CN108135002A - 一种基于块坐标下降的无人机频谱资源分配方法 - Google Patents
一种基于块坐标下降的无人机频谱资源分配方法 Download PDFInfo
- Publication number
- CN108135002A CN108135002A CN201711404671.4A CN201711404671A CN108135002A CN 108135002 A CN108135002 A CN 108135002A CN 201711404671 A CN201711404671 A CN 201711404671A CN 108135002 A CN108135002 A CN 108135002A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- frequency
- channel
- frequency spectrum
- block coordinate
- 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.)
- Granted
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
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于块坐标下降的无人机频谱资源分配方法,并包括如下步骤:确定无人机数量,设定系统授权信道集合,设定系统最大功率上限以及其他环境参数;构造频谱分配矩阵和邻道干扰矩阵引入原问题,利用问题结构特性对原本复杂难解的max‑min混合规划问题进行简化;提出一种基于块坐标下降的低复杂度迭代算法来解决上述问题;地面控制站根据各无人机的最大SINR值并通过遥控信道对无人机进行功率和信道分配,完成无人机时频资源分配方法设计。本发明的有益效果是:所示基于块坐标下降的无人机频谱资源分配方法在提升各无人机接收到控制信号的可靠性且保证系统最大消耗功率约束的前提下,实现有限频谱资源的合理分配。
Description
技术领域
本发明属于无人机通信技术领域,具体为一种基于块坐标下降的无人机频谱资源分配方 法。
背景技术
随着感测技术的和计算能力的提升,无人机逐渐在诸如城市搜索、军事侦察和农业监督 等应用中成为普遍的选择。然而,由于无人机无线业务需求呈现指数型增长和频谱资源紧张 等挑战,无人机通信面临着严峻的考验。同时,多无人机的协同作业也带来了许多需要考虑 的挑战。其中,一个关键的技术挑战是,无人机通信的安全性和稳定性需要控制信号本身具 有一定的鲁棒性,而控制信号的质量对信道变化和干扰是非常敏感的;另一个挑战是,通信 的可用资源通常是有限性会加剧潜在的相互干扰影响。
然而,现有的工作都没有研究过如何提高无人机频谱资源利用以及多无人机系统对有限 时频资源的分配。实际上,无人机的控制信号接收不仅受到通信信道的链路质量的影响,痛 死也很容易受到潜在干扰的影响。因此,在无人机通信系统中,为了实现提高通信容量且保 证通信质量,避免信道拥挤和相互干扰,对无人机时频资源进行合理分配是必不可少的。
发明内容
本发明的目的在于针对现有技术的缺陷,提供一种基于块坐标下降的无人机频谱资源分 配方法。
本发明的技术方案如下:一种基于块坐标下降的无人机频谱资源分配方法包括如下步骤:
步骤1:初始化无人机(无人机)数量M、系统最大功率上限pmax、无人机k与地面控制站(BS)之间的距离dk,BS,其中,M为正整数,且
确定系统授权频道数量N、基准频率设定系统备选频道集合其中,N为正整数,Δfi表示第i信道的载波频率与基准频率的间隔;
确定无人机的可用授权信道数量nk,令nk个可用信道频率表示为集合 同时设定无人机k的功率为pk;
步骤2:利用基于功率谱探测的频谱感知技术进行信道扫描,得到不同信道频率所对应 的噪声值以及不同信道间的邻道干扰系数其中,对应于频点处的噪声功率, 设定表示频率f1和频率f2之间的干扰系数;设定
