CN111565065B - 一种无人机基站部署方法、装置及电子设备 - Google Patents
一种无人机基站部署方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111565065B CN111565065B CN202010211292.9A CN202010211292A CN111565065B CN 111565065 B CN111565065 B CN 111565065B CN 202010211292 A CN202010211292 A CN 202010211292A CN 111565065 B CN111565065 B CN 111565065B
- Authority
- CN
- China
- Prior art keywords
- position information
- unmanned aerial
- aerial vehicle
- neural network
- network model
- 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
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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种无人机基站部署方法、装置及电子设备,获取用户位置信息;将所述用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使所述无人机基于所述部署位置信息完成无人机基站部署操作;其中,所述神经网络模型是根据样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息训练得到的。本发明实施例中,预先对神经网络模型进行训练,当用户位置改变时,仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中,即可得到无人机的部署位置信息,即:实际部署过程中,无需进行迭代训练,因此,提高了获取无人机部署位置信息的效率,进而提高了无人机基站部署的效率。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种无人机基站部署方法、装置及电子设备。
背景技术
随着无人机在性能、成本和重量等方面取得的进展,无人机已被广泛应用于各个领域中,例如:救援任务、航空测量、货物运输、通信等。在无人机支持的各种应用中,将无人机部署为飞行基站,以实现高速无线通信有望在未来的通信系统中发挥重要作用。
通常,进行无人机基站部署是通过传统强化学习等方法来实现的,例如:基于已确定的用户位置和用户数量对深度Q网络(Deep Q network,DQN)中的网络参数进行迭代训练,然后,利用训练好网络参数的DQN获得无人机的部署位置,并完成无人机基站的部署操作。
上述过程,是在用户位置确定的情况下,获取无人机的部署位置的,也就是说,获得的无人机部署位置与用户位置具有对应关系,当用户位置改变时,则需要重新基于改变后的用户位置进行迭代训练,以获得与改变后的用户位置对应的无人机部署位置,而每次迭代训练过程耗时较长,因此,针对不同的用户位置,上述部署方法的效率较低。
发明内容
本发明实施例的目的在于提供一种无人机基站部署方法、装置及电子设备,以提高无人机基站部署的效率。具体技术方案如下:
第一方面,本发明实施例提供了一种无人机基站部署方法,包括:
获取用户位置信息;
将所述用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使所述无人机基于所述部署位置信息完成无人机基站部署操作;其中,所述神经网络模型是根据样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息训练得到的。
进一步的,所述神经网络模型的训练过程,包括:
获取所述样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息;
将所述样本用户位置信息输入至所述神经网络模型,得到与所述样本用户位置信息对应的第一无人机部署位置信息;
基于所述第一无人机部署位置信息和所述最优无人机部署位置信息,构建损失函数;
判断所述损失函数是否小于预设阈值;
若是,结束训练,得到训练完成的神经网络模型;
若否,调整所述神经网络模型的网络参数,继续下一次训练。
进一步的,所述将所述样本用户位置信息输入至所述神经网络模型,得到与所述样本用户位置信息对应的第一无人机部署位置信息,包括:
将所述样本用户所在的待部署区域划分为预设数量个子区域;
基于所述样本用户位置信息,计算各子区域内包含的样本用户的数量;
将所述各子区域内包含的样本用户的数量分别输入至所述神经网络模型输入层中的各输入神经元,得到与所述样本用户位置信息对应的第一无人机部署位置信息;
通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;其中,所述神经网络模型输入层中输入神经元的数量与所述子区域的数量相等,所述神经网络模型输出层中输出神经元的数量与所述无人机的数量相等,所述无人机的数量是根据所述样本用户的数量以及单台无人机能够服务的最大用户数量确定的;
所述将所述用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,包括:
基于所述用户位置信息,计算所述各子区域内包含的用户数量;
将所述各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元,得到无人机的部署位置信息;
通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息。
进一步的,所述待部署区域的各子区域具有编号信息;所述无人机的数量为多个;
所述通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息,包括:
基于所述第一无人机部署位置信息,确定所述无人机所在子区域的编号信息;
基于所述无人机所在子区域的编号信息的大小顺序,以及所述神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;
所述通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息,包括:
基于所述无人机的部署位置信息,确定所述无人机所在子区域的编号信息;
基于所述无人机所在子区域的编号信息的大小顺序,以及所述预先训练得到的神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息。
第二方面,本发明实施例提一种无人机基站部署装置,包括:
用户位置信息获取模块,用于获取用户位置信息;
部署位置信息得到模块,用于将所述用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使所述无人机基于所述部署位置信息完成无人机基站部署操作;其中,所述神经网络模型是根据样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息训练得到的。
进一步的,所述装置,还包括:模型训练模块;
所述模型训练模块包括:样本信息获取子模块、第一无人机部署位置信息得到子模块、损失函数构建子模块、判断子模块以及参数调整子模块;
所述样本信息获取子模块,用于获取所述样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息;
所述第一无人机部署位置信息得到子模块,用于将所述样本用户位置信息输入至所述神经网络模型,得到与所述样本用户位置信息对应的第一无人机部署位置信息;
所述损失函数构建子模块,用于基于所述第一无人机部署位置信息和所述最优无人机部署位置信息,构建损失函数;
所述判断子模块,用于判断所述损失函数是否小于预设阈值;若是,结束训练,得到训练完成的神经网络模型;若否,触发所述参数调整子模块;
所述参数调整子模块,用于调整所述神经网络模型的网络参数,并触发所述第一无人机部署位置信息得到子模块。
进一步的,所述第一无人机部署位置信息得到子模块,具体用于:
将所述样本用户所在的待部署区域划分为预设数量个子区域;
基于所述样本用户位置信息,计算各子区域内包含的样本用户的数量;
将所述各子区域内包含的样本用户的数量分别输入至所述神经网络模型输入层中的各输入神经元,得到与所述样本用户位置信息对应的第一无人机部署位置信息;
通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;其中,所述神经网络模型输入层中输入神经元的数量与所述子区域的数量相等,所述神经网络模型输出层中输出神经元的数量与所述无人机的数量相等,所述无人机的数量是根据所述样本用户的数量以及单台无人机能够服务的最大用户数量确定的;
所述部署位置信息得到模块,具体用于:
基于所述用户位置信息,计算所述各子区域内包含的用户数量;
将所述各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元,得到无人机的部署位置信息;
通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息。
进一步的,所述待部署区域的各子区域具有编号信息;所述无人机的数量为多个;
所述第一无人机部署位置信息得到子模块,在执行所述通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息的步骤时,具体用于:
基于所述第一无人机部署位置信息,确定所述无人机所在子区域的编号信息;基于所述无人机所在子区域的编号信息的大小顺序,以及所述神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;
所述部署位置信息得到模块,在执行所述通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息的步骤时,具体用于:
基于所述无人机的部署位置信息,确定所述无人机所在子区域的编号信息;基于所述无人机所在子区域的编号信息的大小顺序,以及所述预先训练得到的神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的无人机基站部署方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的无人机基站部署方法。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的无人机基站部署方法。
本发明实施例提供的一种无人机基站部署方法、装置及电子设备,获取用户位置信息;将所述用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使所述无人机基于所述部署位置信息完成无人机基站部署操作;其中,所述神经网络模型是根据样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息训练得到的。本发明实施例中,可以预先对神经网络模型进行训练,当用户位置改变时,无需重新基于改变后的用户位置进行迭代训练,而是仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中,即可得到无人机的部署位置信息,即:实际部署过程中,无需进行迭代训练,因此,提高了获取无人机部署位置信息的效率,进而提高了无人机基站部署的效率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的无人机基站部署方法的一种流程示意图;
