一种基于零稀疏数据驱动权重模型的射频层析成像方法技术

本发明专利技术公开了一种基于零稀疏数据驱动权重模型的射频层析成像方法，包括以下步骤：构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；基于数学权重矩阵的零稀疏特点构建训练权重模型；将训练数据输入所述训练权重模型，训练获得训练权重矩阵；基于训练权重矩阵进行射频层析成像。本发明专利技术提供的射频层析成像权重模型设计方法中，权重模型并非基于传统的椭圆权重模型，可以准确地表示目标引起链路中RSS值的变化信息，计算不受椭圆权重模型参数的影响。

An rfct method based on zero sparse data driven weight model

【技术实现步骤摘要】
一种基于零稀疏数据驱动权重模型的射频层析成像方法
本专利技术涉及射频领域，尤其涉及一种基于零稀疏数据驱动权重模型的射频层析成像方法。
技术介绍
在射频层析成像的过程中，阴影衰减权重矩阵是RSS值(信号衰减强度)与感知区域像素阴影衰落之间的纽带，权重因子的设置则是反映出链路的信号衰减对对应像素衰落值的贡献。权重矩阵的设计需反映出测量链路对像素的覆盖范围以及在覆盖范围下权重的大小。目前主流的权重矩阵一般是基于椭圆权重模型进行设计的。即将收、发节点作为椭圆的焦点，以L(＝d+λ)作为椭圆的长轴，d为收、发节点间的距离，λ为椭圆参数。链路的阴影衰落分布若在椭圆内，则对应的像素具有一定的权重值，若落在椭圆外，则权重值为0。以椭圆模型为基础设计的权重模型有如下共同特点：(1)均椭圆权重模型作为描述链路与阴影衰落区域的方法，因此，链路权重的范围受到椭圆参数λ的影响较明显。特别地，当感知区域的像素划分发生变化时，链路的权重覆盖范围随之发生变化，因此，这种模型对参数的选择和网格像素划分大小都比较敏感，对目标恢复的性能不稳定。(2)三种权重模型都的是将目标对射频信号的遮挡作为信号衰减处理。然而，在一些复杂环境中，目标的存在可能导致链路RSS值增强或者保持不变，且影响尺度对所有链路并不一致。基于椭圆权重模型进行射频层析成像会显著降低成像性能，甚至恶化成像效果。
技术实现思路
本专利技术的目的在于提供一种基于零稀疏数据驱动权重模型的射频层析成像方法，该方法基于数据驱动权重模型来进行射频层析成像，以规避椭圆权重模型带来的问题，提升射频层析成像的效果。为达此目的，本专利技术以下技术方案：一种基于零稀疏数据驱动权重模型的射频层析成像方法，包括以下步骤：构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；基于数学权重矩阵的零稀疏特点构建训练权重模型；将训练数据输入所述训练权重模型，训练获得训练权重矩阵；基于训练权重矩阵进行射频层析成像。可选的，所述步骤：基于数学权重矩阵的零稀疏特点构建训练权重模型，具体包括：根据数学权重矩阵Φ、数学测量矩阵Y和数学目标矩阵X之间的关系，构建基础权重表达模型：其中，Y＝[y1,…,yi,…,yM]T，yi表示第i个目标进入感知区域时，所有链路的RSS值构成的测量矢量；X＝[x1,x2,…xi,…,xM]T，表示第i个目标位置对应的像素；M表示单一目标在感知区域内出现的次数，N表示感知区域划分的总像素个数；Φ＝{φij}i＝1…M，j＝1…N，φij表示第i条链路对应第j个像素的权重因子；基于数学权重矩阵的零稀疏特点，将所述基础权重表达模型转化为训练权重模型。可选的，所述步骤：基于数学权重矩阵的零稀疏特点，将所述基础权重表达模型转化为训练权重模型，具体包括：基于数学权重矩阵的零稀疏特点，将所述基础权重表达模型表示为权重表示模型；根据交替方向乘子法对所述权重表示模型进行迭代求解，获得权重迭代方案；根据所述权重迭代方案构建训练权重模型。可选的，所述权重表示模型具体包括：其中，λ为正则化参数，||·||1,1表示矩阵的范数，||Φ||1,1表示：其中，Φ(r，：)表示Φ的第r行。可选的，所述步骤：根据交替方向乘子法对所述权重表示模型进行迭代求解，获得权重迭代方案，具体包括：根据增广拉格朗日函数法，将所述权重表示模型表示为权重增广模型；根据交替方向乘子法对所述权重增广模型进行迭代求解，获得权重迭代方案。可选的，所述步骤：根据增广拉格朗日函数法，将所述权重表示模型表示为权重增广模型，具体包括：给所述权重表示模型中的Φ赋予零稀疏先验假设，并在所述权重表示模型中引入自由变量Ψ，将所述权重表示模型转化为：根据增广拉格朗日函数法，将转化后的所述权重表示模型表示为权重增广模型，所述权重增广模型具体包括：其中，μ是惩罚参数，D为拉格朗日乘子矩阵。可选的，所述步骤：根据交替方向乘子法对所述权重增广模型进行迭代求解，获得权重迭代方案，具体包括：根据交替方向乘子法，对所述权重增广模型进行迭代求解，获得权重迭代求解式，将所述权重迭代求解式转化为权重迭代方案。可选的，所述权重迭代求解式具体包括：可选的，所述权重迭代方案具体包括：可选的，所述训练权重模型具体包括：S101、初始化：K＝0，Ψ＝0，D＝0；S102、根据权重迭代方案计算获得ΦK、ΨK+1和DK+1；S103、判断权重终止要求是否达成，若要求未达达成，则令ΦK+1＝ΨK+1，K＝K+1，并返回S102，若要求达成，则计算结束。所述训练数据包括X,Y,λ,μ,K,error，训练权重模型计算结束时获得的ΦK为所述训练权重矩阵。与现有技术相比，本专利技术具有以下有益效果：本专利技术提供的射频层析成像方法中，权重模型是通过训练获得具体的权重矩阵，并非基于传统的椭圆权重模型，本专利技术方法中的权重模型可以准确地表示目标引起链路中RSS值的变化信息，计算不受椭圆权重模型参数的影响，权重因子设计相较于椭圆权重模型更符合实际，并且可以批量训练来提高效率。因此，本专利技术提供的射频层析成像方法可以规避椭圆权重模型带来的问题，提升射频层析成像的效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，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它的附图。图1为本专利技术实施例一提供的一种基于零稀疏数据驱动权重模型的射频层析成像方法的流程示意图；图2为本专利技术实施例二提供的场景一的实景图和拓扑图以及场景二的实景图和拓扑图；图3为本专利技术实施例二提供的不同场景和不同像素宽度时，训练权重模型和椭圆权重模型对应无线传感器网络中所有链路所组成的权重矩阵；图4为本专利技术实施例二提供的像素宽度为0.2m时，训练权重模型和椭圆权重模型的第6，9，11条链路的权重因子设置对比图；图5为本专利技术实施例三提供的像素宽度为0.2m时，场景一数据获得的训练权重矩阵、场景二数据获得的训练权重矩阵以及椭圆权重矩阵对场景一进行免持目标定位的结果对比图；图6为本专利技术实施例三提供的像素宽度为0.2m时，场景一数据获得的训练权重矩阵、场景二数据获得的训练权重矩阵以及椭圆权重矩阵对场景二进行免持目标定位的结果对比图；图7为本专利技术实施例三提供的像素宽度为0.4m时，场景一数据获得的训练权重矩阵、场景二数据获得的训练权重矩阵以及椭圆权重矩阵分别对场景一进行免持目标定位的结果对比图；图8为本专利技术实施例本文档来自技高网...

