CN112134632A - 无人机通信系统平均容量评估方法及装置 - Google Patents

无人机通信系统平均容量评估方法及装置 Download PDF

Info

Publication number
CN112134632A
CN112134632A CN202010872622.9A CN202010872622A CN112134632A CN 112134632 A CN112134632 A CN 112134632A CN 202010872622 A CN202010872622 A CN 202010872622A CN 112134632 A CN112134632 A CN 112134632A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
communication system
vehicle communication
neural network
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
CN202010872622.9A
Other languages
English (en)
Other versions
CN112134632B (zh
Inventor
王燕敏
冯伟
陆洲
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.)
Tsinghua University
Electronic Science Research Institute of CTEC
Original Assignee
Tsinghua University
Electronic Science Research Institute of CTEC
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 Tsinghua University, Electronic Science Research Institute of CTEC filed Critical Tsinghua University
Priority to CN202010872622.9A priority Critical patent/CN112134632B/zh
Publication of CN112134632A publication Critical patent/CN112134632A/zh
Application granted granted Critical
Publication of CN112134632B publication Critical patent/CN112134632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3911—Fading models or fading generators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种无人机通信系统平均容量评估方法及装置，本发明面向采用单个或多个无人机作为接入点或基站的无人机通信系统统计容量在线实时评估的需求，提出一种基于深度神经网络的快速容量评估方法。所提方法能够基于给定的系统各链路缓变大尺度信道衰落状态信息，根据系统所采用的基于各链路即时信道衰落状态的自适应传输技术，实现系统统计平均容量的准确快速计算。