图2为图1所示实施例中神经网络模型训练的流程示意图;
图3为本发明实施例提供的无人机基站部署方法的另一种流程示意图;
图4为图3所示实施例中获取无人机部署位置信息的流程示意图;
图5为图3所示实施例中神经网络模型训练的流程示意图;
图6为本发明实施例提供的无人机基站部署装置的结构示意图;
图7为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高无人机基站部署的效率,本发明实施例提供了一种无人机基站部署方法、装置及电子设备。
图1为本发明实施例提供的无人机基站部署方法的一种流程示意图,包括:
步骤101,获取用户位置信息。
步骤102,将用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使无人机基于部署位置信息完成无人机基站部署操作。
其中,神经网络模型是根据样本用户位置信息,以及与样本用户位置信息对应的最优无人机部署位置信息训练得到的。
由上述实施例可见,在本发明实施例中,可以预先对神经网络模型进行训练,当用户位置改变时,无需重新基于改变后的用户位置进行迭代训练,而是仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中,即可得到无人机的部署位置信息,即:实际部署过程中,无需进行迭代训练,因此,提高了获取无人机部署位置信息的效率,进而提高了无人机基站部署的效率。
参见图2,图2为图1所示实施例中神经网络模型训练的流程示意图,具体包括:
步骤201,获取样本用户位置信息,以及与样本用户位置信息对应的最优无人机部署位置信息。
具体的,样本用户位置信息的获取过程可以为:先获取样本用户所在目标区域的面积,以及该目标区域中的用户密度,从而得到该目标区域中的样本用户的数量,然后,采用在目标区域中随机散布上述数量个样本用户的方式,得到样本用户的位置信息。样本用户位置信息可以有多组,每随机散布一次上述数量个样本用户,则得到一组样本用户位置信息。
在获取到样本用户位置信息之后,可以采用传统的穷举算法或者强化学习方法,如:DQN等,获取与样本用户位置信息对应的最优无人机部署位置信息。最优无人机部署位置信息为:在无人机数量确定的情况下,使得无人机基站系统能够提供的无线网络的容量最大化的无人机部署位置信息。此处,对于获取最优无人机部署位置信息的具体方式不作限定。
当用户数量确定时,可以对用户数量与单台无人机可接入的最大用户数量的比值进行向上取整,从而得到该用户数量对应的无人机数量。例如:用户数量为95,单台无人机可接入的最大用户数量为10,则无人机数量为10。
针对每组样本用户位置信息,采用DQN方法获取与该组样本用户位置信息对应的最优无人机部署位置信息的过程可以为:将该组样本用户位置信息和各个无人机初始位置信息输入至Q网络中,按预设周期时长,Q网络定期基于其内部参数,输出一个动作信息,计算无人机执行上述动作信息后,在该周期时长结束时,无人机的更新后位置信息以及无人机基站部署在更新后位置时,无人机基站系统能够提供的无线网络容量,将每个周期内,用户和无人机的初始位置信息、无人机的更新后位置信息以及无人机基站系统能够提供的无线网络容量作为一组数据。分析各周期内的各组数据,确定出使得无线网络容量最大的目标动作信息,之后,调整Q网络参数使得其输出动作信息为上述目标动作信息,且无线网络容量达到预设阈值,此时,将该周期内无人机的最终位置确定为与该组样本位置信息对应的最优无人机部署位置信息。
上述最优无人机部署位置信息获取过程中,无人机基站系统能够提供的无线网络容量等于:无人机与其提供服务的各单个用户之间的单条通信链路容量之和,其中,单条通信链路容量可以通过如下公式计算得到:
其中,C为无人机与其提供服务的单个用户之间的单条通信链路容量;W为带宽;P为单个用户收到的有用信号的功率,I为信号干扰;N为噪声。
需要说明的是,本发明实施例中的最优无人机部署位置信息是指:通过传统的穷举算法或者强化学习等方法,得到的所有无人机的部署位置信息。具体的,当无人机的数量为1时,则最优无人机部署位置信息为通过传统穷举法或强化学习等方法,得到的该无人机的部署位置信息;当无人机的数量为多个时,则最优无人机部署位置信息包括:通过传统穷举法或强化学习等方法,得到的所有的无人机的部署位置信息。
步骤202,将样本用户位置信息输入至神经网络模型,得到与样本用户位置信息对应的第一无人机部署位置信息。
本步骤中的神经网络模型可以为全连接神经网络模型、前馈神经网络模型等任意的可以得到与样本用户位置信息对应的第一无人机部署位置信息的神经网络模型,此处,对神经网络模型的具体结构不作限定。
与最优无人机部署位置信息对应,本发明实施例中的第一无人机部署位置信息是指:通过神经网络模型,得到的所有无人机的部署位置信息。具体的,当无人机的数量为1时,则最优无人机部署位置信息为通过神经网络模型,得到的该无人机的部署位置信息;当无人机的数量为多个时,则最优无人机部署位置信息包括:通过神经网络模型,得到的所有的无人机的部署位置信息。
步骤203,基于第一无人机部署位置信息和最优无人机部署位置信息,构建损失函数。
具体的,可以将第一无人机部署位置信息与最优无人机部署位置信息的均方误差作为损失函数。
步骤204,判断损失函数是否小于预设阈值。若是,则结束训练,得到训练完成的神经网络模型;若否,则执行步骤205。
步骤205,调整神经网络模型的网络参数,并返回执行步骤201。
本步骤中的网络参数,可以包括:神经网络模型中各个层级之间的,存在连接关系的神经元之间的权重和偏置。
参见图3,图3为本发明实施例提供的无人机基站部署方法的另一种流程示意图,具体包括:
步骤301,获取用户位置信息。
步骤302,基于用户位置信息,计算各子区域内包含的用户数量。
需要说明的是:神经网络模型训练阶段所基于的目标区域与实际应用过程中,用户所在的待部署区域为同一区域,或者,上述两个区域尺寸相同,且区域内的无线网络环境也相同。同时,目标区域中的样本用户数量与待部署区域中的用户数量相同或者较为接近。
在神经网络模型训练阶段,可以先将用户所在的目标区域划分为预设数量个子区域,对应的,在本步骤中,也可以先将待部署区域按照相同的划分方式划分为预设数量个子区域,从而计算各个子区域内包含的用户数量。
步骤303,将各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元,得到无人机的部署位置信息。
预先训练得到的神经网络模型输入层中,输入神经元的数量与将待部署区域划分之后得到的子区域的数量是相同的,本步骤中,可以分别将各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元中,经过预先训练得到的神经网络模型处理之后,即可得到无人机的部署位置信息。
步骤304,基于无人机的部署位置信息,确定无人机所在子区域的编号信息。
为便于对本步骤的理解,下面通过举例的方式进行说明:
假设:待部署区域是1500m*1500m的方形区域,预先将该方形区域划分为50m*50m的子区域,并按照从左到右,从上到小的顺序,依次为各子区域生成编码信息,具体的:左上角第一个子区域的编码信息为1号,之后,依次为2号、3号……。假设无人机数量为3个,且在步骤303中得到无人机的部署位置信息分别为:(125,125),(325,1325)以及(1225,325),单位为m。
则在本步骤中,通过如下方法计算无人机所在子区域的编号信息:对于无人机部署位置信息(125,125),其所在子区域的编号信息为:[125/50]+[125/50]×30=3+30×3=93,其中,[]表示向上取整;对于无人机部署位置信息(325,1325),其所在子区域的编号信息为:[325/50]+[1325/50]×30=7+27×30=817;对于无人机部署位置信息(1225,325),其所在子区域的编号信息为:[1225/50]+[325/50]*30=25+7*30=235。综上,无人机的部署位置信息(125,125),(325,1325)以及(1225,325)所在的子区域编号信息分别为:93号、817号以及235号。
步骤305,基于无人机所在子区域的编号信息的大小顺序,以及预先训练得到的神经网络模型输出层中的各输出神经元与编号信息大小顺序的预设对应关系,通过预先训练得到的神经网络模型输出层中的各输出神经元,输出无人机的部署位置信息,以使无人机基于部署位置信息完成无人机基站部署操作。
还以步骤304中的3个无人机部署位置信息为例,则预先训练得到的神经网络模型输出层中也包含3个输出神经元,假设各输出神经元也具有编号信息,1号输出神经元、2号输出神经元和3号输出神经元,且设定各输出神经元与编号信息大小顺序的预设对应关系为:1号输出神经元输出所在子区域编号最小的无人机部署位置信息,2号输出神经元输出所在子区域编号大小居中的无人机部署位置信息,3号输出神经元输出所在子区域编号最大的无人机部署位置信息,因此,1号输出神经元输出所在子区域编号为93号的无人机部署位置信息,2号输出神经元输出所在子区域编号为235号的无人机部署位置信息,3号输出神经元输出所在子区域编号为817号的无人机部署位置信息。则在步骤305中,1号输出神经元输出的无人机部署位置信息应为(125,125),2号输出神经元输出的无人机部署位置信息应为(1225,325),3号输出神经元输出的无人机部署位置信息应为(325,1325)。
在图3所示实施例中,可以预先对神经网络模型进行训练,当用户位置改变时,无需重新基于改变后的用户位置进行迭代训练,而是仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中,即可得到无人机的部署位置信息,即:实际部署过程中,无需进行迭代训练,因此,提高了获取无人机部署位置信息的效率,进而提高了无人机基站部署的效率。
参见图4,图4为图3所示实施例中获取无人机部署位置信息的流程示意图。首先,获取待部署区域中各用户的位置信息,然后,基于对待部署区域的划分后得到的各个子区域,以及各用户的位置信息,得到各子区域内包含的用户数量,并将各子区域内包含的用户数量分别输入至训练完成的神经网络模型输入层中的各输入神经元中,通过处理之后,得到无人机的部署位置信息,然后基于无人机的部署位置信息,确定无人机所在子区域的编号信息,最后,基于无人机所在子区域的编号信息的大小顺序,以及预先训练得到的神经网络模型输出层中的各输出神经元与编号信息大小顺序的预设对应关系,通过预先训练得到的神经网络模型输出层中的各输出神经元,输出无人机的部署位置信息。
图3所示实施例中,可以预先对神经网络模型进行训练,当用户位置改变时,无需重新基于改变后的用户位置进行迭代训练,而是仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中,即可得到无人机的部署位置信息,即:实际部署过程中,无需进行迭代训练,因此,提高了获取无人机部署位置信息的效率,进而提高了无人机基站部署的效率。
参见图5,图5为图3所示实施例中神经网络模型训练的流程示意图,具体训练过程包括:
步骤501,获取样本用户位置信息,以及与样本用户位置信息对应的最优无人机部署位置信息。
步骤502,将样本用户所在的待部署区域划分为预设数量个子区域。
步骤503,基于样本用户位置信息,计算各子区域内包含的样本用户的数量。
步骤504,将各子区域内包含的样本用户的数量分别输入至神经网络模型输入层中的各输入神经元,得到与样本用户位置信息对应的第一无人机部署位置信息。
步骤505,基于第一无人机部署位置信息,确定无人机所在子区域的编号信息。