【技术保护点】
1.一种基于零稀疏数据驱动权重模型的射频层析成像方法，其特征在于，包括以下步骤：/n构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；/n构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；/n基于数学权重矩阵的零稀疏特点构建训练权重模型；/n将训练数据输入所述训练权重模型，训练获得训练权重矩阵；/n基于训练权重矩阵进行射频层析成像。/n

【技术特征摘要】
1.一种基于零稀疏数据驱动权重模型的射频层析成像方法，其特征在于，包括以下步骤：
构建包括多个传感器节点的无线传感器网络，所述传感器节点之间互相通信，组成多条链路；
构建数学权重矩阵，所述数学权重矩阵用于表示每条链路的阴影损耗和像素额外损耗之间的关系；
基于数学权重矩阵的零稀疏特点构建训练权重模型；
将训练数据输入所述训练权重模型，训练获得训练权重矩阵；
基于训练权重矩阵进行射频层析成像。


2.根据权利要求1所述的一种基于零稀疏数据驱动权重模型的射频层析成像方法，其特征在于，所述步骤：基于数学权重矩阵的零稀疏特点构建训练权重模型，具体包括：
根据数学权重矩阵Φ、数学测量矩阵Y和数学目标矩阵X之间的关系，构建基础权重表达模型：



其中，Y＝[y1,…,yi,…,yM]T，yi表示第i个目标进入感知区域时，所有链路的RSS值构成的测量矢量；X＝[x1,x2,…xi,…,xM]T，表示第i个目标位置对应的像素；M表示单一目标在感知区域内出现的次数，N表示感知区域划分的总像素个数；Φ＝{φij}i＝1…M，j＝1…N，φij表示第i条链路对应第j个像素的权重因子；
基于数学权重矩阵的零稀疏特点，将所述基础权重表达模型转化为训练权重模型。


3.根据权利要求2所述的一种基于零稀疏数据驱动权重模型的射频层析成像方法，其特征在于，所述步骤：基于数学权重矩阵的零稀疏特点，将所述基础权重表达模型转化为训练权重模型，具体包括：
基于数学权重矩阵的零稀疏特点，将所述基础权重表达模型表示为权重表示模型；
根据交替方向乘子法对所述权重表示模型进行迭代求解，获得权重迭代方案；
根据所述权重迭代方案构建训练权重模型。


4.根据权利要求3所述的一种基于零稀疏数据驱动权重模型的射频层析成像方法，其特征在于，所述权重表示模型具体包括：



其中，λ为正则化参数，||·||1,1表示矩阵的范数，||Φ||1,1表示：



其中，Φ(r，：)表示Φ的第r行。


5.根据权利要求4所述的一种基于零稀疏数据驱动权...

【专利技术属性】
技术研发人员：郝晓曦，郑成勇，王国利，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44