CN113923776A - 一种屏蔽目标位置确认及无人机自适应干扰系统和方法 - Google Patents

一种屏蔽目标位置确认及无人机自适应干扰系统和方法 Download PDF

Info

Publication number
CN113923776A
CN113923776A CN202111518543.9A CN202111518543A CN113923776A CN 113923776 A CN113923776 A CN 113923776A CN 202111518543 A CN202111518543 A CN 202111518543A CN 113923776 A CN113923776 A CN 113923776A
Authority
CN
China
Prior art keywords
data
signal
unmanned aerial
aerial vehicle
path loss
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
Application number
CN202111518543.9A
Other languages
English (en)
Other versions
CN113923776B (zh
Inventor
罗远哲
刘瑞景
张艺腾
申慈恩
丁京
郭政廷
李雪茹
靳晓栋
李亚霜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Original Assignee
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing China Super Industry Information Security Technology Ltd By Share Ltd filed Critical Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Priority to CN202111518543.9A priority Critical patent/CN113923776B/zh
Publication of CN113923776A publication Critical patent/CN113923776A/zh
Application granted granted Critical
Publication of CN113923776B publication Critical patent/CN113923776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • 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
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/60—Jamming involving special techniques
    • H04K3/68—Jamming involving special techniques using passive jamming, e.g. by shielding or reflection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及的屏蔽目标位置确认及无人机自适应干扰系统及方法，将当前信号强度数据和指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度，基于样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息，采用粒子群算法基于路径损耗模型和屏蔽目标的位置确定最小的路径损耗所对应的GPS位置坐标，基于最小的路径损耗和屏蔽区域通信的信号强度设定无人机发射的信号强度，可以对不同建筑的不同区域自适应调整干扰信号强度以进行有效的干扰屏蔽，同时对建筑内的其他区域不产生影响，具有灵活性高、及时性强与成本低等优点。