步骤506,基于无人机所在子区域的编号信息的大小顺序,以及神经网络模型输出层中的各输出神经元与编号信息大小顺序的预设对应关系,通过神经网络模型输出层中的各输出神经元,输出与样本用户位置信息对应的第一无人机部署位置信息。
步骤507,基于第一无人机部署位置信息和最优无人机部署位置信息,构建损失函数。
步骤508,判断损失函数是否小于预设阈值。若是,结束训练,得到训练完成的神经网络模型;若否,执行步骤509。
步骤509,调整神经网络模型的网络参数。之后,返回执行步骤501。
由于无人机的数量可以为多个,当无人机的数量为多个时,对应的第一无人机部署位置信息也会有多个,同样的,最优无人机部署位置信息也会有多个,而在神经网络模型训练过程中,计算损失函数时,是针对每个无人机进行的,也就是说:是基于各无人机对应的第一无人机部署位置信息与该无人机对应的最优无人机部署位置信息来构建损失函数的,具体的,可以通过判断同一无人机对应的第一无人机部署位置信息与该无人机对应的最优无人机部署位置信息之间的均方差是否小于预设阈值,最终确定神经网络模型是否训练完成。
若输出层的各输出神经元随机输出第一无人机部署位置信息,由于存在多个第一无人机部署位置信息和多个最优无人机部署位置信息,此时,则无法确定出各神经元输出的第一无人机部署位置信息与多个最优无人机部署位置信息中的哪个最优无人机部署位置信息对应,从而导致损失函数计算不准确的问题。
例如:无人机数量为3个,则在第一无人机部署位置信息和最优无人机部署位置信息中,分别都包含3个具体的位置信息,其中,各具体的第一无人机部署位置信息和各具体的最优无人机部署位置信息之间,理论上是具有对应关系的,若各输出神经元随机输出3个具体的第一无人机部署位置信息,也就是说,不对“哪个输出神经元对应哪个具体的第一无人机部署位置信息”进行限定,则无法确定出通过神经网络模型处理得到的各无人机部署位置信息,与通过传统穷举法或强化学习法得到的各无人机部署位置信息之间的对应关系,导致损失函数计算不准确,进而使得神经网络模型不准确的问题。
而本发明实施例中,预先设定好了各输出神经元与编号信息大小顺序的预设对应关系,基于上述对应关系,可以确定出各输出神经元输出的第一无人机部署位置信息与各最优无人机部署位置信息之间的对应关系,因此,可以提高神经网络模型的准确度。
基于同一发明构思,根据本发明上述实施例提供的无人机基站部署方法,相应地,本发明实施例还提供了一种无人机基站部署装置,该装置的结构示意图如图6所示,包括:
用户位置信息获取模块601,用于获取用户位置信息;
部署位置信息得到模块602,用于将用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使无人机基于部署位置信息完成无人机基站部署操作;其中,神经网络模型是根据样本用户位置信息,以及与样本用户位置信息对应的最优无人机部署位置信息训练得到的。
进一步的,装置,还包括:模型训练模块;
模型训练模块包括:样本信息获取子模块、第一无人机部署位置信息得到子模块、损失函数构建子模块、判断子模块以及参数调整子模块;
样本信息获取子模块,用于获取样本用户位置信息,以及与样本用户位置信息对应的最优无人机部署位置信息;
第一无人机部署位置信息得到子模块,用于将样本用户位置信息输入至神经网络模型,得到与样本用户位置信息对应的第一无人机部署位置信息;
损失函数构建子模块,用于基于第一无人机部署位置信息和最优无人机部署位置信息,构建损失函数;
判断子模块,用于判断损失函数是否小于预设阈值;若是,结束训练,得到训练完成的神经网络模型;若否,触发参数调整子模块;
参数调整子模块,用于调整神经网络模型的网络参数,并触发第一无人机部署位置信息得到子模块。
进一步的,第一无人机部署位置信息得到子模块,具体用于:
将样本用户所在的待部署区域划分为预设数量个子区域;
基于样本用户位置信息,计算各子区域内包含的样本用户的数量;
将各子区域内包含的样本用户的数量分别输入至神经网络模型输入层中的各输入神经元,得到与样本用户位置信息对应的第一无人机部署位置信息;
通过神经网络模型输出层中的各输出神经元,输出与样本用户位置信息对应的第一无人机部署位置信息;其中,神经网络模型输入层中输入神经元的数量与子区域的数量相等,神经网络模型输出层中输出神经元的数量与无人机的数量相等,无人机的数量是根据样本用户的数量以及单台无人机能够服务的最大用户数量确定的;
部署位置信息得到模块602,具体用于:
基于用户位置信息,计算各子区域内包含的用户数量;
将各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元,得到无人机的部署位置信息;
通过预先训练得到的神经网络模型输出层中的各输出神经元,输出无人机的部署位置信息。
进一步的,待部署区域的各子区域具有编号信息;无人机的数量为多个;
第一无人机部署位置信息得到子模块,在执行通过神经网络模型输出层中的各输出神经元,输出与样本用户位置信息对应的第一无人机部署位置信息的步骤时,具体用于:
基于第一无人机部署位置信息,确定无人机所在子区域的编号信息;基于无人机所在子区域的编号信息的大小顺序,以及神经网络模型输出层中的各输出神经元与编号信息大小顺序的预设对应关系,通过神经网络模型输出层中的各输出神经元,输出与样本用户位置信息对应的第一无人机部署位置信息;
部署位置信息得到模块602,在执行通过预先训练得到的神经网络模型输出层中的各输出神经元,输出无人机的部署位置信息的步骤时,具体用于:
基于无人机的部署位置信息,确定无人机所在子区域的编号信息;基于无人机所在子区域的编号信息的大小顺序,以及预先训练得到的神经网络模型输出层中的各输出神经元与编号信息大小顺序的预设对应关系,通过预先训练得到的神经网络模型输出层中的各输出神经元,输出无人机的部署位置信息。
在本发明图6所示实施例中,可以预先对神经网络模型进行训练,当用户位置改变时,无需重新基于改变后的用户位置进行迭代训练,而是仅需将改变后的用户位置再输入至上述训练得到的神经网络模型中,即可得到无人机的部署位置信息,即:实际部署过程中,无需进行迭代训练,因此,提高了获取无人机部署位置信息的效率,进而提高了无人机基站部署的效率。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现如下步骤:
获取用户位置信息;
将用户位置信息输入预先训练得到的神经网络模型,得到无人机的部署位置信息,以使无人机基于部署位置信息完成无人机基站部署操作;其中,神经网络模型是根据样本用户位置信息,以及与样本用户位置信息对应的最优无人机部署位置信息训练得到的。
进一步的,还可以包括本发明实施例提供的上述无人机基站部署方法中的其他处理流程,在此不再进行详细描述。
上述被电子设备提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(Non-Volatile Memory,简称NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的无人机基站部署方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的无人机基站部署方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line,简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(Digital Video Disc,简称DVD))、或者半导体介质(例如固态硬盘(SolidState Disk,简称SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备及存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种无人机基站部署方法,其特征在于,包括:
获取用户位置信息;
基于所述用户位置信息,计算各子区域内包含的用户数量;将所述各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元,得到无人机的部署位置信息;通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息;
所述神经网络模型的训练过程,包括获取样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息,将所述样本用户位置信息输入至所述神经网络模型,得到与所述样本用户位置信息对应的第一无人机部署位置信息,基于所述第一无人机部署位置信息和所述最优无人机部署位置信息,构建损失函数,判断所述损失函数是否小于预设阈值,若是,结束训练,得到训练完成的神经网络模型,若否,调整所述神经网络模型的网络参数,继续下一次训练;
所述将所述样本用户位置信息输入至所述神经网络模型,得到与所述样本用户位置信息对应的第一无人机部署位置信息,包括将所述样本用户所在的待部署区域划分为预设数量个子区域,基于所述样本用户位置信息,计算各子区域内包含的样本用户的数量,将所述各子区域内包含的样本用户的数量分别输入至所述神经网络模型输入层中的各输入神经元,得到与所述样本用户位置信息对应的第一无人机部署位置信息,通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;其中,所述神经网络模型输入层中输入神经元的数量与所述子区域的数量相等,所述神经网络模型输出层中输出神经元的数量与所述无人机的数量相等,所述无人机的数量是根据所述样本用户的数量以及单台无人机能够服务的最大用户数量确定的。
2.根据权利要求1所述的方法,其特征在于,所述待部署区域的各子区域具有编号信息;所述无人机的数量为多个;
所述通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息,包括:
基于所述第一无人机部署位置信息,确定所述无人机所在子区域的编号信息;
基于所述无人机所在子区域的编号信息的大小顺序,以及所述神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;
所述通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息,包括:
基于所述无人机的部署位置信息,确定所述无人机所在子区域的编号信息;
基于所述无人机所在子区域的编号信息的大小顺序,以及所述预先训练得到的神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息。
3.一种无人机基站部署装置,其特征在于,包括:
用户位置信息获取模块,用于获取用户位置信息;
部署位置信息得到模块,具体用于:基于所述用户位置信息,计算各子区域内包含的用户数量;将所述各子区域内包含的用户数量分别输入预先训练得到的神经网络模型输入层中的各输入神经元,得到无人机的部署位置信息;通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息;
模型训练模块包括:样本信息获取子模块、第一无人机部署位置信息得到子模块、损失函数构建子模块、判断子模块以及参数调整子模块,所述样本信息获取子模块,用于获取样本用户位置信息,以及与所述样本用户位置信息对应的最优无人机部署位置信息;所述第一无人机部署位置信息得到子模块,用于将所述样本用户位置信息输入至所述神经网络模型,得到与所述样本用户位置信息对应的第一无人机部署位置信息;所述损失函数构建子模块,用于基于所述第一无人机部署位置信息和所述最优无人机部署位置信息,构建损失函数;所述判断子模块,用于判断所述损失函数是否小于预设阈值;若是,结束训练,得到训练完成的神经网络模型;若否,触发所述参数调整子模块;所述参数调整子模块,用于调整所述神经网络模型的网络参数,并触发所述第一无人机部署位置信息得到子模块;
所述第一无人机部署位置信息得到子模块,具体用于:将所述样本用户所在的待部署区域划分为预设数量个子区域;基于所述样本用户位置信息,计算各子区域内包含的样本用户的数量;将所述各子区域内包含的样本用户的数量分别输入至所述神经网络模型输入层中的各输入神经元,得到与所述样本用户位置信息对应的第一无人机部署位置信息;通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;其中,所述神经网络模型输入层中输入神经元的数量与所述子区域的数量相等,所述神经网络模型输出层中输出神经元的数量与所述无人机的数量相等,所述无人机的数量是根据所述样本用户的数量以及单台无人机能够服务的最大用户数量确定的。
4.根据权利要求3所述的装置,其特征在于,所述待部署区域的各子区域具有编号信息;所述无人机的数量为多个;
所述第一无人机部署位置信息得到子模块,在执行所述通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息的步骤时,具体用于:
基于所述第一无人机部署位置信息,确定所述无人机所在子区域的编号信息;基于所述无人机所在子区域的编号信息的大小顺序,以及所述神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述神经网络模型输出层中的各输出神经元,输出与所述样本用户位置信息对应的第一无人机部署位置信息;
所述部署位置信息得到模块,在执行所述通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息的步骤时,具体用于:
基于所述无人机的部署位置信息,确定所述无人机所在子区域的编号信息;基于所述无人机所在子区域的编号信息的大小顺序,以及所述预先训练得到的神经网络模型输出层中的各输出神经元与所述编号信息大小顺序的预设对应关系,通过所述预先训练得到的神经网络模型输出层中的各输出神经元,输出所述无人机的部署位置信息。
5.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-2任一所述的方法步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-2任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211292.9A CN111565065B (zh) | 2020-03-24 | 2020-03-24 | 一种无人机基站部署方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211292.9A CN111565065B (zh) | 2020-03-24 | 2020-03-24 | 一种无人机基站部署方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111565065A CN111565065A (zh) | 2020-08-21 |
CN111565065B true CN111565065B (zh) | 2021-06-04 |
Family
ID=72073091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010211292.9A Active CN111565065B (zh) | 2020-03-24 | 2020-03-24 | 一种无人机基站部署方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111565065B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329428B (zh) * | 2021-06-07 | 2022-07-12 | 大连理工大学 | 一种无人机辅助的移动边缘网络的请求调度方法 |
CN113938830B (zh) * | 2021-09-24 | 2023-03-24 | 北京邮电大学 | 无人机基站部署方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032168A (zh) * | 2018-05-07 | 2018-12-18 | 西安电子科技大学 | 一种基于dqn的多无人机协同区域监视的航路规划方法 |
CN109302712A (zh) * | 2018-10-10 | 2019-02-01 | 北京邮电大学 | 确定智能基站位置的方法、装置及存储介质 |
CN110087189A (zh) * | 2019-04-30 | 2019-08-02 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN110430577A (zh) * | 2019-08-06 | 2019-11-08 | 北京邮电大学 | 一种基于时间相关性的无人机基站群组部署方法 |
CN110488861A (zh) * | 2019-07-30 | 2019-11-22 | 北京邮电大学 | 基于深度强化学习的无人机轨迹优化方法、装置和无人机 |
CN110531617A (zh) * | 2019-07-30 | 2019-12-03 | 北京邮电大学 | 多无人机3d悬停位置联合优化方法、装置和无人机基站 |
CN110809274A (zh) * | 2019-10-28 | 2020-02-18 | 南京邮电大学 | 一种面向窄带物联网的无人机基站增强网络优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9622133B1 (en) * | 2015-10-23 | 2017-04-11 | The Florida International University Board Of Trustees | Interference and mobility management in UAV-assisted wireless networks |
US11537896B2 (en) * | 2019-03-15 | 2022-12-27 | Intel Corporation | Machine learning techniques for precise position determination |
-
2020
- 2020-03-24 CN CN202010211292.9A patent/CN111565065B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032168A (zh) * | 2018-05-07 | 2018-12-18 | 西安电子科技大学 | 一种基于dqn的多无人机协同区域监视的航路规划方法 |
CN109302712A (zh) * | 2018-10-10 | 2019-02-01 | 北京邮电大学 | 确定智能基站位置的方法、装置及存储介质 |
CN110087189A (zh) * | 2019-04-30 | 2019-08-02 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN110488861A (zh) * | 2019-07-30 | 2019-11-22 | 北京邮电大学 | 基于深度强化学习的无人机轨迹优化方法、装置和无人机 |
CN110531617A (zh) * | 2019-07-30 | 2019-12-03 | 北京邮电大学 | 多无人机3d悬停位置联合优化方法、装置和无人机基站 |
CN110430577A (zh) * | 2019-08-06 | 2019-11-08 | 北京邮电大学 | 一种基于时间相关性的无人机基站群组部署方法 |
CN110809274A (zh) * | 2019-10-28 | 2020-02-18 | 南京邮电大学 | 一种面向窄带物联网的无人机基站增强网络优化方法 |
Non-Patent Citations (1)
Title |
---|
基于深度强化学习的无人机自主部署及能效优化策略;周毅,等;《物联网学报》;20190630;第47-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111565065A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033811B (zh) | 两量子比特逻辑门的处理方法及装置 | |
CN107783840B (zh) | 一种分布式多层深度学习资源分配方法和装置 | |
CN113326126A (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN110334735B (zh) | 多任务网络生成方法、装置、计算机设备和存储介质 | |
CN111866713B (zh) | 一种定位方法、装置及电子设备 | |
CN111565065B (zh) | 一种无人机基站部署方法、装置及电子设备 | |
US11334758B2 (en) | Method and apparatus of data processing using multiple types of non-linear combination processing | |
US20190138929A1 (en) | System and method for automatic building of learning machines using learning machines | |
CN108205570A (zh) | 一种数据检测方法和装置 | |
CN111797992A (zh) | 一种机器学习优化方法以及装置 | |
CN111428854A (zh) | 一种结构搜索方法及结构搜索装置 | |
CN113825978A (zh) | 用于定义路径的方法 | |
CN114626503A (zh) | 模型的训练方法、目标检测方法、装置、电子设备及介质 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN114724021A (zh) | 一种数据的识别方法、装置、存储介质及电子装置 | |
CN110135428A (zh) | 图像分割处理方法和装置 | |
CN111506104B (zh) | 一种规划无人机位置的方法及装置 | |
CN116522834A (zh) | 时延预测方法、装置、设备及存储介质 | |
CN113905066B (zh) | 物联网的组网方法、物联网的组网装置及电子设备 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN114626531A (zh) | 模型推理参数确定方法、装置、电子设备及存储介质 | |
CN116050554A (zh) | 一种景区客流量预测方法、装置、计算设备和存储介质 | |
CN113342474A (zh) | 客户流量的预测、模型训练的方法、设备及存储介质 | |
WO2019114481A1 (zh) | 集群类型识别方法、装置、电子设备及存储介质 | |
CN111400678A (zh) | 一种用户检测方法及装置 |
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 |