CN114615641A - 高空平台设备协同管理方法、系统和电子设备 - Google Patents
高空平台设备协同管理方法、系统和电子设备 Download PDFInfo
- Publication number
- CN114615641A CN114615641A CN202210203102.8A CN202210203102A CN114615641A CN 114615641 A CN114615641 A CN 114615641A CN 202210203102 A CN202210203102 A CN 202210203102A CN 114615641 A CN114615641 A CN 114615641A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- matrix
- drone
- ith
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及高空平台设备的领域,其具体地公开了一种高空平台设备协同管理方法、系统和电子设备,其通过在提取出所述无人机群的拓扑特征的同时,利用基于卷积神经网络模型提取出所述各个无人机的接收信号的高维关联特征,这样就可以针对所述信号特征向量对应的无人机分别看作信号源和传感器,进而计算接收信号强度值以得到用于表示所述无人机间的通信干扰的修正值,进一步再通过对所述第一拓扑矩阵进行修正,从而就能够对所述无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断。
Description
技术领域
本发明涉及高空平台设备的领域,且更为具体地,涉及一种高空平台设备协同管理方法、系统和电子设备。
背景技术
近年来,无人机集群技术得到了行业内的广泛关注,与单个无人机相比,无人机集群通过无人机之间的信息交互、相互协作能够完成更加复杂多样的任务,拥有功能分布化、体系生存率高、效率高等优势,具备极大的潜在应用价值。
在无人机集群飞行过程中,高精度的位置信息与合理的拓扑模式是高效可靠地执行各项任务的关键所在。对于密集集群无人机系统来说,使用的无人机一般为旋翼飞行器,受到成本和载荷的限制,为所有无人机配备高精度导航设备是非常困难的。因此,为了对无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断,以提升无人机群中各个无人机的定位精度,期望一种高空平台设备协同管理方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种高空平台设备协同管理方法、系统和电子设备,其通过在提取出所述无人机群的拓扑特征的同时,利用基于卷积神经网络模型提取出所述各个无人机的接收信号的高维关联特征,这样就可以针对所述信号特征向量对应的无人机分别看作信号源和传感器,进而计算接收信号强度值以得到用于表示所述无人机间的通信干扰的修正值,进一步再通过对所述第一拓扑矩阵进行修正,从而就能够对所述无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断。
根据本申请的一个方面,提供了一种高空平台设备协同管理方法,其包括:
通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;
将所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;
获取所述无人机群中各个无人机的通信模块的接收信号;
将各个所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;
对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;
将所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;
以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及
将所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
根据本申请的另一方面,提供了一种高空平台设备协同管理系统,其包括:
初始距离矩阵获取单元,用于通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;
第一卷积单元,用于将所述初始距离矩阵获取单元获得的所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;
接收信号获取单元,用于获取所述无人机群中各个无人机的通信模块的接收信号;
第二卷积单元,用于将各个所述接收信号获取单元获得的所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;
接收信号强度值计算单元,用于对于所述第二卷积单元获得的所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;
二维排列单元,用于将所述接收信号强度值计算单元获得的所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;
修正单元,用于以所述二维排列单元获得的所述第二特征矩阵作为修正因子对所述第一卷积单元获得的所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及
分类单元,用于将所述修正单元获得的所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
根据本申请的又一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的高空平台设备协同管理方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的高空平台设备协同管理方法。
与现有技术相比,本申请提供的高空平台设备协同管理方法、系统和电子设备,其通过在提取出所述无人机群的拓扑特征的同时,利用基于卷积神经网络模型提取出所述各个无人机的接收信号的高维关联特征,这样就可以针对所述信号特征向量对应的无人机分别看作信号源和传感器,进而计算接收信号强度值以得到用于表示所述无人机间的通信干扰的修正值,进一步再通过对所述第一拓扑矩阵进行修正,从而就能够对所述无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的高空平台设备协同管理方法的应用场景图;
图2为根据本申请实施例的高空平台设备协同管理方法的流程图;
图3为根据本申请实施例的高空平台设备协同管理方法的系统架构示意图;
图4为根据本申请实施例的高空平台设备协同管理系统的框图;
