CN117200861A - 基于Kmeans的无人机集群通信组网重建方法及装置 - Google Patents
基于Kmeans的无人机集群通信组网重建方法及装置 Download PDFInfo
- Publication number
- CN117200861A CN117200861A CN202311140518.0A CN202311140518A CN117200861A CN 117200861 A CN117200861 A CN 117200861A CN 202311140518 A CN202311140518 A CN 202311140518A CN 117200861 A CN117200861 A CN 117200861A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- position information
- new
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 108
- 230000006855 networking Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 59
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011664 signaling Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种基于Kmeans的无人机集群通信组网重建方法及装置。所述方法包括:获取无人机集群通信组网中无人机节点的位置信息作为数据集。根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。采用本方法能够实现高动态环境下无人机集群灵活自组网分簇及集群簇头选取重构,提高应急救援环境下大规模无人机集群通信组网的稳定性。
Description
技术领域
本申请涉及无人机集群通信组网技术领域,特别是涉及一种基于Kmeans的无人机集群通信组网重建方法及装置。
背景技术
无人机集群通信组网架构大致可以分为三种:无人机集群星型组网,无人机集群网状组网和基于终端直通(D2D)技术的混合组网。其中,无人机集群星型组网是以一架单体无人机作为集群中心或者以地面基站为中心,其他无人机作为通信终端,采用传统蜂窝通信模式,业务数据和控制信令均经过集群中心或者地面基站转发的一种组网模式。该网络的资源是由基站统一管理的,用户之间干扰可控。但该架构下无人机间通信均需经过基站转发,数据传输需要占用上下行链路资源,时延较大且频谱利用率不高;并且无人机单机的功率较低,受限于其能量,无人机与地面的基站通信距离较短,若基站受攻击或距离过远,会造成网络崩溃。另外,无人机集群网状组网又称为分布式组网,与星型组网相比,它对地面基站的依赖较小,因为网络内的通信是通过多跳转发的方式实现,且地形因素对组网的影响不大,因此网络的覆盖区域可以根据任务要求实时更改。这种组网方式自主分布式集群网络复杂,缺乏对就集群进行统一调度管理的中心,干扰不可控,并且链路延迟大、路由策略复杂。
发明内容
基于此,有必要针对上述技术问题,提供一种基于Kmeans的无人机集群通信组网重建方法及装置
一种基于Kmeans的无人机集群通信组网重建方法,用于无人机集群通信组网中,无人机集群通信组网架构中包括多个无人机集群簇,所述方法包括:
获取无人机集群通信组网中无人机节点的位置信息作为数据集。
根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
在其中一个实施例中,还包括:构建无人机集群通信组网,将无人机集群通信组网划分为若干个无人机子群确定无人机子群中初始簇头无人机,通过初始簇头无人机获取无人机子群中无人机节点的位置信息作为数据集。
在其中一个实施例中,还包括:根据数据集分别计算每一个无人机子群中的初始簇头无人机的位置信息与无人机节点的位置信息的距离,得到无人机节点至每一个初始簇头无人机的内部簇距集,将内部簇距集的最小值对应的初始簇头无人机与无人机节点归为同一无人机新簇内,并直至无人机集群通信组网中无人机节点全部完成无人机新簇划分,得到若干个无人机集群新簇。
在其中一个实施例中,还包括:采用Kmeans算法计算每一个无人机集群新簇中无人机节点的位置信息的均值,得到均值对应的中心无人机节点,中心无人机节点的位置信息根据预设的迭代次数进行分簇迭代聚类,得到中心位置信息。
在其中一个实施例中,还包括:根据中心位置对应的无人机节点作为无人机集群新簇的领导无人机,领导无人机通过控制信令链路与无人机集群新簇中剩余无人机节点建立D2D基地通信连接,并与无人机集群通信组网中其余无人机集群新簇的领导无人机建立D2D跨簇通信连接,根据领导无人机和无人机集群新簇重建无人机集群通信组网。
在其中一个实施例中,无人机集群簇包括一个簇头无人机与若干个成员无人机。成员无人机之间通过数据业务链路进行D2D簇内通信连接。
一种基于Kmeans的无人机集群通信组网重建装置,所述装置包括:
数据集获取模块,用于获取无人机集群通信组网中无人机节点的位置信息作为数据集。
无人机集群新簇获取模块,用于根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
组网重建模块,用于采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取无人机集群通信组网中无人机节点的位置信息作为数据集。
根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取无人机集群通信组网中无人机节点的位置信息作为数据集。
根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
上述基于Kmeans的无人机集群通信组网重建方法及装置,根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,重新筛选出簇头无人机,由此建立最短最优通信线路,同一簇内的无人机间通信由簇头统一控制,无人机集群新簇之间由簇头无人机建立通信连接,无人机集群通信组网中节省了数据、带宽等资源的同时提高信息传输效率,在此基础上不断进行分簇迭代聚类,可以根据实际任务需要,通过集群中心之间的协同通信,进行网络扩展,鲁棒性和抗毁能力强,能实现资源的整体调度,存在中心且可灵活更替,实现了高动态环境下无人机集群灵活自组网分簇及集群簇头选取重构,提高应急救援环境下大规模无人机集群通信组网的稳定性,以及自组网的灵活性。
附图说明
图1为一个实施例中基于Kmeans的无人机集群通信组网重建方法的应用场景图;
图2为一个实施例中基于Kmeans的无人机集群通信组网重建方法的流程示意图;
图3为一个实施例中无人机集群分簇并选取聚类中心模型图;
图4为一个实施例无人机集群受扰动后的重新分簇及中心选取结果示意图;
图5为一个实施例中基于Kmeans的无人机集群通信组网重建装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于Kmeans的无人机集群通信组网重建方法,可以应用于如图1所示的D2D-based无人机集群通信组网应用环境中。其中,D2D-based无人机集群组网包括多个无人机子群,即无人机簇构成(小型FANET3),每一个无人机簇内选出一个簇头无人机担任领导无人机,其余无人机节点作为成员无人机。另外,无人机簇间通信通过簇头(即领导无人机)建立通信链路实现连接,成员无人机之间通信通过D2D技术建立数据业务链路实现,领导无人机与同簇内若干个成员无人机之间通信通过控制信令链路实现,并通过领导无人机完成无人机子群整体控制。
在一个实施例中,如图2所示,提供了一种基于Kmeans的无人机集群通信组网重建方法,以该方法应用于图1中的D2D-based无人机集群通信组网为例进行说明,包括以下步骤:
步骤202,获取无人机集群通信组网中无人机节点的位置信息作为数据集。
具体的,可以通过无人机自身的GPS定位、惯性测量单元(IMU)等传感器获得无人机节点的位置信息,D2D-based无人机集群通信组网中利用无人机簇内领导无人机,获取同一簇内成员无人机的节点位置信息,利用簇间通信链路,领导无人机间协同交互自身位置信息,由此获取整个无人机集群通信组网所有节点的位置信息,将其作为当前组网条件下的数据集。
步骤204,根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
具体的,对于每个无人机节点,计算其到初始簇头无人机节点的距离,将其归为距离最近的簇。
步骤206,采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
具体的,根据数据集计算出每一个无人机节点的位置信息的平均横坐标与平均纵坐标:
其中,xi为第i个无人机节点的横坐标,yi为第i个无人机节点的纵坐标,为中心位置的横坐标,/>为中心位置的纵坐标,N为无人机集群新簇中无人机节点的数量。
进一步地,再依次计算每架无人机的坐标值与平均坐标中心的欧氏距离:
其中,xj为除中心位置对应的无人机节点外的第j个无人机节点的横坐标,yj为除中心位置对应的无人机节点外的第j个无人机节点的纵坐标,为中心位置的横坐标,/>为中心位置的纵坐标,N为无人机集群新簇中除中心位置对应的无人机节点外的无人机数量,dj为除中心位置对应的无人机节点外的第j个无人机节点的欧实距离。进而,取与平局坐标值最近的无人机节点被判定为中心节点。
在其中一个实施例中,如图3所示,创建环境实验模拟,设无人机集群一共40架次,根据任务需要无人机一共分为3个簇,进行聚类,得到无人机分簇并选取分簇中心。将各自分簇的中心和分簇的范围标注在图上,每个簇的中心在确定后也建立了通联。
具体的,当救援环境动态变换,假如救援过程中无人机损失了4架,基于无线mesh网络的灵活性,无人机集群迅速调整位置,重新进行聚类,得到新的簇和聚类中心如图4所示,成功模拟出无人机数目增减和分类变化所进行的快速动态重构。
由此可见,采用本方法可以在紧急救援场景变化时,D2D-based无人机集群通信组网可以通过Kmeans重新分簇及选取簇中心,可以实现动态灵活的重建大规模无人机网络。
上述基于Kmeans的无人机集群通信组网重建方法中,根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,重新筛选出簇头无人机,由此建立最短最优通信线路,同一簇内的无人机间通信由簇头统一控制,无人机集群新簇之间由簇头无人机建立通信连接,无人机集群通信组网中节省了数据、带宽等资源的同时提高信息传输效率,在此基础上不断进行分簇迭代聚类,可以根据实际任务需要,通过集群中心之间的协同通信,进行网络扩展,鲁棒性和抗毁能力强,能实现资源的整体调度,存在中心且可灵活更替,实现了高动态环境下无人机集群灵活自组网分簇及集群簇头选取重构,提高应急救援环境下大规模无人机集群通信组网的稳定性,以及自组网的灵活性。
在其中一个实施例中,构建无人机集群通信组网,将无人机集群通信组网划分为若干个无人机子群确定无人机子群中初始簇头无人机,通过初始簇头无人机获取无人机子群中无人机节点的位置信息作为数据集。
在其中一个实施例中,根据数据集分别计算每一个无人机子群中的初始簇头无人机的位置信息与无人机节点的位置信息的距离,得到无人机节点至每一个初始簇头无人机的内部簇距集,将内部簇距集的最小值对应的初始簇头无人机与无人机节点归为同一无人机新簇内,并直至无人机集群通信组网中无人机节点全部完成无人机新簇划分,得到若干个无人机集群新簇。
在其中一个实施例中,采用Kmeans算法计算每一个无人机集群新簇中无人机节点的位置信息的均值,得到均值对应的中心无人机节点,中心无人机节点的位置信息根据预设的迭代次数进行分簇迭代聚类,得到中心位置信息。
在其中一个实施例中,根据中心位置对应的无人机节点作为无人机集群新簇的领导无人机,领导无人机通过控制信令链路与无人机集群新簇中剩余无人机节点建立D2D基地通信连接,并与无人机集群通信组网中其余无人机集群新簇的领导无人机建立D2D跨簇通信连接,根据领导无人机和无人机集群新簇重建无人机集群通信组网。
值得说明的是,如果网络集群中心被摧毁,无人机集群会产生新的集群中心,任意无人机终端的毁伤都不会影响其他无人机的正常工作,由此提高了整体网络的鲁棒性和抗毁能力,同时无人机集群通信组网可以增加新的无人机节点,扩大集群规模,利用mesh自组网络可拓展优势,实现大面积多无人机网络通信协同配合,由此可以及时完成网络通信的动态重建。
在其中一个实施例中,无人机集群簇包括一个簇头无人机与若干个成员无人机。成员无人机之间通过数据业务链路进行D2D簇内通信连接。
在其中一个实施例中,在无人机应用中,Kmeans算法可以用于分簇及簇头选取。簇头是无人机集群中的一个重要角色,其负责协调和控制整个集群的行动。通过Kmeans算法,可以将无人机集群中的无人机分成若干个簇,然后从每个簇中选取一个无人机作为簇头,以实现无人机集群的协同控制。具体实现过程如下:
(1)将无人机集群中的无人机位置信息作为数据集,每个无人机的位置信息用向量来表示。
(2)通过随机选取k个无人机作为初始簇头。
(3)计算每个无人机与k个簇头的距离,离哪个簇头最近就归为哪类。
(4)更新各个簇的簇头位置,即将簇中所有无人机的位置信息求平均值作为新的中心点。
(5)重复步骤(3)和(4),直到簇的中心点不再变化或达到预设的迭代次数。
(6)从每个簇中选取离簇头位置最近的无人机作为簇头。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于Kmeans的无人机集群通信组网重建装置,包括:数据集获取模块502、无人机集群新簇获取模块504和组网重建模块506,其中:
数据集获取模块502,用于获取无人机集群通信组网中无人机节点的位置信息作为数据集。
无人机集群新簇获取模块504,用于根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
组网重建模块506,用于采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
关于基于Kmeans的无人机集群通信组网重建装置的具体限定可以参见上文中对于基于Kmeans的无人机集群通信组网重建方法的限定,在此不再赘述。上述基于Kmeans的无人机集群通信组网重建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于Kmeans的无人机集群通信组网重建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5-图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取无人机集群通信组网中无人机节点的位置信息作为数据集。
根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据数据集分别计算每一个无人机子群中的初始簇头无人机的位置信息与无人机节点的位置信息的距离,得到无人机节点至每一个初始簇头无人机的内部簇距集,将内部簇距集的最小值对应的初始簇头无人机与无人机节点归为同一无人机新簇内,并直至无人机集群通信组网中无人机节点全部完成无人机新簇划分,得到若干个无人机集群新簇。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取无人机集群通信组网中无人机节点的位置信息作为数据集。
根据数据集计算初始簇头无人机的位置信息与无人机节点的位置信息之间的距离,得到内部簇距集,根据内部簇距集确定无人机集群新簇。
采用Kmeans算法将无人机集群新簇中无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据中心位置信息重建无人机集群通信组网。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据数据集分别计算每一个无人机子群中的初始簇头无人机的位置信息与无人机节点的位置信息的距离,得到无人机节点至每一个初始簇头无人机的内部簇距集,将内部簇距集的最小值对应的初始簇头无人机与无人机节点归为同一无人机新簇内,并直至无人机集群通信组网中无人机节点全部完成无人机新簇划分,得到若干个无人机集群新簇。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于Kmeans的无人机集群通信组网重建方法,其特征在于,用于无人机集群通信组网中,所述无人机集群通信组网架构中包括多个无人机集群簇;
