CN109890038B - 一种基于SoftAP的无人机群集网络自组织方法 - Google Patents
一种基于SoftAP的无人机群集网络自组织方法 Download PDFInfo
- Publication number
- CN109890038B CN109890038B CN201910086381.2A CN201910086381A CN109890038B CN 109890038 B CN109890038 B CN 109890038B CN 201910086381 A CN201910086381 A CN 201910086381A CN 109890038 B CN109890038 B CN 109890038B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- ssi
- cluster
- networking request
- 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SoftAP的无人机群集网络自组织方法,包含以下步骤:使用SoftAP技术构建无人机群集网络的基本单元,即无线网络单元;基本单元包含第一网络节点、第二网络节点;第一网络节点和第二网络节点使用不同扫描方式获取邻居网络的无线网络单元信息;以邻居网络的无线网络单元信息为基础,网络节点以网络形成和网络组网进行网络的自组织;第一网络节点以和第二网络节点以不同数据触发网络组网请求;接收到网络组网请求后,判断网络群集规模,并根据静态变量和动态变量,对网络组网请求进行处理,实现了以网络性能和群集规模为优化目标无人机群集自组织网络,且保证结构简单化。
Description
技术领域
本发明涉及无线网络主动发现和组网技术的研究领域,特别涉及一种基于SoftAP的无人机群集网络自组织方法。
背景技术
随着无人机微型化、智能化的发展,无人机群集自组织协同作业成为其重要的应用方式,无线网络作为信息交互的基础,是保障和发挥群集自组织协同作业优势的关键,国内针对无人机自组网进行了大量的研究,并取得较多的技术成果。
现有技术中,有从硬件方面对无人机组网性能进行优化的,也有从软件方面对无人机组网性能进行优化的,然而主流的优化方式采用的是集中式的控制,并缺乏对无人机移动特性、自组织网络时间成本、无人机群集规模和网络性能的综合考虑。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于SoftAP的无人机群集网络自组织方法,通过网络形成和组网的方式,以无人机群集规模和网络性能为优化目标,推进了无人机群集自组织协同,完成网络自组织。
本发明的目的通过以下的技术方案实现:
一种基于SoftAP的无人机群集网络自组织方法,包括以下步骤:
S1、使用SoftAP技术构建无人机群集网络的基本单元,即无线网络单元;所述基本单元包含第一网络节点、第二网络节点;
S2、第一网络节点使用第一扫描方式获取邻居网络的无线网络单元信息,第二网络节点使用第二扫描方式获取邻居网络的无线网络单元信息;
S3、以邻居网络的无线网络单元信息为基础,网络节点以网络形成和网络组网进行网络的自组织;其中第一网络节点以第一触发数据作为触发网络组网请求,第二网络节点以第二触发数据触发网络组网请求;
S4、接收到网络组网请求后,判断网络群集规模,达到预设阈值则不处理网络组网请求;未达到阈值则根据静态变量和动态变量,对网络组网请求进行处理,实现网络自组织。
进一步地,所述第一网络节点为管理节点:Master节点;所述第二网络节点为受控节点:Slave节点;
进一步地,所述Master节点和Slave节点,每个网络节点都有唯一网络节点标识;
进一步地,所述第一扫描方式为主动网络扫描方式;所述第二扫描方式为被动扫描方式;
进一步地,所述无线网络单元信息包含无人机群集标识和信号强度指标;
进一步地,所述第一触发数据为信号强度指标差值的绝对值;所述第二触发数据为信号强度指标差值;所述触发网络组网请求具体如下:
第一节点的邻居无线网络单元WNC信息如下:
Listneighbor={(GI1,SSI1),...,(GIi,SSIi),...(GINB,SSINB)},
其中,Listneighbor为第一节点的邻居无线网络单元信息列表;GIi为第i个无人系统集群,SSIi为第i个无人系统集群对应的信号强度指标,NB为邻居无线网络单元信息列表的单元个数,0≤i≤NB;
第二节点的附近信息如下:
Listnear={(GInow,SSInow),(GI1,SSI1),...,(GIj,SSIj),...(GINR,SSINR)},
