一种基于移动群体感知的蜂窝信号地图构建方法技术

本发明专利技术公开了一种基于移动群体感知的关于蜂窝信号地图的构建方法，以三维张量存储信号数据的时空特征，其张量的三个维度分别表示长、宽及时间维度。在构建信号地图时，首先进行MCS信号数据的潜在因子特征采集，然后提取其内部特征。接着进行缺失信号值预估，在潜在因子特征采集的基础上，利用贝叶斯概率张量分解来实现信号恢复，得到MCS数据的内部特征。最后，引入了一种新的基于学习的多视图特征融合模块，将外部特征嵌入到一个向量中，并将其与内部特征相结合，然后将其输入全连接层，获取信号特征并构建细粒度信号图。信号特征并构建细粒度信号图。信号特征并构建细粒度信号图。

【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 盖网络的所有区域，不能密切反映用户的实际体验。群众感知方法不 处理多层次的同时相互依存关系，在有限的局部区域内提取空间特征。 此外，信号内部特征与外部环境特征的融合缺乏统一表示。

技术实现思路

[0005]为解决上述问题，本专利技术公开了一种基于移动群体感知的蜂窝信 号地图构建方法，该方法包括以下步骤：
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]本专利技术进一步改进在于：
[0011]与其他数据源(如城市交通数据、噪声数据)相比，信号数据更容 易受到环境影响，表现出波动性特征。我们通常通过对给定面积取平 均值来求得近似。但是，由于每个BS的特性(如覆盖范围、天线发射 功率等)不同，在某些重叠的BS覆盖区域直接取平均信号是不合适的， 会导致信号漂移和误差。更重要的是，由于各种未知因素，我们无法 有效地利用同一网格内多个BS接收到的信号之间的关系。因此，在 考虑基于张量的方法时，我们需要提取满足张量低秩特征的数据，从 而构造适合信号数据补全的张量分解方法。也就是说，在构造张量和 分解之前，我们需要在交叉区域的部分标定信号值。
[0012]步骤(2)中，进行潜在因子特征提取方法如下：
[0013]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：
[0014][0015]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
[0016]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：
[0017][0018]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。
[0019]本专利技术进一步改进在于：通过数据分析，我们知道信号数据近似 服从正态分布；
[0020]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：
[0021]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)：
[0022](μ
u
，Λ
u
)～Gaussian
‑
Wishart(μ0，β0，W0，v0)
ꢀꢀꢀ
(3)
[0023]p(μ
u
，Λ
u
|Θ)＝N(μ
u
|μ0，(β0Λ
u
)
‑1)
×
Wishart(Λ
u
|W0，v0)
ꢀꢀꢀꢀ
(4)
[0024]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：
[0025][0026]其中，参数U，V，W，τ和超参数μ
u
，Λ
u
，μ
v
，Λ
v
，μ
w
，Λ
w
，a0，b0， 利用吉布斯抽样求解；
[0027]步骤303.因子矩阵U，V，W可通过u
i
，v
i
，w
i
进行求解，其计算方法 如下：
[0028]步骤30301.由于每个观测项的噪声项近似服从独立高斯分布，得 到其似然函数，其表达式如公式(6)所示：
[0029][0030]公式中*表示Hadamard积。
[0031]步骤30302.由于其因子矩阵的行向量服从多元高斯分布，联合其 步骤30401中的似然函数，得到其后验分布，其表达式如公式(7)所 示：
[0032][0033]步骤30303.根据步骤30402得到的后验分布，按公式(8)、公式 (9)求得
[0034][0035][0036]步骤304.类似地，通过上述方法求得u
i
，v
i
，w
i
，最后，在吉布斯 采样算法达到平稳状态后，通过蒙特卡罗近似可以估计出所有缺失值， 然后实现对缺失信号数据的估计。
[0037]本专利技术进一步改进本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王帅，王海，梅洛瑜，徐鑫，
申请(专利权)人：东南大学，
类型：发明
国别省市：