[发明专利]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

说明书

技术领域

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

现在，城市中部署了大量的WiFi接入点(Access Point,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(Recieved Signal Strength,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(Conflict Graph)和提高通信质量。

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(Signal Propagation Model)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。

群智感知(Crowd Sensing)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(Smart phone)的高度动态的RSS测量值可被用来定位和构建室内布局图(floor plan)。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

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。

为了实现上述目的，采用以下技术方案：

一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：

首先计算和(j∈[1,M])

其中表示第j个AP的RSS测量值的个数，即K_ij表示第i个用户关于第j个AP的测量值集合；U_j表示测量第j个AP的用户集合；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j个AP位置的距离，即表示第j个AP的位置；和分别表示第t-1次迭代校准模型中两个参数的估计值；

然后计算第t次迭代中校准模型参数新的估计值，即i∈[1,N]：

其中表示第i个用户的RSS测量值个数，即A_i表示第i个用户测得的AP集合；

再计算和的收敛值和

计算测量值的校准值

和分别表示和的收敛值；

计算未测量位置的RSS值集合

表示第j个AP无线信号覆盖范围中所有位置的集合，表示已被测量的位置，即

最后得到构建结果

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(Ground truth)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

下面通过具体实施例对本发明对详细的描述。

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。

这个算法主要包含两部分：

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。