其中,(GInow,SSInow)为第二节点当前所属无线网络单元WNC信息;Listnear为第二节点邻居无线网络单元信息列表,GIj为第j个无人系统集群,SSIj为的第j个无人系统集群对应的信号强度指标,NR为邻居无线网络单元信息列表的单元个数,0≤j≤NR;
当GInow=SSIj时,SSIj-SSInow≤SSITH;SSITH为信号轻度指标可配置判断阈值;
第一节点进行主动扫描时,当Listneighbor中的GInow=GIi时,且|SSIj-SSInow|>SSITH,则向对应的WNC发送网络组网请求;
第二节点进行被动扫描时,当Listnear中的GInow=GIj时,且SSIj-SSInow>SSITH,则向对应的WNC发送网络组网请求。
进一步地,所述网络形成具体为:当第二节点通过第二扫描方式未获取邻居网络的无线网络单元信息或第二节点的无人机群集标识发生变化时,由第二节点转为第一节点形成无线网络单元的过程;
进一步地,所述静态变量为无线网络辐射半径;所述动态变量为网络节点数目、节点位置、节点移动速度;
进一步地,所述预设阈值为:
进一步地,所述步骤S4具体为:接收到网络组网请求的第一节点,首先判断网络群集规模,若群集规模达到预设阈值则不处理网络组网请求;
所述网络组网请求内容包含如下:
NCR={(NNI1,R1,P1,V1),...,(NNIk,Rk,Pk,Vk),...(NNIGN,RGN,PGN,VGN)},
其中,NNIk为无线网络单元WNC中第k个网络节点,Rk为第k个网络节点的无线网络辐射半径,Pk为第k个网络节点的节点位置,Vk为第k个网络节点的移动速度;
所述第一节点内容为:(NNI0,R0,P0,V0);网络节点数为GN0;网络发现和网络组网平均耗时为Tcost;网络自组织权值系数为K;网络规模优化阈值为GNmax;
组网请求处理:当,则拒绝网络组网请求,否则继续执行;
经过K*Tcost时间后,节点NNIk和第一节点之间的距离为Dk,令:
PVTk=(Pk+Vk*K*Tcost)-(P0+V0*K*Tcost),
则Dk为:
当Dk≥R0时,第一节点拒绝节点NNIk的网络组网请求,否则,允许节点NNIk的网络组网请求,并发送网络组网请求结果;
接收到网络组网请求确定的节点向所属WNC的第一节点发送网络离网信息,并向节点NNI0进行组网关联,更新GN0值:
GN0=GN0+1,
处理完GN个网络节点;
若群集规模未达到预设阈值,根据请求节点和处理节点的节点位置和节点移动速度,在网络自组织时间成本优化权值的限制和无线网络辐射半径的约束下,对网络组网请求作出接受或拒绝的处理。
本发明与现有技术相比,具有如下优点和有益效果:
本发明以SoftAP来构成网络的基本单元,并且是网络中的唯一单元,保证了网络结构的简单化;网络基本单元包含Master节点和Slave节点,不同角色网络节点以不同的扫描方式获取邻居/附近网络的无线网络单元信息,为网络自组织提供判断依据;网络节点以网络形成和网络组网的方式实现网络自组织,综合考虑无线网络辐射半径、节点位置、节点移动速度、群集规模的影响因素,实现了以网络性能和群集规模为优化目标无人机群集自组织网络。
附图说明
图1是本发明所述一种基于SoftAP的无人机群集网络自组织方法的方法流程图;
图2是本发明所述实施例中以SoftAP构成网络基本单元流程图;
图3是本发明所示实施例中网络组网请求处理流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
一种基于SoftAP的无人机群集网络自组织方法,如图1所示,具体如下:
第一步、使用SoftAP技术构建无人机群集网络的基本单元,即无线网络单元;所述基本单元包含第一网络节点、第二网络节点;第一网络节点为管理节点:Master节点;第二网络节点为受控节点:Slave节点;每个网络节点都有唯一网络节点标识;
第二步、第一网络节点使用第一扫描方式获取邻居网络的无线网络单元信息,第二网络节点使用第二扫描方式获取邻居网络的无线网络单元信息;第一扫描方式为主动网络扫描方式;第二扫描方式为被动扫描方式;无线网络单元信息包含无人机群集标识和信号强度指标;
第三步、以邻居网络的无线网络单元信息为基础,网络节点以网络形成和网络组网进行网络的自组织;其中第一网络节点以第一触发数据作为触发网络组网请求,第二网络节点以第二触发数据触发网络组网请求;第一触发数据为信号强度指标差值的绝对值;第二触发数据为信号强度指标差值;
网络形成具体为:当第二节点通过第二扫描方式未获取邻居网络的无线网络单元信息或第二节点的无人机群集标识发生变化时,由第二节点转为第一节点形成无线网络单元的过程;
第四步、接收到网络组网请求后,判断网络群集规模,达到预设阈值则不处理网络组网请求;未达到阈值则根据静态变量和动态变量,对网络组网请求进行处理,实现网络自组织。静态变量为无线网络辐射半径;所述动态变量为网络节点数目、节点位置、节点移动速度;所述预设阈值为:
接收到网络组网请求的第一节点,首先判断网络群集规模,若群集规模达到预设阈值则不处理网络组网请求;若群集规模未达到预设阈值,根据请求节点和处理节点的节点位置和节点移动速度,在网络自组织时间成本优化权值的限制和无线网络辐射半径的约束下,对网络组网请求作出接受或拒绝的处理。
具体为:
以SoftAP来构成网络的基本单元
无人机网络节点启动后,执行主动网络扫描,根据图2所示的执行流程构建如下表1所示的信息表。请执行流程如下步骤所示:
(1)节点执行主动网络扫描;
(2)若未发现任何无线网络单元WNC信息,执行下一个步骤;
(3)节点独自执行网络形成,形成无线网络单元WNC,并将自身节点信息作为Master角色,即Master节点,写入表中,结束。
(4)如果发现无线网络单元WNC信息,将所有无线网络单元WNC信息写入表中;
(5)判断是否存在无人机群集标识相同的节点,若不存在,执行步骤(3),并将表中已有Master角色群集网络的关系项写入Neighbor;
(6)若存在群集标识相同的节点,执行网络组网进行网络自组织过程。成功则将该网络关系置为空值,将其它Master节点的关系写为Nearby,结束。
表1邻居/邻近网络信息表
不同角色网络节点以不同的扫描方式获取邻近信息
无线网络单元WNC中的Master节点采用主动网络扫描方式,即AS方式获取邻居的无线网络单元WNC信息;Slave节点采用被动网络扫描方式,即PS方式获取邻近的无线网络单元WNC信息。并维护表1的数据信息,为网络形成和网络组网的执行提供判断依据。
以网络形成和组网的方式实现网络的自组织
经过以SoftAP来构建无线网络单元WNC的初始化过程后,在节点通过AS方式和PS方式获取邻居/邻近无线网络单元WNC信息的基础上,不断更新表1的内容,通过网络形成和组网来实现群集网络的自组织。网络形成和组网的执行流程如图1所示,网络形成和组成是不同角色节点进行网络自组织的方法,网络形成是Slave节点在节点的无人机群集标识GI改变或不存在邻近网络时形成独立无线网络单元WNC的过程;网络组网是指多个无人机群集标识相同的无线网络基本单元覆盖范围出现重叠时,网络间以实现网络性能和群集规模为目标的自组织过程,即Slave节点和Master节点在发现满足出发条件的、更优网络时执行的网络自组织优化过程。
不同角色节点以不同的方式触发网络组网请求
依据表1内容生成网络组网请求的初始化条件,每次Master和Slave节点执行完AS/PS对数据进行更新后,遍历表中的SSI值,判断是否满足触发网络组网请求,其完整算法流程如下所示:
Master和Slave节点依据维护的表1数据生成初始化条件
Master节点的邻居无线网络单元WNC信息列表:
Listneighbor={(GI1,SSI1),...,(GIi,SSIi),...(GINB,SSINB)};
其中,Listneighbor为第一节点的邻居无线网络单元信息列表;GIi为第i个无人系统集群,SSIi为第i个无人系统集群对应的信号强度指标,NB为邻居无线网络单元信息列表的单元个数,0≤i≤NB;
第二节点的附近信息如下:
Listnear={(GInow,SSInow),(GI1,SSI1),...,(GIj,SSIj),...(GINR,SSINR)},
其中,(GInow,SSInow)为第二节点当前所属无线网络单元WNC信息;Listnear为第二节点邻居无线网络单元信息列表,GIj为第j个无人系统集群,SSIj为的第j个无人系统集群对应的信号强度指标,NR为邻居无线网络单元信息列表的单元个数,0≤j≤NR;当GInow=SSIj时,SSIj-SSInow≤SSITH;
SSITH为信号强度指标可配置判断阈值;
(2)发送网络组网请求判断过程
Master进行主动扫描时,当Listneighbor中的GInow=GIi时,且|SSIj-SSInow|>SSITH,则向对应的WNC发送网络组网请求。
Slave节点进行被动扫描时,当Listnear中的GInow=GIj时,且SSIj-SSInow>SSITH,则向对应的WNC发送网络组网请求。
网络组网请求处理方法
考虑到无人机群集的移动特性和群集规模对无线网络的影响,利用传感器数据结构获取无人机位置和移动速度的信息,并将其作为网络组网请求判断的重要依据。由于网络扫描、网络组网都需要消耗时间成本(以Tcost来表示其均值),无人机的移动可能导致频繁的网络组网发生,因而采用可配置的网络自组织权值系数K来约束网络组网的频繁变化,同理,构造网络规模优化阈值GNmax来保障网络性能。网络组网请求处理的算法流程如下所示,其流程见图3:
S1、初始条件
①Master节点接收到网络组网请求,组网请求包含内容如下:
NCR={(NNI1,R1,P1,V1),...,(NNIk,Rk,Pk,Vk),...(NNIGN,RGN,PGN,VGN)},
其中GN∈N+(正整数),0≤k≤GN,NNIk,Rk,Pk,Vk分别为无线网络单元WNC中网络节点的网络节点标识,无线网络辐射半径,节点位置和移动速度,GN也代表了网络节点数目。
②Master节点信息为(NNI0,R0,P0,V0),网络节点数为GN0。
③网络发现和网络组网的平均耗时为Tcost。
④网络自组织权值系数为K。
⑤网络规模优化阈值为GNmax。
S2、组网请求处理
果GN0=GNmax,则拒绝网络组网请求,否则继续执行。
算K*Tcost时间后,节点NNIk和Master之间的距离Dk,令
PVTk=(Pk+Vk*K*Tcost)-(P0+V0*K*Tcost),
则Dk如下所示:
当Dk≥R0时,Master节点拒绝节点NNIk的组网请求,否则,允许该节点的网络组网请求,并发送网络组网请求结果。
接收到组网请求确定的节点向所属WNC的Master节点发送网络离网信息,即断开原有网络连接,然后节点和原Master节点各自更新自己的邻居/邻近网络信息表,并向Master节点NNI0进行组网关联,更新GN0的值:
GN0=GN0+1。
重复步骤①-④直到处理完所有组网请求中的GN个网络节点。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于SoftAP的无人机群集网络自组织方法,其特征在于,包含以下步骤:
S1、使用SoftAP技术构建无人机群集网络的基本单元,即无线网络单元;所述基本单元包含第一网络节点、第二网络节点;
S2、第一网络节点使用第一扫描方式获取邻居网络的无线网络单元信息,第二网络节点使用第二扫描方式获取邻居网络的无线网络单元信息;所述第一扫描方式为主动网络扫描方式;所述第二扫描方式为被动扫描方式;
S3、以邻居网络的无线网络单元信息为基础,网络节点以网络形成和网络组网进行网络的自组织;其中第一网络节点以第一触发数据作为触发网络组网请求,第二网络节点以第二触发数据触发网络组网请求;所述第一触发数据为信号强度指标差值的绝对值;所述第二触发数据为信号强度指标差值;
S4、接收到网络组网请求后,判断网络群集规模,达到预设阈值则不处理网络组网请求;未达到预设阈值则根据静态变量和动态变量,对网络组网请求进行处理,实现网络自组织,具体为:若群集规模未达到预设阈值,根据请求节点和处理节点的节点位置和节点移动速度,在网络自组织时间成本优化权值的限制和无线网络辐射半径的约束下,对网络组网请求作出接受或拒绝的处理;所述静态变量为无线网络辐射半径;所述动态变量为网络节点数目、节点位置、节点移动速度。
2.根据权利要求1所述的一种基于SoftAP的无人机群集网络自组织方法,其特征在于,所述第一网络节点为管理节点:Master节点;所述第二网络节点为受控节点:Slave节点。
3.根据权利要求2所述的一种基于SoftAP的无人机群集网络自组织方法,其特征在于,所述Master节点和Slave节点,每个网络节点都有唯一网络节点标识NNI,所述网络节点标识为网卡MAC地址。
4.根据权利要求1所述的一种基于SoftAP的无人机群集网络自组织方法,其特征在于,所述无线网络单元信息包含无人机群集标识和信号强度指标。
5.根据权利要求4所述的一种基于SoftAP的无人机群集网络自组织方法,其特征在于,所述网络形成具体为:当第二节点通过第二扫描方式未获取邻居网络的无线网络单元信息或第二节点的无人机群集标识发生变化时,由第二节点转为第一节点形成无线网络单元的过程。
6.根据权利要求1所述的一种基于SoftAP的无人机群集网络自组织方法,其特征在于,所述触发网络组网请求具体如下:
第一节点的邻居无线网络单元WNC信息如下:
Listneighbor={(GI1,SSI1),...,(GIi,SSIi),...(GINB,SSINB)},
其中,Listneighbor为第一节点的邻居无线网络单元信息列表;GIi为第i个无人系统集群,SSIi为第i个无人系统集群对应的信号强度指标,NB为邻居无线网络单元信息列表的单元个数,0≤i≤NB;
第二节点的附近信息如下:
Listnear={(GInow,SSInow),(GI1,SSI1),...,(GIj,SSIj),...(GINR,SSINR)},
其中,(GInow,SSInow)为第二节点当前所属无线网络单元WNC信息;Listnear为第二节点邻居无线网络单元信息列表,GIj为第j个无人系统集群,SSIj为的第j个无人系统集群对应的信号强度指标,NR为邻居无线网络单元信息列表的单元个数,0≤j≤NR;
