CN114158010A - 无人机通信系统及基于神经网络的资源分配策略预测方法 - Google Patents

无人机通信系统及基于神经网络的资源分配策略预测方法 Download PDF

Info

Publication number
CN114158010A
CN114158010A CN202111471710.9A CN202111471710A CN114158010A CN 114158010 A CN114158010 A CN 114158010A CN 202111471710 A CN202111471710 A CN 202111471710A CN 114158010 A CN114158010 A CN 114158010A
Authority
CN
China
Prior art keywords
resource allocation
aerial vehicle
unmanned aerial
base station
wireless communication
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111471710.9A
Other languages
English (en)
Other versions
CN114158010B (zh
Inventor
李新文
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.)
CHINA TELECOM CONSTRUCTION 4TH ENGINEERING CO LTD
Original Assignee
CHINA TELECOM CONSTRUCTION 4TH ENGINEERING CO LTD
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 CHINA TELECOM CONSTRUCTION 4TH ENGINEERING CO LTD filed Critical CHINA TELECOM CONSTRUCTION 4TH ENGINEERING CO LTD
Priority to CN202111471710.9A priority Critical patent/CN114158010B/zh
Publication of CN114158010A publication Critical patent/CN114158010A/zh
Application granted granted Critical
Publication of CN114158010B publication Critical patent/CN114158010B/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
    • H04W4/30—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]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于神经网络的资源分配策略预测方法，包括以下步骤：一、无人机无线通信基站和用户下行传输系统的搭建；二、无人机无线通信基站和用户位置的获取；三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重；四、无人机无线通信基站的最优通信资源分配策略的获取；五、训练数据的获取；六、LSTM神经网络模型的建立及训练；七、无人机无线通信基站的通信资源分配策略的预测。本发明方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。

