CN113783599B - 一种无人机群的无线感知系统能量与信息传输方法 - Google Patents

Abstract

本发明公开了一种无人机群的无线感知系统能量与信息传输方法，包括：构建基于多无人机供能的无线感知系统架构，系统中包含多个无线供能传感器与一个无人机群，各传感器基于随机接入与无人机建立连接实现组网；设计了机群内及机群与传感器间的能量与信息传输协议，设计联合优化算法，求解系统最优配置，获得最优传输策略。本发明针对单点无线供能感知系统中双重远近效应严重、覆盖范围小等现状，首次提出多无人机自主协同供能条件下的多网络功率分配、时隙设计与波束成型联合优化方法，同时为无人机群自主协同控制提供了高效可靠的通信手段。

Description

一种无人机群的无线感知系统能量与信息传输方法

技术领域

本发明涉及无人机群自主协同技术领域，更具体的说是涉及一种无人机群的无线感知系统能量与信息传输方法。

背景技术

近年来，随着无线通信技术的蓬勃发展，物联网技术迅速普及并得到广泛应用。目前，基于低功耗传感器的智能感知网络已广泛应用于环境监测、医疗保健、智能城市等各个领域。然而，为了满足无线传感器的小型化和轻量化要求，其电池容量通常受限。能量可持续供应问题成为无线感知网络的发展瓶颈，限制了其大规模部署。无线能量传输(WPT，Wireless Power Transmission)被认为是解决无线传感器网络长期稳定供电的一种理想方案，相比于传统的太阳能转换、机械能转换等能量获取方式，WPT在传输功率、信号波形和时频资源分配等方面具有高度可控的特点，具有明显的优越性。基于WPT技术，国内外学者进行了大量相关研究。

目前WPT技术主要基于两个框架：2013年，R.Zhang等提出了一种无线能量信息同传(SWIPT，Simultaneous Wireless Information and Power Transfer)方法，同时设计了基于时间切换与功率分割协议的接收机结构，证明了无线能量信息同传无论在理论上还是实际上均是可行的。2014年之后，无线供能通信网络(WPCN，Wireless PoweredCommunicationNetwork)也被提出，该技术不需要复杂的接收机结构，具有良好的实用性。至今，基于以上两种框架，中继技术、多天线技术、传感器协同技术等与WPT技术实现了较好的融合，使得利用无线供能传感器进行感知与数据采集成为可能。

然而，WPT技术在实际应用中面临着严重的双重远近效应：由于WPT技术以射频信号为载体进行能量传输，随着距离的增加，传播损耗愈发严重。因此距离较远的传感器获得的能量往往较少，但在感知数据回传过程中，它们却需要消耗更多的能量。双重远近效应严重影响了WPT技术的覆盖范围，使其无法应用于大范围的无线感知系统。解决双重远近效应的一种有效方法是布设多接入点(AP，Access Point)，在多AP场景下，传感器可同时从多个AP处获得能量，通过合理设计各AP发射功率，可有效调节各AP覆盖范围，均衡各传感器收集的能量，提升系统整体性能。

目前国内外未见在无人机群自主协同供能场景下进行联合设计，提升无线感知系统覆盖范围的研究，考虑到无线供能感知系统的实际使用场景通常具有难到达或高危性等特点，提供一种高效可靠的无人机群的无线感知系统能量与信息传输方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种无人机群的无线感知系统能量与信息传输方法，

为了实现上述目的，本发明采用如下技术方案：

一种无人机群的无线感知系统能量与信息传输方法，包括以下步骤：

构建基于无人机群自主协同供能的无线感知系统架构，所述无线感知系统架构包括K个预先布置在感知位置的无线供能传感器与可自由移动的无人机群，所述无人机群内包括N个无人机，每个感知子网包括一个无人机及其所管辖的M个传感器；所述无线感知系统架构中无人机均配备A个天线，而传感器受到尺寸和成本的限制仅配有单个天线；

在所述无线感知系统架构中，当需要进行感知时，无人机群到达指定区域对传感器进行无线能量传输与无线信息传输；每个传输过程包括两个阶段：无线能量收集WEH阶段和无线信息传输WIT阶段；

基于所述无线感知系统架构，联合无人机机群内的功率分配权重W、接收波束成型权值B和时间分割因子τ建立联合优化模型，求解系统最优配置，获得最优传输策略，在保证无人机机群内数据吞吐量的约束下，将传感器上行链路总吞吐量最大化；

所述联合优化模型为：

(P1):

s.t.C1:W±W^lb,

C2:WW^H＝1,

C3:

C4:τ^lb≤τ＜1.

其中，ξ_i为重要性因子且ξ_i＞0，C_i(W,B_ij,τ)为第i个子网内的总吞吐量，B_ij,为接收波束成型权值向量，

为功率分配权重向量W第i个元素的下界W，W^H表示向量W的共轭转置，τ^lb为时间分割因子τ的下界；

C1、C2和C3均为约束条件，C1为无人机群内的数据吞吐量约束，

为以

为元素的向量，表示W的下界；C2约束了无线能量收集WEH阶段的总功率恒定为P；C3意味着由于没有用于信号放大的额外能量，接收波束成型权重不能超过1，其中1_1×A表示尺寸为1×A的全1向量；C4限制了时间分割因子的上下界；

求解系统最优配置的步骤包括：

S1.设定最大优化次数与收敛阈值，设置W、B和τ的初值，并计算公共参数；

S2.通过黄金分割搜索算法在可行域[τ^lb,1)内进行最优值搜索，获得τ^*，并更新公共参数；在新的公共参数下优化W，获得W^*，并更新公共参数；在新的公共参数下优化B，获得B^*，并更新公共参数；在新的公共参数下通过黄金分割搜索算法再次获得新的τ^*，并更新公共参数；

S3.重复S2，直至相邻两次优化差值小于收敛阈值或达到最大优化次数，获得最终的W^*、B^*和τ^*。

需要说明的是：

在实际应用过程中，W、B和τ三者的优化顺序可以更改，经过实验可以发现，三者之间的优化顺序的不同对算法收敛速度有一定影响，首先优化τ在多数情况下收敛速度更快。

获得最优传输策略是在对无线能量传输与无线数据通信收发过程进行数学表述，分析各传感器节点能量收集性能与各无人机节点信息收发性能的基础之上进行的，其中包括：

(1)信道模型

射频信号信道参数主要受传播损耗、阴影效应与多径反射的影响。本发明采用的路径损耗模型为

PL(d,f)＝PL'(d,f)·X

其中，PL'为空间传播损耗，d代表发送端与接收端空间距离，f代表信号传输频率，X为阴影效应与多径反射引起的衰落因子。

(2)机群内信息传输吞吐量分析

假设在WEH阶段无人机群的总传输功率为P，W＝[w₁,…,w_N]为各无人机的功率分配权重(WW^H＝1)，则有无人机i的总发送功率为：

由于各无人机在其

个发射天线上平均分配发射功率，则对于无人机i的单个天线，其发射功率可表示为

(i＝1,…,N)，发射信号为：

其中

为承载无人机i状态信息的单位功率信号，即

无人机i与k(k＝1,…,N)之间的信道表示为

同时采用最大比合并技术进行多天线接收，因此接收权重可表示为

其中向量

通过对信道矩阵J_ik进行按列求和得到。无人机k从无人机i处接收信号时的信噪比为：

其中

是无人机单个天线上的噪声功率。令每个传输时间块长度表示为T，则WEH阶段长度为τT，其中τ称作时间分割因子，则无人机i到k的吞吐量可表示为：

r_ik＝τTlog₂(1+Γ_ik)

设无人机i到k(k≠i)间的最低吞吐量要求为Υ_ik，则需满足r_ik≥Υ_ik，此时有：

由于w_i需同时大于所有

由此可得

同理可知，对于τ存在下界

(3)传感器能量收集量分析

定义每个子网内的传感器数量令

为无人机k到子网i内的第k个传感器S_ij(j＝1,…,M)的信道向量，传感器单天线上的噪声功率为

能量收集模型可表示为线性函数P_收集＝ηP_输入，其中η(0＜η＜1)为转化效率，则在WEH阶段，S_ij收集到的总能量为：

其中

表示无人机群到传感器S_ij的信道矩阵。

(4)传感器上行吞吐量分析

在WIT阶段，各传感器的传输时长为

则传感器S_ij的发射功率可表示为：

由于在WIT阶段无人机不进行信号发射，因此A个天线均可用于数据接收。

传感器S_kj到无人机i的信道向量，

为承载传感器S_kj感知信息的单位功率信号，即

为抑制来自相邻子网内传感器的干扰，在无人机处进行多天线加权接收以提升信噪比。对于无人机i，当接收其子网内第j个传感器的数据时，接收波束成型权值向量表示为

其接收信号为：

其中

为无人机天线噪声，

因此，无人机i在时隙j的接收信号信噪比为：

第i个子网内的总吞吐量为：

优选的，传感器接收到能量信号后被唤醒，在获得足够能量后向无人机群广播接入请求；各个无人机选取其范围内信道状态最好的M＝K/N个传感器，并在机群内广播所选传感器编号，对于未被选中的传感器，指定与其信道状态最佳的无人机负责其信息接收，之后将剩余传感器按信道状态进行分配，组成感知子网，每个所述感知子网包括一个无人机及其所管辖的M个传感器；

机群内各无人机通过广播信道分享自身状态，以实现机群传输策略联合控制；

传感器在f_S频段内以半双工模式工作，无人机在f_U频段内以全双工模式工作。

优选的，所述WEH阶段进行传感器能量收集与机群内广播通信，在此期间，所有无人机采用正交频分复用技术OFDM，同时向机群中其他无人机节点广播自身状态信息，A个天线被等分为发射天线与接收天线，实现全双工通信；与此同时，传感器利用无人机机群内通信期间辐射出的射频信号进行能量收集，用于所述WIT阶段的数据传输；所述WIT阶段被分配给传感器进行感知数据上传，所述WIT阶段的传输时间被平均划分为M个时隙；在第j个时隙内，所有子网中第j个传感器同时利用收集的能量向其对应的无人机发送感知信息，通过固定信道实现点对点通信。

优选的，S2中通过黄金分割搜索算法在可行域[τ^lb,1)内进行最优值搜索，获得时间分割因子最优解τ^*的具体内容包括：

将B和W固定为常量，令

则τ^*为：

s.t.τ^lb≤τ＜1.

其中，χ_ιj、ψ_ιj均为用于简化数学描述的中间变量，P为WEH阶段无人机群总传输功率，η为转化效率且0＜η＜1，

为无人机k到感知子网i内的第j个传感器S_ij的信道向量，

表示无人机群到传感器S_ij的信道矩阵。

需要说明的是：

χ_ιj、ψ_ιj均是为了简化数学描述而引入的中间变量，没有实际物理意义。如果不进行简化描述，优化问题的表达式会变得复杂且晦涩。

优选的，S2中在新的公共参数下优化W，获得功率分配权重最优解W^*的具体内容包括：

将B和τ固定为常量，定义

及

则W^*为：

(P3):

s.t.C1:W±W^lb,

C2:WW^H＝1.

