CN115037337A - 一种智能反射面驱动的多用户协同传输方法 - Google Patents

Abstract

本发明公开一种智能反射面驱动的多用户协同传输方法，包括以下步骤：建立地面混合接入点HAP‑无人机UAV‑多用户之间的通信系统，其中，所述UAV搭载智能超表面RIS；基于所述通信系统，构建所述HAP与所述RIS之间的能量传输模型和所述通信系统的信号传输模型；基于所述能量传输模型和所述信号传输模型，构建所述通信系统的能耗模型，基于系统的能耗模型构建系统的能效模型；基于无线充电时间占比、RIS相移和HAP发射功率，优化所述能效模型，获得最优能效模型；基于所述最优能效模型进行多用户协同传输。本发明使无线传能通信系统极大地降低阵列体制无线通信发射机的设计复杂度、硬件成本和功耗。

Description

一种智能反射面驱动的多用户协同传输方法

技术领域

本发明涉及多用户信息传输技术领域，特别是涉及一种智能反射面驱动的多用户协同传输方法。

背景技术

在智能多媒体应用快速发展的驱动下，下一代无线通信网络需要满足高频谱效率和海量连接的需求。由于高数据速率需求和大量终端能量消耗已成为未来无线通信网络设计中的一个极具挑战性的问题，因此，能效指标也已成为部署绿色和可持续无线网络的重要性能指标，研究高能效的未来无线网络解决方案势在必行。

无线网络已不再局限于地面部署，而是逐渐向空地一体化网络演进，实现无处不在的无线连接和网络容量升级。近年来，无人机(Unmanned Aerial Vehicles，UAV)在无线通信领域引起了广泛关注。得益于其敏捷性和高机动性，无人机可以快速部署在热点或灾区等目标区域，从而建立可靠的通信链接，在空对地通信信道中提供视距主导的连接。作为空中载荷，RIS可以搭载在无人机上，使RIS实现三维(3D)信号反射。这样的RIS不限于180°半空间反射，而是提供360°全景全角反射。目前，将RIS作为载荷与基于UAV通信结合的研究尚不深入。结合RIS-UAV辅助通信可以获得哪些好处，这个问题的答案对于能效和更高数据速率方面的性能增强尤为重要，尤其是当目标用户距离服务站点很远，或者源节点与目的节点之间的直接链路被阻塞时。RIS辅助UAV空地通信系统能够大大降低能耗，提高系统性能。RIS部署通常是固定在建筑物外墙或专用地点，由于场地租金过高和对城市景观的影响，在实践中获得合适的RIS安装地点并不容易，另外，RIS可以搭载在无人机上可以提供更好的级联信道，显示了进一步提高系统性能的潜力，因此，也更具有吸引力。将UAV与RIS相结合的研究尚不深入，对于UAV辅助RIS的无线传能网络研究的更为鲜少。目前没有对于UAV辅助RIS的无线传能网络中UAV先为HAP传输能量，之后HAP将收到的能量用于多用户信息传输的资源优化技术，即目前没有解决这种无线传能网络中RIS驱动的多用户协同传输，提高系统能效的方法。同时，如何权衡无线传能网络中的充电时间占比、HAP发射功率的分配方案以及RIS相角，使得整体通信系统达到最优效果，这是亟待被解决的问题。

发明内容

本发明的目的是提供一种智能反射面驱动的多用户协同传输方法，以解决上述现有技术存在的问题，将RIS应用到无线传输网络，使无线传能通信系统极大地降低阵列体制无线通信发射机的设计复杂度、硬件成本和功耗。

