CN113365283A - 一种基于流量预测的无人机自组网信道接入控制方法 - Google Patents

一种基于流量预测的无人机自组网信道接入控制方法 Download PDF

Info

Publication number
CN113365283A
CN113365283A CN202110316549.1A CN202110316549A CN113365283A CN 113365283 A CN113365283 A CN 113365283A CN 202110316549 A CN202110316549 A CN 202110316549A CN 113365283 A CN113365283 A CN 113365283A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
time frame
drone
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.)
Pending
Application number
CN202110316549.1A
Other languages
English (en)
Inventor
陶婷
董超
朱小军
贺荣
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Publication of CN113365283A publication Critical patent/CN113365283A/zh
Pending legal-status Critical Current

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
    • H04W16/22—Traffic simulation tools or models
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria

Landscapes

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

Abstract

本发明公开了一种基于流量预测的无人机自组网信道接入控制方法，包括：通过流量预测理论，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量，以制定信道分配方案；所述神经网络基于梯度下降策略，在目标的负梯度方向上调整参数，直到训练误差小于等于预设误差阈值时停止迭代；基于前述神经网络算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。本发明能够采用流量预测的方法，应用神经网络，来预测下一时帧无人机组网通信范围内即将到达的流量，并为其分配信道资源。

Description

一种基于流量预测的无人机自组网信道接入控制方法
技术领域
本发明涉及无人机自组网体系架构技术领域，具体而言涉及一种基于流量预测的无人机自组网信道接入控制方法。
背景技术
无人机自组网(Flying adhoc Networks，FANETs)由于具有鲁棒性、灵活性和部署方便等优点，正成为多个无人系统的主要通信方式。单体无人机由于单体容量有限，已无法满足复杂的任务要求。多无人机协同作战具有高效、可扩展、覆盖范围广等优点，能够有效满足日益复杂的任务需求，是未来无人机作战的发展趋势。
然而，与单一无人系统相比，多无人系统虽然有许多优点，但在通信方面仍有其独特的挑战。通信是保证多无人机系统正常运行的关键。多无人机系统需要保持通信，传输必要的安全信息和业务信息，为上层应用提供服务保障。由于无人机具有通信距离远、传输速率高的优点，在无人机上安装定向天线是未来的发展趋势。然而，由于无人机运动速度快，定向天线覆盖角有限，在传输过程中容易发生链路中断，导致信道资源严重损失。此外，无人机在执行侦察和监视任务时经常需要传输视频包。为了提高视频信息的有效性和实时性，无人机自组网还应优先保证视频包的带宽。总的来说，由于无人机的高移动性，为安全包和服务包提供不同的QoS(Quality of Service)保证对于定向天线的无人机自组网MAC协议是非常重要和具有挑战性的。
与移动自组织网络类似，信道接入协议是保证多个无人系统通信性能的关键因素。由于无人机的特点，FANETs MAC协议的设计也提出了新的挑战。首先，无人机通常是分组组网，数量和规模都很大。当大量节点争夺信道时，所产生的冲突会很严重，直接影响到网络的通信性能。二是无人机高速移动，使得网络中的节点频繁进出网络。网络拓扑结构的频繁变化会造成信道资源的严重损失。此外，网络拓扑结构的不断变化意味着无人机需要频繁地接入信道，信道竞争更加激烈。
论文文献CU-MAC：A MAC Protocol for Centralized UVA Networks withDirectional Antennas，Aijing LI等(公开日：2020年5月1日)公开了一种基于流量预测的无人机自组网信道接入控制方法，虽然前述技术文献也涉及了无人机自组网信道资源分配方法，但两者只提出根据队列长度，利用历史平均值得出各架无人机业务分组的到达速率，以制定信道分配方案；且并未涉及流量预测，没有写明流量预测方法，运算效率低，并且没有针对使流量预测融入到MAC协议构建过程中这一问题提出一种具体的行之有效的技术方案。
发明内容
本发明针对现有技术中的不足，提供一种基于流量预测的无人机自组网信道接入控制方法，采用流量预测的方法，应用神经网络，来预测下一时帧无人机组网通信范围内即将到达的流量，并为其分配信道资源。本发明提出了具体的将流量预测有效融入到MAC协议的构建中的技术方案，以达到更好的传输效果。
为实现上述目的，本发明采用以下技术方案：
一种基于流量预测的无人机自组网信道接入控制方法，所述控制方法适于以下场景：中心无人机通过单播的方式向其他无人机收集业务分组，其中包含视频、图像或者其他感知数据；每架无人机向相邻的无人机定期广播安全分组，广播内容包含位置、速度和障碍信息在内的安全消息；
所述控制方法包括以下步骤：
S1，根据第n时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量；
S2，根据历史均值，估算在第n时帧新到达网络的无人机数量；
S3，根据移动信息，预测在第n时帧离开中心无人机通信范围的无人机数量；
S4，根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络；
S5，根据移动预测，中心无人机判断得到将在传输过程中触发链路中断的无人机信息，并取消为这些无人机分配信道资源；
S6，通过流量预测理论，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量，以制定信道分配方案；所述神经网络包含 m个输入层、h个隐藏层和m个输出层，在计算输入层到隐藏层的权值、隐藏层到输出层的权值、隐藏层神经元和输出层神经元的阈值时，基于梯度下降策略，在目标的负梯度方向上调整参数，直到训练误差小于等于预设误差阈值时停止迭代；
S7，基于步骤S6中的神经网络算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S7中，当目前的信道资源不能满足所有视频用户的需求时，采用贪心算法舍弃一个或多个影响最小的用户的需求。
进一步地，步骤S1中，所述根据第n时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量的过程包括以下步骤：
S11，分别获取第n时帧竞争阶段冲突时隙的数量Ncc(n)、时隙的总数量Ncp(n)和传输阶段中时隙的数量Ntp(n)；
S12，解算下述公式，计算得到第n时帧网络中无人机节点的数量N(n)和第n-1时帧新到达的无人机数量Nn(n-1)：
Figure BDA0002989643830000021
进一步地，在步骤S2中，根据线性回归方程建立的模型估算在第n时帧新到达网络的无人机数量：
Nn(n)＝a+bn+μ
其中a为截距，b为自变量系数，μ为残差或随机误差，即所有其他不确定因素之和，其值是不确定的；
假设μ为正态分布，平均值为0，方差为σ2，表示为μ～N(0，σ2)，通过最小二乘估计得出a和b：
Figure BDA0002989643830000031
Figure BDA0002989643830000032
其中，i＝1，2，…，n-1。
进一步地，步骤S3中，根据下述公式，预测在第n时帧离开中心无人机通信范围的无人机数量Nleave(n)：
Nleave(n)＝∑(1-xi)
Figure BDA0002989643830000033
其中，Pc和Pi分别表示现在中心无人机和无人机i的位置，
Figure BDA0002989643830000034
和
Figure BDA0002989643830000035
分别表示现在中心无人机和无人机i的速度；ts表示当前时帧SCHI的长度，R0是全向天线的通信距离；如果xi等于0，则表示无人机i会离开中心无人机全向天线的通信范围。
进一步地，步骤S4中，采用下述公式计算得到第n+1帧的时隙数量：
NCCHI(n+1)＝Ntp(n+1)+Ncp(n+1)
＝N(n)-Nleave(n)+Nn(n)
Ntp(n+1)＝Ntp(n)+Nsp(n)-Nleave(n)
Ncp(n+1)＝Nn(n-1)-Nsp(n)+Nn(n)
式中，NCCHI(n+1)是第n+1时帧CCHI的时隙数目，Nsp(n)是第n个时帧竞争阶段中竞争成功的时隙数量，即成功接入网络的新无人机数量，Nleave(n)是在第n时帧离开中心无人机通信范围的无人机数量；
步骤S4中，如果有无人机被预测离开了网络而实际却没有离开，则该无人机将在下个时帧竞争空闲时隙。
进一步地，步骤S5中，采用下述公式对将在传输过程中触发链路中断的无人机进行预测：
Figure BDA0002989643830000036
条件C1代表：
Figure BDA0002989643830000041
于此同时，条件C2代表：
Figure BDA0002989643830000042
式中，Pc和Pi分别表示现在中心无人机和无人机i的位置，
Figure BDA0002989643830000043
和
Figure BDA0002989643830000044
分别表示现在中心无人机和无人机i的速度，ts表示当前时帧SCHI的长度，Rd和θ表示定向天线的覆盖距离和角度；如果xi等于0，即使天线处于定向模式无人机i也不能在将来的SCHI保持和中心无人机的通信。
进一步地，步骤S6中，所述采用神经网络，根据历史值预测下一个时帧的到达流量，以制定信道分配方案的过程包括以下步骤：