Description

无人机通信系统及基于神经网络的资源分配策略预测方法
技术领域
本发明属于无人机无线通信基站和用户通信技术领域，尤其是涉及一种无人机通信系统及基于神经网络的资源分配策略预测方法。
背景技术
在当前5G移动通信中，无人机搭载无线通信基站作为空中接入节点辅助地面通信成为一种有前途的解决方案，因此，对无人机无线通信基站进行有效的功率和带宽资源分配，以在有限的通信资源条件下提升通信系统性能。因此，需要对无人机基站通信资源动态分配策略进行预测优化，确保提升通信系统性能。
现有的无人机无线通信基站一般为固定的通信资源分配，并未从无人机无线通信基站和多个用户层面去进行研究。因此，现如今缺少一种基于神经网络的资源分配策略预测方法，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于神经网络的资源分配策略预测方法，其方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
为解决上述技术问题，本发明采用的技术方案是：一种基于神经网络的资源分配策略预测方法，其特征在于，该方法包括以下步骤：
步骤一、无人机无线通信基站和用户下行传输系统的搭建：
步骤101、设定地面区域中存在N个用户；
步骤102、设定在地面区域的上空存在无人机，在无人机上搭建无线通信基站，并记作无人机无线通信基站；其中，无人机无线通信基站相对地面区域的高度为h；
步骤二、无人机无线通信基站和用户位置的获取：
步骤201、建立三维直角位置坐标系OXYZ；其中，OXY平面和地面区域重合，OZ轴垂直地面区域指向天；
步骤202、在三维直角位置坐标系OXYZ下，获取第t个时刻第n个用户的位置坐标
Figure BDA0003392763950000021
其中，n和N均为正整数，且1≤n≤N，地面区域位于OXY平面的第一象限，且原点O和地面区域的左下角重合，t为正整数；
步骤203、在三维直角位置坐标系OXYZ下，获取第t个时刻无人机无线通信基站的位置坐标uU(t)；
步骤204、根据第t个时刻第n个用户的位置坐标
Figure BDA0003392763950000022
和第t个时刻无人机无线通信基站的位置坐标uU(t)，获取第t个时刻无人机无线通信基站到用户n的直线距离dn(t)；
步骤三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重：
步骤301、在第t个时刻时，设定无人机无线通信基站的各个通信资源分配策略；其中，第t个时刻时无人机无线通信基站的通信资源分配策略的总数为I个，第t个时刻时第i个通信资源分配策略包括第t个时刻时第i个通信资源分配策略中无人机无线通信基站对用户n的发射功率Pn(i,t)和第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配Bn(i,t)；
步骤302、确定无人机无线通信基站的各个通信资源分配策略对应的评价指标为通信系统的公平指数和用户数据传输的吞吐量；
步骤303、采用计算机建立评价指标判断矩阵A，则评价指标判断矩阵A为
Figure BDA0003392763950000031
其中，a11＝a12＝1，a12和a21互为倒数，且a12表示通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度，a21表示用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度；
步骤304、采用计算机获取判断矩阵A的最大特征值所对应的归一化特征向量为权重向量W＝(w1,w2)T，则w1为通信资源分配策对应的通信系统的公平指数评价指标的权重，则w2为通信资源分配策对应的用户数据传输的吞吐量评价指标的权重；
步骤四、无人机无线通信基站的最优通信资源分配策略的获取：
步骤401、采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量；
步骤402、采用计算机从各个通信资源分配策略下对应的各个通信系统的公平指数和用户数据传输的吞吐量，得到各个通信系统的公平指数和用户数据传输的吞吐量的最优值，并将通信系统的公平指数的最优值记作y01，用户数据传输的吞吐量的最优值记作y02；
步骤403、采用计算机根据公式
Figure BDA0003392763950000032
得到第i个通信资源分配策略下通信系统的公平指数的无量纲值xi1；采用计算机根据公式
Figure BDA0003392763950000033
得到第i个通信资源分配策略下用户数据传输的吞吐量的无量纲值xi2；其中，i为正整数，且1≤i≤I，yi1表示第t个时刻第i个通信资源分配策略下通信系统的公平指数，yi2表示第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量；
步骤404、采用计算机构造评价指标数据矩阵
Figure BDA0003392763950000034
步骤405、采用计算机根据公式
Figure BDA0003392763950000041
得到第i个通信资源分配策略下通信系统的公平指数评价指标对于通信系统的公平指数的最优值的灰色关联度ri1；其中，ζ表示分辨系数，且0＜ζ＜1；
采用计算机根据公式
Figure BDA0003392763950000042
得到第i个通信资源分配策略下用户数据传输的吞吐量评价指标对于用户数据传输的吞吐量的最优值的灰色关联度ri2；
步骤406、采用计算机根据第i个通信资源分配策略下ri1和ri2，得到评价矩阵R，如下式：
Figure BDA0003392763950000043
步骤407、采用计算机根据公式G＝WT×RT，得到灰色关联度向量G，采用计算机设定灰色关联度向量G为G＝(g1,g2,...gi,...gI)，且gi＝w1×ri1+w2×ri2，gi表示第t个时刻第i个通信资源分配策略与评价指标最优值的灰色关联度，并将g1,g2,...gi,...gI按照从小到大顺序进行排序，则gmax所对应的通信资源分配策略为第t个时刻的最优通信资源分配策略；其中，T表示转置；
步骤五、训练数据的获取：
在无人机无线通信基站和N个用户移动过程中，获取第T个时刻N个用户的位置坐标、无人机无线通信基站的位置坐标以及第T个时刻最优通信资源分配策略；其中，T表示时刻总数，T为正整数，且1≤t≤T,T不小于100；
步骤六、LSTM神经网络模型的建立及训练：
步骤601、构建LSTM神经网络模型；其中，LSTM神经网络模型包括1个输入层、3个LSTM层、1个Dense层和1个输出层；其中，LSTM神经网络模型中设置sigmoid激活函数和tanh激活函数，输入层的神经元个数为N+1个，输出层的神经元个数为2N个；
步骤602、将步骤五中得到N个用户的位置坐标、无人机无线通信基站的位置坐标作为输入层，将T个时刻最优通信资源分配策略作为输出层，输入构建的LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型；
步骤七、无人机无线通信基站的通信资源分配策略的预测：
步骤701、当第T+g个时刻时，得到第T+g个时刻N个用户的位置坐标、无人机无线通信基站的位置；其中，g为正整数，且g取1,2，...；
步骤702、将第T+g个时刻N个用户的位置坐标、无人机无线通信基站的位置输入步骤602中训练好的LSTM神经网络模型，预测得到第T+g个时刻最优通信资源分配策略。
上述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量，具体过程如下：
步骤4011、采用计算机根据公式
Figure BDA0003392763950000051
得到第t个时刻无人机无线通信基站到第n个用户的LoS链路概率
Figure BDA0003392763950000052
其中，a表示与环境相关的第一常数，b表示与环境相关的第二常数，dn(t)表示第t个时刻无人机无线通信基站到第n个用户的直线距离；
步骤4012、采用计算机根据公式
Figure BDA0003392763950000053
得到第t个时刻无人机无线通信基站到第n个用户在LoS链路下的路径损耗
Figure BDA0003392763950000054
其中，ξLoS表示LoS链路下的附加损耗，c表示光速，fc表示信号载频；
步骤4013、采用计算机根据公式
Figure BDA0003392763950000055
得到第t个时刻无人机无线通信基站到第n个用户在NLoS链路下的路径损耗
Figure BDA0003392763950000061
其中，ξNLoS表示NLoS链路下的附加损耗；
步骤4014、采用计算机根据公式
Figure BDA0003392763950000062
得到第t个无人机无线通信基站到第n个用户信号的路径损耗PLn(t)；其中，
Figure BDA0003392763950000063
表示第t个时刻无人机无线通信基站到第n个用户的NLoS链路概率，且
Figure BDA0003392763950000064
步骤4015、采用计算机根据公式
Figure BDA0003392763950000065
得到第t个时刻第i个通信资源分配策略下第n个用户的信道容量Cn(i,t)；其中，n0表示信道中高斯白噪声的功率谱密度；
步骤4016、采用计算机根据公式
Figure BDA0003392763950000066
得到第t个时刻第i个通信资源分配策略下无人机通信系统用户n的公平指数fn(i,t)；
步骤4017、采用计算机根据公式
Figure BDA0003392763950000067
得到第t个时刻第i个通信资源分配策略下通信系统的公平指数yi1；其中，yi1∈[0,1]。
上述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤4011中4.88＜a＜28，0＜b＜1；
步骤4012和步骤4013中NLoS链路下的附加损耗ξNLoS大于LoS链路下的附加损耗ξLoS，LoS链路下的附加损耗ξLoS的取值范围为(0dB,50dB)，NLoS链路下的附加损耗ξNLoS的取值范围为(10dB,100dB)。
上述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下用户数据传输的吞吐量，具体过程如下：
步骤A、采用计算机根据公式
Figure BDA0003392763950000068
得到第t个时刻无人机无线通信基站和用户n之间信道的大尺度衰落系数βn(t)；其中，β0表示无人机无线通信基站和用户距离1米时的信道增益；
步骤B、采用计算机根据公式
Figure BDA0003392763950000071
得到第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量yi2。
同时，本发明还公开了一种设计合理的无人机通信系统，其特征在于，包括权利要求1-4中任一项权利要求所述的一种基于神经网络的资源分配策略预测方法，所述无人机通信系统包括作为无人机无线通信基站和多个用户。
本发明与现有技术相比具有以下优点：
1、本发明方法步骤简单、设计合理，以适应无人机无线通信基站和多用户，实现通信资源策略的预测，以使最大化通信系统吞吐量并满足资源分配的公平性。
2、本发明所采用的方法首先是无人机无线通信基站和用户下行传输系统的搭建，之后无人机无线通信基站和用户位置的获取，接着确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重，然后是根据灰色关联度得到无人机无线通信基站的最优通信资源分配策略的获取方案；最后是训练数据的获取、LSTM神经网络模型的建立及训练和无人机无线通信基站的通信资源分配策略的预测
3、本发明通过对T个时刻N个用户的位置坐标、无人机无线通信基站的位置坐标以及T个时刻最优通信资源分配策略进行获取并进行训练，从而在T个时刻之后预测第T+g个时刻的通信资源分配策略，便于无人机和用户通信的资源优化。
4、本发明最优通信资源分配策略训练数据获取过程中，系统评价指标考虑了通信系统的公平指数和用户数据传输的吞吐量，有效地解决通信系统的公平指数和用户数据传输的吞吐量目标权衡的设计问题。
综上所述，本发明方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示的一种基于神经网络的资源分配策略预测方法，包括以下步骤：
步骤一、无人机无线通信基站和用户下行传输系统的搭建：
步骤101、设定地面区域中存在N个用户；
步骤102、设定在地面区域的上空存在无人机，在无人机上搭建无线通信基站，并记作无人机无线通信基站；其中，无人机无线通信基站相对地面区域的高度为h；
步骤二、无人机无线通信基站和用户位置的获取：
步骤201、建立三维直角位置坐标系OXYZ；其中，OXY平面和地面区域重合，OZ轴垂直地面区域指向天；
步骤202、在三维直角位置坐标系OXYZ下，获取第t个时刻第n个用户的位置坐标
Figure BDA0003392763950000081
其中，n和N均为正整数，且1≤n≤N，地面区域位于OXY平面的第一象限，且原点O和地面区域的左下角重合，t为正整数；
步骤203、在三维直角位置坐标系OXYZ下，获取第t个时刻无人机无线通信基站的位置坐标uU(t)；
步骤204、根据第t个时刻第n个用户的位置坐标
Figure BDA0003392763950000082
和第t个时刻无人机无线通信基站的位置坐标uU(t)，获取第t个时刻无人机无线通信基站到用户n的直线距离dn(t)；
步骤三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重：
步骤301、在第t个时刻时，设定无人机无线通信基站的各个通信资源分配策略；其中，第t个时刻时无人机无线通信基站的通信资源分配策略的总数为I个，第t个时刻时第i个通信资源分配策略包括第t个时刻时第i个通信资源分配策略中无人机无线通信基站对用户n的发射功率Pn(i,t)和第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配Bn(i,t)；
步骤302、确定无人机无线通信基站的各个通信资源分配策略对应的评价指标为通信系统的公平指数和用户数据传输的吞吐量；
步骤303、采用计算机建立评价指标判断矩阵A，则评价指标判断矩阵A为
Figure BDA0003392763950000091
其中，a11＝a12＝1，a12和a21互为倒数，且a12表示通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度，a21表示用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度；
步骤304、采用计算机获取判断矩阵A的最大特征值所对应的归一化特征向量为权重向量W＝(w1,w2)T，则w1为通信资源分配策对应的通信系统的公平指数评价指标的权重，则w2为通信资源分配策对应的用户数据传输的吞吐量评价指标的权重；
步骤四、无人机无线通信基站的最优通信资源分配策略的获取：
步骤401、采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量；
步骤402、采用计算机从各个通信资源分配策略下对应的各个通信系统的公平指数和用户数据传输的吞吐量，得到各个通信系统的公平指数和用户数据传输的吞吐量的最优值，并将通信系统的公平指数的最优值记作y01，用户数据传输的吞吐量的最优值记作y02；
步骤403、采用计算机根据公式
Figure BDA0003392763950000092
得到第i个通信资源分配策略下通信系统的公平指数的无量纲值xi1；采用计算机根据公式
Figure BDA0003392763950000101
得到第i个通信资源分配策略下用户数据传输的吞吐量的无量纲值xi2；其中，i为正整数，且1≤i≤I，yi1表示第t个时刻第i个通信资源分配策略下通信系统的公平指数，yi2表示第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量；
步骤404、采用计算机构造评价指标数据矩阵
Figure BDA0003392763950000102
步骤405、采用计算机根据公式
Figure BDA0003392763950000103
得到第i个通信资源分配策略下通信系统的公平指数评价指标对于通信系统的公平指数的最优值的灰色关联度ri1；其中，ζ表示分辨系数，且0＜ζ＜1；
采用计算机根据公式
Figure BDA0003392763950000104
得到第i个通信资源分配策略下用户数据传输的吞吐量评价指标对于用户数据传输的吞吐量的最优值的灰色关联度ri2；
步骤406、采用计算机根据第i个通信资源分配策略下ri1和ri2，得到评价矩阵R，如下式：
Figure BDA0003392763950000105
步骤407、采用计算机根据公式G＝WT×RT，得到灰色关联度向量G，采用计算机设定灰色关联度向量G为G＝(g1,g2,…gi,…gI)，且gi＝w1×ri1+w2×ri2，gi表示第t个时刻第i个通信资源分配策略与评价指标最优值的灰色关联度，并将g1,g2,…gi,...gI按照从小到大顺序进行排序，则gmax所对应的通信资源分配策略为第t个时刻的最优通信资源分配策略；其中，T表示转置；
步骤五、训练数据的获取：
在无人机无线通信基站和N个用户移动过程中，获取第T个时刻N个用户的位置坐标、无人机无线通信基站的位置坐标以及第T个时刻最优通信资源分配策略；其中，T表示时刻总数，T为正整数，且1≤t≤T,T不小于100；
步骤六、LSTM神经网络模型的建立及训练：
