CN110661566A - 一种采用深度图嵌入的无人机集群组网方法与系统 - Google Patents

一种采用深度图嵌入的无人机集群组网方法与系统 Download PDF

Info

Publication number
CN110661566A
CN110661566A CN201910936940.4A CN201910936940A CN110661566A CN 110661566 A CN110661566 A CN 110661566A CN 201910936940 A CN201910936940 A CN 201910936940A CN 110661566 A CN110661566 A CN 110661566A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
data
network
vehicle cluster
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
Application number
CN201910936940.4A
Other languages
English (en)
Other versions
CN110661566B (zh
Inventor
王启宁
舒坚
刘琳岚
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201910936940.4A priority Critical patent/CN110661566B/zh
Publication of CN110661566A publication Critical patent/CN110661566A/zh
Application granted granted Critical
Publication of CN110661566B publication Critical patent/CN110661566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • H04W4/10—Push-to-Talk [PTT] or Push-On-Call services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种采用深度图嵌入的无人机集群组网方法及系统，该方法包括：对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。本发明提出的采用深度图嵌入的无人机集群组网方法，可提高网络的敏捷性及无人机大范围协同作战的能力。

Description

一种采用深度图嵌入的无人机集群组网方法与系统
技术领域
本发明涉及航空网络控制技术领域，特别涉及一种采用深度图嵌入的无人机集群组网方法与系统。
背景技术
无人机集群网络的技术基础为移动Ad Hoc网络，移动Ad Hoc网络是一种不依赖预先存在的基础设施，而是在需要时进行临时构建的无线移动通信网络。机会网络的“存储-携带-转发”模型，使无人机自组网即使在网络连通性无法保证的情况下，仍然可以进行有效的消息传递。
在机会网络中进行拓扑预测的研究时，建立预测模型提取网络拓扑结构的内部隐藏规律，从而根据预测结果选择消息转发节点是一种惯用且有效的方案。循环神经网络用于处理序列数据的计算，可实现一到多、多到一、多到多的序列映射，常用于自然语言处理研究中，由于图嵌入技术可以将网络数据嵌入到低维的向量空间中，因此可以将循环神经网络应用到机会网络的拓扑预测中。关于组网分簇策略可以使高动态的无人机自组网增大网络容量，组建网络信息传输结构，提升高动态自组网络的适应能力，因此关于无人机自组网分簇算法的研究日渐丰富。
当前组网机制分为对等组网方式以及分簇组网方式，对等组网往往需要维护路由信息，增加了资源的损耗，且效率受到影响；而分簇算法追求网络的稳定性，未能从机会网络特性考虑无人机集群组网，无法将信息发送到当前不连通的目标节点。
发明内容
基于此，本发明的目的是为了解决现有技术中，缺乏一种合理的组网方案，以解决稀疏高动态的无人机集群网络中无法传输延时容忍的信息的问题。
为了解决这一技术问题，本发明提出一种采用深度图嵌入的无人机集群组网方法，其中，所述方法包括：
对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；
采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；
根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。