Description

一种屏蔽目标位置确认及无人机自适应干扰系统和方法
技术领域
本发明涉及无人机通信技术领域，特别是涉及一种屏蔽目标位置确认及无人机自适应干扰系统和方法。
背景技术
伴随着科技进步和无人机技术的不断成熟，无人机越飞越远、越飞越高。与此同时无人机的应用场景也变得越来越多，包括：电力巡检工作、农业保险工作、环保工作、影视剧拍摄工作、确权问题工作、街景工作、快递工作、灾后救援工作、遥感测绘工作等等，无人机以其灵活性的优势在这些领域取得了很好的效果。而在信号干扰屏蔽领域，利用无人机对建筑内的某特定区域干扰屏蔽具有灵活、及时与低成本的优势。利用无人机屏蔽建筑内的某特定区域主要是指通过无人机在建筑物外发射干扰信号，进而屏蔽建筑内的某特定区域的设备间相互通信的过程。若想屏蔽建筑内某区域内的设备间的通信，这就要求无人机发射的信号在穿过建筑物到达屏蔽区域后，其信号强度大于等于该屏蔽区域的通信信号的强度的大小。另外，要想对建筑内的其他区域的通信不产生影响，这就要求无人机发射的信号强度不能过高。由于实际应用中建筑物以及建筑物内的屏蔽区域是不固定的，这意味着需要解决两个问题：一是屏蔽目标的位置的确认，二是无人机发射的信号强度的设定。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种屏蔽目标位置确认及无人机自适应干扰系统和方法。
为实现上述目的，本发明提供了如下方案：
一种屏蔽目标位置确认及无人机自适应干扰系统，包括：
数据采集模块，用于生成指纹数据和样本数据，并用于采集当前信号强度数据；所述指纹数据包括：预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据；所述样本数据包括：无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据；预设发射信号由手持移动设备发出；
屏蔽目标位置确认模块，与所述数据采集模块连接，用于将所述当前信号强度数据和所述指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度；
无人机发射信号强度设定模块，与所述数据采集模块和所述屏蔽目标位置确认模块连接，用于基于所述样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息，并用于采用粒子群算法基于所述路径损耗模型和所述屏蔽目标的位置确定最小的路径损耗所对应的GPS位置坐标，还用于当所述无人机位于所述最小的路径损耗所对应的GPS位置坐标时，基于最小的路径损耗和所述屏蔽区域通信的信号强度设定无人机发射的信号强度。
优选地，所述数据采集模块包括：
离线采集单元，用于生成所述指纹数据和所述样本数据；
在线采集单元，用于采集所述当前信号强度数据。
优选地，所述离线采集单元包括：
定位离线采集子单元，用于预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据，并用于基于预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据形成指纹样本，还用于采用所述指纹样本构建指纹数据库；
强度设定离线采集子单元，用于采集无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据，并用于基于无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据生成样本数据。
优选地，所述屏蔽目标位置确认模块包括：
欧式距离确定单元，用于确定所述指纹数据与所述当前信号强度数据间的欧式距离；
数据选择单元，与所述欧式距离确定单元连接，用于基于所述欧式距离对所述指纹数据进行升序排列，得到数据序列，并用于从所述数据序列中选择前k个指纹数据；
屏蔽目标的位置确定单元，用于将所述前k个指纹数据中的GPS位置坐标数据的平均值作为所述屏蔽目标的位置；
屏蔽信号强度确定单元，用于将所述前k个指纹数据中的预设发射信号的强度数据的平均值作为所述屏蔽区域通信的信号强度。
优选地，所述无人机发射信号强度设定模块包括：
目标函数构建单元，用于根据在n个节点位置处接收到的信号强度与信号穿过建筑物的路径损耗模型构建目标函数；
参数信息确定单元，用于利用数值优化算法通过对所述目标函数最小化确定所述路径损耗模型中的参数信息。
优选地，所述目标函数为节点处接收到的信号强度与基于路径损耗模型计算得到的拟合数据的残差的平方和函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的屏蔽目标位置确认及无人机自适应干扰系统，通过采用数据采集模块、屏蔽目标位置确认模块和无人机发射信号强度设定模块，可以实现对不同建筑的不同区域自适应的调整干扰信号强度，从而对其进行有效的干扰屏蔽，同时对建筑内的其他区域不产生影响，具有灵活性高、及时性强与成本低等优点。
