基于移动无线电环境地图建设由克里格算法群体感应

文摘

在物联网时代,5 g宽带接入等将使各种物联网服务无处不在,高用户和设备移动性和连通性的大量的设备。无线电环境地图(REM)可用于提高无线资源的利用率的物联网设备的访问控制合理的无线频谱资源分配它们。然而,构建快速眼动的主要问题是如何收集数据的大规模。移动人群传感(MCS),利用智能设备由普通民众来收集信息,收集无线电环境信息是一种有效的解决方案为构建REM。在这篇文章中,我们建立一个快速眼动收集基于MCS的原型系统来收集所需的数据广播环境信息。然而,有限的预算平台,很难招募到足够的参与者加入传感任务来收集无线电环境信息。这将使无线传感区域的环境信息不完整,无法描述广播信息准确性。考虑到克里格算法已广泛应用于地质统计学原理为克里格空间插值给最好的与最小方差无偏估计,我们利用克里格插值算法从收集样本推断出完整的无线电环境信息广播环境信息数据。插值性能分析的基础上,收集样本无线电环境信息数据。我们将演示实验分析了克里格插值算法插值结果和错误并把他们与最近邻(NN)和逆距离权重(IDW)插值算法。实验结果表明,克里格算法可以应用于推断无线电环境信息数据的基础上,收集样本数据和克里格插值的插值误差最小。

1。介绍

在物联网网络,5 g技术的特点是高比特率超过10吉比特每秒以及更多的能力和非常低的延迟,它将利用新技术概念满足”而随时随地“物联网设备的要求。物联网设备的快速发展,对无线频谱资源的需求正在增加。为了动态频谱资源计划来提高无线资源的利用率提供物联网的井控设备的访问控制,我们可以构建无线环境地图(REM)来收集和理解广播信息。快速眼动可以提供多畴的环境信息,比如地理特性,可用的服务,光谱法规、收音机、地点和活动相关的政策,和经验1]。

然而,构建快速眼动的主要问题是如何收集大规模的数据。目前,大多数的雷姆是针对小范围和适用于特定的应用程序。和通用方法来构建一个快速眼动是通过部署传感器在一定环境中收集传感数据。然而,REM应用于许多不同的网络和应用程序,这使得网络和应用程序必须分别收集数据(2,3]。此外,相同的数据很难在不同的应用程序之间共享和重用,导致重复的数据收集和浪费资源。因此,构建一个大规模具有重要意义和普遍REM,可集成数据源广播环境,避免重建数据库的成本(4]。移动人群传感(MCS)是一种有效的解决方案来解决这个问题,这是一个新颖的新兴模式,利用智能设备由普通民众来收集信息,促进了许多遥感应用中,如环境监测、交通检测、社会互动、公共信息共享(5]。MCS可以应用于传感区域收集无线电环境信息。为了描述环境信息全面,招募足够的普通用户与智能设备参与广播环境信息的收集是必要的。与传统的数据收集技术相比,MCS通过内置传感模块收集环境信息在移动终端,它流动的性质,无处不在的节点,强大的存储和计算能力(6,7]。

无线网络信号都是电磁波的传播和衰减是复杂的过程。因此,在本文中,我们只分析电磁波在空间的传播和衰减过程熵在理想条件。在理想环境下,传播过程不受任何阻碍,没有任何多路径传播。然后空间电磁波的传播模型是一个自由空间传播模型。根据无线电磁波传输的模式在自由的空间,空间插值算法可以应用于恢复狼狈的无线传感区域的环境信息数据。克里格插值算法已广泛应用于地质统计学原理对空间插值而不是广泛应用于无线网络区域。克里格空间插值算法估计未知点数据,而不是只考虑估计点的相对位置和已知的采样点,但也认为所有样本点之间的相对位置关系。在本文中,我们提出了使用克里格插值算法来推断狼狈的无线电环境信息基于收集到的样本数据。

在本文中,我们提出了应用MCS收集广播信息。此外,为了解决这一问题的不完整的无线电环境信息不足造成的传感数据,我们提出了应用克里格插值算法来推断狼狈的无线电环境信息与收集到的传感数据。我们的贡献如下:(我)我们提出一个基于MCS REM原型系统,无处不在,大规模和高维度可以感觉到REM-related数据和收集的终端由移动用户。(2)我们建议应用克里格插值算法来推断造成的未收款的无线电环境信息目标区域不覆盖的参与者。(3)我们建立实验收集无线电环境信息和推断的样品丢失的目标区域的广播信息。结果表明,克里格插值算法可以推断出失踪的广播信息和内插误差最小。

