CN115865220A - 一种基于智能超表面的auv辅助水声网络数据传输方法 - Google Patents
一种基于智能超表面的auv辅助水声网络数据传输方法 Download PDFInfo
- Publication number
- CN115865220A CN115865220A CN202211471729.8A CN202211471729A CN115865220A CN 115865220 A CN115865220 A CN 115865220A CN 202211471729 A CN202211471729 A CN 202211471729A CN 115865220 A CN115865220 A CN 115865220A
- Authority
- CN
- China
- Prior art keywords
- information
- ris
- auv
- sub
- importance
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000000903 blocking effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于智能超表面的AUV辅助水声网络数据传输方法，涉及水下通信传输。确定水声通信网络中能量空洞中心位置和待传输信息的信息重要度，目的节点的位置；AUV搭载智能超表面前往能量空洞中心中继转发；信源节点将预备数据子包发送至AUV，AUV根据数据子包信息进行RIS系统分块优化，实现基于信息重要度的计算复杂度与波束赋形能力之间的平衡；RIS根据分块优化方案完成相位调控，AUV发射预备信号给信源节点；信源节点将待传输信息子包整合发送至AUV处，经过RIS反射至多个目的节点，目的节点根据信号标签处理属于自己的信号段。通过RIS系统分块转发，实现水声通信网络能量空洞中同时转发多个信息。
Description
技术领域
本发明涉及水下通信，尤其是涉及一种基于智能超表面的AUV辅助水声网络数据传输方法。
背景技术
随着社会经济发展，人们越来越重视海洋的开发和利用，水下通信技术是海洋石油开发、海洋捕捞与运输、海底军事基地等海洋产业开发不可或缺的关键技术。水声通信技术是目前最可靠的水下长距离通信方式，也从最初军事领域的应用逐渐拓展至民用领域，不断迎来新的机遇与挑战。水声网络节点难以充电，节点能量有限，而节点离汇聚节点Sink附近的节点，由于需要承担更多通信负载，这些节点会更快耗尽能量，从而形成能量消耗不均衡现象，出现能量空洞。为解决能量空洞问题，Zhu等人提出基于强化学习的机会路由协议(R.Zhu,et al,“AReinforcement-Learning-Based Opportunistic Routing Protocolfor Energy-Efficient and Void-Avoided UASNs,”IEEE Sensors Journal,vol.22,no.13,pp.13589-13601,2022)以降低网络能耗，Khan等人提出在水声网络中使用水下机器人(AUV)进行巡航数据搜集，使网络能耗分配均匀，避免能量空洞的出现。(Khan,et al,“ADistributed Data-Gathering Protocol Using AUV in Underwater SensorNetworks,”Sensors 15,no.8:19331-19350,2015)目前，各类优化算法大多聚焦于如何避免能量洞的出现，而对于已经出现能量空洞，但整体网络剩余能量较多并需继续使用的网络，该如何继续进行数据传输问题，相关文献的讨论较少。
智能超表面(RIS)由于其能操控信道环境的特性，被认为是6G网络的关键候选技术之一。RIS具有功耗低、低成本、易部署等优良技术特性，近年来基于电磁波通信的RIS在陆地场景中被广泛研究(赵亚军,菅梦楠.6G智能超表面技术应用与挑战[J].无线电通信技术,2021,47(6):679-691)。RIS的概念同样可利用在水下，Sun等人提出了声学RIS系统以显著提高水声通信数据速率，同时也保持水声通信的远程优势(Z.Sun,et al.,“High-data-rate Long-range Underwater Communications via Acoustic ReconfigurableIntelligent Surfaces,”IEEE Communications Magazine,vol.60,no.10,pp.96-102,2022)。
