一种基于稀疏布点的频谱态势补全方法与流程

1.本发明属于通信技术领域，具体为一种基于稀疏布点的频谱态势补全方法。


背景技术：

2.频谱态势反映了一片空间区域内的，不同信道的使用情况。各个信道的使用情况通过可以通过接收端接收到的信号强度进行表征。由于区域内每一定点处都会同时有多个不同频率的信息在传输，而同一频率的信息随着空间变化信号的强化也不尽相同，因此某一特定频段在不同区域内的信号强度可以通过频谱地图来进行表征。
3.与等高线类似，相同的颜色代表区域内接收到的信号强度相同。这种反应区域内信号强度的地图称为频谱态势地图。频谱态势地图反应了区域内某一频段的信号强度的连续变化趋势，正是因为区域内的连续性，在测量区域内频谱态势时，无法做到每处测量，尤其通过有限的数据采集测量出整个区域内的频谱态势情况更是十分困难。


技术实现要素：

4.本发明的目的就在于为了解决上述问题而提供一种基于稀疏布点的频谱态势补全方法，解决了背景技术中提到的问题。
5.为了解决上述问题，本发明提供了一种技术方案：
6.一种基于稀疏布点的频谱态势补全方法，包括以下步骤：
7.s1：对区域进行离散化处理；
8.s2：在坐标系中稀疏选取若干离散网格交点，在选取点处部署感知节点，通过卡尔曼滤波对感知节点部署位置处的信号状态进行预测；
9.s3：经过卡尔曼滤波方法预测感知节点位置处的频谱情况，作为变分贝叶斯方法的先验信息；
10.s4：结合获取的电磁环境的先验信息进行求解。
11.进一步地，所述步骤s1的具体方法包括：
12.a1：在地面选取一定点作为坐标原点，以此定点建立包含时间和空间的四维坐标(x,y,z,t)，其中t表示时间节点；
13.a2：在三维空间坐标上选取固定的距离间隔对空域进行分割；
14.a3：选取若干空间方块的定点，在此位置部署信号强度感知节点。
15.进一步地，所述步骤a2中对空域进行分割是指在x、y、z三个方向选取固定的长度间隔，产生多个平行或垂直的交叉平面将空域切割为体积相同的正方体。
16.进一步地，所述步骤s2中的预测是指对不同来源的数据进行权重分配，实现数据融合。
17.进一步地，所述卡尔曼滤波方法为：
18.取适当小的常数ε，当时，表示位置i处的第t时刻信号变化符合当前卡尔曼滤波的预测，t时刻信号的变动较小；
19.当第i个传感器从时刻1开始采集信息直到第n(n足够大)个信息都有表示该处的信号变化缓慢；
20.对于稀疏部署的第i个感知节点采集到的信号，用表示所有采集频谱信息中的第t时刻采集到的数据，传感器i的第t时刻的频谱情况用表示。
21.进一步地，所述步骤s4是指利用变分贝叶斯方法求解辐射源位置集合以及由辐射源的功率大小组成的集合。
22.进一步地，所述变分贝叶斯方法将动态缩减空间离散网格交点的数量和调整网格的空间位置，直到离散网格交点与辐射源位置重合。
23.进一步地，所述离散网格交点与辐射源位置更新方法为：
24.b1：获取若干个感知节点采集到信号强度集合；
25.b2：传感器采集到的强度值集合受路径损耗、采集误差值以及每个辐射源功率值的共同影响，对采集信息转化为数学表达式；
26.b3：结合卡尔曼滤波预测获取先验信息；
27.b4：利用变分贝叶斯算法交替迭代更新网格位置参数与辐射源向量。
28.进一步地，所述更新网格位置参数与辐射源向量后得到收敛的辐射源的位置向量和功率值。
29.进一步地，结合所述的电磁环境信息和路径损耗特点，补全频谱，恢复整个目标区域的频谱态势分布。
30.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
31.与现有技术相比，本发明的有益效果是：
32.1.本方法相较于以往的空间插值技术，充分利用了电磁环境的先验信息，可以生成更高精度的频谱地图，并联合高精度的频谱地图准确挖掘出辐射源的位置。
33.2.相较于插值算法，本方法借助变分贝叶斯方法动态调整空间离散网格位置，克服了传统插值算法难以处理的情况。
34.3.通过卡尔曼滤波方法对部署节点处不同时刻的信号数据进行处理，并引入的常数ε作为表征信号的波动情况的依据。当信号的比较平稳时，采取更加稀疏的布点方案；当信号波动剧烈时，合理增加感知点的部署数量以确保预测结果的准确性。这样，在保证预测效果的情况下，依据信号的波动情况动态调整感知节点的数量，避免了盲目部署或依据经验进行节点部署中产生的位置和数量不合理。
35.4.本方法将区域分割为多个不同的区域，通过稀疏的测量点采集数据，结合磁环境先验信息与信号传播特性，对全部区域内的频谱态势进行还原。
附图说明
36.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其他的实施附图。
37.图1是本发明的方法步骤图；
38.图2是本发明三维频谱地图的示意图。
具体实施方式
39.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。
40.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
41.如图1和图2所示，本具体实施方式采用以下技术方案：
42.实施例1：
43.一种基于稀疏布点的频谱态势补全方法，包括以下步骤：
44.s1：对区域进行离散化处理；
45.s2：在坐标系中稀疏选取若干离散网格交点，在选取点处部署感知节点，通过卡尔曼滤波对感知节点部署位置处的信号状态进行预测；
46.s3：经过卡尔曼滤波方法预测感知节点位置处的频谱情况，作为变分贝叶斯方法的先验信息；
47.s4：结合获取的电磁环境的先验信息进行求解。
48.在地面选取一定点作为坐标原点，以此定点建立包含时间和空间的四维坐标(x,y,z,t)，其中t表示时间节点；在三维空间坐标上选取固定的距离间隔对空域进行分割；选取若干空间方块的定点，在此位置部署信号强度感知节点。
49.其中，对空域进行分割是指在x、y、z三个方向选取固定的长度间隔，产生多个平行或垂直的交叉平面将空域切割为体积相同的正方体。
50.其中，预测是指对不同来源的数据进行权重分配，实现数据融合。
51.其中，利用变分贝叶斯方法求解辐射源位置集合以及由辐射源的功率大小组成的集合。所述变分贝叶斯方法将动态缩减空间离散网格交点的数量和调整网格的空间位置，直到离散网格交点与辐射源位置重合。利用所述更新网格位置参数与辐射源向量后得到收敛的辐射源的位置向量和功率值，结合所述的电磁环境信息和路径损耗特点，补全频谱，恢复整个目标区域的频谱态势分布。
52.其中，卡尔曼滤波方法为：
53.取适当小的常数ε，当时，表示位置i处的第t时刻信号变化符合当前卡尔曼滤波的预测，t时刻信号的变动较小；
54.当第i个传感器从时刻1开始采集信息直到第n(n足够大)个信息都有表示该处的信号变化缓慢；
55.对于稀疏部署的第i个感知节点采集到的信号，用表示所有采集频谱信息中的第t时刻采集到的数据，传感器i的第t时刻的频谱情况用表示。
56.所述离散网格交点与辐射源位置更新方法为：
57.b1：获取若干个感知节点采集到信号强度集合；
58.b2：传感器采集到的强度值集合受路径损耗、采集误差值以及每个辐射源功率值的共同影响，对采集信息转化为数学表达式；
59.b3：结合卡尔曼滤波预测获取先验信息；
60.b4：利用变分贝叶斯算法交替迭代更新网格位置参数与辐射源向量。
61.实施例2：
62.在空间大小为(x,y,z)的三维目标区域内，设置m个传感器和存在k个辐射源，用表示传感器位置集合、表示辐射源位置集合，和ξk分别表示第m个传感器和第k个辐射源的位置，{r1,r2,k,rm}表示m个传感器采集的接收信号强度数据。
63.1)对区域进行离散化处理。在机场地面选取一定点作为坐标原点，以此定点建立包含时间和空间的四维坐标(x,y,z,t)，其中t表示时间节点，这样每个采集到的信息都可以用这四个坐标进行标号。在三维空间坐标上选取固定的距离间隔对空域进行分割，即在x、y、z三个方向选取固定的长度间隔，产生多个平行或垂直的交叉平面将空域切割为体积相同的正方体。下面假设离散后产生i个网格交点。经过这步的处理，空域离散产生的空间方块顶点位置可以用自身的坐标向量表示。下一步将会选取若干空间方块的定点，在此位置部署信号强度感知节点。
64.2)在坐标系中稀疏选取若干离散网格交点，在选取点处部署感知节点，通过卡尔曼滤波对感知节点部署位置处的信号状态进行预测。预测的其实是对不同来源的数据进行权重分配，实现数据融合。针对机场的频段和环境特点选取合适的信号传播模型用来预测塔台信号传输至第i个感知节点在第t 时刻的信号强度，结合感知节点i(i＝1,2,
…