剩下的纸是组织如下。节2,介绍了相关的工作。部分3概述了基于MCS REM的架构。节4介绍了克里格插值算法。仿真结果说明部分5。部分6给出了结论。

2。相关的工作

建立REM需要大量的传感器和种类的无线电环境信息,这是一个巨大的挑战。目前,快速眼动数据收集方法主要可以分为三种类型。首先是集成或者直接从现有数据库访问相关信息,由软件工具评估无线电传播特性,利用认知无线电设备或网络数据。收集数据从现有的数据库是一个相对方便的方式,尽管数据更新时间取决于底层数据库的更新周期。此外,历史信息并不是存储在底层数据库。Riihijarvi等人采取有利的外部数据集构建快速眼动,但外部数据集的更新周期很长,使数据无法满足实时的要求快速眼动(8]。构建快速眼动以这种方式很难满足上层应用程序与要求实时和历史信息。第二,描述和估计的性质计算基于软件无线电传输信号衰减的无线电环境建模,这样我们才能更好的计划(9,10]。该模型在11)清楚地给出了一个解决信号衍射引起的阻塞问题,但这需要一个精确的矢量模型的三维结构,与有限的数据和解决在大多数实验环境。它不能被应用于需要高精度的应用程序。上述评估方法通常提供了有限的数据,不良数据的准确性。第三,基于无线设备或外部网络的方法主要是利用异构的信息传感能力谱传感器网络收集数据(12,13]。在数据收集方面,MCS的传感模式指的是移动用户感知和计算设备任务是收集和提供数据,以使不同的应用程序(14]。它结合了以人为中心的感应,众包,这样大量的普通用户和智能设备可以相互合作,形成一个传感网络和交付传感任务(5]。然后参与者可以上传MCS的传感数据平台。MCS的发展导致了各种新颖的传感应用。一些典型的例子包括空气质量检验应用常识对空气质量监测5由加州大学伯克利分校,溪看应用程序来评估城市水资源(15由IBM, Nericell系统(16)由微软监控道路和交通条件实现如果利用智能手机用户随身携带在正常课程。MCS吸引了研究人员的关注由于优势如无处不在的传感器节点、参与者的流动性好,低维护成本,和丰富的传感数据类型。因此,MCS可以应用于收集无线电环境信息。

MCS可以应用于收集大规模数据由于流动的性质,无处不在的传感节点。然而,有限的预算,没有足够的参与者加入到数据收集,使无线电环境信息不完整。建立REM,完整的无线电信息是必要的。很多工作已经完成关于推断缺失的数据根据样本数据在许多研究领域。Talvitie等人调查施工空间内插和外推法算法的指纹数据库(17]。缺乏知识的灯塔位置,测量未知点插值是基于实际测量在周围。有几种插值算法考虑(17),其中包括基于德劳内三角测量线性插值,最近邻(NN)和逆距离权重(IDW)等等。结果表明,提高定位精度,利用构造数据库比较完整的数据库。Grimoud等人使用一个迭代过程来获得基于克里金插值的快速眼动减少所需测量数据(18]。Umbert等人应用克里格和一个修改版的逆距离加权(IDW)算法来构建一个户外电视频谱资源的快速眼动(19]。因此,有一个时空相关性无线电环境数据,和克里格插值算法可以应用于推断失踪的无线电环境信息数据。在这里,我们使用克里格插值算法来推断失踪的无线电环境信息数据根据收集到的样本数据。

3所示。基于MCS的REM架构

在本节中,我们将介绍基于MCS的快速眼动。首先,我们现在的系统体系结构,并讨论系统组件的无线电环境信息数据采集平台。其次,我们引入了数据收集过程用于收集无线电环境信息数据。

