CN109041093A - 一种盲信号源功率位置联合估计方法及系统 - Google Patents
一种盲信号源功率位置联合估计方法及系统 Download PDFInfo
- Publication number
- CN109041093A CN109041093A CN201810752082.3A CN201810752082A CN109041093A CN 109041093 A CN109041093 A CN 109041093A CN 201810752082 A CN201810752082 A CN 201810752082A CN 109041093 A CN109041093 A CN 109041093A
- Authority
- CN
- China
- Prior art keywords
- particle
- signal source
- transmission power
- blind signal
- filial generation
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种盲信号源功率位置联合估计方法及系统。该方法包括:在预定区域内布设多个传感器节点,并确定各个传感器节点在预定区域的位置信息;利用各个传感器节点接收预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;根据指定的路径损耗模型、各个传感器节点的接收信号的实际测量功率值以及在预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;基于遗传算法和粒子群优化算法估计粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。本发明实施例有效地解决了现有技术中无法进行功率位置联合估计的问题。
Description
技术领域
本发明涉及无线通信技术领域,特别是一种盲信号源功率位置联合估计方法及系统。
背景技术
随着无线频谱资源的日益稀缺和公共频段无线设备的日益增多,在一定区域内中检测和定位未知无线信号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很难进行的,主要的困难在于当未知节点较多时,估计维数高、系统模型目标函数非凸、局部最优解较多等。通常使用空间分布式传感器对一定区域进行频谱监控,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、干扰检测、认知无线电系统和检测窃听设备等。其中干扰检测会对用户和运营商产生重大的使用和财务影响,是无线通信的首要威胁。
未知节点检测或盲信号源检测不同于定位源目标,其中后者是在已知发射功率的情况下,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,盲信号源检测只能使用一般的路径损耗模型,还需要估计多个发射功率未知且不等的未知节点。
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,开展盲信号源功率和位置联合的研究十分必要。
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盲信号源功率位置联合估计方法及系统。
根据本发明的一方面,提供了一种盲信号源功率位置联合估计方法,包括:
在预定区域内布设多个传感器节点,并确定各个传感器节点在所述预定区域的位置信息;
利用所述各个传感器节点接收所述预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;
根据指定的路径损耗模型、所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;
基于遗传算法和粒子群优化算法估计所述粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。
可选地,所述指定的路径损耗模型为:
其中,d表示盲信号源和传感器节点之间的欧几里得距离,pr表示传感器节点的接收信号的理论测量功率值,PT表示盲信号源的发射功率,k是基于载波频率和天线结构选择的已知常数,α的取值范围是[2,6];
所述根据指定的路径损耗模型、所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数的步骤进一步包括:
设置所述多个盲信号源和所述多个传感器节点的数量分别为M和N,M和N均为大于1的整数;
设置第j个盲信号源的发射功率为PTj,位置的笛卡尔坐标为Xj、Yj,j取值从1至M;
设置第i个传感器节点的接收信号的实际测量功率值为pri,位置的笛卡尔坐标为xi、yi,i取值从1至N;
基于上述设置的已知参数和未知参数,构建的用于估计各个盲信号源的发射功率和位置的粒子群目标函数为:
其中,所述各个盲信号源的发射功率和位置对应所述粒子群目标函数的未知参数。
可选地,所述粒子群优化算法的算法公式为:
其中,vl(t)表示迭代次数t时粒子l的速度,xl(t)表示迭代次数t时粒子l的位置,表示迭代次数t时粒子l所经历的最优位置,表示迭代次数t时粒子群体中粒子的最优位置,c1和c2表示粒子的加速常数,r1和r2是两个在[0,1]中均匀分布的随机数,ω为惯性权重;t取值从1到T,且T为大于1的整数;l取值从1到L,且L为大于1的整数;
所述基于遗传算法和粒子群优化算法估计所述粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置的步骤进一步包括:
确定估计是最小值问题;
初始化,随机生成L个粒子中各个粒子的初始位置和初始速度,其中,各个粒子的初始位置对应所述粒子群目标函数的未知参数;
将各个粒子的初始位置代入所述粒子群目标函数的未知参数,计算各个粒子的初始适应度函数值,进而将初始适应度函数值最小的粒子的位置作为且
再次迭代,判断该次迭代是否结合遗传算法生成子代粒子;
若是,则结合遗传算法生成子代粒子;
若否,则根据所述算法公式、各个粒子的初始位置和初始速度,计算各个粒子的更新速度和更新位置,将具有更新速度和更新位置的各个粒子作为子代粒子;
将子代粒子的位置代入所述粒子群目标函数的未知参数,计算子代粒子当前的适应度函数值,进而根据子代粒子当前的适应度函数值更新和
以上述迭代策略,当迭代次数为T时,确定
将作为估计的所述粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
可选地,所述结合遗传算法生成子代粒子的步骤进一步包括:
根据各个粒子的初始适应度函数值,确定各个粒子的被选概率,其中,各个粒子的被选概率之和为1;
基于各个粒子的被选概率,采用轮盘赌策略确定父辈粒子种群;
将父辈粒子种群中的每个父辈粒子携带的各个盲信号源的发射功率和位置转化为基因序列,其中,各个盲信号源的发射功率转化为一个基因节点,各个盲信号源的位置分别转化为一个基因节点;
将父辈粒子种群中的父辈粒子随机两两组合,基于基因节点以类遗传学的方式产生多个子代粒子;
从产生的多个子代粒子中选取L-1个子代粒子与初始适应度函数值最小的粒子组合生成L个子代粒子。
可选地,c1随迭代次数线性递减,c2随迭代次数线性递增,ω随迭代次数线性递减,且取值范围为[0.4,0.9]。
可选地,所述随机生成L个粒子中各个粒子的初始位置和初始速度的步骤进一步包括:
根据所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,计算所述多个盲信号源的发射功率之和的上限;
基于计算的所述多个盲信号源的发射功率之和的上限,随机生成L个粒子中各个粒子的初始位置和初始速度。
根据本发明的另一方面,还提供了一种盲信号源功率位置联合估计系统,包括:由多个传感器节点组成的传感器网络以及服务器端;
所述多个传感器节点被布设于预定区域,用于接收所述预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;
所述服务器端,用于获取各个传感器节点在所述预定区域的位置信息;根据指定的路径损耗模型、所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;以及基于遗传算法和粒子群优化算法估计所述粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。
可选地,所述系统还包括:前端;
所述前端,用于根据所述服务器端估计的各个盲信号源的发射功率和位置,显示各个盲信号源。
可选地,所述指定的路径损耗模型为:
其中,d表示盲信号源和传感器节点之间的欧几里得距离,pr表示传感器节点的接收信号的理论测量功率值,PT表示盲信号源的发射功率,k是基于载波频率和天线结构选择的已知常数,α的取值范围是[2,6];
所述服务器端还用于:
设置所述多个盲信号源和所述多个传感器节点的数量分别为M和N,M和N均为大于1的整数;
设置第j个盲信号源的发射功率为PTj,位置的笛卡尔坐标为Xj、Yj,j取值从1至M;
设置第i个传感器节点的接收信号的实际测量功率值为pri,位置的笛卡尔坐标为xi、yi,i取值从1至N;
基于上述设置的已知参数和未知参数,构建的用于估计各个盲信号源的发射功率和位置的粒子群目标函数为:
其中,所述各个盲信号源的发射功率和位置对应所述粒子群目标函数的未知参数。
可选地,所述粒子群优化算法的算法公式为:
其中,vl(t)表示迭代次数t时粒子l的速度,xl(t)表示迭代次数t时粒子l的位置,表示迭代次数t时粒子l所经历的最优位置,表示迭代次数t时粒子群体中粒子的最优位置,c1和c2表示粒子的加速常数,r1和r2是两个在[0,1]中均匀分布的随机数,ω为惯性权重;t取值从1到T,且T为大于1的整数;l取值从1到L,且L为大于1的整数;
所述服务器端还用于:
确定估计是最小值问题;
初始化,随机生成L个粒子中各个粒子的初始位置和初始速度,其中,各个粒子的初始位置对应所述粒子群目标函数的未知参数;
将各个粒子的初始位置代入所述粒子群目标函数的未知参数,计算各个粒子的初始适应度函数值,进而将初始适应度函数值最小的粒子的位置作为且
再次迭代,判断该次迭代是否结合遗传算法生成子代粒子;
若是,则结合遗传算法生成子代粒子;
若否,则根据所述算法公式、各个粒子的初始位置和初始速度,计算各个粒子的更新速度和更新位置,将具有更新速度和更新位置的各个粒子作为子代粒子;
将子代粒子的位置代入所述粒子群目标函数的未知参数,计算子代粒子当前的适应度函数值,进而根据子代粒子当前的适应度函数值更新和
以上述迭代策略,当迭代次数为T时,确定
将作为估计的所述粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
可选地,所述服务器端还用于:
根据各个粒子的初始适应度函数值,确定各个粒子的被选概率,其中,各个粒子的被选概率之和为1;
基于各个粒子的被选概率,采用轮盘赌策略确定父辈粒子种群;
将父辈粒子种群中的每个父辈粒子携带的各个盲信号源的发射功率和位置转化为基因序列,其中,各个盲信号源的发射功率转化为一个基因节点,各个盲信号源的位置分别转化为一个基因节点;
将父辈粒子种群中的父辈粒子随机两两组合,基于基因节点以类遗传学的方式产生多个子代粒子;
从产生的多个子代粒子中选取L-1个子代粒子与初始适应度函数值最小的粒子组合生成L个子代粒子。
可选地,所述服务器端还用于:
根据所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,计算所述多个盲信号源的发射功率之和的上限;
基于计算的所述多个盲信号源的发射功率之和的上限,随机生成L个粒子中各个粒子的初始位置和初始速度。
本发明实施例提供了一种盲信号源功率位置联合估计方法和系统,在方法中,首先在预定区域内布设多个传感器节点,并确定各个传感器节点在预定区域的位置信息;进而利用各个传感器节点接收预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;随后,根据指定的路径损耗模型、各个传感器节点的接收信号的实际测量功率值以及在预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;之后,基于遗传算法和粒子群优化算法估计粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。可以看到,本发明实施例仅是基于多个传感器节点的接收信号的实际测量功率值以及在预定区域的位置信息,而无需任何关于发射功率的先验信息,结合遗传算法和粒子群优化算法就可以估计盲信号源的发射功率和位置,有效地解决了现有技术中无法进行功率位置联合估计的问题。并且,本发明实施例构建的粒子群目标函数是非凸的,具有多个局部最优解,本发明通过在粒子群优化算法中加入遗传算法能够跳出局部最小值,提高了联合估计的准确性。
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为根据本发明一实施例的盲信号源功率位置联合估计方法的流程图;
图2为根据本发明一实施例的结合遗传算法生成子代粒子的方法的流程图;
图3为根据本发明一实施例的基于父辈粒子种群以类遗传学的方式产生多个子代粒子的示意图;
图4为根据本发明一实施例的盲信号源功率位置联合估计系统的结构图;
图5为根据本发明另一实施例的盲信号源功率位置联合估计系统的结构图。
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。
如前文介绍,现有技术中无法实现盲信号源的发射功率和位置的联合估计,为了解决这一技术问题,本发明实施例提供了一种盲信号源功率位置联合估计方法。如图1所示,该方法可以包括以下步骤S102至步骤S108。
步骤S102,在预定区域内布设多个传感器节点,并确定各个传感器节点在预定区域的位置信息。
步骤S104,利用各个传感器节点接收预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值。
步骤S106,根据指定的路径损耗模型、各个传感器节点的接收信号的实际测量功率值以及在预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数。
步骤S108,基于遗传算法和粒子群优化算法估计粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。
本发明实施例提供的一种盲信号源功率位置联合估计方法,仅是基于多个传感器节点的接收信号的实际测量功率值以及在预定区域的位置信息,而无需任何关于发射功率的先验信息,结合遗传算法和粒子群优化算法就可以估计盲信号源的发射功率和位置,有效地解决了现有技术中无法进行功率位置联合估计的问题。并且,本发明实施例构建的粒子群目标函数是非凸的,具有多个局部最优解,本发明通过在粒子群优化算法中加入遗传算法能够跳出局部最小值,提高了联合估计的准确性。
为了不失一般性,在上文步骤S102布设多个传感器节点时,多个传感器节点可以随机放置,在布设完成之后,确定各个传感器节点在预定区域的位置信息。这里的预定区域可以根据实际需求来设定,其形状可以是规则的矩形、圆形等,也可以是不规则的形状,本发明实施例对此不作限制。
在本发明的可选实施例中,上文步骤S106中提及的指定的路径损耗模型可以是如下模型:
其中,d表示盲信号源和传感器节点之间的欧几里得距离,pr表示传感器节点的接收信号的理论测量功率值,PT表示盲信号源的发射功率,k是基于载波频率和天线结构选择的已知常数,α的取值范围是[2,6]。这里,α取值为2。
基于上述的路径损耗模型,步骤S106在构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数时,具体可以包括以下步骤A1至步骤A4。
步骤A1,设置多个盲信号源和多个传感器节点的数量分别为M和N,M和N均为大于1的整数。
步骤A2,设置第j个盲信号源的发射功率为PTj,位置的笛卡尔坐标为Xj、Yj,j取值从1至M。
步骤A3,设置第i个传感器节点的接收信号的实际测量功率值为pri,位置的笛卡尔坐标为xi、yi,i取值从1至N。
步骤A4,基于上述设置的已知参数和未知参数,构建的用于估计各个盲信号源的发射功率和位置的粒子群目标函数为:
其中,各个盲信号源的发射功率和位置对应粒子群目标函数的未知参数,其余参数为已知参数。
在本实施例中,由于估计的是同频的多个盲信号源,因而各个传感器节点获得的接收功率可以是多个盲信号源发射的信号的功率叠加。本发明实施例构建的粒子群目标函数是非凸的,并且该函数具有多个局部最优解,通过在粒子群优化算法中加入遗传算法能够跳出局部最小值,提高了联合估计的准确性。另外,本发明实施例仅考虑从每个盲信号源到每个传感器节点的视距信道,同时不考虑盲信号源和传感器节点的物理体积。
粒子群优化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(即目标函数中未知参数的个数)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,例如,本发明实施例可以使用(2R+1)2个粒子,R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。然后学者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,本发明实施例使用全局拓扑结构,即粒子群优化算法的算法公式为:
其中,vl(t)表示迭代次数t时粒子l的速度,xl(t)表示迭代次数t时粒子l的位置,表示迭代次数t时粒子l所经历的最优位置,表示迭代次数t时粒子群体中粒子的最优位置,c1和c2表示粒子的加速常数,r1和r2是两个在[0,1]中均匀分布的随机数,ω为惯性权重;t取值从1到T,且T为大于1的整数;l取值从1到L,且L为大于1的整数。
上文步骤S108中基于遗传算法和粒子群优化算法估计粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置,具体可以包括以下步骤B1至步骤B9。
步骤B1,确定估计是最小值问题。
步骤B2,初始化,随机生成L个粒子中各个粒子的初始位置和初始速度,其中,各个粒子的初始位置对应粒子群目标函数的未知参数。
该步骤中,在可选的实施例中,还可以根据各个传感器节点的接收信号的实际测量功率值以及在预定区域的位置信息,计算多个盲信号源的发射功率之和的上限;进而,基于计算的多个盲信号源的发射功率之和的上限,随机生成L个粒子中各个粒子的初始位置和初始速度。
步骤B3,将各个粒子的初始位置代入粒子群目标函数的未知参数,计算各个粒子的初始适应度函数值,进而将初始适应度函数值最小的粒子的位置作为且
步骤B4,再次迭代,判断该次迭代是否结合遗传算法生成子代粒子,若是,则继续执行步骤B5;若否,则继续执行步骤B6。
步骤B5,结合遗传算法生成子代粒子,继续执行步骤B7。
步骤B6,根据算法公式、各个粒子的初始位置和初始速度,计算各个粒子的更新速度和更新位置,将具有更新速度和更新位置的各个粒子作为子代粒子,继续执行步骤B7。
步骤B7,将子代粒子的位置代入粒子群目标函数的未知参数,计算子代粒子当前的适应度函数值,进而根据子代粒子当前的适应度函数值更新和
该步骤中,如果子代粒子当前的适应度函数值小于之前的对应的适应度函数值,则赋值为子代粒子的位置;如果对应的适应度函数值小于对应的适应度函数值,则赋值为当前的值。
步骤B8,以上述迭代策略,当迭代次数为T时,确定
该步骤中,在迭代的过程中或随着迭代的进行,在确定当前迭代的子代粒子时,可以将上一次迭代的子代粒子作为确定当前迭代的子代粒子的基础。即,可以结合遗传算法和上一次迭代的子代粒子生成当前迭代的子代粒子,也可以根据算法公式、上一次迭代的子代粒子的位置和速度,计算各个粒子的当前更新速度和当前更新位置,将具有当前更新速度和当前更新位置的各个粒子作为当前迭代的子代粒子。
步骤B9,将作为估计的粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
在本实施例中,c1可以随迭代次数线性递减,c2随迭代次数线性递增,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。ω随迭代次数线性递减,且取值范围为[0.4,0.9]。
上文步骤B5中结合遗传算法生成子代粒子,本发明实施例提供了一种可选的方案,如图2所示,结合遗传算法生成子代粒子的方法可以包括以下步骤S202至步骤S210。
步骤S202,根据各个粒子的初始适应度函数值,确定各个粒子的被选概率,其中,各个粒子的被选概率之和为1。
步骤S204,基于各个粒子的被选概率,采用轮盘赌策略确定父辈粒子种群。
步骤S206,将父辈粒子种群中的每个父辈粒子携带的各个盲信号源的发射功率和位置转化为基因序列,其中,各个盲信号源的发射功率转化为一个基因节点,各个盲信号源的位置分别转化为一个基因节点。
步骤S208,将父辈粒子种群中的父辈粒子随机两两组合,基于基因节点以类遗传学的方式产生多个子代粒子。
步骤S210,从产生的多个子代粒子中选取L-1个子代粒子与初始适应度函数值最小的粒子组合生成L个子代粒子。
在上述的实施例中,步骤S202至步骤S204采用的是轮盘赌策略来选择父辈粒子,即以各个粒子的初始适应度函数值作为被选概率的参考,即初始适应度函数值较小的,被选入父辈粒子种群的概率较高;初始适应度函数值较大的,被选入父辈粒子种群的概率较低,并同时保证种群中所有粒子的被选概率之和为1。需要说明的是,随着迭代的进行,这里的初始适应度函数值可以替换为当前的适应度函数值。
在步骤S210中将初始适应度函数值最小的粒子直接作为子代粒子,其采用的是精英保留策略,这种策略可使算法更有可能收敛至全局最优解。
以上介绍了图1所示实施例的各个环节的多种实现方式,下面将通过一具体实施例来详细介绍本发明的盲信号源功率位置联合估计方法的实现过程。
在具体实施例中,M个盲信号源(也可以称为M个发射机,各个发射机的发射功率和位置均未知)和N个传感器节点在边长为10米的正方形区域内。这里不妨假设M为2,N为10。本发明实施例仅考虑从每个盲信号源到每个传感器节点的视距信道,同时不考虑盲信号源和传感器节点的物理体积。
接下来,采用前文介绍的步骤A1至步骤A4来构建用于估计盲信号源的发射功率和位置的粒子群目标函数如下:
这里构建的目标函数包含6个未知参数,即,PT1、X1、Y1、PT2、X2、Y2,该目标函数是非凸的。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。
由于粒子群优化算法在处理非凸函数时容易收敛到局部最优解,因此让其跳出局部最优解非常重要。在对多个盲信号源的发射功率和位置进行联合估计时,由于缺少先验信息,当多个盲信号源的发射功率接近相等时,粒子群优化算法很容易混淆各个发射功率对应的坐标位置,即陷入局部最小值。为了解决这个问题,本发明实施例基于遗传算法和粒子群优化算法估计粒子群目标函数的最优解,具体的步骤如下。
首先,本具体实施例限制发射功率估计范围,选择范围的下限是0mw。然后,选择接收功率最小的传感器节点,假设它和所有发射机之间的距离是正方形区域中的最大距离代入路径损耗模型,发射功率之和的上限可以被计算出来。
之后,在采用前文提及的粒子群优化算法进行粒子群迭代的过程中,插入遗传算法,采用轮盘赌策略选择父辈粒子,每个粒子可以被重复选取。
在轮盘赌策略中,以各个粒子的适应度函数值作为被选概率的参考。具体地,适应度函数值较小的,被选入父辈粒子种群的概率较高;适应度函数值较大的,被选入父辈粒子种群的概率较低,并同时保证种群的所有粒子的被选概率之和为1。
在确定完父辈粒子后,将每个粒子携带的各个盲信号源的发射功率和位置估计值转化为基因序列。
如图3所示,2个盲信号源(即,发射机1和发射机2)的位置坐标估计值(X、Y)转化为一个基因节点,发射功率估计值PT转化为一个基因序列。图3中的Father(父)和Mother(母)构成父系,每次父系中的粒子随机两两结合,以类遗传学的方式产生多个子代粒子。同时产生的子代粒子的各个基因节点还存在一定的概率变异,且变异数值在合理范围内完全随机。
之后,从产生的多个子代粒子中选取L-1个子代粒子。
采用精英保留策略,在粒子群优化算法得到的粒子群中,将适应度函数值最小的一个粒子直接进入子代粒子种群。这种策略可使算法更有可能收敛至全局最优解。
最后,将选取的L-1个子代粒子与适应度函数值最小的粒子组合生成L个子代粒子进入粒子群优化算法进行计算,达到设定的迭代间隔次数后再进入遗传算法,以此循环直至粒子群优化算法达到总迭代次数T。当迭代次数为T时,确定
将作为估计的粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
需要说明的是,实际应用中,上述所有可选实施方式可以采用结合的方式任意组合,形成本发明的可选实施例,在此不再一一赘述。
基于上文各个实施例提供的盲信号源功率位置联合估计方法,基于同一发明构思,本发明实施例还提供了一种盲信号源功率位置联合估计系统。如图4所示,该系统可以包括传感器网络410以及服务器端420,其中传感器网络410由多个传感器节点411组成。
多个传感器节点411被布设于预定区域,用于接收预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;
服务器端420,用于获取各个传感器节点411在预定区域的位置信息;根据指定的路径损耗模型、各个传感器节点411的接收信号的实际测量功率值以及在预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;以及基于遗传算法和粒子群优化算法估计粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。
在本发明的可选实施例中,如图5所示,上文图4展示的系统还可以包括前端430。前端430,用于根据服务器端420估计的各个盲信号源的发射功率和位置,显示各个盲信号源。这里的前端430可以是客户机,如个人电脑、平板电脑、手机等,本发明实施例对此不作限制。
在本发明的可选实施例中,所述指定的路径损耗模型为:
其中,d表示盲信号源和传感器节点之间的欧几里得距离,pr表示传感器节点的接收信号的理论测量功率值,PT表示盲信号源的发射功率,k是基于载波频率和天线结构选择的已知常数,α的取值范围是[2,6];
所述服务器端420还用于:
设置所述多个盲信号源和所述多个传感器节点的数量分别为M和N,M和N均为大于1的整数;
设置第j个盲信号源的发射功率为PTj,位置的笛卡尔坐标为Xj、Yj,j取值从1至M;
设置第i个传感器节点的接收信号的实际测量功率值为pri,位置的笛卡尔坐标为xi、yi,i取值从1至N;
基于上述设置的已知参数和未知参数,构建的用于估计各个盲信号源的发射功率和位置的粒子群目标函数为:
其中,所述各个盲信号源的发射功率和位置对应所述粒子群目标函数的未知参数。
在本发明的可选实施例中,所述粒子群优化算法的算法公式为:
其中,vl(t)表示迭代次数t时粒子l的速度,xl(t)表示迭代次数t时粒子l的位置,表示迭代次数t时粒子l所经历的最优位置,表示迭代次数t时粒子群体中粒子的最优位置,c1和c2表示粒子的加速常数,r1和r2是两个在[0,1]中均匀分布的随机数,ω为惯性权重;t取值从1到T,且T为大于1的整数;l取值从1到L,且L为大于1的整数;
所述服务器端420还用于:
确定估计是最小值问题;
初始化,随机生成L个粒子中各个粒子的初始位置和初始速度,其中,各个粒子的初始位置对应所述粒子群目标函数的未知参数;
将各个粒子的初始位置代入所述粒子群目标函数的未知参数,计算各个粒子的初始适应度函数值,进而将初始适应度函数值最小的粒子的位置作为且
再次迭代,判断该次迭代是否结合遗传算法生成子代粒子;
若是,则结合遗传算法生成子代粒子;
若否,则根据所述算法公式、各个粒子的初始位置和初始速度,计算各个粒子的更新速度和更新位置,将具有更新速度和更新位置的各个粒子作为子代粒子;
将子代粒子的位置代入所述粒子群目标函数的未知参数,计算子代粒子当前的适应度函数值,进而根据子代粒子当前的适应度函数值更新和
以上述迭代策略,当迭代次数为T时,确定
将作为估计的所述粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
在本发明的可选实施例中,所述服务器端420还用于:
根据各个粒子的初始适应度函数值,确定各个粒子的被选概率,其中,各个粒子的被选概率之和为1;
基于各个粒子的被选概率,采用轮盘赌策略确定父辈粒子种群;
将父辈粒子种群中的每个父辈粒子携带的各个盲信号源的发射功率和位置转化为基因序列,其中,各个盲信号源的发射功率转化为一个基因节点,各个盲信号源的位置分别转化为一个基因节点;
将父辈粒子种群中的父辈粒子随机两两组合,基于基因节点以类遗传学的方式产生多个子代粒子;
从产生的多个子代粒子中选取L-1个子代粒子与初始适应度函数值最小的粒子组合生成L个子代粒子。
在本发明的可选实施例中,所述服务器端420还用于:
根据所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,计算所述多个盲信号源的发射功率之和的上限;
基于计算的所述多个盲信号源的发射功率之和的上限,随机生成L个粒子中各个粒子的初始位置和初始速度。
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 (12)
1.一种盲信号源功率位置联合估计方法,其特征在于,包括:
在预定区域内布设多个传感器节点,并确定各个传感器节点在所述预定区域的位置信息;
利用所述各个传感器节点接收所述预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;
根据指定的路径损耗模型、所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;
基于遗传算法和粒子群优化算法估计所述粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。
2.根据权利要求1所述的方法,其特征在于,所述指定的路径损耗模型为:
其中,d表示盲信号源和传感器节点之间的欧几里得距离,pr表示传感器节点的接收信号的理论测量功率值,PT表示盲信号源的发射功率,k是基于载波频率和天线结构选择的已知常数,α的取值范围是[2,6];
所述根据指定的路径损耗模型、所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数的步骤进一步包括:
设置所述多个盲信号源和所述多个传感器节点的数量分别为M和N,M和N均为大于1的整数;
设置第j个盲信号源的发射功率为PTj,位置的笛卡尔坐标为Xj、Yj,j取值从1至M;
设置第i个传感器节点的接收信号的实际测量功率值为pri,位置的笛卡尔坐标为xi、yi,i取值从1至N;
基于上述设置的已知参数和未知参数,构建的用于估计各个盲信号源的发射功率和位置的粒子群目标函数为:
其中,所述各个盲信号源的发射功率和位置对应所述粒子群目标函数的未知参数。
3.根据权利要求2所述的方法,其特征在于,所述粒子群优化算法的算法公式为:
其中,vl(t)表示迭代次数t时粒子l的速度,xl(t)表示迭代次数t时粒子l的位置,表示迭代次数t时粒子l所经历的最优位置,表示迭代次数t时粒子群体中粒子的最优位置,c1和c2表示粒子的加速常数,r1和r2是两个在[0,1]中均匀分布的随机数,ω为惯性权重;t取值从1到T,且T为大于1的整数;l取值从1到L,且L为大于1的整数;
所述基于遗传算法和粒子群优化算法估计所述粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置的步骤进一步包括:
确定估计是最小值问题;
初始化,随机生成L个粒子中各个粒子的初始位置和初始速度,其中,各个粒子的初始位置对应所述粒子群目标函数的未知参数;
将各个粒子的初始位置代入所述粒子群目标函数的未知参数,计算各个粒子的初始适应度函数值,进而将初始适应度函数值最小的粒子的位置作为且
再次迭代,判断该次迭代是否结合遗传算法生成子代粒子;
若是,则结合遗传算法生成子代粒子;
若否,则根据所述算法公式、各个粒子的初始位置和初始速度,计算各个粒子的更新速度和更新位置,将具有更新速度和更新位置的各个粒子作为子代粒子;
将子代粒子的位置代入所述粒子群目标函数的未知参数,计算子代粒子当前的适应度函数值,进而根据子代粒子当前的适应度函数值更新和
以上述迭代策略,当迭代次数为T时,确定
将作为估计的所述粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
4.根据权利要求3所述的方法,其特征在于,所述结合遗传算法生成子代粒子的步骤进一步包括:
根据各个粒子的初始适应度函数值,确定各个粒子的被选概率,其中,各个粒子的被选概率之和为1;
基于各个粒子的被选概率,采用轮盘赌策略确定父辈粒子种群;
将父辈粒子种群中的每个父辈粒子携带的各个盲信号源的发射功率和位置转化为基因序列,其中,各个盲信号源的发射功率转化为一个基因节点,各个盲信号源的位置分别转化为一个基因节点;
将父辈粒子种群中的父辈粒子随机两两组合,基于基因节点以类遗传学的方式产生多个子代粒子;
从产生的多个子代粒子中选取L-1个子代粒子与初始适应度函数值最小的粒子组合生成L个子代粒子。
5.根据权利要求3所述的方法,其特征在于,c1随迭代次数线性递减,c2随迭代次数线性递增,ω随迭代次数线性递减,且取值范围为[0.4,0.9]。
6.根据权利要求3所述的方法,其特征在于,所述随机生成L个粒子中各个粒子的初始位置和初始速度的步骤进一步包括:
根据所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,计算所述多个盲信号源的发射功率之和的上限;
基于计算的所述多个盲信号源的发射功率之和的上限,随机生成L个粒子中各个粒子的初始位置和初始速度。
7.一种盲信号源功率位置联合估计系统,其特征在于,包括:由多个传感器节点组成的传感器网络以及服务器端;
所述多个传感器节点被布设于预定区域,用于接收所述预定区域内同频的多个盲信号源发射的信号,并对接收信号的功率进行测量,得到接收信号的实际测量功率值;
所述服务器端,用于获取各个传感器节点在所述预定区域的位置信息;根据指定的路径损耗模型、所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,构建用于估计各个盲信号源的发射功率和位置的粒子群目标函数;以及基于遗传算法和粒子群优化算法估计所述粒子群目标函数的最优解,作为各个盲信号源的发射功率和位置。
8.根据权利要求7所述的系统,其特征在于,还包括:前端;
所述前端,用于根据所述服务器端估计的各个盲信号源的发射功率和位置,显示各个盲信号源。
9.根据权利要求7或8所述的系统,其特征在于,所述指定的路径损耗模型为:
其中,d表示盲信号源和传感器节点之间的欧几里得距离,pr表示传感器节点的接收信号的理论测量功率值,PT表示盲信号源的发射功率,k是基于载波频率和天线结构选择的已知常数,α的取值范围是[2,6];
所述服务器端还用于:
设置所述多个盲信号源和所述多个传感器节点的数量分别为M和N,M和N均为大于1的整数;
设置第j个盲信号源的发射功率为PTj,位置的笛卡尔坐标为Xj、Yj,j取值从1至M;
设置第i个传感器节点的接收信号的实际测量功率值为pri,位置的笛卡尔坐标为xi、yi,i取值从1至N;
基于上述设置的已知参数和未知参数,构建的用于估计各个盲信号源的发射功率和位置的粒子群目标函数为:
其中,所述各个盲信号源的发射功率和位置对应所述粒子群目标函数的未知参数。
10.根据权利要求9所述的系统,其特征在于,所述粒子群优化算法的算法公式为:
其中,vl(t)表示迭代次数t时粒子l的速度,xl(t)表示迭代次数t时粒子l的位置,表示迭代次数t时粒子l所经历的最优位置,表示迭代次数t时粒子群体中粒子的最优位置,c1和c2表示粒子的加速常数,r1和r2是两个在[0,1]中均匀分布的随机数,ω为惯性权重;t取值从1到T,且T为大于1的整数;l取值从1到L,且L为大于1的整数;
所述服务器端还用于:
确定估计是最小值问题;
初始化,随机生成L个粒子中各个粒子的初始位置和初始速度,其中,各个粒子的初始位置对应所述粒子群目标函数的未知参数;
将各个粒子的初始位置代入所述粒子群目标函数的未知参数,计算各个粒子的初始适应度函数值,进而将初始适应度函数值最小的粒子的位置作为且
再次迭代,判断该次迭代是否结合遗传算法生成子代粒子;
若是,则结合遗传算法生成子代粒子;
若否,则根据所述算法公式、各个粒子的初始位置和初始速度,计算各个粒子的更新速度和更新位置,将具有更新速度和更新位置的各个粒子作为子代粒子;
将子代粒子的位置代入所述粒子群目标函数的未知参数,计算子代粒子当前的适应度函数值,进而根据子代粒子当前的适应度函数值更新和
以上述迭代策略,当迭代次数为T时,确定
将作为估计的所述粒子群目标函数的最优解,并作为各个盲信号源的发射功率和位置。
11.根据权利要求10所述的系统,其特征在于,所述服务器端还用于:
根据各个粒子的初始适应度函数值,确定各个粒子的被选概率,其中,各个粒子的被选概率之和为1;
基于各个粒子的被选概率,采用轮盘赌策略确定父辈粒子种群;
将父辈粒子种群中的每个父辈粒子携带的各个盲信号源的发射功率和位置转化为基因序列,其中,各个盲信号源的发射功率转化为一个基因节点,各个盲信号源的位置分别转化为一个基因节点;
将父辈粒子种群中的父辈粒子随机两两组合,基于基因节点以类遗传学的方式产生多个子代粒子;
从产生的多个子代粒子中选取L-1个子代粒子与初始适应度函数值最小的粒子组合生成L个子代粒子。
12.根据权利要求10所述的系统,其特征在于,所述服务器端还用于:
根据所述各个传感器节点的接收信号的实际测量功率值以及在所述预定区域的位置信息,计算所述多个盲信号源的发射功率之和的上限;
基于计算的所述多个盲信号源的发射功率之和的上限,随机生成L个粒子中各个粒子的初始位置和初始速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752082.3A CN109041093B (zh) | 2018-07-10 | 2018-07-10 | 一种盲信号源功率位置联合估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810752082.3A CN109041093B (zh) | 2018-07-10 | 2018-07-10 | 一种盲信号源功率位置联合估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109041093A true CN109041093A (zh) | 2018-12-18 |
CN109041093B CN109041093B (zh) | 2021-08-13 |
Family
ID=64640973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810752082.3A Active CN109041093B (zh) | 2018-07-10 | 2018-07-10 | 一种盲信号源功率位置联合估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109041093B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112050782A (zh) * | 2020-08-31 | 2020-12-08 | 浙江大学 | 一种基于功率的工业机械臂异常运动在线检测方法 |
CN114697165A (zh) * | 2022-03-09 | 2022-07-01 | 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) | 基于无人机视觉和无线信号融合的信号源检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835170A (zh) * | 2010-04-20 | 2010-09-15 | 南京邮电大学 | 基于智能演化的无线多媒体传感器网络覆盖增强方法 |
US8195591B1 (en) * | 2004-08-14 | 2012-06-05 | Hrl Laboratories, Llc | Cognitive signal processing system |
US8489526B2 (en) * | 2010-11-24 | 2013-07-16 | International Business Machines Corporation | Controlling quarantining and biasing in cataclysms for optimization simulations |
CN103905352A (zh) * | 2012-12-27 | 2014-07-02 | 中国人民解放军理工大学 | 基于变异粒子群粒子滤波的单通道扰信盲分离方法 |
CN105095666A (zh) * | 2015-08-17 | 2015-11-25 | 电子科技大学 | 一种针对远程虚拟桌面中混合信号的分离方法 |
WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
CN105960009A (zh) * | 2016-04-15 | 2016-09-21 | 东南大学 | 一种软件定义无线传感器网络中的定位方法 |
CN106126479A (zh) * | 2016-07-07 | 2016-11-16 | 重庆邮电大学 | 基于遗传变异优化的二阶振荡粒子群盲源分离方法 |
WO2017156487A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for human identification based on human radio biometric information |
-
2018
- 2018-07-10 CN CN201810752082.3A patent/CN109041093B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8195591B1 (en) * | 2004-08-14 | 2012-06-05 | Hrl Laboratories, Llc | Cognitive signal processing system |
CN101835170A (zh) * | 2010-04-20 | 2010-09-15 | 南京邮电大学 | 基于智能演化的无线多媒体传感器网络覆盖增强方法 |
US8489526B2 (en) * | 2010-11-24 | 2013-07-16 | International Business Machines Corporation | Controlling quarantining and biasing in cataclysms for optimization simulations |
CN103905352A (zh) * | 2012-12-27 | 2014-07-02 | 中国人民解放军理工大学 | 基于变异粒子群粒子滤波的单通道扰信盲分离方法 |
WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
CN105095666A (zh) * | 2015-08-17 | 2015-11-25 | 电子科技大学 | 一种针对远程虚拟桌面中混合信号的分离方法 |
WO2017156487A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for human identification based on human radio biometric information |
CN105960009A (zh) * | 2016-04-15 | 2016-09-21 | 东南大学 | 一种软件定义无线传感器网络中的定位方法 |
CN106126479A (zh) * | 2016-07-07 | 2016-11-16 | 重庆邮电大学 | 基于遗传变异优化的二阶振荡粒子群盲源分离方法 |
Non-Patent Citations (2)
Title |
---|
SHILPA: "concoction of UPFC for optimal reactive power diapatch using hybrid GAPSO approach for power loss minismisation", 《IEEE》 * |
陈永强: "基于PPSO-GRADS算法的盲信号分离", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112050782A (zh) * | 2020-08-31 | 2020-12-08 | 浙江大学 | 一种基于功率的工业机械臂异常运动在线检测方法 |
CN112050782B (zh) * | 2020-08-31 | 2021-11-30 | 浙江大学 | 一种基于功率的工业机械臂异常运动在线检测方法 |
CN114697165A (zh) * | 2022-03-09 | 2022-07-01 | 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) | 基于无人机视觉和无线信号融合的信号源检测方法 |
CN114697165B (zh) * | 2022-03-09 | 2023-12-22 | 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) | 基于无人机视觉和无线信号融合的信号源检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109041093B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajakumar et al. | GWO‐LPWSN: grey wolf optimization algorithm for node localization problem in wireless sensor networks | |
WO2018167500A1 (en) | Wifi multi-band fingerprint-based indoor positioning | |
Li et al. | Experiencing and handling the diversity in data density and environmental locality in an indoor positioning service | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN103402258B (zh) | 一种基于Wi‑Fi的室内定位系统和方法 | |
Cao et al. | Improved DV-hop localization algorithm based on dynamic anchor node set for wireless sensor networks | |
KR101556711B1 (ko) | 도달 시간 기초의 무선 위치결정 시스템 | |
CN103747419B (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 | |
CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
CN105554873B (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
CN105137390A (zh) | 一种基于可调发射功率ap的室内定位方法 | |
CN104093205A (zh) | 基于接收信号强度指示的无线定位系统锚节点部署方法 | |
CN113128121B (zh) | 基于强化学习与蒙特卡洛搜索树的mimo雷达布站方法 | |
CN109041093A (zh) | 一种盲信号源功率位置联合估计方法及系统 | |
CN103369670A (zh) | 一种基于跳数优选的改进DV-Hop定位方法 | |
CN106257849B (zh) | 基于多目标量子萤火虫搜索机制的频谱感知方法 | |
Rakavi et al. | Grid based mobile sensor node deployment for improving area coverage in Wireless Sensor Networks | |
CN106610486B (zh) | 一种节点定位的方法及设备 | |
KR102052519B1 (ko) | 저전력 블루투스 기반의 실내 측위 방법 및 장치 | |
Reza et al. | A novel integrated mathematical approach of ray-tracing and genetic algorithm for optimizing indoor wireless coverage | |
Pandian | Novel distance estimation based localization scheme for wireless sensor networks using modified swarm intelligence algorithm | |
Sadhukhan et al. | A novel weighted fusion based efficient clustering for improved wi-fi fingerprint indoor positioning | |
Zha et al. | An novel non-parametric algorithm for spectrum map construction | |
Urwan et al. | Position estimation in mixed indoor-outdoor environment using signals of opportunity and deep learning approach | |
Miao et al. | A new path planning strategy of a data collection problem utilising multi-mobile nodes in wireless sensor networks |
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 |