一种基于群智感知的室外无线信号接收强度地图构建方法
【技术领域】
[0001] 本发明涉及一种室外无线信号接收强度地图构建方法。
【背景技术】
[0002] 现在，城市中部署了大量的WiFi接入点（AccessPoint,AP)。为了便于有效而又 灵活的接入，WiFi接入用户最关心的是通信质量和干扰样式。在大规模的环境中，AP的接 收信号强度（RecievedSignalStrength，RSS)地图（Map)能够为移动用户提供基本的信 息，以便于构建冲突图（ConflictGraph)和提高通信质量。
[0003] 不幸的是，由于实际物理环境非常复杂，构建精确的RSS地图很困难。而且，超大 规模的无线网络使RSS地图构建更困难，特别是对于城市无线接入网络。一种简单直接的 办法是利用带有经验参数的信号传播模型（SignalPropagationModel)来构建虚拟的RSS 地图。但是，通过实验研究发现，在实际中，这种虚拟方法会产生不可接受的误差。另外一 种直接的方法是遍历所有区域进行RSS采样。但由于在大规模的室外环境中耗费很大，这 种方法几乎不可行。
[0004] 群智感知（CrowdSensing)能够被巧妙地用来构建一个开放而又低耗费的平台， 以构建实时的RSS地图。最近的研究工作也显示，在某些场景中，智能手机（Smartphone) 的高度动态的RSS测量值可被用来定位和构建室内布局图（floorplan)。受这些工作启 发，利用群智感知，即大量智能手机的RSS测量值来构建精确的室外RSS地图。
【发明内容】
[0005] 本发明的目的是提供一种基于群智感知的室外无线信号接收强度地图构建方法。
[0006] 为了实现上述目的，采用以下技术方案：
[0007] -种基于群智感知的室外无线信号接收强度图构建方法，其特征在于：所述方法 包括下列步骤：
[0008] 首先计算和户Ue[1，M])
[0009]
[0010]
[0011]其中表示第j个AP的RSS测量值的个数，即W=&K</I' 1^表 示第i个用户关于第j个AP的测量值集合吼表示测量第j个AP的用户集合；GK=log心 < 和％分别表示第i个用户关于第j个AP的第k个RSS 测量值和其对应的测量位置，<表示位置到第」个4?位置的距离，即<=||<<-# /|， 孓表示第j个AP的位置；;r,"-11和；;广1分别表示第t-1次迭代校准模型中两个参数的估计 值；
[0012]然后计算第t次迭代中校准模型参数新的估计值，即or,ig[i，n]:
[0013]
[0014]
[0015] 其中表示第i个用户的RSS测量值个数，即j;Al表示第i个用户 测得的AP集合；T):: =-/T+ ;
[0016] 再计算（和?的收敛值彳和^
[0017]计算测量值考的校准值穹，+ |;
[0018] 為和及分别表示<〃和:#f)的收敛值；
[0019] 计算未测量位置*T(尤*eX; \f,)的RSS值集合p;
[0020] %表示第j个AP无线信号覆盖范围中所有位置的集合，i,表示已被测量的位置， 即f,eI/ ;
[0021] 最后得到构建结果
[0022]
j^l
[0023] 本发明是第一个用群智感知来构建实际的室外RSS地图的工作。与当前方法最显 著的区别是，不需专有测量设备（如高接收灵敏度的WiFi网卡）和专有测量人员，仅仅用 现有但不准确的设备（智能手机）和普通用户的群智感知来构建RSS地图。本发明提出了 一种迭代方法。它可在测量的真实值（Groundtruth)大部分未知以及测量噪声预先未知 的情况下，同时校准群智感知中不准确的测量值和预测未采样位置的测量值。实验结果表 明，所提方法能够获得平均误差为8. 5dBm的精确RSS地图。较之最基本的方法（即直接利 用群智感知测量值构建地图）能够提高精度57. 2%。
【具体实施方式】
[0024] 下面通过具体实施例对本发明对详细的描述。
[0025] 本发明提出了一种基于群智感知测量值构建精确的室外RSS地图的算法。简称为 CARM。这个算法主要是基于下面三个基本的思想。首先，联合手机测量值和基于信号传播 模型的RSS预测值来估计测量误差模型的参数。这些模型参数再被用来校准手机测量值。 其次，利用已校准的测量值来估计信号传播模型参数。最后，提出了一种迭代方法，在测量 值校准和估计传播模型参数之间交替迭代循环。通过多次迭代，测量值的校准精度和传播 模型的参数估计精度都不断提高直至收敛。
[0026] 这个算法主要包含两部分：
[0027] 1)模型参数的迭代估计：迭代地估计手机的测量误差模型和信号传播模型的参 数直至收敛。具体地，利用误差模型的参数估计值来估计传播模型的参数。然后，反过来， 这些估计结果被用来重新估计误差模型的参数。
[0028] 2)基于模型的RSS地图构建：当迭代收敛后，利用每个手机的测量误差模型来校 准它的测量值。同时，利用每个AP的信号传播模型来预测未测量位置的RSS值。基于已校 准的测量值和预测的RSS值，可以得到一个既精确又完整的RSS地图。
[0029] 下面将详细介绍群智感知RSS地图构建算法。首先依次介绍算法的两个主要部 分，，即参数的迭代估计和基于模型的RSS地图构建。在最后，给出算法的描述。
[0030] 模型参数的迭代估计：手机的RSS测量值与真实参考值之间存在线性关系。因此， 利用这个误差模型来校准手机的RSS测量值。用笔和< 分别表示第i个用户关于第j个 AP的第k个RSS测量值和其对应的测量位置。因此，可得它的RSS校准值f为：
[0031]
[0032] 其中31满ni分别表示校准模型的两个未知参数。它们由智能手机的型号和使 用方式决定。
[0033] 用经典的信号传播模型（即UniformPathlossModel[20])来刻画AP的室外RSS 分布。用^表示第j个AP的位置。因此，根据信号传播模型，第j个AP在位置的RSS 的预测/古4 .
[0034]
[0035] 其中 < 表示位置％到第j个AP位置的距离，即《HI弋-尤,|卩。if表示第j个 AP的信号发送能量。d。和y,分别表示参考距离和信号衰减指数。
[0036] 和丫 ,是关于第j个AP设置的两个未知参数。d。是一个已知常数。用a尸 10 ?y种A. =C+107, 。因此，公式可被表示为： L/1N丄UD丄CW丄03 A * *1 * 4:/ <
[0037]
[0038] 其中a#卩0j是由AP的设置参数以及部署的物理环境决定的两个未知参数。
[0039] 理想情况下，