对应于上述提供的屏蔽目标位置确认及无人机自适应干扰系统，本发明还提供了一种屏蔽目标位置确认及无人机自适应干扰方法，该方法包括：
生成指纹数据和样本数据，并采集当前信号强度数据；所述指纹数据包括：预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据；所述样本数据包括：无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据；预设发射信号由手持移动设备发出；
将所述当前信号强度数据和所述指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度；
基于所述样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息；
采用粒子群算法基于所述路径损耗模型和所述屏蔽目标的位置确定最小的路径损耗所对应的GPS位置坐标；
当所述无人机位于所述最小的路径损耗所对应的GPS位置坐标时，基于最小的路径损耗和所述屏蔽区域通信的信号强度设定无人机发射的信号强度。
优选地，所述将所述当前信号强度数据和所述指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度，具体包括：
确定所述指纹数据与所述当前信号强度数据间的欧式距离；
基于所述欧式距离对所述指纹数据进行升序排列，得到数据序列，并从所述数据序列中选择前k个指纹数据；
将所述前k个指纹数据中的GPS位置坐标数据的平均值作为所述屏蔽目标的位置；
将所述前k个指纹数据中的预设发射信号的强度数据的平均值作为所述屏蔽区域通信的信号强度。
优选地，所述基于所述样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息，具体包括：
根据在n个节点位置处接收到的信号强度与信号穿过建筑物的路径损耗模型构建目标函数；所述目标函数为节点处接收到的信号强度与基于路径损耗模型计算得到的拟合数据的残差的平方和函数；
利用数值优化算法通过对所述目标函数最小化确定所述路径损耗模型中的参数信息。
因本发明提供的屏蔽目标位置确认及无人机自适应干扰方法达到的技术效果与上述提供的屏蔽目标位置确认及无人机自适应干扰系统达到的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的屏蔽目标位置确认及无人机自适应干扰系统的结构示意图；
图2为本发明实施例提供的屏蔽目标位置确认模块的工作流程图；
图3为本发明实施例提供的无人机发射信号强度设定模块的流程图；
图4为本发明实施例提供的采用梯度下降法求解目标函数的流程图；
图5为本发明实施例提供的采用粒子群算法求解最优发射干扰信号的位置流程图；
图6为本发明提供的屏蔽目标位置确认及无人机自适应干扰方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种屏蔽目标位置确认及无人机自适应干扰系统和方法，能够通过无人机精确确认屏蔽目标的位置，以及能够精确设定无人机发射的信号强度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的屏蔽目标位置确认及无人机自适应干扰系统包括：数据采集模块、屏蔽目标位置确认模块和无人机发射信号强度设定模块。其中，数据采集模块包括：离线采集单元和在线采集单元，离线采集单元又包括：定位离线采集子单元与强度设定离线采集子单元。在建筑物内预先设定n个节点并放置好信号接收传感器，定位离线采集子单元在节点设定好之后，人工手持移动设备在建筑内的不同位置发射不同强度的信号，然后在设定好的n个节点处接收信号强度数据，最后将发射信号的强度与节点处GPS位置坐标与n个节点处接收到的信号强度构建指纹数据库并进行保存。强度设定离线采集子单元在节点设定好之后，通过无人机发射信号绕建筑物飞行一周，在n个节点处接收无人机发射的信号强度数据，最后将无人机发射信号的强度与无人机所在的GPS位置坐标以及n个节点处接收到的信号强度数据构成样本数据进行保存。在线采集单元主要指对屏蔽目标位置确定时，在设定好的n个节点处采集信号强度数据。
具体的，定位离线采集子单元中采集并构成的指纹数据库的过程为：例如对于第i个样本数据，将该样本数据中的发射信号的GPS的位置坐标[x i ,y i ,z i ]、信号强度
Figure 42244DEST_PATH_IMAGE001
与在n个节点接收到的信号强度数据
Figure 858890DEST_PATH_IMAGE002
组成一个指纹样本
