申请/专利权人：东南大学

申请日：2021-11-17

公开（公告）日：2024-04-16

公开（公告）号：CN114048783B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/213;G06F18/10;G06N3/0464;G06N3/045;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.03.04#实质审查的生效;2022.02.15#公开

摘要：本发明公开了一种基于移动群体感知的关于蜂窝信号地图的构建方法，以三维张量存储信号数据的时空特征，其张量的三个维度分别表示长、宽及时间维度。在构建信号地图时，首先进行MCS信号数据的潜在因子特征采集，然后提取其内部特征。接着进行缺失信号值预估，在潜在因子特征采集的基础上，利用贝叶斯概率张量分解来实现信号恢复，得到MCS数据的内部特征。最后，引入了一种新的基于学习的多视图特征融合模块，将外部特征嵌入到一个向量中，并将其与内部特征相结合，然后将其输入全连接层，获取信号特征并构建细粒度信号图。

主权项：1.一种基于移动群体感知的蜂窝信号地图构建方法，其特征在于，该方法包括以下步骤：步骤1.将信号数据的时空特征表示为三维张量其中，I和J分别表示矩形区域的长和宽的网格数，K表示网格内信号采集时间跨度，Sijk∈S表示移动设备从基站接收到的信号强度值；步骤2.MCS信号数据的潜在因子特征提取，在基站覆盖交叉区域的部分标定信号值；步骤2中，进行潜在因子特征提取方法如下：步骤201.利用欧几里得距离来描述空间相关性，然后把地图上的地理位置联系起来，利用公式1表示基站之间的距离相关性： 其中，σ2代表方差，Φbsi,j代表网格i和j的关系，表示欧几里得距离，即步骤202.利用公式2表示两个高维信号向量之间的余弦相似度，进行信号维度特征提取： 其中，H表示维度，表示在网格i中从H个基站中接收到的信号向量；步骤3.采用贝叶斯概率张量分解恢复未观测区域的信号值，即对缺失信号的预估；步骤3中，采用贝叶斯概率张量分解对缺失信号值的预估，具体方法如下：步骤301.假设每个观测项Sijk∈S近似服从独立高斯分布，即进一步对因子矩阵U，V，W的行向量ui，vj，wk进行先验分布，并且均服从多元高斯分布；因子矩阵U的第i行向量其中，μu∈RR，∧u∈RR×R，并且满足公式3，μu，Λu的概率分布函数为公式4：μu，Λu～Gaussian-Wishartμ0，β0，W0，v03pμu，Λu|Θ＝Nμu|μ0，β0Λu-1×WishartΛu|W0，v04步骤302.在精度参数τ上引入了柔性共轭Gamma先验，利用公式5表示精度参数τ先验函数分布： 其中，参数U，V，W，τ和超参数μu，∧u，μv，∧v，μw，∧w，a0，b0，利用吉布斯抽样求解；步骤303.因子矩阵U，V，W通过ui，vj，wk进行求解，计算方法如下：步骤30301.由于每个观测项Sijk近似服从独立高斯分布，可得到似然函数，表达式如公式6所示： 公式中⊙表示Hadamard积；步骤30302.由于因子矩阵U的行向量ui服从多元高斯分布，联合步骤30301中的似然函数，通过贝叶斯公式计算得到行向量ui的后验分布，表达式如公式7所示： 步骤30303.根据步骤30302得到的后验分布，按公式8、公式9求得 步骤304.通过公式3-9求解得到因子矩阵V,W的行向量vj,wk，最后，在吉布斯采样算法达到平稳状态后，通过蒙特卡罗近似可以估计出所有缺失值，由此实现对缺失信号数据的估计；步骤4.首先进行内部和外部视图的构造；然后利用两个嵌入网络分别对每个视图提取高维特征并进行向量表示；最后利用两个全连接层对不同视图向量进行拼接和融合，最终生成精细化信号地图；步骤401.分别进行内部信号视图和外部环境视图的构建，具体方法如下：步骤40101.将步骤3中得到的恢复后的信号张量分布及其特征作为内部视图；步骤40102.将收集到的信息数据，包括人口、道路网和兴趣点的外部特征信号映射成张量作为外部视图；步骤402.利用两个嵌入网络分别对内外部视图提取高维特征并进行向量表示，具体方法如下：步骤40201.对于内部视图，根据信号的更新周期，按照时间维度将步骤3中得到的恢复后的张量信号分布划分为矩阵，形成粗粒度信号地图引入平均池化层，整合从历史信号图中提取的特征，得到细粒度信号图步骤40202.对于外部视图，提出了一种基于上下文感知的外部特征嵌入表示；人口、道路网络和兴趣点的分布特征被映射成张量，并用嵌入向量表示；具体来说，首先收集外部特征，并将外部视图按照与张量S相同的地理空间进行划分，即长宽分别为I和J个网格的地理空间；然后，为了整合这些不同类型的环境特征，嵌入每个小网格区域的外部特征集，得到外部特征的嵌入向量；步骤40203.将步骤40201得到的细粒度信号地图与步骤40202得到的外部环境特征向量映射起来，利用卷积层进行处理，增强对外部信息的重构；步骤403.利用两个全连接层对不同视图进行拼接和融合，生成精细、准确的信号地图，具体方法如下：步骤40301.将内部信号特征和外部环境特征分别输入到两个多层感知层中，然后将输出结果拼接融合并经过全连接层得到精细精确的信号地图；步骤40302.使用Adam优化器通过提供训练对来学习所提出的多视图融合模型，并且计算反向传播的像素方向均方误差损失；步骤40303.引入掩模矩阵M∈R^NI×NJ在细粒度信号图中表示有可观测数据的区域，定义了损失函数对多视图融合模型进行训练，由步骤40201输出的内部时变信号特征与步骤40202输出的外部环境特征相融合，在张量恢复的粗粒度信号地图的基础上构建细粒度精准信号地图。

全文数据：

权利要求：

百度查询： 东南大学 一种基于移动群体感知的蜂窝信号地图构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD