CN114364007A - 低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法 - Google Patents

低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法 Download PDF

Info

Publication number
CN114364007A
CN114364007A CN202210023240.8A CN202210023240A CN114364007A CN 114364007 A CN114364007 A CN 114364007A CN 202210023240 A CN202210023240 A CN 202210023240A CN 114364007 A CN114364007 A CN 114364007A
Authority
CN
China
Prior art keywords
network
subcarrier
satellite
aerial vehicle
unmanned aerial
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
CN202210023240.8A
Other languages
English (en)
Other versions
CN114364007B (zh
Inventor
李新民
王郡
李嘉慧
赵亮
尹宝林
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.)
Southwest University of Science and Technology
Hefei University
Original Assignee
Southwest University of Science and Technology
Hefei 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 Southwest University of Science and Technology, Hefei University filed Critical Southwest University of Science and Technology
Priority to CN202210023240.8A priority Critical patent/CN114364007B/zh
Publication of CN114364007A publication Critical patent/CN114364007A/zh
Application granted granted Critical
Publication of CN114364007B publication Critical patent/CN114364007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，涉及无线通信技术领域，其技术方案要点是：无人机网络采用不同的子载波集合；卫星用户与卫星基站之间的卫星网络采用不同的子载波集合；通过优化无人机网络的子载波功率以最大化速率优化问题来建立第一目标函数，并基于深度强化学习方法对第一目标函数求解，得到子载波功率控制策略；通过优化卫星网络的子载波功率以最大化速率优化问题来建立第二目标函数，并基于深度强化学习方法对第二目标函数求解，得到子载波功率控制策略。针对工作于低频段的蜂窝网络和工作于高频段的低轨道卫星双层通信网络，通过高低频组网消除网络间干扰，保证通信速率和降低资源配置实现复杂度。