Figure 408952DEST_PATH_IMAGE003
，所有的指纹样本为指纹数据库[x,y,z,s 0 ,s 1 ,s 2 ,..., s n ]。
如图2所示，基于定位离线采集子单元采集并构建的指纹数据库，通过在线采集单元在n个节点采集到的信号强度数据
Figure 729074DEST_PATH_IMAGE004
，利用k近邻算法，计算采集到的信号强度数据
Figure 971968DEST_PATH_IMAGE004
与指纹数据库中的所有指纹对应的n个节点的信号强度之间的欧式距离，欧式距离的计算如下：
Figure 10331DEST_PATH_IMAGE005
，其中，s i 表示指纹数据库中记录的n个节点接收到的信号强度。
选择相似度最高（即欧式距离越小）的k个指纹对应的GPS位置与信号强度的平均值作为屏蔽目标位置与信号强度的估计值
Figure 829995DEST_PATH_IMAGE006
。
强度设定离线采集子单元采集构成样本数据的过程为：通过无人机发射强度为s 0的信号绕建筑物飞行一周，在n个节点处接收无人机发射的信号强度数据，最后将无人机发射信号的强度与无人机所在的GPS位置坐标以及n个节点处接收到的信号强度数据构成样本数据进行保存。例如，对于第i个样本数据，将该样本数据中的发射信号的GPS的位置坐标[x i ,y i ,z i ]、信号强度s 0与在n个节点接收到的信号强度数据
Figure 145570DEST_PATH_IMAGE002
组成一个样本
Figure 277474DEST_PATH_IMAGE003
。
如图3所示，无人机发射信号强度设定模块的流程具体为：无人机发射信号强度设定模块利用强度设定离线采集子单元中采集到的样本数据与信号穿过建筑物的路径损耗模型，采用机器学习的方法确定路径损耗模型中的参数信息，并且基于屏蔽目标位置确认模块确定的屏蔽目标的位置与发射信号的强度信息，计算出路径损耗并对无人机发射的信号强度进行设定。
具体过程如下：
信号穿过建筑物的路径损耗模型为：
PL(d)=20log10(d)+a×X a +b×X b ...
式中,d表示发射点到接收点之间的距离，a,b...表示不同障碍物的数量，X a ，X b... 表示不同障碍物的衰减因子。
实际应用中根据已知的建筑物的信息，可以获取信号从无人机发射位置到节点处穿过的不同障碍物的数量。无人机信号发射点到节点之间的距离，可以通过无人机的GPS坐标与节点处的GPS坐标计算得到。因此上述路径损耗模型中的未知数为各类障碍物的衰减因子，此时应用机器学习的方法估计各类障碍物的衰减因子，具体为：
第i个样本下，n个节点对应的路径损耗为：
Figure 819445DEST_PATH_IMAGE007
进一步地，路径损耗函数可以表示为：P=g(X a ，X b ， ... )。
建立残差衡量节点处接收到的信号强度与基于路径损耗模型计算得到的拟合数据之间的误差：
r i =s 0-s i -g i (x)，i=1,2,...n
此处的x为要估计的各类障碍物的衰减因子X a ，X b ， ...
目标函数建立为所有残差的平方和：
Figure 694997DEST_PATH_IMAGE008
此时各类障碍物的衰减因子可以通过对目标函数进行最小化求得
x*=arg minf(x)。
可以采用梯度下降的方法优化参数x，关于采用梯度下降的方法优化参数x的过程如附图4所示，具体为：
障碍物衰减系数的初始值x0与最大迭代次数k首先被初始化，然后进行收敛判断，如果没有收敛，计算梯度pk，然后根据设置的学习率α更新x，如果当前的梯度满足收敛条件，输出障碍物衰减系数的最优值。
例如，针对n个样本，可以计算得到n组x的估计值，可以求平均值作为最终x的估计值。
在获取到路径衰减模型中的各类障碍物的衰减因子之后，基于路径损耗模型与屏蔽目标位置确认模块确定的屏蔽目标的位置，采用粒子群算法求得无人机发射信号到达屏蔽区域所需要的最小的路径损耗对应的GPS位置坐标，并令无人机飞行到该位置处。
关于粒子群算法求解无人机发射信号到达屏蔽区域所需要的最小的路径损耗对应的GPS位置坐标的过程如图5所示，首先初始化粒子群体，包括粒子的数量以及其位置与速度，例如，粒子的数量设置为20，粒子的位置和速度设置为3维的向量。其中，粒子的位置对应GPS位置坐标，速度的范围限制在[-5,5]范围内。适应度函数设置为负的路径损耗函数，以路径损耗的负值来对粒子的适应度进行评价，即路径损耗的值越大，粒子的适应度越低。对每个粒子，将其当前适应值与个体历史最优位置对应的适应值进行比较，如果当前的适应值更高，则将用当前位置更新个体历史最佳位置。同时对每个粒子，将其当前适应值与全局最佳位置进行比较，如果当前适应值更高，则将用当前位置更新全局最佳位置，然后根据粒子的速度以及位置更新公式更新每个粒子的速度和位置，然后判断是否满足结束条件即达到最大迭代次数，如果满足则结束，否则继续计算粒子对应的适应度。
