【技术实现步骤摘要】
一种基于移动群体感知的蜂窝信号地图构建方法
[0001]本专利技术涉及信号地图构建领域,具体涉及一种基于移动群体 感知的蜂窝信号地图构建方法。
技术介绍
[0002]随着物联网在智慧城市和自动驾驶服务领域的快速发展,对无线 频谱资源的需求日益增加,无线覆盖环境更加复杂。复杂而拥挤的无 线环境使得频谱资源显得尤为宝贵。为了迎合这一趋势,信号图是衡 量无线环境的有效指标,它可以应用于各种现实世界的应用,包括网 络运维、频谱监控和基于位置的服务。信号图是标记了特定区域的位 置信息的指纹数据库。我们通过与信号图上的指纹进行比较来估计在 线指纹测量的位置。此外,构建和分析信号图是评估不同地区移动宽 带技术(如4G/LTE、5G)可用性和比较不同运营商的典型方法。
[0003]由于无线信号容易受到各种因素的影响,如传输功率的自动调节、 多径衰落以及非视距传播等,在城市尺度上很难及时有效地维护最新 的信号图。许多关于信号图建设的研究都是在假定参考点是预先定义 的前提下,依靠劳动密集型和耗时的现场调查,必须定期进行以保持 最新的信号图,导致成本极高。为了减少密集的现场调查造成的费用, 也有一些研究试图利用基于模型的方法和数据驱动的方法来构建信 号图。
[0004]现有的信号图构建方法存在两个局限性:基于模型的方法通常对 信号图的分布(如理想传播空间)有很强的假设,这极大地限制了其 对复杂的现实无线环境建模的能力。数据驱动方法需要大量的测量数 据,这些数据通常由战争驱动和群体感知收集。但是这些数据没有覆 盖网络的所有区 ...
【技术保护点】
【技术特征摘要】
1.一种基于移动群体感知的蜂窝信号地图构建方法,其特征在于,该方法包括以下步骤:步骤1.将信号数据的时空特征表示为三维张量S∈R
I
×
J
×
K
,其中,I、J表示矩形区域的长、宽网格数;K表示网格内信号采集时间跨度;S
ijk
表示移动设备从基站接收到的信号值;步骤2.MCS信号数据的潜在因子特征提取,在BS覆盖交叉区域的部分标定信号值;步骤3.采用贝叶斯概率张量分解恢复未观测区域的信号值,即对缺失信号的预估;步骤4.先进行内部和外部视图构造;然后引入一种新的基于学习的多视图特征融合模块,利用两个网络分别对每个视图提取并嵌入高维特征,然后利用两个全连接层对不同视图进行拼接和融合,生成精细、准确的信号图。2.根据权利要求1所述的一种基于移动群体感知的蜂窝信号地图构建方法,其特征在于,步骤(2)中,进行潜在因子特征提取方法如下:步骤201.利用欧几里得距离来描述空间相关性,然后把地图上的地理位置联系起来,利用公式(1)表示BSs之间的距离相关性:其中,σ2代表方差,Φ(i,j)代表位置i、j的关系,||l
i
‑
l
j
||2表示表示欧几里得距离,即步骤202.利用公式(2)表示两个高维信号向量之间的余弦相似度,进行另一种特征提取:其中,H表示维度,表示在网格i中从H个BSs中接受到的信号向量。3.根据权利要求1所述的一种基于移动群体感知的蜂窝信号地图构建方法,其特征在于,步骤(3)中,采用贝叶斯概率张量分解对缺失信号值的预估,具体方法如下:步骤301.假设每个观测项的噪声项近似服从独立高斯分布,即进一步对所有因子矩阵的行向量进行先验分布,并假定它们是多元高斯函数,即其中,μ
u
∈R
R
,Λ
u
∈R
R
×
R
,并且满足公式(3),其概率分布函数为公式(4):(μ
u
,Λ
u
)~Gaussian
‑
Wishart(μ0,β0,W0,v0)
ꢀꢀꢀ
(3)p(μ
u
,Λ
u
|Θ)=N(μ
u
|μ0,(β0Λ
u
)
‑1)
×
Wishart(Λ
u
|W0,v0)
ꢀꢀ
(4)步骤302.由于信号数据的精度是未知的,并且它不能完全通过所有观测值方差的倒数来获取,为了提高模型的鲁棒性,我们在精度参数τ上引入了柔性共轭Gamma先验,利用公式(5)表示其先验函数分布:
其中,参数U,V,W,τ和超参数μ
u
,Λ
u
,μ
v
,Λ
v...
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。