CN112947583A - 无人机通信网络拓扑优化方法及系统 - Google Patents
无人机通信网络拓扑优化方法及系统 Download PDFInfo
- Publication number
- CN112947583A CN112947583A CN202110335584.8A CN202110335584A CN112947583A CN 112947583 A CN112947583 A CN 112947583A CN 202110335584 A CN202110335584 A CN 202110335584A CN 112947583 A CN112947583 A CN 112947583A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- communication network
- user
- intermediate variable
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 238000005562 fading Methods 0.000 claims abstract description 92
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000011478 gradient descent method Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005755 formation reaction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无人机通信网络拓扑优化方法及系统，方法包括：根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；根据大尺度信道衰落因子获取无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值；基于随机梯度下降法获取当前梯度值的下降步长，并根据当前梯度值及下降步长迭代更新无人机位置，以对无人机通信网络拓扑进行优化。所述系统用于执行上述方法。本发明提供的无人机通信网络拓扑优化方法及系统主要应用于应急无人机通信网络中，能够在已知用户的分布的前提下快速计算出合理的无人机编队构型，并能根据用户位置分布的变化实时调整无人机的拓扑结构。
Description
技术领域
本发明涉及无线通信网络规划技术领域，尤其涉及一种无人机通信网络拓扑优化方法及系统。
背景技术
在受灾地区、偏远山区及近海海域，传统基于地面基础设施(基站、光纤等)的蜂窝网络可能会受到破坏或者受制于地理条件等难以布设。与地面固定基础设施不同，无人机具有移动性和灵活性强、布置快速便捷等优点，所以构建无人机通信网络是实现广域宽带覆盖的有效途径。无人机通信网络的拓扑决定了网络的基本性能，需要预先合理设计，从而以有限开销实现广域宽带应急信息覆盖。以抢险救灾为例，受灾用户位置分散，需要快速根据用户需求计算出无人机基站的布设位置，以快速构建无线通信网络、恢复通信。用户的位置分布往往具有时变性，且空间不均匀性，这对无人机通信网络中最优基站位置设计，即网络拓扑优化，提出了挑战。
现有技术的解决方案大多针对有限规模的网络(如单个无人机或单个用户等，少量考虑多无人机、多个用户的情况)，并假设用户位置已知。在这些理想条件基础上，通过最大化系统容量/能量效率等，优化设计无人机基站的停放位置。在实际应用中，用户位置会随时间呈现比较明显的变化，而且用户位置信息往往难以提前获取。很多情况下，可能仅仅能获取用户的分布信息，而不是具体的所有用户的位置，在这种情况下如何设计网络拓扑具有重要的实用价值，仍是亟待解决的问题。
发明内容
本发明提供的无人机通信网络拓扑优化方法及系统，用于克服现有技术中存在的上述问题，能够在仅仅知道用户的分布的前提下快速计算并设计出合理网络拓扑，同时能够根据用户位置分布的变化实时调整无人机的拓扑结构，满足复杂多变应用场景需求。
本发明提供的一种无人机通信网络拓扑优化方法，包括：
根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
根据所述大尺度信道衰落因子获取无人机通信网络的总信道容量和所述总信道容量针对所述无人机位置的当前梯度值；
基于随机梯度下降法获取所述当前梯度值的下降步长，并根据所述当前梯度值及所述下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化。
根据本发明提供的一种无人机通信网络拓扑优化方法，所述根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子，包括：
根据所述无人机位置的初始值和所述用户位置的统计分布信息，获取用户到无人机的仰角；
根据由环境的视距链路的性能及传输信号的工作频率确定的第一参数、由环境的非视距链路的性能及传输信号的工作频率确定的第二参数、所述用户到无人机的仰角、由环境确定的第一预设参数、第二预设参数、第三预设参数及第四预设参数，获取仰角相关变量；
根据所述无人机到用户之间的距离及所述仰角相关变量，获取所述无人机与用户之间的大尺度信道衰落因子。
根据本发明提供的一种无人机通信网络拓扑优化方法，所述根据所述大尺度信道衰落因子获取无人机通信网络的总信道容量，包括：
根据所述大尺度信道衰落因子，获取第二中间变量和第三中间变量；
根据所述第二中间变量、所述第三中间变量、所述大尺度信道衰落因子、用户数量、无人机数量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率及无人机通信网络的系统噪声功率，获取所述总信道容量。
根据本发明提供的一种无人机通信网络拓扑优化方法，所述根据所述大尺度信道衰落因子，获取第二中间变量和第三中间变量，包括：
根据无人机通信网络中的用户数量、无人机数量及所述大尺度信道衰落因子获取所述第一中间变量；
根据所述第一中间变量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率、所述无人机通信网络的系统噪声功率、所述用户数量及所述无人机数量，获取所述第二中间变量；
根据所述第二中间变量、所述大尺度信道衰落因子、所述无人机数量、所述每个用户的天线数量、所述每台无人机的天线数量、所述每个用户通信时的功率及所述系统噪声功率，获取所述第三中间变量。
根据本发明提供的一种无人机通信网络拓扑优化方法，所述根据所述大尺度信道衰落因子获取所述总信道容量针对所述无人机位置的当前梯度值，包括：
根据所述第一中间变量、所述第二中间变量、所述第三中间变量、所述大尺度信道衰落因子、大尺度信道衰落因子对无人机位置的偏导数、第二中间变量对无人机位置的偏导数、第三中间变量对无人机位置的偏导数、所述每个用户的天线数量、所述每台无人机的天线数量、所述无人机数量及所述用户数量，获取所述总信道容量针对所述无人机位置的当前梯度值。
根据本发明提供的一种无人机通信网络拓扑优化方法，所述大尺度信道衰落因子对无人机位置的偏导数、第二中间变量对无人机位置的偏导数及第三中间变量对无人机位置的偏导数通过如下方式获取：
根据无人机到用户之间的距离的负平方对无人机位置的偏导数，及仰角相关变量对无人机位置的偏导数，获取所述大尺度信道衰落因子对无人机位置的偏导数；
根据第一中间变量对无人机位置的偏导数、所述无人机数量、所述用户数量、所述每个用户的天线数量、所述每台无人机的天线数量、所述每个用户通信时的功率、所述系统噪声功率、所述第一中间变量及所述第二中间变量，获取所述第二中间变量对无人机位置的偏导数；
根据所述每个用户的天线数量、所述每台无人机的天线数量、所述每个用户通信时的功率、所述系统噪声功率、所述无人机数量、所述第二中间变量、所述大尺度信道衰落因子、所述大尺度信道衰落因子对无人机位置的偏导数及所述第二中间变量对无人机位置的偏导数，获取所述第三中间变量对无人机位置的偏导数。
根据本发明提供的一种无人机通信网络拓扑优化方法，所述基于随机梯度下降法获取所述当前梯度值的下降步长，并根据所述当前梯度值及所述下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化，包括：
基于随机梯度下降法并根据下降步长决策变量、预设过去信息的衰减因子及所述当前梯度值，获取当前下降步长决策变量；
根据所述当前下降步长决策变量、预设学习率及预设避免病态的变量，获取所述下降步长；
根据所述当前梯度值及所述下降步长，采用迭代方式更新所述无人机的位置，直至达到预设迭代次数时停止更新，并根据更新后的无人机位置对所述无人机通信网络拓扑进行优化。
本发明还提供一种无人机通信网络拓扑优化系统，包括：信道衰落因子获取模块、当前梯度获取模块以及通信网络优化模块；
所述信道衰落因子获取模块，用于根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
所述当前梯度获取模块，用于根据所述大尺度信道衰落因子获取无人机通信网络的总信道容量和所述总信道容量针对所述无人机位置的当前梯度值；
所述通信网络优化模块，用于基于随机梯度下降法获取所述当前梯度值的下降步长，并根据所述当前梯度值及所述下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述无人机通信网络拓扑优化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述无人机通信网络拓扑优化方法的步骤。
本发明提供的无人机通信网络拓扑优化方法及系统，利用用户位置的统计分布信息，而不是具体位置信息，得到无人机网络拓扑构型的最优设计，从而最大化网络的通信容量，为适应用户分布的变化，本发明可自适应调整无人机拓扑构型，使得网络能够适应用户位置的变化，满足复杂多变应用场景需求。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的无人机通信网络拓扑优化方法的流程示意图；
图2是本发明提供的无聚集性的用户位置与优化后的无人机位置示意图；
图3是本发明提供的无聚集性的用户位置与优化后的无人机位置俯视图；
图4是本发明提供的均匀散布的无人机位置示意图；
图5是本发明提供的随机分布的无人机位置示意图；
图6是本发明提供的用户无聚集性时三种无人机位置获得的信道容量对比结果示意图；
图7是本发明提供的有聚集性的用户位置与优化后的无人机位置示意图；
图8是本发明提供的有聚集性的用户位置与优化后的无人机位置俯视图；
图9是本发明提供的用户有聚集性时三种无人机位置获得的信道容量对比结果示意图；
图10是本发明提供的无人机通信网络拓扑优化系统的结构示意图；
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本发明适用于用户位置分布已知的基于无人机通信网络。在无人机布置之前，需要对当前无人机通信网络的系统模型进行建模，确保在已知用户位置rU及无人机位置rB时，能够求得无人机通信网络的上行传输速率C(rU,rB)以及偏导数
确定无人机群的最佳位置时，先于本地设备随机给定一组初始的无人机群位置
并规定迭代次数T，然后进入迭代过程。在第t次迭代中，首先根据用户的位置分布于本地设备上随机生成一组用户位置
并计算出此时的梯度
作为梯度下降法的方向。再根据当前的梯度选择合适的步长ηt(ωt)，步长需要满足∑t|ηt|2<∞,∑t|ηt|＝∞，以确保随机梯度下降法的收敛性。得到梯度和步长以后，按照公式(1)更新无人机群的位置。
其中×指向量中每一项分别相乘，得到一个新的向量。如果此时迭代次数满足t＝T，则终止迭代。否则，进行第t+1次迭代。
迭代完成后得到的
即为最终的优化结果
此时将无人机群按照该位置进行布置，即可得到对当前用户位置分布及信道模型而言最优的上行传输速率。不失一般性，下面我们按照无人机基站通信网络中提出的系统模型对本发明进行详细地讲解。
图1是本发明提供的无人机通信网络拓扑优化方法的流程示意图，如图1所示，方法包括：
S1、根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
S2、根据大尺度信道衰落因子获取无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值；
S3、基于随机梯度下降法获取当前梯度值的下降步长，并根据当前梯度值及下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化。
需要说明的是，上述方法的执行主体可以是计算机设备。
可选地，通过对无人机位置随机初始化获得无人机通信网络中第一次迭代过程中的无人机位置的初始值，具体地，可以先于本地设备随机给定一组初始的无人机位置，以获取无人机通信网络中无人机位置的初始值，并假设无人机通信网络中用户位置的统计分布信息服从某一已知分布，例如泊松点过程随机分布。
第一步、初始化，即在迭代之前随机初始化无人机基站的位置，并将迭代中需要用到的量初始化为0。第二步为变量计算，随机抽取用户位置分布的一个样本，利用该样本与无人机基站位置来计算一些中间变量，为后续梯度值、下降步长的计算做准备。第三步为梯度计算，利用第二步得到的中间变量来得到信道容量在无人机位置上的当前梯度值，以确定SGD的下降方向。第四步为步长计算，根据当前的梯度值，应用RMSProp算法计算相应的下降步长。第五步为位置更新，即根据当前的梯度值以及下降步长更新无人机基站的位置。第五步结束后，如果迭代未结束，则转到第二步继续迭代；如果迭代已经结束，则将更新后的无人机基站位置作为最终的优化结果。
更具体地，根据无人机的位置以及用户位置的统计分布信息，通过计算获取用于表征无人机与用户之间的大尺度信道衰落的大尺度信道衰落因子。
并根据得到的无人机与用户之间的大尺度信道衰落因子，通过计算得到无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值。
基于随机梯度下降法如RMSProp算法获取当前梯度值的下降步长，并利用当前梯度值及下降步长迭代更新无人机的位置，将更新后的无人机位置作为下一次迭代过程中无人机位置的初始值，重复上述过程，以对无人机通信网络拓扑进行优化，设计出合理的无人机通信网络拓扑结构。
本发明提供的无人机通信网络拓扑优化方法，利用用户位置的统计分布信息，而不是具体位置信息，得到无人机网络拓扑构型的最优设计，从而最大化网络的通信容量，为适应用户分布的变化，本发明可自适应调整无人机拓扑构型，使得网络能够适应用户位置的变化，满足复杂多变应用场景需求。
进一步地，在一个实施例中，步骤S1中可以具体包括：
S11、根据无人机位置的初始值和用户位置的统计分布信息，获取用户到无人机的仰角；
S12、根据由环境的视距链路的性能及传输信号的工作频率确定的第一参数、由环境的非视距链路的性能及传输信号的工作频率确定的第二参数、用户到无人机的仰角、由环境确定的第一预设参数、第二预设参数、第三预设参数及第四预设参数，获取仰角相关变量；
S13、根据无人机到用户之间的距离及仰角相关变量，获取无人机与用户之间的大尺度信道衰落因子。
假设无人机通信网络中用户数量为K，每个用户的天线数量为Nu，无人机数量为L，每台无人机携带的天线数量为
那么，多用户与无人机群间的通信属于一个MIMO系统，且满足L≥Kβ。第k个用户的位置为
服从某一已知分布(例如泊松点过程随机分布)。第l台无人机的位置为
是本发明的优化目标。根据无人机的位置和用户的位置的统计分布信息可以给出两者之间的大尺度信道衰落，假设
得到大尺度衰落的衰落因子如(2)式。
其中，
代表l台无人机与第k个用户之间的大尺度衰落因子，dl,k代表第l台无人机到第k个用户的距离，由公式(3)计算获得，δl,k代表仰角相关变量，由公式(4)计算获得；
其中，θl,k代表用户到无人机的仰角，由公式(5)～(6)获得，A为由环境的视距链路的性能及传输信号的工作频率确定的第一参数，B为由环境的非视距链路的性能及传输信号的工作频率确定的第二参数，a为由环境确定的第一预设参数，b由环境确定的第二预设参数，其中A、B可以由公式(7)计算获得：
其中，ηLOS为由环境确定的第三预设参数，ηNLOS为由环境确定的第四预设参数，c代表真空中的光速，f传输信号的工作频率。
根据公式(3)～(7)得到无人机到用户之间的距离及仰角相关变量，并将其代入公式(2)得到无人机与用户之间的大尺度信道衰落因子。
本发明提供的无人机通信网络拓扑优化方法，对无人机通信网络拓扑进行优化时，充分考虑了无人机与用户之间的信道衰落对通信质量的影响，使得后续设计的无人机通信网络拓扑结构能够适应复杂多变的应用场景的同时，确保无人机与用户之间的通信质量及可靠性。
进一步地，在一个实施例中，步骤S2中根据大尺度信道衰落因子获取无人机通信网络的总信道容量，可以具体包括：
S21、根据大尺度信道衰落因子，获取第二中间变量和第三中间变量；
S22、根据第二中间变量、第三中间变量、大尺度信道衰落因子、用户数量、无人机数量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率及无人机通信网络的系统噪声功率，获取总信道容量。
对于第l架无人机和第k个用户，他们的小尺度衰落则为矩阵
服从复高斯分布。整个MIMO系统的信道矩阵则为：
其中，M为无人机的天线总数，N为用户的天线总数；
根据大尺度信道衰落因子第二中间变量
第三中间变量
并结合大尺度信道衰落因子
用户数量K、无人机数量L、每个用户的天线数量Nu、每台无人机的天线数量Nc、每个用户通信时的功率P及无人机通信网络的系统噪声功率σ2，并根据公式(9)计算得到无人机通信网络的信道容量C，并以此作为无人机通信网络的上行通信速率。
本发明提供的无人机通信网络拓扑优化方法，得到的无人机群位置相较于传统方法能够得到更高的信道容量，并且能够针对用户的位置分布快速得出无人机群的最优位置分布，实现无人机编队的按需部署。
进一步地，在一个实施例中，步骤S21可以具体包括：
S211、根据无人机通信网络中的用户数量、无人机数量及大尺度信道衰落因子获取第一中间变量；
S212、根据第一中间变量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率、无人机通信网络的系统噪声功率、用户数量及无人机数量，获取第二中间变量；
S213、根据第二中间变量、大尺度信道衰落因子、无人机数量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率及系统噪声功率，获取第三中间变量。
可选地，根据公式(2)计算得到无人机与用户之间的大尺度信道衰落因子
无人机通信网络中的用户数量K及无人机数量L，根据公式(10)计算得到第一中间变量Φ：
根据第一中间变量Φ、每个用户的天线数量Nu、每台无人机的天线数量Nc、每个用户通信时的功率P、无人机通信网络的系统噪声功率σ2(系统的噪声为加性高斯白噪声)、用户数量K及无人机数量L，并根据公式(11)获取第二中间变量
其中，
根据第二中间变量
大尺度信道衰落因子
无人机数量L、每个用户的天线数量Nu、每台无人机的天线数量Nc、每个用户通信时的功率P及系统噪声功率σ2，根据公式(13)获取第三中间变量
本发明提供的无人机通信网络拓扑优化方法，基于无人机与用户之间的大尺度信道衰落因子并通过计算得到一些中间变量，为后续计算当前梯度值及下降步长提供了数据基础。
进一步地，在一个实施例中，步骤S2中根据大尺度信道衰落因子获取总信道容量针对无人机位置的当前梯度值，可以具体包括：
S23、根据第一中间变量、第二中间变量、第三中间变量、大尺度信道衰落因子、大尺度信道衰落因子对无人机位置的偏导数、第二中间变量对无人机位置的偏导数、第三中间变量对无人机位置的偏导数、每个用户的天线数量、每台无人机的天线数量、无人机数量及用户数量，获取总信道容量针对所述无人机位置的当前梯度值。
进一步地，在一个实施例中，步骤S23中大尺度信道衰落因子对无人机位置的偏导数、第二中间变量对无人机位置的偏导数及第三中间变量对无人机位置的偏导数通过如下方式获取：
S231、根据无人机到用户之间的距离的负平方对无人机位置的偏导数，及仰角相关变量对无人机位置的偏导数，获取大尺度信道衰落因子对无人机位置的偏导数；
S232、根据第一中间变量对无人机位置的偏导数、无人机数量、用户数量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率、系统噪声功率、第一中间变量及第二中间变量，获取第二中间变量对无人机位置的偏导数；
S233、根据每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率、系统噪声功率、无人机数量、第二中间变量、大尺度信道衰落因子、大尺度信道衰落因子对无人机位置的偏导数及第二中间变量对无人机位置的偏导数，获取第三中间变量对无人机位置的偏导数。
具体地，根据公式(2)计算获得的无人机与用户之间的大尺度信道衰落因子
由分别由公式(10)～(13)计算获得的第一中间变量Φ、第二中间变量
以及第三中间变量
大尺度信道衰落因子对无人机位置的偏导数，第二中间变量对无人机位置的偏导数，第三中间变量对无人机位置的偏导数，用户数量K及无人机数量L，每个用户的天线数量Nu及每台无人机的天线数量Nc，基于公式(14)计算获取当前梯度值ωc(t)：
其中，
代表大尺度信道衰落因子对无人机位置的偏导数，可以通过公式(15)～(19)获得，
代表第二中间变量对无人机位置的偏导数，可以通过公式(20)获得，
代表第三中间变量对无人机位置的偏导数，可以通过公式(24)获得。
根据无人机到用户之间的距离的负平方对无人机位置的偏导数，及仰角相关变量对无人机位置的偏导数，获取大尺度信道衰落因子对无人机位置的偏导数，如公式(15)所示：
根据公式(3)可以得到无人机到用户之间的距离的负平方对无人机位置的偏导数
如公式(16)所示：
根据公式(4)可以得到仰角相关变量对无人机位置的偏导数
如公式(17)所示：
根据公式(5)可以得到公式(17)中用户到无人机的仰角对无人机位置的偏导数
如公式(18)所示：
联合公式(3)及公式(6)可以得到公式(18)中
如公式(19)所示：
根据第一中间变量对无人机位置的偏导数、用户数量K、无人机数量L、每个用户的天线数量Nu、每台无人机的天线数量Nc、每个用户通信时的功率P、系统噪声功率σ2、第一中间变量Φ及第二中间变量
获取第二中间变量对无人机位置的偏导数
如公式(20)所示：
其中，
其中，公式(22)中的大尺度信道衰落因子对无人机位置的偏导数
可以按照公式(23)进行拆分：
根据每个用户的天线数量Nu、每台无人机的天线数量Nc、每个用户通信时的功率P、系统噪声功率σ2、无人机数量L、第二中间变量
大尺度信道衰落因子
大尺度信道衰落因子对无人机位置的偏导数
及第二中间变量对无人机位置的偏导数
获取第三中间变量对无人机位置的偏导数
如公式(24)所示：
本发明提供的无人机通信网络拓扑优化方法，根据得到的中间变量，通过计算得到无人机位置的当前梯度值，能够针对用户的位置分布快速得到无人机群的最优位置分布。
进一步地，在一个实施例中，步骤S3中可以具体包括：
S31、基于随机梯度下降法并根据下降步长决策变量、预设过去信息的衰减因子及当前梯度值，获取当前下降步长决策变量；
S32、根据当前下降步长决策变量、预设学习率及预设避免病态的变量，获取下降步长；
S33、根据当前梯度值及下降步长，采用迭代方式更新无人机的位置，直至达到预设迭代次数时停止更新，并根据更新后的无人机位置对无人机通信网络拓扑进行优化。
初始化：随机初始化无人机位置rB(0)，初始化下降步长决策变量ψ(﹣1)＝0，确定迭代次数T，t从0到T-1开始迭代；基于用户位置的分布，随机抽取一个样本作为rU(t)，并由上述方法得到无人机与用户之间的大尺度信道衰落因子
及无人机位置的当前梯度值ωc(t)；
根据前一次迭代过程中的下降步长决策变量ψ(t-1)，预设过去信息的衰减因子κ，无人机位置的当前梯度值ωc(t)，根据公式(25)得到当前下降步长决策变量ψ(t)：
ψ(t)＝κψ(t-1)+(1-κ)ωc(t)×ωc(t) (25)
其中，通常κ取0.5；
根据当前下降步长决策变量ψ(t)、预设学习率∈(t)及预设避免病态的变量ζ，获取下降步长η(t)，具体地，如公式(26)所示：
其中，
m通常取包括所有用户的区域半径的0.1倍，n通常取0.8，ζ通常取10-12。
根据当前梯度值ωc(t)及下降步长η(t)，采用迭代方式更新无人机的位置，如公式(27)所示，直至达到预设迭代次数T时停止更新，并根据更新后的无人机位置rB(t+1)对无人机通信网络拓扑进行优化。
rB(t+1)＝rB(t)+ωc(t)×η(t) (27)
其中，公式(27)中的×指对向量中的每一项分别进行乘法。
本发明提供的无人机通信网络拓扑优化方法，在确保梯度下降法收敛的前提下，获取无人机位置的当前梯度值和下降步长，并由此确定无人机位置的更新方式，使得得到的无人机编队构型能够根据用户位置分布的变化进行自适应的调整，以作为更多复杂多变的应急通信方式，具有实用的价值性。
以下结合实例进一步说明本发明所提供的方案，具体地：
不失一般性，我们同样采用上述无人机通信网络构成的系统模型，并假设在半径为m＝10000m的圆形区域中，共有100个用户按照泊松点过程随机分布，每个用户携带1根天线。不妨假设共有50台无人机服务这些用户，每台无人机携带4根天线，考虑到无人机实际的飞行情况，将无人机的高度约束在1500m以内。假设无人机信道相关的环境参数为：a＝5.0188,b＝0.3511,ηLOS＝0.1dB,ηNLOS＝21dB，噪声功率为σ2＝-107dBm。假设每个用户发送信号的功率为P＝1W，信号的工作频率为f＝2×109Hz。在上述条件下能够优化出如图2、图3的无人机编队位置。
将优化后的无人机编队位置分别与以下两种情况进行对比：无人机编队均在800m的空中，均匀地散布在圆内，如图4；无人机群的高度在0～1000m均匀分布，水平位置按照泊松点过程随机分布，如图5。
在对比中，每次试验每次选择10个用户位置的采样，通过(9)式求得信道容量，再取平均值。共进行10次试验，得到信道容量的图像如图6。其中横坐标表示第n次试验，纵坐标表示第n次试验算出的总信道容量。从图6可以看到无人机位置随机分布时性能比较差，均匀散布时性能比较好，而使用该发明进行优化后能够使性能变得更好。说明在用户没有聚集性时，使用该发明能够找到比无人机群高度固定、均匀散布效果更好的编队位置。
在其他参数及系统模型不变时，假设用户具有一定的聚集性，分别按照泊松点过程随机分布在圆内的5个热点周围一定半径内，也可以用本方案找到最优的无人机编队位置进行部署，如图7、图8。
采用同样的方法进行10次试验，得到图9。从图9可以看到在用户具有聚集性时，采用此发明优化出的无人机位置可以获得更好的性能，而传统方法的性能则略微有所下降。所以无论用户有无聚集性，此发明都能找到比传统方法性能更优的无人机编队位置。
下面对本发明提供的无人机通信网络拓扑优化系统进行描述，下文描述的无人机通信网络拓扑优化系统与上文描述的无人机通信网络拓扑优化方法可相互对应参照。
图10是本发明提供的无人机通信网络拓扑优化系统的结构示意图，如图10所示，包括：信道衰落因子获取模块1010、当前梯度获取模块1011以及通信网络优化模块1012；
信道衰落因子获取模块1010，用于根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
当前梯度获取模块1011，用于根据大尺度信道衰落因子获取无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值；
通信网络优化模块1012，用于基于随机梯度下降法获取当前梯度值的下降步长，并根据当前梯度值及下降步长迭代更新无人机位置，以对无人机通信网络拓扑进行优化。
本发明提供的无人机通信网络拓扑优化系统，利用用户位置的统计分布信息，而不是具体位置信息，得到无人机网络拓扑构型的最优设计，从而最大化网络的通信容量，为适应用户分布的变化，本发明可自适应调整无人机拓扑构型，使得网络能够适应用户位置的变化，满足复杂多变应用场景需求。
图11是本发明提供的一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(communication interface)1111、存储器(memory)1112和总线(bus)1113，其中，处理器1110，通信接口1111，存储器1112通过总线1113完成相互间的通信。处理器1110可以调用存储器1112中的逻辑指令，以执行如下方法：
根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
根据大尺度信道衰落因子获取无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值；
基于随机梯度下降法获取当前梯度值的下降步长，并根据当前梯度值及下降步长迭代更新无人机位置，以对无人机通信网络拓扑进行优化。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的无人机通信网络拓扑优化方法，例如包括：
根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
根据大尺度信道衰落因子获取无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值；
基于随机梯度下降法获取当前梯度值的下降步长，并根据当前梯度值及下降步长迭代更新无人机位置，以对无人机通信网络拓扑进行优化。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的无人机通信网络拓扑优化方法，例如包括：
根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
根据大尺度信道衰落因子获取无人机通信网络的总信道容量和总信道容量针对无人机位置的当前梯度值；
基于随机梯度下降法获取当前梯度值的下降步长，并根据当前梯度值及下降步长迭代更新无人机位置，以对无人机通信网络拓扑进行优化。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无人机通信网络拓扑优化方法，其特征在于，包括：
根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
根据所述大尺度信道衰落因子获取无人机通信网络的总信道容量和所述总信道容量针对所述无人机位置的当前梯度值；
基于随机梯度下降法获取所述当前梯度值的下降步长，并根据所述当前梯度值及所述下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化。
2.根据权利要求1所述的无人机通信网络拓扑优化方法，其特征在于，所述根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子，包括：
根据所述无人机位置的初始值和所述用户位置的统计分布信息，获取用户到无人机的仰角；
根据由环境的视距链路的性能及传输信号的工作频率确定的第一参数、由环境的非视距链路的性能及传输信号的工作频率确定的第二参数、所述用户到无人机的仰角、由环境确定的第一预设参数、第二预设参数、第三预设参数及第四预设参数，获取仰角相关变量；
根据所述无人机到用户之间的距离及所述仰角相关变量，获取所述无人机与用户之间的大尺度信道衰落因子。
3.根据权利要求1所述的无人机通信网络拓扑优化方法，其特征在于，所述根据所述大尺度信道衰落因子获取无人机通信网络的总信道容量，包括：
根据所述大尺度信道衰落因子，获取第二中间变量和第三中间变量；
根据所述第二中间变量、所述第三中间变量、所述大尺度信道衰落因子、用户数量、无人机数量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率及无人机通信网络的系统噪声功率，获取所述总信道容量。
4.根据权利要求3所述的无人机通信网络拓扑优化方法，其特征在于，所述根据所述大尺度信道衰落因子，获取第二中间变量和第三中间变量，包括：
根据无人机通信网络中的用户数量、无人机数量及所述大尺度信道衰落因子获取所述第一中间变量；
根据所述第一中间变量、每个用户的天线数量、每台无人机的天线数量、每个用户通信时的功率、所述无人机通信网络的系统噪声功率、所述用户数量及所述无人机数量，获取所述第二中间变量；
根据所述第二中间变量、所述大尺度信道衰落因子、所述无人机数量、所述每个用户的天线数量、所述每台无人机的天线数量、所述每个用户通信时的功率及所述系统噪声功率，获取所述第三中间变量。
5.根据权利要求4所述的无人机通信网络拓扑优化方法，其特征在于，所述根据所述大尺度信道衰落因子获取所述总信道容量针对所述无人机位置的当前梯度值，包括：
根据所述第一中间变量、所述第二中间变量、所述第三中间变量、所述大尺度信道衰落因子、大尺度信道衰落因子对无人机位置的偏导数、第二中间变量对无人机位置的偏导数、第三中间变量对无人机位置的偏导数、所述每个用户的天线数量、所述每台无人机的天线数量、所述无人机数量及所述用户数量，获取所述总信道容量针对所述无人机位置的当前梯度值。
6.根据权利要求5所述的无人机通信网络拓扑优化方法，其特征在于，所述大尺度信道衰落因子对无人机位置的偏导数、第二中间变量对无人机位置的偏导数及第三中间变量对无人机位置的偏导数通过如下方式获取：
根据无人机到用户之间的距离的负平方对无人机位置的偏导数，及仰角相关变量对无人机位置的偏导数，获取所述大尺度信道衰落因子对无人机位置的偏导数；
根据第一中间变量对无人机位置的偏导数、所述无人机数量、所述用户数量、所述每个用户的天线数量、所述每台无人机的天线数量、所述每个用户通信时的功率、所述系统噪声功率、所述第一中间变量及所述第二中间变量，获取所述第二中间变量对无人机位置的偏导数；
根据所述每个用户的天线数量、所述每台无人机的天线数量、所述每个用户通信时的功率、所述系统噪声功率、所述无人机数量、所述第二中间变量、所述大尺度信道衰落因子、所述大尺度信道衰落因子对无人机位置的偏导数及所述第二中间变量对无人机位置的偏导数，获取所述第三中间变量对无人机位置的偏导数。
7.根据权利要求1所述的无人机通信网络拓扑优化方法，其特征在于，所述基于随机梯度下降法获取所述当前梯度值的下降步长，并根据所述当前梯度值及所述下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化，包括：
基于随机梯度下降法并根据下降步长决策变量、预设过去信息的衰减因子及所述当前梯度值，获取当前下降步长决策变量；
根据所述当前下降步长决策变量、预设学习率及预设避免病态的变量，获取所述下降步长；
根据所述当前梯度值及所述下降步长，采用迭代方式更新所述无人机的位置，直至达到预设迭代次数时停止更新，并根据更新后的无人机位置对所述无人机通信网络拓扑进行优化。
8.一种无人机通信网络拓扑优化系统，其特征在于，包括：信道衰落因子获取模块、当前梯度获取模块以及通信网络优化模块；
所述信道衰落因子获取模块，用于根据无人机通信网络中无人机位置的初始值及用户位置的统计分布信息，获取无人机与用户之间的大尺度信道衰落因子；
所述当前梯度获取模块，用于根据所述大尺度信道衰落因子获取无人机通信网络的总信道容量和所述总信道容量针对所述无人机位置的当前梯度值；
所述通信网络优化模块，用于基于随机梯度下降法获取所述当前梯度值的下降步长，并根据所述当前梯度值及所述下降步长迭代更新所述无人机位置，以对无人机通信网络拓扑进行优化。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述无人机通信网络拓扑优化方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述无人机通信网络拓扑优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110335584.8A CN112947583B (zh) | 2021-03-29 | 2021-03-29 | 无人机通信网络拓扑优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110335584.8A CN112947583B (zh) | 2021-03-29 | 2021-03-29 | 无人机通信网络拓扑优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112947583A true CN112947583A (zh) | 2021-06-11 |
| CN112947583B CN112947583B (zh) | 2024-06-14 |
Family
ID=76227450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110335584.8A Active CN112947583B (zh) | 2021-03-29 | 2021-03-29 | 无人机通信网络拓扑优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112947583B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655468A (zh) * | 2021-07-16 | 2021-11-16 | 广州大学 | 一种无人机辅助定位方法、系统、存储介质及终端设备 |
| CN115913973A (zh) * | 2022-10-09 | 2023-04-04 | 中国人民解放军军事科学院战争研究院 | 一种无人机通信系统的一体化网络拓扑调整方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110312265A (zh) * | 2019-06-24 | 2019-10-08 | 清华大学 | 无人机编队通信覆盖的功率分配方法及系统 |
| CN110753310A (zh) * | 2019-11-06 | 2020-02-04 | 南京邮电大学 | 面向多用户应急通信网络的无人机位置优化方法及装置 |
| CN110958619A (zh) * | 2019-11-18 | 2020-04-03 | 北京邮电大学 | 一种基于无线能量传输的无人机辅助网络中资源分配方法 |
| CN111800185A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民解放军陆军工程大学 | 一种无人机辅助通信中的分布式空地联合部署方法 |
-
2021
- 2021-03-29 CN CN202110335584.8A patent/CN112947583B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110312265A (zh) * | 2019-06-24 | 2019-10-08 | 清华大学 | 无人机编队通信覆盖的功率分配方法及系统 |
| CN110753310A (zh) * | 2019-11-06 | 2020-02-04 | 南京邮电大学 | 面向多用户应急通信网络的无人机位置优化方法及装置 |
| CN110958619A (zh) * | 2019-11-18 | 2020-04-03 | 北京邮电大学 | 一种基于无线能量传输的无人机辅助网络中资源分配方法 |
