基于高斯过程回归的无线信号源定位方法技术

基于高斯过程回归的无线信号源定位方法,涉及无线信号源定位技术领域,为了解决现有的无线信号定位方法需要的场景先验信息多，场景变更需要重新获知场景分布信息的问题。本发明专利技术包括部署无线信号探测器，所有无线信号探测器的位置信息形成矩阵X；各无线信号探测器采集得到接收信号强度信息，并互相交换信息，所有接收信号强度信息形成向量r；矩阵X和向量r形成训练集，建立高斯过程回归模型，并根据训练集求解高斯过程回归模型中的超参数，得到建立好的高斯过程回归模型；采用建立好的高斯过程回归模型对新的位置处的接收信号强度信息进行预测，完成整个关注区域的接收信号强度分布的预测，得到信号发射源位置。本发明专利技术适用于定位信号发射源位置。

【技术实现步骤摘要】
基于高斯过程回归的无线信号源定位方法
本专利技术涉及无线信号源定位

技术介绍
针对监狱中犯人使用非法无线通信设备的安全隐患，需要无线信号源定位技术完成对通信设备的侦测和定位，以达到阻断其通信的目的，保障监所安防监管。现有的无线信号定位方法主要采用射线追踪等确定性模型仿真手段，需要的场景先验信息较多，场景房间的尺寸、分布状况以及障碍物尺寸等都需要确知才能给出较好的信号覆盖预测结果；如果场景变更，模型均需要重新获知场景分布信息，重新进行计算才能得到较好的结果。
技术实现思路
本专利技术的目的是为了解决现有的无线信号定位方法需要的场景先验信息多，场景变更需要重新获知场景分布信息的问题，从而提供基于高斯过程回归的无线信号源定位方法。本专利技术所述的基于高斯过程回归的无线信号源定位方法，该方法包括：步骤一、部署无线信号探测器，并记录每个无线信号探测器的位置信息，所有无线信号探测器的位置信息形成矩阵X；步骤二、各无线信号探测器采集得到接收信号强度信息，并互相交换接收信号强度信息，所有接收信号强度信息形成向量r；步骤三、矩阵X和向量r形成训练集T，T＝{X,r}，建立高斯过程回归模型，并根据训练集T求解高斯过程回归模型中的超参数，得到建立好的高斯过程回归模型；步骤四、采用建立好的高斯过程回归模型对新的位置处的接收信号强度信息进行预测，完成整个关注区域的接收信号强度分布的预测，得到信号发射源位置。优选的是，步骤三具体为：训练集T上的边缘似然函数为：其中，p(·)为概率密度函数，K是根据核函数得到的核矩阵，是观测量中的噪声方差取值，I是单位矩阵，n是向量的维度；采用迭代算法求解公式1中核函数的最优超参数；将最优超参数带入建立的高斯过程回归模型，得到建立好的高斯过程回归模型。优选的是，核函数k(xi,xj)为：其中，xi是第i个无线信号探测器的位置向量，xj是第j个无线信号探测器的位置向量，Kθ1是修正贝塞尔函数，Γ(·)是Γ函数，δ(·)是狄拉克函数，θ1、θ2、θ3、θ4、θ5、θ6和θ7是超参数，k1(xi,xj)用于建模传播的信号在遇到建筑物反射时的快速衰减部分，k2(xi,xj)用于建模路径衰减损耗带来的信号慢变部分，k3(xi,xj)用于建模去除深衰落点的部分。优选的是，核函数k(xi,xj)为：其中，xi是第i个无线信号探测器的位置向量，xj是第j个无线信号探测器的位置向量，k4(xi,xj)用于建模信号传播的慢变路径损耗部分，k5(xi,xj)用于建模信号传播的快变部分，k6(xi,xj)用于建模信号传播过程中发生的多径效应部分，δ(·)是狄拉克函数，θ1、θ2、θ3、θ4、θ5、θ6和θ7是超参数。本专利技术对室内环境下的信号分布情况进行的建模更加符合信号的实际物理传播过程，得到室内环境下的信号强度分布更加准确，相对于现有技术，本专利技术在对抗多径效应方面和模型的学习能力方面有更加突出的表现，对信号发射源的定位更加的准确。本专利技术是基于机器学习的自适应方案，在场景变化时，并不需要重新提供新的场景信息就能自动完成学习过程，灵活度相对于现有技术有极大提升。附图说明图1是仿真场景及对比理论标准图，a)为仿真采用的室内场景分布图，b)为室内信号参数场理论分布图；图2是接收信号强度分布图，a)为受多径效应影响的实际接收信号强度分布图，b)为15％稀疏采样得到接收信号强度分布图；图3是采用现有的核函数得到的预测结果图，a)为采用高斯核函数，b)为采用Matérn核函数；图4是核函数性能对比图，a)为现有核函数性能对比图，b)为本专利技术的两种核函数与Matérn核函数性能对比图；图5是基于高斯过程回归的无线信号源定位方法的流程图。具体实施方式具体实施方式一：结合图1至图5具体说明本实施方式。为保证本实施方式的方法能够正确工作，需要做以下假设：假设1：无线信号探测器具备获得当前位置的接收信号强度信息的能力；假设2：无线信号探测器之间能够通过有效的信息交换，得到整个关注的区域内分布的其他节点的接收信号强度信息；假设3：无线信号探测器的位置能够准确的被获知。本实施方式的方法涉及到的原理内容如下：1、接收信号强度(ReceivedSignalStrengthIndication，RSSI)在无线通信中，接收信号强度是一种用于衡量接收端接收到的无线信号能量强度的技术指标，能够有效的反应信号接收端接收到信号的质量。RSSI的获取通常位于中频放大器前端，较易获取。由于信号的物理传播过程复杂，由障碍物反射、折射和散射导致的多径效应会极大的影响到RSSI的取值，使得结果出现较大的波动。这种波动将引起参数场重构的失真甚至错误，导致无线信号源检测定位的误差增长。2、多径效应(MultipathEffect)多径效应是移动无线通信的主要特征之一，由于无线传播环境的影响，在电波传播的路径上，电波产生了反射、绕射和散射，这样电波传输到接收端的时候将不是单一路径，而是多个路径，不同幅度不同相位信号的叠加。假设发送信号x(t)为：x(t)＝Re{s(t)exp(j2πfct)}(1)式(1)中，fc为载波频率，Re(·)表示取实部，s(t)为基带信号(即载波信号的复包络)，t为时间变量，exp(j2πfct)是载波信号。此信号经过多径信道时会受到多径效应的影响。假设第i条路径的长度为xi，衰落系数为ai，考虑的多径数目为m，则接收端接收到的信号y(t)是这些不同分量的信号加和，且可以表示为：式(2)中，c为光速，λ＝c/fc为波长。将式(2)推导成载波信号的复包络形式，则有：y(t)＝Re{r(t)exp(j2πfct)}(3)式(3)中，是接收信号的复数形式，τi是第i条路径的传输时间，r(t)是衰落、相移和时延都不同的各个路径的信号总和，这样的复包络会表现出由位置决定的对原始信号的不同衰落加权，导致采样的传感器节点可能位于多径衰落的深衰落点，使得采样的值不能准确地反应当前位置的真实信号分布状况，从而导致无线信号源定位的错误。3、高斯过程回归(GaussianProcessRegression，GPR)高斯过程回归是一种强有效的机器学习算法，作为一种非参数模型，它能够拟合几乎任意一种分布。相对于传统的线性回归模型来说，并不存在模型的复杂度无法满足数据分布特点的情况；而且其预测结果是通过一个概率分布给出的，相对于普通的参数模型和非参数模型，它能给出置信度分析，从而在模型性能上表现出更加鲁棒的特点。将输入给模型进行训练的数据集表示为T＝{X,y}，其中X为训练数据集的输入，y为对应于输入的输出结果。设用于训练的样本数目为M，考虑的输入特征为n个，则X可以表示为(注：以下公式中，小写黑体表示向量，大写黑体表示矩阵，非黑体均表示标量)：式(4)中，{x(i)|i＝1,2…M}代表第i个输入向量，且有，即其中的每一个标量表示对应维度的元素取值。训练集对应于输入样本的输出y为：假设使用的模型所采用的方差矩阵为Σp，数据输出中存在的噪声方差为那么根据高斯过程回归模型，对于一个新的输入数据x'，其输出的预测结果f(x')可以用以下的概率分布来表示：式(6)中，p(·)表示概率密度函数，表示高斯分布，k(·,·)是核函数，简记为4、核函数(Kernel)在高斯过程回归本文档来自技高网...