Description

无人机通信系统平均容量评估方法及装置
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通信系统平均容量评估方法及装置。
背景技术
目前基于无人机通信系统统计平均容量的计算原理，通常是借助Monte Carlo仿真方法，在给定的各链路大尺度信道衰落状态下，生成足够数量的包含各链路即时信道衰落状态的系统即时信道衰落状态样本，计算出每个样本对应的系统即时容量，再对所有样本对应的系统即时容量求均值，即可获得系统的统计平均容量。
但是这种借助MonteCarlo仿真方法对无人机通信系统的统计平均容量进行评估，需针对足够数量的系统即时信道衰落状态样本，重复执行系统所采用的无线传输算法，计算每个样本所对应的系统即时容量。当系统中链路数量较多或者系统所采用的无线传输算法较为复杂时，采用该方法所需的计算量较大，难以实现系统统计平均容量的实时计算。
发明内容
本发明提供了一种无人机通信系统平均容量评估方法及装置，以解决现有无人机通信系统统计平均容量的计算量大而不能实现实时计算的问题。
第一方面，本发明提供了一种无人机通信系统平均容量评估方法，该方法包括：选取深度神经网络DNN_C的结构参数，并生成所述深度神经网络DNN_C的训练样本，其中，所述深度神经网络DNN_C为无人机通信系统统计平均容量评估的深度神经网络；通过所述训练样本训练所述深度神经网络DNN_C，并对所述深度神经网络DNN_C进行优化；基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估。
可选地，所述结构参数包括：网络深度D，即神经网络DNN_C由D+1层组成，及各层神经元个数，其中Wd表示第d层的神经元个数，d＝1,...,D+1，且所述网络深度D大于等于2。
可选地，输出神经元个数WD+1＝1，对应无人机通信系统的统计平均容量CIoE；输入神经元个数W1由无人机通信系统中所有无人机天线到所有用户天线间的链路数量A决定，即W1＝A，从第二层到第D层各隐藏层的神经元个数W2,...,WD与无人机通信系统中的链路数量A成正比，设置为：Wd＝αdA；其中，αd＞0，表示第d层的加权系数，且α2≥α3≥…αD。
可选地，所述生成所述深度神经网络DNN_C的训练样本，包括：基于无人机通信系统的信道模型，生成T组路径损耗和阴影衰落状态信息L(t)，t＝1,...,T，以及R组瑞利衰落状态信息S(r)，r＝1,...,R；L(t)包括{L1 (t),...Lu (t),...,LU (t)}，其中Lu (t)表示无人机通信系统中所有无人机天线到第u，u＝1,...,U，个用户所有天线间链路的路径损耗和阴影衰落状态信息，U表示无人机通信系统中的用户数；S(r)包括{S1 (r),...Su (r),...,SU (r)}，其中Su (r)表示无人机通信系统中所有无人机天线到第u，u＝1,...,U，个用户所有天线间链路的瑞利衰落状态信息；
对每一组路径损耗和阴影衰落状态信息{L1 (t),...Lu (t),...,LU (t)}，基于{S1 (r),...Su (r),...,SU (r)}与
Figure BDA0002651600240000021
生成R组即时信道状态信息{H1 (t,r),...Hu (t ,r),...,HU (t,r)}，其中*表示哈达玛乘积；
基于发送功率限制条件与{H1 (t,r),...Hu (t,r),...,HU (t,r)}，重复运行无人机通信系统所采用的自适应传输算法，根据
Figure BDA0002651600240000031
计算得到TR组无人机通信系统即时容量CIo (t,r)，其中W1,...Wu,...,WU为无人机通信系统对U个用户的发送预编码矩阵，
Figure BDA0002651600240000032
表示无人机通信系统在采用W1,...Wu,...,WU对U个用户的发送信号进行预编码且系统中各链路即时信道状态信息为
Figure BDA0002651600240000033
条件下，无人机通信系统的即时容量；
基于CIo (t,r)计算得到T组无人机通信系统统计平均容量CIoE (t)；
将CIoE (t)与{L1 (t),...Lu (t),...,LU (t)}进行组合形成T个DNN_C训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，其中[l1 (t),l2 (t),...,lA (t)]为{L1 (t),...Lu (t),...,LU (t)}，中的所有元素组成的向量。
可选地，所述发送功率限制条件为：fp1(W1,...Wu,...,WU)≤p1,...,fpN(W1,...Wu,...,WU)≤pN；
其中，N表示无人机通信系统中的无人机数量，pn表示第n个无人机的最大发送功率，n＝1,...,N，fpn(W1,...Wu,...,WU)，表示在无人机通信系统基于W1,...Wu,...,WU对U个用户的信号进行发送预编码条件下第n个无人机的发送功率。
可选地，基于CIo (t,r)计算得到T组无人机通信系统统计平均容量CIoE (t)，包括：
根据
Figure BDA0002651600240000034
计算得到T组无人机通信系统统计平均容量CIoE (t)。
可选地，所述生成所述深度神经网络DNN_C的训练样本，包括：
构建一个用于计算无人机通信系统即时容量CIo的初级神经网络DNN_I，DNN_I的输入为无人机通信系统中所有链路的即时信道衰落状态信息[h1,h2,...,hA]，输出为无人机通信系统的即时容量CIo，输入[h1,h2,...,hA]对应H1,...Hu,...,HU中的所有元素，当{H1,...Hu,...,HU}各元素为复数形式时，输入为
Figure BDA0002651600240000041
其中
Figure BDA0002651600240000042
与
Figure BDA0002651600240000043
a＝1,...,A，分别对应ha的实部与虚部；