3.1。无线电环境信息收集系统体系结构

3.1.1。无线环境信息采集平台

图1基于MCS显示了我们的系统的概述。如图1,从底层到上层,系统包括数据传感层、数据采集层、数据处理层、数据分析层和可视化层。在数据传感层,大量移动终端构成移动人群传感网络,他们扮演的角色运行数据收集应用程序命名为无线传感的数据检测。移动终端上传的传感数据云服务器通过wi - fi / 3 g / 4 g网络。数据采集层主要负责接收数据,节点选择、任务分配,使激励机制招募足够的兴趣参与传感节点的任务。数据预处理包括安排数据格式和数据融合。数据分析层负责无线电环境的统计分析和计算相关的参数。最后,可视化层显示了相关的快速眼动的结果形式的场强地图,热点图,以及其他一些地图。

我们建议的体系结构包括各种功能模块,通过定义良好的接口通信。建立一个完整的无线电环境地图,根本问题是大量数据的收集和复杂类型数据处理和可视化。我们的系统包括五个不同的功能模块:数据传感、数据收集、数据处理、数据分析和可视化;他们每个人都有自己的功能。

数据传感模块是由MCS网络,这是由移动终端由移动用户。当一个移动用户接收一个数据传感任务,它将决定用户参与的任务。如果是这样,它将收集所需的数据由传感模块嵌入到终端。此外,它还上传数据到web服务器通过不同类型的网络访问技术如wi - fi和3 g / 4 g。多年的系统包括感知数据和电话,手机地图API,实时热图建设,和信号强度的地图。用户可以使用无线检测的实时视图环境中所使用的无线电频谱资源。

数据收集主要包括区域分区,激励机制,节点选择、任务分配、数据存储和数据分布。区域分区的目的是确定一个传感任务是指地理位置或者是基于一些社会关系。在我们的系统中,我们把它分为区域部门和业务部门。的激励机制是用来降低成本吸引足够的传感平台以及用户。此外,节点选择机制需要选择适当的节点的传感和数据还需要将传感节点分配给相应的传感任务如果有多于一个的任务。

数据处理模块主要包括两个模块:数据预处理(过滤和清洁)和数据融合,这是由MapReduce实现工作流。数据处理流程如下。首先,在数据融合模块Avro压缩各种格式的数据,并将大量的小文件合并到大文件来改善MapReduce的效率。其次,作为原始数据是不同的数据类型,数据清洗和过滤可以发挥重要作用,去除噪声和干扰等错误数据。第三,这些数据是由服务器集群处理,处理结果存储在数据中心。

数据分析负责统计分析和计算后的数据预处理。为了展示地图上的无线环境,它需要执行分析和计算得到相关参数如渠道占领,频带占用,背景噪声强度。

可视化模块负责展览REM-related数据参数。我们设计的可视化快速眼动特性。系统可以显示无线网络信号覆盖,手机信号覆盖热图,和wi - fi频道职业比例地图。视觉REM便于识别目标区域的无线环境。

3.2。无线环境信息的收集过程

在[20.),作者提出4 w1h模型在移动传感和MCS生命周期分为四个阶段,如图所示2:任务创建、任务分配、个人任务执行,根据MCS人群数据集成的生命周期。接下来,我们将讨论以下关键设计问题:快速眼动任务创建,REM任务分配,参与者招募,参与者的选择。

任务创建指定的感知时间和覆盖范围快速眼动。在我们的系统中,web服务器发布的传感任务用户感兴趣的数据收集任务。REM支持上层应用程序漫长的时空信息,所以感觉时间是连续的。

在我们快速眼动任务分配阶段,系统负责招聘和选择参与者的MCS的任务。相应地,这个阶段包括参与者招募,参与者的选择和激励机制。我们选择适合的参与者加入传感任务收集无线电环境信息,并奖励他们高质量的遥感数据。参与者招募的目的是鼓励足够多的人加入传感任务和得到更多的无线电环境数据。然而,有限的预算平台或人类的机动性,只有一部分的参与者可以加入无线环境信息感知任务。然后无线电环境信息数据是不完整的;稍后我们会讨论解决方案。

在传感任务执行中,参与者进行传感任务和感知的数据上传到MCS平台。参与者接收传感任务,然后收集无线电环境数据。选择的参与者分布在目标收集数据的地方。后无线电环境数据收集参与者上传数据到MCS平台服务器通过蜂窝网络(3 g / 4 g)或无线局域网。

在数据集成过程中,主要问题是实现MCS的任务是处理和分析从移动终端接收到的原始数据和可视化所需的最终结果。

4所示。缺失的数据推断克里格

4.1。相关定义

在本节中,我们将介绍如何推断出失踪的无线电环境信息数据通过克里格插值算法。整个过程如图3,它可以分为两个步骤。首先,我们分析的分布采样点分布在感应区域,提出一种变差函数模型来反映变量的空间结构特征和分布特征。其次,我们使用克里格算法计算根据收集到的样本缺失的数据广播环境信息数据。第三,介绍了相关的一些基本概念和定义,表中列出的所有参数1。

定义1(方差图)。在空间统计理论变差函数 是一个函数描述空间随机场的空间相关性程度或随机过程 。给定一个感兴趣的领域 ,RSS值的意思是在一个位置被认为是一个随机变量(RV) 。然后,RSS值的意思是在区域可以表示为一个随机领域(RF),这是一个空间旅游房车的集合, 。

定义2(平稳过程)。正式,让是一个随机过程,让 代表无条件的累积分布函数(即。,with no reference to any particular starting value) joint distribution of有时 。然后,据说是严格(或强烈)固定,如果所有 ,对所有 ,和所有 , 。

4.2。问题公式化

(1)分析的采样点的分布:考虑到样本无线电环境信息数据该地区的 ,我们需要使用方差图函数来分析样本数据的分布传感区域。如果样本数据只取决于距离样本数据之间的点,我们可以用克里格插值来推断出更多数据。(2)克里格插值过程:考虑到样本无线电环境信息数据该地区的 ,我们需要推断出完整的无线电环境信息数据构建快速眼动。

4.3。的变差函数

首先,一些基本概念和定义介绍了克里格插值算法如下:

统计过程的变差函数通常是应用于geolocation-related信息。变差函数可以描述变量的结构变化和分布的地理空间。假定样本数据点的值在感应区域和样本数据的价值点 是 。然后一半的方差值之间的差异的两个点被定义为的变化在位置 。函数可以表示为

在哪里 变差函数和和 样本属性值的变量点吗和 分别在目标区域。之间的距离是和 ,和 数学期望。变差函数的函数,当增量的变量 目标区域满足以下两个条件,据说满足二阶平稳性。(我)首先,示例无线电环境信息数据必须满足规定,列出如下: 意味着目标区域化变量没有明显特征的空间和周围波动。(2)其次,在整个目标区域,协方差函数存在,是稳定的;也就是说,

属性值 在目标区域与位置点没有关系和仅仅是相关的 ,这意味着相对位置的价值是相对的,不依赖于绝对位置。根据上述两个条件,可以得出结论:目标严格二阶平稳区域化变量在目标区域。然而,由于很难满足严格的二阶静止状态在现实生活中,满足严格的二阶静止状态的条件是削弱获得一种内在的假设,也称为一种内在的假设。同样的,当增量 目标的区域化变量满足以下两个条件,满足内在假设:(我)首先,示例无线电环境信息数据必须满足规则,如下。 (2)第二,目标的方差函数的地区增加 存在,是稳定的;的方差函数增量不依赖 ,然后

当目标区域的变化满足弱二阶平稳或固有的假设,由于 ,half-difference函数可以表示如下。

在这个时候,增量 的只有两个点之间的距离有关。上面的变差函数理论变差函数函数是一个函数。在实际操作中,多个样本数据需要被分成多个双计算,等等 ,在哪里是双点的数量除以样本数据 。极端的变差函数可以以下列方式计算。

在(7),是样本点和点之间的距离估计,然后呢是样品的数量用于计算样本之间的方差图吗 。上述步骤后,采样点的分布特征的分析目标区域已经完成。然而,为了估计未知的目标区域变量的值,方便功能点的拟合实际的样品也被称为理论变差函数模型。变差函数是抽象的理论模型的实验变差函数,然后使用它来计算克里格插值。

实验变差函数包含在有限数量的值 。来估计未知位置的测量,获得的价值之间的h分散分实验变差函数是必需的。因此,选择一个数学模型拟合的实验变差函数。这个模型通常是选择从球面模型、指数模型,高斯模型,功率模型和线性模型。我们选择样本无线电环境数据和输入Matlab。然后我们可以使用拟合函数数学表达式。

4.4。克里格插值

在未知位置一旦得到方差图,值可以估计基于已知的数据点。在数学上,这个问题可以被视为一个空间插值问题。假设目标区域研究是,变量在目标区域 ,在哪里表示目标区域内的一个位置。的样本值在目标区域 是 。那么值在点估计是已知的加权和点采样值:

在哪里 是已知样本点的权重系数。由于这一事实满足二阶平稳假设在分析采样点的分布在目标区域,然后(我)有一个变量的数学期望 ,和预期的价值是一个常数, ;(2)有一个变量的协方差函数;点的值,估计在目标区域B之间的距离只有相关已知采样点的位置;然后,

根据可用的插值的公正的要求, 然后,

然后条件下二阶平稳,估计方差的计算过程可以由下面的方法。

为了减少方差的无偏估计, ,然后我们可以得到方程的加权系数在(8)。

克里格方程的方程。此外,(8)写成矩阵形式:

在哪里

解决后的重量系数上面的方程,可以使用(8)来计算,计算预测值与估值点。自克里格插值算法有基于已知样本和最低估计误差被认为是根据目标的属性值的分布地区,更多的已知样本点的数据在目标地区可用于估计,和估计的值更接近真实值。

我们应用克里格插值算法来推断出更多无线电环境信息数据根据样本收集信息。我们使用样本数据来估计传感领域的价值。我们的克里格权重是通过最小化估计误差方差;也就是说, 无偏性约束下,由以下给出。

样本的数学期望无线电环境信息是零。假定固有的平稳性和利用拉格朗日乘子优化算法来最小化估计误差方差(16无偏性约束(下)17),克里格的重量在(8)可以计算 在哪里是无线电环境信息之间的变差函数值我th和jth邻居数据点,之间的无线电环境变差函数值吗我邻居数据点和插值点。

5。模拟评价

在本节中,我们展示了基于MCS和演示原型快速眼动系统仿真结果的推理失踪的无线电环境信息数据根据样本数据。

5.1。原型系统的实现

作为显示在图4,无线电环境信息收集和显示在平台的门户网站。我们可以看到几个wi - fi属性可以看到旗帜。参与者如下:收集的属性名称,BSSID,频率,wi - fi信号强度水平。信息属于wi - fi信号来源感觉到附近的参与者。红色节点的密度代表wi - fi信号来源的密度。我们可以看到在图8wi - fi信号源的密度不均匀。这个结果在预料之中。

5.2。插值性能评估

在本节中,详细描述了实验设置。首先,我们将介绍实验环境和基线方法用于实验。介绍了实验数据,实验设置和评价指标也提出评估我们的方法的性能。

5.2.1。实验设置

实验面积150 m×150 m传感区域收集无线电环境信息和推断失踪的无线电环境信息数据。为了模拟目标区域的无线网络环境,三个无线网络接入点(APs)和无线网络控制器(ACs)部署在目标区域形成一个WLAN覆盖目标传感领域。美联社和AC H3C WA4320-ACN H3C WX3010E。在我们的WLAN网络频段的电磁波传播由美联社2.4 GHz乐队。为了更好地覆盖目标区域,减少相互干扰APs,三个APs使用1、6和11个频道的2.4 g带分别和美联社的传动功率电磁波是20 dBm。所有参数表中列出2。

为了模拟一小部分用户收集无线电环境信息在目标区域,我们网目标区域。我们将目标区域划分为分区,每个文件的大小 ,然后参与者收集无线局域网信号在不同分区使用移动设备来收集接收信号强度指示(RSSI),如图7。参与者所使用的设备收集RSSI值是一个联想智能手机(联想A3910e70)和wi - fi分析仪用于获取接收到的信号强度值的无线网络分区。为了证明使用克里格空间插值算法来推断我们的快速眼动平台的无线网络环境数据精度高,控制实验设置。在控制实验中,丢失的目标区域的无线网络环境恢复的最近邻(NN)和逆距离权重(IDW)根据样本数据的无线网络环境数据收集的参与者。

5.2.2。基线的方法

验证精度高的克里格空间插值算法,我们使用了最近邻(NN)插值算法,逆距离加权插值算法(IDW),克里格插值算法来预测下的恢复目标相同数据量的样本数据。

(一)神经网络(21,22:最近邻插值是一个简单的多变量插值方法在一个或多个维度。对于一个给定的点集的空间,泰森多边形法图分解的空间进入细胞,一个对于每一个给定的点,所以在空间,最接近给定的点是细胞内。这相当于最近邻插值,将给定的点的函数值分配给所有的点在细胞。

(b)IDW [23]:逆距离权重(IDW)是一种确定性方法多元与一个已知的散点集插值。指定的值来计算未知点的加权平均的值可以在已知点。

5.2.3。实验数据

为了获得实验变差函数的离散数据点计算基于WLAN的样本收集的数据在目标区域,一个理论变差函数模型和幂函数模型选择根据离散数据点的分布。验证不同数量的样本数据对推理的影响无线电环境数据的整个目标区域,目标区域分为315个分区,和一个示例数据的数量和总量的比例因子数据集。在实验中,WLAN发射电磁波信号在自由空间传播和衰减的原因。因此,电磁波传输的距离越小的位置,可以获得RSSI值就越大。我们选择 和 显示分区的百分比(10%和30%)由参与者的目标区域,分别;通过目标区域无线局域网信号RSSI热量地图,我们可以比较不同覆盖情况下算法的准确性。根据样本数据收集的样本,RSSI的热图绘制使用克里格空间插值算法。

图5介绍了实验变差函数,拟合结果无线电信标的环境信息。我们输入Matlab的样本信息数据。拟合曲线显示数据的空间相关性模型,用于估计数据在传感位置的信息。如图所示,实验变差函数的值,图中的散点图7,增加与h。它推断,有一个明显的趋势(一般空间变化的平均值)的RSS分布在该地区。相比之下更广泛使用的拟合函数,例如,球形和指数函数,建议选择动力模型;也就是说, 在哪里α和β拟合参数的严格约束,0 <β< 2。

正如图所示,幂函数拟合,所以我们选择了幂函数方差图。它可以用Matlab拟合得到的拟合函数,如图5。Matlab拟合函数后,我们可以得到方差图 。然后,我们可以计算出所有已知点之间的变差函数。样本RSSI的价值点的距离有关。

5.2.4。评价指标

首先,信号传播模拟的感兴趣区域。与此同时,克里格插值算法的插补误差与最近邻(NN)和逆距离加权插值算法(IDW)插值算法。

5.3。预测性能分析

在本节中,该方法的性能进行了评估。首先,我们展示用户潜在的利益分配的结果。然后,感兴趣的数量和比例的影响训练集的链接预测可以得到证实。

5.3.1。信号传播

当 ,10%的目标区域的分区是由参与者收集WLAN RSSI值,然后我们使用所有WLAN数据恢复的克里格空间插值算法根据10%的样本数据的所有数据在目标区域,如图6。轻热图的颜色表明WLAN智能手机接收到的信号功率的位置更大,而热图的颜色越深,越小WLAN权力收到手机的位置。在图6,可以看出在某些领域不够光滑,颜色和RSSI数据值波动较大,连续性差。图7显示,30%的所有分区目标区域的覆盖的用户和收集有效的感知数据。然后30%的目标区域中的数据恢复使用克里格插值算法来恢复数据的无线局域网在目标区域。颜色的热图是过度。比较这两个数据,我们发现的WLAN RSSI值通过空间插值使用30%的目标区域恢复所有数据使用目标区域比WLAN更准确的接收功率恢复10%的目标区域使用的所有数据。

5.3.2。插值算法误差比较

验证的准确性克里格空间插值算法中,我们使用了最近邻插值(NN)算法、反距离加权插值算法(IDW),克里格插值算法来预测下的恢复目标相同数据量的样本数据。

图8显示了神经网络插值算法的误差比较,IDW插值算法,和克里格插值算法在样本数据占据了所有的数据在目标区域。来验证不同的插值算法的准确性,我们选择了五个分区在目标区域比较区域插值使用不同的插值算法,和五个分区的位置显示为5个蓝色恒星的位置在目标区域,如图8。插值误差计算过程是选择五个分区使用三个不同的插值算法计算点的估计价值基于附近的样本数据,然后取绝对值估计值和测量值的点。那么多次重复实验得到的平均值和错误使用不同的插值算法,可以表示如下: 在哪里表示错误值的插值算法使用多个插入。是使用该插补算法插值实验的数量。表明这一点上使用一些插值算法来获得基于样本点数据的估计价值附近的位置。测量数据在目标区域。

图8显示了不同的插值算法的错误当样本数据占不同比例的整体数据。当样本数据占0.05总额的数据,三个不同算法的插补误差相对较大。最近邻插值插值误差,克里格空间插值和逆距离权重是10 dbm, 7 dbm,分别和6 dbm。与样本数据的比例的增加,三种插值算法的错误减少。其中,克里格空间插值算法的误差急剧减少。三种插值算法的错误往往是稳定的,并且它可以清楚地看到,当最近邻插值算法,插值误差最大。此外,IDW插值算法和克里格空间插值算法有较小的错误恢复的WLAN电磁波环境目标区域根据样本数据。

图9显示的值无线电环境数据通过插值得到样本数据最近的五个地区的次区域目标地区的使用最近邻插值算法,逆距离加权插值算法,克里格插值算法。从图可以看出,随着样本数据的比例增加;也就是说,数据样本数量的增加;使用三种插值算法获得的错误和真实的数据第一次下降。此外,神经网络插值算法示例数据时的最大误差变异小于0.2,IDW插值算法的插补误差减少随着样本数据的增加。

6。结论

在本文中,我们首先介绍了MCS REM建设收集数据,提出了一个系统架构来收集无线电环境信息。预算的限制,只有一些参与者可以加入传感任务收集无线电环境信息,从而导致信息不完整的无线电环境。为了解决这个问题,克里格算法推断出失踪的无线电环境信息数据与样本收集无线电环境信息数据。性能比NN和IDW算法在不同级别的稀疏。仿真结果表明,克里格插值算法可以推断出失踪的无线电环境信息数据并生成更精确的无线电环境信息数据比NN和IDW算法。在未来,一些数据评估和处理方法24- - - - - -26)可以用来添加构造的传感数据广播环境地图。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是共同支持中国国家自然科学基金(61771068,61671079)北京市自然科学基金(4182041)。

