: A Gaussian process approach | |
CN110244702A (zh) | 用于生成或更新周围环境地图的方法和定位系统 | |
JP2006329688A (ja) | 位置検出方法、位置検出システム、位置検出プログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN108882155B (zh) | 基于粒子群算法的盲信号功率及盲源位置确定方法、系统 | |
JP2018146484A (ja) | 情報処理装置、情報処理プログラム、及び情報処理方法 | |
Kwon et al. | RF signal source search and localization using an autonomous UAV with predefined waypoints | |
Alvarez et al. | Novel received signal strength-based indoor location system: development and testing | |
US9262910B1 (en) | Precision wireless sensor | |
Kurecka et al. | Monte carlo based wireless node localization | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability | |
Kim et al. | Robust transmission power and position estimation in cognitive radio | |
Kulkarni et al. | Real-time cooperative spectrum sensing: Reliable localization of unknown interferers in shared spectrum | |
Leong et al. | Enhancing indoor positioning service for location based Internet of Things (IoT): A source selecting approach with error compensation |
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 |