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,近年来,无人机集群技术得到了行业内的广泛关注,与单个无人机相比,无人机集群通过无人机之间的信息交互、相互协作能够完成更加复杂多样的任务,拥有功能分布化、体系生存率高、效率高等优势,具备极大的潜在应用价值。
在无人机集群飞行过程中,高精度的位置信息与合理的拓扑模式是高效可靠地执行各项任务的关键所在。对于密集集群无人机系统来说,使用的无人机一般为旋翼飞行器,受到成本和载荷的限制,为所有无人机配备高精度导航设备是非常困难的。因此,为了对无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断,以提升无人机群中各个无人机的定位精度,期望一种高空平台设备协同管理方法。
具体地,在本申请的技术方案中,首先获取无人机群的初始距离矩阵,并输入卷积神经网络获得第一拓扑特征矩阵。
获取每个无人机的接收信号,并输入卷积神经网络获得信号特征向量。
针对第i个信号特征向量vi和第j个信号特征向量vj,将其对应的无人机分别看作信号源和传感器,计算接收信号强度值:
其中P0是对于第i个无人机,在初始距离d0测量的发射功率,γ是路径损耗指数,||·||表示向量二范数,即欧式距离,且np是零均值高斯随机变量的遮挡衰减。
这样,可以获得用于表示无人机间的通信干扰的修正值,以构成第二特征矩阵,并以其修正第一拓扑特征矩阵来获得第二拓扑特征矩阵。
基于此,本申请提出了一种高空平台设备协同管理方法,其包括:通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;将所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;获取所述无人机群中各个无人机的通信模块的接收信号;将各个所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;将所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及,将所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
图1图示了根据本申请实施例的高空平台设备协同管理方法的应用场景图。如图1所示,在该应用场景中,首先,通过无人机群(例如,如图1中所示意的U)中各个无人机(例如,如图1中所示意的U1-Un)的通信模块(例如,如图1中所示意的M)获取所述无人机群的初始距离矩阵,并且获取所述无人机群中各个无人机的通信模块的接收信号。然后,将获得的所述无人机群的初始距离矩阵和所述无人机群中各个无人机的通信模块的接收信号输入至部署有高空平台设备协同管理算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够以高空平台设备协同管理算法对所述无人机群的初始距离矩阵和所述无人机群中各个无人机的通信模块的接收信号进行处理,以生成用于表示所述无人机群中各个无人机的部署样式是否符合预设要求的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了高空平台设备协同管理方法的流程图。如图2所示,根据本申请实施例的高空平台设备协同管理方法,包括:S110,通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;S120,将所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;S130,获取所述无人机群中各个无人机的通信模块的接收信号;S140,将各个所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;S150,对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;S160,将所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;S170,以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及,S180,将所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
图3图示了根据本申请实施例的高空平台设备协同管理方法的架构示意图。如图3所示,在所述高空平台设备协同管理方法的网络架构中,首先,将获得的所述初始距离矩阵(例如,如图3中所示意的M1)通过第一卷积神经网络(例如,如图3中所示意的CNN1)以获得第一拓扑特征矩阵(例如,如图3中所示意的MF1);接着,将获得的各个所述无人机的通信模块的接收信号(例如,如图3中所示意的P1)通过第二卷积神经网络(例如,如图3中所示意的CNN2)以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量(例如,如图3中所示意的VF1);然后,对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值(例如,如图3中所示意的P2);接着,将所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵(例如,如图3中所示意的MF2);然后,以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵(例如,如图3中所示意的MF);以及,最后,将所述第二拓扑特征矩阵通过分类器(例如,如图3中所示意的分类器)以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
在步骤S110和步骤S120中,通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;并将所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵。如前所述,为了对无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断,以提升无人机群中各个无人机的定位精度,期望利用所述无人机之间的通信来获得相应的两个所述无人机之间的距离。但是考虑到由于两个无人机在通信时会受到其他无人机的干扰,因此,需要将通信干扰信息来对拓扑数据进行修正,以得到更为准确地判断。
也就是,具体地,在本申请的技术方案中,首先,需要通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵。这里,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零。然后,将所述初始距离矩阵通过第一卷积神经网络中进行处理,以提取出所述无人机群中各个无人机的拓扑特征,从而获得第一拓扑特征矩阵。相应地,在一个具体示例中,使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一拓扑特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述初始距离矩阵。
在步骤S130和步骤S140中,获取所述无人机群中各个无人机的通信模块的接收信号,并将各个所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量。应可以理解,在本申请的技术方案中,考虑到所述无人机在通信时会受到其他无人机的干扰,因此,期望将所述通信干扰考虑进去来修正所述拓扑数据。也就是,具体地,首先,获取所述无人机群中各个无人机的通信模块的接收信号。然后,将各个所述无人机的通信模块的接收信号通过第二卷积神经网络中进行处理,以提取出所述各个无人机的通信模块的接收信号的高维隐含关联特征,从而获得对应于各个所述无人机的通信模块的接收信号的信号特征向量。相应地,在一个具体示例中,所述第二卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述信号特征向量,其中,所述第二卷积神经网络的第一层的输入为各个所述无人机的通信模块的接收信号的波形图。
在步骤S150和步骤S160中,对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关,并将所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵。应可以理解,为了利用无人机之间的通信来获得相应的两个无人机之间的距离,以得到更为准确地所述无人机群中各个无人机的部署样式是否符合预设要求的判断结果,就需要修正所述无人机在通信时的干扰信息。也就是,在本申请的技术方案中,针对所述无人机群中第i个信号特征向量vi和所述无人机群中第j个信号特征向量vj,将其对应的无人机分别看作信号源和传感器,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,这样,可以获得用于表示所述无人机间的通信干扰的修正值。然后,再将得到的所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵以便于后续对所述第一拓扑矩阵进行修正。
具体地,在本申请实施例中,对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值的过程,包括:以如下公式计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,其中,所述公式为:
其中P0是对于第i个无人机的发射功率,在初始距离d0测量的发射功率,γ是路径损耗指数,||·||表示向量二范数,即欧式距离,且np是零均值高斯随机变量的遮挡衰减。
在步骤S170和步骤S180中,以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵,并将所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。也就是,在本申请的技术方案中,在得到所述第二特征矩阵后,将所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵。相应地,在一个具体示例中,将所述第一拓扑特征矩阵与所述第二特征矩阵进行矩阵相乘以将所述第二特征矩阵中所包含的距离修正信息映射到所述第一拓扑特征矩阵的特征空间中以获得所述第二拓扑特征矩阵。然后,再将所述第二拓扑特征矩阵通过分类器以获得用于表示所述无人机群中各个无人机的部署样式是否符合预设要求的分类结果。
具体地,在本申请实施例中,将所述第二拓扑特征矩阵通过分类器以获得分类结果的过程,包括:使用所述分类器以如下公式对所述第二拓扑特征矩阵进行处理以生成所述分类结果,其中,所述公式为:
softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述第二拓扑特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,本申请实施例的高空平台设备协同管理方法被阐明,其通过在提取出所述无人机群的拓扑特征的同时,利用基于卷积神经网络模型提取出所述各个无人机的接收信号的高维关联特征,这样就可以针对所述信号特征向量对应的无人机分别看作信号源和传感器,进而计算接收信号强度值以得到用于表示所述无人机间的通信干扰的修正值,进一步再通过对所述第一拓扑矩阵进行修正,从而就能够对所述无人机群中各个无人机的部署样式是否符合预设要求进行准确地判断。
示例性系统
图4图示了根据本申请实施例的高空平台设备协同管理系统的框图。如图4所示,根据本申请实施例的高空平台设备协同管理系统400,包括:初始距离矩阵获取单元410,用于通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;第一卷积单元420,用于将所述初始距离矩阵获取单元410获得的所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;接收信号获取单元430,用于获取所述无人机群中各个无人机的通信模块的接收信号;第二卷积单元440,用于将各个所述接收信号获取单元430获得的所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;接收信号强度值计算单元450,用于对于所述第二卷积单元440获得的所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;二维排列单元460,用于将所述接收信号强度值计算单元450获得的所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;修正单元470,用于以所述二维排列单元460获得的所述第二特征矩阵作为修正因子对所述第一卷积单元获得的所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及,分类单元480,用于将所述修正单元470获得的所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
在一个示例中,在上述高空平台设备协同管理系统400中,所述第一卷积单元420,进一步用于:使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一拓扑特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述初始距离矩阵。
在一个示例中,在上述高空平台设备协同管理系统400中,所述第二卷积单元440,进一步用于:所述第二卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述信号特征向量,其中,所述第二卷积神经网络的第一层的输入为各个所述无人机的通信模块的接收信号的波形图。
在一个示例中,在上述高空平台设备协同管理系统400中,所述接收信号强度值计算单元450,进一步用于:以如下公式计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,其中,所述公式为:
其中P0是对于第i个无人机的发射功率,γ是路径损耗指数,||·||表示向量二范数,且np是零均值高斯随机变量的遮挡衰减。
在一个示例中,在上述高空平台设备协同管理系统400中,所述修正单元470,进一步用于:将所述第一拓扑特征矩阵与所述第二特征矩阵进行矩阵相乘以将所述第二特征矩阵中所包含的距离修正信息映射到所述第一拓扑特征矩阵的特征空间中以获得所述第二拓扑特征矩阵。
在一个示例中,在上述高空平台设备协同管理系统400中,所述分类单元480,进一步用于:使用所述分类器以如下公式对所述第二拓扑特征矩阵进行处理以生成所述分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述第二拓扑特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
这里,本领域技术人员可以理解,上述高空平台设备协同管理系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的高空平台设备协同管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的高空平台设备协同管理系统400可以实现在各种终端设备中,例如高空平台设备协同管理算法的服务器等。在一个示例中,根据本申请实施例的高空平台设备协同管理系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该高空平台设备协同管理系统400可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该高空平台设备协同管理系统400同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该高空平台设备协同管理系统400与该终端设备也可以是分立的设备,并且该高空平台设备协同管理系统400可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。如图5所示,电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的高空平台设备协同管理方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如接收信号强度、信号特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入系统13和输出系统14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的高空平台设备协同管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的高空平台设备协同管理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种高空平台设备协同管理方法,其特征在于,包括:
通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;
将所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;
获取所述无人机群中各个无人机的通信模块的接收信号;
将各个所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;
对于所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;
将所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;
以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及
将所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
2.根据权利要求1所述的高空平台设备协同管理方法,其中,将所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵,包括:
使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一拓扑特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述初始距离矩阵。
3.根据权利要求2所述的高空平台设备协同管理方法,其中,将各个所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量,包括:
所述第二卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述信号特征向量,其中,所述第二卷积神经网络的第一层的输入为各个所述无人机的通信模块的接收信号的波形图。
5.根据权利要求4所述的高空平台设备协同管理方法,其中,以所述第二特征矩阵作为修正因子对所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵,包括:
将所述第一拓扑特征矩阵与所述第二特征矩阵进行矩阵相乘以将所述第二特征矩阵中所包含的距离修正信息映射到所述第一拓扑特征矩阵的特征空间中以获得所述第二拓扑特征矩阵。
6.根据权利要求5所述的高空平台设备协同管理方法,其中,将所述第二拓扑特征矩阵通过分类器以获得分类结果,包括:
使用所述分类器以如下公式对所述第二拓扑特征矩阵进行处理以生成所述分类结果,其中,所述公式为:
softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述第二拓扑特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
7.一种高空平台设备协同管理系统,其特征在于,包括:
初始距离矩阵获取单元,用于通过无人机群中各个无人机的通信模块获取所述无人机群的初始距离矩阵,其中,所述初始距离矩阵中非对角线位置上各个位置的值为通过两个所述无人机之间的通信模块间的通信获得的两者之间的距离值,所述初始距离矩阵中对角线位置上各个位置的特征值为零;
第一卷积单元,用于将所述初始距离矩阵获取单元获得的所述初始距离矩阵通过第一卷积神经网络以获得第一拓扑特征矩阵;
接收信号获取单元,用于获取所述无人机群中各个无人机的通信模块的接收信号;
第二卷积单元,用于将各个所述接收信号获取单元获得的所述无人机的通信模块的接收信号通过第二卷积神经网络以获得对应于各个所述无人机的通信模块的接收信号的信号特征向量;
接收信号强度值计算单元,用于对于所述第二卷积单元获得的所述无人机群中第i个的无人机的第i个信号特征向量vi和对于所述无人机群中第j个的无人机的第j个信号特征向量vj,将所述第i个的无人机和所述第j个的无人机分别看作信号源和接收源,计算所述第j个无人机相对于所述第i个无人机的接收信号强度值,所述接收信号强度值与所述第i个无人机的发射功率、所述第i个信号特征向量vi与所述第j个信号特征向量vj之间的差分向量的二范数、路径损耗指数和遮挡衰减值有关;
二维排列单元,用于将所述接收信号强度值计算单元获得的所述无人机群中每两个无人机之间的接收信号强度值进行二维排列为第二特征矩阵;
修正单元,用于以所述二维排列单元获得的所述第二特征矩阵作为修正因子对所述第一卷积单元获得的所述第一拓扑特征矩阵中各个位置的特征值进行修正以获得第二拓扑特征矩阵;以及
分类单元,用于将所述修正单元获得的所述第二拓扑特征矩阵通过分类器以获得分类结果,所述分类结果用于表示所述无人机群中各个无人机的部署样式是否符合预设要求。
8.根据权利要求7所述的高空平台设备协同管理系统,其中,所述第一卷积单元,进一步用于:
使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一拓扑特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述初始距离矩阵。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的高空平台设备协同管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203102.8A CN114615641A (zh) | 2022-03-03 | 2022-03-03 | 高空平台设备协同管理方法、系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203102.8A CN114615641A (zh) | 2022-03-03 | 2022-03-03 | 高空平台设备协同管理方法、系统和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114615641A true CN114615641A (zh) | 2022-06-10 |
Family
ID=81860751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210203102.8A Pending CN114615641A (zh) | 2022-03-03 | 2022-03-03 | 高空平台设备协同管理方法、系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114615641A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346345A (zh) * | 2022-07-28 | 2022-11-15 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 |
CN117675085A (zh) * | 2023-11-27 | 2024-03-08 | 国网电力空间技术有限公司 | 一种电网巡检的无人机自主飞行监控方法及监控系统 |
-
2022
- 2022-03-03 CN CN202210203102.8A patent/CN114615641A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346345A (zh) * | 2022-07-28 | 2022-11-15 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 |
CN117675085A (zh) * | 2023-11-27 | 2024-03-08 | 国网电力空间技术有限公司 | 一种电网巡检的无人机自主飞行监控方法及监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN114615641A (zh) | 高空平台设备协同管理方法、系统和电子设备 | |
CN111414987A (zh) | 神经网络的训练方法、训练装置和电子设备 | |
CN115099684B (zh) | 企业安全生产管理系统及其管理方法 | |
CN115512420A (zh) | 访客管理系统及其方法 | |
CN114724386A (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
CN111753862A (zh) | 训练神经网络模型的方法及装置、图像识别方法 | |
CN114205846A (zh) | 天线可调的路由器测试管理方法、系统和电子设备 | |
CN115118675B (zh) | 基于智能网卡设备实现的数据流传输加速方法及其系统 | |
CN115438711A (zh) | 一种基于车路协同的分布式多级感知融合方法、装置、设备及存储介质 | |
CN110378389A (zh) | 一种Adaboost分类器计算机创建装置 | |
CN110060166A (zh) | 智能理赔方法、装置、计算机设备以及存储介质 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN114884772A (zh) | 裸机vxlan的部署方法、系统和电子设备 | |
CN110852385A (zh) | 图像处理方法、装置、设备和存储介质 | |
CN115861969A (zh) | 基于人工智能的智能驾驶视觉系统及其方法 | |
CN115409617A (zh) | 基于区块链的外币兑换方法及其系统 | |
CN115661758A (zh) | 基于人工智能的公共场所人群密集度监测方法及其系统 | |
CN112766365A (zh) | 用于智能光影弯折检测的神经网络的训练方法 | |
CN112489111A (zh) | 相机外参标定方法、装置及相机外参标定系统 | |
CN111915000A (zh) | 一种用于医疗图像的网络模型的调整方法和装置 | |
EP4354348A1 (en) | Sparsity processing on unpacked data | |
EP4365775A1 (en) | Decomposing a deconvolution into multiple convolutions | |
CN114399788B (zh) | 对象检测方法和系统 | |
CN113746539B (zh) | Gpon光链路保护倒换方法及系统 |
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 |