步骤601、构建LSTM神经网络模型；其中，LSTM神经网络模型包括1个输入层、3个LSTM层、1个Dense层和1个输出层；其中，LSTM神经网络模型中设置sigmoid激活函数和tanh激活函数，输入层的神经元个数为N+1个，输出层的神经元个数为2N个；
步骤602、将步骤五中得到N个用户的位置坐标、无人机无线通信基站的位置坐标作为输入层，将T个时刻最优通信资源分配策略作为输出层，输入构建的LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型；
步骤七、无人机无线通信基站的通信资源分配策略的预测：
步骤701、当第T+g个时刻时，得到第T+g个时刻N个用户的位置坐标、无人机无线通信基站的位置；其中，g为正整数，且g取1,2，...；
步骤702、将第T+g个时刻N个用户的位置坐标、无人机无线通信基站的位置输入步骤602中训练好的LSTM神经网络模型，预测得到第T+g个时刻最优通信资源分配策略。
本实施例中，步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量，具体过程如下：
步骤4011、采用计算机根据公式
Figure BDA0003392763950000121
得到第t个时刻无人机无线通信基站到第n个用户的LoS链路概率
Figure BDA0003392763950000122
其中，a表示与环境相关的第一常数，b表示与环境相关的第二常数，dn(t)表示第t个时刻无人机无线通信基站到第n个用户的直线距离；
步骤4012、采用计算机根据公式
Figure BDA0003392763950000123
得到第t个时刻无人机无线通信基站到第n个用户在LoS链路下的路径损耗
Figure BDA0003392763950000124
其中，ξLoS表示LoS链路下的附加损耗，c表示光速，fc表示信号载频；
步骤4013、采用计算机根据公式
Figure BDA0003392763950000125
得到第t个时刻无人机无线通信基站到第n个用户在NLoS链路下的路径损耗
Figure BDA0003392763950000126
其中，ξNLoS表示NLoS链路下的附加损耗；
步骤4014、采用计算机根据公式
Figure BDA0003392763950000127
得到第t个无人机无线通信基站到第n个用户信号的路径损耗PLn(t)；其中，
Figure BDA0003392763950000128
表示第t个时刻无人机无线通信基站到第n个用户的NLoS链路概率，且
Figure BDA0003392763950000129
步骤4015、采用计算机根据公式
Figure BDA00033927639500001210
得到第t个时刻第i个通信资源分配策略下第n个用户的信道容量Cn(i,t)；其中，n0表示信道中高斯白噪声的功率谱密度；
步骤4016、采用计算机根据公式
Figure BDA00033927639500001211
得到第t个时刻第i个通信资源分配策略下无人机通信系统用户n的公平指数fn(i,t)；
步骤4017、采用计算机根据公式
Figure BDA00033927639500001212
得到第t个时刻第i个通信资源分配策略下通信系统的公平指数yi1；其中，yi1∈[0,1]。
本实施例中，步骤4011中4.88＜a＜28，0＜b＜1；
步骤4012和步骤4013中NLoS链路下的附加损耗ξNLoS大于LoS链路下的附加损耗ξLoS，LoS链路下的附加损耗ξLoS的取值范围为(0dB,50dB)，NLoS链路下的附加损耗ξNLoS的取值范围为(10dB,100dB)。
本实施例中，步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下用户数据传输的吞吐量，具体过程如下：
步骤A、采用计算机根据公式
Figure BDA0003392763950000131
得到第t个时刻无人机无线通信基站和用户n之间信道的大尺度衰落系数βn(t)；其中，β0表示无人机无线通信基站和用户距离1米时的信道增益；
步骤B、采用计算机根据公式
Figure BDA0003392763950000132
得到第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量yi2。
本实施例中，a12＝2/3，实际使用时，通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度a12和用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度a21中通信系统的公平指数评价指标权重的取值范围为1～9，用户数据传输的吞吐量评价指标权重的取值范围为1～9。
本实施例中，第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配Bn(i,t)满足最小可分带宽。
本实施例中，P1(i,t)+..+Pn(i,t)+..+PN(i,t)＝Ptotal，B1(i,t)+..+Bn(i,t)+..+BN(i,t)＝Btotal，Ptotal表示总功率，Btotal表示总带宽分配。
本实施例中，输出层的神经元个数为2N个分别对应无人机无线通信基站对用户1的发射功率、应无人机无线通信基站对用户1的带宽分配，...，无人机无线通信基站对用户n的发射功率、应无人机无线通信基站对用户n的带宽分配，...，无人机无线通信基站对用户N的发射功率、应无人机无线通信基站对用户N的带宽分配。
本实施例中，步骤602中对LSTM神经网络模型进行训练，设定学习率lr的取值为0.01～1，训练迭代次数te大于100。
实施例2
一种无人机通信系统，包括权利要求1-4中任一项权利要求所述的一种基于神经网络的资源分配策略预测方法，所述无人机通信系统包括作为无人机无线通信基站和多个用户。
综上所述，本发明方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (5)