步骤3:对于每个无人机k∈{1,...,M},引入频谱资源分配向量设定 矩阵满足关系fk=Akf,其中f=[Δf1,...,ΔfN]T,为只有第ji个元 素为1,其余元素为0的N维列向量,且令j∈{1,...,N},i∈{1,...,nk};设定其中k∈{1,...,M};设定邻频干扰矩阵满足即无人机k和无人机m所占用信道之间的邻频干扰系数为令将无人机通信系统的用频决策问题等价为仅关于{A,p}的max-min优化问题:
subject to
其中,
步骤4:初始化迭代次数t1=0,最大迭代次数T1,max;设定初始可行解A(0),p(0),其中,p为 功率分配向量,A为信道分配矩阵;
步骤5:固定利用块坐标下降算法分布式求解关于变量A的子问题,更新得到
步骤6:固定利用特征根分解方法求解关于变量p的子问题,更新得到
步骤7:判断是否满足t1≥T1,max;如果是,则输出如果否,则更新迭代次 数t1=t1+1,并重复步骤5-7;
步骤8:基于得到的功率分配向量p以及信道分配矩阵A,最终地面控制站实现对无人机 的功率分配以及信道分配,完成无人机通信系统的时频决策优化设计。
优选地,步骤5中利用块坐标下降算法分布式求解得到A,具体包括以下步骤:
5.1、初始化外层迭代次数t2=0、最大的迭代次数T2,max;初始化A(0),p;
5.2、初始化内层迭代次数k=1、产生随机排列的1到M的整数序列
5.3、设定
5.5、更新内层迭代次数k=k+1,并重复步骤5.3-5.5直至满足条件k=M;
5.6、更新外层迭代次数t2=t2+1,并重复步骤5.2-5.6直至满足条件t2=T2,max。
优选地,步骤6中利用特征根分解方法求解得到具体包括以下步骤:
6.2、定义z=[p1,p2…pM,1]T,令以及
其中
6.3、对C-1B进行特征根分解后模值最大的特征值所对应的特征根向量的所有元素符号相 同,该特征根的倒数即为对应目标函数的最大值,将所对应的特征根向量进行归一化,使得 最后一个元素为1,得到的前M个元素组成的向量p即为最优解。
本发明提供的技术方案具有如下有益效果:
所述基于块坐标下降的无人机频谱资源分配方法构造频谱分配矩阵和邻道干扰矩阵引入 原问题,利用问题结构特性对原本复杂难解的max-min混合规划问题进行简化,从而大大降低 设计复杂度;
而且,还提出一种基于块坐标下降的低复杂度迭代算法来解决上述问题,最终设计出一 种基于块坐标下降的无人机频谱资源分配方法,该方法可以在在提升各无人机接收到控制信 号的可靠性且保证系统最大消耗功率约束的前提下,实现有限频谱资源合理分配。
附图说明
图1为本发明基于块坐标下降的无人机频谱资源分配方法所涉及的系统模型图;
图2为图1所示基于块坐标下降的无人机频谱资源分配方法的具体流程图;
图3为图2所示基于块坐标下降的无人机频谱资源分配方法中无人机可用备选信道集合 和无人机被分配信道的示意图;
图4为图2所示基于块坐标下降的无人机频谱资源分配方法中无人机最小SINR值与迭 代次数的收敛关系示意图;
图5为图2所示基于块坐标下降的无人机频谱资源分配方法中无人机传输功率分配图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发 明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用 于限定本发明。
除非上下文另有特定清楚的描述,本发明中的元件和组件,数量既可以单个的形式存在, 也可以多个的形式存在,本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列, 但并不用于限定步骤的先后次序,除非明确说明了步骤的次序或者某步骤的执行需要其他步 骤作为基础,否则步骤的相对次序是可以调整的。可以理解,本文中所使用的术语“和/或”涉 及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示,本发明考虑地面控制台或基站(Base station,BS)遥控多架无人机(unmanned aerial vehicle,UAV)执行任务的场景。由于多种因素,如天线旁瓣增益,发射机和接收机滤 波器的非理想特性等会产生频谱泄露,遥控信道中相邻信道会造成互相干扰。这种由邻道干 扰带来的影响在UAV与BS距离远近相差较大时尤为严重。比如u1和u2分别为两架UAV,使 用邻近的频点接收BS发射的控制信号,它们与BS间的距离分别为和若 BS发送给u1的信号能量会泄露到u2的信道,造成对u2的干扰,甚至会阻塞u2的控制信号。因 此,在无人机用频决策时需要考虑邻道干扰带来的影响。 此外,在对抗环境中,电磁环境干扰也是无人机用频决策时需要考虑的因素。通过对电 磁环境的感知,准确获知当前的频谱质量。根据频谱感知结果,制定动态频谱决策策略,以 提升无人机遥控信道的可靠性。为此,本专利考虑邻道干扰和电磁环境干扰对无人机用频决 策时的影响,建立考虑上述干扰的无人机用频决策优化模型,并设计机制对频率资源和功率 资源进行合理分配,优化提升无人机系统性能。 为了方便描述,假设BS所处的位置为三维坐标的原点O,所有UAV的集合表示为 所有可用频道集合为并设定f=[Δf1,...,ΔfN]T,Δfi表示第i信 道的载波频率与基准频率的间隔。假设每一个无人机k都有nk个可用频道 (nk个可用频道根据实际情况得到),此时令 通过设定本发明有fk=Akf,其中为只有第 ji个元素为1,其余元素为0的N维列向量,对于N个可用频道,设定其中对应于频点处的噪声功率,当可用时隙资源为单时隙时,则可频谱资源块(resource blocks,RBs)的数目为N。UAV需要周期性地向BS发射遥测信号,因此BS可以获知UAV的三维坐标,飞行状态以及链路状态信息。BS与UAV的 通信可在不同的信道间切换,将BS对UAVuk的控制信号的功率记为pk。
由(1)可知,LoS路径出现的概率随着θk的增大而变大,而NLoS路径出现的概率为
根据自由空间(free space,FS)传播模型,当UAV与BS之间的链路为LoS路径时,信号传播损耗可建模为
其中F表示基准频率,表示UAV k所占用信道的载波频率与F的间隔。此外,dk,BS表示在UAV k与BS之间的距离,ηLoS表示LoS路径下额外的损耗。而UAV k与 BS之间的链路为NLoS路径时信号传播损耗为
综上,可以推倒得到,UAV k与BS之间的信道增益可表示为
gk,BS(dk,BS,fk)=Ck(F+fk)-2, (4)
其中,
此外,由于发射机和接收机的非理想特性,信号会在邻近频点上产生频谱泄漏。假设UAV 型号相同,不同UAV发射和接收信号滤波器特性相似。任意两个UAV u1和u2(对应遥控信 道频点为f1和f2)的遥控信道之间会收到频谱泄漏的影响。定义邻频干扰系数来衡量频谱泄 漏效应,即:对于f1和f2,存在映射其中表示邻频干扰系数,满足以下 特性
上式中,当|f1-f2|=0时,为同频干扰;当|f1-f2|→∞表示频点之间间隔很远,频谱泄漏 效应非常微弱。注意这些邻道干扰系数可根据实际测量得到。
不失一般性,考虑频率资源紧张的情况,即仅仅通过频率分配无法满足所有UAV与BS 的通信需求。但是,为了使得所有UAV都能够接收到控制信号,可用频率资源块的数目应该 不得少于UAV的数目。根据上述要求,UAV数目、频谱资源块数目需满足如下条件:
M≤N (7)
对于上行链路,考虑将每个UAV接收到BS发射控制信号的SINR强度作为衡量指标,对于UAV k,其接收到BS发射的控制信号的SINR可表示为:
其中,表示邻道干扰的方差;表示UAV uk的接收机处电磁环境 干扰和噪声的方差。
为了尽可能提升各路控制信号的可靠性,应该使得所有UAV接收到控制信号的SINR值 尽可能地大。因此,研究中采取max-min公平性指标,将无人机用频决策问题建模成如下优 化问题:
subject to:
其中,(C1.4)表示BS向UAV发射控制信号的最大功率限制。
此时,对每个UAVk,引入频谱资源块分配向量表示UAVk 占用其自有信道集中的第i信道,表示不占用。当ak为全零向量含义为UAV k不占用当 前时隙下的任何信道。根据前文设定fk=Akf,其中本发明令 设定集合那么UAV k在j时隙占用的信道频率可表示为假设邻频干扰系数都存储在对称矩阵W中,则有相 应地UAV k和UAV m所占用信道之间的邻频干扰系数可表示为
本发明希望对约束(C2.2)进行解耦,即在不引入耦合约束的前提下同时满足不同无人机 只能够占用不同时频资源块的约束条件。为了达到这个目的,本发明重置矩阵W的对角元 素为较大的数值,以保证不同UAV选择了相同的时频资源块时即ak=am时(ak)TWam的值会非 常大,从而降低SINR值。根据上述定义,可将其等价地简化为如下问题:
subject to
其中,
上述问题的约束中,变量与p的约束是完全独立的,可以利用块坐标下降(BlockCoordinate Descent,BCD)方法进行独立优化。图3给出了上述方法的流程图。
根据流程图3,一种基于块坐标下降的无人机频谱资源分配方法,包括以下步骤:
步骤1:初始化无人机(UAV)数量M、系统最大功率上限pmax、无人机与地面控制站(BS)之间的距离dk,BS,LoS路径损耗系数ηLoS,NLoS路径损耗系数ηNLoS;同 时确定系统授权频道数量N、基准频率设定可用备选频道频率集合其中Δfi表示第i信道的载波频率与基准频率的间隔;确定无人机的可用授权信道数量nk,令nk个可用信道频率表示为集合同时设定无人机k的功率为pk;
步骤2:利用基于功率谱探测的频谱感知技术进行信道扫描,得到不同信道频率所对应 的噪声值以及不同信道间的邻道干扰系数其中对应于频点处的噪声功率, 设定表示频率f1和频率f2之间的干扰系数;设定
步骤3:对于每个无人机k∈{1,...,M},引入频谱资源分配向量设定 矩阵满足关系fk=Akf,其中f=[Δf1,...,ΔfN]T,为只有第ji个元 素为1,其余元素为0的N维列向量,且令j∈{1,...,N},i∈{1,...,nk};设定其中设定邻频干扰矩阵满足 即无人机k和无人机m所占用信道之间的邻频干扰系数为令 p=[p1,p2…pM]T,将无人机通信系统的用频决策问题等价为仅关于{A,p}的 max-min优化问题:
subject to
其中,
步骤4:初始化迭代次数t1=0,最大迭代次数T1,max;设定初始可行解A(0),p(0);
步骤5:固定利用块坐标下降算法分布式求解关于变量A的子问题,更新得到
步骤6:固定利用特征根分解方法求解关于变量p的子问题,更新得到
步骤7:判断是否满足t1≥T1,max t1=0;若满足,则输出否则更新迭代次数 t1=t1+1,并重复步骤5-7;
步骤8:根据得到的功率分配向量p以及信道分配矩阵A,地面控制站实现对无人机的功 率分配以及信道分配,完成最终无人机通信系统的用频决策优化设计。
进一步地,所述步骤5中利用块坐标下降算法分布式求解得到A,具体包括以下步骤:
(5.1)初始化外层迭代次数t2=0、最大的迭代次数T2,max;初始化A(0),p;
(5.2)初始化内层迭代次数k=1、产生随机排列的1到M的整数序列
(5.3)设定
(5.5)更新内层迭代次数k=k+1,并重复步骤4.3-4.5直至满足条件k=M;
(5.6)更新外层迭代次数t2=t2+1,并重复步骤4.2-4.6直至满足条件t2=T2,max;
进一步地,所述步骤6中利用特征根分解方法求解得到具体包括以下步骤:
(6.1)设定
(6.2)定义z=[p1,p2…pM,1]T,令以及
其中
(6.3)对C-1B进行特征根分解后模值最大的特征值所对应的特征根向量的所有元素符号 相同,该特征根的倒数即为对应目标函数的最大值,将所对应的特征根向量进行归一化,使 得最后一个元素为1,得到的前M个元素组成的向量p即为最优解。
图4-5是本发明通过Matlab对所设计方案的仿真验证。参数具体设置为:无人机数量 M=4,系统授权信道数量N=8;系统消耗功率上限Pmax=30dBm;基带载波频率信道频率间隔Δfi=i×5MHz,且设定信道对应的电磁干扰为i×10-9dB, LoS路径损耗系数ηLoS=3dB,NLoS路径损耗系数ηNLoS=23dB;环境参数B=0.136,C=11.95.
图3展示了本实施例中无人机可用备选信道集合和无人机被分配信道,其中图3左阴影部 分为本实施例各无人机的可用备选信道集合,图3右为无人机被分配信道情况,
图4展示了应用了本发明方法后,无人机最小SINR值与迭代次数的收敛关系图。本发明方 法所提出的基于块坐标下降算法可以在非常少的迭代更新后,总是单调地收敛到稳定值,这 意味着本发明方法可实现快速收敛。图5是本发明实施例的无人机传输功率分配图。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离 本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一 点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求 而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括 在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一 个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明 书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解 的其他实施方式。
Claims (3)
1.一种基于块坐标下降的无人机频谱资源分配方法,其特征在于:包括如下步骤:
步骤1:初始化无人机(无人机)数量M、系统最大功率上限pmax、无人机k与地面控制站(BS)之间的距离dk,BS,其中,M为正整数,且
确定系统授权频道数量N、基准频率设定系统备选频道集合其中,N为正整数,Δfi表示第i信道的载波频率与基准频率的间隔;
确定无人机的可用授权信道数量nk,令nk个可用信道频率表示为集合同时设定无人机k的功率为pk;
步骤2:利用基于功率谱探测的频谱感知技术进行信道扫描,得到不同信道频率所对应的噪声值以及不同信道间的邻道干扰系数其中,对应于频点处的噪声功率,设定表示频率f1和频率f2之间的干扰系数;设定
步骤3:对于每个无人机k∈{1,...,M},引入频谱资源分配向量设定矩阵满足关系fk=Akf,其中f=[Δf1,...,ΔfN]T, 为只有第ji个元素为1,其余元素为0的N维列向量,且令j∈{1,...,N},i∈{1,...,nk};设定其中k∈{1,...,M};设定邻频干扰矩阵满足即无人机k和无人机m所占用信道之间的邻频干扰系数为令p=[p1,p2…pM]T,将无人机通信系统的用频决策问题等价为仅关于{A,p}的max-min优化问题:
其中,
步骤4:初始化迭代次数t1=0,最大迭代次数T1,max;设定初始可行解A(0),p(0),其中,p为功率分配向量,A为信道分配矩阵;
步骤5:固定利用块坐标下降算法分布式求解关于变量A的子问题,更新得到
步骤6:固定利用特征根分解方法求解关于变量p的子问题,更新得到
步骤7:判断是否满足t1≥T1,max;如果是,则输出如果否,则更新迭代次数t1=t1+1,并重复步骤5-7;
步骤8:基于得到的功率分配向量p以及信道分配矩阵A,最终地面控制站实现对无人机的功率分配以及信道分配,完成无人机通信系统的时频决策优化设计。
2.根据权利要求1所述的一种基于块坐标下降的无人机频谱资源分配方法,其特征在于,步骤5中利用块坐标下降算法分布式求解得到A,具体包括以下步骤:
5.1、初始化外层迭代次数t2=0、最大的迭代次数T2,max;初始化A(0),p;
5.2、初始化内层迭代次数k=1、产生随机排列的1到M的整数序列
5.3、设定
5.4、固定p和(表示矩阵A除去第m列的其他所有列),更新其中
5.5、更新内层迭代次数k=k+1,并重复步骤5.3-5.5直至满足条件k=M;
5.6、更新外层迭代次数t2=t2+1,并重复步骤5.2-5.6直至满足条件t2=T2,max。
3.根据权利要求1所述的一种基于块坐标下降的无人机频谱资源分配方法,其特征在于,步骤6中利用特征根分解方法求解得到具体包括以下步骤:
6.1、设定
6.2、定义z=[p1,p2…pM,1]T,令以及
其中
6.3、对C-1B进行特征根分解后模值最大的特征值所对应的特征根向量的所有元素符号相同,该特征根的倒数即为对应目标函数的最大值,将所对应的特征根向量进行归一化,使得最后一个元素为1,得到的前M个元素组成的向量p即为最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711404671.4A CN108135002B (zh) | 2017-12-22 | 2017-12-22 | 一种基于块坐标下降的无人机频谱资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711404671.4A CN108135002B (zh) | 2017-12-22 | 2017-12-22 | 一种基于块坐标下降的无人机频谱资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108135002A true CN108135002A (zh) | 2018-06-08 |
CN108135002B CN108135002B (zh) | 2021-12-21 |
Family
ID=62392276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711404671.4A Active CN108135002B (zh) | 2017-12-22 | 2017-12-22 | 一种基于块坐标下降的无人机频谱资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108135002B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108810849A (zh) * | 2018-06-19 | 2018-11-13 | 广东工业大学 | 一种无人机计算任务的迁移方法、装置及无人机 |
CN109186611A (zh) * | 2018-10-31 | 2019-01-11 | 南京航空航天大学 | 无人机飞行路径分配方法及装置 |
CN109756910A (zh) * | 2019-01-02 | 2019-05-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN109905920A (zh) * | 2019-03-28 | 2019-06-18 | 南京航空航天大学 | 一种多无人机ofdm系统的载波与功率资源分配方法 |
CN111431644A (zh) * | 2020-03-24 | 2020-07-17 | 南京航空航天大学 | 面向频谱认知的无人机路径自主规划装置及方法 |
CN111669758A (zh) * | 2020-05-18 | 2020-09-15 | 清华大学 | 一种卫星无人机融合网络资源分配方法及装置 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
CN115086965A (zh) * | 2022-06-14 | 2022-09-20 | 中国人民解放军国防科技大学 | 基于降元处理和联合迭代优化的动态频谱分配方法及系统 |
CN115175089A (zh) * | 2022-06-07 | 2022-10-11 | 同济大学 | 一种基于均匀圆阵的无人机协同目标感知网络部署方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106464342A (zh) * | 2014-02-17 | 2017-02-22 | 优必奇奥姆有限责任公司 | 经由无人机/uav平台的宽带接入系统 |
US20170054489A1 (en) * | 2014-11-06 | 2017-02-23 | Ubiqomm Llc | Beam forming and pointing in a network of unmanned aerial vehicles (uavs) for broadband access |
US20170063445A1 (en) * | 2015-08-31 | 2017-03-02 | The Boeing Company | System and method for allocating resources within a communication network |
CN107018514A (zh) * | 2011-06-29 | 2017-08-04 | Gogo有限责任公司 | 基于飞行器的空对地通信系统与现有对地静止卫星服务之间的频谱共享 |
CN107132854A (zh) * | 2017-04-28 | 2017-09-05 | 深圳市三合信义科技发展有限公司 | 一种无人机、基于白频谱的无人机操控方法和系统 |
-
2017
- 2017-12-22 CN CN201711404671.4A patent/CN108135002B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018514A (zh) * | 2011-06-29 | 2017-08-04 | Gogo有限责任公司 | 基于飞行器的空对地通信系统与现有对地静止卫星服务之间的频谱共享 |
CN106464342A (zh) * | 2014-02-17 | 2017-02-22 | 优必奇奥姆有限责任公司 | 经由无人机/uav平台的宽带接入系统 |
US20170054489A1 (en) * | 2014-11-06 | 2017-02-23 | Ubiqomm Llc | Beam forming and pointing in a network of unmanned aerial vehicles (uavs) for broadband access |
US20170063445A1 (en) * | 2015-08-31 | 2017-03-02 | The Boeing Company | System and method for allocating resources within a communication network |
CN107132854A (zh) * | 2017-04-28 | 2017-09-05 | 深圳市三合信义科技发展有限公司 | 一种无人机、基于白频谱的无人机操控方法和系统 |
Non-Patent Citations (3)
Title |
---|
MARGOT DERUYCK等: "Performance evaluation of the dynamic trajectory design for an unmanned aerial base station in a single frequency network", 《 2017 IEEE 28TH ANNUAL INTERNATIONAL SYMPOSIUM ON PERSONAL, INDOOR, AND MOBILE RADIO COMMUNICATIONS (PIMRC)》 * |
NAUFAN RAHARYA等: "The frequency sharing of Unmanned Aircraft Systems and Fixed Service at 12.2– 12.5 GHz to support BLOS requirement", 《2015 IEEE ASIA PACIFIC CONFERENCE ON WIRELESS AND MOBILE (APWIMOB)》 * |
米毅: "基于CAN总线的小型飞行控制系统硬件设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108810849A (zh) * | 2018-06-19 | 2018-11-13 | 广东工业大学 | 一种无人机计算任务的迁移方法、装置及无人机 |
CN108810849B (zh) * | 2018-06-19 | 2021-03-26 | 广东工业大学 | 一种无人机计算任务的迁移方法、装置及无人机 |
CN109186611A (zh) * | 2018-10-31 | 2019-01-11 | 南京航空航天大学 | 无人机飞行路径分配方法及装置 |
CN109186611B (zh) * | 2018-10-31 | 2020-09-15 | 南京航空航天大学 | 无人机飞行路径分配方法及装置 |
CN109756910A (zh) * | 2019-01-02 | 2019-05-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN109905920B (zh) * | 2019-03-28 | 2021-03-09 | 南京航空航天大学 | 一种多无人机ofdm系统的载波与功率资源分配方法 |
CN109905920A (zh) * | 2019-03-28 | 2019-06-18 | 南京航空航天大学 | 一种多无人机ofdm系统的载波与功率资源分配方法 |
CN111431644A (zh) * | 2020-03-24 | 2020-07-17 | 南京航空航天大学 | 面向频谱认知的无人机路径自主规划装置及方法 |
CN111431644B (zh) * | 2020-03-24 | 2022-06-10 | 南京航空航天大学 | 面向频谱认知的无人机路径自主规划装置及方法 |
CN111669758A (zh) * | 2020-05-18 | 2020-09-15 | 清华大学 | 一种卫星无人机融合网络资源分配方法及装置 |
CN111669758B (zh) * | 2020-05-18 | 2022-10-21 | 清华大学 | 一种卫星无人机融合网络资源分配方法及装置 |
CN111884740A (zh) * | 2020-06-08 | 2020-11-03 | 江苏方天电力技术有限公司 | 基于频谱认知的无人机信道优化分配方法和系统 |
CN115175089A (zh) * | 2022-06-07 | 2022-10-11 | 同济大学 | 一种基于均匀圆阵的无人机协同目标感知网络部署方法 |
CN115175089B (zh) * | 2022-06-07 | 2024-04-19 | 同济大学 | 一种基于均匀圆阵的无人机协同目标感知网络部署方法 |
CN115086965A (zh) * | 2022-06-14 | 2022-09-20 | 中国人民解放军国防科技大学 | 基于降元处理和联合迭代优化的动态频谱分配方法及系统 |
CN115086965B (zh) * | 2022-06-14 | 2024-05-21 | 中国人民解放军国防科技大学 | 基于降元处理和联合迭代优化的动态频谱分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108135002B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108135002A (zh) | 一种基于块坐标下降的无人机频谱资源分配方法 | |
Mei et al. | 3D-trajectory and phase-shift design for RIS-assisted UAV systems using deep reinforcement learning | |
Xie et al. | UAV-enabled wireless power transfer: A tutorial overview | |
Xi et al. | Joint user association and UAV location optimization for UAV-aided communications | |
CN107017940B (zh) | 无人机中继广播通信系统航迹优化方法 | |
Pham et al. | Aerial computing: A new computing paradigm, applications, and challenges | |
CN108123772A (zh) | 一种基于梯度投影的无人机时频资源分配方法 | |
CN108040368B (zh) | 一种基于块坐标下降的无人机时频资源分配方法 | |
Zhao et al. | RIS-aided ground-aerial NOMA communications: A distributionally robust DRL approach | |
Nie et al. | Energy-efficient UAV trajectory design for backscatter communication: A deep reinforcement learning approach | |
Zhai et al. | Simultaneous wireless information and power transfer at 5G new frequencies: Channel measurement and network design | |
CN111381499B (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
Galkin et al. | REQIBA: Regression and deep Q-learning for intelligent UAV cellular user to base station association | |
Huang et al. | Multiple-UAV-assisted SWIPT in Internet of Things: User association and power allocation | |
Zhang et al. | Power control and trajectory planning based interference management for UAV-assisted wireless sensor networks | |
Yu et al. | Capacity enhancement for 5G networks using mmWave aerial base stations: Self-organizing architecture and approach | |
US11115832B2 (en) | Method and device for network design in wireless communication system | |
Yu et al. | Air–ground integrated deployment for UAV‐enabled mobile edge computing: A hierarchical game approach | |
Liu et al. | Atmospheric ducting effect in wireless communications: Challenges and opportunities | |
Zhang et al. | Channel measurement and resource allocation scheme for dual-band airborne access networks | |
Xia et al. | Toward digitalizing the wireless environment: A unified A2G information and energy delivery framework based on binary channel feature map | |
Zhang et al. | Multi-UAV trajectory design and power control based on deep reinforcement learning | |
Liang et al. | Joint trajectory optimization and spectrum access for cognitive UAV networks | |
Xia et al. | Multiagent collaborative learning for uav enabled wireless networks | |
Askari et al. | A Q-learning approach for real-time NOMA scheduling of medical data in UAV-aided WBANs |
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 |