【技术保护点】
1.基于高斯过程回归的无线信号源定位方法，其特征在于，该方法包括：步骤一、部署无线信号探测器，并记录每个无线信号探测器的位置信息，所有无线信号探测器的位置信息形成矩阵X；步骤二、各无线信号探测器采集得到接收信号强度信息，并互相交换接收信号强度信息，所有接收信号强度信息形成向量r；步骤三、矩阵X和向量r形成训练集T，T＝{X,r}，建立高斯过程回归模型，并根据训练集T求解高斯过程回归模型中的超参数，得到建立好的高斯过程回归模型；步骤四、采用建立好的高斯过程回归模型对新的位置处的接收信号强度信息进行预测，完成整个关注区域的接收信号强度分布的预测，得到信号发射源位置。

【技术特征摘要】
1.基于高斯过程回归的无线信号源定位方法，其特征在于，该方法包括：步骤一、部署无线信号探测器，并记录每个无线信号探测器的位置信息，所有无线信号探测器的位置信息形成矩阵X；步骤二、各无线信号探测器采集得到接收信号强度信息，并互相交换接收信号强度信息，所有接收信号强度信息形成向量r；步骤三、矩阵X和向量r形成训练集T，T＝{X,r}，建立高斯过程回归模型，并根据训练集T求解高斯过程回归模型中的超参数，得到建立好的高斯过程回归模型；步骤四、采用建立好的高斯过程回归模型对新的位置处的接收信号强度信息进行预测，完成整个关注区域的接收信号强度分布的预测，得到信号发射源位置。2.根据权利要求1所述的基于高斯过程回归的无线信号源定位方法，其特征在于，所述步骤三具体为：训练集T上的边缘似然函数为：其中，p(·)为概率密度函数，K是根据核函数得到的核矩阵，是观测量中的噪声方差取值，I是单位矩阵，n是向量的维度；采用迭代算法求解公式1中核函数的最优超参数；将最优超参数带入建立的高斯过程回归模型，得到建立好的高...

【专利技术属性】
技术研发人员：吴少川，周晓康，夏慧云，魏宇明，宋言午，左润东，王楠，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23