其中粒子i的第d维的速度以及位置更新公式为：
Figure 271603DEST_PATH_IMAGE009
Figure 839988DEST_PATH_IMAGE010
式中，
Figure 600746DEST_PATH_IMAGE011
为第k次迭代粒子i的飞行速度向量的第d维分量，
Figure 279989DEST_PATH_IMAGE012
为第k次迭代粒子i的位置向量的第d维分量，c 1和c 2为加速度常数用来调节学习最大步长，r 1和r 2为两个随机函数，取值范围为[0,1]，用来增加随机性，w为惯性权重，是一个非负数用来调节对解空间的搜索范围。
最后基于计算得到的最优发射位置对应的路径损耗值与屏蔽区域通信的信号强度信息计算出二者的算数和（即路径损耗值加上屏蔽区域的信号强度的值），采用算数和对无人机发射的信号强度进行设定，确保无人机发射的信号在穿过建筑物到达屏蔽区域后，其信号强度大于等于该屏蔽区域的通信信号的强度的大小，可以达到干扰屏蔽效果，而且对建筑内的其他区域的通信不会造成影响。
此外，对应于上述提供的屏蔽目标位置确认及无人机自适应干扰系统，本发明还提供了一种屏蔽目标位置确认及无人机自适应干扰方法，如图6所示，该方法包括：
步骤100：生成指纹数据和样本数据，并采集当前信号强度数据。指纹数据包括：预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据。样本数据包括：无人机发射信号的强度数据、预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据。预设发射信号由手持移动设备发出。
步骤101：将当前信号强度数据和指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度。
步骤102：基于样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息。
步骤103：采用粒子群算法基于路径损耗模型和屏蔽目标的位置确定最小的路径损耗所对应的GPS位置坐标。
步骤104：当无人机位于最小的路径损耗所对应的GPS位置坐标时，基于最小的路径损耗和屏蔽区域通信的信号强度设定无人机发射的信号强度。
其中，步骤101具体包括：
确定指纹数据与当前信号强度数据间的欧式距离。
基于欧式距离对指纹数据进行升序排列，得到数据序列，并从数据序列中选择前k个指纹数据。
将前k个指纹数据中的GPS位置坐标数据的平均值作为屏蔽目标的位置。
将前k个指纹数据中的预设发射信号的强度数据的平均值作为屏蔽区域通信的信号强度。
步骤102具体包括：
根据在n个节点位置处接收到的信号强度与信号穿过建筑物的路径损耗模型构建目标函数。目标函数为节点处接收到的信号强度与基于路径损耗模型计算得到的拟合数据的残差的平方和函数。
利用数值优化算法通过对目标函数最小化确定路径损耗模型中的参数信息。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种屏蔽目标位置确认及无人机自适应干扰系统，其特征在于，包括：
数据采集模块，用于生成指纹数据和样本数据，并用于采集当前信号强度数据；所述指纹数据包括：预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据；所述样本数据包括：无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据；预设发射信号由手持移动设备发出；
屏蔽目标位置确认模块，与所述数据采集模块连接，用于将所述当前信号强度数据和所述指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度；
无人机发射信号强度设定模块，与所述数据采集模块和所述屏蔽目标位置确认模块连接，用于基于所述样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息，并用于采用粒子群算法基于所述路径损耗模型和所述屏蔽目标的位置确定最小的路径损耗所对应的GPS位置坐标，还用于当所述无人机位于所述最小的路径损耗所对应的GPS位置坐标时，基于最小的路径损耗和所述屏蔽区域通信的信号强度设定无人机发射的信号强度。
2.根据权利要求1所述的屏蔽目标位置确认及无人机自适应干扰系统，其特征在于，所述数据采集模块包括：
离线采集单元，用于生成所述指纹数据和所述样本数据；
在线采集单元，用于采集所述当前信号强度数据。
3.根据权利要求2所述的屏蔽目标位置确认及无人机自适应干扰系统，其特征在于，所述离线采集单元包括：