基于无人机通信系统的信道模型，生成T′组即时信道状态信息{H1 (t′),...Hu (t′),...,HU (t′)}，t′＝1,...,T′，基于无人机通信系统所采用的自适应传输算法与{H1 (t′),...Hu (t′),...,HU (t′)}，重复运行无人机通信系统所采用的自适应传输算法，根据
Figure BDA0002651600240000044
计算得到T′组无人机通信系统即时容量CIo (t′)；
组合{H1 (t′),...Hu (t′),...,HU (t′)}与CIo (t′)形成T′个训练样本{[h1 (t′),h2 (t′),...,hA (t′)],CIo (t′)}，其中[h1 (t′),h2 (t′),...,hA (t′)]对应H1 (t′),...Hu (t′),...,HU (t′)中的所有元素，当{H1 (t′),...Hu (t′),...,HU (t′)}各元素为复数形式时，其对应的训练样本为
Figure BDA0002651600240000045
其中
Figure BDA0002651600240000046
与
Figure BDA0002651600240000047
分别对应ha (t′)的实部与虚部，基于T′个训练样本对DNN_I完成训练；
基于无人机通信系统的信道模型，生成T组路径损耗和阴影衰落状态信息L(t)，t＝1,...,T，以及R组瑞利衰落状态信息S(r)，r＝1,...,R；L(t)包括{L1 (t),...Lu (t),...,LU (t)}，其中Lu (t)表示无人机通信系统中所有无人机天线到第u，u＝1,...,U，个用户所有天线间链路的路径损耗和阴影衰落状态信息，U表示无人机通信系统中的用户数；S(r)包括{S1 (r),...Su (r),...,SU (r)}，其中Su (r)表示无人机通信系统中所有无人机天线到第u个用户所有天线间链路的瑞利衰落状态信息；对每一组路径损耗和阴影衰落状态信息{L1 (t),...Lu (t),...,LU (t)}，基于{S1 (r),...Su (r),...,SU (r)}，与
Figure BDA0002651600240000048
生成R组即时信道状态信息{H1 (t,r),...Hu (t,r),...,HU (t,r)}，其中*表示哈达玛乘积；
将{H1 (t,r),...Hu (t,r),...,HU (t,r)}，转化为[h1 (t,r),h2 (t,r),...,hA (t,r)]，当{H1 (t ,r),...Hu (t,r),...,HU (t,r)}各元素为复数形式时，将其转化为
Figure BDA0002651600240000051
其中
Figure BDA0002651600240000052
与
Figure BDA0002651600240000053
分别对应
Figure BDA0002651600240000054
的实部与虚部；
基于初级神经网络DNN_I，依次输入[h1 (t,r),h2 (t,r),...,hA (t,r)]或
Figure BDA0002651600240000055
获得TR组输出CIo (t,r)，根据
Figure BDA0002651600240000056
计算得到T组无人机通信系统统计平均容量CIoE (t)。
组合{L1 (t),...Lu (t),...,LU (t)}与CIoE (t)形成T个DNN_C训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}。
可选地，对所述深度神经网络DNN_C进行优化，包括：根据DNN_C训练结果，以对CIoE的近似计算精度为目标，通过调整αd＞0，优化调整结构参数Wd，直至训练结果对应的CIoE近似计算精度满足预设要求。
可选地，基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估，包括：基于接收到的无人机通信系统的路径损耗和阴影衰落状态信息L1,...Lu,...,LU时，将其转换为[l1,l2,...,lA]，输入到DNN_C中，将DNN_C的输出作为无人机通信系统统计容量CIoE的评估值。
第二方面，本发明提供了一种无人机通信系统平均容量评估装置，包括：第一处理单元，用于选取深度神经网络DNN_C的结构参数，并生成所述深度神经网络DNN_C的训练样本，其中，所述深度神经网络DNN_C为无人机通信系统统计平均容量评估的深度神经网络；第二处理单元，用于通过所述训练样本训练所述深度神经网络DNN_C，并对所述深度神经网络DNN_C进行优化；评估单元，用于基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估。
本发明有益效果如下：
本发明面向采用单个或多个无人机作为接入点或基站的无人机通信系统统计容量在线实时评估的需求，提出一种基于深度神经网络的快速容量评估方法。所提方法能够基于给定的系统各链路缓变大尺度信道衰落状态信息，即路径损耗和阴影衰落，根据系统所采用的基于各链路即时信道衰落状态的自适应传输技术，实现系统统计平均容量的准确快速且实时计算。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明第一实施例提供的一种无人机通信系统平均容量评估方法的流程示意图；
图2a是本发明第一实施例提供的采用单个无人机作为接入点或基站的通信系统的结构示意图；
图2b是本发明第一实施例提供的采用多个无人机作为接入点或基站的通信系统的结构示意图；
图3是本发明第一实施例提供无人机通信系统平均容量评估方法的流程示意图；
图4是本发明第一实施例提供的用于CIoE计算的深度神经网络DNN_C的流程示意图；
图5是本发明第一实施例提供的用于CIo计算的初级深度神经网络DNN_I的流程示意图；
图6是本发明第一实施例提供的构建的深度神经网络DNN_C的结构示意图；
图7是本发明第一实施例提供的用于CIo计算的初级深度神经网络DNN_I示意图。
具体实施方式
本发明实施例针对现有技术不能对系统的统计平均容量进行准确评估的问题，本发明提出一种无人机通信系统平均容量评估方法，所提方法能够基于给定的系统各链路缓变大尺度信道衰落状态信息(即路径损耗和阴影衰落)，根据系统所采用的基于各链路即时信道衰落状态的自适应传输技术，实现系统统计平均容量的准确快速且实时计算。以下结合附图以及实施例，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，并不限定本发明。
