CN115426635B - 一种不可靠传输场景下无人机通信网络推断方法及系统 - Google Patents
一种不可靠传输场景下无人机通信网络推断方法及系统 Download PDFInfo
- Publication number
- CN115426635B CN115426635B CN202211352641.4A CN202211352641A CN115426635B CN 115426635 B CN115426635 B CN 115426635B CN 202211352641 A CN202211352641 A CN 202211352641A CN 115426635 B CN115426635 B CN 115426635B
- Authority
- CN
- China
- Prior art keywords
- communication
- data
- communication network
- unmanned aerial
- aerial vehicle
- 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
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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种不可靠传输场景下无人机通信网络推断方法及系统,属于网络推断技术领域,解决了现有技术中未考虑不可靠传输导致的无人机通信网络推断准确率低的问题。包括将观测获取的无人机历史通信过程划分为多个时间片,构造各无人机的通信状态向量;初始化通信网络参数,根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据作为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数。实现了通信网络推断准确率的提高。
Description
技术领域
本发明涉及网络推断技术领域,尤其涉及一种不可靠传输场景下无人机通信网络推断方法及系统。
背景技术
随着无人机技术的快速发展,无人机集群已应用在远程监控、通信中继与协同救援等诸多方面。而无线网络是支撑无人机群智能化的通信基础,了解无人机通信网络的拓扑结构是理解和分析无人机集群行为的关键,从而有助于对无人机集群行动的预测与调控。然而,一方面由于常用的飞行自组网(Flying ad-hoc network,FANET)的灵活性与自组织性,网络拓扑的有关信息往往无法直接获得;另一方面,由于无人机的所处低空环境较为复杂,往往存在丢包、噪声等干扰因素。因此,研究不可靠场景下的无人机通信网络拓扑推断是非常重要而又十分具有挑战性的。
通过设置“特权”节点,并让这些节点轮询其邻域的信息来获得网络拓扑,但这类主动方法的能量成本较高,不适用于无人机集群场景。通过数据驱动的被动观测技术对通信网络进行推断的方法虽然对安全性、异构性及成本进行了考虑,但算法的时间复杂度高,假设传输的时间序列是完全已知的,没有针对无人机通信场景中的不可靠传输而进行鲁棒设计,即未考虑实际无人机通信场景中由于信道衰落、障碍物阻隔、多径效应等诸多因素导致的数据包丢失。
由于基于被动观测的通信网络推断技术对数据质量很敏感,现有方法未考虑不可靠的通信条件,在进行网络推断时未以不可靠传输为前提,导致通信网络推断准确率低。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种不可靠传输场景下无人机通信网络推断方法及系统,用以解决现有未考虑不可靠传输导致的无人机通信网络推断准确率低的问题。
一方面,本发明实施例提供了一种不可靠传输场景下无人机通信网络推断方法,包括如下步骤:
将观测获取的无人机历史通信过程划分为多个时间片,根据时间片构造各无人机的通信状态向量;
初始化通信网络参数,所述通信网络参数包括网络拓扑邻接矩阵、通信速率矩阵和信道丢包率矩阵;
根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据作为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数。
基于上述方法的进一步改进,初始化通信网络参数,包括:网络拓扑邻接矩阵中的每个元素值初始化为1,用于表示初始任意两个无人机间存在通信链路;通信速率矩阵和信道丢包率矩阵中的元素值以均匀分布U(0,1)随机生成,分别用于表示初始各通信链路上数据包发送比率和数据包丢失比率。
基于上述方法的进一步改进,采用蒙特卡洛方法对隐含变量进行随机采样,包括:根据当前迭代中的通信网络参数和各无人机的通信状态向量,按时间片顺序依次计算各通信链路上各时间片的通信数据和丢包数据的后验概率;采用蒙特卡洛方法,根据各时间片的通信数据和丢包数据的后验概率,对各通信链路上各时间片的通信数据和丢包数据分别进行随机采样,得到各通信链路上各时间片的隐含数据;
对各通信链路按时间片顺序拼接隐含数据,分别得到一条采样数据,所有通信链路的采样数据,作为一组采样数据,重复多次后,得到多组采样数据。
基于上述方法的进一步改进,各通信链路上各时间片的通信数据的后验概率,由各通信链路上各时间片的传输响应延时后各通信链路上是否存在应答信号,自动重传触发时间前是否发生丢包,以及当前迭代中待更新的通信网络参数决定,表示为下式:
其中,为第k个时间片无人机i和无人机j在通信链路(i,j)上存在发送的数据包,Y为观测获取的各无人机的通信状态向量集合,为第k-1个时间片的隐含数据,为当前第n次迭代中待更新的通信网络参数,为通信状态向量集合Y中无人机j在第k个时间片的传输响应延时后的应答信号,为无应答信号时自动重传触发时间,为通信链路(i,j)上随机采样的第k个时间片的时间前的丢包数据。
基于上述方法的进一步改进,各通信链路上各时间片的丢包数据的后验概率,由各通信链路上各时间片是否存在发送的数据包,以及当前迭代中待更新的通信网络参数决定,包括:
如果当前通信链路上当前时间片不存在发送的数据包,则在每个时间片任一通信链路上丢包数据的后验概率为0,否则,根据当前迭代中待更新的通信网络参数,从其中的通信速率矩阵中取出当前通信链路对应的元素值,作为当前通信链路上当前时间片丢包数据的后验概率。
基于上述方法的进一步改进,根据下式建立通信网络参数的期望函数:
基于上述方法的进一步改进,基于因果发现方法,通过最大化期望函数值更新通信网络参数,包括:
将偏导数置为0,计算通信网络参数的期望函数的偏导数,利用得到的函数极值点对应的矩阵更新通信网络参数中的通信速率矩阵和信道丢包率矩阵;
依次根据每组采样数据,通过传递熵计算各通信链路的因果性,并通过置换检验计算各因果性的显著性;基于预置的显著性阈值,根据各组采样数据中各通信链路对应的显著性,更新网络拓扑邻接矩阵。
基于上述方法的进一步改进,利用得到的函数极值点对应的矩阵更新通信网络参数中的通信速率矩阵和信道丢包率矩阵,包括:
固定当前迭代中的网络拓扑邻接矩阵和通信速率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新信道丢包率矩阵:
其中,为在第n次迭代中信道丢包率矩阵中通信链路(i,j)对应的更新后的元素值,用于第n+1次迭代,K为时间片总数目,M为采样数据的总组数,为第m组采样数据中通信链路(i,j)上第k个时间片的通信数据,为第m组采样数据中通信链路(i,j)上第k个时间片的丢包数据,为第n次迭代中网络拓扑邻接矩阵中非零的边集;
固定当前迭代中的网络拓扑邻接矩阵和信道丢包率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新通信速率矩阵:
基于上述方法的进一步改进,基于预置的显著性阈值,根据各组采样数据中各通信链路对应的显著性,更新网络拓扑邻接矩阵,包括:
依次取出每组采样数据中各通信链路对应的显著性,如果显著性大于预置的显著性阈值,则该显著性对应的通信链路的待更新值为1,否则为0;
获取各组采样数据中同一通信链路的待更新值的众数,作为网络拓扑邻接矩阵中对应通信链路的值,更新网络拓扑邻接矩阵。
另一方面,本发明实施例提供了一种不可靠传输场景下无人机通信网络推断系统,包括:
数据预处理模块,用于将观测获取的无人机历史通信过程划分为多个时间片,根据时间片构造各无人机的通信状态向量;
参数初始化模块,用于初始化通信网络参数,所述通信网络参数包括网络拓扑邻接矩阵、通信速率矩阵和信道丢包率矩阵;
网络推断模块,用于根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据作为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数。
与现有技术相比,本发明至少可实现如下有益效果之一:实现了结合最大期望算法与因果发现方法进行网络拓扑的推断,利用最大期望算法进行自适应插值,以弥补由于通信过程中数据包丢失导致的推断准确率下降,利用了通信过程时间序列的隐含关系,并从关联网络推断的角度对该序列进行分析,对无人机的通信网络拓扑有较好的推断能力,并具有对不可靠传输场景的鲁棒性,为未知无人机通信网络拓扑的预测提供了一种有效的解决方案。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例1中一种不可靠传输场景下无人机通信网络推断方法流程示意图;
图2为本发明实施例1中迭代通信网络参数的流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种不可靠传输场景下无人机通信网络推断方法,如图1所示,包括如下步骤:
S11:将观测获取的无人机历史通信过程划分为多个时间片,根据时间片构造各无人机的通信状态向量。
需要说明的是,观测获取的无人机历史通信过程,是根据射频传感器获取观测到的各无人机发送的数据包和应答信号的时间序列。被动观测时间通常取数十秒到数百秒,时间片长度一般是毫秒量级,将被动观测时间划分为K个时间片,分别统计在无人机历史通信过程中,每个无人机在各时间片发送的数据包信号和应答信号。
示例性地,被动观测时间为60s,每个时间片为1.5ms,则被动观测时间被切分成40000个时间片。
本实施例中无人机通信网络模型中采用的通信协议为停止-等待自动重传请求协议,采用的信道模型为数据包擦除信道模型。如果在观测时间内通信过程是平稳的,则在该通信模型下,无人机通信过程时间序列均满足以下关系式:
其中,为传输响应延时,为通信链路(i,j)上第k个时间片无人机i向无人机j发送的数据包信号,若确实发送了一个数据包,则值为1,否则值为0;为通信链路(i,j)上第k个时间片是否出现数据包丢失,若丢包则值为1,否则为0;为第个时间片无人机j向无人机i发送的应答信号。此外,若通信链路(i,j)上第k个时间片出现了丢包,则由于无应答信号,无人机i会在自动重传触发时间后再次发送一个数据包信号。
但在实际的被动观测过程中并不能通过解包解密等操作直接获取通信信号的目的地,即无人机i的数据包和应答信号发送给了哪个无人机是未知的,因此对于无人机i在第k个时间片实际观测得到的数据包信号为,应答信号为,分别通过下式得到:
其中,N为无人机总数目。
按时间片顺序将所有无人机各时间片的数据包信号组成数据包信号向量,各时间片的应答信号组成应答信号向量,得到观测到的各无人机的通信状态向量。
S12:初始化通信网络参数,所述通信网络参数包括网络拓扑邻接矩阵、通信速率矩阵和信道丢包率矩阵。
需要说明的是,无人机通信网络参数包括N×N维的网络拓扑邻接矩阵、通信速率矩阵、以及描述数据缺失的信道丢包率矩阵,即。其中,n表示当前迭代次数,表示通信链路(i,j)是否存在,若存在则为1,否则为0;为通信链路(i,j)上的范围为[0,1]的平均通信速率;为通信链路(i,j)上的范围为[0,1]的平均信道丢包率。本步骤中初始化时n=0,均初始化为1,用于表示初始任意两个无人机间存在通信链路;与以均匀分布U(0,1)来随机生成,分别用于表示初始各通信链路上数据包发送比率和数据包丢失的比率。
S13:根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数。
需要说明的是,本实施例考虑到不可靠传输导致的数据包丢包情况,以各时间片的通信数据和丢包数据作为隐含变量,其中,通信数据是指各通信链路在各时间片是否存在发送的数据包,丢包数据是指各通信链路在各时间片是否出现丢包。
本步骤是一个迭代更新的过程,如图2所示,每次迭代中基于最大期望算法,包括步骤S131执行计算期望E-step和步骤S132最大化期望M-step两步,下面具体说明这两步所执行的方法。
S131:执行计算期望E-step,包括:1)采用蒙特卡洛方法对隐含变量进行随机采样,2)建立通信网络参数的期望函数。
具体来说,1)采用蒙特卡洛方法对隐含变量进行随机采样,包括:
①根据当前迭代中的通信网络参数和各无人机的通信状态向量,按时间片顺序依次计算各通信链路上各时间片的通信数据和丢包数据的后验概率。
需要说明的是,各通信链路上各时间片的通信数据的后验概率,由各通信链路上各时间片的传输响应延时后是否存在应答信号,自动重传触发时间前是否发生丢包,以及当前迭代中待更新的通信网络参数决定,表示为下式:
其中,为第k个时间片无人机i和无人机j在通信链路(i,j)上存在发送的数据包,Y为观测获取的各无人机的通信状态向量集合,为第k-1个时间片的隐含数据,为当前第n次迭代中待更新的通信网络参数,即上一次迭代更新后的通信网络参数,为通信状态向量集合Y中无人机j在第k个时间片的传输响应延时后的应答信号,为无应答信号时自动重传触发时间,为通信链路(i,j)上随机采样的第k个时间片的时间前的丢包数据,如果不存在,则为0。
其中,为中网络拓扑邻接矩阵中非零的边集,即第n次迭代中网络拓扑邻接矩阵中存在的通信链路,为观测获取的Y中无人机i有发送出数据包,为中信道丢包率矩阵中通信链路(i,j)对应的元素值,为中通信速率矩阵中通信链路(i,j)对应的元素值。
具体来说,如果当前通信链路上当前时间片不存在发送的数据包,就不可能出现丢包,则在每个时间片任一通信链路上丢包数据的后验概率为0,表示为:
否则,根据当前迭代中待更新的通信网络参数,从其中的通信速率矩阵中取出当前通信链路对应的元素值,作为当前通信链路上当前时间片丢包数据的后验概率,表示为:
综上所述,根据公式(4)和公式(5)得到各通信链路上各时间片的通信数据的后验概率,根据公式(6)和公式(9)得到各通信链路上各时间片的丢包数据的后验概率。
②采用蒙特卡洛方法,根据各时间片的通信数据和丢包数据的后验概率,对各通信链路上各时间片的通信数据和丢包数据分别进行随机采样,得到各通信链路上各时间片的隐含数据;对各通信链路按时间片顺序拼接隐含数据,分别得到一条采样数据,所有通信链路的采样数据,作为一组采样数据。
需要说明的是,采样的通信数据和丢包数据的值为0或1。按照时间片的顺序,依次计算出各通信链路上当前时间片的通信数据的后验概率,采用蒙特卡洛方法,先随机采样出各通信链路上当前时间片的通信数据,再根据采样的通信数据和信道丢包率矩阵,计算出丢包数据的后验概率,采样出各通信链路上与同一时间片的通信数据对应的丢包数据,得到每个时间片的隐含数据。
示例性地,在第m组采样数据中的通信链路(i,j)上:通信数据序列为,丢包数据序列为;第k个时间片的隐含数据为,通信链路(i,j)对应的采样数据为:,,,为第m组采样数据中的通信数据集合,为第m组采样数据中的丢包数据集合,则第m组采样数据包括所有通信链路的采样数据,表示为。
③重复上述步骤①和②多次后,得到多组采样数据。
与现有技术相比,本步骤采用蒙特卡洛方法对隐含变量进行随机采样,实现了对丢失的传输数据包进行自适应插值,以弥补由于通信过程中数据包丢失导致的推断准确率下降。
2)根据采样数据,建立如下所示的通信网络参数的期望函数:
需要说明的是,通信网络参数的期望函数是蒙特卡洛期望函数,是对标准最大期望EM极大似然函数的一种近似,表示在给定的观测到的各无人机的通信状态向量集合Y及采样得到的隐含变量数据情况下,通信网络参数(网络拓扑邻接矩阵A、通信速率矩阵R和信道丢包率矩阵L)的似然(概率)函数。
S132:最大化期望M-step,包括:基于因果发现方法,通过最大化期望函数值更新通信网络参数。
需要说明的是,通信网络参数中通信速率矩阵和信道丢包率矩阵是连续变量,网络拓扑邻接矩阵是离散变量。本步骤分别对连续变量和离散变量进行优化,避免求解同时优化两类变量的混合整数非线性规划问题,降低时间复杂度,提高优化精确度。
具体来说,基于因果发现方法,通过最大化期望函数值更新通信网络参数,包括:
①将偏导数置为0,计算通信网络参数的期望函数的偏导数,利用得到的函数极值点对应的矩阵更新通信网络参数中的通信速率矩阵和信道丢包率矩阵。
需要说明的是,计算通信网络参数的期望函数的偏导数时,固定当前迭代中的网络拓扑邻接矩阵和通信速率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新信道丢包率矩阵:
其中,为在第n次迭代中信道丢包率矩阵中通信链路(i,j)对应的更新后的元素值,用于第n+1次迭代,K为时间片总数目,M为采样数据的总组数,为第m组采样数据中通信链路(i,j)上第k个时间片的通信数据,为第m组采样数据中通信链路(i,j)上第k个时间片的丢包数据,为第n次迭代中网络拓扑邻接矩阵中非零的边集;
固定当前迭代中的网络拓扑邻接矩阵和信道丢包率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新通信速率矩阵:
②依次根据每组采样数据,通过传递熵计算各通信链路的因果性,并通过置换检验计算各因果性的显著性;基于预置的显著性阈值,根据各组采样数据中各通信链路对应的显著性,更新网络拓扑邻接矩阵。
具体来说,通过传递熵,根据下式计算各通信链路的因果性:
其中,为互信息,为第m组采样数据中通信链路(i,j)上k-1个时间片的丢包数据集合,第m组采样数据中通信链路(i,j)上k-1个时间片的通信数据集合。表示第m组采样数据中,在无人机i发送出通信数据的条件下,无人机i隐含的通信数据向量与无人机j的通信数据向量(观测到的应答消息向量及隐含的丢包数据向量)间的因果测量值。
根据公式(13)计算出后,通过置换检验的方法,计算出因果性的显著性,该值是0~1的值,越大表示通信链路存在的可能性越大。根据预置的显著性阈值,如果显著性大于预置的显著性阈值,则该显著性对应的通信链路的待更新值为1,表示根据当前采样数据,该通信链路是存在的,否则为0,表示如下所示:
根据公式(14)计算出每组样本数据中各通信链路的待更新值,获取同一通信链路的待更新值的众数,作为网络拓扑邻接矩阵中对应通信链路的值,更新网络拓扑邻接矩阵,即同一通信链路在超过半数的采样数据中被判断是存在的,则在本次迭代中更新该链路为存在(=1),否则,更新为不存在(=0),表示如下所示:
当网络拓扑邻接矩阵中各通信链路的值不再发生变化,表示网络拓扑邻接矩阵已收敛,或者达到最大迭代次数时,最后更新得到的网络拓扑邻接矩阵就是根据观测的无人机历史通信过程,推断出的无人机通信网络。利用推断出的无人机通信网络,可以了解整个无人机集群的通信结构,确定其中的核心无人机,为后续监控和分析无人机集群行为奠基基础。
示例性地,当无人机通信网络中无人机数量不超过16架时,即N≤16时,经测试设置采样数据的总组数M为30,在不超过30次的迭代中即可得到收敛的网络拓扑邻接矩阵。
与现有技术相比,本实施例提供的一种不可靠传输场景下无人机通信网络推断方法,实现了结合最大期望算法与因果发现方法进行网络拓扑的推断,其中利用最大期望算法进行自适应插值,以弥补由于通信过程中数据包丢失导致的推断准确率下降,利用了通信过程时间序列的隐含关系,并从关联网络推断的角度对该序列进行分析,对无人机的通信网络拓扑有较好的推断能力,并具有对不可靠传输场景的鲁棒性,为未知无人机通信网络拓扑的预测提供了一种有效的解决方案。
实施例2
本发明的另一个实施例,公开了一种不可靠传输场景下无人机通信网络推断系统,从而实现实施例1中的无人机通信网络推断方法。各模块的具体实现方式参照实施例1中的相应描述。该包括:
数据预处理模块,用于将观测获取的无人机历史通信过程划分为多个时间片,根据时间片构造各无人机的通信状态向量;
参数初始化模块,用于初始化通信网络参数,包括网络拓扑邻接矩阵、通信速率矩阵和信道丢包率矩阵;
网络推断模块,用于根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据作为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数。
由于本实施例一种不可靠传输场景下无人机通信网络推断系统与前述一种不可靠传输场景下无人机通信网络推断方法相关之处可相互借鉴,此处为重复描述,故这里不再赘述。由于本系统实施例与上述方法实施例原理相同,所以本系统实施例也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种不可靠传输场景下无人机通信网络推断方法,其特征在于,包括如下步骤:
将观测获取的无人机历史通信过程划分为多个时间片,根据时间片构造各无人机的通信状态向量;
初始化通信网络参数,所述通信网络参数包括网络拓扑邻接矩阵、通信速率矩阵和信道丢包率矩阵;
根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据作为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数;
所述采用蒙特卡洛方法对隐含变量进行随机采样,包括:根据当前迭代中的通信网络参数和各无人机的通信状态向量,按时间片顺序依次计算各通信链路上各时间片的通信数据和丢包数据的后验概率;采用蒙特卡洛方法,根据各时间片的通信数据和丢包数据的后验概率,对各通信链路上各时间片的通信数据和丢包数据分别进行随机采样,得到各通信链路上各时间片的隐含数据;对各通信链路按时间片顺序拼接隐含数据,分别得到一条采样数据,所有通信链路的采样数据,作为一组采样数据,重复多次后,得到多组采样数据;其中,所述各通信链路上各时间片的通信数据的后验概率,由各通信链路上各时间片的传输响应延时后是否存在应答信号,自动重传触发时间前是否发生丢包,以及当前迭代中待更新的通信网络参数决定,表示为下式:
其中,为第k个时间片无人机i和无人机j在通信链路(i,j)上存在发送的数据包,Y为观测获取的各无人机的通信状态向量集合,为第k-1个时间片的隐含数据,为当前第n次迭代中待更新的通信网络参数,为通信状态向量集合Y中无人机j在第k个时间片的传输响应延时后的应答信号,为无应答信号时自动重传触发时间,为通信链路(i,j)上随机采样的第k个时间片的时间前的丢包数据;
根据下式建立通信网络参数的期望函数:
所述基于因果发现方法,通过最大化期望函数值更新通信网络参数,包括:
将偏导数置为0,计算通信网络参数的期望函数的偏导数,利用得到的函数极值点对应的矩阵更新通信网络参数中的通信速率矩阵和信道丢包率矩阵,包括:
固定当前迭代中的网络拓扑邻接矩阵和通信速率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新信道丢包率矩阵:
其中,为在第n次迭代中信道丢包率矩阵中通信链路(i,j)对应的更新后的元素值,用于第n+1次迭代,K为时间片总数目,M为采样数据的总组数,为第m组采样数据中通信链路(i,j)上第k个时间片的通信数据,为第m组采样数据中通信链路(i,j)上第k个时间片的丢包数据,为第n次迭代中网络拓扑邻接矩阵中非零的边集;
固定当前迭代中的网络拓扑邻接矩阵和信道丢包率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新通信速率矩阵:
依次根据每组采样数据,通过传递熵计算各通信链路的因果性,并通过置换检验计算各因果性的显著性;基于预置的显著性阈值,根据各组采样数据中各通信链路对应的显著性,更新网络拓扑邻接矩阵。
2.根据权利要求1所述的不可靠传输场景下无人机通信网络推断方法,其特征在于,所述初始化通信网络参数,包括:网络拓扑邻接矩阵中的每个元素值初始化为1,用于表示初始任意两个无人机间存在通信链路;通信速率矩阵和信道丢包率矩阵中的元素值以均匀分布U(0,1)随机生成,分别用于表示初始各通信链路上数据包发送比率和数据包丢失比率。
3.根据权利要求2所述的不可靠传输场景下无人机通信网络推断方法,其特征在于,所述各通信链路上各时间片的丢包数据的后验概率,由各通信链路上各时间片是否存在发送的数据包,以及当前迭代中待更新的通信网络参数决定,包括:
如果当前通信链路上当前时间片不存在发送的数据包,则在每个时间片任一通信链路上丢包数据的后验概率为0,否则,根据当前迭代中待更新的通信网络参数,从其中的通信速率矩阵中取出当前通信链路对应的元素值,作为当前通信链路上当前时间片丢包数据的后验概率。
4.根据权利要求1所述的不可靠传输场景下无人机通信网络推断方法,其特征在于,所述基于预置的显著性阈值,根据各组采样数据中各通信链路对应的显著性,更新网络拓扑邻接矩阵,包括:
依次取出每组采样数据中各通信链路对应的显著性,如果显著性大于预置的显著性阈值,则该显著性对应的通信链路的待更新值为1,否则为0;
获取各组采样数据中同一通信链路的待更新值的众数,作为网络拓扑邻接矩阵中对应通信链路的值,更新网络拓扑邻接矩阵。
5.一种不可靠传输场景下无人机通信网络推断系统,其特征在于,包括:
数据预处理模块,用于将观测获取的无人机历史通信过程划分为多个时间片,根据时间片构造各无人机的通信状态向量;
参数初始化模块,用于初始化通信网络参数,所述通信网络参数包括网络拓扑邻接矩阵、通信速率矩阵和信道丢包率矩阵;
网络推断模块,用于根据通信网络参数和各无人机的通信状态向量,以各时间片的通信数据和丢包数据作为隐含变量,迭代执行如下步骤,直至更新后的通信网络参数中的网络拓扑邻接矩阵收敛,作为推断的无人机通信网络:采用蒙特卡洛方法对隐含变量进行随机采样,建立通信网络参数的期望函数,并基于因果发现方法,通过最大化期望函数值更新通信网络参数;
所述采用蒙特卡洛方法对隐含变量进行随机采样,包括:根据当前迭代中的通信网络参数和各无人机的通信状态向量,按时间片顺序依次计算各通信链路上各时间片的通信数据和丢包数据的后验概率;采用蒙特卡洛方法,根据各时间片的通信数据和丢包数据的后验概率,对各通信链路上各时间片的通信数据和丢包数据分别进行随机采样,得到各通信链路上各时间片的隐含数据;对各通信链路按时间片顺序拼接隐含数据,分别得到一条采样数据,所有通信链路的采样数据,作为一组采样数据,重复多次后,得到多组采样数据;其中,所述各通信链路上各时间片的通信数据的后验概率,由各通信链路上各时间片的传输响应延时后是否存在应答信号,自动重传触发时间前是否发生丢包,以及当前迭代中待更新的通信网络参数决定,表示为下式:
其中,为第k个时间片无人机i和无人机j在通信链路(i,j)上存在发送的数据包,Y为观测获取的各无人机的通信状态向量集合,为第k-1个时间片的隐含数据,为当前第n次迭代中待更新的通信网络参数,为通信状态向量集合Y中无人机j在第k个时间片的传输响应延时后的应答信号,为无应答信号时自动重传触发时间,为通信链路(i,j)上随机采样的第k个时间片的时间前的丢包数据;
根据下式建立通信网络参数的期望函数:
所述基于因果发现方法,通过最大化期望函数值更新通信网络参数,包括:
将偏导数置为0,计算通信网络参数的期望函数的偏导数,利用得到的函数极值点对应的矩阵更新通信网络参数中的通信速率矩阵和信道丢包率矩阵,包括:
固定当前迭代中的网络拓扑邻接矩阵和通信速率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新信道丢包率矩阵:
其中,为在第n次迭代中信道丢包率矩阵中通信链路(i,j)对应的更新后的元素值,用于第n+1次迭代,K为时间片总数目,M为采样数据的总组数,为第m组采样数据中通信链路(i,j)上第k个时间片的通信数据,为第m组采样数据中通信链路(i,j)上第k个时间片的丢包数据,为第n次迭代中网络拓扑邻接矩阵中非零的边集;
固定当前迭代中的网络拓扑邻接矩阵和信道丢包率矩阵,基于网络拓扑邻接矩阵中非零的边集和多组采样数据,通过下式更新通信速率矩阵:
依次根据每组采样数据,通过传递熵计算各通信链路的因果性,并通过置换检验计算各因果性的显著性;基于预置的显著性阈值,根据各组采样数据中各通信链路对应的显著性,更新网络拓扑邻接矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211352641.4A CN115426635B (zh) | 2022-11-01 | 2022-11-01 | 一种不可靠传输场景下无人机通信网络推断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211352641.4A CN115426635B (zh) | 2022-11-01 | 2022-11-01 | 一种不可靠传输场景下无人机通信网络推断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115426635A CN115426635A (zh) | 2022-12-02 |
CN115426635B true CN115426635B (zh) | 2023-03-03 |
Family
ID=84208279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211352641.4A Active CN115426635B (zh) | 2022-11-01 | 2022-11-01 | 一种不可靠传输场景下无人机通信网络推断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115426635B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117336187B (zh) * | 2023-11-30 | 2024-04-12 | 北京航空航天大学 | 一种基于连边间关联的无人机通信网络推断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019010428A1 (en) * | 2017-07-06 | 2019-01-10 | Top Flight Technologies, Inc. | NAVIGATION SYSTEM FOR A DRONE |
CN110286691A (zh) * | 2019-06-21 | 2019-09-27 | 东北大学秦皇岛分校 | 基于线性微分包含的多无人机编队控制方法 |
CN114841055A (zh) * | 2022-03-31 | 2022-08-02 | 西北工业大学 | 一种基于生成对抗网络的无人机集群任务预分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190391599A1 (en) * | 2018-03-15 | 2019-12-26 | Mothership Aeronautics Limited | Aerostat network |
CN109495952B (zh) * | 2018-11-14 | 2020-04-24 | 北京航空航天大学 | 一种蜂窝和无人机一体化网络的选择方法及装置 |
-
2022
- 2022-11-01 CN CN202211352641.4A patent/CN115426635B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019010428A1 (en) * | 2017-07-06 | 2019-01-10 | Top Flight Technologies, Inc. | NAVIGATION SYSTEM FOR A DRONE |
CN110286691A (zh) * | 2019-06-21 | 2019-09-27 | 东北大学秦皇岛分校 | 基于线性微分包含的多无人机编队控制方法 |
CN114841055A (zh) * | 2022-03-31 | 2022-08-02 | 西北工业大学 | 一种基于生成对抗网络的无人机集群任务预分配方法 |
Non-Patent Citations (1)
Title |
---|
IRS Empowered UAV Wireless CommunicationWith Resource Allocation, Reflecting Design and Trajectory Optimization;Xiaoqi Zhang等;《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》;20221031;第21卷(第10期);第7867-7880页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115426635A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Stochastic consensus over noisy networks with Markovian and arbitrary switches | |
Wydmański et al. | Contention window optimization in IEEE 802.11 ax networks with deep reinforcement learning | |
Jiang et al. | A unified sampling and scheduling approach for status update in multiaccess wireless networks | |
CN110224763B (zh) | 基于哈密尔顿学习的新型量子态转移方法 | |
CN115426635B (zh) | 一种不可靠传输场景下无人机通信网络推断方法及系统 | |
US20200322272A1 (en) | Communication method and apparatus for optimizing tcp congestion window | |
CN113507328B (zh) | 水声网络时隙mac协议方法、系统、装置及介质 | |
CN112637883A (zh) | 电力物联网中对无线环境变化具有鲁棒性的联邦学习方法 | |
Peserico et al. | Rate adaptation by reinforcement learning for Wi-Fi industrial networks | |
Leith et al. | Convergence of distributed learning algorithms for optimal wireless channel allocation | |
Mertens et al. | Federated learning through model gossiping in wireless sensor networks | |
Wang et al. | A fast neighbor discovery algorithm based on Q-learning in wireless ad hoc networks with directional antennas | |
CN113923743A (zh) | 电力地下管廊的路由选择方法、装置、终端及存储介质 | |
CN111405571B (zh) | 卫星无人机混合网络的频谱共享方法 | |
Mahmoudi et al. | Machine learning over networks: Co-design of distributed optimization and communications | |
Gouissem et al. | Machine-learning based relay selection in AF cooperative networks | |
US20230246887A1 (en) | Training in Communication Systems | |
Lu et al. | Maximizing multicast lifetime in unreliable wireless ad hoc network | |
Attalla et al. | A reinforcement learning approach to ARQ feedback-based multiple access for cognitive radio networks | |
Mertens et al. | i-WSN League: Clustered distributed learning in wireless sensor networks | |
WO2022105374A1 (zh) | 信息处理方法、模型的生成及训练方法、电子设备和介质 | |
CN111431628B (zh) | 一种提升水声通信链路平均吞吐量的方法 | |
Wang et al. | Deep Reinforcement Learning for Joint Sensor Scheduling and Power Allocation under DoS Attack | |
CN116679753B (zh) | 一种异构无人系统抗欺骗攻击的编队跟踪控制方法 | |
CN116980881B (zh) | 一种多无人机协作数据分发方法、系统、电子设备及介质 |
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 |