CN106993294B - 一种无人机网络最大比合并型融合方法 - Google Patents

一种无人机网络最大比合并型融合方法 Download PDF

Info

Publication number
CN106993294B
CN106993294B CN201710200828.5A CN201710200828A CN106993294B CN 106993294 B CN106993294 B CN 106993294B CN 201710200828 A CN201710200828 A CN 201710200828A CN 106993294 B CN106993294 B CN 106993294B
Authority
CN
China
Prior art keywords
probability
fusion
unmanned plane
outage
snr
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710200828.5A
Other languages
English (en)
Other versions
CN106993294A (zh
Inventor
徐淑芳
许峰
毛莺池
张雪洁
王龙宝
黄倩
陈小丽
钟海士
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710200828.5A priority Critical patent/CN106993294B/zh
Publication of CN106993294A publication Critical patent/CN106993294A/zh
Application granted granted Critical
Publication of CN106993294B publication Critical patent/CN106993294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于信息融合领域，具体公开了一种无人机网络最大比合并型融合方法，方法包括：定义无人机网络信息融合模型，初始化融合模型参数集和评价集，求解融合模型中断概率函数，计算使融合模型中断容量存在的链路连通概率取值范围，求解融合模型中断概率数组和中断容量。本方法能够为无人机网络信息融合问题提供模型指导，同时可在考虑链路连通特性前提下借鉴最大比合并的思想对网络化信息融合提供方法参考。