本发明第一实施例提供了一种无人机通信系统平均容量评估方法，，参见图1，该方法包括：
S101、选取深度神经网络DNN_C的结构参数，并生成所述深度神经网络DNN_C的训练样本；
其中，所述深度神经网络DNN_C为无人机通信系统统计平均容量评估的深度神经网络；
本发明实施例中的结构参数包括：网络深度D，即神经网络DNN_C由D+1层组成，及各层神经元个数，其中Wd表示第d层的神经元个数，d＝1,...,D+1，且所述网络深度D大于等于2。
S102、通过所述训练样本训练所述深度神经网络DNN_C，并对所述深度神经网络DNN_C进行优化；
具体实施时，本发明实施例中的输出神经元个数WD+1＝1，对应无人机通信系统的统计平均容量CIoE；输入神经元个数W1由无人机通信系统中所有无人机天线到所有用户天线间的链路数量A决定，即W1＝A，从第二层开始各隐藏层的神经元个数W2,...,WD与无人机通信系统中的链路数量A成正比，设置为：Wd＝αdA；其中，αd＞0，表示第d层的加权系数，且α2≥α3≥…αD。
S103、基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估。
也就是说，本发明实施例是基于给定的系统各链路缓变大尺度信道衰落状态信息(即路径损耗和阴影衰落)，根据系统所采用的基于各链路即时信道衰落状态的自适应传输技术，实现系统统计平均容量的准确快速且实时计算。
下面将结合图2-5通过一个具体的例子对本发明所述的方法进行详细的解释和说明：
借助基于随机矩阵的闭式平均容量表达式计算无人机通信系统的平均容量，需设定系统在同一个大尺度信道衰落周期内，发送信号的统计特性不变。对于采用自适应无线传输技术的无人机通信系统，发送信号统计特性随各链路即时信道状态信息变化而自适应变化，因此无法采用该方法对系统的统计平均容量进行准确评估。另外，借助MonteCarlo仿真方法对无人机通信系统的统计平均容量进行评估，需针对足够数量的系统即时信道衰落状态样本，重复执行系统所采用的无线传输算法，计算每个样本所对应的系统即时容量。当系统中链路数量较多或者系统所采用的无线传输算法较为复杂时，采用该方法所需的计算量较大，难以实现系统统计平均容量的实时计算。
基于上述问题，本发明实施例通过基于给定的系统各链路缓变大尺度信道衰落状态信息，根据系统所采用的基于各链路即时信道衰落状态的自适应传输技术，来实现系统统计平均容量的准确快速计算，具体包括以下的步骤：
首先，本发明实施例采用单个、多个无人机作为接入点或基站的通信系统，具体如图2a和图2b所示。每个无人机配置有多根天线，在同一个小区内可部署单个或多个无人机。同一个小区的无人机间基于小区内各链路的即时信道衰落状态信息进行自适应协同信号处理，共同服务本小区的多个用户。不同小区的无人机之间基于小区间各链路即时信道衰落状态信息进行自适应协同发送信号优化，即多小区协同传输，以降低小区间的干扰。各用户可配置单天线或多天线。
本发明实施例中无人机通信系统的统计平均容量包括：
将图2中无人机通信系统的下行即时容量表示为：
CI＝fc(W1,...Wu,...,WU,H1,...Hu,...,HU) (1)
其中W1,...Wu,...,WU表示系统中所有U个用户的发送预编码矩阵，H1,...Hu,...,HU表示所有U个用户对应的信道矩阵，其中Hu表示系统中所有无人机天线到第u个用户的即时信道衰落状态信息。Hu可分解为缓变大尺度信道衰落状态信息与快变小尺度信道衰落状态信息(即瑞利衰落)：
Hu＝Lu*Su (2)
其中Lu表示变化相对缓慢的大尺度信道衰落状态信息，Su表示变化较快的小尺度信道衰落状态信息，*表示哈达玛乘积。
在采用基于各链路即时信道衰落状态信息的自适应传输技术的条件下，无人机通信系统下行即时容量可写为
Figure BDA0002651600240000091
即通过优化调整W1,...Wu,...,WU，提高系统的即时和容量。考虑发送功率限制，W1,...Wu,...,WU需满足若干发送功率限制条件：
Figure BDA0002651600240000092
相应地，在给定各链路大尺度信道衰落状态信息条件下，无人机通信系统的统计平均容量可表示为
Figure BDA0002651600240000093
其中
Figure BDA0002651600240000094
表示关于S1,...Su,...,SU取平均。
本发明实施例中统计平均容量评估方法包括：本发明基于深度神经网络，提出一种无人机通信系统平均容量的快速评估方法。所提方法能够在给定缓变大尺度信道衰落状态信息条件下，快速计算出系统在采用基于各链路即时信道衰落状态信息的自适应传输技术条件下的统计平均容量CIoE。
如图3所示，所提的无人机通信系统平均容量评估方法由四部分组成，分别为DNN_C结构参数选取、DNN_C训练样本生成、DNN_C训练及结构优化、基于DNN_C的平均容量评估。DNN_C为用于无人机通信系统统计平均容量评估的深度神经网络，其输入为无人机通信系统各链路大尺度信道衰落状态信息L1,...Lu,...,LU，输出为系统统计平均容量CIoE。
其中，本发明实施例中DNN_C具体如图4所示。
其中[l1,l2,...,lA]表示系统中所有A条链路的大尺度信道衰落状态信息，对应L1,...Lu,...,LU中的所有元素。系统中无人机数量记为N，第n个无人机配置的天线数为Gn，第u个用户配置的天线数为Mu，则
Figure BDA0002651600240000101
在所提方法中，DNN_C结构参数选取、DNN_C训练样本生成与DNN_C训练及结构优化共同完成深度神经网络DNN_C的构建，基于DNN_C的平均容量评估则针对给定的各链路大尺度信道衰落状态信息，基于DNN_C完成无人机通信系统统计平均容量CIoE的计算。
其中，本发明实施例中DNN_C结构参数选取为：DNN_C可基于多种类型神经网络构建，包括前馈神经网络、级联神经网络等。当DNN_C基于前馈神经网络构建时，其结构参数包括深度及各层神经元个数。DNN_C的深度记为D，则DNN_C由D+1层组成，其中第1层为输入层，第D+1层为输出层，第2层至第D层为隐藏层。DNN_C各层包含的神经元个数记为Wd,d＝1,...,WD+1，其中W1代表输入神经元个数，代WD+1表输出神经元个数。
深度D应满足：D≥2 (7)
输出神经元个数WD+1＝1，对应系统的统计平均容量CIoE。输入神经元个数W1由系统中所有无人机天线到所有用户天线间的链路数量A决定，即
Figure BDA0002651600240000111
各隐藏层的神经元个数W2,...,WD与系统中的链路数量成正比，设置为
Figure BDA0002651600240000112
其中αd＞0，d＝2,...,D，满足
α2≥α3≥…αD (10)
本发明实施例中DNN_C训练样本生成包括：
DNN_C训练样本由输入样本与输出样本组成，可表示为：
{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T (11)
T表示训练样本个数。DNN_C中需通过训练确定的参数，主要包括各神经元阈值与不同层间连接系数，总数量记为Q。则T需满足：
T≥Q (12)
需要说明的是，本发明实施例中的训练样本的生成可采用两种方法：
一是基于CIoE的表达式(5)，借助MonteCarlo方法，通过重复运行无人机通信系统所采用的自适应传输算法，直接生成DNN_C训练所需的T个样本。二是基于无人机通信系统中所采用的自适应传输算法，首先构建一个用于CIo计算的初级深度神经网络DNN_I，然后基于MonteCarlo方法，借助DNN_I生成DNN_C训练所需的样本。
(a)训练样本生成方法一
首先基于无人机通信系统的信道模型，生成T组大尺度信道衰落状态信息{L1 (t),...Lu (t),...,LU (t)}，t＝1,...,T，以及R组小尺度信道状态信息{S1 (r),...Su (r),...,SU (r)}，r＝1,...,R。
然后，针对每一组大尺度信道衰落状态信息{L1 (t),...Lu (t),...,LU (t)}，基于{S1 (r),...Su (r),...,SU (r)}，r＝1,...,R，与式(2)，生成R组即时信道状态信息{H1 (t,r),...Hu (t ,r),...,HU (t,r)}，r＝1,...,R。基于发送功率限制条件(4)与{H1 (t,r),...Hu (t,r),...,HU (t,r)}，r＝1,...,R，重复运行系统所采用的自适应传输算法，依据式(3)计算得到R组无人机通信系统即时容量CIo (t,r)。
最后，基于CIo (t,r)，t＝1,...,T，r＝1,...,R，计算得到T组无人机通信系统统计平均容量CIoE (t)，t＝1,...,T。CIoE (t)可根据下式计算得到
Figure BDA0002651600240000121
组合CIoE (t)，t＝1,...,T，与{L1 (t),...Lu (t),...,LU (t)}，t＝1,...,T，形成T个DNN_C训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T。
(b)训练样本生成方法二
首先，如图5所示，构建一个用于CIo计算的初级神经网络DNN_I。DNN_I的输入为系统中所有链路的即时信道衰落状态信息，输出为系统的即时容量CIo。输入[h1,h2,...,hA]对应H1,...Hu,...,HU中的所有元素。当{H1,...Hu,...,HU}各元素为复数形式时，输入为
Figure BDA0002651600240000122
其中
Figure BDA0002651600240000123
与
Figure BDA0002651600240000124
分别对应ha的实部与虚部。
然后，基于无人机通信系统的信道模型，生成T′组即时信道状态信息{H1 (t′),...Hu (t′),...,HU (t′)}，t′＝1,...,T′。基于系统所采用的自适应传输算法与{H1 (t′),...Hu (t′),...,HU (t′)}，t′＝1,...,T′，重复运行系统所采用的自适应传输算法，依据式(3)计算得到T′组无人机通信系统即时容量CIo (t′)，t′＝1,...,T′。
组合{H1 (t′),...Hu (t′),...,HU (t′)}，t′＝1,...,T′，与CIo (t′)，t′＝1,...,T′，形成T′个训练样本{[h1 (t′),h2 (t′),...,hA (t′)],CIo (t′)}，t′＝1,...,T′，其中[h1 (t′),h2 (t′),...,hA (t′)]对应H1 (t′),...Hu (t′),...,HU (t′)中的所有元素。当{H1 (t′),...Hu (t′),...,HU (t′)}各元素为复数形式时，其对应的训练样本为
Figure BDA0002651600240000131
其中
Figure BDA0002651600240000132
与
Figure BDA0002651600240000133
分别对应ha (t′)的实部与虚部。基T′个训练样本对DNN_I完成训练，以及必要的结构参数调整。
最后，参照训练样本生成方法一，用DNN_I代替系统所采用的自适应传输算法，生成T个DNN_C训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T。
本发明实施例中DNN_C训练及结构优化包括：基于训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T，对DNN_C进行训练。具体训练方法可基于DNN_C的结构及其输出对CIoE的近似精度，在多种神经网络训练方法中优化选择，包括前向传播算法、后向传播算法等。
若训练后的DNN_C对CIoE的近似精度不满足要求，则可通过调整αd＞0，d＝2,...,D，调整各隐藏层的神经元个数W2,...,WD，并基于{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T，对调整后的DNN_C完成训练。对DNN_C结构参数W2,...,WD的调整可重复进行，直至DNN_C对CIoE的近似精度满足要求。
本发明实施例中基于DNN_C的平均容量评估，包括：每当获得一组无人机通信系统的大尺度信道状态信息L1,...Lu,...,LU时，将其转换为[l1,l2,...,lA]，输入到DNN_C中，将DNN_C的输出作为系统统计容量CIoE的评估值。
总体来说，本发明实施例所述的方法包括以下步骤：
根据无人机通信系统实际信道特性确定其所适用的信道模型；
确定无人机通信系统所采用的自适应传输算法；
确定构建DNN_C所采用的神经网络结构；
基于系统中所有无人机天线数量与所有用户天线数量，初步确定神经网络DNN_C的结构参数，即网络深度D与各层的节点数Wd，d＝1,...,D+1；
基于神经网络DNN_C的结构参数D与Wd，d＝1,...,D+1，确定神经网络DNN_C训练所需的样本数量T；
基于训练样本生成方法一或者训练样本生成方法一，生成T个DNN_C的训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T；
基于训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，t＝1,...,T，以对CIoE的近似计算精度为目标，优化选取训练方法，对DNN_C进行训练；
根据DNN_C训练结果，以对CIoE的近似计算精度为目标，通过调整αd＞0，d＝2,...,D，优化调整结构参数Wd，d＝2,...,D，直至训练结果对应的CIoE近似计算精度满足使用需求；
每当给出一组无人机通信系统大尺度信道状态信息L1,...Lu,...,LU，将其转换为[l1,l2,...,lA]，借助DNN_C，完成系统统计平均容量CIoE的快速评估。
总体来说，本发明实施例所提方法是通过构建深度神经网络DNN_C，实现采用各类自适应传输技术的无人机通信系统统计平均容量的快速计算；本发明实施例的深度神经网络DNN_C的输入为无人机通信系统各链路大尺度信道衰落状态信息，输出为系统的统计平均容量；另外，本发明实施例的DNN_C训练样本的生成可通过构建用于无人机通信系统即时容量计算的初级深度神经网络DNN_I实现；而且本发明的初级深度神经网络DNN_I的输入为无人机通信系统各链路即时信道状态信息，输出为系统的即时容量。
本发明实施例所述的方法至少具有以下有益效果：
首先，本发明实施例所提方法为采用各类自适应传输技术的无人机通信系统统计平均容量的实时在线评估，提供了一种有效解决方案；其次，本发明实施例所提方法对系统所采用的自适应传输技术无限制，适用于采用各类自适应传输技术的无人机通信系统统计平均容量的评估；并且本发明对于所采用的自适应传输算法复杂度较高，或者系统规模较大的无人机通信系统，所提方法能够大幅降低系统统计平均容量评估的实现复杂度。
下面将通过一个具体的实施例以对本发明所述的方法进行详细说明：
本实施例考虑一个由6个无人机与12个用户组成的无人机通信系统。系统划分为3个小区，每个小区包含2个无人机与4个用户。每个无人机配置2根天线，每个用户配置单根天线。无人机飞行高度均为300m，同一个小区的2个无人机分布式地部署在半径为500m的区域内。
无人机通信系统中，每根无人机天线与每根用户天线之间链路的信道符合如下模型：
Figure BDA0002651600240000151
其中
Figure BDA0002651600240000152
为小尺度信道衰落，具有瑞利衰落特性，服从均值为0，方差为1(实部与虚部的方差均为1/2)的复高斯分布；大尺度信道衰落采用文献《Optimum placement of UAV asrelays》(Yunfei Chen,Wei Feng,Gan Zheng,IEEE communication letters,2018)中的模型。
系统所采用的自适应传输算法为基于各链路即时信道状态信息的最优多小区协同波束成形算法。该算法依据文献《Coordinated Multi-Cell Transmission forDistributed Antenna Systems with Partial CSIT》(Yanmin Wang，Wei Feng，LiminXiao，Yifei Zhao，Shidong Zhou，IEEE Communications Letters，2012)中提出的算法设计，不同之处在于将算法中的部分信道衰落状态信息替换成完全即时信道衰落状态信息，即小区间的大尺度信道衰落状态信息换成即时信道衰落状态信息。
根据所提方法，采用前馈结构，构建的用于系统统计平均容量CIoE计算的深度神经网络DNN_C如图6所示。DNN_C的深度设置为3，即D＝3。DNN_C输入神经元个数为144，即W1＝144，对应12根无人机天线与12个用户间的144条链路的大尺度信道衰落状态。选取α2＝1,α3＝0.5，即第2层、第3层的神经元个数分别设置为144、72，也就是W2＝144,W3＝72。
DNN_C的训练样本数设置为10万个，即T＝100000。为降低复杂度，训练样本生成采用方法二。
所构建的初级深度神经网络DNN_I如图7所示。DNN_I的深度设置为3，其输入神经元个数为288，分别对应12根无人机天线与12个用户间的144条链路即时信道衰落状态的实部与虚部。DNN_I第2层、第3层的神经元个数分别设置为144、72。
DNN_C与DNN_I的训练均基于后向传播算法进行。
本发明第二实施例提供了一种无人机通信系统平均容量评估装置，包括：
第一处理单元，用于选取深度神经网络DNN_C的结构参数，并生成所述深度神经网络DNN_C的训练样本，其中，所述深度神经网络DNN_C为无人机通信系统统计平均容量评估的深度神经网络；
第二处理单元，用于通过所述训练样本训练所述深度神经网络DNN_C，并对所述深度神经网络DNN_C进行优化；
评估单元，用于基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估。
需要说明的是，本发明实施例所述的装置可以设置在FPGA或者DSP等其他计算设备上，以实现对无人机通信系统平均容量进行快速的评估。
本发明实施例的相关内容可参见本发明第一实施例进行理解，在此不做详细论述。
尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (10)

1.一种无人机通信系统平均容量评估方法，其特征在于，包括：
选取深度神经网络DNN_C的结构参数，并生成所述深度神经网络DNN_C的训练样本，其中，所述深度神经网络DNN_C为无人机通信系统统计平均容量评估的深度神经网络；
通过所述训练样本训练所述深度神经网络DNN_C，并对所述深度神经网络DNN_C进行优化；
基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估。
2.根据权利要求1所述的方法，其特征在于，
所述结构参数包括：网络深度D，即神经网络DNN_C由D+1层组成，及各层神经元个数，其中Wd表示第d层的神经元个数，d＝1,...,D+1，且所述网络深度D大于等于2。
3.根据权利要求2所述的方法，其特征在于，
输出神经元个数WD+1＝1，对应无人机通信系统的统计平均容量CIoE；
输入神经元个数W1由无人机通信系统中所有无人机天线到所有用户天线间的链路数量A决定，即W1＝A，从第二层到第D层各隐藏层的神经元个数W2,...,WD与无人机通信系统中的链路数量A成正比，设置为：Wd＝αdA；其中，αd＞0，表示第d层的加权系数，且α2≥α3≥…αD。
4.根据权利要求1所述的方法，其特征在于，所述生成所述深度神经网络DNN_C的训练样本，包括：
基于无人机通信系统的信道模型，生成T组路径损耗和阴影衰落状态信息L(t)，t＝1,...,T，以及R组瑞利衰落状态信息S(r)，r＝1,...,R；L(t)包括{L1 (t),...Lu (t),...,LU (t)}，其中Lu (t)表示无人机通信系统中所有无人机天线到第u，u＝1,...,U，个用户所有天线间链路的路径损耗和阴影衰落状态信息，U表示无人机通信系统中的用户数；S(r)包括{S1 (r),...Su (r),...,SU (r)}，其中Su (r)表示无人机通信系统中所有无人机天线到第u，u＝1,...,U，个用户所有天线间链路的瑞利衰落状态信息；
对每一组路径损耗和阴影衰落状态信息{L1 (t),...Lu (t),...,LU (t)}，基于{S1 (r),...Su (r),...,SU (r)}与
Figure FDA0002651600230000021
生成R组即时信道状态信息{H1 (t,r),...Hu (t,r),...,HU (t ,r)}，其中*表示哈达玛乘积；
基于发送功率限制条件与{H1 (t,r),...Hu (t,r),...,HU (t,r)}，重复运行无人机通信系统所采用的自适应传输算法，根据
Figure FDA0002651600230000022
计算得到TR组无人机通信系统即时容量CIo (t,r)，其中W1,...Wu,...,WU为无人机通信系统对U个用户的发送预编码矩阵，
Figure FDA0002651600230000023
表示无人机通信系统在采用W1,...Wu,...,WU对U个用户的发送信号进行预编码且系统中各链路即时信道状态信息为
Figure FDA0002651600230000024
条件下，无人机通信系统的即时容量；
基于CIo (t,r)计算得到T组无人机通信系统统计平均容量CIoE (t)；
将CIoE (t)与{L1 (t),...Lu (t),...,LU (t)}进行组合形成T个DNN_C训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}，其中[l1 (t),l2 (t),...,lA (t)]为{L1 (t),...Lu (t),...,LU (t)}，中的所有元素组成的向量。
5.根据权利要求4所述的方法，其特征在于，
所述发送功率限制条件为：fp1(W1,...Wu,...,WU)≤p1,...,fpN(W1,...Wu,...,WU)≤pN；
其中，N表示无人机通信系统中的无人机数量，pn表示第n个无人机的最大发送功率，n＝1,...,N，fpn(W1,...Wu,...,WU)，表示在无人机通信系统基于W1,...Wu,...,WU对U个用户的信号进行发送预编码条件下第n个无人机的发送功率。
6.根据权利要求5所述的方法，其特征在于，基于CIo (t,r)计算得到T组无人机通信系统统计平均容量CIoE (t)，包括：
根据
Figure FDA0002651600230000031
计算得到T组无人机通信系统统计平均容量CIoE (t)。
7.根据权利要求1所述的方法，其特征在于，所述生成所述深度神经网络DNN_C的训练样本，包括：
构建一个用于计算无人机通信系统即时容量CIo的初级神经网络DNN_I，DNN_I的输入为无人机通信系统中所有链路的即时信道衰落状态信息[h1,h2,...,hA]，输出为无人机通信系统的即时容量CIo，输入[h1,h2,...,hA]对应H1,...Hu,...,HU中的所有元素，当{H1,...Hu,...,HU}各元素为复数形式时，输入为
Figure FDA0002651600230000032
其中
Figure FDA0002651600230000033
与
Figure FDA0002651600230000034
a＝1,...,A，分别对应
Figure FDA0002651600230000035
的实部与虚部；
基于无人机通信系统的信道模型，生成T′组即时信道状态信息{H1 (t′),...Hu (t′),...,HU (t′)}，t′＝1,...,T′，基于无人机通信系统所采用的自适应传输算法与{H1 (t′),...Hu (t′),...,HU (t′)}，重复运行无人机通信系统所采用的自适应传输算法，根据
Figure FDA0002651600230000036
计算得到T′组无人机通信系统即时容量CIo (t′)；
组合{H1 (t′),...Hu (t′),...,HU (t′)}与CIo (t′)形成T′个训练样本{[h1 (t′),h2 (t′),...,hA (t′)],CIo (t′)}，其中[h1 (t′),h2 (t′),...,hA (t′)]对应H1 (t′),...Hu (t′),...,HU (t′)中的所有元素，当{H1 (t′),...Hu (t′),...,HU (t′)}各元素为复数形式时，其对应的训练样本为
Figure FDA0002651600230000037
其中
Figure FDA0002651600230000038
与
Figure FDA0002651600230000039
分别对应ha (t′)的实部与虚部，基于T′个训练样本对DNN_I完成训练；
基于无人机通信系统的信道模型，生成T组路径损耗和阴影衰落状态信息L(t)，t＝1,...,T，以及R组瑞利衰落状态信息S(r)，r＝1,...,R；L(t)包括{L1 (t),...Lu (t),...,LU (t)}，其中Lu (t)表示无人机通信系统中所有无人机天线到第u，u＝1,...,U，个用户所有天线间链路的路径损耗和阴影衰落状态信息，U表示无人机通信系统中的用户数；S(r)包括{S1 (r),...Su (r),...,SU (r)}，其中Su (r)表示无人机通信系统中所有无人机天线到第u个用户所有天线间链路的瑞利衰落状态信息；对每一组路径损耗和阴影衰落状态信息{L1 (t),...Lu (t),...,LU (t)}，基于{S1 (r),...Su (r),...,SU (r)}，与
Figure FDA0002651600230000041
生成R组即时信道状态信息{H1 (t,r),...Hu (t,r),...,HU (t,r)}，其中*表示哈达玛乘积；
将{H1 (t,r),...Hu (t,r),...,HU (t,r)}，转化为[h1 (t,r),h2 (t,r),...,hA (t,r)]，当{H1 (t,r),...Hu (t,r),...,HU (t,r)}各元素为复数形式时，将其转化为
Figure FDA0002651600230000042
其中
Figure FDA0002651600230000043
与
Figure FDA0002651600230000044
分别对应
Figure FDA0002651600230000045
的实部与虚部；
基于初级神经网络DNN_I，依次输入[h1 (t,r),h2 (t,r),...,hA (t,r)]或
Figure FDA0002651600230000046
获得TR组输出CIo (t,r)，根据
Figure FDA0002651600230000047
计算得到T组无人机通信系统统计平均容量CIoE (t)。
组合{L1 (t),...Lu (t),...,LU (t)}与CIoE (t)形成T个DNN_C训练样本{[l1 (t),l2 (t),...,lA (t)],CIoE (t)}。
8.根据权利要求1所述的方法，其特征在于，对所述深度神经网络DNN_C进行优化，包括：
根据DNN_C训练结果，以对CIoE的近似计算精度为目标，通过调整αd＞0，优化调整结构参数Wd，直至训练结果对应的CIoE近似计算精度满足预设要求。
9.根据权利要求1所述的方法，其特征在于，基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估，包括：
基于接收到的无人机通信系统的路径损耗和阴影衰落状态信息L1,...Lu,...,LU时，将其转换为[l1,l2,...,lA]，输入到DNN_C中，将DNN_C的输出作为无人机通信系统统计容量CIoE的评估值。
10.一种无人机通信系统平均容量评估装置，其特征在于，包括：
第一处理单元，用于选取深度神经网络DNN_C的结构参数，并生成所述深度神经网络DNN_C的训练样本，其中，所述深度神经网络DNN_C为无人机通信系统统计平均容量评估的深度神经网络；
第二处理单元，用于通过所述训练样本训练所述深度神经网络DNN_C，并对所述深度神经网络DNN_C进行优化；
评估单元，用于基于训练后的深度神经网络DNN_C对无人机通信系统的平均容量进行评估。
CN202010872622.9A 2020-08-26 2020-08-26 无人机通信系统平均容量评估方法及装置 Active CN112134632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010872622.9A CN112134632B (zh) 2020-08-26 2020-08-26 无人机通信系统平均容量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010872622.9A CN112134632B (zh) 2020-08-26 2020-08-26 无人机通信系统平均容量评估方法及装置

Publications (2)

Publication Number Publication Date
CN112134632A true CN112134632A (zh) 2020-12-25
CN112134632B CN112134632B (zh) 2022-06-28

Family

ID=73847114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010872622.9A Active CN112134632B (zh) 2020-08-26 2020-08-26 无人机通信系统平均容量评估方法及装置

Country Status (1)

Country Link
CN (1) CN112134632B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268388A (zh) * 2021-12-22 2022-04-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101252419A (zh) * 2008-04-01 2008-08-27 东南大学 多天线传输系统中利用信道统计信息的容量评估方法
US20110319033A1 (en) * 2010-06-29 2011-12-29 I Shou University Evaluation Device and Method for Providing a Transceiver System with Performance Information Thereof
CN111328133A (zh) * 2018-12-17 2020-06-23 上海大学 基于深度神经网络的v2x资源分配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101252419A (zh) * 2008-04-01 2008-08-27 东南大学 多天线传输系统中利用信道统计信息的容量评估方法
US20110319033A1 (en) * 2010-06-29 2011-12-29 I Shou University Evaluation Device and Method for Providing a Transceiver System with Performance Information Thereof
CN111328133A (zh) * 2018-12-17 2020-06-23 上海大学 基于深度神经网络的v2x资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VISHAL SHARMA等: "UAV-Assisted Heterogeneous Networks for Capacity Enhancement", 《UAV-ASSISTED HETEROGENEOUS NETWORKS FOR CAPACITY ENHANCEMENT》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268388A (zh) * 2021-12-22 2022-04-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法
CN114268388B (zh) * 2021-12-22 2023-12-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法

Also Published As

Publication number Publication date
CN112134632B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
Lee et al. Deep power control: Transmit power control scheme based on convolutional neural network
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
US12021572B2 (en) Systems and methods for wireless signal configuration by a neural network
CN110601777B (zh) 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
Zaher et al. Learning-based downlink power allocation in cell-free massive MIMO systems
CN113537514A (zh) 一种高能效的基于数字孪生的联邦学习框架
CN112583453A (zh) 多波束leo卫星通信系统下行noma功率分配方法
CN112311706A (zh) 基于贝叶斯神经网络信道预测的频分双工下行传输方法
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN107947761A (zh) 基于最小均方四阶的变阈值比例更新自适应滤波算法
CN114826462B (zh) 面向大规模mimo统计端口选择的波束域信道增广方法
CN110768704B (zh) 基于残差神经网络的混合波束赋形矩阵优化方法
CN112134632B (zh) 无人机通信系统平均容量评估方法及装置
CN113239632A (zh) 无线性能预测方法及装置、电子设备和存储介质
CN113765567B (zh) 基于深度学习的大规模mimo收发联合波束成形方法
Lee et al. Robust transmit power control with imperfect CSI using a deep neural network
CN117240331A (zh) 一种基于图神经网络的无蜂窝网络下行预编码设计方法
Lee et al. Beamforming designs based on an asymptotic approach in MISO interference channels
CN114710187B (zh) 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法
CN113595609B (zh) 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法
CN105989407A (zh) 一种基于神经网络的短波中值场强预测系统、方法及装置
Zhou et al. Machine learning for power allocation of a D2D network
CN113242064A (zh) 基于用户空域特征和信道预测的多小区调度方法
Zhang et al. A Q-learning-based approach for distributed beam scheduling in mmwave networks
CN111342917A (zh) 信干噪比评估方法及多媒体广播组播方法、电子设备

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