当GInow=SSIj时,SSIj-SSInow≤SSITH;SSITH为信号轻度指标可配置判断阈值;
第一节点进行主动扫描时,当Listneighbor中的GInow=GIi时,且|SSIj-SSInow|>SSITH,则向对应的WNC发送网络组网请求;
第二节点进行被动扫描时,当Listnear中的GInow=GIj时,且SSIj-SSInow>SSITH,则向对应的WNC发送网络组网请求。
8.根据权利要求7所述的一种基于SoftAP的无人机群集网络自组织方法,其特征在于,所述步骤S4具体为:接收到网络组网请求的第一节点,首先判断网络群集规模,若群集规模达到预设阈值则不处理网络组网请求;
所述网络组网请求内容包含如下:
NCR={(NNI1,R1,P1,V1),...,(NNIk,Rk,Pk,Vk),...(NNIGN,RGN,PGN,VGN)},
其中,NNIk为无线网络单元WNC中第k个网络节点,Rk为第k个网络节点的无线网络辐射半径,Pk为第k个网络节点的节点位置,Vk为第k个网络节点的移动速度;
所述第一节点内容为:(NNI0,R0,P0,V0);网络节点数为GN0;网络发现和网络组网平均耗时为Tcost;网络自组织权值系数为K;网络规模优化阈值为GNmax;
组网请求处理:当,则拒绝网络组网请求,否则继续执行;
经过K*Tcost时间后,节点NNIk和第一节点之间的距离为Dk,令:
PVTk=(Pk+Vk*K*Tcost)-(P0+V0*K*Tcost),
则Dk为:
当Dk≥R0时,第一节点拒绝节点NNIk的网络组网请求,否则,允许节点NNIk的网络组网请求,并发送网络组网请求结果;
接收到网络组网请求确定的节点向所属WNC的第一节点发送网络离网信息,并向节点NNI0进行组网关联,更新GN0值:
GN0=GN0+1,
处理完GN个网络节点;
若群集规模未达到预设阈值,根据请求节点和处理节点的节点位置和节点移动速度,在网络自组织时间成本优化权值K*Tcost的限制和无线网络辐射半径的约束下,对网络组网请求作出接受或拒绝的处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910086381.2A CN109890038B (zh) | 2019-01-29 | 2019-01-29 | 一种基于SoftAP的无人机群集网络自组织方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910086381.2A CN109890038B (zh) | 2019-01-29 | 2019-01-29 | 一种基于SoftAP的无人机群集网络自组织方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109890038A CN109890038A (zh) | 2019-06-14 |
CN109890038B true CN109890038B (zh) | 2022-03-29 |
Family
ID=66927242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910086381.2A Active CN109890038B (zh) | 2019-01-29 | 2019-01-29 | 一种基于SoftAP的无人机群集网络自组织方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109890038B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987715A (zh) * | 2019-12-17 | 2021-06-18 | 上海海拉电子有限公司 | 一种自动组网的多车协同自动驾驶系统、方法及车辆 |
CN114828139A (zh) * | 2022-04-18 | 2022-07-29 | 西安羚控电子科技有限公司 | 一种集群装置的通信组网行为模拟方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140044150A1 (en) * | 2012-08-13 | 2014-02-13 | Redline Communications, Inc. | System and method for interference triggered frequency hopping |
CN104540144B (zh) * | 2014-12-24 | 2018-06-26 | 西安交通大学 | 一种基于软件定义的以用户为中心的网络架构 |
CN106211264B (zh) * | 2016-07-11 | 2018-07-31 | 九阳股份有限公司 | 一种家电配网方法及装置 |