本发明提出的采用深度图嵌入的无人机集群组网方法，首先对历史网络数据进行预处理，并计算得到向含权图对应的权值，然后通过目标函数对编码解码模型进行收敛处理后，根据编码解码模型对所述历史网络数据进行图嵌入，以提取得到历史网络数据中各节点的拓扑结构信息，最后根据拓扑结构信息对无人机集群网络进行个体局部分层组网。本发明提出的采用深度图嵌入的无人机集群组网方法，通过深度动态网络嵌入技术对无人机集群网络进行表征，并根据机会势能实施分层组网，可提高网络的敏捷性以及无人机大范围协同作战的能力。
所述采用深度图嵌入的无人机集群组网方法，其中，在对历史网络数据进行量化处理得到网络快照数据的方法中，包括如下步骤：
根据时间步长对所述历史网络数据进行切片，以形成网络快照集合G＝{Xt1…Xtw}，其中Xti代表ti时刻的网络快照。
所述采用深度图嵌入的无人机集群组网方法，其中，在对所述网络快照数据进行数据表示的步骤中，
Figure BDA0002221829410000021
表示当前快照中第i个节点的数据表示，的数据表示形式为：
Figure BDA0002221829410000023
其中，xi表示节点vi与各邻居节点之间的信号功率大小，n为节点数量。
所述采用深度图嵌入的无人机集群组网方法，其中，所述根据无人机集群特性计算得到有向含权图对应的权值的方法包括如下步骤：
根据空间衰减模型计算得到节点间距离；
根据所述节点间距离计算得到所述有向含权图对应的权值。
所述采用深度图嵌入的无人机集群组网方法，其中，所述节点间距离的计算公式为：
Figure BDA0002221829410000031
其中，λ为无线电波的波长，Gr为接收天线的增益，Gt为发射天线的增益，Pt为邻居节点的发射功率，Pij为节点i收到的节点j所发消息的功率；
所述权值的计算公式为：
其中，Di为节点i的理论最大传输半径。
所述采用深度图嵌入的无人机集群组网方法，其中，采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息的方法包括如下步骤：
确定节点序列的长度；
根据结构损失函数、基于临近相似度的损失函数以及正则项计算得到目标函数，并根据所述目标函数对所述编码解码模型进行收敛处理，以将所述历史网络数据嵌入至低维向量空间。
所述采用深度图嵌入的无人机集群组网方法，其中，所述结构损失函数表示为：
Figure BDA0002221829410000033
其中，Z(i,:)以及Z(i,j)表示对非零元素进行罚值操作。
所述采用深度图嵌入的无人机集群组网方法，其中，所述基于临近相似度的损失函数表示为：
Figure BDA0002221829410000041
其中，c表示所述编码-解码模型的输出结果，Nij代表节点间的连接频率。
所述采用深度图嵌入的无人机集群组网方法，其中，所述目标函数表示为：
lall＝ls+βlc+γlreg
其中，β与γ为超参数，lreg为正则化项，即所有权值参数的F范数之和。
本发明还提出一种采用深度图嵌入的无人机集群组网系统，其中，所述系统包括：
量化处理模块，用于对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；
拓扑提取模块，用于采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；
分层组网模块，用于根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提出的采用深度图嵌入的无人机集群组网的流程图；
图2为本发明第一实施例提出的组网方案的结构示意图；
图3为本发明第一实施例提出的组网方案的结构示意图；
图4为本发明第一实施例中时间切片过程示意图；
图5为本发明第一实施例中时间切片过程示意图；
图6为本发明第一实施例中编码-解码器模型的结构示意图；
图7为本发明第一实施例中节点的机会势能层级图；
图8为本发明第二实施例提出的采用深度图嵌入的无人机集群组网系统的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
当前组网机制分为对等组网方式以及分簇组网方式，对等组网往往需要维护路由信息，增加了资源的损耗，且效率受到影响；而分簇算法追求网络的稳定性，未能从机会网络特性考虑无人机集群组网，无法将信息发送到当前不连通的目标节点。
为了解决这一技术问题，本发明提出一种采用深度图嵌入的无人机集群组网方法，请参阅图1至图7，对于本发明第一实施例提出的采用深度图嵌入的无人机集群组网方法，具体包括如下步骤：
S101，对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值。
在本步骤中，在进行无人机集群网络表征前，要先将数据进行处理，以使历史网络数据能够输入到深度模型中进行训练。具体的，进行数据处理主要分为三步：第一步为对历史网络数据进行量化处理；第二步为完成历史网络数据的表示；第三步为根据无人机集群特性计算得到有向含权图对应的节点间权值。
具体的，进行量化处理时，根据时间步长对历史网络数据进行切片，以形成网络快照集合G＝{Xt1…Xtw}，其中Xti代表ti时刻的网络快照。