| CN111800185A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民解放军陆军工程大学 | 一种无人机辅助通信中的分布式空地联合部署方法 |
Non-Patent Citations (2)
| Title |
|---|
| YINGJIE ZHANG.ETC: "Pilot power adaptation for tomographic channel estimation in distributed MIMO systems", 《IET COMMUNICATIONS》, vol. 11, no. 1, pages 112 - 118, XP006077470, DOI: 10.1049/iet-com.2016.0550 * |
| 李俊峰 等: "空天地海一体化网络中的高能效频谱共享方法", 《移动通信》, no. 9, pages 2 - 6 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655468A (zh) * | 2021-07-16 | 2021-11-16 | 广州大学 | 一种无人机辅助定位方法、系统、存储介质及终端设备 |
| CN113655468B (zh) * | 2021-07-16 | 2023-05-23 | 广州大学 | 一种无人机辅助定位方法、系统、存储介质及终端设备 |
| CN115913973A (zh) * | 2022-10-09 | 2023-04-04 | 中国人民解放军军事科学院战争研究院 | 一种无人机通信系统的一体化网络拓扑调整方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112947583B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Mobile network-connected drones: Field trials, simulations, and design insights | |
| CN109831797B (zh) | 一种推动功率受限的无人机基站带宽和轨迹联合优化方法 | |
| Zhang et al. | Energy-efficient trajectory optimization for UAV-assisted IoT networks | |
| CN112737842B (zh) | 空地一体化车联网中基于最小化时延的任务安全卸载方法 | |
| CN110364031A (zh) | 地面传感器网络中无人机集群的路径规划和无线通信方法 | |
| CN112947583A (zh) | 无人机通信网络拓扑优化方法及系统 | |
| CN110312265B (zh) | 无人机编队通信覆盖的功率分配方法及系统 | |
| CN111381499B (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
| CN111800185A (zh) | 一种无人机辅助通信中的分布式空地联合部署方法 | |
| 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 | |
| CN110290542B (zh) | 海上无人机通信覆盖优化方法及系统 | |
| CN116017507B (zh) | 基于无线空中计算和二阶优化的去中心化联邦学习方法 | |
| CN109151027A (zh) | 星空地协同物联网通信方法及装置 | |
| Sha et al. | DRL-based task offloading and resource allocation in multi-UAV-MEC network with SDN | |
| Lins et al. | Artificial intelligence for enhanced mobility and 5G connectivity in UAV-based critical missions | |
| Diaz-Vilor et al. | On the deployment problem in cell-free UAV networks | |
| CN114020024B (zh) | 基于蒙特卡洛树搜索的无人机路径规划方法 | |
| CN114866979A (zh) | 一种无人机辅助的边缘计算时延最小化方法 | |
| CN114363803A (zh) | 一种移动边缘计算网络节能的多任务分配方法及系统 | |
| CN111479240A (zh) | 无人机通信系统及基于用户分簇的无线传输方法 | |
| CN114928893B (zh) | 一种基于智能反射面的架构及任务卸载方法 | |
| CN112243239B (zh) | 一种基于立交桥的无人机部署方法及相关装置 | |
| CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
| CN113950059A (zh) | 一种无人机中继辅助用户任务卸载的方法及系统 | |
| Yang et al. | Deep reinforcement learning in NOMA-assisted UAV networks for path selection and resource offloading |
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 |