其中，

为传感器S_kj到无人机i的信道向量，

为无人机k到感知子网i内的第j个传感器S_ij的信道向量，

表示无人机群到传感器S_ij的信道矩阵，

是无人机单个天线上的噪声功率，I_N为N阶单位阵。

需要进一步说明的是：

上式中的目标函数可以通过求解矩阵

的特征向量来求解。首先将上式分为M×N个单独优化问题，并用

表示W在单独优化问题中的副本。为转化为标准瑞利熵，引入新变量

则有

(P3)的求解过程为：

首先，将(P3)分为M×N个单独优化问题，并通过求解矩阵

的特征向量来求解

其次，引入新变量

将优化目标转化为标准瑞利熵形式，并获得转换关系

之后，为满足C1，对于未达到下界的

将其强行设置为其下界

并定义修正后的分配权重向量为

以及

再者，修正矩阵Q_ij并记为

使其仍满足特征值定义

其中β_ij为Q_ij的最大特征值；

然后，重新计算

固定被强行设为下界的元素，将其归一化并记为

可得到

最终，基于加权近似将

转化为W^*，加权系数设置为ρ_ij＝ξ_iα_ij。

优选的，S2中在新的公共参数下优化B，获得接收波束成型权值最优解B^*的具体内容包括：

将W和τ固定为常量，定义

以及

则求吞吐量C(B)的最大值来实现接收波束成型的优化：

其中对数项为广义瑞利熵；对于无人机i，当接收其子网内第j个传感器的数据时，接收波束成型权值向量表示为

和

均为用于简化数学描述的中间变量；

值得注意的是，B_ij是独立的。因此，为了得到C(B)的最大值，只需要找到向量B_ij的最优解。考虑到对数函数的单调性，可以通过分别求得向量B_ij的最优解求C(B)的最大值，即：

(P2):

s.t.

根据瑞利熵理论，通过求解矩阵

的最大特征值对应的特征向量得到B_ij的最优解，将求B_ij的最优解的运算定义为Eigmaxv(·)，则有

通过单独计算

获取矩阵B^*中的每一列，继而获取B^*。

需要进一步说明的是：

(P3)与(P2)相比主要有两点不同。

第一点，在(P2)中，由于下界的存在，需要对求得的特征向量进行修正：首先，为满足C1，对于未达到下界的

需将其强行设置为其下界

并定义修正后的分配权重向量为

以及

之后，在此基础上，修正矩阵Q_ij并记为

使其仍满足特征值定义

其中β_ij为Q_ij的最大特征值。最终，重新计算

固定被强行设为下界的元素，将其归一化并记为

可得到

第二点，由于W被M×N个单独优化问题共享，因此，还需要将

转化为W^*。本发明中采用加权近似方法，加权系数设置为ρ_ij＝ξ_iα_ij，其中ξ_i为各子网的重要性因子，α_ij为传感器S_ij在

下可达的最大吞吐量。此方法可以得到一个次优的W^*，但能够保证关键子网的监测效果以及距离无人机较远的传感器正常工作。

根据上文详细论述可知，接收波束成型优化可通过瑞利熵理论求解，功率分配权重可通过瑞利熵与加权近似求得，时间分割因子可基于黄金分割搜索算法确定。基于上述论断，可对各优化变量进行交替优化更新。其主要思想在于：首先将其余优化变量视作定值，求解某一变量的最优值并更新公共参数，之后按照此方法依次优化其余变量，此时完成一次交替优化；重复上述过程直到到达预设的优化次数或算法收敛，即可获得所求联合优化的最终参数。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种无人机群的无线感知系统能量与信息传输方法，本发明针对无线供电网络覆盖范围小、双远近效应严重等不足，提出了通过网络划分与多无人机协作的方式来扩大数据采集系统的覆盖范围，抑制了双重远近效应。本发明充分考虑了多网络环境下的额外能量与干扰，所构建的系统模型更加准确。此外，传统无限能量传输方案不能充分利用射频信号的能量，而本发明通过回收无人机群内信息交互所辐射的信号为传感器充电，最大限度地提高了网络能量效率。本发明所述技术可广泛应用于桥梁定期检测、农田监测等各领域，具有较强的实际应用价值。

附图说明

为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的一种无人机群的无线感知系统能量与信息传输方法的流程示意图。

图2为本发明实施例所提供的一种无人机群的无线感知系统能量与信息传输方法中的多无人机自主协同数据采集系统模型示意图。

图3为本发明实施例所提供的一种无人机群的无线感知系统能量与信息传输方法中的传输协议示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

本发明实施例公开了一种无人机群的无线感知系统能量与信息传输方法，如图1所示，包括以下具体内容：

(1)组网过程

K个无线供能传感器预先布置在感知位置，当需要进行感知时，无人机群到达指定区域对传感器进行无线能量传输，传感器接受到能量信号后被唤醒，在获得足够能量后向无人机群广播接入请求。各个无人机选取其范围内信道状态最好的M＝K/N个传感器，并在机群内广播所选传感器编号，对于未被选中的传感器，强制与其信道状态最好的无人机负责接收其信息，之后将剩余传感器按信道状态进行分配，每个无人机及其所管辖的M个传感器组成一个感知子网。

(2)时隙分配

在WEH阶段，所有无人机采用OFDM技术同时向机群中其他节点广播状态信息，选取A/2个天线作为发射天线，其余A/2个天线作为接收天线，实现全双工通信。传感器从无人机群辐射出的射频信号中获取能量并存储于超级电容或电池。在WIT阶段，子网内的传感器依次在分配的时隙内与其接入的无人机进行通信，所有子网同时进行上述过程，无人机在每个时隙内仅与其子网内单个传感器进行点对点通信。

(1)信道模型设定

参考基于传播损耗、阴影效应与多径反射的路径损耗模型，信道传播过程中的信号损耗可表述为：

在空旷场景下，无人机与传感器之间可近似为自由空间。

(2)机群内信息传输吞吐量分析

无人机群的总传输功率为P根据感知任务数据量、无人机电池容量与总体采集时间等综合设置，经过功率分配，可知无人机i的发送功率为：

无人机在f_U频带内的正交载波上调制状态信息

并在其发射天线上平均分配发射功率，发射信号为

与此同时，为提升信噪比，在剩余天线上利用最大比合并技术进行多天线分集接收。权重由各天线上的接收信号强度决定，由于各天线发射信号相同，可直接通过信道状态获得权重V_ik，并求得无人机k从无人机i处接收信号的信噪比为

根据香农定理得到无人机i到k的吞吐量：

r_ik＝τTlog₂(1+Γ_ik)

(3)传感器能量收集量分析

在低功耗网络内，能量收集模型可表示为线性函数P_收集＝ηP_输入，由于噪声功率较小，在能量收集中不做考虑，计算得WEH阶段传感器S_ij收集到的总能量：

(4)传感器上行吞吐量分析

在WIT阶段，各传感器消耗掉所有能量进行数据传输，求得其发射功率为

在时隙j内，所有子网内的第j个传感器同时在频率f_S上对承载感知信息的信号

进行调制。值得注意的是，在接入阶段，若在无人机i处，两个传感器的信道状态相似，则认为他们与无人机i的距离相似。若有两个以上无人机报告这两个传感器距离相似，那么认为他们在空间内是相近的。如果它们分别接入到不同无人机，则将其分配至不同时隙以避免干扰。接收波束成型通过多天线支路加权实现，无人机i在时隙j的接收信号信噪比为

根据香农定理，所有子网的总吞吐量为

(1)总体优化问题构建

已知总吞吐量表达式与约束条件，针对优化变量功率分配权值W、接收波束成型矩阵B与时间分割因子τ，可直接构建总体优化问题如下:

s.t.C1:W±W^lb,

C2:WW^H＝1,

C4:τ^lb≤τ＜1.

(2)接收波束成型权重优化

首先将W和τ设定为常量，为提升收敛速度，将W设置为等权分配向量，τ设定为可行区间的中值(τ^lb+1)/2，之后计算矩阵

以及

并构建B_ij的单独优化问题：

s.t.

之后求解矩阵

的最大特征值对应的特征向量，为满足约束条件，需将特征向量进行归一化。

(3)功率分配权重优化

相似地，W首先将B和τ固定为常量，其中所有B_ij均设置为等权值接收向量，τ设置为(τ^lb+1)/2，在此基础上，计算

及

将功率分配权重优化问题简化为

s.t.C1:W±W^lb,

C2:WW^H＝1.

其求解过程为：

首先，将(P3)分为M×N个单独优化问题，并通过求解矩阵

的特征向量来求解

其次，引入新变量

将优化目标转化为标准瑞利熵形式，并获得转换关系

之后，为满足C1，对于未达到下界的

将其强行设置为其下界

并定义修正后的分配权重向量为

以及

再者，修正矩阵Q_ij并记为

使其仍满足特征值定义

其中β_ij为Q_ij的最大特征值。

然后，重新计算

固定被强行设为下界的元素，将其归一化并记为

可得到

最终，基于重要性因子的加权，将

转化为W^*，加权系数设置为ρ_ij＝ξ_iα_ij。

(4)时间分割因子优化

将W设置为等权功率分配向量，B_ij均设置为等权值接收向量，分别计算恒定参数

将时间分割因子优化问题简化为

s.t.τ^lb≤τ＜1.

之后计算τ的下界τ^lb，将其求解可行域设为[τ^lb,1)，通过黄金分割搜索方法即可求解。

联合优化可通过交替更新算法实现：已知接收波束成型优化可通过瑞利熵理论求解，功率分配权重可通过瑞利熵与加权近似求得，时间分割因子可基于黄金分割搜索算法确定。可按照步骤3中的所描述，首先将其余优化变量视作定值，求解某一变量的最优值并更新公共参数，之后按照此方法依次优化其余变量，此时完成一次交替优化；重复上述过程直到到达预设的优化次数或算法收敛，即可获得所求联合优化的最终参数。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种无人机群的无线感知系统能量与信息传输方法，其特征在于，包括以下步骤：

构建基于无人机群自主协同供能的无线感知系统架构，所述无线感知系统架构包括K个预先布置在感知位置的无线供能传感器与可自由移动的无人机群，所述无人机群内包括N个无人机，每个感知子网包括一个无人机及其所管辖的M个传感器；所述无线感知系统架构中无人机均配备A个天线，而传感器受到尺寸和成本的限制仅配有单个天线；

在所述无线感知系统架构中，当需要进行感知时，无人机群到达指定区域对传感器进行无线能量传输与无线信息传输；每个传输过程包括两个阶段：无线能量收集WEH阶段和无线信息传输WIT阶段；

基于所述无线感知系统架构，联合无人机机群内的功率分配权重W、接收波束成型权值B和时间分割因子τ建立联合优化模型，求解系统最优配置，获得最优传输策略，在保证无人机机群内数据吞吐量的约束下，将传感器上行链路总吞吐量最大化；

所述联合优化模型为：

s.t.C1:W≥W^lb,

C2:WW^H＝1,

C4:τ^lb≤τ＜1.

其中，ξ_i为重要性因子且ξ_i＞0，C_i(W,B_ij,τ)为第i个子网内的总吞吐量，B_ij为接收波束成型权值向量，

为功率分配权重向量W第i个元素的下界，W^H表示向量W的共轭转置，τ^lb为时间分割因子τ的下界；

C1、C2和C3均为约束条件，C1为无人机群内的数据吞吐量约束，

为以

为元素的向量，表示W的下界；C2约束了无线能量收集WEH阶段的总功率恒定为P；C3意味着由于没有用于信号放大的额外能量，接收波束成型权重不能超过1，其中1_1×A表示尺寸为1×A的全1向量；C4限制了时间分割因子的上下界；

求解系统最优配置的步骤包括：

S1.设定最大优化次数与收敛阈值，设置W、B和τ的初值，并计算公共参数；

S2.通过黄金分割搜索算法在可行域[τ^lb,1)内进行最优值搜索，获得时间分割因子最优解τ^*，并更新公共参数；在新的公共参数下优化W，获得功率分配权重最优解W^*，并更新公共参数；在新的公共参数下优化B，获得波束成型权值最优解B^*，并更新公共参数；在新的公共参数下通过黄金分割搜索算法再次获得新的τ^*，并更新公共参数；

S3.重复S2，直至相邻两次优化差值小于收敛阈值或达到最大优化次数，获得最终的W^*、B^*和τ^*。

2.根据权利要求1所述的一种无人机群的无线感知系统能量与信息传输方法，其特征在于，传感器接收到能量信号后被唤醒，在获得足够能量后向无人机群广播接入请求；各个无人机选取其范围内信道状态最好的M＝K/N个传感器，并在机群内广播所选传感器编号，对于未被选中的传感器，指定与其信道状态最佳的无人机负责其信息接收，之后将剩余传感器按信道状态进行分配，组成感知子网，每个所述感知子网包括一个无人机及其所管辖的M个传感器；

机群内各无人机通过广播信道分享自身状态，以实现机群传输策略联合控制；

传感器在f_S频段内以半双工模式工作，无人机在f_U频段内以全双工模式工作。

3.根据权利要求1所述的一种无人机群的无线感知系统能量与信息传输方法，其特征在于，所述WEH阶段进行传感器能量收集与机群内广播通信，在此期间，所有无人机采用正交频分复用技术OFDM，同时向机群中其他无人机节点广播自身状态信息，A个天线被等分为发射天线与接收天线，实现全双工通信；与此同时，传感器利用无人机机群内通信期间辐射出的射频信号进行能量收集，用于所述WIT阶段的数据传输；所述WIT阶段被分配给传感器进行感知数据上传，所述WIT阶段的传输时间被平均划分为M个时隙；在第j个时隙内，所有子网中第j个传感器同时利用收集的能量向其对应的无人机发送感知信息，通过固定信道实现点对点通信。

4.根据权利要求1所述的一种无人机群的无线感知系统能量与信息传输方法，其特征在于，S2中通过黄金分割搜索算法在可行域[τ^lb,1)内进行最优值搜索，获得时间分割因子最优解τ^*的具体内容包括：

将B和W固定为常量，令

则τ^*为：

s.t.τ^lb≤τ＜1.

其中，T为每个传输时间块长度，

是无人机单个天线上的噪声功率，

为传感器S_kj到无人机i的信道向量，χ_ιj、ψ_ιj均为用于简化数学描述的中间变量，P为WEH阶段无人机群总传输功率，η为转化效率且0＜η＜1，

表示无人机群到传感器S_ij的信道矩阵。

5.根据权利要求1所述的一种无人机群的无线感知系统能量与信息传输方法，其特征在于，S2中在新的公共参数下优化W，获得功率分配权重最优解W^*的具体内容包括：

将B和τ固定为常量，定义

及

则W^*为：

s.t.C1:W≥W^lb,

C2:WW^H＝1.

其中，P为WEH阶段无人机群总传输功率，η为转化效率且0＜η＜1，

为传感器S_kj到无人机i的信道向量，

是无人机单个天线上的噪声功率，I_N为N阶单位阵。

6.根据权利要求1所述的一种无人机群的无线感知系统能量与信息传输方法，其特征在于，S2中在新的公共参数下优化B，获得接收波束成型权值最优解B^*的具体内容包括：

将W和τ固定为常量，定义

以及

则求吞吐量C(B)的最大值来实现接收波束成型的优化：

其中对数项为广义瑞利熵；P为WEH阶段无人机群总传输功率，η为转化效率且0＜η＜1；

为传感器S_kj到无人机i的信道向量；T为每个传输时间块长度，

是无人机单个天线上的噪声功率；对于无人机i，当接收其子网内第j个传感器的数据时，接收波束成型权值向量表示为

和

均为用于简化数学描述的中间变量；

通过分别求得向量B_ij的最优解求C(B)的最大值，即：

根据瑞利熵理论，通过求解矩阵

的最大特征值对应的特征向量得到B_ij的最优解，将求B_ij的最优解的运算定义为Eigmaxv(·)，则有

通过单独计算

获取矩阵B^*中的每一列，继而获取B^*。

Images