Description

一种无人机网络最大比合并型融合方法
技术领域
本发明属于信息融合领域，涉及一种无人机网络最大比合并型融合方法。
背景技术
传统的信息融合理论中对信号的处理包含集中式和分布式两种，第一种集中式信号处理(Centraliazed Signal Processing,CSP)，所有传感器的观测值或消息均传输到中心处理器，中心处理器基于传统的统计技术进行目标检测判决或信息处理，这种情况下仅有中心处理器作出统一处理，在传感器端不作局部判决和处理，理论上，集中式融合模型可获得最优性能。但这需要极大的带宽。第二种是分布式信号处理(Distributed SignalProcessing,DSP)，即由各个传感器实现数据的预处理以此得到局部判决并将此判决结果发送到融合中心，从而产生一个最终的全局决策。分布式信号处理系统的好处是减少通信带宽需求，提升可靠性和减少成本。
我们在无人机网络信息融合研究中发现，可以从信道容量的角度对各条链路传输的信息进行集中式融合处理，但现有文献仍是基于复杂的概率分布公式，对集中式融合模型的规模有限制，同时网络中各链路的连通概率对无人机网络络的检测性能的影响也没有得到很好的体现。基于此，本发明基于最大比合并的原理，从信道容量层面提出最大比合并型融合方法(Maximal-ratio Combining Fusion Rule,MRC-FR)，该方法可以简化无人机网络信息融合结构，对网络的集中式信息融合问题具有很好的指导意义。
发明内容
发明目的：本发明旨在提供一种无人机网络信息融合方法，能够基于无人机网络链路连通概率和信道容量，以较为简洁直观的方式对融合模型进行集中式信息融合，从融合模型的中断概率和中断容量上可以评价融合模型的融合性能。
技术方案：为了实现上述发明目的，本发明的技术方案为：
一种无人机网络最大比合并型融合方法，包括以下步骤：
(1)定义无人机网络信息融合模型，所述融合模型定义为一个包括模型顶点集VFS，边集EFS，参数集基于参数集的融合方法以及针对参数集和融合方法形成的融合模型评价集A在内的五元向量组
(2)初始化融合模型参数集和评价集，所述参数集包括检测无人机个数N，连通概率向量p＝[p1,p2,…,pN]，信噪比向量SNR＝[SN R1,SN R2,…,SN RN]，网络允许的中断概率∈和最大信号传输速率R，此处为简化模型，假定各链路具有相同的连通概率p和信噪比SNR，即pi＝p,SN Ri＝SNR，i＝1,…,N；所述评价集A包括融合模型的中断概率Pout，融合模型的中断容量Cout；
(3)基于检测无人机个数N，连通概率向量p，信噪比向量SNR和最大信号传输速率R求解融合模型中断概率函数Pout；
(4)根据检测无人机个数N和给定中断概率∈得到链路连通概率的取值范围，若链路连通概率在取值范围之内，则转到步骤(5)，否则结束；
(5)计算中断概率数组Q:＝[Q1,…,Qi,…,QN]，其中
(6)从中断概率数组中找出满足小于中断概率∈的最大元素值的序号，计算得到融合模型的中断容量Cout。
进一步地，所述步骤(3)中，融合模型中断概率函数Pout表达式如下：
或
其中 表示向下取整，为N个数中取l个数的组合。
进一步地，所述步骤(4)中链路连通概率的取值范围为
进一步地，所述步骤(6)中包括：
(6.1)查找中断概率数组中值小于∈的元素并记录其位置1,…,k；
(6.2)记录步骤(6.1)中位置序号最大值k；
(6.3)获得最大比合并型融合模型中断容量Cout为log2(1+k·SNR)。
有益效果：本发明方法从集中式融合的角度给出了无人机网络的融合模型定义，同时在考虑网络链路连通概率的前提下，综合信道容量理论和最大比合并算法的思想，提出了一种新的无人机网络最大比合并型融合方法。该融合方法规避了传统的集中式融合方法需要复杂递归运算的不利因素,评价融合方法的系统中断概率和中断容量也可以表达融合系统的性能,面向无人机网络背景，同时也适用于其它类似无线自组织网络。进一步的，本发明能够为体系化的无人机网络信息融合提供融合方法指导，为网络连通状态下的信息融合理论研究奠定基础。
附图说明
图1为本发明的一种无人机网络最大比合并型融合方法流程图。
图2为本发明的一种无人机网络信息融合模型。
具体实施方式
下面结合附图和具体实施例进一步说明本发明方法。
如图1所示，本发明实施例公开的无人机网络容量型融合方法，具体包含以下步骤：
步骤(1)定义无人机网络信息融合模型
如图2所示为本发明的一种无人机网络信息融合模型，其中检测目标为单目标SDI，融合中心SDI 0，检测无人机节点(观测节点)为SDI 1～SDI N，该融合模型定义为一个五元向量组
其中
VFS表示该融合模型的顶点集，VFS＝{SDI,SDI1,…SDIN,SDI0}；
EFS表示该融合模型的边集，EFS＝{ljh|j∈VFS,h∈VFs,j≠h}；
表示融合模型的参数集，其参数来自于VFS和EFS中各元素所具备的特征参数合集；
表示基于参数集的融合方法；
A表示针对参数集和融合方法形成的融合模型评价集。
此处融合中心SDI 0可以是一个实际的指挥节点或汇聚中心，也可以是一个抽象的存在，仅仅表示融合模型的最终输出和评价。该融合模型的参数集、融合方法和评价集可以根据研究需要取其子集或进行补充扩展。
步骤(2)初始化融合模型参数集和评价集
按步骤(1)定义的融合模型来初始化其参数集和评价集A＝{Pout,Cout}。
参数集包含的5个元素中N为待融合节点的个数，p＝(p1,p2,…,pN)为连通概率向量，由SDI 1～N分别与目标节点SDI形成的链路(边)的连通概率p1,p2,…,pN组成；SNR＝(SNR1,SNR2,…,SNRN)为信噪比向量，由SDI 1～SDI N检测目标SDI时的信噪比SNR1,SNR2,…,SNRN组成，此处为简化模型，假定各链路具有相同的连通概率p和信噪比SNR，即p1＝p2＝…＝pN＝p,SN R1＝SN R2＝…＝SN RN＝SNR；∈表示网络允许的中断概率，0≤∈≤1；整个网络具有最大信号传输速率R。
其评价和输出集A＝{Pout,Cout}，其中Pout表示融合模型的中断概率，Cout表示融合系统的中断容量。此处主要从融合模型的中断概率Pout和中断容量Cout来评估无人机网络融合模型性能。
步骤(3)求解融合模型中断概率函数
基于步骤(2)中初始化过的检测无人机个数N，连通概率向量p，信噪比向量SNR和最大信号传输速率R求解融合模型中断概率函数Pout。融合模型中断概率函数Pout表达式如下：
或
其中τ满足
表示向下取整，为N个数中取l个数的组合。
步骤(4)求解链路连通概率取值范围并判断初始化的链路连通概率是否在此范围之内，若在此范围内则转到步骤(5)，否则结束。
步骤(4.1)根据检测无人机个数N和给定中断概率∈(0≤∈≤1)及步骤(2)的中断概率Pout表达式，可推导出中断概率表达式有效及系统中断容量存在的必要条件为min{Pout}≤∈，根据Pout表达式可知，min{Pout}＝(1-p)N≤∈，可推导出中断概率表达式有效及系统中断容量存在的必要条件为p须满足即p的取值范围p0为
步骤(4.2)如果无人机网络链路连通概率取值满足步骤(4.1)求解的p取值范围，即p∈p0则转向步骤(5)，若不满足，则无法求解有效的中断概率及中断容量，结束；
步骤(5)计算中断概率数组Q
步骤(5.1)在给定N及满足步骤(4.1)的p取值约束下，求解中断概率数组元素Qi实际为中断概率Pout未到1时(即在取值为0,1,…N-1时)的Pout具体数值；
步骤(5.2)由步骤(5.1)中各Qi(i＝1,2,…,N)组成中断概率数组Q:＝[Q1,Q2,…QN]。
步骤(6)计算融合系统的中断容量Cout：
步骤(6.1)查找步骤(5.2)得到的中断概率数组Q中值小于给定∈的元素并记录其位置1,…,k；
步骤(6.2)记录步骤(6.1)中位置序号最大值k。
步骤(6.3)根据中断概率Pout表达式及其中R的分段区间，可知通过上述(1)～(5)，(6.1)～(6.2)步骤筛选过可获得最大比合并型融合系统中断容量Cout≈log2(1+k·SNR)。Cout为集中式评价无人机网络融合方法的一个性能指标。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (1)