Description

低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法
技术领域
本发明涉及无线通信技术领域，更具体地说，它涉及低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法。
背景技术
随着通信设备大规模增多、覆盖需求增加，单一的地面蜂窝网络在技术和成本方面受到制约。所以基于卫星网络全球覆盖、高带宽等优点，构建智能化的卫星-蜂窝网络融合通信网络不仅有效解决新一代通信系统设计需求，还具有划时代的安全可靠全方位的保障体系。
目前，由于卫星-蜂窝空地融合通信网络中工作频段、信号制式和功率资源差异很大，而且卫星与地面基站距离远传输延时大，因此信息交互复杂难以智能化进行资源配置。现有技术中采用的平均方法分配子载波功率没有考虑子载波信道差异的影响，而依据凸优化方法大量迭代则存在巨量计算复杂度，且收敛性难以保证的问题。
因此，如何研究设计一种能够克服上述缺陷的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，针对工作于低频段的蜂窝网络和工作于高频段的低轨道卫星双层通信网络，通过高低频组网消除网络间干扰，保证通信速率和降低资源配置实现复杂度。
本发明的上述技术目的是通过以下技术方案得以实现的：低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，该低轨道卫星与无人机蜂窝融合网络包括以地面蜂窝用户与无人机基站之间的低频无线通信所建立的第一层网络、以卫星用户与卫星基站之间的高频无线通信所建立的第二层网络，具体包括以下步骤：
第一层网络中不同的无人机网络采用不同的子载波集合；
卫星用户包括无人机卫星用户和地面卫星用户，且不同的卫星用户与卫星基站之间的卫星网络可采用相同的子载波集合；
通过优化无人机网络的子载波功率以最大化速率优化问题来建立第一目标函数，并基于深度强化学习方法对第一目标函数求解，得到最大化速率下第一层网络的子载波功率控制策略；
通过优化卫星网络的子载波功率以最大化速率优化问题来建立第二目标函数，并基于深度强化学习方法对第二目标函数求解，得到最大化速率下第二层网络的子载波功率控制策略。
进一步的，所述第一目标函数、第二目标函数的求解过程具体为：
构建子载波的状态空间、动作空间和回报函数；
基于深度强化学习方法对子载波的状态空间、动作空间和回报函数进行自主学习训练，以求解出相应目标函数的最优解，得到最大化速率下相应网络的子载波功率控制策略。
进一步的，所述状态空间、动作空间和回报函数的自主学习训练过程具体为：
设置学习率、折扣因子、探索概率系数以初始化神经网络；
选取相应子载波的初始状态开始训练，训练过程为：
I.基于子载波状态、估计神经网络和探索概率系数获得子载波功率动作；
II.依据子载波功率动作计算相应网络的回报，获得新的子载波状态，并将现有的子载波状态、子载波功率动作、回报以及新的子载波状态构成元组保存到记忆库中；
III.依据数据批处理大小在记忆库中采样相应的数据集作为估计神经网络的输入，并采用优化方法以实现估计神经网络与目标神经网络Loss优化；
IV.若相应网络的子载波满足结束条件，则结束本次训练，并保存得到新的子载波功率动作；否则重复训练，跳转到过程I；
依据新的子载波功率动作计算用户信号功率以及用户间干扰，以获得相应网络的通信速率后实现网络性能优化。
进一步的，所述第一层网络、第二层网络中子载波的状态空间均包括相应基站与相应用户间的子载波的信道增益和使用相同子载波的干扰信道增益。
进一步的，所述第一层网络、第二层网络中子载波的多种动作空间为零到最大功率的离散功率集。
进一步的，所述离散功率集为从功率公平性角度设计长度的均匀功率集，或为依据先验知识设计非均匀的功率集。
进一步的，所述第一层网络中子载波的回报函数与无人机的通信速率性能相关。
进一步的，所述第一层网络中子载波的回报函数为关于通信速率的线性函数，或为基于学习的速率差值所设计的奖励函数。
进一步的，所述第二层网络中子载波的回报函数基于优化目标和约束进行有效建模得到。
进一步的，所述第二层网络中子载波的回报函数以是否满足约束进行直接的奖励和惩罚建模得到，或通过每次学习的速率差值设计奖励函数。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，针对工作于低频段的蜂窝网络和工作于高频段的低轨道卫星双层通信网络，其无人机具有双模工作模式，不仅可接收低频段地面蜂窝用户信息，还可以通过编解码转换成高频段信息实现与卫星通信，双模无人机本地做信号处理和资源配置可以有效降低设备成本，减少通信信令交互；通过高低频组网消除网络间干扰，保证通信速率和降低资源配置实现复杂度。
2、本发明依据子载波定义的状态空间、优化目标(如通信速率)以及相关奖励智能化决策子载波功率，不仅保证了系统速率性能，而且能依据动态变化的信道信息和干扰功率自主决策子载波；
3、本发明的所提多智能体深度强化学习方法以最大化各层网络通信网络性能为目标，不仅依据已有经验自主学习以适应融合网络中动态变化的无线信道，还能快速收敛到最优性能以减少卫星-蜂窝空地通信网络信息交互。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例中低轨道卫星与无人机蜂窝融合网络的架构图。