在此需要补充说明的是，由于实际网络的连接状态呈间断性，若只针对某一时间点进行切片则会丢失大部分网络信息，因此使用有重叠的切片方法，选取切片内拓扑结构聚合图；其次，在进行切片时，在切片粒度上进行分析，当切片粒度小于最小包传输时长的二分之一时，实际上甚至不能传送最小“hello消息”，然而却切片中占据了多次表示机会。因此当切片粒度大于最大包传输时长的两倍时，则表示该切片本应能进行有效链接却并未能在时间切片内进行表示。
经量化处理后得到的网络快照，其中
Figure BDA0002221829410000061
表示当前快照中第i个节点的数据表示，的数据表示形式为：
Figure BDA0002221829410000063
其中，xi表示节点vi与各邻居节点之间的信号功率大小，n为节点数量。
由于无人机集群的网络组成复杂性可知该网络的邻接矩阵为含权有向图，其权值计算有如下分析：
(1)根据空间衰减模型计算得到节点间距离，节点间距离的计算公式为：
Figure BDA0002221829410000064
其中，λ为无线电波的波长，Gr为接收天线的增益，Gt为发射天线的增益，Pt为邻居节点“hello消息”的发射功率，Pij为节点i收到的节点j所发消息的功率，由此可计算节点间距离d。
(2)根据节点间距离计算得到所述有向含权图对应的权值，权值的计算公式为：
Figure BDA0002221829410000065
其中，Di为节点i的理论最大传输半径。
S102，采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应。
在本实施例中，组网机制采用编码-解码模型对历史网络数据进行嵌入，通过循环神经网络中的SRU模型将序列嵌入至低维向量空间。在保持节点间的临近交互性的同时进行解码操作，SRU模型相对LSTM模型以及GRU模型改进了单元中门控的计算方式，使得门控单元不必等待上一层完全计算出结果才能执行本层计算。SRU模型中的激活函数可采用双曲正切函数，与其它常见的门控单元中矩阵相乘的计算不同，为逐位相乘，它可以在得出每一位结果后直接传递至下一层单元，因此该模型可以实现并行化计算。
具体的，针对步骤S102的实施，(1)首先，先需要确定节点序列的长度，以便更好地实现特征提取；(2)其次，根据结构损失函数、基于临近相似度的损失函数以及正则项计算得到目标函数，并根据目标函数对编码解码模型进行收敛处理，以将历史网络数据嵌入至低维向量空间。
在本步骤中，首先给出结构损失函数的计算方法，应用交叉损失熵来计算得到结构损失。
其中，结构损失函数表示为：
Figure BDA0002221829410000071
其中，由于在无人机自组网中，其稀疏性零元素的个数应该大于非零元素，因此Z(i,:)以及Z(i,j)的设定是用于对非零元素进行罚值操作，使得网络的拓扑结构更接近期望结果。
此外，基于临近相似度的损失函数表示为：
Figure BDA0002221829410000072
其中，c表示编码-解码模型的输出结果，Nij代表节点间的连接频率。
进一步的，将上述的两个损失函数与正则化项进行结合得到最终的损失函数，也即目标函数，即目标函数表示为：
lall＝ls+βlc+γlreg
其中，β与γ为超参数，lreg为正则化项，即所有权值参数的F范数之和。
如上所述，在得到了目标函数之后，根据目标函数对编码解码模型进行收敛处理，以将历史网络数据嵌入至低维向量空间，提取历史网络数据中各节点的拓扑结构信息。
S103，根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。
在组网方案中，捕获无人机自组网的机会网络特性，该组网算法的设计通过网络拓扑结构的预测结果进行分层组网。每个无人机将维护着一个机会势能层级图，该图映射了网络的动态组成结构。每个无人机节点均有自己的层级图，且根据态势不断更新，信息通过局部最优进行下一跳选择，以实现机会传输；处于稳定性更强的层级可进行信息复制任务，扩大机会势能；机会性更强的层级可执行较远距离的信息传播任务，释放机会势能。
本发明提出的采用深度图嵌入的无人机集群组网方法，首先对历史网络数据进行预处理，并计算得到向含权图对应的权值，然后通过目标函数对编码解码模型进行收敛处理后，根据编码解码模型对所述历史网络数据进行图嵌入，以提取得到历史网络数据中各节点的拓扑结构信息，最后根据拓扑结构信息对无人机集群网络进行个体局部分层组网。本发明提出的采用深度图嵌入的无人机集群组网方法，通过深度动态网络嵌入技术对无人机集群网络进行表征，并根据机会势能实施分层组网，可提高网络的敏捷性以及无人机大范围协同作战的能力。
请参阅图8，对于本发明第二实施例提出的采用深度图嵌入的无人机集群组网系统，其中，该系统包括依次连接的量化处理模块11、拓扑提取模块12以及分层组网模块13；
其中所述量化处理模块11具体用于：
