CN109756910B - 基于改进天牛须搜索算法的无人机网络资源分配方法 - Google Patents
基于改进天牛须搜索算法的无人机网络资源分配方法 Download PDFInfo
- Publication number
- CN109756910B CN109756910B CN201910001560.1A CN201910001560A CN109756910B CN 109756910 B CN109756910 B CN 109756910B CN 201910001560 A CN201910001560 A CN 201910001560A CN 109756910 B CN109756910 B CN 109756910B
- Authority
- CN
- China
- Prior art keywords
- current position
- unmanned aerial
- aerial vehicle
- longicorn
- whisker
- 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
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于改进天牛须搜索算法的无人机网络资源分配方法,无人机通信系统的终端由无人机对(UAV)组成,方法包括:(1)初始化系统参数,所述参数包括信干噪比阈值、UAV发射终端的功率等参数;(2)将用户共享信道资源的方案用一个位置矢量来表示,并随机产生符合约束条件的初始解作为当前位置;(3)求得当前位置天牛左右两须的分别对应的位置;(4)求解系当前位置以及左右两须对应的位置在UAV通信系统中的吞吐量,以系统吞吐量性能优化指标作为目标函数对天牛位置进行更新;(5)重复上述步骤至迭代停止,对编码空间进行逆向解码得到最优资源分配方案。本发明能有效提高系统吞吐量,其性能优越,且易于实现。
Description
技术领域
本发明涉及无人机通信领域,具体涉及一种基于改进天牛须搜索算法的无人机协作通信网络资源分配方法。
背景技术
无人机(UVA)是一种由无线电遥控设备和自动程序控制装置操纵的飞机。近年来,随着无人机项目的推广,无人机被引入到的很多应用中。因此,无人机通信的中的无线电频谱的稀缺,促使我们考虑改善频谱资源。蓝牙、WIFI等通信模式,要通过复杂的人工配对的方式,且工作在非授权频谱下,信息传输安全性不足。利用无人机之间的直接通信可以克服这一问题,从而提高频谱利用率。
无人机经过几十年的发展历程,从技术上来看已经比较成熟。其成本较低,且易于操控,并且具有很高的灵活度,还能够懈怠一些重要的设备完成特殊任务,比如空中检测、空间监视、空中转信、紧急救援等。无人机可以作为基站提供无线通信的部署,对无人机飞行高度的最优值可以得到最大的累加率和覆盖概率。无人机在灾难场景下的情况,考虑了相邻无人机共享的频率资源,利用资源管理系统,可以提高数据的通信质量。无人机正朝着模块化、标准化、多样化和系列化的趋势发展。
在无人机通信系统中,当无人机对与其他无人机对共享相同的频谱资源时,会造成相互干扰。干扰的存在使得资源分配更加复杂。因此,资源配置是提高频谱资源质量的重要组成部分。
因此,对于UAV通信系统来说,需要一种基于改进天牛须搜索算法的无人机协作通信网络的资源分配方法以提高其系统性能,从而应用于UAV通信系统的设计和优化。
发明内容
发明目的:本发明的目的是针对UAV通信系统的资源分配问题,提供一种基于改进天牛须搜索算法的无人机网络资源分配方法,对资源分配进行优化,以提高系统吞吐量。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种基于改进天牛须搜索算法的无人机网络资源分配方法,所述无人机通信系统的终端由无人机对(UAVs)组成,一对无人机包括发射信号无人机(TUAV) 和接收信号无人机(RUAV),其中N对UAVs共享M个信道资源,M和N为大于1的整数,N>M;所述资源分配方法包括以下步骤:
(1)初始化系统参数,所述参数包括信干噪比阈值、UAV发射终端的功率、 UAV数量以及UAV之间的距离;
(2)将用户共享信道资源的方案用一个位置矢量来表示, x=[x1,x2,…,xi,…,xN],且位置矢量中每个位置参数xi∈[1,M];随机产生符合约束条件的初始解x作为当前位置;
(3)求得当前位置天牛左右两须的分别对应的位置;
(4)以系统吞吐量性能优化指标作为目标函数,计算并比较的左右两须对应的目标函数,若满足左须的目标函数值优于右须的目标函数值,则将左须对应的目标函数值再与当前位置的目标值进行比较;否则将右须对应的目标函数值再与当前位置的目标值进行比较;