图2是本发明实施例中子载波功率控制的架构框图；
图3是本发明实施例中深度强化学习的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，如图1所示，该低轨道卫星与无人机蜂窝融合网络包括以地面蜂窝用户与无人机基站之间的低频无线通信所建立的第一层网络、以卫星用户与卫星基站之间的高频无线通信所建立的第二层网络。其中，无人机具有蜂窝网空中基站和卫星网络空中用户双重功能。
第一层网络包括N个移动空中无人机基站和KU个地面蜂窝用户，所有用户共享LU个子载波(LU≥KU)。其中，无人机n(1≤n≤N)服务
Figure BDA0003463358340000031
个低频地面蜂窝用户，
Figure BDA0003463358340000032
且，不同无人机蜂窝网络采用不同子载波以实现干扰消除保证通信性能。
第二层网络包括一个低轨道卫星基站，N个空中无人机卫星用户，
Figure BDA0003463358340000033
个地面卫星用户，所用卫星用户共享LS个子载波，卫星网络用户数
Figure BDA0003463358340000034
小于等于LS。为便于识别，将N个空中无人机卫星用户设置为1到N，
Figure BDA0003463358340000035
个地面卫星用户设置为N+1到KS。
需要说明的是，不同的卫星用户与卫星基站之间的卫星网络即可采用相同的子载波集合，也可以采用不同的子载波集合。
一、无人机n与地面蜂窝网中所服务用户i采用子载波l数据传输时的信道为
Figure BDA0003463358340000041
则无人机处的信干噪比为：
Figure BDA0003463358340000042
其中，
Figure BDA0003463358340000043
为低频段无人机网络n中用户i子载波l的上行发送功率；
Figure BDA0003463358340000044
为无人机网络端噪声功率；
Figure BDA0003463358340000045
为无人机网络n中使用子载波l的但不包括用户i的用户集合。
则无人机网络n通信速率为：
Figure BDA0003463358340000046
其中，BU为无人机网络子载波带宽。
二、低轨卫星与卫星网络中卫星用户i采用子载波l数据传输时的信道为
Figure BDA0003463358340000047
则卫星接收端的信干噪比为：
Figure BDA0003463358340000048
其中，
Figure BDA0003463358340000049
为卫星网络中高频段卫星用户i子载波l的上行发送功率；
Figure BDA00034633583400000410
为卫星端接收噪声功率；
Figure BDA00034633583400000411
为卫星网络中使用子载波l的但不包括用户i的用户集合。
则所述卫星网络通信速率为：
Figure BDA00034633583400000412
其中，BS为卫星子载波带宽。
为保证低轨道卫星无人机蜂窝融合网络整体速率性能，形成最大化速率优化问题，所提基于深度强化学习的子载波功率控制如图2所示。
三、第一层网络中，无人机作为空中基站需保证所服务用户的通信速率，因此，通过优化子载波功率以最大化速率优化问题，第一层网络对应的第一目标函数为：
Figure BDA00034633583400000413
由于子载波功率
Figure BDA00034633583400000414
相互耦合使得非凸的优化目标难以获得最优解，本发明基于深度强化学习方法形成以子载波为智能体的自主学习的子载波功率控制策略。该方法主要包括智能体状态空间、动作空间和回报函数设计。
第一层无人机蜂窝通信网络中子载波的状态空间
Figure BDA00034633583400000518
包括：无人机基站与地面蜂窝用户间的子载波的信道增益和使用相同子载波的干扰信道增益，即
Figure BDA0003463358340000051
第一层无人机蜂窝通信网络中的多种可行动作空间
Figure BDA0003463358340000052
为零到最大功率
Figure BDA0003463358340000053
的离散功率集，该动作空间可以依据实际需求进行有效设计。
例如，从功率公平性角度设计长度GU的均匀功率集为：
Figure BDA0003463358340000054
或者，依据先验知识设计非均匀的功率集为：
Figure BDA0003463358340000055
其中，
Figure BDA0003463358340000056
为系统根据需求配置的功率量化长度。
第一层无人机蜂窝通信网络中的回报函数与无人机n的通信速率性能
Figure BDA0003463358340000057
相关。例如，可以将获得的奖励设计为关于无人机通信速率的一阶正相关线性函数，也可基于无人机当前学习的通信速率和上一次学习的通信速率之间的差值作为奖励函数，但不仅限于此。
基于深度强化学习对第一层网络的训练过程具体由以下步骤实现。
(1)设置学习率αU、折扣因子γU、探索概率系数εU等，初始化神经网络。
(2)选取无人机子载波的初始状态
Figure BDA0003463358340000058
(3)对于每一次训练，都有以下过程：
I.基于子载波状态
Figure BDA0003463358340000059
估计神经网络和探索概率获得子载波功率动作
Figure BDA00034633583400000510
II.依据动作计算无人机网络回报
Figure BDA00034633583400000511
获得新的子载波状态
Figure BDA00034633583400000512
将现有的子载波状态
Figure BDA00034633583400000513
子载波功率动作
Figure BDA00034633583400000514
回报
Figure BDA00034633583400000515
和新的子载波状态
Figure BDA00034633583400000516
构成元组保存到记忆库中；
III.依据数据批处理大小在记忆库中采样相应的数据集作为估计神经网络输入，采用优化方法实现估计神经网络与目标神经网络Loss优化；
IV.若无人机网络的子载波满足结束条件，则结束本次训练，保存子载波功率动作
Figure BDA00034633583400000517
否则重复训练，跳转到过程I。
(4)依据学习的子载波功率动作，可以获得用户信号功率和用户间干扰，从而计算无人机网络n通信速率
Figure BDA0003463358340000061
实现第一层网络性能优化。
四、第二层网络中，无人机作为卫星网络空中用户需保证所蜂窝网络通信速率，因此，通过优化卫星网络子载波功率以最大化速率优化问题，第二层网络对应的第二目标函数为：
Figure BDA0003463358340000062
由于子载波功率
Figure BDA0003463358340000063
相互耦合以及非凸无人机用户速率约束，使得非凸的优化目标难以获得最优解，本发明基于深度强化学习方法形成以子载波为智能体的自主学习的子载波功率控制策略。第二层网络子载波功率控制如图3所示，该方法主要包括智能体状态空间、动作空间和回报函数设计。
第二层卫星通信网络中子载波的状态空间SS包括：卫星基站与卫星用户间的子载波的信道增益和使用相同子载波的干扰信道增益，即
Figure BDA0003463358340000064
第二层卫星通信网络中的多种可行动作空间AS为零到最大功率
Figure BDA0003463358340000065
的离散功率集，该动作空间可以依据实际需求进行有效设计。
例如，从功率公平性角度设计长度GS的均匀功率集为：
Figure BDA0003463358340000066
或者依据先验知识设计非均匀的功率集为：
Figure BDA0003463358340000067
其中，
Figure BDA00034633583400000610
为系统根据需求配置的第二层网络功率量化长度。
第二层卫星通信网络中回报函数(行为奖励)为rS可以基于优化目标和约束进行有效建模，比如以是否满足约束进行直接的奖励和惩罚：
Figure BDA0003463358340000068
其中，
Figure BDA0003463358340000069
可为由系统预设置的非负常数，也可以为与速率相关的函数。
此外，也可以通过每次学习的速率差值设计奖励函数，例如上一次学习后的网络通信速率RS,old，本次学习后网络的通信速率RS,new，所获得奖励可以建模为：
Figure BDA0003463358340000071
其中，
Figure BDA0003463358340000072
可为由系统预设置的非负常数，也可以为与速率相关的函数；卫星网络的奖励与通信速率性能RS和相应的约束有关，但不仅限于此两种设计方法。
基于深度强化学习对第二层网络的训练过程具体由以下步骤实现。
(1)设置学习率αS、折扣因子γS、探索概率系数εS等，初始化神经网络。
(2)选取卫星网络子载波的初始状态
Figure BDA0003463358340000073
(3)对于每一次训练，都有以下过程：
I.基于子载波状态
Figure BDA0003463358340000074
估计神经网络和探索概率获得子载波功率动作
Figure BDA0003463358340000075
II.依据动作计算卫星网络回报rS，获得新的子载波状态
Figure BDA0003463358340000076
将现有的子载波状态
Figure BDA0003463358340000077
子载波功率动作
Figure BDA0003463358340000078
回报rS和新的子载波状态
Figure BDA0003463358340000079
构成元组保存到记忆库中；
III.依据数据批处理大小在记忆库中采样相应的数据集作为估计神经网络输入，采用优化方法实现估计神经网络与目标神经网络Loss优化；
IV.若卫星网络子载波满足结束条件，则结束本次训练，保存子载波功率动作
Figure BDA00034633583400000710
否则重复训练，跳转到过程I。
(4)依据学习所获得的子载波功率动作，可以计算用户信号功率和用户间干扰，从而获得卫星网络通信速率RS，实现第二层网络性能优化。
工作原理：本发明针对工作于低频段的蜂窝网络和工作于高频段的低轨道卫星双层通信网络，其无人机具有双模工作模式，不仅可接收低频段地面蜂窝用户信息，还可以通过编解码转换成高频段信息实现与卫星通信，双模无人机本地做信号处理和资源配置可以有效降低设备成本，减少通信信令交互；通过高低频组网消除网络间干扰，保证通信速率和降低资源配置实现复杂度。此外，本发明依据子载波定义的状态空间、优化目标(如通信速率)以及相关奖励智能化决策子载波功率，不仅保证了系统速率性能，而且能依据动态变化的信道信息和干扰功率自主决策子载波。另外，本发明的所提多智能体深度强化学习方法以最大化各层网络通信网络性能为目标，不仅依据已有经验自主学习以适应融合网络中动态变化的无线信道，还能快速收敛到最优性能以减少卫星-蜂窝空地通信网络信息交互。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，该低轨道卫星与无人机蜂窝融合网络包括以地面蜂窝用户与无人机基站之间的低频无线通信所建立的第一层网络、以卫星用户与卫星基站之间的高频无线通信所建立的第二层网络，具体包括以下步骤：
第一层网络中不同的无人机网络采用不同的子载波集合；
卫星用户包括无人机卫星用户和地面卫星用户，且不同的卫星用户与卫星基站之间的卫星网络可采用相同的子载波集合；
通过优化无人机网络的子载波功率以最大化速率优化问题来建立第一目标函数，并基于深度强化学习方法对第一目标函数求解，得到最大化速率下第一层网络的子载波功率控制策略；
通过优化卫星网络的子载波功率以最大化速率优化问题来建立第二目标函数，并基于深度强化学习方法对第二目标函数求解，得到最大化速率下第二层网络的子载波功率控制策略。
2.根据权利要求1所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第一目标函数、第二目标函数的求解过程具体为：
构建子载波的状态空间、动作空间和回报函数；
基于深度强化学习方法对子载波的状态空间、动作空间和回报函数进行自主学习训练，以求解出相应目标函数的最优解，得到最大化速率下相应网络的子载波功率控制策略。
3.根据权利要求2所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述状态空间、动作空间和回报函数的自主学习训练过程具体为：
设置学习率、折扣因子、探索概率系数以初始化神经网络；
选取相应子载波的初始状态开始训练，训练过程为：
I.基于子载波状态、估计神经网络和探索概率系数获得子载波功率动作；
II.依据子载波功率动作计算相应网络的回报，获得新的子载波状态，并将现有的子载波状态、子载波功率动作、回报以及新的子载波状态构成元组保存到记忆库中；
III.依据数据批处理大小在记忆库中采样相应的数据集作为估计神经网络的输入，并采用优化方法以实现估计神经网络与目标神经网络Loss优化；
IV.若相应网络的子载波满足结束条件，则结束本次训练，并保存得到新的子载波功率动作；否则重复训练，跳转到过程I；
依据新的子载波功率动作计算用户信号功率以及用户间干扰，以获得相应网络的通信速率后实现网络性能优化。
4.根据权利要求2所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第一层网络、第二层网络中子载波的状态空间均包括相应基站与相应用户间的子载波的信道增益和使用相同子载波的干扰信道增益。
5.根据权利要求2所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第一层网络、第二层网络中子载波的多种动作空间为零到最大功率的离散功率集。
6.根据权利要求5所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述离散功率集为从功率公平性角度设计长度的均匀功率集，或为依据先验知识设计非均匀的功率集。
7.根据权利要求2所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第一层网络中子载波的回报函数与无人机的通信速率性能相关。
8.根据权利要求7所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第一层网络中子载波的回报函数为关于通信速率的线性函数，或为基于学习的速率差值所设计的奖励函数。
9.根据权利要求2所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第二层网络中子载波的回报函数基于优化目标和约束进行有效建模得到。
10.根据权利要求9所述的低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法，其特征是，所述第二层网络中子载波的回报函数以是否满足约束进行直接的奖励和惩罚建模得到，或通过每次学习的速率差值设计奖励函数。
CN202210023240.8A 2022-01-10 2022-01-10 低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法 Active CN114364007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210023240.8A CN114364007B (zh) 2022-01-10 2022-01-10 低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210023240.8A CN114364007B (zh) 2022-01-10 2022-01-10 低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法