,m)在t时刻采集到的信号真实强度r＝[r1,r2,..,rm]，作为卡尔曼滤波器的预测输入。相应的校正输入是感知节点i采集到的真实信息。依据预测输入和校正信息得到输出的预测结果为对于第i个感知节点，其部署位置记为它在t时捕捉到的历史信号数据表示为基于前t个历史数据，卡尔曼滤波可以有效预测下一个时刻的历史信号数据为了量化当前信号的波动情况，选取一个足够小的常数ε，对比预测值与实际采集值的差值，如果存在：即预测值与实际值相差不大，表明这段时间内信号的变化较为平稳，可以减少此处感知节点的部署数量，仅依靠卡尔曼滤波预测此节点位置处的频谱情况。
[0065]
3)经过卡尔曼滤波方法处理后，机场中的信号遮蔽情况和传输特点结合航空公司专家已经知晓了部署节点处采集的信息和当前信号是否强烈波动；经验，共同作为变分贝叶斯方法的先验信息。
[0066]
4)变分贝叶斯方法求解辐射源位置集合以及由辐射源k的功率大小组成的集合ak。对于辐射源位置，变分贝叶斯方法将动态缩减空间离散网格交点i的数量和调整网格的空间位置，直到离散网格交点与辐射源位置重合。而第i个辐射源功率大小μi将由离散网格交点处的对应向量大小表示，下面用u＝[μ1,k,μi]表示i个网格点上的功率值。具体实现分为以下四步。
[0067]
第一步，获取m个感知节点r采集到信号强度集合，用矩阵r表示，即获取r＝[r1,r2,k,rm]
t
。
[0068]
考虑大范围空域内，信号传输中的路径损耗和阴影衰落(假设已知目标区域阴影衰落相关特性，每个辐射源受到的由阴影衰落带来的影响相互独立) 带来的影响，令服从对数正态分布的ψ(sm)表示位置sm处阴影衰落的影响，则第m个传感器采集的接收信号强度(rss)数据为：
[0069][0070]
其中m＝1,
…
,m，而ak表示第k个辐射源的发射功率，θm表示传感器测量过程带来的误差，它服从均值为零的高斯分布。f(t,τ)表示简化的路径损耗函数：
[0071]
d0是参考距离，当辐射源与传感器之间的距离小于参考距离时不考虑路径损耗的影响，η为路径损耗因子。令r＝[r1,r2,
…
,rm]
t
、a＝[a1,a2,
…
,ak]u、θ＝[θ1,θ2,
…
,θm]i、那么将每个传感器ri采集到的接收信号强度数据形成的集合r写成矩阵形式：
[0072][0073]
目前仍然无法同时求解出辐射源的位置和各个辐射源的功率分布 a。
[0074]
第二步，传感器采集到的强度值集合r受路径损耗h(v)、采集误差值θ以及每个辐射源功率值u的共同影响，对采集信息转化为数学表达r＝h(v)u+σ。
[0075]
假设k个辐射源位于已知的i个网格点上(i≥k)，表示网格点的三维空间位置集合，当第i个网格点存在辐射源时，其对应向量值为辐射源的发射功率；反之，其对应向量值为零。通过变分贝叶斯算法交替迭代更新表示网格位置和功率大小的参数，使网格点逐渐减少并与辐射源位置相契合，最终得到辐射源的位置与发射功率。令表示第i个网格点位置分别到m个传感器的路径损耗，u＝[μ1,k,μi]为i个网格点上的功率值，记h(v)＝[h(v1),k,h(vi)]，则采样数据向量r可以写为：
[0076]
r＝ψ(s)eh(v)u+θ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0077]
因为ψ(s)服从对数正态分布，它的db值为均值为零的高斯随机变量，当其较小时：
[0078][0079]
两个高斯变量的线性叠加，也为高斯变量，且均值为零，将其表示为σ，则采样数据向量r可以简化为：
[0080]
r＝h(v)u+σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0081]
第三步，结合卡尔曼滤波预测获取先验信息。
[0082]
在采样数据r的线性表示中，采样数据r已知，并且包含卡尔曼滤波的预测结果与
部署节点采集到数据两部分构成。网格点位置参数v与功率向量u 未知，向量σ服从均值为零的高斯分布，假设其方差为α-1
i，其中先验参数α服从超参数为a、b的gamma分布。
[0083][0084]
由于只有存在辐射源的网格点的向量值不为零，且刚开始辐射源数量k 远小于网格点数量i，所以功率向量u为稀疏向量。考虑功率向量u服从高斯分布，且ui之间相互独立，方差为那么u的先验分布为：
[0085][0086]
其中β＝[β1,k,βn]
t
,b＝diag(β).为保证u的稀疏性，令β服从超参数为 c、d gamma分布，那么β的先验分布为：
[0087][0088]
第四步，利用变分贝叶斯算法交替迭代更新网格位置参数与辐射源向量。
[0089]
由于在实际场景中，参数u、α、β的后验概率分布难以计算。利用参数 u、α、β的变分分布逼近其后验概率分布，从而估计未知变量u、v和超参数 a、b、c、d。
[0090]
用变分分布q(u)q(α)q(β)逼近后验分布p(u,α,β∣r；v)：
[0091]
p(u,α,β∣r；v)≈q(u,α,β)＝q(u)q(α)q(β)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0092]
其中近似的后验分布为：
[0093]
ln q(u)＝ln p(r,u,α,β)
q(α)q(β)
+c0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0094]
ln q(α)＝ln p(r,u,α,β)
q(u)q(β)
+c1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0095]
ln q(β)＝ln p(r,u,α,β)
q(u)q(α)
+c2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0096]
其中c0、c1、c2为常数。
[0097]
根据贝叶斯定理，将采样数据r的似然函数p(r|u,α)和u、α、β的先验分布带入上述公式可以求得：
[0098]
q(u)＝n(u∣ρ,σ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0099]
这样求得辐射源功率信息q(u)。
[0100]
q(a)＝gamma(
ɑ
ia％b％)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0101][0102]
其中参数迭代更新的表达式为：a％b％
[0103]
ρ＝(α)σh
t
(v)r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0104]
σ＝((α)h
t
(v)h(v)+(b))-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0105][0106][0107][0108]
[0109]
求解出未知变量u和超参数a、b、c、d后，固定这些参数值，在变分贝叶斯算法的m步中，最大化v的似然函数，更新网格向量v的值，即获得了与辐射源位置契合的网点位置集合
[0110][0111]
最后，经过多次迭代更新参数后，得到收敛的辐射源的位置向量v和功率值q(u)。根据专家经验，结合机场中电磁环境信息和塔台附近路径损耗特点，可以恢复整个目标区域的频谱态势分布，生成频谱地图，如图2所示。
[0112]
本发明的实现方法：将目标空域建立三维坐标系，对区域进行离散化处理，即将空间均匀分割为若干单元空间，每一个交点的位置都可以在坐标系中用向量表示，对于稀疏部署的第i个感知节点采集到的信号，用表示所有采集频谱信息中的第t时刻采集到的数据。卡尔曼滤波方法预测传感器i 的第t时刻的频谱情况用表示。取适当小的常数ε，当时，可以认为位置i处的第t时刻信号变化比较符合当前卡尔曼滤波的预测，t时刻信号的变动较小。当第i个传感器从时刻1开始采集信息直到第n(n足够大) 个信息都有可以认为该处的信号变化缓慢。面对缓慢变化的情况，该位置处附近的离散网格节点不需要密集部署感知节点，在离散的空域节点中，稀疏部署若干信号采集节点用于采集该点的位置信息与信号强度信息。由于外界环境复杂，并且受到周围建筑物等外界因素阻碍影响，理想环境下的信号传播模型并不具有适应性。所以需要借助感知点采集到的信息，对信号传播过程中的损耗特点进行检测，针对不同机场特点调整其信号传播的损耗，形成真实的信号传播模型，当已知空域的信号传播模型时，用参数的变分分布逼近采样向量的后验分布，建立变分贝叶斯模型，进行辐射源位置、功率估计和网格参数联合优化，可以求解辐射源位置与功率信息，并结合信号传播模型可以预测出整个区域内该信号的频谱态势地图。因此本方法在绕过辐射源候选位置的情况下，通过动态迭代的方式求解出辐射源位置与功率动态变化的频谱地图。
[0113]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
[0114]
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围由下面的权利要求指出。