[发明专利]基于在线学习的移动群智感知最佳时空采样粒度确定方法

说明书

本发明公开了一种基于在线学习的移动群智感知最佳时空采样粒度确定方法，通过构建包含采样数据分布情况和采样成本的奖励函数，将采样结果转化成奖励，并且将奖励建模为广义线性模型，利用最佳臂感知未知区域数据分布的方法，多轮迭代完善模型，在最小化感知成本的基础上找到最优时空采样粒度。本发明解决了在无先验知识情况下的区域最佳采样时空粒度确认问题，便于以最能反映区域分布的采样策略高效地执行感知任务。面对未知的采样环境，采用多臂老虎机对探索和利用的权衡机制选择当前最佳采样策略，完善对实际奖励的估计。在多轮迭代中，找到奖励最多的采样策略，实现效益最佳的目标，即在最小成本下最能还原数据分布的采样策略。

技术领域

本发明属于无人机技术领域，具体涉及一种移动群智感知最佳时空采样粒度确定方法。

背景技术

近年来随着移动设备的普及，持续性群智感知被广泛应用于现实区域的数据检测。近年来随着移动设备的普及，持续性群智感知被广泛应用于现实区域的数据检测，随着5G技术的发展移动设备在物联网环境下能够极快地采集、共享数据。群智感知的兴起，在城市测温、噪声检测、城市交通拥堵情况检测、智能农业等方面发挥了重要作用。我们对区域进行持续性群智感知的通用做法是对区域进行时空粒度划分，按照划分的时空粒度进行采样。时空粒度的划分方式通常是基于历史数据驱动的，即根据先验知识和数据的时空关联关系设置时空采样粒度。在压缩感知中，采样粒度通常也是根据历史数据或者先验数据设置的，利用数据的时空关联性设置合适的采样粒度，降低感知成本。由此可见历史数据在感知数据质量中发挥了重要作用。

然而在很多现实场景中，存在未知的区域内发生紧急事件的情况，比如遭遇灾情等情况，此时环境变化较快，以往掌握的该环境的历史经验失效，并且比如在洪涝灾害检测这种情况下，还需要尽快采集某物理观测量的数据，得到区域内观测量的分布情况，便于根据观测结果执行救援任务。在此类情况下，由于数据信息变化较快，根据历史数据确定的采样粒度显然是不适宜当前环境的，需要寻找一种在线学习方式，经过实时反馈调整采样方案。

多臂老虎机产生于在对已知信息利用和未知信息探索之间权衡，寻求所得效益的最大化。近年来多臂老虎机越来越多的被应用于移动群智感知领域，成为感知领域找到最大效益感知策略的一种可行方案。

现有的工作采集数据时候，往往根据先验知识得到能够最贴切反映区域数据分布的数据采样时空粒度。然而面对完全未知的环境，或者环境变化较快的情况，此时没有先验知识或者先验知识无法起作用。

发明内容

为了克服现有技术的不足，本发明提供了一种基于在线学习的移动群智感知最佳时空采样粒度确定方法，通过构建包含采样数据分布情况和采样成本的奖励函数，将采样结果转化成奖励，并且将奖励建模为广义线性模型，利用最佳臂感知未知区域数据分布的方法，多轮迭代完善模型，在最小化感知成本的基础上找到最优时空采样粒度。本发明解决了在无先验知识情况下的区域最佳采样时空粒度确认问题，便于以最能反映区域分布的采样策略高效地执行感知任务。面对未知的采样环境，采用多臂老虎机对探索和利用的权衡机制选择当前最佳采样策略，完善对实际奖励的估计。在多轮迭代中，找到奖励最多的采样策略，实现效益最佳的目标，即在最小成本下最能还原数据分布的采样策略。

本发明解决其技术问题所采用的技术方案包括如下步骤：