CN112698112A - 电磁频谱地图构建方法、装置、计算机设备和存储介质 - Google Patents
电磁频谱地图构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112698112A CN112698112A CN202110316663.4A CN202110316663A CN112698112A CN 112698112 A CN112698112 A CN 112698112A CN 202110316663 A CN202110316663 A CN 202110316663A CN 112698112 A CN112698112 A CN 112698112A
- Authority
- CN
- China
- Prior art keywords
- estimated
- point
- monitoring data
- path attenuation
- estimation 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本申请涉及一种电磁频谱地图构建方法、装置、计算机设备和存储介质。所述方法包括获取监测数据以及待估计点位置,使用趋势面拟合算法获得路径衰减分量估计;将监测数据与对应位置的路径衰减分量估计值作差,并对得到的残差监测数据进行位置聚类,将聚类结果采用克里金法在最优邻域内进行估计,得到阴影衰落分量估计;根据路径衰减分量和阴影衰落分量,得到估计结果。将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计,有效提升电磁频谱地图构建精度;通过监测数据聚类和最优邻域选取,在保证构建精度的条件下减小计算量,有效提升电磁频谱地图构建速度;本方法无需辐射源和传播模型等先验信息,具备很好的适应性。
Description
技术领域
本申请涉及电磁频谱监测技术领域,特别涉及一种电磁频谱地图构建方法、装置、计算机设备和存储介质。
背景技术
电磁频谱地图(Spectrum Map)也被称之为无线电环境地图(Radio EnvironmentMap)或无线电地图(Radio Map),可从时间、空间、频率和能量等多个维度对电磁环境进行定量描述,并结合地理信息系统进行可视化展示。电磁频谱地图为电磁空间认知与控制利用等诸多军民应用提供基础信息,其用途主要有四个方面,一是获取电磁频谱资源分布状况,支撑频谱资源精细化动态分配,实现电磁频谱资源高效利用;二是获取电磁辐射分布状况,为电磁污染监测与防治提供量化依据。三是获取电磁干扰行为规律,支撑黑广播、伪基站等违法行为查处,维护用频秩序;四是军事应用领域,电磁频谱地图可为电磁态势生成、装备部署运用、作战用频规划和用频冲突消解等应用提供辅助决策信息。因此,准确、快速构建电磁频谱地图具有十分重要的意义。
根据是否需要辐射源与传播模型等先验信息,电磁频谱地图构建方法通常分为直接构建法、间接构建法和混合构建法三类。直接构建法主要包括最近邻法、自然邻点法、反距离加权法、样条法、改进Shepard法和梯度距离平方反比法等确定性插值法和克里金法等地统计学变分插值法。间接构建法需利用辐射源和传播模型等先验信息,主要包括基于完备先验信息的正演法、基于发射机位置估计法、接收信号强度差分法和信噪比辅助法等。混合构建法将直接构建法和间接构建法相结合,包括基于图像处理的混合构建法、利用克里金法对传播模型构建结果进行修正的混合构建法和基于多中心幂函数拟合的混合构建法等。实际应用中,常由于存在非合作辐射源以及传播环境特性未知等原因,辐射源和传播模型相关的先验信息无法获得,从而使得依赖先验信息的间接构建法适用范围受限。与此同时,信息技术的普及使得各类用频设备可采集得到大量电磁环境监测数据,因此如何利用监测数据,在不依赖于先验信息条件下进行电磁频谱地图构建,成为当前电磁频谱地图构建研究的热点。其中,克里金法由于其结果为最佳线性无偏估计,具备构建精度高等优点,故而应用最为广泛。然而针对电磁频谱地图准确、快速构建的需求,克里金方法仍存在如下局限性:一是电磁频谱地图构建不满足克里金法所需的准二阶平稳假设和准内蕴假设前提条件,因而制约其构建精度;二是克里金法的计算复杂度随监测数据量的三次方增大,因而严重限制其构建速度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现电磁频谱地图准确快速构建的电磁频谱地图构建方法、装置、计算机设备和存储介质。
一种电磁频谱地图构建方法,所述方法包括:
获取电磁环境监测数据以及待估计点位置,所述电磁环境监测数据包括位置信息和对应位置的接收功率。
根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值。
将所述接收功率与对应位置的所述路径衰减分量估计值作差,得到残差监测数据。
对所述残差监测数据进行位置聚类,得到聚类结果。
对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值。
根据所述路径衰减分量估计值和所述阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
在其中一个实施例中,根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值,还包括:
将所述位置信息和对应位置所述接收功率作为训练样本。
构建广义回归神经网络,根据所述训练样本对所述广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型。
