CN111970714B - 一种面向用户分布依赖的无人机基站部署方法 - Google Patents
一种面向用户分布依赖的无人机基站部署方法 Download PDFInfo
- Publication number
- CN111970714B CN111970714B CN202010821115.2A CN202010821115A CN111970714B CN 111970714 B CN111970714 B CN 111970714B CN 202010821115 A CN202010821115 A CN 202010821115A CN 111970714 B CN111970714 B CN 111970714B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- base station
- vehicle base
- user
- 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
- 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
-
- 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
- H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
-
- 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
- H04W16/24—Cell structures
-
- 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
- H04W16/24—Cell structures
- H04W16/26—Cell enhancers or enhancement, e.g. for tunnels, building shadow
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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种面向用户分布依赖的无人机基站部署方法。在所述方法中,考虑用户位置的分布依赖性,依据用户的位置将用户划分为多个用户簇,每个用户簇分别由一个无人机基站服务。依据服务区域内建筑高度以及无人机基站移动性能,确定无人机基站部署的高度与移动范围的取值范围。无人机基站的移动范围以及部署高度影响着网络整体性能以及簇中心附近用户与簇边缘用户的性能差异。为保证网络性能和用户公平性,引入覆盖率衰落参量并以整体网络覆盖率为指标。通过调整无人机基站部署的高度与移动范围,使得在覆盖率衰落参量满足一定要求下,网络覆盖率达到最大值,得出最优的无人机部署高度以及最优的无人机运动半径因子。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及未来第五代移动通信(Beyond 5thgeneration,B5G)和第六代移动通信(6th Generation,6G)中,面向用户分布依赖的无人机基站部署方法。
背景技术
未来6G网络致力于应对网络业务多样化和差异化的巨大挑战,然而由于地面基站的部署往往周期长、成本高,仅利用现有的面基站部署方案并不能满足具有高动态性场景需求。这些场景主要包括具有高覆盖需求的补盲场景(如应急救灾、治安反恐场景等)和具有大容量需求的补热场景(热点区域分流、全景视频指标等场景)。面对未来通信场景所需的高动态性,凭借无人机(Unmanned Aerial Vehicle,UAV)具有的高动态性,无人机组网成为6G网络覆盖、容量增强的重要候选方案。由于无人机的高灵活性且具有更大的仰角,无人机作为空中基站的最大特征是具有与地面用户的视距(Line-of-Sight,LoS)服务链路,以达到增强网络覆盖、容量性能的目的,无人机具有灵活的部署能力和敏捷的移动能力,这使得无人机通信在补盲补热场景,尤其在应急救灾场景,具有重要意义。
移动性是无人机基站最重要的特征之一,合理的无人机移动轨迹是有益于移动无人机网络覆盖、容量性能,并且保证用户的公平性。旋翼无人机能够以移动和悬停两种状态为地面用户服务,固定翼无人机至能够以移动状态为地面用户服务,并且无人机基站的分布需要与地面用户传输速率需求有关。在一定区域内用户具有聚簇分布特征,在实际场景中(如灾后重建场景),用户发分布并非是完全独立的,而呈现一定的空间依赖特性。两种无人机具有不同的移动特征:固定翼无人机具有天然的滑翔能力,因此更适用于长时间飞行的场景,并且飞行轨迹为平滑的曲线,即不具有悬停、垂直起飞和急转弯的能力;旋翼无人机的飞行主要依赖于电源提供的多个旋翼的旋转动力,起飞和转弯不限制于无人机当前的飞行状态。因此在无人机基站部署时,要适用两种的无人机基站的移动特征,并且考虑用户的分布特征,在最大化网络整体性能的同时也要保证用户的公平性。
针对上述挑战,本方案提出了面向用户分布依赖的无人机基站部署方法,该方法中,首先依据用户的位置将用户划分为多个用户簇,每个用户簇由一个无人机基站服务,考虑在用户簇内的用户会受到服务其他用户簇的无人机基站的干扰;为保证无人机基站覆盖范围以及用户公平性,无人机基站以所服务的用户簇簇心上方为中心在一定半径的圆平面上进行运动,高度保持一定,无人机基站的运动范围和无人机基站高度根据环境参数和用户分布情况确定;以网络平均覆盖率和距簇心一定距离的条件覆盖率为关键指标,根据指标和无人机基站高度和运动范围的关系情况,考虑整体网络整体性能与用户公平性,得到无人机基站最优部署高度与运动范围,从而完成运动无人机基站的部署。
发明内容
本发明提出一种面向用户分布依赖的无人机基站部署方法,该方法中,首先依据用户的位置将用户划分为多个用户簇,每个用户簇由一个无人机基站服务;为保证无人机基站覆盖范围以及用户公平性,无人机基站以所服务的用户簇簇心为中心在一定半径的圆平面上进行运动,高度保持一定,无人机基站的运动范围和无人机基站高度根据环境参数和用户分布情况确定,然后考虑在用户簇内的用户会受到服务其他用户簇的无人机基站的干扰,以网络平均覆盖率和距簇心一定距离的条件覆盖率为关键指标,根据指标和无人机基站高度和运动范围的关系情况,考虑整体网络整体性能与用户公平性,最后得到无人机基站最优部署高度与运动范围,从而完成运动无人机基站的部署。
本发明的面向用户分布依赖的无人机基站部署方法包括一下步骤:
步骤200,依据用户的位置将用户划分为多个用户簇,并确定无人机基站的运动中心以及运动半径和部署高度的取值范围。
在实际场景中(如灾后重建场景),用户发分布并非是完全独立的,而呈现一定的空间依赖特性,即用户簇的簇心分布在一定区域内,用户集中分布在簇心周围半径为的圆形范围内,即每个用户簇的用户都在一个圆心在用户位置几何中心,中心的位置如式(1)为:
其中,(xi,yi)为簇内用户的位置,N为簇内用户数量,用户簇内划分的用户数量不能超过无人机基站的服务能力。用户都在圆心与簇心重合半径为RM的圆形区域内。
分析覆盖率时,采用Matern聚簇过程(Matern’s Cluster Process,MCP),用户与簇心距离分布的概率密度函数表达式如如式(2)为:
假设同一个用户簇内,无人机到用户的链路之间相互正交,即同一个用户簇内各个用户的链路之间不存在干扰。这一假设可以通过多种通信技术实现,例如时分多址、频分多址、码分多址等等,同一用户簇内不同用户占用无人机的不同资源块,因而不存在相互干扰。另一方面,用户占用的无人机资源块在另一个无人机服务的用户簇内可以被复用,因此簇外的无人机-用户链路会对该用户产生干扰。
每个用户簇由一个无人机基站服务,无人机基站以簇中心为运动范围的圆心,在半径一定的范围里运动,其半径的计算式如式(3)为:
Ru=μRM (3)
其中,μ为无人机运动范围的运动半径因子,无人机运动范围不仅与用户簇的半径有关,而且受到运动半径因子μ的调整。当0<μ<1时,无人机的运动范围不超过用户簇对应的范围;当μ>1时,无人机可以运动到用户簇所在的范围之外。特殊地,当μ=0时,认为无人机静止在簇心上空,当μ=1时,无人机的运动范围与用户簇对应的范围相同。μ的最大值μmax与无人机基站的性能有关。所以μ应满足如式(4)为:
0≤μ≤μmax (4)
为了保证安全,无人机基站的部署高度最小值应高于建筑物高度,即满足如式(5)为:
H>H0 (5)
每个无人机基站在确定的圆形区域内以圆心为起点,以一定的速度进行随机游走,具体为每个单位时间内无人机基站都会随机选择方向以一定速度移动,若遇到运动边界则立即向相反方向移动。由于区域边界的限制,无人机运动的稳态空间节点分布的概率密度函数是不均匀的,其节点更倾向于停留在靠近该区域中心的位置,因此,运动的无人机与簇心的水平距离r的概率密度函数如式(6)如:
步骤210,结合环境参数,计算不同无人机基站移动半径和无人机基站高度下的理论网络平均覆盖率和覆盖率衰落参量。
将信道的传播分为三部分,分别是路径损耗、视距链路增益和信道衰落。因此在某时刻,用户接收到的来自无人机基站的信号强度如式(7)为:
其中,Km(m∈{LoS,NLoS})是LoS或NLoS链路的信道增益参数,可以表示为Km=ζm(c/(4πfMHz))-1(ζm是城区场景中LoS或NLoS链路下经历的额外的路径损耗,其典型值为ζLoS=1dB,ζNLoS=20dB),为LoS或者NLoS链路的概率,为用户与无人机链路仰角,hu,k,t为在时刻t用户u与无人机信道k的衰落,ru,k为无人机k投影到用户u的距离,α>2为路损指数。
为了分析的通用性,这里采用Nakagami-m分布模拟信道衰落,表示为h~G(m,1/m),其概率密度函数如式(8)为:
链路为LoS径或NLoS径的概率如式(9)(10)为:
PNLoS(θ)=1-PLoS(θ) (10)
其中,a和b是由环境决定的常数系数,η是转化因子。基于LoS链路概率,用户接收到的来自无人机的平均的接收信号强度如式(11)为:
同一用户簇内的各个用户数据传输之间不存在干扰,而不同用户簇对应的服务无人机可以进行资源复用,因而存在来自簇外的累积干扰。那么,覆盖率的表达式可以写为如式(12)为:
其中,下角标i表示用户所在用户簇对应的服务无人机,下角标j表示网络中除服务无人机以外的干扰无人机。
为表征用户公平性指标,计算出在已知用户与簇心的一定距离下的条件下,则用户的条件覆盖率如式(13)为:
考虑网络整体的覆盖率,根据以上的结果,我们可以得到已知条件下的网络覆盖率,在此基础上,通过对距离求期望,可以得到网络平均的覆盖率。Nakagami-m信道下的网络平均覆盖率如式(16)为:
在一定的用户分布下,即可计算不同部署参数下的的网络平均覆盖率和条件覆盖率。
步骤220,比较不同无人机基站移动半径和无人机基站高度下的网络平均覆盖率和覆盖率衰落参量,选择满足覆盖率衰落参量低于阈值下最大化网络平均覆盖率时得到最优的无人机基站移动半径和高度。
定义覆盖率衰落参量ξ,计算式如式(17)为:
在选择无人机基站的运动范围半径和无人机基站部署高度时,覆盖率衰落参量ξ应该小于基于用户公平性考虑的覆盖率衰落容限值ξmax,既满足如式(18)为:
ξ≤ξmax (18)
根据指标和无人机基站高度和运动范围的关系情况,考虑整体网络整体性能与用户公平性,在满足覆盖率衰落参量要求的同时,当网络平均覆盖率最大时得到无人机基站最优部署高度与运动范围,从而完成运动无人机基站的部署。
有益效果
本发明基于用户聚簇分类,提出了一种移动无人机基站部署方法。从用户分布出发,综合考虑了环境参数和用户位置分布,将用户先进行分簇,每个用户簇让一个无人机基站服务。让无人机基站的部署在空间上充分利用用户分布的特征。
引入覆盖率衰落参量,综合考虑网络平均覆盖率和用户公平性,通过调整无人机基站移动范围和高度,会影响到簇中心附近用户和边缘用户的覆盖以及整体平均的覆盖率。通过设置覆盖率衰落参量,让簇中心附近用户和边缘用户的性能差异参与无人机基站的部署,避免了因过分重视整体网络性能而导致边缘用户覆盖率过低的问题。令其簇中心附近用户和边缘用户的覆盖率波动小于一定的容限值,保证了用户的公平性。
方法里的算法可以依据输入的参数可以计算出网络平均覆盖率和一定距离的条件覆盖率。充分利用无人机基站高动态特性,在划分各个用户簇的基础上,利用算法,在规定的取值范围内,比较不同无人机基站部署高度和运动范围半径设置下的网络平均覆盖率并观察覆盖率衰落参量是否高于覆盖率衰落阈值,选择满足覆盖率衰落参量要求并网络平均覆盖率最大时的部署参数。所以,针对不同的用户位置分布以及环境参数,该方案都可以保证用户公平性的同时最大化网络平均覆盖率。
附图说明
图1是本发明的面向用户分布依赖无人机基站网络系统模型;
图2是本发明的算法实施流程图;
图3是本发明的网络平均覆盖率在不同簇密度条件下随无人机基站部署高度变化的关系的示意图;
图4是是本发明的距簇心一定距离网络条件覆盖率在不同运动调整因子与簇半径下随用户离簇心距离变化关系的示意图;
具体实施方式
下面结合附图对本发明实施例作详细说明。
本发明面向用户分布依赖,提出了一种无人机基站部署方法。图1为用户分布依赖下无人机网路系统模型图。主要考虑下行链路,在实际场景中,用户发分布并非是完全独立的,而呈现一定的空间依赖特性,即用户簇的簇心分布在一定区域内,用户集中分布在簇心周围半径为的圆形范围内,即每个用户簇的用户都在一个圆心在用户位置几何中心,半径为RM的圆形区域内。用户簇内的用户数量不能超过无人机基站的服务能力。每个用户簇由一个无人机基站服务,无人机基站在一定高度的平面上移动,每个无人机基站在确定的圆形区域内以圆心为起点,以一定的速度进行随机游走,具体为每个单位时间内无人机基站都会随机选择方向以一定速度移动,若遇到运动边界则立即向相反方向移动。移动范围为一个圆心在地面投影点与簇心重合,半径一定的圆形。同一用户簇内不同用户占用无人机的不同资源块,因而不存在相互干扰。
以网络平均覆盖率和距簇心一定距离的条件覆盖率为关键指标,根据指标和无人机基站高度和运动范围的关系情况,考虑整体网络整体性能与用户公平性,最后得到无人机基站最优部署高度与运动范围,从而完成运动无人机基站的部署。
本案例的算法流程如附图2所示,其具体实施步骤为:
步骤300,依据用户的位置将用户划分为多个用户簇,并确定无人机基站的运动中心以及运动半径和部署高度的取值范围。每个用户簇的用户都在一个圆心在用户位置几何中心,半径为的圆形区域内。用户簇内的用户数量不能超过无人机基站的服务能力。
步骤310,依据用户簇的划分情况,结合覆盖地区的环境参数,计算不同无人机基站移动半径和无人机基站高度下的理论网络平均覆盖率和距簇中心一定距离的覆盖率。无人机基站的最大运动范围与无人机基站的性能有关,无人机基站的部署高度最小值应高于建筑物高度。
步骤320,依据无人机基站移动半径和无人机基站高度下的理论网络平均覆盖率和距簇中心一定距离的覆盖率,选择满足一定用户公平性要求下,最大化网络平均覆盖率时得到最优的无人机基站移动半径和高度。
仿真与估计结果如附图3和附图4所示。定量分析无人机移动模型对网络覆盖率性能的影响。若无特殊说明,本节中参数设置如下:PB=10W,H=10m,RM=10m,μ=1,α=4,a=12.08,b=0.21。
附图3给出了无人机高度对覆盖率的影响。可以看出,随着无人机部署高度的增加,网络覆盖率呈现出先增加后下降的趋势。这是因为,当无人机部署高度较低时,增加无人机部署高度使得用户-无人机链路的仰角增加,视距概率增加,用户的接收信号强度增加,而干扰无人机与用户的水平距离较远,可以忽略由部署高度增加带来的视距概率的变化,因此用户的SIR增加,网络的覆盖率提升。而当无人机部署高度较高时,服务无人机与用户的距离随着部署高度的增加而增加,此时链路仰角变化产生的增益较小,而路径损耗急剧增加,使得用户的SIR降低,网络覆盖率下降。
另外从附图3可以看出,无人机部署高度在10m左右时,使得网络覆盖率达到最大值,并且该最优无人机部署高度随着用户簇密度的降低而增加。这是因为最优无人机高度是使得视距链路增益和路径损耗达到折中的高度点,而用户簇密度的降低使得网络中的干扰减小,此时路径损耗对SIR的影响降低,因此最优部署高度随之增加。
附图4给出了覆盖率随用户位置的变化关系。由于随机航点运动的边缘效应,位于簇边缘用户的服务距离的期望小于簇中心用户,因而覆盖率随用户所在位置与簇心距离rM的增加而降低。图中可以看出,当用户簇半径较小(RM=10m)时,对于不同的运动半径因子,覆盖率的变化趋势保持一致;当用户簇半径较大(RM=30m)时,覆盖率在运动半径因子较小的时候变化快,而在运动半径因子较大时变化慢。这是因为用户簇半径较大时,簇中心和簇边缘用户的SIR差异较大,通过增加运动半径因子以增大无人机的运动范围,从而减小簇中心和簇边缘用户的SIR差异;当RM=10m时,由于簇中心和簇边缘用户的距离较近,SIR差异不明显,因此运动半径因子对变化趋势的影响可以忽略不计。
Claims (3)
1.一种面向用户分布依赖的无人机基站部署方法,其特征在于,包括:依据用户的位置将用户划分为多个用户簇,每个用户簇由一个无人机基站服务,在用户簇内的用户会受到服务其他用户簇的无人机基站的干扰;为保证无人机基站覆盖范围以及用户公平性,无人机基站以所服务的用户簇簇心为中心在一定半径的圆平面上进行运动,高度保持一定,无人机基站的运动范围和无人机基站高度根据环境参数和无人机基站运动性能确定;以网络平均覆盖率和距簇心一定距离的条件覆盖率为关键指标,网络平均覆盖率和距簇心一定距离的条件覆盖率的计算式分别为:
m为信道衰落参数,μ为运动半径因子,Ru=μRM为运动半径,H为无人机基站的部署高度,α为路损指数;根据指标和无人机基站高度和运动范围的关系情况,考虑整体网络整体性能与用户公平性,得到无人机基站最优部署高度与运动范围,从而完成运动无人机基站的部署,具体为:比较不同无人机基站移动半径和高度下的网络平均覆盖率和覆盖率衰落参量,覆盖率衰落参量的计算式为:
选择满足覆盖率衰落参量低于阈值下最大化网络平均覆盖率时的无人机基站移动半径和高度。
2.根据权利要求1所述的方法,其特征在于,用户簇的区域为一个半径一定,圆心与簇内用户位置中心重合的圆形区域,用户簇的半径根据用户位置的分布情况确定;无人机基站的运动范围为一定高度平面上的圆形区域,其圆心在地面的投影与簇心重合;无人机基站最优运动范围与用户位置分布有关,无人机基站运动平面的最优高度与覆盖区域内建筑物分布情况有关。
3.根据权利要求1或2所述的方法,其特征在于,无人机运动区域的半径基于服务用户簇的半径RM调整,大小为μRM,μ为运动半径因子且大于等于零,取值范围与无人机基站的运动性能有关;无人机基站的部署高度的取值范围与服务区域内的建筑物高度有关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821115.2A CN111970714B (zh) | 2020-08-14 | 2020-08-14 | 一种面向用户分布依赖的无人机基站部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821115.2A CN111970714B (zh) | 2020-08-14 | 2020-08-14 | 一种面向用户分布依赖的无人机基站部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111970714A CN111970714A (zh) | 2020-11-20 |
CN111970714B true CN111970714B (zh) | 2022-06-28 |
Family
ID=73388886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821115.2A Active CN111970714B (zh) | 2020-08-14 | 2020-08-14 | 一种面向用户分布依赖的无人机基站部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111970714B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112738767B (zh) * | 2020-11-30 | 2021-12-17 | 中南大学 | 一种基于信任的移动边缘用户任务调度方法 |
CN112738802B (zh) * | 2020-12-25 | 2022-10-14 | 深圳市微网力合信息技术有限公司 | 一种基于wifi6的通信方法及系统 |
CN112996058B (zh) * | 2021-02-23 | 2022-09-16 | 哈尔滨工业大学(深圳) | 基于多无人机网络的用户QoE优化方法、无人机及系统 |
CN113645634B (zh) * | 2021-08-11 | 2022-10-18 | 北京邮电大学 | 一种6g下多天线无人机网络部署参数设定方法 |
CN113873434B (zh) * | 2021-08-27 | 2022-07-26 | 北京邮电大学 | 面向通信网络热点区域容量增强的多空中基站部署方法 |
CN113993098B (zh) * | 2021-09-15 | 2024-02-13 | 北京邮电大学 | 一种6g无人机用户的功率控制因子设定方法 |
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 |
CN113993105A (zh) * | 2021-10-21 | 2022-01-28 | 北京邮电大学 | 一种面向城市热点区域的无人机三维部署参数设定方法 |
CN114221687B (zh) * | 2021-11-12 | 2023-05-30 | 国家电网有限公司信息通信分公司 | 无人机空中基站组网方法、装置及电子设备 |
CN115278698B (zh) * | 2022-06-13 | 2024-02-02 | 北京邮电大学 | 基于动态用户分布预测的无人机基站动态部署方法及装置 |
CN115209424B (zh) * | 2022-06-30 | 2023-12-29 | 北京邮电大学 | 一种基于椭圆覆盖模型的无人机基站分流部署方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233657A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
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 |
CN110430550A (zh) * | 2019-08-06 | 2019-11-08 | 北京邮电大学 | 一种面向无人机辅助蜂窝网络的宏站用户分流方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9363008B2 (en) * | 2014-07-22 | 2016-06-07 | International Business Machines Corporation | Deployment criteria for unmanned aerial vehicles to improve cellular phone communications |
-
2020
- 2020-08-14 CN CN202010821115.2A patent/CN111970714B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233657A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
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 |
CN110430550A (zh) * | 2019-08-06 | 2019-11-08 | 北京邮电大学 | 一种面向无人机辅助蜂窝网络的宏站用户分流方法 |
Non-Patent Citations (3)
Title |
---|
3-D Placement of an Unmanned Aerial Vehicle Base Station UAV-BS for Energy-Efficient Maximal Coverage;Mohamed Alzenad等;《IEEE Wireless Communications Letters》;20170503;全文 * |
5G无人机异构网络的初始波束关联方案研究;张少伟等;《电子技术应用》;20200306(第03期);全文 * |
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;《物联网学报》;20190630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111970714A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111970714B (zh) | 一种面向用户分布依赖的无人机基站部署方法 | |
Klaine et al. | Distributed drone base station positioning for emergency cellular networks using reinforcement learning | |
Yang et al. | Proactive drone-cell deployment: Overload relief for a cellular network under flash crowd traffic | |
Fotouhi et al. | Dynamic base station repositioning to improve spectral efficiency of drone small cells | |
Qin et al. | Distributed UAV-BSs trajectory optimization for user-level fair communication service with multi-agent deep reinforcement learning | |
Huang et al. | Optimized deployment of drone base station to improve user experience in cellular networks | |
CN112153593B (zh) | 一种无人机辅助的高能效物联网数据收集方法 | |
CN112672376B (zh) | 一种无人机辅助蜂窝网络中无人机部署方法 | |
CN113873434A (zh) | 面向通信网络热点区域容量增强的多空中基站部署方法 | |
CN111970711B (zh) | 一种空间边界约束下的无人机动态部署方法 | |
Colonnese et al. | Q-SQUARE: A Q-learning approach to provide a QoE aware UAV flight path in cellular networks | |
CN113993067A (zh) | 一种空间约束下无人机辅助网络的干扰协调方法 | |
CN113286314B (zh) | 一种基于q学习算法的无人机基站部署及用户关联方法 | |
CN111970710B (zh) | 一种无人机终端接入蜂窝网络的配置方法 | |
CN111918337A (zh) | 一种业务负载均衡的无人机基站最优部署方法 | |
Ozturk et al. | Clustering based UAV base station positioning for enhanced network capacity | |
Guo et al. | 3D aerial vehicle base station (UAV-BS) position planning based on deep Q-learning for capacity enhancement of users with different QoS requirements | |
CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
CN104770004A (zh) | 一种通信系统和方法 | |
Sun et al. | Location optimization for unmanned aerial vehicles assisted mobile networks | |
Li et al. | A UAV real-time trajectory optimized strategy for moving users | |
Montero et al. | Clustering users for the deployment of UAV as base station to improve the quality of the data | |
Guo et al. | Analysis of downlink coverage and capacity for 3D mobile UAV networks | |
Parvaresh et al. | Deep Q-learning-enabled deployment of aerial base stations in the presence of mobile users | |
CN112788726B (zh) | 一种无人机辅助基站通信的网络场景模型下的功率控制方法 |
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 |