1.一种基于神经网络的资源分配策略预测方法，其特征在于，该方法包括以下步骤：
步骤一、无人机无线通信基站和用户下行传输系统的搭建：
步骤101、设定地面区域中存在N个用户；
步骤102、设定在地面区域的上空存在无人机，在无人机上搭建无线通信基站，并记作无人机无线通信基站；其中，无人机无线通信基站相对地面区域的高度为h；
步骤二、无人机无线通信基站和用户位置的获取：
步骤201、建立三维直角位置坐标系OXYZ；其中，OXY平面和地面区域重合，OZ轴垂直地面区域指向天；
步骤202、在三维直角位置坐标系OXYZ下，获取第t个时刻第n个用户的位置坐标
Figure FDA0003392763940000011
其中，n和N均为正整数，且1≤n≤N，地面区域位于OXY平面的第一象限，且原点O和地面区域的左下角重合，t为正整数；
步骤203、在三维直角位置坐标系OXYZ下，获取第t个时刻无人机无线通信基站的位置坐标uU(t)；
步骤204、根据第t个时刻第n个用户的位置坐标
Figure FDA0003392763940000012
和第t个时刻无人机无线通信基站的位置坐标uU(t)，获取第t个时刻无人机无线通信基站到用户n的直线距离dn(t)；
步骤三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重：
步骤301、在第t个时刻时，设定无人机无线通信基站的各个通信资源分配策略；其中，第t个时刻时无人机无线通信基站的通信资源分配策略的总数为I个，第t个时刻时第i个通信资源分配策略包括第t个时刻时第i个通信资源分配策略中无人机无线通信基站对用户n的发射功率Pn(i,t)和第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配Bn(i,t)；
步骤302、确定无人机无线通信基站的各个通信资源分配策略对应的评价指标为通信系统的公平指数和用户数据传输的吞吐量；
步骤303、采用计算机建立评价指标判断矩阵A，则评价指标判断矩阵A为
Figure FDA0003392763940000021
其中，a11＝a12＝1，a12和a21互为倒数，且a12表示通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度，a21表示用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度；
步骤304、采用计算机获取判断矩阵A的最大特征值所对应的归一化特征向量为权重向量W＝(w1,w2)T，则w1为通信资源分配策对应的通信系统的公平指数评价指标的权重，则w2为通信资源分配策对应的用户数据传输的吞吐量评价指标的权重；
步骤四、无人机无线通信基站的最优通信资源分配策略的获取：
步骤401、采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量；
步骤402、采用计算机从各个通信资源分配策略下对应的各个通信系统的公平指数和用户数据传输的吞吐量，得到各个通信系统的公平指数和用户数据传输的吞吐量的最优值，并将通信系统的公平指数的最优值记作y01，用户数据传输的吞吐量的最优值记作y02；
步骤403、采用计算机根据公式
Figure FDA0003392763940000022
得到第i个通信资源分配策略下通信系统的公平指数的无量纲值xi1；采用计算机根据公式
Figure FDA0003392763940000023
得到第i个通信资源分配策略下用户数据传输的吞吐量的无量纲值xi2；其中，i为正整数，且1≤i≤I，yi1表示第t个时刻第i个通信资源分配策略下通信系统的公平指数，yi2表示第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量；
步骤404、采用计算机构造评价指标数据矩阵
Figure FDA0003392763940000031
步骤405、采用计算机根据公式
Figure FDA0003392763940000032
得到第i个通信资源分配策略下通信系统的公平指数评价指标对于通信系统的公平指数的最优值的灰色关联度ri1；其中，ζ表示分辨系数，且0＜ζ＜1；
采用计算机根据公式
Figure FDA0003392763940000033
得到第i个通信资源分配策略下用户数据传输的吞吐量评价指标对于用户数据传输的吞吐量的最优值的灰色关联度ri2；
步骤406、采用计算机根据第i个通信资源分配策略下ri1和ri2，得到评价矩阵R，如下式：
Figure FDA0003392763940000034
步骤407、采用计算机根据公式G＝WT×RT，得到灰色关联度向量G，采用计算机设定灰色关联度向量G为G＝(g1,g2,…gi,...gI)，且gi＝w1×ri1+w2×ri2，gi表示第t个时刻第i个通信资源分配策略与评价指标最优值的灰色关联度，并将g1,g2,...gi,...gI按照从小到大顺序进行排序，则gmax所对应的通信资源分配策略为第t个时刻的最优通信资源分配策略；其中，T表示转置；
步骤五、训练数据的获取：
在无人机无线通信基站和N个用户移动过程中，获取第T个时刻N个用户的位置坐标、无人机无线通信基站的位置坐标以及第T个时刻最优通信资源分配策略；其中，T表示时刻总数，T为正整数，且1≤t≤T,T不小于100；
步骤六、LSTM神经网络模型的建立及训练：
步骤601、构建LSTM神经网络模型；其中，LSTM神经网络模型包括1个输入层、3个LSTM层、1个Dense层和1个输出层；其中，LSTM神经网络模型中设置sigmoid激活函数和tanh激活函数，输入层的神经元个数为N+1个，输出层的神经元个数为2N个；
步骤602、将步骤五中得到N个用户的位置坐标、无人机无线通信基站的位置坐标作为输入层，将T个时刻最优通信资源分配策略作为输出层，输入构建的LSTM神经网络模型进行训练，得到训练好的LSTM神经网络模型；
步骤七、无人机无线通信基站的通信资源分配策略的预测：
步骤701、当第T+g个时刻时，得到第T+g个时刻N个用户的位置坐标、无人机无线通信基站的位置；其中，g为正整数，且g取1,2，...；
步骤702、将第T+g个时刻N个用户的位置坐标、无人机无线通信基站的位置输入步骤602中训练好的LSTM神经网络模型，预测得到第T+g个时刻最优通信资源分配策略。
2.按照权利要求1所述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量，具体过程如下：
步骤4011、采用计算机根据公式
Figure FDA0003392763940000041
得到第t个时刻无人机无线通信基站到第n个用户的LoS链路概率
Figure FDA0003392763940000042
其中，a表示与环境相关的第一常数，b表示与环境相关的第二常数，dn(t)表示第t个时刻无人机无线通信基站到第n个用户的直线距离；
步骤4012、采用计算机根据公式
Figure FDA0003392763940000051
得到第t个时刻无人机无线通信基站到第n个用户在LoS链路下的路径损耗
Figure FDA0003392763940000052
其中，ξLoS表示LoS链路下的附加损耗，c表示光速，fc表示信号载频；
步骤4013、采用计算机根据公式
Figure FDA0003392763940000053
得到第t个时刻无人机无线通信基站到第n个用户在NLoS链路下的路径损耗
Figure FDA0003392763940000054
其中，ξNLoS表示NLoS链路下的附加损耗；
步骤4014、采用计算机根据公式
Figure FDA0003392763940000055
得到第t个无人机无线通信基站到第n个用户信号的路径损耗PLn(t)；其中，
Figure FDA0003392763940000056
表示第t个时刻无人机无线通信基站到第n个用户的NLoS链路概率，且
Figure FDA0003392763940000057
步骤4015、采用计算机根据公式
Figure FDA0003392763940000058
得到第t个时刻第i个通信资源分配策略下第n个用户的信道容量Cn(i,t)；其中，n0表示信道中高斯白噪声的功率谱密度；
步骤4016、采用计算机根据公式
Figure FDA0003392763940000059
得到第t个时刻第i个通信资源分配策略下无人机通信系统用户n的公平指数fn(i,t)；
步骤4017、采用计算机根据公式
Figure FDA00033927639400000510
得到第t个时刻第i个通信资源分配策略下通信系统的公平指数yi1；其中，yi1∈[0,1]。
3.按照权利要求2所述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤4011中4.88＜a＜28，0＜b＜1；
步骤4012和步骤4013中NLoS链路下的附加损耗ξNLoS大于LoS链路下的附加损耗ξLoS，LoS链路下的附加损耗ξLoS的取值范围为(0dB,50dB)，NLoS链路下的附加损耗ξNLoS的取值范围为(10dB,100dB)。
4.按照权利要求1所述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下用户数据传输的吞吐量，具体过程如下：
步骤A、采用计算机根据公式
Figure FDA0003392763940000061
得到第t个时刻无人机无线通信基站和用户n之间信道的大尺度衰落系数βn(t)；其中，β0表示无人机无线通信基站和用户距离1米时的信道增益；
步骤B、采用计算机根据公式
Figure FDA0003392763940000062
得到第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量yi2。
5.一种无人机通信系统，其特征在于：包括权利要求1-4中任一项权利要求所述的一种基于神经网络的资源分配策略预测方法，所述无人机通信系统包括作为无人机无线通信基站和多个用户。
CN202111471710.9A 2021-12-06 2021-12-06 无人机通信系统及基于神经网络的资源分配策略预测方法 Active CN114158010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111471710.9A CN114158010B (zh) 2021-12-06 2021-12-06 无人机通信系统及基于神经网络的资源分配策略预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111471710.9A CN114158010B (zh) 2021-12-06 2021-12-06 无人机通信系统及基于神经网络的资源分配策略预测方法

Publications (2)

Publication Number Publication Date
CN114158010A true CN114158010A (zh) 2022-03-08
CN114158010B CN114158010B (zh) 2024-06-07

Family

ID=80452704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111471710.9A Active CN114158010B (zh) 2021-12-06 2021-12-06 无人机通信系统及基于神经网络的资源分配策略预测方法

Country Status (1)

Country Link
CN (1) CN114158010B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114915998A (zh) * 2022-05-31 2022-08-16 电子科技大学 一种无人机辅助自组网通信系统信道容量计算方法
CN115329968A (zh) * 2022-07-20 2022-11-11 北京中科弧光量子软件技术有限公司 确定量子机器学习算法公平性的方法、系统和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120425A1 (zh) * 2019-12-17 2021-06-24 北京航空航天大学 一种毫米波全双工无人机通信中继传输方法
CN113115344A (zh) * 2021-04-19 2021-07-13 中国人民解放军火箭军工程大学 基于噪声优化的无人机基站通信资源分配策略预测方法
CN113206701A (zh) * 2021-04-30 2021-08-03 重庆大学 一种无人机飞行基站的三维部署和功率分配联合优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120425A1 (zh) * 2019-12-17 2021-06-24 北京航空航天大学 一种毫米波全双工无人机通信中继传输方法
CN113115344A (zh) * 2021-04-19 2021-07-13 中国人民解放军火箭军工程大学 基于噪声优化的无人机基站通信资源分配策略预测方法
CN113206701A (zh) * 2021-04-30 2021-08-03 重庆大学 一种无人机飞行基站的三维部署和功率分配联合优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114915998A (zh) * 2022-05-31 2022-08-16 电子科技大学 一种无人机辅助自组网通信系统信道容量计算方法
CN114915998B (zh) * 2022-05-31 2023-05-05 电子科技大学 一种无人机辅助自组网通信系统信道容量计算方法
CN115329968A (zh) * 2022-07-20 2022-11-11 北京中科弧光量子软件技术有限公司 确定量子机器学习算法公平性的方法、系统和电子设备
CN115329968B (zh) * 2022-07-20 2024-05-03 北京中科弧光量子软件技术有限公司 确定量子机器学习算法公平性的方法、系统和电子设备

Also Published As

Publication number Publication date
CN114158010B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN108419286B (zh) 一种面对5g无人机通信联合波束与功率的分配方法
CN113162679B (zh) 基于ddpg算法的irs辅助无人机通信联合优化方法
Saxena et al. Optimal UAV base station trajectories using flow-level models for reinforcement learning
CN112737837B (zh) 一种高动态网络拓扑下无人机群带宽资源分配方法
CN110730031B (zh) 一种用于多载波通信的无人机轨迹与资源分配联合优化方法
CN114158010A (zh) 无人机通信系统及基于神经网络的资源分配策略预测方法
Guan et al. Efficiency evaluations based on artificial intelligence for 5G massive MIMO communication systems on high-altitude platform stations
CN111970709B (zh) 一种基于粒子群优化算法的无人机中继部署方法及系统
CN110286694B (zh) 一种多领导者的无人机编队协同控制方法
CN110049566B (zh) 一种基于多无人机辅助通信网络的下行功率分配方法
CN112153593B (zh) 一种无人机辅助的高能效物联网数据收集方法
CN113359480B (zh) 基于mappo算法多无人机与用户协同通信优化方法
Pan et al. Artificial intelligence-based energy efficient communication system for intelligent reflecting surface-driven VANETs
CN112929866A (zh) 一种自适应优化城市灾区网络覆盖的无人机部署方法
CN115278707A (zh) 基于智能反射面辅助的noma太赫兹网络能效优化方法
Hajiakhondi-Meybodi et al. Joint transmission scheme and coded content placement in cluster-centric UAV-aided cellular networks
CN114980169A (zh) 一种基于轨迹与相位联合优化的无人机辅助地面通信方法
CN115696352B (zh) 基于圆覆盖功率优化的6g无人机基站站址规划方法及系统
Chen et al. Deployment for NOMA-UAV base stations based on hybrid sparrow search algorithm
Lu et al. Machine learning for predictive deployment of UAVs with multiple access
CN114448537A (zh) 一种通信网络中能量效率和频谱效率的折中方法
CN113939032A (zh) 一种无人机通信系统及无人机通信系统资源分配优化方法
Peng et al. Joint power allocation algorithm for UAV-borne simultaneous transmitting and reflecting reconfigurable intelligent surface-assisted non-orthogonal multiple access system
CN108900290B (zh) 一种基于定位信息的导频分配方法
Feng et al. Multi-agent deep reinforcement learning for energy-efficient UAV-aided hybrid NOMA data collection

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