Publications (2)

Publication Number Publication Date
CN114364007A true CN114364007A (zh) 2022-04-15
CN114364007B CN114364007B (zh) 2023-05-19

Family

ID=81108277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210023240.8A Active CN114364007B (zh) 2022-01-10 2022-01-10 低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法

Country Status (1)

Country Link
CN (1) CN114364007B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316594A (zh) * 2011-09-23 2012-01-11 北京邮电大学 认知无线网络中跨层资源分配和分组调度的方法
CN108696865A (zh) * 2018-04-24 2018-10-23 西南科技大学 一种无线传感网络节点安全认证方法
CN108833049A (zh) * 2018-06-12 2018-11-16 北京邮电大学 一种无人机网络中基于认知的欺骗式抗干扰方法及装置
CN108924935A (zh) * 2018-07-06 2018-11-30 西北工业大学 一种基于强化学习算法功率域的noma中的功率分配方法
CN109005525A (zh) * 2018-08-07 2018-12-14 西北工业大学 一种中继网络部署方法及装置
US10348394B1 (en) * 2014-03-14 2019-07-09 Tarana Wireless, Inc. System architecture and method for enhancing wireless networks with mini-satellites and pseudollites and adaptive antenna processing
CN111417125A (zh) * 2020-03-24 2020-07-14 清华大学 星空地协同海洋通信网络容量优化方法及装置
CN111556460A (zh) * 2020-04-28 2020-08-18 西安交通大学 非理想毫米波无线供电通信无人机网络的功率分配方法
CN111669758A (zh) * 2020-05-18 2020-09-15 清华大学 一种卫星无人机融合网络资源分配方法及装置
CN112996117A (zh) * 2021-02-02 2021-06-18 清华大学 卫星无人机协同覆盖网络中的安全通信方法及装置
WO2021129591A1 (zh) * 2019-12-26 2021-07-01 索尼集团公司 无线通信系统中的电子设备、通信方法和存储介质
CN113810086A (zh) * 2020-06-12 2021-12-17 华为技术有限公司 信道信息反馈方法、通信装置及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316594A (zh) * 2011-09-23 2012-01-11 北京邮电大学 认知无线网络中跨层资源分配和分组调度的方法
US10348394B1 (en) * 2014-03-14 2019-07-09 Tarana Wireless, Inc. System architecture and method for enhancing wireless networks with mini-satellites and pseudollites and adaptive antenna processing
CN108696865A (zh) * 2018-04-24 2018-10-23 西南科技大学 一种无线传感网络节点安全认证方法
CN108833049A (zh) * 2018-06-12 2018-11-16 北京邮电大学 一种无人机网络中基于认知的欺骗式抗干扰方法及装置
CN108924935A (zh) * 2018-07-06 2018-11-30 西北工业大学 一种基于强化学习算法功率域的noma中的功率分配方法
CN109005525A (zh) * 2018-08-07 2018-12-14 西北工业大学 一种中继网络部署方法及装置
WO2021129591A1 (zh) * 2019-12-26 2021-07-01 索尼集团公司 无线通信系统中的电子设备、通信方法和存储介质
CN111417125A (zh) * 2020-03-24 2020-07-14 清华大学 星空地协同海洋通信网络容量优化方法及装置
CN111556460A (zh) * 2020-04-28 2020-08-18 西安交通大学 非理想毫米波无线供电通信无人机网络的功率分配方法
CN111669758A (zh) * 2020-05-18 2020-09-15 清华大学 一种卫星无人机融合网络资源分配方法及装置
CN113810086A (zh) * 2020-06-12 2021-12-17 华为技术有限公司 信道信息反馈方法、通信装置及存储介质
CN112996117A (zh) * 2021-02-02 2021-06-18 清华大学 卫星无人机协同覆盖网络中的安全通信方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENYU NA;JUN WANG;CHUNGANG LIU;MINGXIANG GUAN;ZIHE GAO: "Join trajectory optimization and communication design for UAV-enabled OFDM networks" *
谭勇;谢志航;范怡: "也谈无人机协同作战" *

Also Published As

Publication number Publication date
CN114364007B (zh) 2023-05-19

Similar Documents

Publication Publication Date Title
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN111884696B (zh) 一种基于多载波的中继协作移动边缘计算方法
CN111277437A (zh) 一种智能电网的网络切片资源分配方法
CN110493854B (zh) 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制
CN111628855B (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
CN110121212B (zh) 一种面向周期类urllc业务的上行传输方法
CN110290542B (zh) 海上无人机通信覆盖优化方法及系统
CN114340017B (zh) 一种具有eMBB和URLLC混合服务的异构网络资源切片方法
CN114051222A (zh) 一种车联网环境下基于联邦学习的无线资源分配和通信优化方法
CN115278708B (zh) 一种面向联邦学习的移动边缘计算资源管理方法
CN114189870A (zh) 基于多智能体深度强化学习的多小区多业务资源分配方法
CN115696581A (zh) 基于约束强化学习的无线网络资源分配方法
CN111682915B (zh) 一种频谱资源自分配方法
CN112770398A (zh) 一种基于卷积神经网络的远端射频端功率控制方法
CN117580180A (zh) 面向端到端低时延信息交付的通感算存多域资源分配方法
CN109831759B (zh) 一种基于软件定义无线网络的三维d2d匹配算法
CN114364007A (zh) 低轨道卫星与无人机蜂窝融合网络的子载波功率控制方法
CN110602718A (zh) 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统
CN116366127A (zh) 无人机辅助多mec服务器的任务完成率最大化方法
CN114980205A (zh) 多天线无人机视频传输系统QoE最大化方法和装置
CN112911715B (zh) 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置
CN115633402A (zh) 一种面向混合业务吞吐量优化的资源调度方法
CN114679791A (zh) 煤矿物联网异构网络资源分配方法及系统
CN114884957A (zh) 空天地网络中的计算任务卸载方法、装置和电子设备
CN104507111B (zh) 蜂窝网络中基于集簇的协同通信方法及装置

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