定位离线采集子单元，用于预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据，并用于基于预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据形成指纹样本，还用于采用所述指纹样本构建指纹数据库；
强度设定离线采集子单元，用于采集无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据，并用于基于无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据生成样本数据。
4.根据权利要求1所述的屏蔽目标位置确认及无人机自适应干扰系统，其特征在于，所述屏蔽目标位置确认模块包括：
欧式距离确定单元，用于确定所述指纹数据与所述当前信号强度数据间的欧式距离；
数据选择单元，与所述欧式距离确定单元连接，用于基于所述欧式距离对所述指纹数据进行升序排列，得到数据序列，并用于从所述数据序列中选择前k个指纹数据；
屏蔽目标的位置确定单元，用于将所述前k个指纹数据中的GPS位置坐标数据的平均值作为所述屏蔽目标的位置；
屏蔽信号强度确定单元，用于将所述前k个指纹数据中的预设发射信号的强度数据的平均值作为所述屏蔽区域通信的信号强度。
5.根据权利要求1所述的屏蔽目标位置确认及无人机自适应干扰系统，其特征在于，所述无人机发射信号强度设定模块包括：
目标函数构建单元，用于根据在n个节点位置处接收到的信号强度与信号穿过建筑物的路径损耗模型构建目标函数；
参数信息确定单元，用于利用数值优化算法通过对所述目标函数最小化确定所述路径损耗模型中的参数信息。
6.根据权利要求5所述的屏蔽目标位置确认及无人机自适应干扰系统，其特征在于，所述目标函数为节点处接收到的信号强度与基于路径损耗模型计算得到的拟合数据的残差的平方和函数。
7.一种屏蔽目标位置确认及无人机自适应干扰方法，其特征在于，包括：
生成指纹数据和样本数据，并采集当前信号强度数据；所述指纹数据包括：预设发射信号的强度数据、预设发射信号的GPS位置坐标数据和预设节点处接收到信号的强度数据；所述样本数据包括：无人机发射信号的强度数据、所述预设节点处接收到的无人机发射的信号强度数据和无人机的GPS位置坐标数据；预设发射信号由手持移动设备发出；
将所述当前信号强度数据和所述指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度；
基于所述样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息；
采用粒子群算法基于所述路径损耗模型和所述屏蔽目标的位置确定最小的路径损耗所对应的GPS位置坐标；
当所述无人机位于所述最小的路径损耗所对应的GPS位置坐标时，基于最小的路径损耗和所述屏蔽区域通信的信号强度设定无人机发射的信号强度。
8.根据权利要求7所述的屏蔽目标位置确认及无人机自适应干扰方法，其特征在于，所述将所述当前信号强度数据和所述指纹数据进行匹配，确定屏蔽目标的位置与屏蔽区域通信的信号强度，具体包括：
确定所述指纹数据与所述当前信号强度数据间的欧式距离；
基于所述欧式距离对所述指纹数据进行升序排列，得到数据序列，并从所述数据序列中选择前k个指纹数据；
将所述前k个指纹数据中的GPS位置坐标数据的平均值作为所述屏蔽目标的位置；
将所述前k个指纹数据中的预设发射信号的强度数据的平均值作为所述屏蔽区域通信的信号强度。
9.根据权利要求7所述的屏蔽目标位置确认及无人机自适应干扰方法，其特征在于，所述基于所述样本数据采用机器学习的方法确定信号穿过建筑物时路径损耗模型的参数信息，具体包括：
根据在n个节点位置处接收到的信号强度与信号穿过建筑物的路径损耗模型构建目标函数；所述目标函数为节点处接收到的信号强度与基于路径损耗模型计算得到的拟合数据的残差的平方和函数；
利用数值优化算法通过对所述目标函数最小化确定所述路径损耗模型中的参数信息。
CN202111518543.9A 2021-12-14 2021-12-14 一种屏蔽目标位置确认及无人机自适应干扰系统和方法 Active CN113923776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111518543.9A CN113923776B (zh) 2021-12-14 2021-12-14 一种屏蔽目标位置确认及无人机自适应干扰系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111518543.9A CN113923776B (zh) 2021-12-14 2021-12-14 一种屏蔽目标位置确认及无人机自适应干扰系统和方法

Publications (2)

Publication Number Publication Date
CN113923776A true CN113923776A (zh) 2022-01-11
CN113923776B CN113923776B (zh) 2022-03-04

Family

ID=79248744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111518543.9A Active CN113923776B (zh) 2021-12-14 2021-12-14 一种屏蔽目标位置确认及无人机自适应干扰系统和方法

Country Status (1)

Country Link
CN (1) CN113923776B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115656645A (zh) * 2022-12-12 2023-01-31 北京中超伟业信息安全技术股份有限公司 一种提高屏蔽性能的系统和方法
CN118101089A (zh) * 2024-04-29 2024-05-28 天津安力信通讯科技有限公司 一种基于频谱检测的移动通信信号屏蔽效果评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201590813U (zh) * 2009-12-09 2010-09-22 长春大学 具有监测信息显示功能的手机信号侦测屏蔽器
CN102868421A (zh) * 2012-05-30 2013-01-09 赵训威 无线通信系统的信号屏蔽方法、装置及系统
US20160225264A1 (en) * 2015-01-29 2016-08-04 Qualcomm Incorporated Systems and Methods for Restricting Drone Airspace Access
CN112564850A (zh) * 2020-12-10 2021-03-26 杭州星辰大海科技有限公司 一种宽频带全方位无人机通信信号阻断装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201590813U (zh) * 2009-12-09 2010-09-22 长春大学 具有监测信息显示功能的手机信号侦测屏蔽器
CN102868421A (zh) * 2012-05-30 2013-01-09 赵训威 无线通信系统的信号屏蔽方法、装置及系统
US20160225264A1 (en) * 2015-01-29 2016-08-04 Qualcomm Incorporated Systems and Methods for Restricting Drone Airspace Access
CN112564850A (zh) * 2020-12-10 2021-03-26 杭州星辰大海科技有限公司 一种宽频带全方位无人机通信信号阻断装置及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115656645A (zh) * 2022-12-12 2023-01-31 北京中超伟业信息安全技术股份有限公司 一种提高屏蔽性能的系统和方法
CN118101089A (zh) * 2024-04-29 2024-05-28 天津安力信通讯科技有限公司 一种基于频谱检测的移动通信信号屏蔽效果评估方法

Also Published As

Publication number Publication date
CN113923776B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN111047814B (zh) 一种适用于地铁站火灾警情的智能疏散系统及方法
Ullah et al. A localization based on unscented Kalman filter and particle filter localization algorithms
CN113923776B (zh) 一种屏蔽目标位置确认及无人机自适应干扰系统和方法
Souli et al. Online relative positioning of autonomous vehicles using signals of opportunity
CN103197684B (zh) 无人机群协同跟踪目标的方法及系统
Chowdhury et al. RSS-based Q-learning for indoor UAV navigation
Wu et al. Robust cooperative exploration with a switching strategy
CN116185079B (zh) 一种基于自适应巡航的无人机施工巡检航线规划方法
WO2018009263A1 (en) Systems and methods for mapping an environment
CN104298239A (zh) 一种室内移动机器人增强地图学习路径规划方法
CN105704652A (zh) 一种wlan/蓝牙定位中的指纹库采集和优化方法
Souli et al. Relative positioning of autonomous systems using signals of opportunity
CN107087441B (zh) 一种信息处理方法及其装置
Hasanzade et al. RF source localization using unmanned aerial vehicle with particle filter
Zhang et al. Tracking mobile robot in indoor wireless sensor networks
CN110596734A (zh) 一种基于多模态q学习的无人机定位干扰源系统及方法
Figetakis et al. UAV path planning using on-board ultrasound transducer arrays and edge support
CN114415246B (zh) 一种基于机器学习的地下金属物体的定位方法及系统
Simões et al. A hybrid indoor positioning system using a linear weighted policy learner and iterative PDR
Jirků et al. WiFi localization in 3D
Lu et al. Trajectory design for unmanned aerial vehicles via meta-reinforcement learning
Ciftler et al. Indoor UAV navigation to a Rayleigh fading source using Q-learning
Schlupkothen et al. Evolutionary algorithm optimized centralized offline localization and mapping
Carvalho et al. Indoor wireless sensor localization using mobile robot and RSSI
CN110225458A (zh) 一种基于混合滤波的uwb定位系统与方法

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