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。具备很好的适应性。具备很好的适应性。
【技术实现步骤摘要】
电磁频谱地图构建方法、装置、计算机设备和存储介质
[0001]本申请涉及电磁频谱监测
，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。
技术介绍
[0002]电磁频谱地图（Spectrum Map）也被称之为无线电环境地图（Radio Environment Map）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。
[0003]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。
技术实现思路
[0004]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。
[0005]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。
[0006]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。
[0007]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。
[0008]对所述残差监测数据进行位置聚类，得到聚类结果。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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。
[0020]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。
[0021]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。
[0022]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。
[0023]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。
[0024]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。
[0025]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。
[0026]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。
[0027]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。
[0028]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。
[0029]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：将所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：查淞，夏海洋，黄纪军，刘继斌，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。