引用

1. p·辛格·m·库马尔,a Das,“有效的频率规划达到改善KPI的总胆固醇和SDCCH滴一个真正的GSM移动网络,”《2014年国际会议上信号传播和计算机技术(ICSPCT)印度,页673 - 679年,2014年7月。视图:谷歌学术搜索
2. z侯,y, l .田j . Shi, y, b . Vucetic,”无线电环境map-aided多普勒频移估计在LTE铁路、”IEEE车辆技术,卷66,不。5,4462 - 4467年,2017页。视图:出版商的网站|谷歌学术搜索
3. k市川和t .藤井裕久,”无线电环境地图建设使用隐马尔科夫模型在多个主用户环境,”《2017年国际会议上计算、网络和通信、ICNC 20172017年1月,页272 - 276。视图:谷歌学术搜索
4. 佐藤英国片瞳,k, t .藤井裕久”Crowdsourcing-Assisted V2V通信系统无线环境地图,”2017年IEEE 86车辆技术研讨会论文集(VTC-Fall)2017年9月,页1 - 5,。视图:出版商的网站|谷歌学术搜索
5. r·k·Ganti f .你们,h . Lei”已被称作移动群体感知:当前状态和未来的挑战,”IEEE通讯杂志卷,49号11日,32-39,2011页。视图:出版商的网站|谷歌学术搜索
6. 郭,z . Wang z Yu et al .,“移动人群的传感和计算:审查的一个新兴人力传感模式,”ACM计算调查,48卷,不。1,第七条,2015。视图:出版商的网站|谷歌学术搜索
7. h·马·d·赵,p .元,“机会移动人群传感,”IEEE通讯杂志,52卷,不。8日,29-35,2014页。视图:出版商的网站|谷歌学术搜索
8. j . Riihijarvi j . Nasreddine, p . Mahonen”展示广播环境地图建设从巨大的数据集,”《2012年IEEE国际研讨会上动态频谱接入网络,DYSPAN 20122012年10月,页266 - 267。视图:谷歌学术搜索
9. s . Ulaganathan d . Deschrijver m . Pakparvar et al .,“从multi-fidelity光谱遥感数据构建精确的无线电环境地图,”无线网络,22卷,不。8,2551 - 2562年,2016页。视图:出版商的网站|谷歌学术搜索
10. s . Ureten A Yongacoglu,大肠Petriu”比较干扰制图生成技术在认知无线电网络中,”ICC学报》2012 - 2012年IEEE国际会议交流2012年6月,页1879 - 1883。视图:出版商的网站|谷歌学术搜索
11. j .梁m·刘,x亏”的调查在无线传感器网络覆盖问题,“传感器和传感器,卷163,不。1,第246 - 240页,2014。视图:谷歌学术搜索
12. z,问:张先生,z, w·李和t·a·格列佛”电台的建设环境地图认知无线电网络”IEEE无线通信和网络研讨会论文集,WCNC 2013,1卷,第4509 - 4504页,2013年4月。视图:出版商的网站|谷歌学术搜索
13. 诉Atanasovski j . Van De发现a Dejonghe et al .,“与异构光谱传感器构建无线环境地图,”《IEEE国际研讨会上动态频谱接入网络,DySPAN 2011,3卷,第661 - 660页,2011年5月。视图:出版商的网站|谷歌学术搜索
14. m·斯利瓦斯塔瓦、t . Abdelzaher和b·西曼斯基“以人为中心的感应。”英国皇家学会哲学学报A:数学,物理和工程科学,卷370,不。1958年,第197 - 176页,2012年。视图:出版商的网站|谷歌学术搜索|MathSciNet
15. a . a .汗·m·h·Rehmani, a . Rachedi”Cognitive-Radio-Based物联网:应用程序、体系结构、频谱相关功能,和未来的研究方向,”IEEE无线通讯杂志,24卷,不。3,17-25,2017页。视图:出版商的网站|谷歌学术搜索
16. a . Yaqot和p . a .高原平台“认知网络,高效的资源配置”IEEE车辆技术,卷66,不。7,6349 - 6361年,2017页。视图:出版商的网站|谷歌学术搜索
17. j . Talvitie m . Renfors, e . s .罗汉”基于距离内插和外推方法基于rss的定位与室内无线信号,”IEEE车辆技术,卷64,不。4、1340 - 1353年,2015页。视图:出版商的网站|谷歌学术搜索
18. s . Grimoud Sayrac,美国本。杰玛和大肠冰川锅穴,“一个快速算法REM建设”,学报2011年6日国际ICST面向认知无线电的无线网络与通信、会议CROWNCOM 20112011年6月,页251 - 255。视图:谷歌学术搜索
19. a . Umbert f·卡萨德沃尔,e . g . Rodriguez”户外电视频带无线电环境地图等曼哈顿布局,”《第13次国际研讨会在无线通信系统中,ISWCS 20162016年9月,页399 - 403。视图:谷歌学术搜索
20. h .熊d, l . Wang, b .郭”人群4 w1h移动传感,“IEEE通讯杂志,52卷,不。8日,42-48,2014页。视图:出版商的网站|谷歌学术搜索
21. r·奥利弗和c . Hanqiang“最近邻插值价值,”国际期刊《先进的计算机科学和应用程序,3卷,不。4、2012。视图:出版商的网站|谷歌学术搜索
22. r . g .钥匙,“立方卷积插值为数字图像处理,IEEE信号处理卷,29号6,1153 - 1160年,1981页。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. d·谢泼德”,一个二维插值函数间隔不规则数据,”ACM 23日国家会议(ACM的68),第524 - 517页,1968年。视图:出版商的网站|谷歌学术搜索
24. z, j .谢h·李et al .,“数据分析的角色发展的智能能源网络,”IEEE网络没有,卷。31日。5,88 - 95年,2017页。视图:出版商的网站|谷歌学术搜索
25. s p·巴拉蒂岑,a . Sharda g·王,“RES-Q:健壮的异常检测算法基本矩阵估计,“IEEE访问》第六卷,第48674 - 48664页,2018年。视图:出版商的网站|谷歌学术搜索
26. 马z,黄永发。天雪,a . Leijon Z.-H。棕褐色,杨z, j .郭“中性向量的解相关变量:理论和应用,“IEEE神经网络和学习系统卷,29号1,第143 - 129页,2018。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2019年锋汉等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。