CN107548097B (zh) * | 2017-09-28 | 2021-08-06 | 新华三技术有限公司 | Ap故障检测方法、装置和电子设备 |
CN108333941A (zh) * | 2018-02-13 | 2018-07-27 | 华南理工大学 | 一种基于混合增强智能的云机器人协作学习方法 |
-
2019
- 2019-01-29 CN CN201910086381.2A patent/CN109890038B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109890038A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109890038B (zh) | 一种基于SoftAP的无人机群集网络自组织方法 | |
CN106412820B (zh) | 一种移动自组网簇头确定方法及装置 | |
CN110049057B (zh) | 虚假数据注入攻击下的传感器网络事件触发信息融合方法 | |
CN109991998B (zh) | 一种基于接收信号强度的无人机中继航迹优化方法 | |
CN109451459B (zh) | 一种基于移动雾节点的传感云底层节点信任评价方法 | |
CN106792764B (zh) | 一种配电终端通信接入网无线基站规划方法 | |
CN103023981A (zh) | 云计算系统 | |
CN112188495B (zh) | 超密集网络下基于联邦学习的缓存污染攻击检测方法 | |
JP2018509811A (ja) | アンテナビーム情報の利用 | |
WO2022006814A1 (en) | Machine learning handover prediction based on sensor data from wireless device | |
CN109688540B (zh) | 一种Ad Hoc网络物理拓扑非协作式推断系统 | |
CN110426671B (zh) | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 | |
CN109560972B (zh) | 一种Ad Hoc网络物理拓扑非协作式推断方法 | |
CN117412267B (zh) | 一种无人机集群组网的通信方法 | |
CN109660966A (zh) | 一种车辆远程监控系统及方法 | |
CN116582910B (zh) | 一种数字信息传输方法及系统 | |
Wu et al. | From deterioration to acceleration: A calibration approach to rehabilitating step asynchronism in federated optimization | |
Han et al. | A multi‐objective distance vector‐hop localization algorithm based on differential evolution quantum particle swarm optimization | |
CN113093785A (zh) | 一种通信支援下的无人机群目标覆盖方法 | |
Li et al. | Graph neural network-based scheduling for multi-UAV-enabled communications in D2D networks | |
WO2020134713A1 (zh) | 网络节点的选举方法及节点设备 | |
EP3706450B1 (en) | Fast query method for dynamic location information of mobile network entities | |
CN112203309B (zh) | 一种基于服务器协作的联合任务卸载及缓存方法 | |
Wang et al. | Deep learning method for generalized modulation classification under varying noise condition | |
Jia et al. | Intelligent Three-dimensional Node Localization Algorithm Using Dynamic Path Planning |
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 |