为实现上述目的，本发明提供了如下方案：本发明提供一种智能反射面驱动的多用户协同传输方法，包括以下步骤：

建立地面混合接入点HAP-无人机UAV-多用户之间的通信系统，其中，所述UAV搭载智能超表面RIS；

基于所述通信系统，构建所述HAP与所述RIS之间的能量传输模型和所述通信系统的信号传输模型；

基于所述能量传输模型和所述信号传输模型，构建所述通信系统的能耗模型，基于所述系统的能耗模型构建系统的能效模型；

基于无线充电时间占比、RIS相移和HAP发射功率，优化所述能效模型，获得最优能效模型；

基于所述最优能效模型进行多用户协同传输。

可选地，构建所述HAP与所述RIS之间的能量传输模型包括：

将所述HAP与所述RIS之间的能量传输划分第一阶段和第二阶段，所述第一阶段用于所述RIS向所述HAP进行无线能量传输，所述第二阶段用于所述RIS辅助所述HAP向所述多用户进行通信服务，构建第一阶段所用时间内的能量传输模型，即所述HAP与所述RIS之间的能量传输模型。

可选地，所述HAP与所述RIS之间的能量传输模型为：

P_receiver＝ηd^-αP_P，

其中，P_p为RIS向UAV进行无线能量传输的功率，P_receiver为HAP处接收到的功率,η为能量转换效率，d为UAV在充电阶段与HAP的距离，α表示路损因子。

可选地，构建所述通信系统的信号传输模型包括：

获取所述HAP与所述UAV之间的第一信道功率增益、所述UAV与所述多用户之间的第二信道功率增益和所述RIS的相角矩阵；

基于所述第一信道功率增益、所述第二信道功率增益和所述相角矩阵，构建用户接收到来自所述HAP的离散时间信号模型；

基于所述离散时间信号模型，获取所述用户的接收信干扰比；

基于所述接收信号干扰比，获取所述通信系统的频谱效率。

可选地，所述离散时间信号模型为：

y_k＝h_2,kΦH₁x+n_k，

其中，y_k为离散时间信号，h_2,kΦH₁为HAP与第k个用户间的级联信道，x表示传输信号，

为加性高斯白噪声；

所述接收信干扰比为：

其中，γ_k为接收信干扰比，h_2,kΦH₁为HAP与第k个用户间的级联信道，P_k为HAP用于第k个用户的发射功率，ω_k为HAP天线处对于用户k的预编码矢量，K为用户数量，P_i为HAP用于第i个用户的发射功率，为ω_iHAP天线处对于用户i的预编码矢量，为σ²加性高斯白噪声；

所述频谱效率为：

其中，

为频谱效率，γ_k为接收信干扰比，K为用户数量。

可选地，所述通信系统的能耗模型为：

其中，E_能耗为时间T内通信系统的总能量损耗，P_UAV1为RIS-UAV的低空悬浮功率，P_P为RIS-UAV向HAP进行无线能量传输的功率，P_receiver为HAP处接收到的功率，ζ为HAP发射效率的倒数，P_k为HAP用于第k个用户的发射功率，P_UE为用户的电路消耗功率，P_RIS＝NP_RIS(n)为RIS的功率消耗，P_UAV2为无人机在部署位置的高空悬浮功率，P_HAP为HAP的电路消耗功率，ρ为充电时间占比。

可选地，基于无线充电时间占比、RIS相移和HAP发射功率，优化所述能效模型，获得所述最优能效模型包括：

根据电池容量设置所述能效模型约束条件，对时间进行归一化处理，获取所述能效模型的优化约束；

设置所述无线充电时间占比为固定值，设置所述HAP发射功率为固定值，采用MM算法优化所述RIS相移，获得RIS相移优化结果；

设置所述RIS相移为固定值，采用dinkelbach算法优化所述HAP发射功率，获得HAP发射功率优化结果；

基于所述无线充电时间、所述RIS相移优化结果和所述HAP发射功率优化结果，获取所述最优能效模型。

可选地，所述最优能效模型为：

其中，P_UAV1为RIS-UAV的低空悬浮功率，P_P为RIS-UAV向HAP进行无线能量传输的功率，P_receiver为HAP处接收到的功率，ζ为HAP发射效率的倒数，P_k为HAP用于第k个用户的发射功率，P_UE为用户的电路消耗功率，P_RIS＝NP_RIS(n)为RIS的功率消耗，P_UAV2为无人机在部署位置的高空悬浮功率，P_HAP为HAP的电路消耗功率，η_EE为系统的能效，B为系统的带宽，ρ为充电时间占比。