将所述待估计点位置输入到所述路径衰减分量估计模型中,得到待估计点位置的路径衰减分量估计值。
在其中一个实施例中,所述广义回归神经网络包括输入层、隐含层、加和层以及输出层。构建广义回归神经网络,根据所述训练样本对所述广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型,还包括:
构建广义回归神经网络。
将所述训练样本中的位置信息输入到所述输入层,经过线性函数激活,得到输入层神经元输出。
将所述输入层神经元输出输入到所述隐含层,经过高斯径向基函数激活,得到隐含层神经元输出。
将所述隐含层神经元输出输入到所述加和层的分母单元,得到隐含层神经元的输出的代数和;将所述隐含层神经元的输出输入到所述加和层的分子单元,得到隐含层神经元的输出的加权和。
将所述代数和及所述加权和均输入到所述输出层,得到路径衰减分量估计值。
根据所述训练样本中接收功率和所述路径衰减分量估计,得到残差值。
根据残差值对控制高斯径向基函数的平滑因子进行调整,继续进行训练,直至残差值达到预定值为止,得到待估计点位置的路径衰减分量估计模型。
在其中一个实施例中,对所述残差监测数据进行位置聚类,得到聚类结果,还包括:
对所述残差检测数据进行近邻传播聚类,得到聚类结果。
将所述聚类结果按照与待估计点位置的距离由近至远的原则进行标记,得到多个簇。
在其中一个实施例中,待估计点位置处阴影衰落分量估计值是与待估计点位置距离最近的b个所述簇内的残差监测数据的加权和,其中权重系数是根据克里金方程组计算得到的;待估计点位置处阴影衰落分量估计值的估计精度为克里金方差。对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值,还包括:
设置参与估计的簇的数量b,b为大于等于1小于等于所述簇的数量的整数。
当首次估计时,参与估计的簇的数量b=1;根据与待估计点位置距离最近的1个所述簇内的残差监测数据进行估计,得到添加新簇之前待估计点位置处阴影衰落分量的估计值和克里金方差。
根据与待估计点位置距离最近的b+1个所述簇内的残差监测数据,得到添加新簇之后的待估计点位置处阴影衰落分量的估计值和克里金方差。
根据添加新簇之前的克里金方差以及添加新簇之后的克里金方差,得到增添新簇前后克里金方差的相对变化率。
当相对变化率满足预设条件时,则添加新簇之前待估计点位置处阴影衰落分量的估计值更新为添加新簇之后待估计点位置处阴影衰落分量的估计值,添加新簇之前的克里金方差更新为添加新簇之后的克里金方差;参与估计的簇的数量b增加1。
当相对变化率不满足预设条件时,迭代结束,当前阴影衰落分量的估计值为待估计点位置处的阴影衰落分量估计值。
在其中一个实施例中,根据所述路径衰减分量估计值以及所述阴影衰落分量估计值,得到待估计点位置处的接收功率,还包括:
将所述路径衰减分量估计值以及所述阴影衰落分量估计值求和,得到待估计点位置处的接收功率。
一种电磁频谱地图构建装置,所述装置包括:
电磁环境监测数据获取模块:用于获取电磁环境监测数据以及待估计点位置,所述电磁环境监测数据包括位置信息和对应位置的接收功率。
路径衰减分量估计值确定模块:用于根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值。
残差监测数据位置聚类模块:用于将所述接收功率与路径衰减分量估计值作差,得到残差监测数据;对所述残差监测数据进行位置聚类,得到聚类结果。
阴影衰落分量估计值确定模块:用于对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值。
估计结果确定模块:用于根据所述路径衰减分量估计值和所述阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电磁环境监测数据以及待估计点位置,所述电磁环境监测数据包括位置信息和对应位置的接收功率。
根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值。
将所述接收功率与对应位置的所述路径衰减分量估计值作差,得到残差监测数据。
对所述残差监测数据进行位置聚类,得到聚类结果。
对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值。
根据所述路径衰减分量估计值和所述阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电磁环境监测数据以及待估计点位置,所述电磁环境监测数据包括位置信息和对应位置的接收功率。
根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值。
将所述接收功率与对应位置的所述路径衰减分量估计值作差,得到残差监测数据。
对所述残差监测数据进行位置聚类,得到聚类结果。
对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值。
根据所述路径衰减分量估计值和所述阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
上述电磁频谱地图构建方法、装置、计算机设备和存储介质,所述方法中首先使用趋势面拟合算法获得路径衰减分量估计,将监测数据与对应位置的路径衰减分量估计值作差,得到残差监测数据;对残差监测数据进行位置聚类,并对得到的聚类结果采用克里金法在最优邻域内进行估计,得到阴影衰落分量估计;根据路径衰减分量和阴影衰落分量,得到待估计点位置处的估计结果。将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计,能有效提升电磁频谱地图构建精度;通过对残差监测数据进行位置聚类,并根据聚类结果采用克里金法在最优邻域内进行阴影衰落分量的估计,可在保证构建精度的条件下减小计算数据量,能有效提升电磁频谱地图构建速度;本方法无需辐射源和传播模型等先验信息,具备很好的适应性。
附图说明
图1为一个实施例中电磁频谱地图构建方法的流程示意图;
图2为其中一个实施例中电磁频谱地图构建方法的流程示意图;
图3为其中一个实施例中路径衰减分量估计流程示意图;
图4为一个实施例中不同监测数据量条件下的均方误差对比图;
图5为一个实施例中不同监测数据量条件下构建时间对比图
图6为一个实施例中电磁频谱地图构建装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1-2所示,提供了一种电磁频谱地图构建方法,包括以下步骤:
步骤100,获取电磁环境监测数据以及待估计点位置,电磁环境监测数据包括位置信息和对应位置的接收功率。
步骤102,根据电磁环境监测数据、待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值。
根据电磁环境监测数据、待估计点位置,趋势面拟合算法进行估计,得到待估计点位置的路径衰减分量估计值。趋势面拟合算法可以采用广义神经网络算法或样条法等。
步骤104,将接收功率与对应位置的路径衰减分量估计值作差,得到残差监测数据。
步骤106,对残差监测数据进行位置聚类,得到聚类结果。
对残差监测数据进行位置聚类的方法可以是近邻传播聚类算法,也可以是其他无监督聚类算法。
聚类结果包括与待估计点位置距离由近至远的原则进行标记的多个簇。
步骤108,对聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值。
对聚类结果采用克里金法进行待估计点位置的阴影衰落分量估计,利用克里金方差设计最优邻域选取标准,迭代确定最优邻域内的监测数据参与估计,得到阴影衰落分量估计值。
步骤110,根据路径衰减分量估计值和阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
上述电磁频谱地图构建方法中,所述方法首先获取电磁环境监测数据以及待估计点位置,使用趋势面拟合算法获得路径衰减分量估计;将监测数据与对应位置的路径衰减分量估计值作差,得到残差监测数据;对残差监测数据进行位置聚类,并对得到的聚类结果采用克里金法在最优邻域内进行估计,得到阴影衰落分量估计;根据路径衰减分量和阴影衰落分量,得到待估计点位置处的估计结果。将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计,能有效提升电磁频谱地图构建精度;通过对残差监测数据进行位置聚类,并根据聚类结果采用克里金法在最优邻域内进行阴影衰落分量的估计,可在保证构建精度的条件下减小计算数据量,能有效提升电磁频谱地图构建速度;本方法无需辐射源和传播模型等先验信息,具备很好的适应性。
在其中一个实施例中,步骤102还包括:将位置信息和对应位置的接收功率作为训练样本;构建广义回归神经网络,根据训练样本对广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型;将待估计点位置输入到路径衰减分量估计模型中,得到待估计点位置的路径衰减分量估计值。
在其中一个实施例中,广义回归神经网络包括输入层、隐含层、加和层以及输出层。步骤102还包括:构建广义回归神经网络;将训练样本中的位置信息输入到输入层,经过线性函数激活,得到输入层神经元输出;将输入层神经元输出输入到隐含层,经过高斯径向基函数激活,得到隐含层神经元输出;将隐含层神经元输出输入到加和层的分母单元,得到隐含层神经元的输出的代数和;将隐含层神经元的输出输入到加和层的分子单元,得到隐含层神经元的输出的加权和;将代数和及加权和均输入到输出层,得到路径衰减分量估计值;根据训练样本中接收功率和路径衰减分量估计,得到残差值;根据残差值对控制高斯径向基函数的平滑因子进行调整,继续进行训练,直至残差值达到预定值为止,得到待估计点位置的路径衰减分量估计模型。
在其中一个实施例中,在趋势面拟合中采用广义回归神经网络(GeneralRegression Neural Network,简称:GRNN)进行路径衰减分量估计,广义回归神经网络(包含输入层、隐含层、加和层以及输出层四层,路径衰减分量估计流程如图2所示。
加和层则包含两种神经元:第一种为计算隐含层各神经元的代数和,即分母单元;第二种为计算隐含层神经元的加权和,权值为各训练样本的期望输出值,即分子单元。输出层将加和层的分子单元、分母单元的输出相除,作为待估计点位置的路径衰减分量估计值,待估计点位置的路径衰减分量估计值的计算公式为:
在其中一个实施例中,步骤106还包括:对残差检测数据进行近邻传播聚类,得到聚类结果;将聚类结果按照与待估计点位置的距离由近至远的原则进行标记,得到多个簇。
在其中一个实施例中,根据式(1)和式(2)获得路径衰减分量估计后,将监测数据与对应位置的路径衰减分量估计值作差得到残差监测数据,然后进行阴影衰落分量估计。
残差监测数据聚类采用近邻传播(Affinity Propagation,AP)聚类对监测数据位置进行聚类。
在其中一个实施例中,待估计点位置处阴影衰落分量估计值是与待估计点位置距离最近的b个簇内的残差监测数据的加权和,其中权重系数是根据克里金方程组计算得到的;待估计点位置处阴影衰落分量估计值的估计精度为克里金方差。步骤108还包括:设置参与估计的簇的数量b,b为大于等于1小于等于簇的数量的整数;当首次估计时,参与估计的簇的数量b=1;根据与待估计点位置距离最近的1个簇内的残差监测数据进行估计,得到添加新簇之前待估计点位置处阴影衰落分量的估计值和克里金方差;根据与待估计点位置距离最近的b+1个簇内的残差监测数据,得到添加新簇之后的待估计点位置处阴影衰落分量的估计值和克里金方差;根据添加新簇之前的克里金方差以及添加新簇之后的克里金方差,得到增添新簇前后克里金方差的相对变化率;当相对变化率满足预设条件时,则添加新簇之前待估计点位置处阴影衰落分量的估计值更新为添加新簇之后待估计点位置处阴影衰落分量的估计值,添加新簇之前的克里金方差更新为添加新簇之后的克里金方差;参与估计的簇的数量b增加1;当相对变化率不满足预设条件时,迭代结束,当前阴影衰落分量的估计值为待估计点位置处的阴影衰落分量估计值。
在其中一个实施例中,采用克里金法在最优邻域内对待估计点位置的阴影衰落分量估计进行估计。
第二步:最优邻域选取。选取待估计点位置最优邻域内的残差监测数据参与待估计点位置处的阴影衰落分量,可在保证估计精度的前提下显著降低计算复杂度。为量化新增数据对估计结果的贡献,使用增添数据前后克里金方差的相对变化作为最优邻域选取准则:
在其中一个实施例中,步骤110还包括:将路径衰减分量估计值以及阴影衰落分量估计值求和,得到待估计点位置处的接收功率。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个验证性实施例中,考虑到电磁态势生成等电磁频谱地图具体应用中,构建精度和构建速度是电磁频谱地图构建的关键,因此选取均方误差(Mean-SquareError, MSE)和构建时间作为评价指标,以应用最为广泛的普通克里金法(OrdinaryKriging,OK)作为参考方法,使用实地采集的监测数据,通过十折交叉验证方式,与本发明方法进行性能对比分析。
图4给出了不同监测数据量条件下本文方法与OK方法的均方误差。可以看出:(1)两种方法的MSE都随着数据量的增大而减小。表明获取的监测数据越多,电磁频谱地图构建精度越高。(2)在相同的数据量条件下本文方法的MSE均小于OK方法的,且两者之间的差值随着数据量的增大而逐渐增大。表明使用相同数量的监测数据构建电磁频谱地图,本文方法能获得较OK方法更高的构建精度,且随着监测数据的增多,本文方法在构建精度方面的优势更显著。原因在于路径衰减分量的存在,监测数据并不满足克里金法应用前提,相较于直接对监测数据应用克里金法的OK方法,本文方法仅对去除路径衰减分量影响的残差监测数据使用克里金法,因而实现了构建精度的提升。此外,随着监测数据的增多,趋势面拟合效果越好,因而利用残差监测数据通过克里金法估计阴影衰落的效果也就越好,因此相较于OK方法,本文方法构建精度的提升更明显。上述结果说明,将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计,分别使用趋势面拟合法和克里金法求解,可提升构建精度。
图5给出了不同监测数据量条件下本文方法与OK方法的时间成本。可以看出:(1)两种方法的时间成本均随着数据量的增大而增大。表明参与计算的监测数据越多,电磁频谱地图构建速度越慢。(2)在相同的数据量条件下本文方法的时间成本均小于OK方法的,且两者之间的差值随着数据量的增大而逐渐增大。表明使用相同数量的监测数据构建电磁频谱地图,本文方法能获得较OK方法更优的构建速度,且随着监测数据的增多,本文方法在构建速度方面的优势更显著。这是因为与OK方法使用所有监测数据不同,本文方法从监测数据的空间相关性出发,通过监测数据聚类和最优邻域选取,大大减少了参与计算的监测数据,因而获得构建速度的提升,且随着监测数据量的增大,构建速度方面的提升更明显。上述结果说明,通过监测数据聚类和最优邻域选取可在保证构建精度的条件下提升构建速度,且式(9)所示最优邻域选取标准是合理有效的。
在一个实施例中,如图6所示,一种电磁频谱地图构建装置,包括:电磁环境监测数据获取模块、路径衰减分量估计值确定模块、残差监测数据位置聚类模块、阴影衰落分量估计值确定模块以及估计结果确定模块,其中:
电磁环境监测数据获取模块:用于获取电磁环境监测数据以及待估计点位置,电磁环境监测数据包括位置信息和位置信息对应的接收功率。
路径衰减分量估计值确定模块:用于根据电磁环境监测数据、待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值。
残差监测数据位置聚类模块:用于将接收功率与路径衰减分量估计值作差,得到残差监测数据;对残差监测数据进行位置聚类,得到聚类结果。
阴影衰落分量估计值确定模块:用于对聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值。
估计结果确定模块:用于根据路径衰减分量估计值和阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
在其中一个实施例中,路径衰减分量估计值确定模块,还用于将位置信息和接收功率作为训练样本;构建广义回归神经网络,根据训练样本对广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型;将待估计点位置输入到路径衰减分量估计模型中,得到待估计点位置的路径衰减分量估计值。
在其中一个实施例中,广义回归神经网络包括输入层、隐含层、加和层以及输出层。路径衰减分量估计值确定模块,还用于构建广义回归神经网络;将训练样本中的位置信息输入到输入层,经过线性函数激活,得到输入层神经元输出;将输入层神经元输出输入到隐含层,经过高斯径向基函数激活,得到隐含层神经元输出;将隐含层神经元输出输入到加和层的分母单元,得到隐含层神经元的输出的代数和;将隐含层神经元的输出输入到加和层的分子单元,得到隐含层神经元的输出的加权和;将代数和及加权和均输入到输出层,得到路径衰减分量估计值;根据训练样本中接收功率和路径衰减分量估计,得到残差值;根据残差值对控制高斯径向基函数的平滑因子进行调整,继续进行训练,直至残差值达到预定值为止,得到待估计点位置的路径衰减分量估计模型。
在其中一个实施例中,残差监测数据位置聚类模块,还用于对残差检测数据进行近邻传播聚类,得到聚类结果;将聚类结果按照与待估计点位置的距离由近至远的原则进行标记,得到多个簇。
在其中一个实施例中,待估计点位置处阴影衰落分量估计值是与待估计点位置距离最近的b个簇内的残差监测数据的加权和,其中权重系数是根据克里金方程组计算得到的;待估计点位置处阴影衰落分量估计值的估计精度为克里金方差。阴影衰落分量估计值确定模块,还用于设置参与估计的簇的数量b,b为大于等于1小于等于簇的数量的整数;当首次估计时,参与估计的簇的数量b=1;根据与待估计点位置距离最近的1个簇内的残差监测数据进行估计,得到添加新簇之前待估计点位置处阴影衰落分量的估计值和克里金方差;根据与待估计点位置距离最近的b+1个簇内的残差监测数据,得到添加新簇之后的待估计点位置处阴影衰落分量的估计值和克里金方差;根据添加新簇之前的克里金方差以及添加新簇之后的克里金方差,得到增添新簇前后克里金方差的相对变化率;当相对变化率不满足预设条件时,则添加新簇之前待估计点位置处阴影衰落分量的估计值更新为添加新簇之后待估计点位置处阴影衰落分量的估计值,添加新簇之前的克里金方差更新为添加新簇之后的克里金方差;参与估计的簇的数量b增加1;当相对变化率满足预设条件时,迭代结束,当前阴影衰落分量的估计值为待估计点位置处的阴影衰落分量估计值。
在其中一个实施例中,估计结果确定模块,还用于将路径衰减分量估计值以及阴影衰落分量估计值求和,得到待估计点位置处的接收功率。
关于电磁频谱地图构建装置的具体限定可以参见上文中对于电磁频谱地图构建方法的限定,在此不再赘述。上述电磁频谱地图构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电磁频谱地图构建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现实现上述实施例中方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电磁频谱地图构建方法,其特征在于,所述方法包括:
获取电磁环境监测数据以及待估计点位置,所述电磁环境监测数据包括位置信息和对应位置的接收功率;
根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值;
将所述接收功率与对应位置的所述路径衰减分量估计值作差,得到残差监测数据;
对所述残差监测数据进行位置聚类,得到聚类结果;
对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值;
根据所述路径衰减分量估计值和所述阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
2.根据权利要求1所述的方法,其特征在于,根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值,包括:
将所述位置信息和对应位置所述接收功率作为训练样本;
构建广义回归神经网络,根据所述训练样本对所述广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型;
将所述待估计点位置输入到所述路径衰减分量估计模型中,得到待估计点位置的路径衰减分量估计值。
3.根据权利要求2所述的方法,其特征在于,所述广义回归神经网络包括输入层、隐含层、加和层以及输出层;
构建广义回归神经网络,根据所述训练样本对所述广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型,包括:
构建广义回归神经网络;
将所述训练样本中的位置信息输入到所述输入层,经过线性函数激活,得到输入层神经元输出;
将所述输入层神经元输出输入到所述隐含层,经过高斯径向基函数激活,得到隐含层神经元输出;
将所述隐含层神经元输出输入到所述加和层的分母单元,得到隐含层神经元的输出的代数和;将所述隐含层神经元的输出输入到所述加和层的分子单元,得到隐含层神经元的输出的加权和;
将所述代数和及所述加权和均输入到所述输出层,得到路径衰减分量估计值;
根据所述训练样本中接收功率和所述路径衰减分量估计,得到残差值;
根据残差值对控制高斯径向基函数的平滑因子进行调整,继续进行训练,直至残差值达到预定值为止,得到待估计点位置的路径衰减分量估计模型。
4.根据权利要求1所述的方法,其特征在于,对所述残差监测数据进行位置聚类,得到聚类结果,包括:
对所述残差检测数据进行近邻传播聚类,得到聚类结果;
将所述聚类结果按照与待估计点位置的距离由近至远的原则进行标记,得到多个簇。
5.根据权利要求4所述的方法,其特征在于,待估计点位置处阴影衰落分量估计值是与待估计点位置距离最近的b个所述簇内的残差监测数据的加权和,其中权重系数是根据克里金方程组计算得到的;待估计点位置处阴影衰落分量估计值的估计精度为克里金方差;
对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值,包括:
设置参与估计的簇的数量b,b为大于等于1小于等于所述簇的数量的整数;
当首次估计时,参与估计的簇的数量b=1;根据与待估计点位置距离最近的1个所述簇内的残差监测数据进行估计,得到添加新簇之前待估计点位置处阴影衰落分量的估计值和克里金方差;
根据与待估计点位置距离最近的b+1个所述簇内的残差监测数据,得到添加新簇之后的待估计点位置处阴影衰落分量的估计值和克里金方差;
根据添加新簇之前的克里金方差以及添加新簇之后的克里金方差,得到增添新簇前后克里金方差的相对变化率;
当相对变化率满足预设条件时,则添加新簇之前待估计点位置处阴影衰落分量的估计值更新为添加新簇之后待估计点位置处阴影衰落分量的估计值,添加新簇之前的克里金方差更新为添加新簇之后的克里金方差;参与估计的簇的数量b增加1;
当相对变化率不满足预设条件时,迭代结束,当前阴影衰落分量的估计值为待估计点位置处的阴影衰落分量估计值。
6.根据权利要求1所述的方法,其特征在于,根据所述路径衰减分量估计值以及所述阴影衰落分量估计值,得到待估计点位置处的接收功率,包括:
将所述路径衰减分量估计值以及所述阴影衰落分量估计值求和,得到待估计点位置处的接收功率。
7.一种电磁频谱地图构建装置,其特征在于,所述装置包括:
电磁环境监测数据获取模块:用于获取电磁环境监测数据以及待估计点位置,所述电磁环境监测数据包括位置信息和对应位置的接收功率;
路径衰减分量估计值确定模块:用于根据所述电磁环境监测数据、所述待估计点位置以及趋势面拟合算法,得到待估计点位置的路径衰减分量估计值;
残差监测数据位置聚类模块:用于将所述接收功率与路径衰减分量估计值作差,得到残差监测数据;对所述残差监测数据进行位置聚类,得到聚类结果;
阴影衰落分量估计值确定模块:用于对所述聚类结果采用克里金法在最优邻域内进行估计,得到待估计点位置的阴影衰落分量估计值;
估计结果确定模块:用于根据所述路径衰减分量估计值和所述阴影衰落分量估计值,得到待估计点位置的接收功率估计值。
8.根据权利要求7所述的装置,其特征在于,路径衰减分量估计值确定模块,还用于:
将所述位置信息和对应位置所述接收功率作为训练样本;
构建广义回归神经网络,根据所述训练样本对所述广义回归神经网络进行训练,得到待估计点位置的路径衰减分量估计模型;
将所述待估计点位置输入到所述路径衰减分量估计模型中,得到待估计点位置的路径衰减分量估计值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316663.4A CN112698112B (zh) | 2021-03-23 | 2021-03-23 | 电磁频谱地图构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316663.4A CN112698112B (zh) | 2021-03-23 | 2021-03-23 | 电磁频谱地图构建方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112698112A true CN112698112A (zh) | 2021-04-23 |
CN112698112B CN112698112B (zh) | 2021-06-01 |
Family
ID=75515711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316663.4A Active CN112698112B (zh) | 2021-03-23 | 2021-03-23 | 电磁频谱地图构建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698112B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191024A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划建模方法、装置和计算机设备 |
CN114675088A (zh) * | 2022-05-27 | 2022-06-28 | 浙江大学 | 一种无监督学习的辐射源快速近场扫描方法 |
CN114900234A (zh) * | 2022-07-14 | 2022-08-12 | 四川太赫兹通信有限公司 | 一种太赫兹频谱环境地图构建方法及设备 |
CN115508624A (zh) * | 2022-11-23 | 2022-12-23 | 中国人民解放军国防科技大学 | 基于残差克里金法的电磁频谱地图构建方法、装置和设备 |
CN117949539A (zh) * | 2024-03-26 | 2024-04-30 | 天津风霖物联网科技有限公司 | 一种工程建筑强度检测系统及其检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998049787A1 (en) * | 1997-04-29 | 1998-11-05 | Globalstar L.P. | A system for generating and using global radio frequency maps |
US20030040318A1 (en) * | 2001-08-10 | 2003-02-27 | Imad Fattouch | Method for establishing a radio coverage map |
JP2003298535A (ja) * | 2002-03-29 | 2003-10-17 | Ntt Comware Corp | 電波測定ルート算出装置及び方法ならびにプログラム |
CN103258001A (zh) * | 2013-04-01 | 2013-08-21 | 哈尔滨工业大学 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
CN103533647A (zh) * | 2013-10-24 | 2014-01-22 | 福建师范大学 | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 |
CN105143909A (zh) * | 2012-06-26 | 2015-12-09 | 多伦多大学理事会 | 用于无线电地图的动态生成的系统、方法和计算机程序 |
CN110346654A (zh) * | 2019-07-19 | 2019-10-18 | 中国人民解放军国防科技大学 | 基于普通克里金插值的电磁频谱地图构建方法 |
CN110418285A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种无线电地图的建立方法及装置 |
CN112084274A (zh) * | 2020-08-24 | 2020-12-15 | 浙江云合数据科技有限责任公司 | 一种基于数据的时空频谱地图构建和预测方法 |
-
2021
- 2021-03-23 CN CN202110316663.4A patent/CN112698112B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998049787A1 (en) * | 1997-04-29 | 1998-11-05 | Globalstar L.P. | A system for generating and using global radio frequency maps |
US20030040318A1 (en) * | 2001-08-10 | 2003-02-27 | Imad Fattouch | Method for establishing a radio coverage map |
JP2003298535A (ja) * | 2002-03-29 | 2003-10-17 | Ntt Comware Corp | 電波測定ルート算出装置及び方法ならびにプログラム |
CN105143909A (zh) * | 2012-06-26 | 2015-12-09 | 多伦多大学理事会 | 用于无线电地图的动态生成的系统、方法和计算机程序 |
CN103258001A (zh) * | 2013-04-01 | 2013-08-21 | 哈尔滨工业大学 | 一种基于局部线性嵌入算法的射频地图无监督分类方法 |
CN103533647A (zh) * | 2013-10-24 | 2014-01-22 | 福建师范大学 | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 |
CN110418285A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种无线电地图的建立方法及装置 |
CN110346654A (zh) * | 2019-07-19 | 2019-10-18 | 中国人民解放军国防科技大学 | 基于普通克里金插值的电磁频谱地图构建方法 |
CN112084274A (zh) * | 2020-08-24 | 2020-12-15 | 浙江云合数据科技有限责任公司 | 一种基于数据的时空频谱地图构建和预测方法 |
Non-Patent Citations (1)
Title |
---|
夏海洋 等: "电磁频谱地图构建方法研究综述及展望", 《电波科学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191024A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划建模方法、装置和计算机设备 |
CN113191024B (zh) * | 2021-05-28 | 2022-06-21 | 中国人民解放军国防科技大学 | 基于多目标优化的用频规划建模方法、装置和计算机设备 |
CN114675088A (zh) * | 2022-05-27 | 2022-06-28 | 浙江大学 | 一种无监督学习的辐射源快速近场扫描方法 |
CN114675088B (zh) * | 2022-05-27 | 2022-08-23 | 浙江大学 | 一种无监督学习的辐射源快速近场扫描方法 |
CN114900234A (zh) * | 2022-07-14 | 2022-08-12 | 四川太赫兹通信有限公司 | 一种太赫兹频谱环境地图构建方法及设备 |
CN114900234B (zh) * | 2022-07-14 | 2022-10-21 | 四川太赫兹通信有限公司 | 一种太赫兹频谱环境地图构建方法及设备 |
CN115508624A (zh) * | 2022-11-23 | 2022-12-23 | 中国人民解放军国防科技大学 | 基于残差克里金法的电磁频谱地图构建方法、装置和设备 |
CN117949539A (zh) * | 2024-03-26 | 2024-04-30 | 天津风霖物联网科技有限公司 | 一种工程建筑强度检测系统及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112698112B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112698112B (zh) | 电磁频谱地图构建方法、装置、计算机设备和存储介质 | |
Yan et al. | Target capacity based resource optimization for multiple target tracking in radar network | |
Salvati et al. | Small area estimation via M-quantile geographically weighted regression | |
Li et al. | A new multiple extended target tracking algorithm using PHD filter | |
Buckwar et al. | Spectral density-based and measure-preserving ABC for partially observed diffusion processes. An illustration on Hamiltonian SDEs | |
Li et al. | Efficient dimension reduction and surrogate-based sensitivity analysis for expensive models with high-dimensional outputs | |
Chandra et al. | Small area prediction of counts under a non-stationary spatial model | |
Wang et al. | The stepwise accuracy-improvement strategy based on the Kriging model for structural reliability analysis | |
CN113987691B (zh) | 激波失稳的高精度混合计算方法、装置、设备和存储介质 | |
Gu et al. | Generalized probabilistic principal component analysis of correlated data | |
CN110445567B (zh) | 一种电磁频谱地图的构建方法 | |
Burnaev et al. | Surrogate modeling of multifidelity data for large samples | |
CN110990135A (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
Attia et al. | A Hybrid Monte‐Carlo sampling smoother for four‐dimensional data assimilation | |
Kulikova et al. | NIRK-based accurate continuous–discrete extended Kalman filters for estimating continuous-time stochastic target tracking models | |
Brastein et al. | Analysing uncertainty in parameter estimation and prediction for grey-box building thermal behaviour models | |
CN116822214A (zh) | 一种基于异方差高斯过程回归的多可信度数据融合方法 | |
Schrader et al. | Choosing the best kernel: Performance models for diffusion operators in particle methods | |
Drignei et al. | A variable-size local domain approach for increased design confidence in simulation-based optimization | |
CN113723006B (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 | |
Wang et al. | Synthetic aperture radar image segmentation using fuzzy label field‐based triplet Markov fields model | |
Chen et al. | Neural network for WGDOP approximation and mobile location | |
Gupta et al. | Model-free forecasting of partially observable spatiotemporally chaotic systems | |
Gouda et al. | A self-adaptive differential evolution using a new adaption based operator for software cost estimation | |
CN115508624B (zh) | 基于残差克里金法的电磁频谱地图构建方法、装置和设备 |
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 |