S61，假设有网络中有N架无人机，采用Li(n)表示第i架无人机在第n时帧业务分组的队列流量，之前m个时帧的队列流量为Li(n-1)，Li(n-2)，…，Li(n-m)；
S62，采用下述公式计算无人机i在第n时帧的到达流量：
li(n)＝Li(n)-[Li(n-1)-Ti(n-1)]
其中Ti(n-1)表示无人机i在第n-1时帧已传输的分组尺寸；
S63，依次计算历史时帧的分组到达速率li(n-1)，li(n-2)，…，li(n-m)；
S64，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量li(n+1)。
进一步地，所述神经网络包含m个输入层，h个隐藏层和m个输出层；Vnh为输入层第n个神经元与隐层第h个神经元的连接权值，Whn为隐层第h个神经元与输出层第n个神经元的连接权值；设β、γ分别为输出层和隐藏层神经元阈值，f为激活函数，则隐藏层第p个神经元(n-m≤p≤n)的输入表示为：
Figure BDA0002989643830000045
其中1≤z≤h，并且其输出为：
Bz＝f(Qz-γz)；
输出层第q个神经元的输入表示为：
Figure BDA0002989643830000046
其中，n-m≤q≤，并且其输出为：
ri(q)＝f(βq-γq)。
进一步地，步骤S7中，所述基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽的过程包括以下步骤：
S71，假设有k架无人机将在SCHI传输视频分组，分别定义他们的分组队列流量为Lv1(n)， Lv2(n)，…，Lvk(n)；
S72，根据下述公式计算传输视频分组中第j个无人机所需的最小传输时间的初始值：
Figure BDA0002989643830000051
式中，Bmin为视频分组的最小带宽，xvj代表预测的第j个无人机是否会发生链路中断，rt代表无人机的到达速率，T代表无人机已传输的分组尺寸；
S73，根据下个时帧信道的拥塞情况对最小传输时间的初始值进行调整，得到最终为每个传输视频的无人机分配的信道资源：
Figure BDA0002989643830000052
Figure BDA0002989643830000053
式中，tvj(n)表示为第j个传输视频的无人机分配的信道资源，α为调整因子，tSI(n)表示在第n时帧所有视频用户需求的信道资源总和。
本发明在现有的基于流量预测的无人机自组网信道接入控制方法的基础上，添加了流量预测方法，采用线性拟合的方式，降低安全包丢失的几率；并通过神经网络结构的构建，合理地预测判断出未来时刻各架无人机业务分组的到达速率，并将其融入到MAC协议的构建中。虽然流量预测的方法有很多种，但本专利重点突出的时如何将流量预测融入到MAC协议的构建中，以达到更好的传输效果。常见的传统神经网络之所以无法直接应用于本申请，是因为传统神经网络同一层的神经元不会相互传递，即其中包含的流量信息无法相互交流，从而导致最后的预测准确度大大降低。而本文中采用的神经网络方法，考虑到了流量到达速率前后之间的关系，相对应的隐藏层之间的信息可以相互关联，从而得出的未来流量到达速率或队列长度信息的准确度更高。相较于前述技术，本发明采用流量预测之后，对流量规划的准确度更高，使得业务信息得到更好的预判和更加安全的传输。
本发明的有益效果是：
本发明在提供不同QoS保证的同时，结合了节省信道资源和满足安全传输需求的优点。本发明包含两种技术：首先，基于移动预测机制优化新联合无人机的空位数目，采用线性拟合的方法，减少安全包丢失的几率。其次，提出了一种基于流量预测的信道资源分配机制，采用神经网络预测即将到达的流量，并为其分配信道资源。在保证安全分组的基础上，优先保证业务分组的带宽，尤其是视频分组的带宽，以合理高效的利用信道资源。
附图说明
图1为本发明所涉及的无人机集中式组网场景示例图。
图2为本发明所无人机MAC帧结构示意图。
图3为本发明无人机组网信道结构示意图。
图4为本发明BP神经网络结构示意图。
图5为本发明安全分组的分组时延与无人机节点数量关系实验仿真结果图。
图6为本发明安全分组的分组接收率与无人机节点数量关系实验仿真结果图。
图7为本发明业务分组的吞吐量与无人机节点数量关系实验仿真结果图。
图8为本发明视频分组的吞吐量与无人机节点数量关系实验仿真结果图。
图9为本发明的基于流量预测的无人机自组网信道接入控制方法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
结合图9，本发明提及一种基于流量预测的无人机自组网信道接入控制方法，所述控制方法适于以下场景：中心无人机通过单播的方式向其他无人机收集业务分组，其中包含视频、图像或者其他感知数据；每架无人机向相邻的无人机定期广播安全分组，广播内容包含位置、速度和障碍信息在内的安全消息。
所述控制方法包括以下步骤：
S1，根据第n时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量。
S2，根据历史均值，估算在第n时帧新到达网络的无人机数量。
S3，根据移动信息，预测在第n时帧离开中心无人机通信范围的无人机数量。
S4，根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络。
S5，根据移动预测，中心无人机判断得到将在传输过程中触发链路中断的无人机信息，并取消为这些无人机分配信道资源。