1.一种无人机网络最大比合并型融合方法，其特征在于，包括以下步骤：
(1)定义无人机网络信息融合模型，所述融合模型定义为一个包括模型顶点集VFS，边集EFS，参数集基于参数集的融合方法以及针对参数集和融合方法形成的融合模型评价集A在内的五元向量组
(2)初始化融合模型参数集和评价集，所述参数集包括检测无人机个数N，连通概率向量p＝(p1,p2,…,pN)，信噪比向量SNR＝(SNR1,SNR2,…,SNRN)，网络允许的中断概率∈和最大信号传输速率R，假定各链路具有相同的连通概率p和信噪比SNR，即pi＝p,SNRi＝SNR，i＝1,…,N；所述评价集A包括融合模型的中断概率Pout和融合模型的中断容量Cout；融合模型中断概率函数Pout表达式如下：
或
其中 表示向下取整，为N个数中取l个数的组合；
(3)基于检测无人机个数N，连通概率向量p，信噪比向量SNR和最大信号传输速率R求解融合模型中断概率函数Pout；
(4)根据检测无人机个数N和给定中断概率∈得到链路连通概率的取值范围，链路连通概率的取值范围为若链路连通概率在取值范围之内，则转到步骤(5)，否则结束；
(5)计算中断概率数组Q:＝[Q1,…,Qi,…,QN]，其中
(6)从中断概率数组中找出满足小于中断概率∈的最大元素值的序号，计算得到融合模型的中断容量Cout，包括：
(6.1)查找中断概率数组中值小于∈的元素并记录其位置1,…,k；
(6.2)记录步骤(6.1)中位置序号最大值k；
(6.3)获得最大比合并型融合模型中断容量Cout为log2(1+k·SNR)。
CN201710200828.5A 2017-03-30 2017-03-30 一种无人机网络最大比合并型融合方法 Active CN106993294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710200828.5A CN106993294B (zh) 2017-03-30 2017-03-30 一种无人机网络最大比合并型融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710200828.5A CN106993294B (zh) 2017-03-30 2017-03-30 一种无人机网络最大比合并型融合方法

