CN114051204B - 一种基于智能反射面的无人机辅助通信方法 - Google Patents

一种基于智能反射面的无人机辅助通信方法 Download PDF

Info

Publication number
CN114051204B
CN114051204B CN202111312092.3A CN202111312092A CN114051204B CN 114051204 B CN114051204 B CN 114051204B CN 202111312092 A CN202111312092 A CN 202111312092A CN 114051204 B CN114051204 B CN 114051204B
Authority
CN
China
Prior art keywords
reflecting surface
unmanned aerial
aerial vehicle
intelligent
phase
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
Application number
CN202111312092.3A
Other languages
English (en)
Other versions
CN114051204A (zh
Inventor
赵健
陈培昕
李龙敏
刘潇博
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
Original Assignee
Nanjing University
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 filed Critical Nanjing University
Priority to CN202111312092.3A priority Critical patent/CN114051204B/zh
Publication of CN114051204A publication Critical patent/CN114051204A/zh
Application granted granted Critical
Publication of CN114051204B publication Critical patent/CN114051204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computing Systems (AREA)
  • Radio Relay Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于智能反射面的无人机辅助通信方法，包括：步骤1：智能反射面将信号反射给用户通信设备组成的下行链路；步骤2：通过信道相干性对智能反射面的相位进行优化，得到智能反射面相位的函数表达式；步骤3：智能反射面相位闭式解确定后，利用具有局部稳定解的惩罚对偶分解算法和连续凸逼近算法优化在时分多址接入方式下的无人机的飞行路径、智能反射面相位和连接关系变量αk[n]；步骤4：智能反射面相位确定后，利用具有局部稳定解的惩罚对偶分解算法和连续凸逼近算法优化在非正交多址接入方式下的无人机的飞行路径、智能反射面的相位、通信功率分配和二元变量Ωk，j[n]，从而基于智能反射面的无人机辅助通信。

Description

一种基于智能反射面的无人机辅助通信方法
技术领域
本发明涉及一种无人机无线通信领域，特别是一种基于智能反射面的无人机辅助通信方法。
背景技术
可重构智能表面能够构建智能无线电环境，该环境能够通过可编程方法改变入射电磁波的传播，以控制入射电磁波的相位。随着可重构智能表面的出现，无线系统设计的新范式被考虑。它们不是取自由空间中不可控的反射，而是作为可以优化的系统参数的一部分。智能反射面(Reconfigurable Intelligent Surfaces)作为一种新技术，近年来在无线通信系统中的应用激增了。可重构智能表面能够辅助无线通信系统在窃听情况下的保密性能。并且可重构的智能表面辅助无人机方案，能够提高无人机无线通信系统的覆盖范围和性能。一种实际情况中，其中有限尺寸的智能反射面(RIS)只能产生有限数量的离散相移。因此提出了混合波束形成的和速率最大化问题。利用基于衰减深度Q网络(D-DQN)的算法来解决能量消耗最小化问题，该算法是通过联合设计无人机的运动、RIS的相移、功率分配以及确定动态解码顺序来制定的。L.Yang等人在“Secrecy Performance Analysis of RIS-Aided Wireless Communication Systems(智能反射面协助下的无线通信系统的保密表现分析)”中提出了可重构智能表面辅助无线通信系统在窃听情况下的保密性能。H.Guo等人在“Weighted Sum-Rate Maximization for Reconfigurable Intelligent SurfaceAided Wireless Networks(可重构智能表面辅助无线网络的加权和速率最大化)”在中考虑了所有用户通信设备的加权和比率(WSR)问题。作者在完美和不完美信道状态下联合优化了接入点的波束形成和智能反射面(RIS)元素的相位矢量。通过将RIS辅助通信的概念引入指数调制领域，频谱效率和接收都将得到改善。
由于飞行平台使用的快速增长，无人机在无线通信中的大量潜在应用被研究。一般来说，无人机的研究大多集中在空地信道建模上。无人机的机动性是通过动态调整无人机状态来提升通信性能的机会。此外，联合设计自适应通信和无人机机动性控制是提高通信性能的新方案。智能交通系统无人机可以利用专用短程通信接口，这将在未来实现车到车(V2V)和车到其他(V2X)通信。
由于无人机(UAV)辅助无线通信的低成本、高移动性和固有的视距空对地信道，无人机无线通信是第六代(6G)无线网络中军事和民用领域都很有前途的方式。传统的中继技术局限于固定位置和静态中继。并且得益于无人机成本的不断降低，部署高速移动无线中继可以解决传统中继的问题。此外，可重构智能表面能够构建智能无线电环境，该环境能够通过可编程方法改变入射电磁波的传播，并通过改变其相位能够有效提高用户通信设备的通信质量。
经过对现有文献的检索发现，与传统的无人机作为中继和基站的辅助通信方式不同，M.Mozaffari等人在2016年发表“Unmanned Aerial Vehicle With Underlaid Device-to-Device Communications:Performance and Tradeoffs(无人机辅助的底层设备到设备通信：性能和权衡)”考虑了在静态和移动无人机场景中无人机和底层设备到设备(D2D)通信网络之间的共存，试图使无人机作为飞行基站，在特定的地理区域提供无线通信服务。M.M.Azari等人在“UAV-to-UAV Communications in Cellular Networks(无人机与无人机之间在蜂窝网之间的通信)”利用两种不同链路类型的覆盖概率和速率来确定最佳频谱共享策略。基于这种策略，提出了一种蜂窝网络方案，其中无人机到无人机(U2U)链路与地面用户通信设备的上行链路共享相同的频谱。M.Mozaffari等人在“Wireless CommunicationUsing Unmanned Aerial Vehicles(UAVs):Optimal Transport Theory for Hover TimeOptimization(使用无人机(UAV)的无线通信：悬停时间优化的最佳传输理论)”研究了飞行时间有限的无人机被视为移动基站的情况。
在无线通信中，低空平台(LAPs)越来越受欢迎可以以多种方式应用，例如无人机。考虑到无人机机载能量有限，一个关键问题是在延长续航时间的同时提高通信质量。D.Yang等人在“Energy Tradeoff in Ground-to-UAV Communication via TrajectoryDesign(通过轨迹设计进行对地无人机通信的能量权衡)”中首次尝试研究一种节能的无人机通信方案，其中应用了一种同时考虑通信吞吐量和无人机能耗的范式。Y.Zeng等人在“Energy-Efficient UAV Communication With Trajectory Optimization(轨迹优化的无人机节能通信)”中设计了一个无人机支持的数据收集系统，并揭示了地面到无人机无线通信中的能量平衡。
并且由于频谱资源的限制和用户通信设备之间的干扰，各种无线接入技术被提出来在提高频谱利用率的基础上进一步地消除用户通信设备之间的干扰。为了进一步提高频谱效率，无线接入技术也代代相传。与传统的正交多址相比，非正交多址(NOMA)可以在同一资源块中服务多个用户通信设备。多个用户通信设备之间的信道增益是不同的。因此，功率域NOMA利用信道增益的差异进行多路复用。并且接收机使用连续干扰消除(SIC)来解码多个数据流。Y.Saito等人在“Non-Orthogonal Multiple Access(NOMA)for CellularFuture Radio Access(用于蜂窝未来无线电接入的非正交多址(NOMA))”首先提出了一个非正交多址概念。之后多输入多输出技术被应用于NOMA系统。并且，Z.Chen等人在“(准降级在MISO-NOMA下行链路中的应用)”中考虑了一个场景，其中NOMA被应用于MISO下行链路。Y.Tian等人在“On the Performance of Opportunistic NOMA in Downlink CoMPNetworks(关于下行对协调多点(CoMP)网络中机会NOMA的性能)”中针对协调多点(CoMP)系统提出了一种机会NOMA方案。
综上所述，现有技术存在的问题是：(1)由于城市中的高楼大厦以及山区中山脉的阻隔，用户通信设备的通信质量会下降；(2)利用传统的中继改善信道质量功耗和成本都相对较高；(3)利用一般优化手段解决用户通信设备通信速率问题时，收敛速度会很慢。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于智能反射面的无人机辅助通信方法。
为了解决上述技术问题，本发明公开了一种基于智能反射面的无人机辅助通信方法，其特征在于：该方法运行的无线通信系统包括一个无人机、一个基站和K个用户通信设备组成的下行链路，所有用户通信设备都通过反射信道连接到基站，所述方法包括以下步骤：
步骤1：装配着一根全向天线的基站向装配着智能反射面的无人机发射信号，无人机从一个固定的起始位置飞向一个固定的终止位置，智能反射面将信号反射给用户通信设备；
步骤2：通过信道相干性对智能反射面的相位进行优化，得到智能反射面相位的函数表达式；
步骤3：智能反射面相位闭式解确定后，利用具有局部稳定解的惩罚对偶分解算法和连续凸逼近算法(SCA)优化在时分多址接入方式下的无人机的飞行路径、智能反射面相位和连接关系变量αk[n]。
步骤4：智能反射面相位确定后，利用具有局部稳定解的惩罚对偶分解算法和连续凸逼近算法(SCA)优化在非正交多址接入方式下的无人机的飞行路径、智能反射面的相位、通信功率分配和二元变量Ωk，j[n]，从而实现基于智能反射面的无人机辅助通信。
下行链路中在时分多址和非正交多址接入方式下解决最大化最小平均用户通信设备通信速率，时分多址接入方式下最大化最小平均用户通信设备速率的方法为：
Figure BDA0003342005510000041
s.t.C1：
Figure BDA0003342005510000042
C2：αk[n]＝{0，1}，
Figure BDA0003342005510000043
C3：
Figure BDA0003342005510000044
C4：
Figure BDA0003342005510000045
C5：0≤θm[n]≤2π，
Figure BDA0003342005510000046
C1-C5均为约束条件的表达式，
Figure BDA0003342005510000047
为智能反射面相位组成的矩阵，RTDMA，k为时分多址接入方式下的用户通信速率，T是整个无人机的飞行周期，整个飞行周期被划分为N个时隙，
Figure BDA0003342005510000048
是在第n个时隙无人机的位置，Vmax为无人机飞行的最大速率，δt为每个时隙的长度，
Figure BDA0003342005510000049
为无人机的初始位置，
Figure BDA00033420055100000410
为无人机的终止位置，θm[n]为智能反射面的相位，m为第m个智能反射面元素，αk[n]是一个自定义的二元变量，αk[n]＝{0，1}，当用户通信设备k在时隙n中得到服务时，K表示用户的总数，当αk[n]＝1，否则，αk[n]＝0。
本发明中，非正交多址接入方式下的最大化最小平均用户通信设备速率的方法为：
Figure BDA0003342005510000051
s.t.C6：
Figure BDA0003342005510000052
C7：
Figure BDA0003342005510000053
C8：
Figure BDA0003342005510000054
C9：
Figure BDA0003342005510000055
C10：
Figure BDA00033420055100000510
C11：
Figure BDA0003342005510000057
C12：0≤θm[n]≤2π，
Figure BDA0003342005510000058
C6-C12均为约束条件的具体表达式，RNOMA，k为非正交多址接入方式下的通信速率，Ωk，j[n]是一个引入的二元变量为第k个用户通信设备和第j个用户通信设备之间的距离大小关系，当dkdb＞djdb，Ωk，j[n]＝1，否则Ωk，j[n]＝0，dk，db分别代表无人机到第k个用户的距离和基站到无人机的距离，dj代表无人机到第j个用户的距离。Pk[n]代表第k个用户通信设备在第n个时隙分配到的通信功率，Pc为最多可以消耗的通信功率。
本发明中，步骤2利用信道相关性得到智能反射面相位的函数表达式：
Figure BDA0003342005510000059
该第m个智能反射面元素相位的值与无人机的位置相关，ω为一个0-2π的常数，φk[n]为智能反射面到第k个用户通信设备的反射角的余弦值，φb[n]为基站到智能反射面的入射角的余弦值。
本发明中，步骤3根据得到的智能反射面相位函数表达式，通过惩罚对偶分解算法和连续凸逼近算法的联合优化算法将非凸的时分多址接入方式下的最大化最小平均值通信速率问题转化为一个凸问题，进而该凸问题利用CVX工具箱优化出无人机的飞行路径、智能反射面相位和连接关系变量αk[n]。
本发明中，步骤4根据得到的智能反射面相位函数表达式，通过提出通过惩罚对偶分解算法和连续凸逼近算法的联合优化算法将非凸的非正交多址接入方式下的最大化最小平均值通信速率问题转化为一个凸问题，进而该凸问题利用CVX工具箱优化出无人机的飞行路径、智能反射面相位、变量Ωk，j[n]和通信功率分配。
本发明中，步骤3包括以下算法：
Figure BDA0003342005510000061
C13-C16均为约束条件的具体表达式，辅助变量
Figure BDA0003342005510000062
作为log(1+SINRTDMA，k)的下界，引入辅助变量Ψk[n]作为SINRTDMA，k的下界，ζk[n]作为
Figure BDA0003342005510000063
的下界，SINRTDMA为正交多址接入方式下的信干扰比。
本发明中，步骤4包括：
Figure BDA0003342005510000064
s.t.C17：
Figure BDA0003342005510000065
C18：
Figure BDA0003342005510000066
C19：δ2γk[n]≤τk[n]
C20：0≤αk[n]≤1
C21：
Figure BDA0003342005510000067
C22：
Figure BDA0003342005510000071
C23：δ2γk[n]≤τk[n]
C24：C1-C4，C13
C17-C24均为约束条件的具体表达式，其中，
Figure BDA0003342005510000072
Figure BDA0003342005510000073
为待优化的所有变量的集合，为
Figure BDA0003342005510000074
作为
Figure BDA0003342005510000075
的下界，βk[n]为引入的二元辅助变量αk[n]＝βk[n]，继续引入辅助变量τk[n]作为
Figure BDA0003342005510000076
的上界，γk[n]作为
Figure BDA0003342005510000077
的上界，h0为信道增益，P为发射功率，并且M为智能反射面元素的个数，dk[n]，db[n]分别为无人机到用户的距离和基站到无人机的距离，α为衰落指数，δ2为背景白噪声，
Figure BDA0003342005510000078
为惩罚参数，λ1和λ2都是对偶变量参数，继续利用连续凸逼近算法求解出无人机的飞行路径、智能反射面相位和连接关系变量αk[n]。
本发明中，步骤4中引入
Figure BDA0003342005510000079
作
Figure BDA00033420055100000710
的下界，引入Ψk[n]作为SINRNOMA，k[n]的下界，引入
Figure BDA00033420055100000711
作为
Figure BDA00033420055100000712
的下界；
Figure BDA00033420055100000713
C25-C28均为约束条件的具体表达式，RNOMA，k[n]为非正交多址接入方式下的用户通信速率，SINRNOMA，k[n]为非正交多址方式下在第n个时隙的信干扰比，Pj[n]为第n个时刻向第j个用户分配的发射功率。
本发明中，步骤4包括：
Figure BDA00033420055100000814
s.t.C29：C6-C8，C11
C30：0≤Ωk，j[n]≤1
C31：
Figure BDA00033420055100000813
C32：
Figure BDA0003342005510000081
C33：
Figure BDA0003342005510000082
C34：
Figure BDA0003342005510000083
C35：
Figure BDA0003342005510000084
C29-C35均为约束条件的具体表达式，
其中，
Figure BDA0003342005510000085
并且
Figure BDA0003342005510000086
为待优化的变量的集合，引入辅助变量τk[n]作为：
Figure BDA0003342005510000087
的上界，γk[n]作为
Figure BDA0003342005510000088
的上界；最后引入
Figure BDA0003342005510000089
作为dk[n]的上界；
Figure BDA00033420055100000810
为惩罚参数，λ1和λ2都是对偶变量参数，其中
Figure BDA00033420055100000811
为引入的辅助变量其值为：
Figure BDA00033420055100000812
继续利用连续凸逼近算法可以求解出无人机的飞行路径、智能反射面相位、变量Ωk，j[n]和通信功率分配。
本发明中，所述的基于智能反射面的动态的无人机增强用户通信设备通信质量的下行通信模型考虑了两种接入方式。在优化出的智能反射面的相位下，提高了DL的用户通信设备通信速率。
本发明中，在下行链路通信模型中，同时考虑了时分接入和非正交多址接入方式。利用两种无线接入技术，在时分多址下，可以消除用户通信设备之间干扰。在非正交多址接入方式下，同时服务多个用户通信设备并且提升频带利用率。
本发明中，将整个问题进行分析，通过信道的相干性，实现智能反射面的相位优化；随后，将用户通信设备通信质量建模成一个最大化最小值用户通信设备速率的问题。并且采用连续凸逼近算法和惩罚对偶分解算法，完成无人机的路径优化和通信功率分配。最大化最小值用户通信设备速率问题可以通过提出的算法进行改写，从而被描述成为一个凸优化问题。
本发明中，无人机携带的智能反射面是一个无源的设备，反射面仅仅改变每个信号的相位，不改变信号的幅度。通过智能反射面相位的改变可以改善信道质量从而提升用户通信设备的通信质量。本发明提出的一种能够联合优化智能反射面相位，无人机飞行路径，功率分配和无人机飞行速率的联合优化算法，通过连续凸逼近(SCA)算法可以解决二元的变量难以优化的问题。本发明提出的惩罚对偶分解算法是一种对于等式约束优化问题非常有效的算法。通过该算法可以很好地解决等式约束对于凸优化带来的难点。使问题可以利用CVX工具箱解决。
解决现有技术中技术问题的意义在于：基于目前无线通信技术的发展与材料科学的进步，利用智能反射面来作为一种辅助型的中继能够显著提高用户通信设备通信质量的同时又能降低整个系统的功耗，压缩整个通信系统的建设成本。在保证每个用户通信设备通信质量的情况下，显著提高。促进无人机领域通信技术的应用与发展。
与现有技术相比，本发明的优点及积极效果如下：首先，该智能反射面和无人机辅助的下行链路通信模型在保证每个用户通信设备通信质量的情况下，降低了整个系统的功耗，无人机的机动性提高了整个通信系统的灵活性，并且利用两种无线多址接入技术在保证用户通信设备间干扰的同时提高了频谱的利用率；其次，通过非正交多址技术，可以同时服务多个用户通信设备的同时还能够最优化通信功率的分配；再次，提出了一种针对非凸问题的一种优化算法(PDD)，该算法能有效解决优化问题中的等式约束，加快收敛速度。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明无人机和RIS辅助下行无线通信场景示意图。
图2是本发明实施例所采用的基于PDD算法的逻辑框图。
图3是本发明实施例所采用PDD算法流程图。
图4是发明实施例所采用的时分多址接入方式下的算法收敛值图。
图5是本发明实施例所采用的非正交多址方式下的算法收敛值图。
图6是本发明实施例所采用的无人机在时分多址和非正交多址下的飞行路径图。
具体实施方式
依据UAV无线通信的低成本、高移动性和固有的视距空对地信道，无人机无线通信是第六代(6G)无线网络中军事和民用领域都很有前途的方式。传统的中继技术局限于固定位置和静态中继。并且得益于无人机成本的不断降低，部署高速移动无线中继可以解决传统中继的问题，降低成本。在复杂的传播环境中，例如灾后重建场景下，由于通信基础设施的损坏，用户通信设备的通信质量成为一个挑战。并且直视(LoS)信道会被城市中的建筑物阻挡。为了提高通信质量，可重构智能表面可以改善传播环境。为此，本发明研究下行链路(DL)无人机作为中继携带智能反射面的新型通信模式的可行性。
本发明提出了一种基于智能反射面的下行无人机辅助通信方法。具体来说，在第一层，本申请分别设计了非正交多址接入(NOMA)和时分多址模式下的通信方案，并给出了相应的最小平均速率和系统效用最大化问题。在第二层，本实施例设计了一个基于方程的算法框架。然后，利用惩罚对偶分解算法(PDD)将速率和系统效用最大化的两个混合整数问题转化为增广拉格朗日问题。仿真结果表明，与传统的无人机(UAV)中继方案相比，本申请提出的基于智能反射面(RIS)和无人机的通信方案可以提高基站和用户通信设备之间的通信速率。
图1为本发明的实施例提供的基于智能反射面的无人机辅助通信的下行通信模型。首先无人机从一个固定的起始位置开始起飞，无人机在固定的高度飞行，飞到另一个固定的终止位置。无人机下方为无人机携带的智能反射面，该智能反射面由几个元素组成。由于建筑物和树木的阻挡，基站只能利用经过智能反射面的反射信道对用户通信设备提供服务。用户通信设备可以为人，车辆等。
图2为本发明的实施例整个问题解决流程的逻辑框图。引入多个辅助变量，将复杂的混合整数规划原问题变成满足惩罚对偶分解(PDD)算法框架的问题。利用PDD算法将等式约束添加进目标函数中。问题进一步转化成为增广拉格朗日问题。采用连续凸逼近方法将一部分非凸的约束转化为凸约束。内循环基于凹-凸算法，外循环用来更新惩罚参数和对偶变量。最后问题收敛到一个稳定的解。
图3为本发明的实施例提出的PDD算法流程图。PDD算法首先会初始化一些带优化的变量，惩罚参数和对偶变量。该算法是两层循环，内循环利用CVX解决待解决的图问题，外循环用来更新惩罚参数和对偶变量。
图4为本发明的实施例解决时分多址接入方式下问题的结果。对比了在时分多址方式下的装备智能反射面和不装备智能反射面的用户通信设备通信速率。上面的线代表装备了智能反射面的收敛后的用户通信速率。下面的线代表不装备智能反射面的收敛后的用户通信速率。横坐标代表算法的迭代次数，纵坐标代表平均的用户通信速率。提出的算法在五次迭代次数内都能够收敛。图4表示装备智能反射面可以提高用户通信设备的通信速率。
图5为本发明的实施例解决非正交多址接入方式下问题的结果。对比了在非正交多址方式下的装备智能反射面和不装备智能反射面的用户通信设备通信速率。上面的线代表装备了智能反射面。下面的线代表不装备智能反射面。横坐标代表算法的迭代次数，纵坐标代表平均的用户通信速率。提出的算法在五次迭代次数内都能够收敛。图5表示装备智能反射面可以提高用户通信设备的通信速率。
图6为本发明的实施例在时分多址和非正交多址接入方式下无人机从起始点到终止点的飞行路径，横坐标代表无人机位置的横坐标，纵坐标代表无人机位置的纵坐标，单位均为米。T为整个无人机的飞行时长。T＝50为飞行周期为50s。T＝150代表飞行周期为150s。放大的部分是无人机在时分多址T＝100s和时分多址T＝50s时在横坐标为-300—200之间的位置。图中三个六角星代表三个用户的位置。并且最上面两根线是非正交多址接入方式的无人机的位置，下面两根线是时分多址接入方式无人机的位置。当飞行时间越长，无人机可以到达的位置越远。
实施例
本实施例考虑如图1所示的具有一个无人机(UAV)、一个基站(BS)和K个用户通信设备的下行链路无线通信系统。所有用户通信设备都通过反射信道连接到基站。由于建筑物的阻碍，因此本申请只考虑反射通道。此外，无人机还配备了可重构的智能表面。可重构智能表面配备有M个元素的均匀线性阵列(ULA)。
所有用户通信设备和基站都被放置在零高度的地面上。用户通信设备k和基站的水平坐标分别用wk＝[xk，yk]T和wb＝[xb，yb]T表示。UAV从固定的初始点U[0]飞向固定的终点U[T]，在固定的高度H上需要时间T，整个飞行时长被均匀分割成N个步长为δ的时隙，即T＝Nδ。表示N＝{1，...，N}。因此，UAV的位置可以表示为U[n]＝[x[n]，y[n]]T，其中n∈N，在这个系统中，一个基站(BS)服务K个用户通信设备。假设用户通信设备共享相同的频带并在其他域中复用。该系统考虑了两种不同的复用方法。除了常见的时分多址模式，非正交正交多址(NOMA)模式也可以用于多路复用。当非正交频分多址(NOMA)被用于多路复用时，将获得更多的接入机会。在NOMA模式下，可以用不同的分配功率水平同时为K个用户通信设备提供服务。在接收机中，NOMA模式采用串行干扰删除(SIC)实现多用户通信设备检测。
在通信系统模型中，本实施例考虑了UAV的轨迹。此外，轨迹需要满足以下约束，这些约束分别受无人机的初始和最终位置、无人机的最大速度和时隙持续时间的影响。
Figure BDA0003342005510000121
Figure BDA0003342005510000122
Figure BDA0003342005510000123
式中Vmax表示UAV的最大速度，时隙的长度表示为δt。(2)和(3)限制UAV，从一个固定位置飞到另一个位置。在时隙n中无人机与基站的距离表示为：
Figure BDA0003342005510000124
从基站(BS)到UAV的链路假设为直射(LoS)信道。因此，从BS到UAV的链路的信道增益为：
Figure BDA0003342005510000125
式中h0是参考距离d0＝1m时的通道增益。m是RIS元素的个数。α是路径损耗指数。d为天线间距，λ为载波波长。
Figure BDA0003342005510000126
表示时隙n中从基站到RIS的信号的到达角(AOA)的余弦，定义为
Figure BDA0003342005510000131
时隙n中UAV和用户通信设备k之间的距离表示为：
Figure BDA0003342005510000132
从UAV到用户通信设备k的链路也被假设为直视(LoS)信道。因此，BS至UAV链路的信道增益为：
Figure BDA0003342005510000133
式中的参数为
Figure BDA0003342005510000134
并且其余参数与hi中的相同。
时分多址在一个时隙只服务一个用户通信设备，而NOMA在同一时隙可以服务不少于一个用户通信设备。因此，NOMA模式需要考虑传输功率分配问题。然而，在时分多址模式下，所有传输功率被分配给一个用户通信设备。在时分多址模式下，本申请不需要考虑不同用户通信设备之间的干扰。因此，用户通信设备k的信噪比(SNR)可以表示为：
Figure BDA0003342005510000135
σ2是附加上的高斯白噪声功率。基于(8)，在时分多址模式下，时隙n中从基站经由RIS到用户通信设备k的可实现速率表示为：
Figure BDA0003342005510000136
非正交多址技术(NOMA)可以同时服务多个用户通信设备，BS到UAV的距离和UAV到用户通信设备的距离的乘积越小，获得的频道增益就越好。根据SIC中信道增益的升序，比用户通信设备j强的用户通信设备k的信号被认为是对信道增益较低的用户通信设备j的干扰。为了更具体地表达NOMA模式，本申请引入了一个二元指标Ωk，j[n]∈{0，1}。当乘积dkdb大于djdb时，Ωk，j[n]＝1，否则Ωk，j[n]＝0。信干扰比可以表示为：
Figure BDA0003342005510000141
时隙n中用户通信设备k的可实现速率表示为：
Figure BDA0003342005510000142
式中
Figure BDA0003342005510000143
是RIS在时隙n中的相移矩阵。其中θm[n]∈[0，2π]，它可以改变到达信号的相位以提高信道质量，此外，Pk[n]是分配给用户通信设备k的通信功率。
本实施例考虑最大化可达到的最小平均速率在两种复用方法下，分别是TDMA和NOMA。考虑到所有用户通信设备之间的公平性，即保证每个用户通信设备的通信质量，本发明最大化用户通信设备之间可实现的最小平均速率。时分多址模式下的平均可实现速率表示为：
Figure BDA0003342005510000144
为了最大化用户通信设备之间可实现的最小平均速率，TDMA模式中的问题可以表示为：
Figure BDA0003342005510000145
Figure BDA0003342005510000146
Figure BDA0003342005510000147
Figure BDA0003342005510000148
Figure BDA0003342005510000149
Figure BDA00033420055100001410
式中(13b)限制了最远的飞行距离。和(13e)表示无人机的初始位置和最终位置固定的。当用户通信设备k在时隙n中得到服务时，αk[n]＝1。否则，αk[n]＝0。(13d)意味着最多一个用户通信设备可以在一个时段内提供服务。(13f)限制了RIS的相位。
解决(13)优化问题在满足无人机飞行要求的同时，需要优化出只能反射面的相位和基站和用户通信设备之间的连接关系。并且由于αk[n]是一个二元的变量，该变量在优化中是一个非确定性多项式时间难度(NP-hard)问题。
对于(13)提出的NP-hard问题，可以采用连续凸逼近和PDD算法解决。将复杂的混合整数原问题，首先在通过信道的相干性，得到智能反射面相位的闭式解；引入多个辅助变量，将复杂的混合整数规划原问题变成满足惩罚对偶分解(PDD)算法框架的问题。利用PDD算法将等式约束添加进目标函数中。问题进一步转化成为增广拉格朗日问题。采用连续凸逼近方法将一部分非凸的约束转化为凸约束。内循环基于凹-凸算法，外循环用来更新惩罚参数和对偶变量。最后问题收敛到一个稳定的解。详细的算法流程如图2所示。PDD通用框架是一个双循环迭代算法。PDD算法首先会初始化一些带优化的变量，惩罚参数和对偶变量。该算法是两层循环，内循环利用CVX解决待解决的图问题，外循环用来更新惩罚参数和对偶变量。PDD详细算法流程如图3所示。PDD的每个内循环都是为了解决优化问题
Figure BDA0003342005510000157
PDD的外循环是更新惩罚参数
Figure BDA0003342005510000158
和对偶变量λ。PDD算法来解决以下问题：
Figure BDA0003342005510000151
式中f(x)是标量连续可微函数，h（x）∈Rp是p可微函数的向量。另外，g(x)是可微函数的向量。可行集χ是闭凸集。而
Figure BDA0003342005510000153
是表示为
Figure BDA0003342005510000154
的组合，其中
Figure BDA0003342005510000155
每个是凸函数，
Figure BDA0003342005510000156
是不可减的连续可微函数。通过将等式约束h(x)聚合到目标函数中，本申请定义了L(x；λ)作为增广拉格朗日函数。因此，增广拉格朗日问题问题可以表示为：
Figure BDA0003342005510000161
式子中
Figure BDA0003342005510000162
是惩罚参数，λ是对应于耦合约束h(x)的对偶变量。
利用PDD算法之前首先对问题采取连续凸逼近(SCA)。SCA的思路是通过迭代求解一系列与原问题相似的凸优化问题，从而找到原问题的一个局部稳定解。
对于智能反射面的相位的优化，考虑到相干信号构造可以最大化接收信号功率。因此本申请调整接收信号的相位以最大化接收信号能量。因此，可以优化
Figure BDA0003342005510000163
从而得到智能反射面的相位满足下式：
Figure BDA0003342005510000164
或者可以将此方程表示为：
Figure BDA0003342005510000165
其中ω是一个[0，2π]的常数。
UAV轨迹与用户通信设备链接关系的联合优化：经过一系列被动波束形成的分析，可重构智能表面的相位为(17)，可通过优化无人机轨迹进行更新。后面本申请需要引入一个辅助变量
Figure BDA0003342005510000166
作为log(1+SINRTDMA，k)的下界。此外，本申请引入辅助变量Ψk[n]作为SINRTDMA，k的下界.目标函数仍然不满足PDD算法框架的条件。因此，本申请把ζk[n]作为
Figure BDA0003342005510000167
的下界。最后，可以将原问题改写为：
Figure BDA0003342005510000171
Figure BDA0003342005510000172
Figure BDA0003342005510000173
SINRTDMA，k≥Ψk[n] (18d)
13(b)-13(e) (18e)
引入
Figure BDA0003342005510000174
作为
Figure BDA0003342005510000175
的下界。根据对(22)的观察，变量结合在一起，这使得它很难处理。因此引入辅助变量τk[n]作为
Figure BDA0003342005510000176
的上界，γk[n]作为
Figure BDA0003342005510000177
的上界。然后(23d)被重写为(19)、(20)和(21)。
Figure BDA0003342005510000178
δ2γk[n]≤τk[n] (20)
Figure BDA0003342005510000179
其中当α≥2时，是凹的。本申请首先把(21)的右手转换成(凸函数相减)DC形式。
然后用一阶泰勒展开将(26)变换成凸的。
Figure BDA00033420055100001710
此外，αk[n]是一个二元变量，是一个很难进行优化的变量。因此本申请引入另一个二元变量βk[n]作为辅助变量。其中
Figure BDA00033420055100001711
和
Figure BDA00033420055100001712
为第i次迭代的值。结果，(13c)被同等地重写为：
Figure BDA0003342005510000181
Figure BDA0003342005510000182
(18b)和(19)利用一阶泰勒展开将与转化成为：
Figure BDA0003342005510000183
Figure BDA0003342005510000184
经过一系列的变换，原问题满足一般PDD算法框架的要求。
Figure BDA0003342005510000185
Figure BDA0003342005510000186
分别为第i次迭代的值。一般PDD算法框架的具体描述如图3所示，其中x表示需要优化的变量，
Figure BDA0003342005510000187
表示优化问题。此外，
Figure BDA0003342005510000188
表示组合
Figure BDA0003342005510000189
中所有不等式约束的向量，ηk表示约束违反参数。然后利用PDD算法对变换后的问题进行进一步地改写。通过将所有等式约束集成到目标函数中来解决增广拉格朗日问题。结果由下式给出：
Figure BDA00033420055100001810
Figure BDA00033420055100001811
为惩罚参数，λ1和λ2都是对偶变量参数。SCA方法用于使非凸约束更易处理。最后，由于上述讨论，本申请将原来的问题转化为一个易于处理的增广拉格朗日问题，如下所示：
Figure BDA0003342005510000191
Figure BDA0003342005510000192
Figure BDA0003342005510000193
δ2γk[n]≤τk[n] (28d)
13(b)，13(d)，13(e)，(22)，(25)-(26)
0≤αk[n]≤1 (28f)
其
Figure BDA0003342005510000194
在求解(31)之前，本申请首先通过固定STDMA中的其他变量，推导出βk[n]的闭式解，表示为：
Figure BDA0003342005510000195
那么增广拉格朗日问题(AL)(31)就是一个可以被CVX工具箱求解的凸问题。当本申请求解最优的无人机轨迹时，RIS的相位也同时更新。整个解决问题的算法思路如图2所示。
同样地，针对NOMA模式下的最大化最小速率的问题可以表述为：
Figure BDA0003342005510000201
Figure BDA0003342005510000202
Figure BDA0003342005510000203
Figure BDA0003342005510000204
Figure BDA0003342005510000205
Figure BDA0003342005510000206
Figure BDA0003342005510000207
Figure BDA0003342005510000208
式中
Figure BDA0003342005510000209
为非正交多址接入方式下的平均通信速率。Pk[n]代表在第n个时隙分配给第k个用户的通信功率，Pc为最大发射功率。Ωk，j[n]是自定义的二元变量代表第k个用户和第j个用户之间的距离关系。采用NOMA接入技术最大化最小用户通信设备速率的问题依然存在和时分接入方式一样的问题，该问题依旧是一个NP-hard的问题。利用本发明在时分多址模式下本发明提出的SCA+PDD的联合优化算法。首先通过引入各种辅助变量进行凸逼近。引入
Figure BDA00033420055100002010
作为
Figure BDA00033420055100002011
的下界，引入Ψk[n]作为rNOMA，k[n]的下界。引入
Figure BDA00033420055100002012
作为
Figure BDA00033420055100002013
的下界，引入辅助变量τk[n]为
Figure BDA00033420055100002014
的上界，γk[n]作为
Figure BDA00033420055100002015
的上界。最后引入
Figure BDA00033420055100002016
作为dk[n]的上界。引入完多个辅助变量后利用SCA算法和PDD算法将原(30)问题转化为：
Figure BDA0003342005510000211
s.t.(30b)-(30d)，(30g) (31b)
0≤Ωk，j[n]≤1， (31c)
Figure BDA0003342005510000212
Figure BDA0003342005510000213
(33)-(37) (31f)
其中，
Figure BDA0003342005510000214
并且
Figure BDA0003342005510000215
Figure BDA0003342005510000216
为引入的辅助变量其值为：
Figure BDA0003342005510000217
其中约束项表达式为：
Figure BDA0003342005510000218
Figure BDA0003342005510000219
Figure BDA0003342005510000221
Figure BDA0003342005510000222
Figure BDA0003342005510000223
其中
Figure BDA0003342005510000224
和
Figure BDA0003342005510000225
分别为第i次迭代的值。
Figure BDA0003342005510000226
也为第i次迭代的值。
在以上结果的基础上，本实施例提出了研究了一种支持UAV的下行无线通信方案。UAV被认为是配备了智能反射面(RIS)的移动中继。在NOMA模式和时分多址模式下，本发明提出了最大化最小平均速率问题。为了解决非凸函数和二元变量的困难，本发明提出了一种联合优化方案，包括PDD算法框架和逐次凸近似。该算法能够联合优化无人机轨迹、智能反射面(RIS)相位等变量。数值结果表明，该算法具有较好的性能和较快的收敛速度。
本发明提供了一种基于智能反射面的无人机辅助通信方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种基于智能反射面的无人机辅助通信方法，其特征在于：该方法运行的无线通信系统包括一个无人机、一个基站和K个用户通信设备组成的下行链路，所有用户通信设备都通过反射信道连接到基站，所述方法包括以下步骤：
步骤1：装配着一根全向天线的基站向装配着智能反射面的无人机发射信号，无人机从一个固定的起始位置飞向一个固定的终止位置，智能反射面将信号反射给用户通信设备组成的下行链路；
步骤2：通过信道相干性对智能反射面的相位进行优化，得到智能反射面相位的函数表达式；
步骤3：智能反射面相位闭式解确定后，利用具有局部稳定解的惩罚对偶分解算法和连续凸逼近算法优化在时分多址接入方式下的无人机的飞行路径、智能反射面相位和连接关系变量αk[n]；
步骤4：智能反射面相位确定后，利用具有局部稳定解的惩罚对偶分解算法和连续凸逼近算法优化在非正交多址接入方式下的无人机的飞行路径、智能反射面的相位、通信功率分配和二元变量Ωk，j[n]，从而实现基于智能反射面的无人机辅助通信。
2.如权利要求1所述的方法，其特征在于：下行链路中在时分多址和非正交多址接入方式下解决最大化最小平均用户通信设备通信速率，时分多址接入方式下最大化最小平均用户通信设备速率的方法为：
Figure FDA0003342005500000011
Figure FDA0003342005500000012
Figure FDA0003342005500000013
Figure FDA0003342005500000014
Figure FDA0003342005500000017
Figure FDA0003342005500000015
C1-C5均为约束条件的表达式，
Figure FDA0003342005500000016
为智能反射面相位组成的矩阵，RTDMA，k为时分多址接入方式下的用户通信速率，T是整个无人机的飞行周期，整个飞行周期被划分为N个时隙，
Figure FDA0003342005500000021
是在第n个时隙无人机的位置，Vmax为无人机飞行的最大速率，δt为每个时隙的长度，
Figure FDA0003342005500000022
为无人机的初始位置，
Figure FDA0003342005500000023
为无人机的终止位置，θm[n]为智能反射面的相位，m为第m个智能反射面元素，αk[n]是一个自定义的二元变量，αk[n]＝{0，1}，当用户通信设备k在时隙n中得到服务时，K表示用户的总数，当αk[n]＝1，否则，αk[n]＝0。
3.如权利要求2所述的方法，其特征在于：非正交多址接入方式下的最大化最小平均用户通信设备速率的方法为：
Figure FDA0003342005500000024
Figure FDA0003342005500000025
Figure FDA0003342005500000026
Figure FDA0003342005500000027
Figure FDA0003342005500000028
Figure FDA0003342005500000029
Figure FDA00033420055000000210
Figure FDA00033420055000000211
C6-C12均为约束条件的具体表达式，RNOMA，k为非正交多址接入方式下的通信速率，Ωk，j[n]是一个引入的二元变量为第k个用户通信设备和第j个用户通信设备之间的距离大小关系，当dkdb＞djdb，Ωk，j[n]＝1，否则Ωk，j[n]＝0，dk，db分别代表无人机到第k个用户的距离和基站到无人机的距离，dj代表无人机到第j个用户的距离。Pk[n]代表第k个用户通信设备在第n个时隙分配到的通信功率，Pc为最多可以消耗的通信功率。
4.如权利要求3所述的方法，其特征在于：步骤2利用信道相关性得到智能反射面相位的函数表达式：
Figure FDA0003342005500000031
该第m个智能反射面元素相位的值与无人机的位置相关，ω为一个0-2π的常数，φk[n]为智能反射面到第k个用户通信设备的反射角的余弦值，φb[n]为基站到智能反射面的入射角的余弦值。
5.如权利要求4所述的方法，其特征在于：步骤3根据得到的智能反射面相位函数表达式，通过惩罚对偶分解算法和连续凸逼近算法的联合优化算法将非凸的时分多址接入方式下的最大化最小平均值通信速率问题转化为一个凸问题，进而该凸问题利用CVX工具箱优化出无人机的飞行路径、智能反射面相位和连接关系变量αk[n]。
6.如权利要求5所述的方法，其特征在于：步骤4根据得到的智能反射面相位函数表达式，通过提出通过惩罚对偶分解算法和连续凸逼近算法的联合优化算法将非凸的非正交多址接入方式下的最大化最小平均值通信速率问题转化为一个凸问题，进而该凸问题利用CVX工具箱优化出无人机的飞行路径、智能反射面相位、变量Ωk，j[n]和通信功率分配。
7.如权利要求5所述的方法，其特征在于：步骤3包括以下算法：
Figure FDA0003342005500000032
C13-C16均为约束条件的具体表达式，辅助变量
Figure FDA0003342005500000033
作为log(1+SINRTDMA，k)的下界，引入辅助变量Ψk[n]作为SINRTDMA，k的下界，ζk[n]作为
Figure FDA0003342005500000034
的下界，SINRTDMA为正交多址接入方式下的信干扰比。
8.如权利要求7所述的方法，其特征在于：步骤4包括：
Figure FDA0003342005500000041
Figure FDA0003342005500000042
Figure FDA0003342005500000043
C19：δ2γk[n]≤τk[n]
C20：0≤αk[n]≤1
Figure FDA0003342005500000044
Figure FDA0003342005500000045
C23：δ2γk[n]≤τk[n]
C24：C1-C4，C13
C17-C24均为约束条件的具体表达式，其中，
Figure FDA0003342005500000046
Figure FDA0003342005500000047
为待优化的所有变量的集合，为
Figure FDA0003342005500000048
作为
Figure FDA0003342005500000049
的下界，βk[n]为引入的二元辅助变量αk[n]＝βk[n]，继续引入辅助变量τk[n]作为
Figure FDA00033420055000000410
的上界，γk[n]作为
Figure FDA00033420055000000411
的上界，h0为信道增益，P为发射功率，并且M为智能反射面元素的个数，dk[n]，db[n]分别为无人机到用户的距离和基站到无人机的距离，α为衰落指数，δ2为背景白噪声，
Figure FDA00033420055000000412
为惩罚参数，λ1和λ2都是对偶变量参数，继续利用连续凸逼近算法求解出无人机的飞行路径、智能反射面相位和连接关系变量αk[n]。
9.如权利要求8所述的方法，其特征在于：步骤4中引入
Figure FDA00033420055000000413
作
Figure FDA00033420055000000414
的下界，引入Ψk[n]作为SINRNOMA，k[n]的下界，引入
Figure FDA00033420055000000415
作为
Figure FDA0003342005500000051
的下界；
Figure FDA0003342005500000052
C25-C28均为约束条件的具体表达式，RNOMA，k[n]为非正交多址接入方式下的用户通信速率，SINRNOMA，k[n]为非正交多址方式下在第n个时隙的信干扰比，Pj[n]为第n个时刻向第j个用户分配的发射功率。
10.如权利要求9所述的基于智能反射面的无人机辅助通信方法，其特征在于：步骤4包括：
Figure FDA0003342005500000053
s.t.C29：C6-C8，C11
C30：0≤Ωk，j[n]≤1
Figure FDA0003342005500000054
Figure FDA0003342005500000055
Figure FDA0003342005500000056
Figure FDA0003342005500000057
Figure FDA0003342005500000058
C29-C35均为约束条件的具体表达式，
其中，
Figure FDA0003342005500000059
并且
Figure FDA0003342005500000061
为待优化的变量的集合，引入辅助变量τk[n]作为：
Figure FDA0003342005500000062
的上界，γk[n]作为
Figure FDA0003342005500000063
的上界；最后引入
Figure FDA0003342005500000064
作为dk[n]的上界；
Figure FDA0003342005500000065
为惩罚参数，λ1和λ2都是对偶变量参数，其中
Figure FDA0003342005500000066
为引入的辅助变量其值为：
Figure FDA0003342005500000067
继续利用连续凸逼近算法可以求解出无人机的飞行路径、智能反射面相位、变量Ωk，j[n]和通信功率分配。
CN202111312092.3A 2021-11-08 2021-11-08 一种基于智能反射面的无人机辅助通信方法 Active CN114051204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111312092.3A CN114051204B (zh) 2021-11-08 2021-11-08 一种基于智能反射面的无人机辅助通信方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111312092.3A CN114051204B (zh) 2021-11-08 2021-11-08 一种基于智能反射面的无人机辅助通信方法

Publications (2)

Publication Number Publication Date
CN114051204A CN114051204A (zh) 2022-02-15
CN114051204B true CN114051204B (zh) 2022-08-09

Family

ID=80207677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111312092.3A Active CN114051204B (zh) 2021-11-08 2021-11-08 一种基于智能反射面的无人机辅助通信方法

Country Status (1)

Country Link
CN (1) CN114051204B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615759B (zh) * 2022-03-04 2023-11-03 大连理工大学 一种非正交多址接入网络中无人机辅助通信的方法
CN114938498B (zh) * 2022-03-29 2023-10-27 成都理工大学 智能反射面辅助的无人机使能的无线传感网数据收集方法
CN115225143B (zh) * 2022-07-20 2023-06-16 南京邮电大学 Ris辅助的无人机通信系统中的飞行高度和相移设计方法
CN115515100A (zh) * 2022-09-19 2022-12-23 西北工业大学 一种基于ris-uav的无源波束位置优化方法、系统、介质及设备
CN116016074A (zh) * 2022-12-14 2023-04-25 东华大学 基于余弦相似度的智能反射面相移设计方法
WO2024074030A1 (en) * 2023-04-19 2024-04-11 Lenovo (Beijing) Ltd. Aris location selection under aris-assisted wireless network
CN116545508A (zh) * 2023-05-26 2023-08-04 重庆邮电大学空间通信研究院 一种硬件损伤条件下uav辅助的noma双向中继网络安全速率最大化方法
CN117595914A (zh) * 2023-11-20 2024-02-23 南京中网卫星通信股份有限公司 一种基于双ris辅助空地移动通信的传输路径功率增益分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865893A (zh) * 2021-01-20 2021-05-28 重庆邮电大学 智能反射面辅助的sm-noma系统资源分配方法
CN113162679A (zh) * 2021-04-01 2021-07-23 南京邮电大学 基于ddpg算法的irs辅助无人机通信联合优化方法
CN113194488A (zh) * 2021-03-31 2021-07-30 西安交通大学 一种无人机轨迹和智能反射面相移联合优化方法及系统
CN113259836A (zh) * 2021-04-26 2021-08-13 北京科技大学 一种irs辅助无人机通信网络联合优化方法
CN113364495A (zh) * 2021-05-25 2021-09-07 西安交通大学 一种多无人机轨迹和智能反射面相移联合优化方法及系统
CN113507304A (zh) * 2021-07-24 2021-10-15 大连理工大学 一种智能反射面辅助的无人机安全通信方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10755581B2 (en) * 2016-12-02 2020-08-25 Veniam, Inc. Systems and methods for port management in a network of moving things, for example including autonomous vehicles

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865893A (zh) * 2021-01-20 2021-05-28 重庆邮电大学 智能反射面辅助的sm-noma系统资源分配方法
CN113194488A (zh) * 2021-03-31 2021-07-30 西安交通大学 一种无人机轨迹和智能反射面相移联合优化方法及系统
CN113162679A (zh) * 2021-04-01 2021-07-23 南京邮电大学 基于ddpg算法的irs辅助无人机通信联合优化方法
CN113259836A (zh) * 2021-04-26 2021-08-13 北京科技大学 一种irs辅助无人机通信网络联合优化方法
CN113364495A (zh) * 2021-05-25 2021-09-07 西安交通大学 一种多无人机轨迹和智能反射面相移联合优化方法及系统
CN113507304A (zh) * 2021-07-24 2021-10-15 大连理工大学 一种智能反射面辅助的无人机安全通信方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Physical Layer Security in Cognitive Radio Networks for IoT Using UAV With Reconfigurable Intelligent Surfaces;Van Nhan Vo et al.;《2021 18th International Joint Conference on Computer Science and Software Engineering (JCSSE), 2021》;20210627;1-5 *
智能反射面辅助的未来无线通信：现状与展望;朱政宇等;《航空学报》;20210225;第43卷(第2期);203-217 *

Also Published As

Publication number Publication date
CN114051204A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN114051204B (zh) 一种基于智能反射面的无人机辅助通信方法
Khalili et al. Resource management for transmit power minimization in UAV-assisted RIS HetNets supported by dual connectivity
CN109587690B (zh) 无人机辅助认知卫星地面通信网络多点协作传输方法
CN107070532B (zh) 用于在机载无线蜂窝网络中提供高速通信服务的系统
CN107148759A (zh) 用于suda系统的控制器
CN113573293A (zh) 一种基于ris的智能应急通信系统
CN109450503B (zh) 一种临空阵列通信非正交多址接入公平性传输方法
Ramezani et al. Toward RIS-enhanced integrated terrestrial/non-terrestrial connectivity in 6G
CN115694581A (zh) 一种基于智能反射面辅助的星地一体化网络用户终端接入优化方法
Zhu et al. Joint optimisation of UAV grouping and energy consumption in MEC‐enabled UAV communication networks
She et al. Security Energy Efficiency Analysis of CR-NOMA Enabled IoT Systems for Edge-cloud Environment
Yu et al. Backhaul-aware drone base station placement and resource management for FSO-based drone-assisted mobile networks
CN116669073A (zh) 基于智能反射面辅助无人机认知网络的资源分配和轨迹优化方法
Li et al. Closed-form beamforming aided joint optimization for spectrum-and energy-efficient UAV-BS networks
Leng et al. User-level scheduling and resource allocation for multi-beam satellite systems with full frequency reuse
Seth et al. Forming coalition sets from directional radios
Wang et al. Relay assisted concurrent scheduling to overcome blockage in full-duplex millimeter wave small cells
CN115038099A (zh) 一种非理想sic下的ris-noma上行传输方法及装置
Jiang et al. Resource allocation scheme for fog-enabled wireless access networks under the qos of users
CN114268391A (zh) 一种noma增强的无人机辅助建模分析方法
Shahzadi et al. Combinatorial Resource Allocation in UAV-Assisted 5G/B5G Heterogeneous networks
Firozjaei et al. A Virtual MIMO Communication for an UAV Enabled Cognitive Relay Network
Gu et al. Joint throughput maximization, interference cancellation, and power efficiency for multi-IRS-empowered UAV communications
Wang et al. Multi-beam-based downlink modeling and power allocation scheme for integrated sensing and communication towards 6G
Na et al. Joint trajectory and power optimization for NOMA-based high altitude platform relaying system

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