(5)将左须对应的目标函数值与当前位置的目标值进行比较时,若左须的目标函数值优于当前位置目标函数值,用左须对应的位置更新当前位置,否则不更新;将右须对应的目标函数值与当前位置的目标值进行比较,用右须对应的位置更新当前位置,否则不更新;
(6)重复步骤(3)-(5)进行迭代运算,当达到设定的迭代次数时,停止迭代,对编码的解空间逆向解码,从而得到最优的资源分配策略。
在具体的通信场景中,所述步骤(4)中系统吞吐量的计算公式为:
其中,Cj为第j个RUAV的数据传输速率;
Cj=Blog2(1+SINRj)
其中,SINRj为RUAV的信干噪比;B为子信道带宽。
所述RUAV的信干噪比为:
在优选的实施方案中,所述步骤(3)中求得当前位置天牛左右两须的分别对应的位置的方法:
使用如下公式计算右须指向左须的方向向量dir:
dir=rands(N,1)
dir=dir/norm(dir)
其中,rands(N,1)表示生成N行1列元素值在0-1之间的列向量;norm(dir) 表示向量的模;
对应的左右须的探索位置xl和xr分别为:
xl=ceil(x+dir*d0)
xr=ceil(x-dir*d0)
其中,x为天牛当前位置;d0是两根触须之间的距离;ceil表示对向量元素取整。
在优选的实施方案中,所述步骤(3)中求得当前位置天牛左右两须的分别对应的位置的方法:设定左或者右是N维空间中的一个随机方向,在N维向量x 中随机选择一个值进行突变。
在另一种可选的实施方案中,采用如下更新天牛所处位置的公式替代步骤 (4)和步骤(5)的判断及更新方式:
xt=xt-1+steptdir*sign(f(xl)-f(xr))
其中,xt、xt-1分别为第t次迭代和第t-1次迭代时天牛所处的位置;stept表示第t次迭代时天牛须的迭代步长,随迭代次数t的增加而减小;sign表示符号函数,f(xl)、f(xr)分别表示左须和右须对应的目标函数值;若位置xt的目标函数值不大于当前最优的天牛位置,则不更新。
有益效果:本发明基于改进天牛须搜索算法的无人机协作通信网络的资源分配方法能够有效提升系统吞吐量,其性能优越,且易于实现。
附图说明
图1是UAV通信系统的场景图;
图2是本发明实施例的资源分配方法具体流程图;
图3是本发明另一优选实施例的资源分配方法具体流程图;
图4是本发明所提方法与现有方法所得的UAV通信系统吞吐量图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
场景的选择直接影响了资源分配方法的性能,下面详细分析一下场景的设定与参数的设置。
1.无人机的分类和数量
在UAV通信系统中,UAV是以成对形式存在的,一对UAV包括发射信号无人机(TUAV)和接收信号无人机(RUAV)。N对UAV用户对共享所有子信道的频谱资源。图1是UAV通信系统的场景图,其中N个TUAVs均匀分布在一个边长为A的立体空间内,RUAVs分布在以其对应的TUAVs为圆心,最大通信距离为L的圆内。本发明专利即为基于此场景提出的基于改进天牛须搜索算法的UAV通信系统的资源分配方法。
2.信道模型的建立
在传统蜂窝网络中,蜂窝用户采用严格的功率控制方式。然而在UAV通信中,UAV发射终端TUAV通常采用相同的发射功率,记作PT。我们假设发射终端和接收终端之间的信道模型为自由空间衰减模型,即Pr/Pt=1/rα,其中Pr是接收终端接收到的功率,Pt是发送终端的发射功率,r为终端之间的距离,α是路径损耗因子。
3.资源分配方法
多个UAV可以共享一个子信道,所以均匀划分频段形成M个子信道,N个 UAV对共享M个子信道的频谱资源。
基于上述理论基础,对本发明的基于改进天牛须搜索算法的UAV通信系统的资源分配方法进行设计。
首先对本发明使用的符号或参数说明如下:
UAV:无人机;
TUAV:发射信号无人机;
RUAV:接收信号无人机;
M:通信系统内子信道数;
N:空间内UAV对数;
A:空间边长;
L:一对UAV中TUAV和RUAV之间的最大距离;
PT:TUAV的发射功率;
dj:TUAV j和RUAV j之间的距离;
dk,j:TUAV k和RUAV j之间的距离;
α:路径损耗指数;
N0:噪声功率;
B:子信道带宽;
dir:右须指向左须的方向向量;
x:为天牛当前位置;
xl:左须的探索位置;
xr:右须的探索位置;
d0:两根触须之间的距离;
step:为搜索步长;
如图2所示,本发明实施例提供的一种基于天牛须搜索算法的UAV通信系统的资源分配方法,包括以下步骤:
(1)初始化:
1)初始化系统参数,所述参数包括信干噪比阈值、UAV发射终端的功率、 UAV数量等参数;
2)获取网络中的UAV通信移动终端的数量N、子信道数N以及各种距离变量dj和dk,j的值;各距离信息可以基于检测信号进行估计得到或者基于各终端向基站报告的位置信息计算得到,仿真环境中可以直接初始化各设备所在位置信息;