在网络能耗不均匀、能量空洞已经出现的场景下，更换死亡的传感器节点需要耗费大量人力资源，此时可以采用AUV进行数据中继传输，但AUV巡航搜集数据的时延相较于节点声学数据多跳传输而言更长，不能满足紧急信息传输的及时性需求。目前，关于AUV搭载水声RIS系统以解决水声网络存在能量空洞情况下的数据传输问题，相关文献较少，亟待研究。本发明针对水声网络中存在能量空洞导致数据堆积无法转发的场景，提出通过AUV搭载RIS系统中继的方法，信源节点只需单次发射数据，即可完成多节点的信息接收。由于RIS系统波束赋形设计中需对每个RIS单元进行波束赋形计算，整块RIS系统反射波形的计算复杂度随着RIS单元数量增加呈立方增加，因此需考虑针对不同信息重要程度对RIS进行分块处理，赋予更高重要度数据更好的波束赋形能力，减小计算复杂度，降低AUV中继传输时间。
发明内容
本发明目的在于解决水声网络中存在能量空洞情况下，囤积数据的节点如何继续进行不同信息重要度数据传输方案设置的难题，提供一种基于智能超表面的AUV辅助水声网络数据传输方法。利用AUV搭载RIS系统进行能量空洞的数据中继工作，当信源节点囤积了不同重要度的数据，且需分别发送给不同节点时，RIS系统针对不同信息重要度数据及目的节点位置进行RIS分块设计与波束赋形矩阵，向不同用户创建特定RIS声反射路径，实现同时向不同用户进行水声数据传输的过程，并降低总体RIS波束赋形计算复杂度。
本发明包括以下步骤：
1)确定水声网络中能量空洞所在区域H以及需要传输数据的信源节点SN，将水声数据的重要度ILi进行分级，级别越高代表信息重要度越高；设SN上待传输信息有X条，分别传输给X个目的节点，已知待传输信息的重要度等级；信源节点将每条待传输信息的重要度等级与目的节点所在位置信息组合成预备数据子包PS；
2)AUV接收指令行驶至能量空洞所在区域H的圆心处，信源节点将预备数据子包PS发送至AUV；
3)设AUV上配备N×N的RIS单元系统，RIS系统总面积S＝N×N，AUV根据预备数据子包PS操控RIS系统进行分块与RIS反射路径设计；根据X条待传输信息的信息重要度，每条信息对应子RIS块Si(i＝1，2，…，X)，Si＝Nxi×Nyi(i＝1，2，…，X)，信息重要度越高，子RIS块面积Si越大，所有子RIS块的面积和为RIS系统总面积，即
4)利用Q-learning算法进行X个子RIS块的分块优化，实现基于信息重要度的计算复杂度与波束赋形能力之间的平衡；首先初始化函数Q(s,a)，奖励函数
学习率α，衰减系数γ，训练次数K；s表示整个RIS系统的分块状态；a表示智能体(Agent)选取的行动，即给RIS系统的具体分块行动；Q(s,a)函数表示状态动作价值，即Agent在当前状态下选择具体分块行动所获得的收益，可以指导每一步的行为选择；奖励函数/>
表示环境反馈Agent在不同状态和行动下所获得的收益，即指RIS系统的不同具体分块行动的收益；学习率α决定Q矩阵的更新速度；衰减系数γ决定决策对于远期决策收益的重视程度；
4.1)奖励函数
设置如下：
其中，w1表示子RIS块分配到Si大小时获得的奖励权重，w1与待传输的信息重要度有关，信息重要度等级越高，所需波束赋形能力越强，分配子RIS块面积越高，奖励权重越大；w1计算为：
w1＝β·ILi
β表示基于信息重要度的奖励权重，w2表示子RIS块由于计算复杂度而扣除的奖励权重；O(N)表示波束赋形计算复杂度，与分到的RIS单元数量有关；
4.2)训练开始随机选取初始状态s，并随机生成白噪声矩阵WN，与当前Q矩阵相加获得临时选择矩阵，在当前状态s0的所有可能行动中选取临时选择矩阵中值最大所对应的行动a0，在选取行动a0后达到状态s1，使用下式对Q矩阵进行更新：
Q(s,a)←Q(s,a)+α[r+γmaxa′Q(s′,a′)-Q(s,a)]
4.3)重复步骤4.2)直至训练结束，获得优化的子RIS块；
5)AUV根据优化的子RIS块进行模拟波束赋形矩阵计算，通过移相器完成，以达成声波通过RIS系统同时向多个目的节点传输信息的目的；
6)RIS系统完成相位调控后，AUV发射预备信号给信源节点SN，SN将待传输信息子包整合后发送至AUV；信息子包通过RIS系统反射至多个目的节点，目的节点根据信号标签处理属于自己的信号段。
本发明考虑到水声网络中存在能量空洞以及多条不同重要度待传输信息囤积的难题，提出利用AUV搭载RIS实现多条数据向多个目的节点定向传输，并且针对不同信息重要度信息利用Q-learning进行RIS系统分块优化设计的方案，可实现降低计算复杂度、节约AUV数据传输时间、向多个目的节点定向传输的目的。
与现有技术相比，本发明具有以下突出优点：
1)提出在AUV上搭载RIS系统以解决水声网络能量空洞传输问题，利用RIS特性可同时向多个目的节点反射信号，节约传输时间；
2)提出针对水声数据的重要度进行RIS系统分块，以减少波束赋形计算复杂度；
3)利用Q-learning算法优化RIS系统分块问题，基于信息重要度对RIS系统波束赋形能力与计算复杂度进行权衡，以解决波束赋形优化算法中计算复杂度随着RIS单元数量增加呈立方增加、RIS系统的波束赋形能力随RIS单元数量增加而增加的问题。
附图说明
图1为本发明基于智能超表面的AUV辅助水声网络数据传输方法的场景图。
图2为本发明基于智能超表面的AUV辅助水声网络数据传输方法中水声通信网络水下节点布置示意图。
图3为本发明基于智能超表面的AUV辅助水声网络数据传输方法中不同信息重要度等级信息在不同分块行动下的奖励函数示意图。
图4为本发明基于智能超表面的AUV辅助水声网络数据传输方法中Q-learning分块完成的Q值分布示意图。
具体实施方式
下面结合附图和具体实施例对本发明做详细描述。
如图1场景所示，本发明实施例包括以下步骤：
1)本实施例设定一个1000×1000的二维水声网络场景，包含s＝50个传感器节点和一个信源节点，信源节点SN位于坐标(500，0)处。确定水声网络场景中能量空洞的范围H，本实施例中H设置为以(500，500)为圆心，半径为300m的圆形范围。信息重要度ILi分为五级，即ILi＝1，2，3，4，5，级别越高代表信息越重要。
2)AUV行驶至能量空洞H中心，设置AUV上配备60×60的RIS系统。SN上囤积待传输信息有X＝3条，需分别传输给位于(250，1000)，(500，1000)，(750，1000)处的目的节点，三条信息X1,X2,X3的信息重要度分别为ILi＝1，ILi＝3，ILi＝5。SN将待传输信息重要度和每个目的节点的位置信息组合成预备数据子包PS，并将预备数据子包PS传输至AUV。
3)AUV根据预备数据子包信息通过Q-learning算法进行RIS系统分块优化，实现基于信息重要度的计算复杂度与波束赋形能力之间的平衡。设Q-learning算法中，应用于RIS分块优化的Q矩阵为X×N的矩阵，Q矩阵的行m(m＝1,2,…,X)表示待传输信息序号，Q矩阵的列n(n＝1,2,…,N)表示RIS单元的数量，Q(m，n)表示第m条待传输信息通过n×60的子RIS板进行数据传输这一动作所对应的Q值，Q值越大表示第m条信息通过n×60的子RIS板进行数据传输的收益越大。初始化迭代次数i＝0，最大探索次数为K＝7000000，初始Q值表为3×60的零矩阵，Q矩阵在迭代中不断更新，以记录每一步探索之后的成果并作为最终分块方案的依据。
设置X×N奖励矩阵
奖励矩阵的行m(m＝1,2,…,X)表示待传输信息序号，奖励矩阵的列n(n＝1,2,…,N)表示RIS单元的数量/>
表示第m条待传输信息通过n×60的子RIS板进行数据传输这一动作所获得的奖励；奖励矩阵的设置由奖励函数/>
决定，表示对于待传输信息重要度与波束赋形计算复杂的的权衡，是更新Q矩阵的重要依据。奖励函数的计算如下：
其中，w1表示子RIS块分配到Si大小时获得的奖励权重，w1与需要传输的信息重要度有关，信息重要度等级越高，需要波束赋形能力越强，分配子RIS块面积越高，奖励越大；β表示信息重要度的奖励权重，本实施例中设置β＝10-15。O(N)表示波束赋形计算复杂度，与分到的RIS单元数量有关，w2表示子RIS块由于计算复杂度而扣除的奖励权重，本实施例中设置w2＝0.1。波束赋形优化算法中，由于优化问题为非凸问题，需要将问题转化为几个更易处理的子问题，在解决子问题中采用半正定松弛算法(SDR)、正余弦优化算法(SCA)，在子问题外运用交替优化算法，SDR算法的计算复杂度随RIS单元数量N6增长，SCA算法的计算复杂度随RIS单元数量N3增长。此次实施例中取SDR算法的计算复杂度，即O(N)＝N6。
4)Q矩阵按照待传输信息序号依次进行子RIS块的探索选择按照Q-learning学习公式更新Q值表，本实施例中取学习率α＝0.8，衰减系数γ＝0.9。
具体步骤如下：
4.1)随机生成白噪声矩阵WN(1,60)，乘以
后与Q矩阵第一行相加，Q矩阵与白噪声矩阵相加仅为选择依据，不影响Q矩阵的值，选择相加后最大值的列数作为待传输信息X1的分块数s1；
4.2)若s1≥58，则跳到步骤4.5)；若当前分块数s1＜58，按目标函数更新Q矩阵，并随机生成白噪声矩阵WN(1,60)，乘以
与Q矩阵第二行相加，选择相加后最大值的列数作为待传输信息X2的分块数s2，目标函数为：
4.3)若s2≥60-s1，则跳到步骤4.5)；若当前分块数s2＜60-s1，按上述目标函数更新Q矩阵，并随机生成白噪声矩阵WN(1,60)，乘以
后与Q矩阵第二行相加，选择相加后最大值的列数作为第三个待传输信息的分块s3；/>
4.4)若s3≥60-s1-s2，则跳到步骤4.5)；若当前分块s3＝60-s1-s2，一次分块行为结束，按下列目标函数更新Q矩阵：
4.5)设置当前的奖励为-1，并按照目标函数更新Q矩阵，重复步骤4.1)～步骤4.4)，直至当前状态为待传输信息X3分块结束，完成一次探索；
4.6)重复步骤4.1)～4.5)，直至探索次数达到K为止，Q矩阵更新完成。
5)根据步骤4)中更新完成的Q矩阵，进行分块方案选择。AUV根据优化的子RIS块进行模拟波束赋形矩阵计算，通过移相器完成，以达成声波通过RIS系统同时向多个目的节点传输信息的目的。
6)RIS系统完成相位调控后，AUV发射预备信号给信源节点SN，进而SN将待传输信息子包整合后发送至AUV。信息子包通过RIS系统反射至多个目的节点，目的节点根据信号标签处理属于自己的信号段。
下面对本发明所述方法的可行性进行计算机仿真验证。
使用MATLAB R2021b平台进行的仿真。仿真参数设置如下：水声网络设置为1000×1000的二维场景，包含s＝50个传感器节点和一个信源节点，信源节点SN位于坐标(500，0)处；能量空洞的范围H设置为以(500，500)为圆心，半径为300m的圆形范围，即如图2所示的水声网络示意图。设置AUV上配备60×60的RIS系统。SN上囤积待传输信息有X＝3条，需分别传输给位于(250，1000)，(500，1000)，(750，1000)处的目的节点，三条信息X1,X2,X3的信息重要度分别为ILi＝1，ILi＝3，ILi＝5。Q-learning最大探索次数设置为K＝7000000。
图3是不同分块行为下的奖励示意图，展示X1,X2,X3三个信息重要度分别为ILi＝1，ILi＝3，ILi＝5的信息传输中，在Q-learning算法下选择不同分块数行动的奖励对比，可以看出在波束形成能力和计算复杂度间的权衡下，分块数并不是越多越好，奖励函数呈现为随分块数上升又下降的上凸曲线。从图3可看出，信息重要度低的信息分块数增长带来的收益相较重要度高的信息分块数增长收益更低，即重要度高的曲线斜率更大。
图4展示Q-learning探索次数为7000000次时的Q值分布示意图。可得出最终分块结果为：信息重要度为1级的信息X1分块数为6，信息重要度为3级的信息X2分块数为10，信息重要度为5级的信息X3分块数为44。根据计算复杂度公式O(N)＝N6计算，分块后计算复杂度为O(N)＝66+106+446＝7.25749，相较不分块分别进行三次RIS系统转发的计算复杂度O(N)＝3×606＝1.399711，分块后的计算复杂度减少两个数量级。并且三个信息利用RIS系统可进行相位调控波束形成的特点同时转发，与信息一个一个转发相比，节省大量数据转发时间。
Claims (2)
1.一种基于智能超表面的AUV辅助水声网络数据传输方法，其特征在于包括以下步骤：
1)确定水声通信网络中能量洞所在区域H以及需要传输数据的信源节点SN，将水声数据的重要度ILi进行分级，具体为将水声数据的信息重要度ILi分成五级，即ILi＝i，2，3，4，5，级别越高代表信息重要度越高；设SN上待传输信息有X条，分别传输给X个目的节点，已知待传输信息的重要度等级；信源节点将每条待传输信息的重要度等级与目的节点所在位置信息组合成预备数据子包PS；
2)AUV接收指令行驶至能量洞H圆心处，信源节点将预备数据子包PS发送至AUV；
3)设AUV上配备了N×N的RIS单元系统，RIS系统总面积S＝N×N，AUV根据预备数据子包PS操控RIS系统进行分块与RIS反射路径设计；根据X条待传输信息的信息重要度，每条信息对应子RIS块Si(i＝1，2，…，X)，Si＝Nxi×Nyi(i＝1，2，…，X)，信息重要度越高，子RIS块面积Si越大，所有子RIS块的面积和为RIS系统总面积，即
并利用Q-learning算法进行X个子RIS块的分块优化；
4)AUV根据优化的子RIS块进行模拟波束赋形矩阵计算，通过移相器完成，以达成声波通过RIS系统同时向多个目的节点传输信息的目的；
5)RIS系统完成相位调控后，AUV发射预备信号给信源节点SN，SN将待传输信息子包整合后发送至AUV；信息子包通过RIS系统反射至多个目的节点，目的节点根据信号标签处理属于自己的信号段。
2.如权利要求1所述一种基于智能超表面的AUV辅助水声网络数据传输方法，其特征在于在步骤3)中，所述利用Q-learning算法进行X个子RIS块的分块优化的具体方法为：首先初始化函数Q(s，a)，奖励函数
学习率α，衰减系数γ，训练次数K；s表示整个RIS系统的分块状态；a表示智能体(Agent)选取的行动，即给RIS系统的具体分块行动；Q(s，a)函数表示状态动作价值，即Agent在当前状态下选择具体分块行动所获得的收益，指导每一步的行为选择；奖励函数/>
表示环境反馈Agent在不同状态和行动下所获得的收益，即指RIS系统的不同具体分块行动的收益；学习率α决定Q矩阵的更新速度；衰减系数γ决定决策对于远期决策收益的重视程度；
奖励函数
设置如下：
其中，w1表示子RIS块分配到Si大小时获得的奖励权重，w1与待传输的信息重要度有关，信息重要度等级越高，所需波束赋形能力越强，分配子RIS块面积越高，奖励权重越大；w1计算为：
w1＝β·ILi
β表示基于信息重要度的奖励权重，w2表示子RIS块由于计算复杂度而扣除的奖励权重；O(N)表示波束赋形计算复杂度，与分到的RIS单元数量有关；
训练开始随机选取初始状态s，并随机生成白噪声矩阵WN，与当前Q矩阵相加获得临时选择矩阵，在当前状态s0的所有可能行动中选取临时选择矩阵中值最大所对应的行动a0，在选取行动a0后达到状态s1，使用下式对Q矩阵进行更新：
Q(s，a)←Q(s，a)+α[r+γmaxa′Q(s′，a′)-Q(s，a)]
重复选取状态和行动并更新Q矩阵，直至训练结束，获得优化的子RIS分块方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211471729.8A CN115865220B (zh) | 2022-11-23 | 2022-11-23 | 一种基于智能超表面的auv辅助水声网络数据传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211471729.8A CN115865220B (zh) | 2022-11-23 | 2022-11-23 | 一种基于智能超表面的auv辅助水声网络数据传输方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115865220A true CN115865220A (zh) | 2023-03-28 |
| CN115865220B CN115865220B (zh) | 2024-06-11 |
Family
ID=85665222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211471729.8A Active CN115865220B (zh) | 2022-11-23 | 2022-11-23 | 一种基于智能超表面的auv辅助水声网络数据传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115865220B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102323584A (zh) * | 2011-05-19 | 2012-01-18 | 哈尔滨工程大学 | 一种适用于水下auv/uuv平台的自主避碰装置 |
| CN113691391A (zh) * | 2021-07-13 | 2021-11-23 | 厦门大学 | 基于q学习的节点数量可变水声网络介质访问控制方法 |
| WO2021239067A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 一种协作通信方法及通信装置 |
-
2022
- 2022-11-23 CN CN202211471729.8A patent/CN115865220B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102323584A (zh) * | 2011-05-19 | 2012-01-18 | 哈尔滨工程大学 | 一种适用于水下auv/uuv平台的自主避碰装置 |
| WO2021239067A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 一种协作通信方法及通信装置 |
| CN113691391A (zh) * | 2021-07-13 | 2021-11-23 | 厦门大学 | 基于q学习的节点数量可变水声网络介质访问控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈友淦;许肖梅: "人工智能技术在水声通信中的研究进展", 《哈尔滨工程大学学报》, 24 August 2020 (2020-08-24) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115865220B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
| CN103675799A (zh) | 一种相控阵声纳系统换能器稀疏面阵优化方法 | |
| CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
| CN112511250A (zh) | 一种基于drl的多无人机空中基站动态部署方法及系统 | |
| CN113472419A (zh) | 一种基于空基可重构智能表面的安全传输方法及系统 | |
| CN110363343A (zh) | 一种混合自适应的水电站群智能优化调度方法及系统 | |
| Yang et al. | Secure and cooperative target tracking via AUV swarm: A reinforcement learning approach | |
| CN112702097A (zh) | 一种用于uav辅助蜂窝网络的联合波束成形和功率控制方法 | |
| Gupta et al. | Multi-UAV deployment for NOMA-enabled wireless networks based on IMOGWO algorithm | |
| CN105792218A (zh) | 具有射频能量收集能力的认知无线电网络的优化方法 | |
| CN115865220A (zh) | 一种基于智能超表面的auv辅助水声网络数据传输方法 | |
| CN117391364A (zh) | 一种多站协同电子干扰资源分配方法 | |
| CN117406191A (zh) | 基于改进二进制粒子群优化的广域稀布阵列节点遴选方法 | |
| CN117436485A (zh) | 基于权衡时延和精度的多退出点的端-边-云协同系统及方法 | |
| CN112329371A (zh) | 一种基于IALO-BP神经网络的Doherty功率放大器逆向建模方法 | |
| CN115987886B (zh) | 一种基于元学习参数优化的水声网络q学习路由方法 | |
| Gholizadeh et al. | Shape optimization of structures by modified harmony search | |
| CN116405493A (zh) | 一种基于mogwo策略的边缘云协同任务卸载方法 | |
| Fu et al. | Dense Multi-Agent Reinforcement Learning Aided Multi-UAV Information Coverage for Vehicular Networks | |
| Zhou et al. | Binary quantum elite particle swarm optimization algorithm for spectrum allocation in cognitive wireless medical sensor network | |
| Gao et al. | Multi-objective optimization of energy and latency in URLLC-enabled wireless VR networks | |
| CN105989407A (zh) | 一种基于神经网络的短波中值场强预测系统、方法及装置 | |
| CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
| Chen et al. | Application of fuzzy neural network to laser bending process of sheet metal | |
| CN116668306B (zh) | 一种基于三视角的机动通信网网络工程化规划方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |