一種基于群智感知的室外無線信號接收強度地圖構建方法
【技術領域】
[0001] 本發明涉及一種室外無線信號接收強度地圖構建方法。
【背景技術】
[0002] 現在，城市中部署了大量的WiFi接入點（AccessPoint,AP)。為了便于有效而又 靈活的接入，WiFi接入用戶最關心的是通信質量和干擾樣式。在大規模的環境中，AP的接 收信號強度（RecievedSignalStrength，RSS)地圖（Map)能夠為移動用戶提供基本的信 息，以便于構建沖突圖（ConflictGraph)和提高通信質量。
[0003] 不幸的是，由于實際物理環境非常復雜，構建精確的RSS地圖很困難。而且，超大 規模的無線網絡使RSS地圖構建更困難，特別是對于城市無線接入網絡。一種簡單直接的 辦法是利用帶有經驗參數的信號傳播模型（SignalPropagationModel)來構建虛擬的RSS 地圖。但是，通過實驗研究發現，在實際中，這種虛擬方法會產生不可接受的誤差。另外一 種直接的方法是遍歷所有區域進行RSS采樣。但由于在大規模的室外環境中耗費很大，這 種方法幾乎不可行。
[0004] 群智感知（CrowdSensing)能夠被巧妙地用來構建一個開放而又低耗費的平臺， 以構建實時的RSS地圖。最近的研究工作也顯示，在某些場景中，智能手機（Smartphone) 的高度動態的RSS測量值可被用來定位和構建室內布局圖（floorplan)。受這些工作啟 發，利用群智感知，即大量智能手機的RSS測量值來構建精確的室外RSS地圖。
【發明內容】
[0005] 本發明的目的是提供一種基于群智感知的室外無線信號接收強度地圖構建方法。
[0006] 為了實現上述目的，采用以下技術方案：
[0007] -種基于群智感知的室外無線信號接收強度圖構建方法，其特征在于：所述方法 包括下列步驟：
[0008] 首先計算和戶Ue[1，M])
[0009]
[0010]
[0011]其中表示第j個AP的RSS測量值的個數，即W=&K</I' 1^表 示第i個用戶關于第j個AP的測量值集合吼表示測量第j個AP的用戶集合；GK=log心 < 和％分別表示第i個用戶關于第j個AP的第k個RSS 測量值和其對應的測量位置，<表示位置到第」個4?位置的距離，即<=||<<-# /|， 孓表示第j個AP的位置；;r,"-11和；;廣1分別表示第t-1次迭代校準模型中兩個參數的估計 值；
[0012]然后計算第t次迭代中校準模型參數新的估計值，即or,ig[i，n]:
[0013]
[0014]
[0015] 其中表示第i個用戶的RSS測量值個數，即j;Al表示第i個用戶 測得的AP集合；T):: =-/T+ ;
[0016] 再計算（和?的收斂值彳和^
[0017]計算測量值考的校準值穹，+ |;
[0018] 為和及分別表示<〃和:#f)的收斂值；
[0019] 計算未測量位置*T(尤*eX; \f,)的RSS值集合p;
[0020] %表示第j個AP無線信號覆蓋范圍中所有位置的集合，i,表示已被測量的位置， 即f,eI/ ;
[0021] 最后得到構建結果
[0022]
j^l
[0023] 本發明是第一個用群智感知來構建實際的室外RSS地圖的工作。與當前方法最顯 著的區別是，不需專有測量設備（如高接收靈敏度的WiFi網卡）和專有測量人員，僅僅用 現有但不準確的設備（智能手機）和普通用戶的群智感知來構建RSS地圖。本發明提出了 一種迭代方法。它可在測量的真實值（Groundtruth)大部分未知以及測量噪聲預先未知 的情況下，同時校準群智感知中不準確的測量值和預測未采樣位置的測量值。實驗結果表 明，所提方法能夠獲得平均誤差為8. 5dBm的精確RSS地圖。較之最基本的方法（即直接利 用群智感知測量值構建地圖）能夠提高精度57. 2%。
【具體實施方式】
[0024] 下面通過具體實施例對本發明對詳細的描述。
[0025] 本發明提出了一種基于群智感知測量值構建精確的室外RSS地圖的算法。簡稱為 CARM。這個算法主要是基于下面三個基本的思想。首先，聯合手機測量值和基于信號傳播 模型的RSS預測值來估計測量誤差模型的參數。這些模型參數再被用來校準手機測量值。 其次，利用已校準的測量值來估計信號傳播模型參數。最后，提出了一種迭代方法，在測量 值校準和估計傳播模型參數之間交替迭代循環。通過多次迭代，測量值的校準精度和傳播 模型的參數估計精度都不斷提高直至收斂。
[0026] 這個算法主要包含兩部分：
[0027] 1)模型參數的迭代估計：迭代地估計手機的測量誤差模型和信號傳播模型的參 數直至收斂。具體地，利用誤差模型的參數估計值來估計傳播模型的參數。然后，反過來， 這些估計結果被用來重新估計誤差模型的參數。
[0028] 2)基于模型的RSS地圖構建：當迭代收斂后，利用每個手機的測量誤差模型來校 準它的測量值。同時，利用每個AP的信號傳播模型來預測未測量位置的RSS值。基于已校 準的測量值和預測的RSS值，可以得到一個既精確又完整的RSS地圖。
[0029] 下面將詳細介紹群智感知RSS地圖構建算法。首先依次介紹算法的兩個主要部 分，，即參數的迭代估計和基于模型的RSS地圖構建。在最后，給出算法的描述。
[0030] 模型參數的迭代估計：手機的RSS測量值與真實參考值之間存在線性關系。因此， 利用這個誤差模型來校準手機的RSS測量值。用筆和< 分別表示第i個用戶關于第j個 AP的第k個RSS測量值和其對應的測量位置。因此，可得它的RSS校準值f為：
[0031]
[0032] 其中31滿ni分別表示校準模型的兩個未知參數。它們由智能手機的型號和使 用方式決定。
[0033] 用經典的信號傳播模型（即UniformPathlossModel[20])來刻畫AP的室外RSS 分布。用^表示第j個AP的位置。因此，根據信號傳播模型，第j個AP在位置的RSS 的預測/古4 .
[0034]
[0035] 其中 < 表示位置％到第j個AP位置的距離，即《HI弋-尤,|卩。if表示第j個 AP的信號發送能量。d。和y,分別表示參考距離和信號衰減指數。
[0036] 和丫 ,是關于第j個AP設置的兩個未知參數。d。是一個已知常數。用a尸 10 ?y種A. =C+107, 。因此，公式可被表示為： L/1N丄UD丄CW丄03 A * *1 * 4:/ <
[0037]
[0038] 其中a#卩0j是由AP的設置參數以及部署的物理環境決定的兩個未知參數。
[0039] 理想情況下，