本发明公开了以下技术效果：

本发明提供的一种智能反射面驱动的多用户协同传输方法，UAV借助RIS向能量受限的混合接入点(Hybrid Access Point,HAP)进行无线充电，随后，HAP通过RIS-UAV与其覆盖盲区的用户进行通信。制定了一个优化问题，通过联合优化无线充电时间占比、RIS的相移、以及HAP的发射功率，在最大发射功率、最小接收信干噪比、相角矩阵幅度和HAP最低发射功率门限的约束下，最大化系统的能效，显著地降低阵列体制无线通信发射机的设计复杂度、硬件成本和功耗，提高了信息传输效率。本发明解决了智能反射面辅助无人机的无线传能网络中的资源分配问题，对资源的分配进行优化，提高资源的利用效率，最大化系统的能效，对于RIS辅助的6G通信系统的研究有一定的参考价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的智能反射面驱动的多用户协同传输方法流程示意图；

图2为本发明实施例中的RIS-UAV辅助的无线通信系统模型结构示意图；

图3为本发明实施例中验证过程中的RIS-UAV辅助通信场景模型结构示意图；

图4为本发明实施例中多用户场景下充电时间占比与能效的关系示意图；

图5为本发明实施例中多用户场景下最大发射功率与能效的关系示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供一种智能反射面驱动的多用户协同传输方法，如图1所示，包括以下步骤：

S1、建立地面混合接入点(Hybrid Access Point,HAP)、无人机(Unmanned AerialVehicles，UAV)多用户之间的通信系统，并将智能超表面(Reconfigurable IntelligentSurface,RIS)搭载到无人机上，构成RIS-UAV系统。

如图2所示，RIS-UAV辅助的无线通信系统模型，包括一个能量受限的HAP，搭载RIS的无人机，以及K个地面用户。假设HAP配备M根天线，RIS具有N个反射单元，地面用户则是配备单天线。K个用户与HAP之间由于障碍物的遮挡，导致不存在视距链路，需借助搭载RIS的UAV来辅助通信(下文简称为RIS-UAV)。另外，由于地形或者环境等因素限制，假设HAP初始电量为零，RIS-UAV需首先通过RIS为HAP反射无线能量以确保其后续可以正常服务地面用户。

S2、根据S1中的无线通信系统，分别构建HAP与RIS-UAV之间的能量传输模型和通信系统的信号传输模型。

S201、构建HAP与RIS-UAV之间的能量传输模型。

假设HAP初始电量为零，RIS-UAV首先对HAP进行无线能量传输，以保证HAP能够正常服务用户。HAP收集由RIS调制的射频能量信号并进行存储。RIS-UAV利用RIS向HAP反射能量流进行下行无线传能。整个系统分为两个阶段，第一阶段RIS-UAV在HAP邻近上方进行无线能量传输，经过ρT时间后，RIS-UAV停止向HAP传输能量并飞向预定的部署位置(障碍物上方)。第二阶段为(1-ρ)T时间段内，RIS-UAV在遮挡位置上空利用RIS辅助HAP服务障碍物另一侧的地面用户，其中，ρ为充电时间占比。

如图1所示。在ρT时间段内，RIS-UAV对HAP进行下行能量传输，P_p为RIS-UAV向HAP进行无线能量传输的功率，P_receiver为HAP处接收到的能量传输的功率，表示为如式(1)所示：

P_receiver＝ηd^-αP_P (1)

其中，η为能量转换效率，d为RIS-UAV在充电阶段与HAP的距离，α表示路损因子，且满足α＞2。

S202、构建信号传输模型。

由于地面障碍物的影响，HAP与用户之间是非视距链路。假设HAP与RIS-UAV之间，以及RIS-UAV与用户之间都存在视距链路，信道功率增益分别表示为

其中，k＝1,2,…,K。结合实际场景，将HAP到RIS-UAV，以及RIS-UAV到用户这两段链路均建模为莱斯信道模型。RIS-UAV搭载的RIS的相角矩阵为对角阵

对于对角阵Φ中的每一个元素，即第n个反射单元的相角表示为

θ_n∈[0,2π]。因此，第k个用户接收到的来自HAP的离散时间信号可表述为：

y_k＝h_2,kΦH₁x+n_k (2)

其中，h_2,kΦH₁为HAP与第k个用户间的级联信道，x表示传输信号，表示为

其中P_k为HAP用于第k个用户的发射功率，ω_k为HAP天线处对于用户k的预编码矢量，s_k为单位功率复值信息符号。

为加性高斯白噪声。根据公式(2)，可得系统中第k个用户处接收信干扰比为如式(3)所示：

其中，

表示第k个用户接收到的干扰信号，P_i为HAP用于第i个用户的发射功率，ω_i为HAP天线处对于用户i的预编码矢量，σ²为加性高斯白噪声。

系统频谱效率表示为如式(4)所示：

S3、根据所构建的能量传输模型和通信系统的信号传输模型，构建通信系统的能耗模型，基于系统的能耗模型构建系统的能效模型。

在第一阶段，即ρT时间段内，系统消耗的总能量为ρT[P_UAV1+(P_P-P_receiver)]，P_UAV1为RIS-UAV的低空悬浮功率，P_P为RIS-UAV向HAP进行无线能量传输的功率，P_receiver为HAP处接收到的功率。由公式(1)可知P_P-P_receiver表示充电系统在无线信道传输损耗的功率。在(1-ρ)T时间段内，系统消耗的总能量为

ζ为HAP发射效率的倒数，P_k为HAP用于第k个用户的发射功率，P_UE为用户的电路消耗功率，P_RIS＝NP_RIS(n)为RIS的功率消耗，其中P_RIS(n)表示RIS每个反射单元的功率消耗。P_UAV2为无人机在部署位置的高空悬浮功率，P_HAP为HAP的电路消耗功率。忽略RIS-UAV为HAP能量传输完毕后飞向预定部署位置的时间与能量消耗。因此，在时间T内整个系统模型的能耗表示为：

将时间归一化处理，可以得到通信系统的总功率损耗为：

假设无人机在时间T内执行任务所消耗的总能量小于其电池容量，将时间T归一化，定义系统的能效最大化问题P₁如式(5)所示，

0＜ρ＜1 (5e)

约束条件(5a)中

表示HAP在(1-ρ)T时间段内可用于信号传输的总功率，只有当

大于HAP的电路消耗功率P_HAP时，HAP才能正常向用户发送信号，因此要求HAP在(1-ρ)T时间段内的最大信号发射功率

大于零。约束条件(5b)表示HAP传输信号总功率不能超过它的最大信号发射功率P_max。约束条件(5c)表示HAP发送给每个用户的信号速率不能小于最低速率门限，以确保每个用户都能正常通信，防止牺牲某些用户的服务质量来提高整个系统的能效。约束条件(5d)表示RIS的每个反射单元只改变信号的相位，不会改变信号的幅度。约束条件(5e)表示HAP充电时间占比ρ的取值范围。

该系统可以通过优化三个变量，即RIS相角矩阵Φ，HAP发射功率矩阵P，HAP充电时间占比ρ来最大化系统能效。首先，可以先选取一个满足条件(5a)和(5e)的ρ，消除约束条件(5e)，在ρ固定的情况下优化Φ，P。然后再动态调整ρ，使得目标函数最大化。

S4、基于无线充电时间占比、RIS相移和HAP发射功率，优化系统的能效模型，获得最优的能效模型，根据最优的能效模型进行多用户传输。

对于多用户场景，用户在接收信号时会受到其它用户信号的干扰。为了解决干扰问题，假设HAP已知信道状态信息，即HAP与RIS-UAV间的信道H₁，以及RIS-UAV与用户间的信道

由此可以HAP引入迫零预编码的方式来消除其它用户的信号干扰。为了实现迫零传输，先构建一个RIS-UAV与用户间的信道矩阵

系统的整体信道矩阵等效为

假设H₂ΦH₁存在右逆矩阵，根据右逆矩阵的定义，需要H₂ΦH₁满足行满秩，K≤M。此时HAP发射信号的迫零预编码矩阵为(H₂ΦH₁)⁺，( )⁺表示取矩阵的右逆矩阵，这样就能使系统的整体信道矩阵H₂ΦH₁与迫零预编码矩阵(H₂ΦH₁)⁺乘积为单位矩阵E，以此达到了迫零的目的。优化目标函数转化为优化问题P₂如式(6)所示：

tr((H₂ΦH₁)⁺P(H₂ΦH₁)^+H)≤P_max(6b)

其中，条件约束(6b)是为了确保迫零传输的发射功率小于最大门限值，HAP发射功率分布矩阵

表示HAP向每个用户发射信号的功率，( )^H表示对矩阵求共轭转置。目标函数是非凸函数，为了得到系统能效的最优解，对充电时间占比ρ先取固定值，然后对HAP发射功率矩阵P和RIS相角矩阵Φ采取联合优化。

S401、相角优化

给定HAP发射功率矩阵P，对RIS相角矩阵Φ进行优化，由于RIS相角矩阵Φ仅存在于约束条件中，因此目标函数转变为常数C₀，优化问题P₃如式(7)所示：

s.t. tr((H₂ΦH₁)⁺P(H₂ΦH₁)^+H)≤P_max (7a)

优化相角是为了让系统满足约束条件(7a)，只有这样HAP才能迫零传输。由于约束条件(7a)是非凸的，下一步优化目标转化为优化问题P₄如式(8)所示：

将原来的约束条件作为优化目标，只要得到tr((H₂ΦH₁)⁺P(H₂ΦH₁)^+H)的最小值，自然会满足约束条件(7a)。然而，此时P₄的目标函数是非凸的，需要对目标函数进行一些处理，如式(9)所示：

对HAP发射功率矩阵P做分解，P＝JJ^T,

步骤(a)中令

步骤(b)是由根据F-范数的性质和矩阵乘积的伪逆定律得出。步骤(c)是利用向量算子将矩阵转化为向量，把求矩阵F-范数转化为求向量的范数。步骤(d)中定义

以简化目标函数的形式，其中

表示矩阵的Kronecker积。此时优化目标转化为优化问题P₅如式(10)所示：

采用MM(Majorize-Minimization)算法来解决这一非凸问题。MM算法有两种，一种是用于求最大值的Minorize-Maximization，另一种是用于求最小值的Majorize-Minimization。这里采用的MM算法是Majorize-Minimization。MM算法是一种迭代优化方法，它的思想是当目标函数优化复杂度较高时，算法不直接对目标函数求最优解，转而寻找一个易于优化的目标函数替代，然后对这个替代函数求解，替代函数的最优解逼近于目标函数的最优解。对于该模型的优化目标函数，每次迭代找到一个目标函数的上界，求上界函数的最小值，通过多次迭代，可以得到接近目标函数最优解的值。下面构造目标函数的上界函数：

考虑第n次迭代点处的v为v⁽ⁿ⁾，则有不等式||(A-H)^1/2v-(A-H)^1/2v⁽ⁿ⁾||²≥0成立，其中构造新矩阵

λ_max为信道矩阵H的最大特征值，

为N²×N²的单位矩阵。由于矩阵A-H半正定结构，因此可进一步展开为，如式(11)所示：

v^H(A-H)v+(v⁽ⁿ⁾)^H(A-H)v⁽ⁿ⁾-2Re(v^H(A-H)v⁽ⁿ⁾)≥0 (11)

将v^HHv移到不等号的一侧，得到如式(12)-(14)所示：

v^HHv≤f(v∣v⁽ⁿ⁾)＝v^HAv-2Re(v^H(A-H)v⁽ⁿ⁾)+(v⁽ⁿ⁾)^H(A-H)v⁽ⁿ⁾ (12)

v^HHv≤λ_max||v||²-2Re(v^H(A-H)v⁽ⁿ⁾)+(v⁽ⁿ⁾)^H(A-H)v⁽ⁿ⁾ (13)

由此得到每次迭代的上界函数f(v∣v⁽ⁿ⁾)，接下来每次迭代的优化目标变为优化问题P₆如式(15)所示：

约束条件中v_i表示向量v的第i个元素，因为v是将相角对角矩阵Φ进行向量化处理拼成的向量，因此要求v上对应原Φ矩阵对角线上的值的模值为1，其它位置的值为0。由于λ_max固定，且||v||²＝1，因此目标函数f(v∣v⁽ⁿ⁾)中的λ_max||v||²为常数项。忽略目标函数f(v∣v⁽ⁿ⁾)中的常数项和与v不相关的项

将优化目标转化为

只要v满足

为实数值，那么目标函数

取到最大值，因此取

S402、进行功率优化。

多用户场景优化功率是优化HAP的发射功率，通过调整功率分配方案来达到能效最大化。当相角矩阵固定时，系统的优化目标为优化问题P₇如式(16)所示：

tr((H₂ΦH₁)⁺P(H₂ΦH₁)^+H)≤P_max (16b)

当RIS相角矩阵Φ固定，目标函数(16)为凹函数。因为目标函数的分子分母都包含变量P，即HAP发射功率矩阵，且均含累加符号，因此这是一个01分数规划问题，可采用dinkelbach算法求解。具体算法描述如下：

对本发明提出的传输方法效果进行仿真验证，构建RIS-UAV辅助通信的场景模型，如图3所示。

取用户数量K为8,HAP的天线数M为8，RIS的反射单元数N为8。多用户场景与单用户场景不同，多用户场景中HAP收集到的总功率将会对k个用户进行功率分配。系统参数如表1所示：

表1

图4为充电时间占比ρ与系统能效的关系，HAP采用迫零传输的多用户场景中ρ与系统能效的关系为突破HAP激活门限后能效随着ρ的增大而递减，这是因为采用迫零传输时功率受限，与单用户最大比传输的方式不同，做不到不留余力发送。如图所示，在ρ为0.1附近时系统能效达到最优且在交替优化中优化相角时使用MM算法优化的效果优于梯度下降(GD)算法。

图5为多用户场景下系统优化算法前后的能效对比。由于在HAP处采用迫零编码传输，因此要求功率与相角交替优化。对于借助RIS辅助的通信系统，多用户场景对于能效的提升相比单用户场景更为明显。另外，将RIS辅助系统与传统AF中继系统进行对比，可观察到，所提系统和算法在能效上明显优于AF中继。

在本发明中，对于RIS辅助的空地无线传能通信系统，实现了对“第一阶段传输能量，第二阶段传输数据”的场景进行系统建模，并对多用户场景下的能效进行了分析和优化，探究充电时间占比，传输功率，以及相角等参数对系统性能的影响。通过理论和仿真分析，对比优化前后的系统能效来验证所提优化算法的优势，并分析了RIS反射单元数量和HAP天线数量对系统能效的影响，最后与传统AF中继系统进行了对比，验证了RIS-UAV场景下所提算法能效更优的观点。本发明解决了智能反射面辅助无人机的无线传能网络中的资源分配问题，对系统中的资源进行了优化，提高资源的利用效率，最大化系统的能效，对于RIS辅助的6G通信系统的研究有一定的参考价值。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种智能反射面驱动的多用户协同传输方法，其特征在于：包括以下步骤：

建立地面混合接入点HAP-无人机UAV-多用户之间的通信系统，其中，所述UAV搭载智能超表面RIS；

基于所述通信系统，构建所述HAP与所述RIS之间的能量传输模型和所述通信系统的信号传输模型；

基于所述能量传输模型和所述信号传输模型，构建所述通信系统的能耗模型，基于所述系统的能耗模型构建系统的能效模型；

基于无线充电时间占比、RIS相移和HAP发射功率，优化所述能效模型，获得最优能效模型；

基于所述最优能效模型进行多用户协同传输。

2.根据权利要求1所述的智能反射面驱动的多用户协同传输方法，其特征在于：构建所述HAP与所述RIS之间的能量传输模型包括：

将所述HAP与所述RIS之间的能量传输划分第一阶段和第二阶段，所述第一阶段用于所述RIS向所述HAP进行无线能量传输，所述第二阶段用于所述RIS辅助所述HAP向所述多用户进行通信服务，构建第一阶段所用时间内的能量传输模型，即所述HAP与所述RIS之间的能量传输模型。

3.根据权利要求1或2所述的智能反射面驱动的多用户协同传输方法，其特征在于：所述HAP与所述RIS之间的能量传输模型为：

P_receiver＝ηd^-αP_P，

其中，P_p为RIS向UAV进行无线能量传输的功率，P_receiver为HAP处接收到的功率,η为能量转换效率，d为UAV在充电阶段与HAP的距离，α表示路损因子。

4.根据权利要求1所述的智能反射面驱动的多用户协同传输方法，其特征在于：构建所述通信系统的信号传输模型包括：

获取所述HAP与所述UAV之间的第一信道功率增益、所述UAV与所述多用户之间的第二信道功率增益和所述RIS的相角矩阵；

基于所述第一信道功率增益、所述第二信道功率增益和所述相角矩阵，构建用户接收到来自所述HAP的离散时间信号模型；

基于所述离散时间信号模型，获取所述用户的接收信干扰比；

基于所述接收信号干扰比，获取所述通信系统的频谱效率。

5.根据权利要求4所述的智能反射面驱动的多用户协同传输方法，其特征在于：所述离散时间信号模型为：

y_k＝h_2,kΦH₁x+n_k，

其中，y_k为离散时间信号，h_2,kΦH₁为HAP与第k个用户间的级联信道，x表示传输信号，

为加性高斯白噪声；

所述接收信干扰比为：

其中，γ_k为接收信干扰比，h_2,kΦH₁为HAP与第k个用户间的级联信道，P_k为HAP用于第k个用户的发射功率，ω_k为HAP天线处对于用户k的预编码矢量，K为用户数量，P_i为HAP用于第i个用户的发射功率，ω_i为HAP天线处对于用户i的预编码矢量，σ²为加性高斯白噪声；

所述频谱效率为：

其中，

为频谱效率，γ_k为接收信干扰比，K为用户数量。

6.根据权利要求1所述的智能反射面驱动的多用户协同传输方法，其特征在于：所述通信系统的能耗模型为：

其中，E_能耗为时间T内通信系统的总能量损耗，P_UAV1为RIS-UAV的低空悬浮功率，P_P为RIS-UAV向HAP进行无线能量传输的功率，P_receiver为HAP处接收到的功率，ζ为HAP发射效率的倒数，P_k为HAP用于第k个用户的发射功率，P_UE为用户的电路消耗功率，P_RIS＝NP_RIS(n)为RIS的功率消耗，P_UAV2为无人机在部署位置的高空悬浮功率，P_HAP为HAP的电路消耗功率，ρ为充电时间占比。

7.根据权利要求1所述的智能反射面驱动的多用户协同传输方法，其特征在于：基于无线充电时间占比、RIS相移和HAP发射功率，优化所述能效模型，获得所述最优能效模型包括：

根据电池容量设置所述能效模型约束条件，对时间进行归一化处理，获取所述能效模型的优化约束；

设置所述无线充电时间占比为固定值，设置所述HAP发射功率为固定值，采用MM算法优化所述RIS相移，获得RIS相移优化结果；

设置所述RIS相移为固定值，采用dinkelbach算法优化所述HAP发射功率，获得HAP发射功率优化结果；

基于所述无线充电时间、所述RIS相移优化结果和所述HAP发射功率优化结果，获取所述最优能效模型。

8.根据权利要求1或7所述的智能反射面驱动的多用户协同传输方法，其特征在于：所述最优能效模型为：

其中，P_UAV1为RIS-UAV的低空悬浮功率，P_P为RIS-UAV向HAP进行无线能量传输的功率，P_receiver为HAP处接收到的功率，ζ为HAP发射效率的倒数，P_k为HAP用于第k个用户的发射功率，P_UE为用户的电路消耗功率，P_RIS＝NP_RIS(n)为RIS的功率消耗，P_UAV2为无人机在部署位置的高空悬浮功率，P_HAP为HAP的电路消耗功率，η_EE为系统的能效，B为系统的带宽，ρ为充电时间占比。

Images