CN111786712B - 一种基于cr的uav通信网络次级链路吞吐量优化方法 - Google Patents

一种基于cr的uav通信网络次级链路吞吐量优化方法 Download PDF

Info

Publication number
CN111786712B
CN111786712B CN202010472139.1A CN202010472139A CN111786712B CN 111786712 B CN111786712 B CN 111786712B CN 202010472139 A CN202010472139 A CN 202010472139A CN 111786712 B CN111786712 B CN 111786712B
Authority
CN
China
Prior art keywords
uav
sensing
radian
aerial vehicle
unmanned aerial
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
Application number
CN202010472139.1A
Other languages
English (en)
Other versions
CN111786712A (zh
Inventor
张宏伟
达新宇
胡航
倪磊
潘钰
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202010472139.1A priority Critical patent/CN111786712B/zh
Publication of CN111786712A publication Critical patent/CN111786712A/zh
Application granted granted Critical
Publication of CN111786712B publication Critical patent/CN111786712B/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
    • 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
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
    • 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
    • H04W16/14—Spectrum sharing arrangements between different networks
    • 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

Abstract

本发明属于无人机通信处理技术领域，公开了一种基于CR的UAV通信网络次级链路吞吐量优化方法，无人机在单个微感知弧度内进行能量检测和本地决策；无人机将每个微感知弧度的感知结果分别传输给融合中心；融合中心利用OR准则对所有感知结果做出全局决策；认知无人机网络根据融合中心的感知结果进行动态频谱接入决策；联合优化微感知弧度和弧度数量，使无人机正常工作时吞吐量最优。UAV在信道衰落严重的情况下，利用本发明，对于保障服务质量(QoS)和提升UAV吞吐量有着更好的效果。本发明以无人机圆周运动飞行角度的弧度值为对象，巧妙的分析了无人机周期运动过程中频谱感知性能以及谱效优化方案。

Description

一种基于CR的UAV通信网络次级链路吞吐量优化方法
技术领域
本发明属于无人机通信处理技术领域.，尤其涉及一种基于CR的UAV通信网络次级链路吞吐量优化方法。
背景技术
目前，无人机通常使用未经许可的频段(如IEEE S波段、IEEE L波段、工业科学和医疗(ISM)波段)，并使用静态的频谱分配政策。近年来5G网络、 D2D(Device-to-Device)通信和物联网(Internet of Things,IoT)快速发展，频谱需求急剧增长。由于这些因素的影响，无人机的工作频段将变得过于拥挤，无人机将面临频谱短缺问题。认知无线电(CR)通过机会式地接入授权频段来解决频谱占而不用的浪费问题，采用先进的通信手段提升频谱利用效率。作为一种新的智能无线通信技术，无人机上装备认知传感器可以连续不断地感知周围的无线环境，在不影响PU正常工作的前提下择机利用这些空闲频谱，从而提升频谱利用率，有效缓解频谱资源匮乏的局面。
在解决频谱资源稀缺问题上，研发人员研发出许多无线通信新技术，如可见光通信、太赫兹通信、非正交多址接入(NOMA)技术、多输入多输出(MIMO) 技术等。CR作为一种可以大幅提升频谱使用效率的方法，是解决频谱稀缺最直接、最有效的手段。
单用户感知包括许多方法，例如能量检测、特征检测、匹配滤波等，但是由于信道衰落和噪声干扰等影响，单用户感知性能并不理想。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术中，无人机通信网络频谱资源稀缺以及频谱效率低。
(2)无人机对续航时间要求较高，无人机电池供电有限，通信质量受能量预算约束。
(3)地面通信设备之间频谱感知性能较差，存在隐藏终端问题。
解决以上问题及缺陷的难度为：单个无人机频谱感知时接收能量较小，感知性能不理想；维持自身运动状态消耗能量较大；为实现较好的频谱感知性能，对于无人机携带的通信设备精度有较高要求。
解决以上问题及缺陷的意义为：本发明提出协作频谱感知(CSS)。CSS可以解决隐藏终端问题，处于高空的UAV受衰落和阴影的影响较小，可以接收到更高强度的信号，与地面频谱感知相比，UAV频谱感知可以获得更好的感知性能。通过对认知无人机网络中的感知参数进行优化，可以实现通信网络中频谱效率的提升。
发明内容
针对无人机通信网络频谱资源稀缺以及频谱效率低的现状，本发明提供了一种基于CR的UAV(无人机)通信网络次级链路吞吐量优化方法，通过设计动态频谱接入方案以及优化次级链路单位带宽下的吞吐量，解决了无人机通信网络中频谱资源稀缺以及频谱效率低等问题。
本发明是这样实现的，一种基于CR的UAV通信网络次级链路吞吐量优化方法，包括：
步骤一，UAV在单个微感知弧度内进行能量检测和本地决策；
步骤二，UAV将每个微感知弧度的感知结果分别传输给融合中心(FC)；
步骤三，FC利用“OR”准则对所有感知结果做出全局决策；
步骤四，认知无人机网络根据FC的感知结果进行动态频谱接入决策；
步骤五，联合优化微感知弧度和弧度数量，使UAV正常工作时吞吐量最优。
进一步，所述步骤一中UAV在单个微感知弧度内进行能量检测和本地决策的过程为：
构建多微感知弧度CSS帧结构模型以及A2G信道认知无人机通信网络系统模型，UAV利用其内置传感器并使用能量检测方法感知PU的存在状态，通过比较能量统计量与预先设定的能量检测阈值，可以确定PU是否存在。
假设UAV接收到的信号如下:
y(m)＝μs(m)hij(m)+n(m),m＝1,2,...,M (1)
其中μ为主用户(PU)的状态参数，μ＝1表示PU存在，μ＝0表示PU空闲；s(m) 为PU发射机的发射信号，hij(m)表示i与j之间的信道增益，n(m)表示UAV接收到的噪声；M为采样点数，M＝tβfs，fs为采样频率。y(m)的能量统计量：
Figure RE-GDA0002618594630000031
虚警概率和检测概率分别为：
Pf＝Pr(E(y)＞λ|μ＝0) (3)
Pd＝Pr(E(y)＞λ|μ＝1) (4)
进一步，所述步骤三中FC利用“OR”准则对所有感知结果做出全局决策的过程为：
在每个微感知弧度内，UAV基于其局部检测做出二元决策，将1位的决策信息Di(1表示PU存在，0表示PU空闲)发送给FC，根据“OR”准则做出判决：
Figure RE-GDA0002618594630000032
其中H1和H0分别表示FC得出的PU存在或空闲的推断。多弧度CSS采用“OR”准则的协作虚警概率和检测概率表达式为：
Qf＝1-(1-Pf)N (6)
Qd＝1-(1-Pd)N (7)
其中N为微感知弧度的数量。FC基于多个微感知弧度的本地决策结果，进一步做出全局决策；该“OR”准则为硬判决准则，即所有的N个本地决策中，如果至少有1个微感知弧度的本地决策为1，则判定全局决策为1，即当前PU存在，授权信道不可用；否则，判定全局决策为0，即当前PU空闲，授权信道可用。
所述步骤五中，联合优化微感知弧度和弧度数量，使UAV正常工作时吞吐量最优的过程为：
可以对微感知弧度和弧度数量分别优化，得出单一变量优化方案的吞吐量最优值，也可利用交替迭代优化方法实现对微感知弧度β0和弧度数量N的联合优化，该方法最终迭代收敛得到最优的微感知弧度和弧度数量，以寻求认知无人机网络中次级链路吞吐量最优值。
本发明另一目的在于提供一种实施所述基于CR的UAV通信网络次级链路吞吐量优化方法的基于CR的UAV通信网络次级链路吞吐量优化系统。
本发明另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述基于CR的UAV通信网络次级链路吞吐量优化方法。
本发明另一目的在于提供一种执行所述基于CR的UAV通信网络次级链路吞吐量优化方法的无人机。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提出了基于认知无线电技术(CR)的无人机(UAV)通信网络次级链路吞吐量优化方法。针对UAV通信网络中频谱资源短缺，UAV次级链路吞吐量较低的问题，将认知无线电技术应用于UAV通信网络。对传统的单个感知时隙的频谱感知技术进行改进，提出以弧度为单位的多个微感知弧度协作频谱感知(CSS)方法，通过联合优化微感知弧度和弧度数量，使无人机通信网络中次级链路吞吐量达到最大值。UAV在信道衰落严重的情况下，利用本发明，对于保障服务质量(QoS)和提升UAV吞吐量有着更好的效果。
与现有技术相比，本发明的优点进一步包括：
本发明中构建了多微感知弧度CSS帧结构模型以及A2G信道认知无人机通信网络系统模型，以无人机圆周运动飞行角度的弧度值为对象，巧妙的分析了无人机周期运动过程中频谱感知性能以及谱效优化方案。
现有的谱效优化方案中，往往忽略无人机运动过程中感知信噪比的变化，本发明中的吞吐量优化方案，分析了感知信噪比变化对吞吐量的影响。
本发明提出多个微感知弧度的CSS方法，通过联合优化系统参数，证明UAV 在信道衰落严重的情况下，利用本发明，对于保障服务质量(QoS)和提升UAV 吞吐量有着更好的效果。如图4所示，证明存在最优的弧度数量，使吞吐量达到最大值，且随着微感知弧度增加，最优的弧度数量减小。由此证明本发明提出的联合优化算法经过多次迭代后具有收敛性。如图5所示，证明存在最优的微感知弧度，使吞吐量达到最大值。当感知弧度足够大时，不需要多弧度CSS 方案对感知性能进行优化，此时最优的感知弧度数量N＝1。如图6所示，证明在感知信噪比较低时，无人机采用本发明提出的多弧度CSS技术对于提升次级链路平均吞吐量具有更好的效果，可以保障主用户QoS。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的无人机通信网络次级链路吞吐量优化方法流程图。
图2是本发明实施例提供的多微感知弧度周期性CSS帧结构模型图。图2 中：
图3是本发明实施例提供的A2G信道下认知无人机通信网络模型图。
图4是本发明实施例提供的微感知弧度β0不同时，弧度数量N与吞吐量RA的关系曲线图。
图5是本发明实施例提供的弧度数量N不同时，微感知弧度β0与吞吐量RA的关系曲线图。
图6是本发明实施例提供的UAV位置不同时，微感知弧度β0与最优弧度数量N*的关系曲线图。
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。
针对现有技术存在的问题，本发明提供了一种基于CR的UAV通信网络次级链路吞吐量优化方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供一种基于CR的UAV通信网络次级链路吞吐量优化方法，认知无线电(CR)、空对地(A2G)信道、联合优化算法、次级链路吞吐量优化。包括以下步骤：
S101，UAV在单个微感知弧度内进行能量检测和本地决策。
S102，UAV将每个微感知弧度的感知结果分别传输给融合中心(FC)。
S103，FC利用“OR”准则对所有感知结果做出全局决策。
S104，认知无人机网络根据FC的感知结果进行动态频谱接入决策。
S105，联合优化微感知弧度和弧度数量，使UAV正常工作时吞吐量最优。
步骤S101 UAV在单个微感知弧度内进行能量检测和频谱感知决策的过程中，UAV内部配置能量检测器以及FC，收集与地面节点之间空对地(Air to Ground,A2G)信道上的信号，在单个微感知弧度内得出本地决策，并将所有决策信息传输给FC。
步骤S101中，所述的能量检测作为一种有效的频谱感知方法已经广泛应用于认知无线网络中，通过比较接收信号的能量统计量与预设的阈值来获得感知结果。
假设UAV接收到的信号如下:
y(m)＝μs(m)hij(m)+n(m),m＝1,2,...,M (1)
其中μ为主用户(PU)的状态参数，μ＝1表示PU存在，μ＝0表示PU空闲；s(m) 为PU发射机的发射信号，hij(m)表示i与j之间的信道增益，n(m)表示UAV接收到的噪声；M为采样点数，M＝tβfs，fs为采样频率。y(m)的能量统计量：
Figure RE-GDA0002618594630000071
当M数量足够大时，该统计量服从高斯分布。通过比较能量统计量与预先设定的能量检测阈值λ，可以确定PU是否存在。虚警概率和检测概率分别为：
Pf＝Pr(E(y)＞λ|μ＝0) (3)
Pd＝Pr(E(y)＞λ|μ＝1) (4)
步骤S103中，所述的FC利用“OR”准则对所有感知结果做出全局决策，在每个微感知弧度内，UAV基于其局部检测做出二元决策，将1位的决策信息Di(1 表示PU存在，0表示PU空闲)发送给FC，根据“OR”准则做出判决：
Figure RE-GDA0002618594630000072
其中H1和H0分别表示FC得出的PU存在或空闲的推断。多弧度CSS采用“OR”准则的协作虚警概率和检测概率表达式为：
Qf＝1-(1-Pf)N (6)
Qd＝1-(1-Pd)N (7)
其中N为微感知弧度的数量。
步骤S105中，所述的联合优化微感知弧度和弧度数量，使UAV正常工作时吞吐量最优，可以对微感知弧度和弧度数量分别优化，也可利用交替迭代优化方法实现对微感知弧度β0和弧度数量N的联合优化，以寻求认知无人机网络中次级链路吞吐量最优值。
下面结合具体实施例对本发明作进一步描述。
实施例
本发明提出一种基于CR的UAV通信网络次级链路吞吐量优化方法，其基本思路是利用认知无线电技术解决无人机通信网络频谱资源稀缺以及频谱效率较低的现状，通过构建A2G信道下的认知无人机网络模型，联合优化系统感知参数，在保障PU的QoS前提下，提升了系统谱效。
建立A2G信道下认知无人机通信网络模型，如图3所示，认知无人机网络由基站(BS)和UAV组成，PU与BS距离为RP，UAV以均匀的飞行速度v飞行于以BS为中心的圆形轨道上，轨道半径为RS，飞行高度为H。以BS为中心 UAV做周期性圆周运动，一个飞行周期内包含l帧飞行时隙，飞行时隙由感知时隙和传输时隙构成。UAV仅在检测到PU空闲的情况下，利用PU频谱资源并在传输时隙内传输数据。在该模型中，为方便分析UAV圆周飞行特点，以弧度为单位，将感知时隙和传输时隙定义为微感知弧度和传输弧度，假设一个飞行时隙对应的弧度为Β，微感知弧度为β，传输弧度为Β-β。
以BS为原点，BS与PU之间的连线为x轴建立坐标系，BS、PU和UAV 的位置点如图3所示，图3(I)为二维认知无人机网络模型；图3(II)为三维认知无人机网络模型。
分别为B点、P点和S点。设UAV与x轴之间的夹角为α。由坐标系可知， UAV与PU之间的距离dSP为：
Figure RE-GDA0002618594630000081
UAV与BS之间的距离dSB为：
Figure RE-GDA0002618594630000082
用hSB、hSP和hPB分别表示模型中UAV与BS、UAV与PU以及PU与BS之间三条不同链路的信道增益。假设所有的信道增益在相干时间内相互独立，与信道相干时间相比，系统总传输时间相对较长，因此在研究路劲损耗时，主要关注信道的平均统计量，只考虑信道中的大尺度路径损耗，表达式为:
Figure RE-GDA0002618594630000091
其中hij代表三条不同链路的信道增益，i∈{S,P}，j∈{P,B}。PLij(dij)是关于距离dij的函数，表示i与j之间的路径损耗。在该网络中，存在两种信道模型：
1)地面(ground to ground,G2G)信道，例如模型中的hPB。PU与BS之间存在障碍物遮挡，无法实现视距(line of sight,LoS)通信，因此PU与BS之间的G2G 信道是非视距(non-line of sight,NLoS)链路。
2)空地(air to ground,A2G)信道，例如模型中的hSB和hSP，表示连接无人机与地面节点之间的A2G信道。该信道存在一定的概率为LoS链路或NLoS链路，这取决于无人机与地面通信设备的仰角以及环境特征。
i与j两节点之间信道为LoS信道的概率表达式为：
Figure RE-GDA0002618594630000092
其中θij为无人机与地面通信设备的仰角(角度)，ω1和ω2为环境特征参数。可以得出G2G和A2G信道的路径损耗表达式：
Figure RE-GDA0002618594630000093
公式中的
Figure RE-GDA0002618594630000094
和
Figure RE-GDA0002618594630000095
分别表示LoS和NLoS两种信道环境下的路径损耗：
Figure RE-GDA0002618594630000096
其中f为载波频率，C为光速，LX为LoS或NLoS链路的平均附加损耗。
UAV处于不同的微感知弧度(mini-slots)，具有不同的感知路径，通过从多个感知路径收集感知信息，实现协同分集增益。UAV在每个局部微感知弧度中获得局部决策，并将所有决策结果通过FC组合，得出最终决策，如图2所示。
图2(a)为二维认知无人机网络模型；图2(b)为认知无人机网络周期性CSS 帧结构。
UAV飞行速度快，可以同时获得所有的局部感知结果，因此单个无人机的多弧度频谱感知可以看作是CSS。
假设每帧中的总感知弧度由多个微感知弧度β0构成，N为微感知弧度的数量，感知过程总弧度β＝Nβ0，每帧中传输弧度为Β-Nβ0。FC在接收到所有微感知弧度的局部决策后，采用“OR”准则，即如果任何一个局部检测结果显示PU 存在，则最终决策将判定PU存在。每个微感知弧度的虚警概率Pf(λ,β0)和检测概率Pd(λ,β0)为：
Figure RE-GDA0002618594630000101
Figure RE-GDA0002618594630000102
表达式中
Figure RE-GDA0002618594630000103
是噪声功率，λ为能量检测阈值，γ为感知信噪比，
Figure RE-GDA0002618594630000104
PP为PU的发射功率。函数Q(x)表达式为：
Figure RE-GDA0002618594630000105
设定CSS的目标检测概率
Figure RE-GDA0002618594630000106
以保证最终感知性能，局部目标检测概率
Figure RE-GDA0002618594630000107
可知Qf和
Figure RE-GDA0002618594630000108
的关系表达式：
Figure RE-GDA0002618594630000109
UAV作为SU占用PU的频段进行工作时，存在两种情形：
情形1:PU空闲，且UAV在感知时无虚警情况发生。该情形下UAV次级链路的传输速率为
Figure RE-GDA00026185946300001010
情形2:PU存在，但UAV在感知时出现漏检情况。该情形下UAV次级链路的传输速率为
Figure RE-GDA0002618594630000111
UAV在两种情形下工作时，吞吐量分别定义为：
Figure RE-GDA0002618594630000112
Figure RE-GDA0002618594630000113
在保证CSS整体感知性能的前提下，优化局部微感知弧度和弧度数量，从而最大化UAV次级链路的平均吞吐量，该优化问题数学表达式为：
Figure RE-GDA0002618594630000114
由于C0＞C1，UAV次级链路平均吞吐量的优化问题可近似为：
Figure RE-GDA0002618594630000115
λ＝λ0是满足
Figure RE-GDA0002618594630000116
的能量检测阈值，当λ＝λ0，即
Figure RE-GDA0002618594630000117
时，RA(β0,N)取得最大值。接下来考虑局部微感知弧度β0和感知时隙数量N的优化问题，在一个帧结构内，所有微感知弧度的γ保持不变，首先给定N，令
Figure RE-GDA0002618594630000118
优化问题可表示为：
Figure RE-GDA0002618594630000119
其中
Figure RE-GDA00026185946300001110
当Pf(β0)≤0.5时，式(22)为凸优化问题，在β0∈[0,U]范围内，存在最优微感知弧度β0 *，使得RA(β0 *)取得最大值，利用二分法可求得β0 *。反之，若给定β0，最优感知时隙数量N*可以通过枚举法求得，
Figure RE-GDA0002618594630000121
其中
Figure RE-GDA0002618594630000122
Figure RE-GDA0002618594630000123
表示向上取整。另外，利用交替优化方法可以实现对微感知弧度β0和感知时隙数量N的联合优化，算法如下：
Figure RE-GDA0002618594630000124
UAV存在两种感知状态：
状态1：静态感知。研究UAV在一个帧结构内的最佳感知弧度时，由于感知弧度较小，忽略UAV飞行过程中dSP变化对γ的影响，认为γ在感知过程中保持不变。因此，在一个帧结构内，该感知过程可近似为静态感知。
状态2：动态感知。UAV以BS为圆心做圆周运动，假设UAV飞行一周共进行l帧频谱感知，每一帧对应的弧度为
Figure RE-GDA0002618594630000125
由于γ随UAV飞行位置的变化而改变，所以对于UAV动态感知而言，每一帧感知过程中γ不同，具有不同的最佳感知弧度。
在静态感知状态下，假设图3模型中UAV与x轴之间的夹角α＝π(rad)， UAV的飞行速度v＝40m/s。
图4是本发明实施例提供的微感知弧度β0不同时，弧度数量N与吞吐量RA的关系曲线图。
图5是本发明实施例提供的弧度数量N不同时，微感知弧度β0与吞吐量RA的关系曲线图。
图6是本发明实施例提供的UAV位置不同时，微感知弧度β0与最优弧度数量N*的关系曲线图。
由图4可知，存在最优的弧度数量N*，使RA达到最大值，且随着β0增加， N*减小。由此证明本发明提出的联合优化算法经过多次迭代后具有收敛性。
由图5可知，存在最优的微感知弧度β0 *，使RA达到最大值，且随着微感知弧度β0的增加，使RA取得最大值的感知弧度数量N在不断变化。当β0增大到一定程度时，最优的感知弧度数量N＝1，这是因为当感知弧度足够大时，不需要多弧度CSS方案对感知性能进行优化。
当UAV处于动态感知状态时，即考虑UAV的飞行轨迹，在一个飞行周期内，UAV的飞行状态关于x轴对称，图6给出半个飞行周期内，UAV处于不同帧结构时，微感知弧度β0与使RA达到最大值的最优弧度数量N*的关系曲线。由图6可知，随着β0的增大，使RA达到最大值的N*呈阶梯型趋势下降。同样如图 5所示结论，当β0足够大时，N*＝1；随着UAV飞行位置的改变，夹角α增加，认知无人机网络中的感知信噪比γ降低，最优弧度数量N*增加。当α＝π时，UAV与PU距离最远，此时，γ最小，N*最大，由此可知，在感知信噪比γ较低时， UAV更需要采用本发明提出的多弧度CSS技术来提升次级链路的平均吞吐量，以保证QoS。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于CR的UAV通信网络次级链路吞吐量优化方法，其特征在于，所述基于CR的UAV通信网络次级链路吞吐量优化方法包括：
步骤一，无人机在单个微感知弧度内进行能量检测和本地决策；
步骤二，无人机将每个微感知弧度的感知结果分别传输给融合中心；
步骤三，融合中心利用OR准则对所有感知结果做出全局决策；所述步骤三进一步包括：在每个微感知弧度内，无人机基于其局部检测做出二元决策，将1位的决策信息Di，1表示PU存在，0表示PU空闲，发送给融合中心，根据OR准则做出判决：
Figure FDA0003521754430000011
其中H1和H0分别表示融合中心得出的主用户存在或空闲的推断；
融合中心在接收到所有微感知弧度的局部决策后，采用OR准则，如果任何一个局部检测结果显示PU存在，则最终决策将判定PU存在；每个微感知弧度的虚警概率Pf(λ,β0)和检测概率Pd(λ,β0)为：
Figure FDA0003521754430000012
Figure FDA0003521754430000013
表达式中β0为微感知弧度，v是UAV的飞行速度，RS为UAV飞行的轨道半径，
Figure FDA0003521754430000014
是噪声功率，λ为能量检测阈值，γ为感知信噪比，
Figure FDA0003521754430000015
PP为PU的发射功率；函数Q(x)表达式为：
Figure FDA0003521754430000016
多弧度协作频谱感知CSS采用OR准则的协作虚警概率和检测概率表达式为：
Qf＝1-(1-Pf)N；
Qd＝1-(1-Pd)N；
其中N为微感知弧度的数量；
步骤四，认知无人机网络根据融合中心的感知结果进行动态频谱接入决策；
步骤五，联合优化微感知弧度和弧度数量，使UAV通信网络的吞吐量最优；所述步骤五进一步包括：考虑UAV通信网络独特的信道类型：
1)地对地G2G信道，PU与基站BS之间存在障碍物遮挡，无法实现视距LoS通信，因此PU与BS之间的G2G信道是非视距NLoS信道；
2)空对地A2G信道，表示连接无人机与地面之间的A2G信道，该信道存在一定的概率为LoS通信或NLoS通信，这取决于无人机与地面通信设备的仰角以及环境特征；
因此，UAV通信网络中两节点之间信道为LoS信道的概率表达式为：
Figure FDA0003521754430000021
其中θij为无人机与地面通信设备的仰角，ω1和ω2为环境特征参数，因此，可以得出G2G和A2G信道的路径损耗表达式：
Figure FDA0003521754430000022
公式中的
Figure FDA0003521754430000023
和
Figure FDA0003521754430000024
分别表示LoS和NLoS两种信道环境下的路劲损耗：
Figure FDA0003521754430000025
其中n为路径损耗指数，f为载波频率，C为光速，LX为LoS或NLoS链路的平均附加损耗，LLoS和LNLoS的值与环境因素有关，但一般情况下，由于阴影和散射的影响，LLoS＜＜LNLoS，UAV通信网络中链路的信道增益表达式为：
Figure FDA0003521754430000031
假设UAV感知PU的存在状态，并向位置固定的BS传输数据，UAV的传输功率为PS,当PU空闲时，UAV单位带宽内的容量定义为C0，
Figure FDA0003521754430000032
当PU存在时，UAV单位带宽内的容量定义为C1，
Figure FDA0003521754430000033
其中PP|hPB|2为在BS处测得的PU的干扰功率，且C0＞C1，PU的状态参数μ可以用来表示给定频段的空闲或占用，频段空闲的概率用Pr(μ＝0)表示，频段被占用的概率用Pr(μ＝1)表示，且Pr(μ＝0)+Pr(μ＝1)＝1；
UAV在两种场景下工作时的吞吐量分别定义为：
Figure FDA0003521754430000034
Figure FDA0003521754430000035
在保证CSS整体感知性能的前提下，优化局部感知弧度和感知弧度数量，从而最大化UAV次级链路的平均吞吐量，该优化问题数学表达式为：
Figure FDA0003521754430000036
Figure FDA0003521754430000037
0≤Nβ0≤B N＝1,2,3...
显然，R0(λ,β0,N)＞R1(λ,β0,N)，UAV次级链路平均吞吐量的优化问题可近似为：
Figure FDA0003521754430000038
2.如权利要求1所述的基于CR的UAV通信网络次级链路吞吐量优化方法，其特征在于，所述步骤一进一步包括：无人机内部配置能量检测器以及融合中心，收集与地面节点之间空对地A2G信道上的信号，在单个微感知弧度内得出本地决策，并将所有决策信息传输给融合中心。
3.如权利要求1所述的基于CR的UAV通信网络次级链路吞吐量优化方法，其特征在于，所述步骤一的能量检测中，通过比较接收信号的能量统计量与预设的阈值获得感知结果；具体包括：
(1)无人机接收到的信号如下:
y(m)＝μs(m)hij(m)+n(m),m＝1,2,...,M；
其中μ为主用户PU的状态参数，μ＝1表示PU存在，μ＝0表示PU空闲；s(m)为PU发射机的发射信号，hij(m)表示i与j之间的信道增益，n(m)表示UAV接收到的噪声；M为采样点数，M＝tβfs，fs为采样频率，tβ为感知时隙；
y(m)的能量统计量：
Figure FDA0003521754430000041
当M数量足够大时，该统计量服从高斯分布；
(2)通过比较能量统计量与预先设定的能量检测阈值λ，确定主用户PU是否存在。
4.如权利要求1所述的基于CR的UAV通信网络次级链路吞吐量优化方法，其特征在于，所述步骤五进一步包括：对微感知弧度和弧度数量分别优化，或利用交替迭代优化方法实现对微感知弧度β0和弧度数量N的联合优化，获取认知无人机网络中次级链路吞吐量最优值。
5.如权利要求4所述的基于CR的UAV通信网络次级链路吞吐量优化方法，其特征在于，所述步骤五进一步包括：
CSS的目标检测概率为
Figure FDA0003521754430000042
局部目标检测概率为
Figure FDA0003521754430000043
Qf和
Figure FDA0003521754430000044
的关系表达式：
Figure FDA0003521754430000045
无人机占用主用户PU的频段进行工作时，存在：
情形1:PU空闲，且UAV在感知时无虚警情况发生；该情形下UAV次级链路的传输速率为
Figure FDA0003521754430000051
情形2:PU存在，但UAV在感知时出现漏检情况；该情形下UAV次级链路的传输速率为
Figure FDA0003521754430000052
无人机在两种情形下工作时，吞吐量分别为：
Figure FDA0003521754430000053
Figure FDA0003521754430000054
优化局部微感知弧度和弧度数量，最大化无人机次级链路的平均吞吐量，该优化问题数学表达式为：
Figure FDA0003521754430000055
由于C0＞C1，UAV次级链路平均吞吐量的优化问题为：
Figure FDA0003521754430000056
λ＝λ0是满足
Figure FDA0003521754430000057
的能量检测阈值，当λ＝λ0，即
Figure FDA0003521754430000058
时，RA(β0,N)取得最大值；
对于局部微感知弧度β0和感知时隙数量N的优化问题，在一个帧结构内，所有微感知弧度的γ保持不变，首先给定N，令
Figure FDA0003521754430000059
优化问题表示为：
Figure FDA0003521754430000061
其中
Figure FDA0003521754430000062
当Pf(β0)≤0.5时，为凸优化问题，在β0∈[0,U]范围内，存在最优微感知弧度β0 *，使得RA(β0 *)取得最大值，利用二分法求得β0 *；反之，若给定β0，最优感知时隙数量N*通过枚举法求得，
Figure FDA0003521754430000063
其中
Figure FDA0003521754430000064
Figure FDA0003521754430000065
表示向上取整；
所述联合优化的方法包括：
初始条件：k＝0,i＝0,N＝Ni，误差精度为δ；
1)while
Figure FDA0003521754430000066
do；
2)利用二分法，求出N＝Ni时的最优弧度β0 *；
3)令
Figure FDA0003521754430000067
4)利用枚举法，求出
Figure FDA0003521754430000068
对应的最优数量N*；
5)令Ni+1＝N*；
6)求出
Figure FDA0003521754430000069
7)令k＝k+1,i＝i+1；
8)输出：
Figure FDA00035217544300000610
6.一种实施权利要求1～5任意一项所述基于CR的UAV通信网络次级链路吞吐量优化方法的基于CR的UAV通信网络次级链路吞吐量优化系统。
7.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～5任意一项所述基于CR的UAV通信网络次级链路吞吐量优化方法。
8.一种执行权利要求1～5任意一项所述基于CR的UAV通信网络次级链路吞吐量优化方法的无人机。
CN202010472139.1A 2020-05-29 2020-05-29 一种基于cr的uav通信网络次级链路吞吐量优化方法 Active CN111786712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472139.1A CN111786712B (zh) 2020-05-29 2020-05-29 一种基于cr的uav通信网络次级链路吞吐量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472139.1A CN111786712B (zh) 2020-05-29 2020-05-29 一种基于cr的uav通信网络次级链路吞吐量优化方法

Publications (2)

Publication Number Publication Date
CN111786712A CN111786712A (zh) 2020-10-16
CN111786712B true CN111786712B (zh) 2022-07-12

Family

ID=72754454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472139.1A Active CN111786712B (zh) 2020-05-29 2020-05-29 一种基于cr的uav通信网络次级链路吞吐量优化方法

Country Status (1)

Country Link
CN (1) CN111786712B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865855B (zh) * 2021-01-04 2022-04-08 福州大学 基于无人机中继的高效无线隐蔽传输方法
CN113709072B (zh) * 2021-07-29 2022-07-29 电子科技大学 基于无人机动态无线传感器网络的协作式自动调制分类方法
CN115021842B (zh) * 2021-11-19 2023-10-31 荣耀终端有限公司 任务处理方法、装置及存储介质
CN115843005B (zh) * 2022-10-28 2024-04-19 苏州科技大学 通感一体化无人机网络的多点多维接入方法、系统及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104579523B (zh) * 2014-12-31 2016-11-16 重庆邮电大学 认知无线网络频谱感知和接入决策联合的优化方法
US10321461B2 (en) * 2016-05-06 2019-06-11 Bridgewest Finance Llc Unmanned aerial vehicle (UAV) beam pointing and data rate optimization for high throughput broadband access
EP3506665B1 (en) * 2017-12-28 2020-10-21 Tata Consultancy Services Limited An aerial communication framework for providing communication services to users trapped in emergency
CN109088684B (zh) * 2018-07-27 2021-04-20 南京航空航天大学 一种基于无人机的异构频谱网络三维频谱感知方法
CN108988969B (zh) * 2018-08-27 2020-07-21 北京邮电大学 一种基于能量检测的频谱感知方法和装置

Also Published As

Publication number Publication date
CN111786712A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111786712B (zh) 一种基于cr的uav通信网络次级链路吞吐量优化方法
Wang et al. An novel spectrum sensing scheme combined with machine learning
CN108242961B (zh) 基于集成学习的全双工认知无线电网络合作频谱感知方法
Li et al. Optimal myopic sensing and dynamic spectrum access in cognitive radio networks with low-complexity implementations
US20140349581A1 (en) Apparatus and method for partial interference alignment in multi-antenna communication system
Ahmed et al. Deep learning-driven opportunistic spectrum access (OSA) framework for cognitive 5G and beyond 5G (B5G) networks
Zhang et al. Power control and trajectory planning based interference management for UAV-assisted wireless sensor networks
Nouri et al. Multi-UAV placement and user association in uplink MIMO ultra-dense wireless networks
Hu et al. Energy-efficient cooperative spectrum sensing in cognitive satellite terrestrial networks
EP4302545A1 (en) Machine learning aided location-based downlink interference assistance information
Mokhtar et al. Cooperative fusion architecture-based distributed spectrum sensing under Rayleigh fading channel
Mokhtar et al. Cluster mechanism for sensing data report using robust collaborative distributed spectrum sensing
Reddy et al. Spectrum cartography techniques, challenges, opportunities, and applications: A survey
Upadhye et al. A survey on machine learning algorithms for applications in cognitive radio networks
Shahrasbi et al. Cluster-CMSS: a cluster-based coordinated spectrum sensing in geographically dispersed mobile cognitive radio networks
Jin et al. EESS: An energy-efficient spectrum sensing method by optimizing spectrum sensing node in cognitive radio sensor networks
Soto-Vergel et al. LoRa performance in industrial environments: analysis of different ADR algorithms
Arif et al. Clustered jamming in aerial HetNets with decoupled access
Chen et al. Joint channel access and power control optimization in large-scale UAV networks: a hierarchical mean field game approach
Murugan et al. Energy Efficient Cognitive Radio Spectrum Sensing for 5G Networks–A Survey
Babu et al. Design of Clustering Techniques in Cognitive Radio Sensor Networks.
Mohammadi et al. Analysis of Reinforcement Learning Schemes for Trajectory Optimization of an Aerial Radio Unit
US9503923B2 (en) Cooperative modulation of classification in cognitive radio networks
KR101653107B1 (ko) 인지무선네트워크에서 효율적인 채널 사용을 위한 협력센싱 클러스터링 게임 방법
Olawole et al. Channel assignment scheme in clustered multichannel cognitive radio networks with outdated CSI over Rayleigh fading channels

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