对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；
所述拓扑提取模块12具体用于：
采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；
所述分层组网模块13具体用于：
根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种采用深度图嵌入的无人机集群组网方法，其特征在于，所述方法包括：
对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；
采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；
根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。
2.根据权利要求1所述的采用深度图嵌入的无人机集群组网方法，其特征在于，在对历史网络数据进行量化处理得到网络快照数据的方法中，包括如下步骤：
根据时间步长对所述历史网络数据进行切片，以形成网络快照集合G＝{Xt1…Xtw}，其中Xti代表ti时刻的网络快照。
3.根据权利要求2所述的采用深度图嵌入的无人机集群组网方法，其特征在于，在对所述网络快照数据进行数据表示的步骤中，
Figure FDA0002221829400000011
表示当前快照中第i个节点的数据表示，
Figure FDA0002221829400000012
的数据表示形式为：
其中，xi表示节点vi与各邻居节点之间的信号功率大小，n为节点数量。
4.根据权利要求1所述的采用深度图嵌入的无人机集群组网方法，其特征在于，所述根据无人机集群特性计算得到有向含权图对应的权值的方法包括如下步骤：
根据空间衰减模型计算得到节点间距离；
根据所述节点间距离计算得到所述有向含权图对应的权值。
5.根据权利要求4所述的采用深度图嵌入的无人机集群组网方法，其特征在于，所述节点间距离的计算公式为：
Figure FDA0002221829400000014
其中，λ为无线电波的波长，Gr为接收天线的增益，Gt为发射天线的增益，Pt为邻居节点的发射功率，Pij为节点i收到的节点j所发消息的功率；
所述权值的计算公式为：
Figure FDA0002221829400000021
其中，Di为节点i的理论最大传输半径。
6.根据权利要求3所述的采用深度图嵌入的无人机集群组网方法，其特征在于，采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息的方法包括如下步骤：
确定节点序列的长度；
根据结构损失函数、基于临近相似度的损失函数以及正则项计算得到目标函数，并根据所述目标函数对所述编码解码模型进行收敛处理，以将所述历史网络数据嵌入至低维向量空间。
7.根据权利要求5所述的采用深度图嵌入的无人机集群组网方法，其特征在于，所述结构损失函数表示为：
Figure FDA0002221829400000022
其中，Z(i,:)以及Z(i,j)表示对非零元素进行罚值操作。
8.根据权利要求6所述的采用深度图嵌入的无人机集群组网方法，其特征在于，所述基于临近相似度的损失函数表示为：
Figure FDA0002221829400000023
其中，c表示所述编码-解码模型的输出结果，Nij代表节点间的连接频率。
9.根据权利要求7所述的采用深度图嵌入的无人机集群组网方法，其特征在于，所述目标函数表示为：
lall＝ls+βlc+γlreg
其中，β与γ为超参数，lreg为正则化项，即所有权值参数的F范数之和。
10.一种采用深度图嵌入的无人机集群组网系统，其特征在于，所述系统包括：
量化处理模块，用于对历史网络数据进行量化处理得到网络快照数据，对所述网络快照数据进行数据表示，并根据无人机集群特性计算得到有向含权图对应的权值；
拓扑提取模块，用于采用编码解码模型对所述历史网络数据进行图嵌入，提取所述历史网络数据中各节点的拓扑结构信息，并通过改进的临近相似度函数使所述编码解码模型对所述有向含权图进行适应；
分层组网模块，用于根据所述拓扑结构信息对无人机集群网络进行个体局部分层组网。
CN201910936940.4A 2019-09-29 2019-09-29 一种采用深度图嵌入的无人机集群组网方法与系统 Active CN110661566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936940.4A CN110661566B (zh) 2019-09-29 2019-09-29 一种采用深度图嵌入的无人机集群组网方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936940.4A CN110661566B (zh) 2019-09-29 2019-09-29 一种采用深度图嵌入的无人机集群组网方法与系统

Publications (2)

Publication Number Publication Date
CN110661566A true CN110661566A (zh) 2020-01-07
CN110661566B CN110661566B (zh) 2021-11-19

Family

ID=69040056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936940.4A Active CN110661566B (zh) 2019-09-29 2019-09-29 一种采用深度图嵌入的无人机集群组网方法与系统

Country Status (1)

Country Link
CN (1) CN110661566B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341712A (zh) * 2021-05-31 2021-09-03 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机自主控制系统智能分层递阶控制选择方法
CN113705828A (zh) * 2021-08-01 2021-11-26 南京大学 一种基于集群影响度的战场博弈策略强化学习训练方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101795221A (zh) * 2010-01-29 2010-08-04 中国科学院空间科学与应用研究中心 机群编队的组网拓扑结构和组合多址体制设计方法
CN104883676A (zh) * 2015-05-14 2015-09-02 沈阳航空航天大学 一种多无人机环境下协同安全通信方法
CN108650010A (zh) * 2018-03-26 2018-10-12 西南电子技术研究所（中国电子科技集团公司第十研究所） 智能测控通信网络系统
CN109089294A (zh) * 2018-07-24 2018-12-25 中国人民解放军国防科技大学 一种基于sdn分布式控制的无人机网络流量配置方法及系统
CN109743210A (zh) * 2019-01-25 2019-05-10 电子科技大学 基于深度强化学习的无人机网络多用户接入控制方法
CN109803344A (zh) * 2018-12-28 2019-05-24 北京邮电大学 一种无人机网络拓扑及路由联合构建方法
CN109819495A (zh) * 2019-03-15 2019-05-28 北京科技大学 一种集群无人机自组网分簇方法
WO2019130050A1 (en) * 2017-12-29 2019-07-04 Telefonaktiebolaget Lm Ericsson (Publ) Using a cellular interface for unmanned aerial vehicle communications
CN110149671A (zh) * 2019-05-28 2019-08-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机蜂群网络的路由选择方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101795221A (zh) * 2010-01-29 2010-08-04 中国科学院空间科学与应用研究中心 机群编队的组网拓扑结构和组合多址体制设计方法
CN104883676A (zh) * 2015-05-14 2015-09-02 沈阳航空航天大学 一种多无人机环境下协同安全通信方法
WO2019130050A1 (en) * 2017-12-29 2019-07-04 Telefonaktiebolaget Lm Ericsson (Publ) Using a cellular interface for unmanned aerial vehicle communications
CN108650010A (zh) * 2018-03-26 2018-10-12 西南电子技术研究所（中国电子科技集团公司第十研究所） 智能测控通信网络系统
CN109089294A (zh) * 2018-07-24 2018-12-25 中国人民解放军国防科技大学 一种基于sdn分布式控制的无人机网络流量配置方法及系统
CN109803344A (zh) * 2018-12-28 2019-05-24 北京邮电大学 一种无人机网络拓扑及路由联合构建方法
CN109743210A (zh) * 2019-01-25 2019-05-10 电子科技大学 基于深度强化学习的无人机网络多用户接入控制方法
CN109819495A (zh) * 2019-03-15 2019-05-28 北京科技大学 一种集群无人机自组网分簇方法
CN110149671A (zh) * 2019-05-28 2019-08-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机蜂群网络的路由选择方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOUACHIR O,ETC: "A mobility model for UAV ad hoc network", 《IEEE PRESS》 *
吴超宇，等: "浅谈无人机集群组网通信技术", 《信息通信》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341712A (zh) * 2021-05-31 2021-09-03 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机自主控制系统智能分层递阶控制选择方法
CN113341712B (zh) * 2021-05-31 2022-10-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机自主控制系统智能分层递阶控制选择方法
CN113705828A (zh) * 2021-08-01 2021-11-26 南京大学 一种基于集群影响度的战场博弈策略强化学习训练方法
CN113705828B (zh) * 2021-08-01 2024-03-19 南京大学 一种基于集群影响度的战场博弈策略强化学习训练方法

Also Published As

Publication number Publication date
CN110661566B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Khan et al. Fuzzy-TOPSIS based cluster head selection in mobile wireless sensor networks
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
Harb et al. A distance-based data aggregation technique for periodic sensor networks
WO2022100191A1 (zh) 一种分布式传感器网络数据融合方法及系统
Devasenapathy et al. Transmission-efficient grid-based synchronized model for routing in wireless sensor networks using Bayesian compressive sensing
Kasgari et al. Model-free ultra reliable low latency communication (URLLC): A deep reinforcement learning framework
CN110661566B (zh) 一种采用深度图嵌入的无人机集群组网方法与系统
CN110461018B (zh) 基于可计算ap的机会网络路由转发方法
CN112469047B (zh) 一种天地一体化智能网络卫星节点部署方法
CN112235385A (zh) 一种海上边缘计算低开销云边智能协同盟员发现方法
CN115665227A (zh) 一种普适的异构融合算网资源智慧适配网络架构及方法
Li et al. Learning-based hierarchical edge caching for cloud-aided heterogeneous networks
Ouyang Task offloading algorithm of vehicle edge computing environment based on Dueling-DQN
Gad et al. Communication-efficient federated learning in drone-assisted IoT networks: Path planning and enhanced knowledge distillation techniques
Du et al. Cooperative sensing and task offloading for autonomous platoons
CN104168603A (zh) 基于压缩感知技术的具有高能效的数据采集树的构造方法
CN117580063A (zh) 一种车联网络中多维资源协同管理方法
Si et al. UAV-assisted Semantic Communication with Hybrid Action Reinforcement Learning
CN116133082A (zh) 一种提高航空自组网拓扑持续时间的多跳分簇方法
Vanitha et al. Optimizing Wireless Multimedia Sensor Networks Path Selection using Resource Levelling Technique in Transmitting Endoscopy Biomedical data
Di Giacomo et al. Edge-assisted gossiping learning: Leveraging v2v communications between connected vehicles
Wu et al. UAV-Assisted Data Synchronization for Digital-Twin-Enabled Vehicular Networks
Xi et al. Resource allocation strategy of internet of vehicles using reinforcement learning
CN113840306B (zh) 基于网络局部信息交互的分布式无线网络接入决策方法
Hu et al. Semantic-Oriented Resource Allocation for Multi-Modal UAV Semantic Communication Networks

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