所述方法包括:
获取所述无人机集群通信组网中无人机节点的位置信息作为数据集;
根据所述数据集计算初始簇头无人机的位置信息与所述无人机节点的位置信息之间的距离,得到内部簇距集,根据所述内部簇距集确定无人机集群新簇;
采用Kmeans算法将所述无人机集群新簇中所述无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据所述中心位置信息重建所述无人机集群通信组网。
2.根据权利要求1所述的方法,其特征在于,获取所述无人机集群通信组网中无人机节点的位置信息作为数据集,包括:
构建无人机集群通信组网,将所述无人机集群通信组网划分为若干个无人机子群确定所述无人机子群中初始簇头无人机,通过所述初始簇头无人机获取所述无人机子群中无人机节点的位置信息作为数据集。
3.根据权利要求2所述的方法,其特征在于,根据所述数据集计算初始簇头无人机的位置信息与所述无人机节点的位置信息之间的距离,得到内部簇距集,根据所述内部簇距集确定无人机集群新簇,包括:
根据所述数据集分别计算每一个所述无人机子群中的初始簇头无人机的位置信息与所述无人机节点的位置信息的距离,得到所述无人机节点至每一个初始簇头无人机的内部簇距集,将所述内部簇距集的最小值对应的所述初始簇头无人机与所述无人机节点归为同一无人机新簇内,并直至所述无人机集群通信组网中所述无人机节点全部完成所述无人机新簇划分,得到若干个无人机集群新簇。
4.根据权利要求3所述的方法,其特征在于,采用Kmeans算法将所述无人机集群新簇中所述无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,包括:
采用Kmeans算法计算每一个所述无人机集群新簇中所述无人机节点的位置信息的均值,得到所述均值对应的中心无人机节点,所述中心无人机节点的位置信息根据预设的迭代次数进行分簇迭代聚类,得到中心位置信息。
5.根据权利要求4所述的方法,其特征在于,根据所述中心位置信息重建所述无人机集群通信组网,包括:
根据所述中心位置对应的所述无人机节点作为所述无人机集群新簇的领导无人机,所述领导无人机通过控制信令链路与所述无人机集群新簇中剩余无人机节点建立D2D基地通信连接,并与所述无人机集群通信组网中其余所述无人机集群新簇的领导无人机建立D2D跨簇通信连接,根据所述领导无人机和所述无人机集群新簇重建所述无人机集群通信组网。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述无人机集群簇包括一个簇头无人机与若干个成员无人机;
所述成员无人机之间通过数据业务链路进行D2D簇内通信连接。
7.一种基于Kmeans的无人机集群通信组网重建装置,其特征在于,所述装置包括:
数据集获取模块,用于获取所述无人机集群通信组网中无人机节点的位置信息作为数据集;
无人机集群新簇获取模块,用于根据所述数据集计算初始簇头无人机的位置信息与所述无人机节点的位置信息之间的距离,得到内部簇距集,根据所述内部簇距集确定无人机集群新簇;
组网重建模块,用于采用Kmeans算法将所述无人机集群新簇中所述无人机节点的位置信息的均值,并进行分簇迭代聚类,得到中心位置信息,根据所述中心位置信息重建所述无人机集群通信组网。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140518.0A CN117200861A (zh) | 2023-09-05 | 2023-09-05 | 基于Kmeans的无人机集群通信组网重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140518.0A CN117200861A (zh) | 2023-09-05 | 2023-09-05 | 基于Kmeans的无人机集群通信组网重建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117200861A true CN117200861A (zh) | 2023-12-08 |
Family
ID=88999243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311140518.0A Pending CN117200861A (zh) | 2023-09-05 | 2023-09-05 | 基于Kmeans的无人机集群通信组网重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117200861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117412267A (zh) * | 2023-12-12 | 2024-01-16 | 杭州牧星科技有限公司 | 一种无人机集群组网的通信方法 |
-
2023
- 2023-09-05 CN CN202311140518.0A patent/CN117200861A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117412267A (zh) * | 2023-12-12 | 2024-01-16 | 杭州牧星科技有限公司 | 一种无人机集群组网的通信方法 |
CN117412267B (zh) * | 2023-12-12 | 2024-03-01 | 杭州牧星科技有限公司 | 一种无人机集群组网的通信方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Joint deployment and task scheduling optimization for large-scale mobile users in multi-UAV-enabled mobile edge computing | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
Chiang et al. | A 2-D random-walk mobility model for location-management studies in wireless networks | |
CN110247793B (zh) | 一种移动边缘云中的应用程序部署方法 | |
CN117200861A (zh) | 基于Kmeans的无人机集群通信组网重建方法及装置 | |
Wu et al. | Optimal movement-assisted sensor deployment and its extensions in wireless sensor networks | |
CN107682871B (zh) | 无线传感器网络中继节点部署优化方法及无线传感器网络 | |
CN113595619B (zh) | 一种无人机群通联与覆盖组合优化方法 | |
John et al. | Energy saving cluster head selection in wireless sensor networks for internet of things applications | |
Darwish et al. | An adaptive cellular automata scheme for diagnosis of fault tolerance and connectivity preserving in wireless sensor networks | |
Ahmed et al. | An optimized k-nearest neighbor algorithm for extending wireless sensor network lifetime | |
Banerjee et al. | A modified mathematical model for life-time enhancement in wireless sensor network | |
Marappan et al. | Divide and conquer based genetic method for solving channel allocation | |
CN103607717B (zh) | 蜂窝分层无线网络中基站密度和功率的配置方法和设备 | |
Almeida et al. | Fractal Clustering and similarity measure: Two new approaches for reducing energy consumption in Wireless Sensor Networks | |
Lai et al. | Mobility-aware task offloading in MEC with task migration and result caching | |
Mezghani et al. | Efficient clustering protocol based on stochastic matrix & MCL and data routing for mobile Wireless Sensors Network | |
KR101800133B1 (ko) | 분할된 네트워크를 위한 릴레이 노드의 이동 경로 결정 방법 | |
Wu et al. | Joint Power and Coverage Control of Massive UAVs in Post-Disaster Emergency Networks: An Aggregative Game-Theoretic Learning Approach | |
CN108337684B (zh) | 基于差分进化算法的优化无线传感器网络寿命的方法 | |
Zhou et al. | Elite adaptive simulated annealing algorithm for maximizing the lifespan in LSWSNs | |
Gong et al. | A balanced serial k-means based clustering protocol for wireless sensor networks | |
Davoodi et al. | Solving the constrained coverage problem | |
Chiang et al. | Dynamic weight-based connectivity recovery in wireless sensor and actor networks | |
Yin et al. | Fault-tolerant topology for energy-harvesting heterogeneous wireless sensor networks |
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 |