(2)将用户共享信道资源的方案用一个位置矢量来表示,将位置矢量编码为一个长度为N的行向量x=[x1,x2,…,xi,…,xN],且位置矢量中每个位置参数 xi∈[1,M],向量中每个元素值即代表相应UAV共用的信道资源。
(3)随机产生符合约束条件的初始解x,求得当前位置天牛左右两须的分别对应的位置。其中约束条件是所有RUAV的信干噪比要大于等于设定的信干噪比门限值SINRth,即SINRj≥SINRth(i=1,2...N)。如产生须的位置不满足约束条件,按照生成左右须的规则,重新生成左右须的位置,直到生成的须对应的位置满足约束条件为止。
本步骤中在参数连续的情况下计算天牛左右两须位置,使用计算公式:
dir=rands(N,1)
dir=dir/norm(dir)
其中,rands(N,1)表示生成N行1列元素值在0-1之间的列向量;norm(dir) 表示向量的模。
xl和xr分别对应着左右须的探索位置:
xl=ceil(x+dir*d0)
xr=ceil(x-dir*d0)
其中,x为天牛当前位置;ceil为取整操作,通过ceil函数进行最小整数取整。取整后如果得到的向量中的元素值不在1-M内,则在1-M之间的整数中随机产生一个新的值代替不满足条件的元素值;取整后如果得到的向量中的元素值全部满足在在1-M内,得到的向量即左/右须的探索位置。
(4)求解系统中UAV通信系统中吞吐量C,并设为改进天牛须搜索算法中的目标函数。根据如下公式更新天牛所处位置
xt=xt-1+steptdir*sign(f(xl)-f(xr))
其中,xt、xt-1分别为第t次迭代和第t-1次迭代时天牛所处的位置;stept表示第t次迭代时天牛须的迭代步长,随迭代次数t的增加而减小;满足 step=step*eta且step=c*d0,其中eta是在0.1到1之间靠近1的常数;c为 2-10之间的常数;d0=step/c,d0随step的变化而变化,step随迭代次数增加而变小,缩短搜索步长。sign表示符号函数,f(xl)、f(xr)分别表示左须和右须对应的目标函数值;若位置xt的目标函数值不大于当前最优的天牛位置,则不更新。
其中,系统吞吐量的计算公式为:
Cj=Blog2(1+SINRj)为第j个RUAV的数据传输速率;
(5)当达到设定的迭代次数时,停止迭代,对编码的解空间逆向解码,从而得到最优的资源分配策略。
如图3所示,本发明另一更为优选实施例提供的一种基于改进天牛须搜索算法的UAV通信系统的资源分配方法,包括以下步骤:
(1)初始化系统参数,包括信干噪比阈值、UAV发射终端的功率、UAV数量以及UAV之间的距离等。
(2)将用户共享信道资源的方案用一个位置矢量来表示,将位置矢量编码为一个长度为N的行向量x=[x1,x2,…,xi,…,xN],且位置矢量中每个位置参数 xi∈[1,M],向量中每个元素值即代表相应UAV共用的信道资源。
(3)随机产生符合约束条件的初始解,求得当前位置天牛左右两须的分别对应的位置。改进天牛须搜索算法通过随机化的寻优策略将初始解以及在初始解基础上产生的另外两个可行解有机结合,增加了解的多样性,易于陷入局部收敛的问题。本实例中,我们随机化产生符合约束条件的初始解空间x,在参数离散的情况下,设定左或者右是N维空间中的一个随机方向,参考遗传算法的基因突变机制,在N维向量x中随机选择一个值进行突变,得到xl和xr。如对原位置向量进行第一次突变生成的新向量记作左须位置;第二次突变仍对原位置向量进行突变,生成的新向量记作右须位置。
(4)求解系统中UAV通信系统中吞吐量C,并设置为改进天牛须搜索算法中的目标函数,求解过程如下:
分析系统吞吐量的数学特征,需遍历通信链路的数据传输速率。根据第j条通信链路的数据传输速率Cj数学特征可以表示系统吞吐量C为:
(5)改进天牛须搜索算法将左须对应的目标函数值与当前位置的目标值进行比较时,若左须的目标函数值优于当前位置目标函数值,用左须对应的位置更新当前位置;将右须对应的目标函数值与当前位置的目标值进行比较,用右须对应的位置更新当前位置;当达到设定的迭代次数时,停止迭代,对编码的解空间逆向解码,从而得到最优的资源分配策略。
图4详细比较了本发明的天牛须搜索算法及改进天牛须搜索算法和其他算法所得的UAV通信系统吞吐量。为验证本发明方法比现有技术的优势,本发明设定如下仿真参数:空间边长R为200m,子信道数量为5,子信道带宽为0.2MHz, UAV对的最大通信距离L为30m,UAV对的数量是20,UAV的发射功率为 0.01W,噪声功率N0为-90dBm,信道中路径损耗系数为4,最大迭代次数为100, SINR的门限值为4.6dB。从图中可以看出,随机算法性能最劣,改进天牛须搜索算法的性更要优于天牛须搜索算法,改进天牛须搜索算法找出来的资源分配方法其系统吞吐量最高。天牛须搜索算法易于陷入局部最优解,改进天牛须搜索算法克服了这一缺点,并且拥有自适应参数设置的合理性以及其优越的全局搜索性能。
如上所述,本发明的基于改进天牛须搜索算法的UAV通信系统的资源分配方法,能够有效提高系统吞吐量,性能优越,且易于实现。
Claims (5)
1.一种基于改进天牛须搜索算法的无人机网络资源分配方法,所述无人机通信系统的终端由无人机对(UAVs)组成,一对无人机包括发射信号无人机(TUAV)和接收信号无人机(RUAV),其中N对UAVs共享M个信道资源,M和N为大于1的整数,N>M;其特征在于,所述方法包括以下步骤:
(1)初始化系统参数,所述参数包括信干噪比阈值、UAV发射终端的功率、UAV数量以及UAV之间的距离;
(2)将用户共享信道资源的方案用一个位置矢量来表示,x=[x1,x2,…,xi,…,xN],且位置矢量中每个位置参数xi∈[1,M];随机产生符合约束条件的初始解x作为当前位置;
(3)求得当前位置天牛左右两须的分别对应的位置;
(4)以系统吞吐量性能优化指标作为目标函数,计算并比较的左右两须对应的目标函数,若满足左须的目标函数值优于右须的目标函数值,则将左须对应的目标函数值再与当前位置的目标值进行比较;否则将右须对应的目标函数值再与当前位置的目标值进行比较;
(5)将左须对应的目标函数值与当前位置的目标值进行比较时,若左须的目标函数值优于当前位置目标函数值,用左须对应的位置更新当前位置,否则不更新;将右须对应的目标函数值与当前位置的目标值进行比较时,若右须的目标函数值优于当前位置目标函数值,用右须对应的位置更新当前位置,否则不更新;
(6)重复步骤(3)-(5)进行迭代运算,当达到设定的迭代次数时,停止迭代,对编码的解空间逆向解码,从而得到最优的资源分配策略。
4.根据权利要求1所述的基于改进天牛须搜索算法的无人机网络资源分配方法,其特征在于,所述步骤(3)中求得当前位置天牛左右两须的分别对应的位置的方法:
使用如下公式计算右须指向左须的方向向量dir:
dir=rands(N,1)
dir=dir/norm(dir)
其中,rands(N,1)表示生成N行1列元素值在0-1之间的列向量;norm(dir)表示向量的模;
对应的左右须的探索位置xl和xr分别为:
xl=ceil(x+dir*d0)
xr=ceil(x-dir*d0)
其中,x为天牛当前位置;d0是两根触须之间的距离;ceil表示对向量元素取整。
5.根据权利要求1所述的基于改进天牛须搜索算法的无人机网络资源分配方法,其特征在于,所述步骤(3)中求得当前位置天牛左右两须的分别对应的位置的方法:设定左或者右是N维空间中的一个随机方向,在N维向量x中随机选择一个值进行突变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910001560.1A CN109756910B (zh) | 2019-01-02 | 2019-01-02 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910001560.1A CN109756910B (zh) | 2019-01-02 | 2019-01-02 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109756910A CN109756910A (zh) | 2019-05-14 |
CN109756910B true CN109756910B (zh) | 2020-07-14 |
Family
ID=66405134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910001560.1A Active CN109756910B (zh) | 2019-01-02 | 2019-01-02 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109756910B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110247438B (zh) * | 2019-06-19 | 2023-03-24 | 南昌大学 | 基于天牛须算法的主动配电网资源优化配置 |
CN110986982B (zh) * | 2019-12-02 | 2021-12-07 | 浙江工业大学 | 基于改进天牛须算法的多机器人路径规划方法 |
CN111510477B (zh) * | 2020-04-07 | 2021-05-11 | 河海大学 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
CN111556577B (zh) * | 2020-05-20 | 2022-06-07 | 西安电子科技大学 | Noma系统中基于引力搜索算法的吞吐量最大化方法 |
CN112087813B (zh) * | 2020-08-31 | 2022-07-26 | 浙江工业大学 | 一种改进的天牛须搜索算法求解非正交随机接入最优吞吐量的方法 |
CN113673863B (zh) * | 2021-08-19 | 2023-07-07 | 南京信息工程大学 | 一种基于量子天牛须算法的电力系统经济调度方法 |
CN116105743B (zh) * | 2023-04-17 | 2023-06-27 | 山东大学 | 一种联邦滤波系统信息因子分配方法及水下导航系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108040368A (zh) * | 2017-12-22 | 2018-05-15 | 南京航空航天大学 | 一种基于块坐标下降的无人机时频资源分配方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN109039494A (zh) * | 2018-07-25 | 2018-12-18 | 河海大学 | 一种基于改进和声搜索算法的5g通信系统资源分配方法 |
CN109099877A (zh) * | 2018-06-29 | 2018-12-28 | 湖北汽车工业学院 | 基于天牛须搜索算法的空间圆柱度误差评定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108135002B (zh) * | 2017-12-22 | 2021-12-21 | 南京航空航天大学 | 一种基于块坐标下降的无人机频谱资源分配方法 |
-
2019
- 2019-01-02 CN CN201910001560.1A patent/CN109756910B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108040368A (zh) * | 2017-12-22 | 2018-05-15 | 南京航空航天大学 | 一种基于块坐标下降的无人机时频资源分配方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN109099877A (zh) * | 2018-06-29 | 2018-12-28 | 湖北汽车工业学院 | 基于天牛须搜索算法的空间圆柱度误差评定方法 |
CN109039494A (zh) * | 2018-07-25 | 2018-12-18 | 河海大学 | 一种基于改进和声搜索算法的5g通信系统资源分配方法 |
Non-Patent Citations (2)
Title |
---|
A new beetle antennae search algorithm for multiobjective energy management in microgrid;Zongyao Zhu, Zhiyu Zhang, Weishi Man, Xiangqian;《2018 13th IEEE Conference on industrial Electronics and Applications(ICIEA)》;20180628;全文 * |
BAS: Beetle Antennae Search Algorithm for Optimization Problems;Xiangyuan Jiang, Shuai Li;《International Journal of Robotics and Control ISSN》;20171030;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109756910A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109756910B (zh) | 基于改进天牛须搜索算法的无人机网络资源分配方法 | |
Wang et al. | Adaptive deployment for UAV-aided communication networks | |
AlQerm et al. | Enhanced machine learning scheme for energy efficient resource allocation in 5G heterogeneous cloud radio access networks | |
EP3451731A1 (en) | Cell clustering method, spectrum overlapping multiplexing method based on method, and device thereof | |
Balevi et al. | A clustering algorithm that maximizes throughput in 5G heterogeneous F-RAN networks | |
CN110290542B (zh) | 海上无人机通信覆盖优化方法及系统 | |
Naderializadeh et al. | Wireless power control via counterfactual optimization of graph neural networks | |
CN109039494B (zh) | 一种基于改进和声搜索算法的5g通信系统资源分配方法 | |
CN111787543B (zh) | 一种基于改进灰狼优化算法的5g通信系统资源分配方法 | |
Albinsaid et al. | Multi-agent reinforcement learning-based distributed dynamic spectrum access | |
Kim et al. | Online learning-based downlink transmission coordination in ultra-dense millimeter wave heterogeneous networks | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
CN113271127B (zh) | 一种基于最优保留遗传算法的分布式全双工大规模mimo系统天线工作模式选择方法 | |
NaderiAlizadeh et al. | State-augmented learnable algorithms for resource management in wireless networks | |
CN115802370A (zh) | 一种通信方法及装置 | |
Adeogun et al. | Distributed channel allocation for mobile 6g subnetworks via multi-agent deep q-learning | |
Sana et al. | Transferable and Distributed User Association Policies for 5G and Beyond Networks | |
Ge et al. | Reinforcement learning-based interference coordination for distributed MU-MIMO | |
Rathod et al. | Fusion of artificial intelligence and game theory for resource allocation in non‐orthogonal multiple access‐assisted device‐to‐device cooperative communication | |
CN115225142A (zh) | 多无人机通信中用户匹配与频谱资源联合优化方法及系统 | |
Huang et al. | Characterizing multi-cell cooperation via the outage-probability exponent | |
Azim et al. | Optimization of reconfigurable intelligent surface for M2M communications over cellular networks | |
Calvo-Fullana et al. | Multi-mode autonomous communication systems | |
Bi et al. | Deep reinforcement learning for IRS-assisted UAV covert communications | |
KR101741361B1 (ko) | 간섭 정렬 기반의 인지 무선 네트워크에서 최적의 송수신 장치 설계 방법 |
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 |