(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221070896 0.8 (22)申请日 2022.06.22 (71)申请人 中国人民解 放军国防科技大 学 地址 210007 江苏省南京市秦淮区后标营 18号 (72)发明人 柳永祥　张建照　丁志清　司呈呈　 (74)专利代理 机构 江苏瑞途律师事务所 32346 专利代理师 韦超峰 (51)Int.Cl. G06N 3/00(2006.01) G06F 30/20(2020.01) G01R 23/16(2006.01) (54)发明名称 基于传感器布局优化和自适应Kriging模型 的频谱地图构建方法 (57)摘要 本发明公开了一种基于传感器布局优化和 自适应Kriging模型的频谱地图构建方法， 属于 通信技术领域。 该方法包括利用改进的人工蜂群 算法对传感器布局进行优化选择； 从经过优选的 传感器中寻找传感器估计组； 计算半变异函数值 并拟合半变异函数； 构建自适应的Kriging模型， 根据所述自适应Kriging模型， 构建频谱 地图。 本 发明所提出的构建频谱地图的方法， 具有较高的 精度。 权利要求书2页 说明书8页 附图6页 CN 115099385 A 2022.09.23 CN 115099385 A 1.一种基于传感器布局优化和自适应Kriging模型的频谱地图构建方法， 其特征在于， 包括： 利用改进的人工蜂群算法对传感器布局进行优化选择； 从经过优选的传感器中寻找传感器估计组； 计算半变异函数值并拟合半变异函数； 构建自适应的Krigi ng模型， 根据所述自适应Krigi ng模型， 构建频谱地图。 2.根据权利要求1所述的方法， 其特征在于， 所述改进的人工蜂群算法包括对扰动机制 和适应度函数的改进， 以及对人工蜂群改进。 3.根据权利要求2所述的方法， 其特征在于， 所述对扰动机制进行的改进为： 通过选中 的传感器和未选中的传感器进行互换， 从而对下一状态进行探索， 其中已选中的传感器表 示用于插值的传感器， 未选中的传感器表示待插值的传感器。 4.根据权利要求3所述的方法， 其特征在于， 所述的扰动机制和适应度函数用于产生新 的解， 包括： 在选取待替换传感器时， 这里考虑替换对当前传感器布局插值精度影响最小的传感 器； 通过m次插值误差计算来确定当前布局中对插值精度影响最小的传感器， 该点会被侦 查蜂当做探索上限的传感器在下一次状态转移时被优先丢弃； 在选取待插 入传感器时， 会根据每 个传感器的RMSE考虑各自的权 重 ηi。 5.根据权利要求 4所述的方法， 其特 征在于， 所述 适应度函数如公式(5)所示： 式中， 是未选中传感器的估计值， 是真实数据， m*是传感器数量。 6.根据权利要求5所述的方法， 其特 征在于， 所述对人工蜂群进行改进包括： 雇佣蜂根据公式(6)寻找新的传感器， 即产生一个新传感器布局并与观察蜂分享传感 器布局信息， 并根据贪心策略选择适应度函数值f最小的传感器布局， 维持最优解： vij＝ ηkj×xkj                      (6) 式中， k＝1,2,...,NP  j＝1,2,...,D且 k≠i， ηkj为权重矩阵； xij表示侦查蜂寻找 到的新 解； vij表示雇佣蜂寻找到的新 解； 观察蜂根据公式(7)计算每个传感器的选 择概率pi， 并依据雇佣蜂分享的信息上式优先 选择权重较高的传感器， 提高收敛速度： 侦查蜂把达到探索上限和权重较低的传感器丢弃， 根据公式(8)寻找一个新的有价值 的传感器， 增强摆脱局部最优的能力： 权　利　要　求　书 1/2 页 2 CN 115099385 A 2式中， rij为[0,1]之间的随机数； 和 表示问题第j个维度的上限和下限。 7.根据权利要求6所述的方法， 其特征在于， 所述利用改进的人工蜂群算法对传感器布 局进行优化选择包括： 初始化传感器位置； 雇佣蜂根据改进的扰动机制产生 新的解； 观察蜂根据概 率pi从传感器位置中产生 新的解； 侦查蜂决定放弃的解决方案； 经过多次迭代， 输出最佳的传感器位置 。 8.根据权利要求1 ‑7任一项所述的方法， 其特征在于， 所述从经过优选的传感器中寻找 传感器估计组的方法为： 根据去相关距离dcor建立未知点s0的传感器估 计组Ω0， 未知点通过 莫兰指数定义去相关距离 。 9.根据权利要求8所述的方法， 其特 征在于， 采用下式计算半变异值： 式中， si为点(xi,yi)， dij为点(xi,yi)和点(xj,yj)的距离， N(dij)为两点距离为h的数量； 所述半变异函数的拟合采用指数模型并通过最小二乘拟合。 10.根据权利要求9所述的方法， 其特征在于， 所述构建自适应的Kriging模型的方法 为： 通过拉格朗日乘数法求解一组称为Kriging模型的线性方程组来获得权重系数ωi， 线 性系统由公式(12)给 出： 式中， γij为点(xi,yi)和点(xj,yj)之间的半变异函数值， φ为拉格朗日乘数， 权重系数 ωi是能够满足点(x0,y0)处的估计值 与真实值P0的差最小的一套最优系数， 即 同时满足无偏估计的条件 γio表示为位置i和估计点之间 的半变异函数值； 根据公式(13)计算出估计点 值 式中， 是点(x0,y0)处的某一属性估计值， Pi为样本值。权　利　要　求　书 2/2 页 3 CN 115099385 A 3