S6，通过流量预测理论，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量，以制定信道分配方案；所述神经网络包含 m个输入层、h个隐藏层和m个输出层，在计算输入层到隐藏层的权值、隐藏层到输出层的权值、隐藏层神经元和输出层神经元的阈值时，基于梯度下降策略，在目标的负梯度方向上调整参数，直到训练误差小于等于预设误差阈值时停止迭代。
S7，基于步骤S6中的神经网络算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。在极端的条件下，当目前的信道资源不能满足所有视频用户的需求时，根据贪心算法舍弃一个或多个影响最小的用户的需求。
本发明提供的基于流量预测的无人机自组网信道接入控制方法中，Sink无人机通过单播的方式向其他无人机收集业务分组，其中包含视频，图像或者其他感知数据。另外为了保障无人机的飞行安全，每架无人机向相邻的无人机定期广播安全分组，其中包含位置，速度，障碍等安全消息。
本发明将时帧划分为CCHI和SCHI。在CCHI，天线被设置为全向模式，所有无人机节点基于TDMA机制广播安全分组。为了区分服务，CCHI进一步划分为传输阶段和竞争阶段。传输阶段为已接入网络的无人机节点分配时隙，竞争阶段为新加入网络的无人机节点提供空闲时隙。在CCHI起始时刻，中心无人机广播一个通告，其中包含以下信息：(1)传输阶段时隙的数量及分配情况；(2)竞争阶段时隙的数量；(3)自己的安全分组。在该协议中，CCHI 的时隙数量是根据无人机的数量动态变化。当所有的无人机节点广播完安全分组后，中心无人机根据业务分组的队列流量和类型，为要发送业务分组的无人机分配SCHI的信道资源(即传输时间)。在SCHI初始时刻，中心无人机再次发送通告，其包含了信道分配的结果。然后各个无人机根据分配的结果，将天线切换到定向模式向中心无人机传输业务分组。
在应用于无人机自组网接入协议的问题中，存在通信性能与信道利用的优化问题，具体有如下挑战：1)无人机通常以群体组网，规模大，节点数量多。当大量的节点竞争信道时，所产的冲突将更加严重，这将直接影响着网络的通信性能；2)无人机在空中飞行，运行空间广，移动速度快，因此无人机组网节点的移动性强于一般的移动设备。无人机在空中运行速度较大，这使得网络拓扑频繁变换，则会导致信道资源损失严重；3)无人机对安全的要求更加严格，为了避免碰撞和事故，机体之间需要传输可靠的安全信息。同时无人机通常要完成侦察和监测等任务，需要传输图像，视频等多信道信息，因此无人系统组网要有足够的带宽保障这些多信道信息的有效性和实时性。一般来说，安全分组对时延和可靠性要求较高，而业务分组需要更高的吞吐量，对时延及可靠性有一定容忍能力。
具体地，所述基于流量预测的无人机自组网信道接入控制协议包括如下步骤：
根据第n时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量，其中，第n时帧网络中无人机节点的数量定义为 N(n)，第n-1时帧新到达的无人机数量定义为Nn(n-1)：
Figure BDA0002989643830000071
其中，Ncc(n)和Ncp(n)分别表示在第n时帧竞争阶段冲突时隙的数量和时隙的总数量，为已知值。
又因为N(n)＝Ntp(n)+Nn(n-1)，Ntp(n)为传输阶段中时隙的数量，即已接入网络的无人机数量，则可以计算出第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量。
然后，中心无人机在第n帧中预测新的无人机到达网络的数量，可以根据线性回归方程建立的模型进行估计；
Nn(n)＝a+bn+μ
其中a为截距，b为自变量系数，μ为残差或随机误差，即所有其他不确定因素之和，其值是不确定的。假设μ为正态分布，平均值为0，方差为σ2，表示为μ～N(0，σ2)。a和b的公式可通过最小二乘估计得出：
Figure BDA0002989643830000081
Figure BDA0002989643830000082
其中，i＝1，2，…，n-1。
根据移动预测在第n时帧离开中心无人机通信范围的无人机数量，用Nleave(n)表示：
Nleave(n)＝∑(1-xi)
Figure BDA0002989643830000083
其中Pc和Pi分别表示现在中心无人机和无人机i的位置，
Figure BDA0002989643830000084
和
Figure BDA0002989643830000085
分别表示现在中心无人机和无人机i的速度。ts表示当前时帧SCHI的长度，R0是全向天线的通信距离。如果xi等于0，则表示无人机i会离开中心无人机全向天线的通信范围。
根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络；由于无人机高速移动，集中式FANETs的网络拓扑频繁变化，在下个时帧没有必要为离开网络的无人机竞争分配时隙，且我们还需要调整竞争阶段中空闲时隙的数量以供新的无人机接入网络。所以在n+1帧，时隙数量的分配计算如下：
NCCHI(n+1)＝Ntp(n+1)+Ncp(n+1)
＝N(n)-Nleave(n)+Nn(n)
Ntp(n+1)＝Ntp(n)+Nsp(n)-Nleave(n)
Ncp(n+1)＝Nn(n-1)-Nsp(n)+Nn(n)
其中NCCHI(n+1)是第n+1时帧CCHI的时隙数目，Nsp(n)是第n个时帧竞争阶段中竞争成功的时隙数量，即成功接入网络的新无人机数量。这样，中心无人机可以计算出下个时帧CCHI的时隙数量和分配情况。注意由于移动预测不完全可靠，可能有无人机被预测离开了网络而实际却没有离开，这种情况该无人机只需要在下个时帧竞争空闲时隙。
根据移动预测，中心无人机将判断哪些无人机会在传输过程中会触发链路中断，并取消为这些无人机分配信道资源，预测公式如下：
Figure BDA0002989643830000091
其中，条件C1为：
Figure BDA0002989643830000092
与此同时，条件C2为：
Figure BDA0002989643830000093
其中Rd和θ表示定向天线的覆盖距离和角度。上述公式修改了通信距离并添加了角度的约束。如果xi等于0，即使天线处于定向模式无人机i也不能在将来的SCHI保持和中心无人机的通信。
根据队列流量，中心无人机预测各架无人机业务分组的到达流量，以制定信道分配方案。假设有网络中有N架无人机，我们用Li(n)表示第i架无人机在第n时帧业务分组的队列流量，之前m个时帧的队列流量为Li(n-1)，Li(n-2)，…，Li(n-m)。根据队列流量我们可以计算每个时帧业务分组的到达流量。例如，我们计算无人机i在第n时帧的到达流量(表示为)：
li(n)＝Li(n)-[Li(n-1)-Ti(n-1)]
其中Ti(n-1)表示无人机i在第n-1时帧已传输的分组尺寸。同理，我们可以计算历史时帧的分组到达流量，即li(n-1)，li(n-2)，…，li(n-m)。假设无人机的分组到达流量在时间上具有自相关性，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量li(n+1)。
图4是常见的多层前馈神经网络(BP神经网络)，其中包含m个输入层，h个隐藏层和m个输出层。Vnh为输入层第n个神经元与隐层第h个神经元的连接权值Whn为隐层第h个神经元与输出层第n个神经元的连接权值。设ξ、γ分别为输出层和隐藏层神经元阈值，f为激活函数，那么隐藏层第p个神经元(n-m≤p≤n)的输入可表示为：
Figure BDA0002989643830000094
其中1≤z≤h，并且其输出为：
Bz＝f(Qz-γz)。
输出层第q个(n-m≤q≤n)神经元的输入可表示为：
Figure BDA0002989643830000095
并且其输出为：
ri(q)＝f(βq-γq)。
然后，我们就可以得到较为准确的下一个时帧无人机的到达流量。在计算输入层到隐层的权值、隐层到输出层的权值、隐层神经元和输出层神经元的阈值时，基于梯度下降策略，可以在目标的负梯度方向上调整参数，直到训练误差达到一个很小的值时停止迭代。
基于步骤S6中的神经网络算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
假设有k架无人机要在SCHI传输视频分组，我们定义他们的分组队列流量为Lv1(n)， Lv2(n)，…，Lvk(n)。为了保障视频分组的最小带宽Bmin，每架无人机最小的传输时间可以计算为：
Figure BDA0002989643830000101
其中min(tvj(n)}表示传输视频分组中第j个无人机所需的最小传输时间。这计算的只是初始值，实际分配值需要根据下个时帧信道的拥塞情况来调整。如果当前信道资源比较紧缺，而将来信道比较空闲，可以适当减少分配值为其他业务腾出更多的信道资源。而如果当前信道资源比较空闲，将来信道资源更拥挤，则需要为视频分组分配更多的信道资源以缓解视频业务在将来拥塞信道的竞争。因此最终为每个传输视频的无人机分配的信道资源是：
Figure BDA0002989643830000102
Figure BDA0002989643830000103
其中tvj(n)表示为第j个传输视频的无人机分配的信道资源，α为调整因子。我们用两个因素来比较下一个时帧的拥塞情况：第一个因素是当前时帧和下一个时帧业务到达流量的比较值，另一个因素是两个时帧SCHI的长度比例。虽然每个时帧的长度是固定的，但CCHI的时隙数量是动态调整的，因此SCHI也相应地改变。不仅如此，我们还结合了移动预测，如果无人机i会产生链路中断，则xi等于0，否则等于1。
在极端的条件下，当目前的信道资源不能满足所有视频用户的需求时，应用贪心算法舍弃一个或多个影响最小的用户的需求。为传输视频的无人机分配完信道后，再为其他无人机分配信道资源。如果信道资源不足，则根据队列流量为它们按比例的分配信道资源。
本发明提出了基于流量预测的无人机自组网信道接入控制方法，图1是本发明提供的无人机集中式组网场景示例图。
图2是无人机组网的MAC帧结构示意图。我们修改了安全分组的MAC帧结构，在其头部添加了位置(10字节)，速度(1字节)，队列流量(1字节)和分组类型(1bit)，共12个字节的字段。其中位置和速度是保障无人机安全飞行的关键信息，同时我们利用它们对无人机进行移动预测。队列流量和分组类型分别代表无人机需要传输业务分组的尺寸以及类型，用来制定信道分配方案。
图3为无人机组网信道结构示意图，本协议把时帧划分为CCHI和SCHI。为了区分服务，CCHI进一步划分为传输阶段和竞争阶段。传输阶段为已接入网络的无人机节点分配时隙，竞争阶段为新加入网络的无人机节点提供空闲时隙。为了控制安全分组的时延，整个时帧被固定为100ms。
图4为BP神经网络结构示意图，可以得到较为准确的下一个时帧无人机的到达流量。
图5为本发明安全分组的分组时延与无人机节点数量关系实验仿真结果图。随着无人机节点的数量增多，LODMAC和PPMAC的时延急剧增高，而TPF-MAC(本发明的协议名称)总是保持在一个可接受的范围内(约50ms)，满足安全分组的需求。
图6为本发明安全分组的分组接收率与无人机节点数量关系实验仿真结果图。TPF-
MAC的分组接收率总高于LODMAC和PPMAC。由于LODMAC和PPMAC都是基于竞争的，随着无人机节点的增多由竞争和移动造成的冲突更加严重。在TPF-MAC中，基于移动预测的时帧优化机制根据无人机的数量动态分配了有效的时隙，无人机可以几乎无冲突的广播安全分组。
图7为本发明业务分组的吞吐量与无人机节点数量关系实验仿真结果图。从图中可以看出，即使PPMAC使用两个独立的收发器(可以同时工作)，TPF-MAC也可以获得和PPMAC相当的吞吐量，且高于AMUAV的两倍以上。当无人机节点的平均速度从30m/s增加到60m/s，PPMAC和AMUAV的吞吐量减少了20％，而TPF-MAC只受到了轻微的影响。这是因为随着无人机飞行速度增加，由链路中断造成的信道资源损失更加严重。然而TPF-MAC采用移动预测防止在SCHI发生链路中断，避免了无效的传输。
图8为本发明视频分组的吞吐量与无人机节点数量关系实验仿真结果图。随着无人机节点数量的增多，TPF-MAC视频分组的吞吐量几乎线性增长且远高于其他协议。即使无人机节点的平均速度从30m/s增加到60m/s，TPF-MAC的吞吐量也只受到轻微的影响。这是因为在信道资源不足时，基于流量预测的信道分配机制保障了视频分组的带宽。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种基于流量预测的无人机自组网信道接入控制方法，其特征在于，所述控制方法适于以下场景：中心无人机通过单播的方式向其他无人机收集业务分组，其中包含视频、图像或者其他感知数据；每架无人机向相邻的无人机定期广播安全分组，广播内容包含位置、速度和障碍信息在内的安全消息；
所述控制方法包括以下步骤：
S1，根据第n时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量；
S2，根据历史均值，估算在第n时帧新到达网络的无人机数量；
S3，根据移动信息，预测在第n时帧离开中心无人机通信范围的无人机数量；
S4，根据网络拓扑的变化，调整竞争阶段中空闲时隙的数量以供新的无人机接入网络；
S5，根据移动预测，中心无人机判断得到将在传输过程中触发链路中断的无人机信息，并取消为这些无人机分配信道资源；
S6，通过流量预测理论，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量，以制定信道分配方案；所述神经网络包含m个输入层、h个隐藏层和m个输出层，在计算输入层到隐藏层的权值、隐藏层到输出层的权值、隐藏层神经元和输出层神经元的阈值时，基于梯度下降策略，在目标的负梯度方向上调整参数，直到训练误差小于等于预设误差阈值时停止迭代；
S7，基于步骤S6中的神经网络算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽。
2.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S7中，当目前的信道资源不能满足所有视频用户的需求时，采用贪心算法舍弃一个或多个影响最小的用户的需求。
3.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S1中，所述根据第n时帧竞争阶段冲突时隙的数量和时隙的总数量，得到第n时帧网络中无人机节点的数量和第n-1时帧新到达的无人机数量的过程包括以下步骤：
S11，分别获取第n时帧竞争阶段冲突时隙的数量Ncc(n)、时隙的总数量Ncp(n)和传输阶段中时隙的数量Ntp(n)；
S12，解算下述公式，计算得到第n时帧网络中无人机节点的数量N(n)和第n-1时帧新到达的无人机数量Nn(n-1)：
Figure FDA0002989643820000011
4.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，在步骤S2中，根据线性回归方程建立的模型估算在第n时帧新到达网络的无人机数量：
Nn(n)＝a+bn+μ
其中a为截距，b为自变量系数，μ为残差或随机误差，即所有其他不确定因素之和，其值是不确定的；
假设μ为正态分布，平均值为0，方差为σ2，表示为μ～N(0，σ2)，通过最小二乘估计得出a和b：
Figure FDA0002989643820000021
Figure FDA0002989643820000022
其中，i＝1，2，…，n-1。
5.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S3中，根据下述公式，预测在第n时帧离开中心无人机通信范围的无人机数量Nleave(n)：
Nleave(n)＝∑(1-xi)
Figure FDA0002989643820000023
其中，Pc和Pi分别表示现在中心无人机和无人机i的位置，
Figure FDA0002989643820000024
和
Figure FDA0002989643820000025
分别表示现在中心无人机和无人机i的速度；ts表示当前时帧SCHI的长度，R0是全向天线的通信距离；如果xi等于0，则表示无人机i会离开中心无人机全向天线的通信范围。
6.根据权利要求3所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S4中，采用下述公式计算得到第n+1帧的时隙数量：
NCCHI(n+1)＝Ntp(n+1)+Ncp(n+1)
＝N(n)-Nleave(n)+Nn(n)
Ntp(n+1)＝Ntp(n)+Nsp(n)-Nleave(n)
Ncp(n+1)＝Nn(n-1)-Nsp(n)+Nn(n)
式中，NCCHI(n+1)是第n+1时帧CCHI的时隙数目，Nsp(n)是第n个时帧竞争阶段中竞争成功的时隙数量，即成功接入网络的新无人机数量，Nleave(n)是在第n时帧离开中心无人机通信范围的无人机数量；
步骤S4中，如果有无人机被预测离开了网络而实际却没有离开，则该无人机将在下个时帧竞争空闲时隙。
7.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S5中，采用下述公式对将在传输过程中触发链路中断的无人机进行预测：
Figure FDA0002989643820000026
条件C1代表：
Figure FDA0002989643820000031
于此同时，条件C2代表：
Figure FDA0002989643820000032
式中，Pc和Pi分别表示现在中心无人机和无人机i的位置，
Figure FDA0002989643820000033
和
Figure FDA0002989643820000034
分别表示现在中心无人机和无人机i的速度，ts表示当前时帧SCHI的长度，Rd和θ表示定向天线的覆盖距离和角度；如果xi等于0，即使天线处于定向模式无人机i也不能在将来的SCHI保持和中心无人机的通信。
8.根据权利要求1所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S6中，所述采用神经网络，根据历史值预测下一个时帧的到达流量，以制定信道分配方案的过程包括以下步骤：
S61，假设有网络中有N架无人机，采用Li(n)表示第i架无人机在第n时帧业务分组的队列流量，之前m个时帧的队列流量为Li(n-1)，Li(n-2)，…，Li(n-m)；
S62，采用下述公式计算无人机i在第n时帧的到达流量：
li(n)＝Li(n)-[Li(n-1)-Ti(n-1)]
其中Ti(n-1)表示无人机i在第n-1时帧已传输的分组尺寸；
S63，依次计算历史时帧的分组到达速率li(n-1)，li(n-2)，…，li(n-m)；
S64，结合无人机的分组到达流量在时间上具有的自相关性，采用神经网络，根据历史值预测下一个时帧的到达流量li(n+1)。
9.根据权利要求1或者8所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，所述神经网络包含m个输入层，h个隐藏层和m个输出层；Vnh为输入层第n个神经元与隐层第h个神经元的连接权值，Whn为隐层第h个神经元与输出层第n个神经元的连接权值；设β、γ分别为输出层和隐藏层神经元阈值，f为激活函数，则隐藏层第p个神经元(n-m≤p≤n)的输入表示为：
Figure FDA0002989643820000035
其中1≤z≤h，并且其输出为：
Bz＝f(Qz-γz)；
输出层第q个神经元的输入表示为：
Figure FDA0002989643820000036
其中，n-m≤q≤，并且其输出为：
ri(q)＝f(βq-γq)。
10.根据权利要求8所述的基于流量预测的无人机自组网信道接入控制方法，其特征在于，步骤S7中，所述基于步骤S6中的优化算法，计算传输视频分组中无人机所需的最小传输时间，使得在当前信道资源不能满足所有无人机的业务需求时，优先保障视频分组的带宽的过程包括以下步骤：
S71，假设有k架无人机将在SCHI传输视频分组，分别定义他们的分组队列流量为Lv1(n)，Lv2(n)，…，Lvk(n)；
S72，根据下述公式计算传输视频分组中第j个无人机所需的最小传输时间的初始值：
Figure FDA0002989643820000041
式中，Bmin为视频分组的最小带宽，xvj代表预测的第j个无人机是否会发生链路中断，rt代表无人机的到达速率，T代表无人机已传输的分组尺寸；
S73，根据下个时帧信道的拥塞情况对最小传输时间的初始值进行调整，得到最终为每个传输视频的无人机分配的信道资源：
Figure FDA0002989643820000042
Figure FDA0002989643820000043
式中，tvj(n)表示为第j个传输视频的无人机分配的信道资源，α为调整因子，tSI(n)表示在第n时帧所有视频用户需求的信道资源总和。
CN202110316549.1A 2020-11-16 2021-03-24 一种基于流量预测的无人机自组网信道接入控制方法 Pending CN113365283A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011274687X 2020-11-16
CN202011274687.XA CN112105086A (zh) 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法

Publications (1)

Publication Number Publication Date
CN113365283A true CN113365283A (zh) 2021-09-07

Family

ID=73784593

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011274687.XA Withdrawn CN112105086A (zh) 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法
CN202110316549.1A Pending CN113365283A (zh) 2020-11-16 2021-03-24 一种基于流量预测的无人机自组网信道接入控制方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011274687.XA Withdrawn CN112105086A (zh) 2020-11-16 2020-11-16 基于流量预测的无人机自组网信道接入控制方法

Country Status (1)

Country Link
CN (2) CN112105086A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114650603A (zh) * 2022-02-16 2022-06-21 中国船舶工业系统工程研究院 无人机集群自组织通信网络时隙资源动态分配方法
CN114670856A (zh) * 2022-03-30 2022-06-28 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN114900859A (zh) * 2022-07-11 2022-08-12 深圳市华曦达科技股份有限公司 一种easymesh网络管理方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106685515A (zh) * 2017-01-05 2017-05-17 清华大学 空间信息网络中卫星资源的分配方法和装置
CN108596078A (zh) * 2018-04-20 2018-09-28 南京信息工程大学 一种基于深度神经网络的海洋噪声信号识别方法
CN110751290A (zh) * 2019-10-29 2020-02-04 国网黑龙江省电力有限公司电力科学研究院 基于人工智能数据驱动的主要断面预测方法
CN111126220A (zh) * 2019-12-16 2020-05-08 北京瞭望神州科技有限公司 一种视频监控目标实时定位方法
CN111124489A (zh) * 2019-12-31 2020-05-08 浙江工业大学 一种基于bp神经网络的软件功能点数估算方法
CN111325325A (zh) * 2020-02-20 2020-06-23 贵州电网有限责任公司 一种基于遗传算法和bp神经网络组合预测电能替代潜力的方法
CN111867139A (zh) * 2020-07-06 2020-10-30 上海交通大学 基于q学习的深度神经网络自适应退避策略实现方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495976B (zh) * 2018-12-05 2020-05-19 浙江大学 一种船载无人机通信信道接入方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106685515A (zh) * 2017-01-05 2017-05-17 清华大学 空间信息网络中卫星资源的分配方法和装置
CN108596078A (zh) * 2018-04-20 2018-09-28 南京信息工程大学 一种基于深度神经网络的海洋噪声信号识别方法
CN110751290A (zh) * 2019-10-29 2020-02-04 国网黑龙江省电力有限公司电力科学研究院 基于人工智能数据驱动的主要断面预测方法
CN111126220A (zh) * 2019-12-16 2020-05-08 北京瞭望神州科技有限公司 一种视频监控目标实时定位方法
CN111124489A (zh) * 2019-12-31 2020-05-08 浙江工业大学 一种基于bp神经网络的软件功能点数估算方法
CN111325325A (zh) * 2020-02-20 2020-06-23 贵州电网有限责任公司 一种基于遗传算法和bp神经网络组合预测电能替代潜力的方法
CN111867139A (zh) * 2020-07-06 2020-10-30 上海交通大学 基于q学习的深度神经网络自适应退避策略实现方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
AIJING LI 等: "CU-MAC: A MAC Protocol for Centralized UAV Networks with Directional Antennas", 《IEICE TRANSACTIONS ON COMMUNICATIONS》 *
王宏立等: "基于人工神经网络的秸秆挤压膨化工艺参数优化", 《农机化研究》 *
盛积德等: "前馈型神经网络中隐藏层神经元的研究", 《光电子.激光》 *
陈海列等: "一种基于DCS的分时训练神经网络", 《自动化应用》 *
魏亚红 等: "一种基于增量式BP神经网络的概念漂移数据流分类算法", 《电子技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114650603A (zh) * 2022-02-16 2022-06-21 中国船舶工业系统工程研究院 无人机集群自组织通信网络时隙资源动态分配方法
CN114670856A (zh) * 2022-03-30 2022-06-28 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN114670856B (zh) * 2022-03-30 2022-11-25 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统
CN114900859A (zh) * 2022-07-11 2022-08-12 深圳市华曦达科技股份有限公司 一种easymesh网络管理方法及装置
CN114900859B (zh) * 2022-07-11 2022-09-20 深圳市华曦达科技股份有限公司 一种easymesh网络管理方法及装置

Also Published As

Publication number Publication date
CN112105086A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN113365283A (zh) 一种基于流量预测的无人机自组网信道接入控制方法
US7463892B2 (en) Latency-aware service opportunity window-based (LASO) scheduling
Korkmaz et al. A cross-layer multihop data delivery protocol with fairness guarantees for vehicular networks
Ramanathan An Empirical study on MAC layer in IEEE 802.11 p/WAVE based Vehicular Ad hoc Networks
CN109618375B (zh) 基于业务优先级和信道中断概率的uav自组网时隙调度方法
CN107864028B (zh) 一种车辆自组织网络中的自适应帧聚合方法
CN111163491A (zh) 一种高信道利用率的细粒度统计优先多址接入方法
KR102113037B1 (ko) 차량 간 통신에서 혼잡을 제어하기 위한 주기적 메시지의 능동형 시분할 브로드캐스팅 방법과 통신 설정 조절 방법 및 장치
Ruan et al. An adaptive channel division MAC protocol for high dynamic UAV networks
Zheng et al. A multi-channel load awareness-based MAC protocol for flying ad hoc networks
US7379462B2 (en) WLAN access scheduling control
CN112040440A (zh) 一种支持不同QoS的无人机信道资源分配方法
CN113573419B (zh) 一种考虑多优先级业务的多跳网络信道接入方法
CN110662233A (zh) 基于定向天线收发的统计优先多址接入系统及实现方法
Xu et al. A priority differentiated and multi-channel MAC protocol for airborne networks
CN111405520B (zh) 两跳接入和终端直通的网络寻址机制与时隙调度方法
WO2006050664A1 (en) System and method for controlling access to a wireless medium
US20100098106A1 (en) Method and apparatus for allocating wireless resource and wireless network system
Zeeshan et al. Congestion Detection and Mitigation Protocols for Wireless Sensor Networks
KR101573149B1 (ko) 차량 간 통신에서 혼잡을 제어하기 위한 주기적 메시지의 능동형 시분할 브로드캐스팅 방법과 통신 설정 조절 방법 및 장치
Suherman et al. Adjusting WiMAX for a dedicated surveillance network
CN111182640A (zh) 一种无人机汇聚网络信道资源分配的方法和装置
Tao et al. TPF-MAC: Traffic prediction based MAC protocol for fanets
Mohammed A comprehensive survey on congestion control techniques and the research challenges on VANET
Chen et al. Re-planning optimization of cooperative vehicle coordination at road intersections

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