Publications (2)

Publication Number Publication Date
CN106993294A CN106993294A (zh) 2017-07-28
CN106993294B true CN106993294B (zh) 2019-08-20

Family

ID=59411931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710200828.5A Active CN106993294B (zh) 2017-03-30 2017-03-30 一种无人机网络最大比合并型融合方法

Country Status (1)

Country Link
CN (1) CN106993294B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109788476B (zh) * 2018-12-25 2021-06-11 河海大学 一种基于随机几何的无人机安全通信的诊断方法
WO2021081708A1 (zh) * 2019-10-28 2021-05-06 深圳市大疆创新科技有限公司 无人机的控制方法和无人机
CN112291810B (zh) * 2020-11-02 2022-02-08 北京邮电大学 无人机网络的网络分裂检测方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102244892A (zh) * 2011-07-04 2011-11-16 南京邮电大学 一种基于免疫算法的移动传感网分簇方法
EP2474921A1 (en) * 2011-01-10 2012-07-11 Deutsche Telekom AG Method and system for recommending contextual information over a mobile communication network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2474921A1 (en) * 2011-01-10 2012-07-11 Deutsche Telekom AG Method and system for recommending contextual information over a mobile communication network
CN102244892A (zh) * 2011-07-04 2011-11-16 南京邮电大学 一种基于免疫算法的移动传感网分簇方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Distributed Fusion Algorithm over Asynchronous Sensor Networks;Tianpeng Chu, Guoqing Qi, Yinya Li, Andong Sheng;《2013 International Conference on Mechatronic Sciences, Electric Engineering and Computer》;20131020;全文
ANALYSIS ON MINIMAL PATH SUM ALGORITHM;Xu, Shufang, Xu, Dazhuan, Xu, F;《Intelligent Automation and Soft Computing》;20130430;第19卷(第2期);全文
无线网络中节点均匀分布的解码;刘洪 程宇新 任术波 项海格;《北京大学学报》;20120330;全文

Also Published As

Publication number Publication date
CN106993294A (zh) 2017-07-28

Similar Documents

Publication Publication Date Title
CN106993294B (zh) 一种无人机网络最大比合并型融合方法
CN101622900B (zh) 网络控制装置、方法、以及程序
CN109286631B (zh) 车载社交网络中融合社交属性的车辆节点信任评估方法
CN108171954A (zh) 空气污染智能实时监测系统
CN108093430B (zh) 一种适用于高速移动环境下的无线网络探测方法
CN108601047B (zh) 机会网络关键节点的测量方法
CN109030313B (zh) 用于水利工程的渗流智能监测系统
Luo et al. Link quality estimation method for wireless sensor networks based on stacked autoencoder
CN103528535A (zh) 一种尾矿库坝安全监控平台
CN103581974A (zh) 链路质量评估方法及其系统
CN114268981A (zh) 网络故障检测与诊断方法及系统
CN104734770B (zh) 一种基于上下文的分布式星群网络路由方法
CN108600967A (zh) 基于区块链的预装式变电站无线传感器网络测控装置
CN114629802A (zh) 一种基于业务感知的电力通信骨干网络质量评估方法
CN113692019A (zh) 电力物联网的无线组网方法及终端
CN109361708A (zh) 数据信息化采集、管理和分析系统及方法
CN107371175A (zh) 一种使用协作预测的自组织网络故障检测方法
CN109600816A (zh) 一种干扰感知的无线携能传输路由方法
US20110270578A1 (en) Method and device for operating a system with distributed sensors
CN110266566B (zh) 一种电力通信网络传输性能的评估方法
CN106973388B (zh) 一种传感网容量型融合方法
CN113947123B (zh) 人员轨迹识别方法、系统、存储介质和设备
CN100438451C (zh) 基于模糊数学质量评估模型的网络瓶颈链路评判检测方法
CN105792293A (zh) 一种多通道通信选择方法及其执行系统
CN110417572A (zh) 一种基于目标节点相遇概率预测消息传递节点的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant