CN118075783B - 基于基站多用户无线通信自组网的鲁棒通信方法及系统 - Google Patents

基于基站多用户无线通信自组网的鲁棒通信方法及系统 Download PDF

Info

Publication number
CN118075783B
CN118075783B CN202410465976.XA CN202410465976A CN118075783B CN 118075783 B CN118075783 B CN 118075783B CN 202410465976 A CN202410465976 A CN 202410465976A CN 118075783 B CN118075783 B CN 118075783B
Authority
CN
China
Prior art keywords
user
communication
base station
strategy
network
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
Application number
CN202410465976.XA
Other languages
English (en)
Other versions
CN118075783A (zh
Inventor
张博
秦姗
李晓蕾
白佳俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese People's Liberation Army 32806 Unit
Original Assignee
Chinese People's Liberation Army 32806 Unit
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese People's Liberation Army 32806 Unit filed Critical Chinese People's Liberation Army 32806 Unit
Priority to CN202410465976.XA priority Critical patent/CN118075783B/zh
Publication of CN118075783A publication Critical patent/CN118075783A/zh
Application granted granted Critical
Publication of CN118075783B publication Critical patent/CN118075783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于基站多用户无线通信自组网的鲁棒通信方法及系统，方法包括以下步骤：S1.基站多用户启动各自系统完成自组网；S2.入网用户上传实时状态信息；S3.基站的通信本能计算模块接收各用户实时状态信息；S4.基站的网络数字孪生计算模块生成用户实时通信策略及运动策略；S5.通信本能计算模块策略下发；S6.用户接收实时策略信息，根据通信策略调整通信参数，根据运动策略调整飞行轨迹，返回步骤S2。本发明针对作战场景中面对的问题，从控制信道、联合规划等角度入手，旨在无人系统在动态作战时也能保持正常通信，提高无人作战通信系统的鲁棒性。

Description

基于基站多用户无线通信自组网的鲁棒通信方法及系统
技术领域
本发明涉及通信技术领域，特别涉及一种基于基站多用户无线通信自组网的鲁棒通信方法及系统。
背景技术
无线自组网是一组带有无线收发装置的移动终端组成的一个无中心、多跳、自组织的网络，是一种移动计算机通信网络。相比传统的基础设施模式，无线自组网具有较强的扩展性、灵活性和自组织性。它可以在没有中心控制节点的情况下，通过节点之间的协作和路由选择，实现覆盖范围更广、容量更大、鲁棒性更强的无线通信网络。
相比传统的基础设施模式，无线自组网具有较强的扩展性、灵活性和自组织性。它可以在没有中心控制节点的情况下，通过节点之间的协作和路由选择，实现覆盖范围更广、容量更大、鲁棒性更强的无线通信网络，其应用范围可以覆盖工业、商业、医疗、家庭、办公环境、军事等各种场合和行业。常见的应用场景有：海上宽带自组网通信系统，通过移动自组网技术解决编队船舶之间的通信问题，支持各种信息的快速交互和共享，实现协同感知、协同处理、协同决策和协同攻击，提高海事信息化管理和整体指挥效率；无人系统自组网协同作战通信系统，以Ad hoc为技术基础的分布式无中心IP MESH网络是无人系统协同作战的通信基础，可以支持各种信息的快速交互和共享，实现协同感知、协同处理、协同决策和协同攻击，从而提高无人系统的生存能力和整体作战效率；例如无人机。
发明内容
针对现有技术存在的问题，本发明的目的在于研制一套基于基站多用户无线通信自组网的鲁棒通信方法及系统，该系统基于无线通信技术，设计了网络数字孪生计算模块及通信本能计算模块，通过网络数字孪生计算模块进行信道预测、信道仿真、效能评估、策略生成，然后通过通信本能计算模块控制实现各节点信息交互的系统流程运转，从而实现组网节点的实时策略调整，进而提高无线自组网网络的鲁棒性，使得各节点在动态组网过程中通信质量一直较好。
为实现上述目的，本发明提供一种基于基站多用户无线通信自组网的鲁棒通信方法，所述方法包括以下步骤：
S1.基站多用户自组网；基站启动等待各用户入网，用户启动后根据通信环境资源自适应调整通信参数，向基站发出入网申请，基站接收到用户的入网申请后反馈给用户允许入网信息，用户入网，基站用户组网成功；所述用户为无人机；
S2.入网用户上传实时状态信息；用户入网后，连续不间断地向基站发送实时的运动状态及通信状态信息；
S3.基站通信本能计算模块始终开启数据接收功能，接收各用户的实时状态信息数据后，接入网络数字孪生计算模块；
S4.基站的网络数字孪生计算模块根据用户的实时状态信息生成通信策略及运动策略；
S5.基站的通信本能计算模块始终开启策略发送功能，向各用户持续发送实时策略信息；
S6.用户接收实时策略信息，根据通信策略调整通信参数，根据运动策略调整飞行轨迹。
进一步，步骤S1中所述的基站多用户自组网通信基于开源的srsLTE单向通信实现，先修改单向通信的发送及接收程序，使其可以并行收发，实现双向通信，然后通过划分时隙，频分复用，利用频谱资源实现多用户同时与基站通信。
进一步，步骤S1中，用户系统启动后根据通信环境资源自适应调整通信参数，具体包括增益、入网频率和采样率的自适应调整。
进一步，步骤S4中，网络数字孪生计算模块用于生成通信策略及运动策略；所述通信策略的生成通过信道预测、信道仿真、效能评估和策略调整实现，所述运动策略根据设计的运动规则根据用户当前位置、终点位置及目标位置计算得到新的终点位置，进而改变运动轨迹。
进一步，所述通信策略生成包括以下步骤：
S4.1.设置初始的通信策略用于发送端；
S4.2.获取真实信道参数，根据信道模型计算前P帧的信道系数；
S4.3.将计算前P帧的信道系数作为信道预测模型的输入数据，预测下一时刻或多个下一时刻的信道系数；
S4.4.根据信道预测结果进行信道仿真，模拟信号收发过程；
S4.5.根据信道仿真收发端的输入信号及接收信号进行通信质量的效能评估，根据评估结果进行通信策略调整再次用于发送端，完成一次通信策略生成优化；
S4.6.实时生成优化的通信策略，返回S4.2。
进一步，所述运动策略包括以下三方面：
（1）无人机只能按照直线从起点飞向终点，且飞行高度保持不变，设置飞行场景为无人机向贴近目标的方向飞行；
（2）赋予无人机初始运动策略，设置其飞行起点及终点；
（3）运动策略调整，当无人机飞行到距离目标水平距离最近的点时，改变飞行策略，以当前位置与目标位置的水平距离长为半径，围绕目标飞行，预测下一时刻无人机飞向的圆周位置作为下一时刻终点决策。
另一方面，本发明提供一种基站多用户无线通信自组网的鲁棒通信系统，所述系统包括基站和多个用户，所述用户为无人机；各个无人机上搭载用于收发数据的节点计算机；基站包括基站通信本能计算模块和网络数字孪生计算模块；所述的通信本能计算模块，该模块的本能计算功能主要为与用户之间的信息交互，接收组网节点的实时信息，连接网络数字孪生计算模块，控制组网节点运动，以基站模式下发生成策略。
进一步，所述基站通信本能计算模块中包括接收数据单元和发送数据单元，主流程设计为接收数据单元与发送数据单元并行执行；其中接收数据单元持续接收用户数据，通过网络数字孪生计算模块生成策略并更新调整多用户策略，发送数据单元则共享接收数据单元的多用户策略数据，持续下发给用户。
进一步，基站实时下发策略给用户，其下发的为组网内所有用户的策略信息，使得每个用户节点会接收到所有用户的策略信息，然后进一步根据用户标识提取自身用户策略，进而完成通信状态及运动状态调整。
进一步，基站与用户组网成功后，基站及用户的各功能模块会持续开启，其系统运转流程也会持续进行；整个过程中，用户申请入网得到基站的入网反馈后就会与基站成功组网，每有一个用户入网成功，基站端的多用户策略就会随之更新；由于基站按照时隙划分与每一个用户交互，所以当某个时隙与某一用户交互时，基站的网络数字孪生计算模块会生成该用户的实时策略下发给用户。
本发明的有益效果在于：本发明的基于基站多用户无线通信自组网的鲁棒通信方法及系统，能够根据组网节点的实时通信状态及运动状态，通过网络孪生计算模块优化节点间的通信策略，并可以控制无人系统场景中无人节点的飞行轨迹，进而提高多节点自组网通信的鲁棒性，能够有效提高通信质量。如此设计构成整个系统的闭环，保证了系统完整的功能流程顺序运转，完整实现了基站多用户自组网通信场景下的通信质量优化及用户运动轨迹规划，使得各节点在通信系统面临干扰攻击等各种复杂的情况下，实现长时间可靠的数据传输，保证了无人作战系统在复杂战场环境下的正常通信。
附图说明
图1为根据本发明实施例的基于基站多用户无线通信自组网的鲁棒通信方法的运转流程图；
图2为根据本发明实施例的基于基站多用户无线通信自组网的鲁棒通信系统的框架结构图；
图3为根据本发明实施例的用户多功能模块运转流程图；
图4为根据本发明实施例的基站多功能模块运转流程图；
图5为根据本发明实施例的基站端基于网络数字孪生计算模块的通信策略生成运转流程图；
图6为根据本发明实施例的基站端基于网络数字孪生计算模块的运动策略生成运转流程图；
图7为根据本发明实施例的网络数字孪生计算模块的信道预测模型网络层结构图；
图8为根据本发明实施例的多普勒频移示意图；
图9为根据本发明实施例的无人机飞行规则示意图。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面参照图1-图9描述根据基于基站多用户无线通信自组网的鲁棒通信方法及系统。
本发明的一种基于基站多用户无线通信自组网的鲁棒通信系统，主要针对的也是无人系统自组网协同作战通信系统场景；适用于通信组网的相关领域，适用于无人系统，主要是通信计算机搭载在无人平台上。本实施例中无人系统为无人机。尤其是针对复杂的战场环境，杀伤链构建过程中，可靠鲁棒的通信系统是杀伤链高效、快速闭合的重要支撑。在对抗博弈环境下，通信系统的维持面临着干扰攻击、链路摄动、拓扑剧变等挑战，亟需鲁棒性强的通信系统以提供大范围、长时间、高可靠的数据传输。本发明针对作战场景中面对的以上问题，从控制信道、联合规划等角度入手，旨在无人系统在动态作战时也能保持正常通信，提高无人作战通信系统的鲁棒性。
根据本发明实施例提出的基于基站多用户无线通信自组网的鲁棒通信系统，所述系统由一个基站节点及多个用户节点无线通信自组网组成，如图2所示，本实施例采用5个用户节点与基站节点进行无线通信自组网，其中基站节点内嵌计算引擎，计算引擎为网络数字孪生计算模块和通信本能计算模块。该系统的主要构思在于基站作为主节点，通过网络数字孪生计算模块生成通信及运动策略，然后通过通信本能计算模块与各用户之间进行信息共享，从而实现多用户组网的实时通信策略调整以及各节点的运动控制。
如图1所示，本发明的基于基站多用户无线通信自组网的鲁棒通信方法，包括以下步骤：
步骤S1.基站多用户自组网；本实施例采用5用户节点进行组网。基站系统启动后，其各模块功能启动，数据发送与数据接收并行执行，其数据接收模块初始状态显示等待各用户入网，然后设置各用户节点的初始通信参数，依次启动各用户系统开始组网。
基站多用户自组网通信波形程序基于开源的srsLTE单向通信实现，具体实现方案及步骤为：
（1）一对一双向通信
设计程序主流程操作射频设备，同步发送及接收的小区参数，信号发送与接收程序改为并行执行，两台通信设备设计不同的频段收发，通过不同的端口通信。
（2）基站多用户一对多双向通信
基站根据组网网络的频谱资源为每个用户分配可用的频段及端口，为了确保基站能够收到所有入网用户发来的消息，基站划分时隙分配给每一个用户，在不同的时隙与不用的用户进行通信，并按照入网顺序依次循环与每个用户通信共享信息。
用户启动后根据通信环境资源自适应调整通信参数，具体包括增益、入网频率、采样率的自适应调整。调整方案为：频率的自适应调整主要是由于多个用户选择了同一频段导致不能通信，用户可以自适应的感知其他用户占用的频段，进而自适应调整自身频段为非其他用户冲突频段；增益的自适应调整主要为用户与基站之间通信距离的不同会影响通信质量，基站的网络数字孪生计算模块会实时评估通信效果，若通信效果较差，则下发更高的增益通信策略给用户，用户作出实时调整进而提高通信质量；采样率的自适应调整主要为波形收发程序对小区工作带宽的匹配，本系统赋予用户一个初始的采样率，若其匹配实际工作带宽，则不进行调整；若不匹配，则用户系统程序会进行自适应调整。
基站多用户自组网的过程，用户节点在入网之前会有一个申请入网的过程，当基站端允许该节点入网并反馈给其信息后，用户才会入网成功。每一个用户节点都会自适应的选择频段在不同的时隙入网，进而实现基站与多用户的自组网。
一个具体实施例中，用户1初始通信参数设置为：频率2.5GHz，发送增益65dB，采样率30.72MHz；用户2初始通信参数设置为：频率2.5GHz，发送增益65dB，采样率30.72MHz；用户3初始通信参数设置为：频率2.6GHz，发送增益65dB，采样率23.04MHz；用户4初始通信参数设置为：频率2.7GHz，发送增益65dB，采样率30.72MHz，其与基站通信距离较远；用户5的初始通信参数设置为：频率2.6GHz，发送增益75dB，采样率23.04MHz，其与基站通信距离也较远。用户1,2,3,4,5按照顺序申请入网。
各用户系统启动后，自动根据通信环境及频域资源自适应调整通信参数，用户2的频率自适应调整为2.4GHz，用户3的采样率自适应匹配工作带宽，调整为30.72MHz,用户4由于通信距离较远，其发送增益自适应调整为85dB,用户5则根据频域资源占用情况及通信环境情况，其通信参数自适应调整为频率2.8GHz,发送增益85dB,采样率30.72MHz。
随后，基站会收到各用户申请入网的消息，然后作出反馈，各用户在收到基站的入网反馈后，成功入网，基站与多用户组网成功。
步骤S2.已入网用户开始上传实时状态信息，通过用户系统的发送数据单元实现，将用户实时状态信息发送给基站，如图3所示。
步骤S3.基站通信本能计算模块始终开启数据接收功能，接收各用户的实时状态信息数据后，接入网络数字孪生计算模块，如图4基站系统设计。
步骤S4.网络数字孪生计算模块各功能开始运转，该模块支持通信策略及运动策略的生成。如图5所示，基于网络数字孪生计算模块的通信策略生成运转流程为：首先针对信号的发送端，即用户端会赋予一个初始的通信策略进行信号发送，且在自组网的环境中，用户系统具有自适应调频、匹配采样的功能，进而能够实现用户节点的入网功能。组网成功后，收发端开始正常通信。网络数字孪生计算模块开始运转，从收发端通信的真实信道获取信道参数，然后根据真实信道参数通过信道预测模型预测下一时刻的信道参数，利用预测的信道参数通过信道仿真模型实现信号信道传输过程的仿真，根据信道仿真发端的发送信号及收端的接收信号数据完成效能评估，最后根据效能评估结果进一步调整通信策略，完成策略生成，并将生成策略发送给通信发端。如图6所示，基于网络数字孪生计算模块的运动策略生成运转流程为：用户节点具有初始的运动策略，网络数字孪生计算模块根据用户的实时运动状态，依据运动策略规则生成运动策略，然后将生成的运动策略发送给用户节点，完成运动策略调整。
其中，针对每个用户，通信策略的生成包括以下步骤：
S4.1.设置初始的通信策略用于发送端，该步骤在步骤S1中已经实现，各用户会设置初始通信参数；
S4.2.根据构建的信道模型参数获取P帧或者前P个时刻的信道系数，这里P取100，然后通过信道模型计算信道系数。其中，信道模型计算公式如下：
其中，为时刻信道参数计算结果，第L为多路径数目，为采样周期（1/采样率）,是多普勒频移，表示第时刻采样，为多用户的信道损耗系数，具体如下：
是复增益，其计算公式定义如下：
其中，为信号发射功率，为发射增益，为接收增益，为传输损耗，计算公式为：
其中，D指传输距离，单位为km，F指载波频率，单位为MHz。
其中多普勒频移与目标移动速度有关，假设目标以恒定的速率在起点X，终点Y的路径上运动，收到源S发出的信号，是目标移动台与入射波的夹角，如图8所示。其中多普勒频移的计算公式为：
其中，为信号波长，为信号频率，单位为Hz，为光速，单位为m/s。由于源距离较远，可假设目标移动时的不变。
具体地，本实施的具体实施，多路径数目L取1，采样率取值为1MHz，多普勒频移及各用户的信道损耗系数根据各用户的实际参数计算得到。
S4.3.将计算前P帧的信道系数作为信道预测模型的输入数据，预测下一时刻或多个下一时刻的信道系数；
其中，信道预测模型由编码器与解码器两部分组成，编码器对历史信道状态进行记忆和提取，并将历史信道状态提炼为信道特征；解码器利用提取特征来推断和形成未来信道。
编码器输入为前P帧历史信道参数数据，；每个为T时刻的前P帧数据，表示第t时刻的信道数据，即前P帧的某一帧历史信道数据，通过信道模型计算得到，设计将每个，将历史信道的实部和虚部矢量化连接为一个向量，输出则为提取的特征。具体地，编码器设计注意力机制对输入的时间序列数据形成新的特征表示，自动对输入数据更重要的部分分配更高的权重。其计算流程为：首先通过3种不同的线性变换生成键矩阵、查询矩阵及值矩阵，计算公式如下：
其中，、、为可训练自适应调整矩阵。
然后计算注意力矩阵，公式如下：
其中，d为键矩阵、查询矩阵及值矩阵的特征维度。
然后对输入进行相加并归一化操作，再使用两层FCN全连接进一步提取和综合每个历史输入的特征，最后再进行一次归一化操作得到编码器的输出。公式计算如下：
其中，，表示第i层的权重矩阵，表示第i层的偏差，为非线性激活函数。
解码器输入为编码器提取的特征，前G帧历史信道和L个预测信道的随机填充组合，即，输出则为预测的信道系数值。具体地，解码器的计算流程为：首先通编码器前面特征提取的计算过程类似得到输入序列的隐变量表示，其中键矩阵、查询矩阵及值矩阵的计算公式如下：
其中，、、均为可训练自适应调整矩阵。然后计算注意力矩阵，公式如下：
其中，，表示下三角矩阵，每个下三角元素为负无穷。然后进行加和归一化处理，公式为：
接下来，基于解码器处计算的和编码器处计算的，进行编码器和解码器之间的全注意机制，具体全注意机制矩阵的计算公式如下：
全注意机制可以通过将值矩阵与注意矩阵相乘，建立与特征的关系。然后预测值由下式计算得到：
其中，为两层的全连接计算，表示第i层的权重矩阵，表示第i层的偏差，为非线性激活函数。
提取就得到预测的L个信道系数值。
由于该部分步骤计算针对的是每个用户，所以将L个预测值取平均作为下一时刻的信道系数预测。
对应的编码器及解码器的网络结构如图7所示。编码器采用注意机制获取输入数据的特征，然后对其进行加权求和并归一化，经过两层的全连接后加和求和并归一化得到编码器的输出。解码器首先采取掩蔽注意机制提取输入数据的部分特征，然后进行加权求和并归一化，随后通过全注意机制对上一步的数据结果及编码器的输出进行数据特征提取，然后通编码器的网络结构一样对其进行加权求和并归一化，经过两层的全连接后加权求和并归一化得到解码器的输出。
S4.4.根据信道预测结果进行信道仿真，模拟信号收发过程；
信道仿真主要是对发送端调制的输入信号，接收端解调的输出信号以及信道传输进行仿真。本实施例的系统仿真需要设计复信号作为基带信号，通过IQ调制得到发送信号。所以假设要发送的基带信号中的一个码元为，首先对该码元进行上变频乘以的结果如下式所示：
然后对上变频之后的信号取实部即得到IQ调制后的信号，如下式：
其中，为对虚数取实部，然后IQ调制后的信号的实数信号通过数模转换将其发送出去。
考虑信道影响，信号在信道传输过程中会发生畸变，相应的输出信号也会发生衰减。假设x(t)为发送端在t时刻发出的信号，h(t)为时刻t的等效信道增益（即信道系数），则接收端接收到的信号y(t)为
y(t)=x(t)*h(t)
利用信道预测结果，信道系数为预测得到的复常数。
接收端接收到的信号为：
其中，，各参数意义见信道模型。
然后对接收端的输出信号乘以进行下变频，得：
其中是复常数，即可认为，则上式可改写为：
接着通过积分器或低通滤波可得到经过信道传输影响的基带信号：
S4.5.根据信道仿真收发端的输入信号及接收信号进行通信质量的效能评估，记，效能评估指标计算公式如下：
其中，为计算的误差评估指标，为发送基带信号的码元数，为发送的单个码元基带复信号，为输出端的单个滤波基带复信号。
S4.6.根据效能评估结果实时生成优化的通信策略，然后返回S4.2，具体生成规则如下：
本实施例的具体实施中设置误差评估指标阈值0.5，若效能评估指标计算结果低于该阈值，则通信质量良好，若高于该阈值，则通信质量较差，调整通信策略。通信策略调整规则为：先获取各用户的当前通信频率与基站预分配给各用户的通信频段作比较，若用户恰好为分配频段，则不作出调整；若非基站分配频段，则将用户通信策略调整为对应频段，保证各用户同时通信的频分复用。其次，根据先验信息射频段的良好通信距离，判断用户是否距离较远，若距离较远，则提高用户发送功率，保证用户与基站端正常通信，否则为其他原因造成通信质量较差，作出其他调整。
针对每个用户，运动策略的生成步骤如图6所示，网络数字孪生计算模块从用户端获取到用户的实时运动状态后，根据设计的运动规则作出策略调整，然后再将策略发送给用户端。飞行规则如图9所示的水平投影图；具体运动策略方案设计如下：
（1）规定无人机只能按照直线从起点飞向终点，且飞行高度保持不变，设置飞行场景为无人机向贴近目标的方向飞行；
（2）赋予无人机初始运动策略，即设置其飞行起点及终点；
（3）运动策略调整，当无人机飞行到距离目标水平距离最近的点时，改变飞行策略，以当前位置与目标位置的水平距离长为半径，围绕目标飞行，预测下一时刻无人机飞向的圆周位置作为下一时刻终点决策。
步骤S5.基于步骤S4生成的多用户策略，通过步骤S5所述的通信本能计算模块以基站模式下发生成策略。
步骤S6.用户实时接收生成的多用户策略信息，然后根据多用户策略的用户ID与自身ID作比较，从多用户策略中提取该用户策略，然后根据通信策略调整通信参数，根据运动策略调整飞行轨迹。然后返回步骤S2，持续进行步骤S2-S6,保持无线通信自组网的良好通信状态。
本发明的实施例的具体实施是一个持续的过程，该过程能够保证无人系统在无线自组网通信后，按照既定轨迹飞行的同时，尽可能的保持良好通信。本实施例的网络数字孪生计算模块的设计实现了各组网节点的实时通信质量优化及各节点在飞行过程中的路径规划。整个系统运转构成完整的闭环，保证了系统完整的功能流程顺序运转，完整实现了基站多用户自组网通信场景下的通信质量优化及用户运动轨迹规划，使得各节点在通信系统面临干扰攻击等各种复杂的情况下，可以根据运动规则改变飞行轨迹并实现长时间可靠的数据传输，保证了无人作战系统在复杂战场环境下的正常通信。
本发明流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为表示包括一个或多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，可以实现在任何计算机刻度介质中，以供指令执行系统、装置或设备，所述计算机可读介质可以是任何包含存储、通信、传播或传输程序以供执行系统、装置或设备使用。包括只读存储器、磁盘或光盘等。
在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，本领域的技术人员可以在不产生矛盾的情况下，将本说明书中描述的不同实施例或示例以及其中的特征进行结合或组合。
上述内容虽然已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型等更新操作。

Claims (7)

1.基于基站多用户无线通信自组网的鲁棒通信方法，其特征在于，所述方法包括以下步骤：
S1.基站多用户自组网；基站启动等待各用户入网，用户启动后根据通信环境资源自适应调整通信参数，向基站发出入网申请，基站接收到用户的入网申请后反馈给用户允许入网信息，用户入网，基站用户组网成功；所述用户为无人机；
S2.入网用户上传实时状态信息；用户入网后，连续不间断地向基站发送实时的运动状态及通信状态信息；
S3.基站通信本能计算模块始终开启数据接收功能，接收各用户的实时状态信息数据后，接入网络数字孪生计算模块；
S4.基站的网络数字孪生计算模块根据用户的实时状态信息生成通信策略及运动策略；
S5.基站的通信本能计算模块始终开启策略发送功能，向各用户持续发送实时策略信息；
S6.用户接收实时策略信息，根据通信策略调整通信参数，根据运动策略调整飞行轨迹；
步骤S4中，网络数字孪生计算模块用于生成通信策略及运动策略；所述通信策略的生成通过信道预测、信道仿真、效能评估和策略调整实现，所述运动策略根据设计的运动规则根据用户当前位置、终点位置及目标位置计算得到新的终点位置，进而改变运动轨迹；
所述通信策略生成包括以下步骤：
S4.1.设置初始的通信策略用于发送端；
S4.2.获取真实信道参数，根据信道模型计算前P帧的信道系数；
S4.3.将计算前P帧的信道系数作为信道预测模型的输入数据，预测下一时刻或多个下一时刻的信道系数；
S4.4.根据信道预测结果进行信道仿真，模拟信号收发过程；
S4.5.根据信道仿真收发端的输入信号及接收信号进行通信质量的效能评估，根据评估结果进行通信策略调整再次用于发送端，完成一次通信策略生成优化；
S4.6.实时生成优化的通信策略，返回S4.2；
所述运动策略包括以下三方面：
（1）无人机只能按照直线从起点飞向终点，且飞行高度保持不变，设置飞行场景为无人机向贴近目标的方向飞行；
（2）赋予无人机初始运动策略，设置其飞行起点及终点；
（3）运动策略调整，当无人机飞行到距离目标水平距离最近的点时，改变飞行策略，以当前位置与目标位置的水平距离长为半径，围绕目标飞行，预测下一时刻无人机飞向的圆周位置作为下一时刻终点决策。
2.根据权利要求1所述的基于基站多用户无线通信自组网的鲁棒通信方法，其特征在于，步骤S1中所述的基站多用户自组网通信基于开源的srsLTE单向通信实现，先修改单向通信的发送及接收程序，使其并行收发，实现双向通信，然后通过划分时隙，频分复用，利用频谱资源实现多用户同时与基站通信。
3.根据权利要求1所述的基于基站多用户无线通信自组网的鲁棒通信方法，其特征在于，步骤S1中，用户系统启动后根据通信环境资源自适应调整通信参数，具体包括增益、入网频率和采样率的自适应调整。
4.基于基站多用户无线通信自组网的鲁棒通信系统，其特征在于，所述系统用于实现根据权利要求1-3任一项所述的基于基站多用户无线通信自组网的鲁棒通信方法；所述系统包括基站和多个用户，所述用户为无人机；各个无人机上设置有用于收发数据的节点计算机；基站包括基站通信本能计算模块和网络数字孪生计算模块；所述的通信本能计算模块，该模块的本能计算功能主要为与用户之间的信息交互，接收组网节点的实时信息，连接网络数字孪生计算模块，控制组网节点运动，以基站模式下发生成策略。
5.根据权利要求4所述的基于基站多用户无线通信自组网的鲁棒通信系统，其特征在于，所述基站通信本能计算模块中包括接收数据单元和发送数据单元，主流程设计为接收数据单元与发送数据单元并行执行；其中接收数据单元持续接收用户数据，通过网络数字孪生计算模块生成策略并更新调整多用户策略，发送数据单元则共享接收数据单元的多用户策略数据，持续下发给用户。
6.根据权利要求4所述的基于基站多用户无线通信自组网的鲁棒通信系统，其特征在于，基站实时下发策略给用户，其下发的为组网内所有用户的策略信息，使得每个用户节点会接收到所有用户的策略信息，然后进一步根据用户标识提取自身用户策略，进而完成通信状态及运动状态调整。
7.根据权利要求4所述的基于基站多用户无线通信自组网的鲁棒通信系统，其特征在于，基站与用户组网成功后，基站及用户的各功能模块会持续开启，其系统运转流程也会持续进行；整个过程中，用户申请入网得到基站的入网反馈后就会与基站成功组网，每有一个用户入网成功，基站端的多用户策略就会随之更新；由于基站按照时隙划分与每一个用户交互，所以当某个时隙与某一用户交互时，基站的网络数字孪生计算模块会生成该用户的实时策略下发给用户。
CN202410465976.XA 2024-04-18 2024-04-18 基于基站多用户无线通信自组网的鲁棒通信方法及系统 Active CN118075783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410465976.XA CN118075783B (zh) 2024-04-18 2024-04-18 基于基站多用户无线通信自组网的鲁棒通信方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410465976.XA CN118075783B (zh) 2024-04-18 2024-04-18 基于基站多用户无线通信自组网的鲁棒通信方法及系统

Publications (2)

Publication Number Publication Date
CN118075783A CN118075783A (zh) 2024-05-24
CN118075783B true CN118075783B (zh) 2024-06-25

Family

ID=91111281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410465976.XA Active CN118075783B (zh) 2024-04-18 2024-04-18 基于基站多用户无线通信自组网的鲁棒通信方法及系统

Country Status (1)

Country Link
CN (1) CN118075783B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN116634504A (zh) * 2023-05-11 2023-08-22 南京理工大学 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021086532A1 (en) * 2019-10-29 2021-05-06 Loon Llc Navigating aerial vehicles using deep reinforcement learning
CN115659803A (zh) * 2022-10-25 2023-01-31 广东工业大学 一种无人机孪生网络映射误差情况下计算任务智能卸载方法
CN116782296A (zh) * 2023-05-29 2023-09-19 南京理工大学 一种基于数字孪生的车联网边缘计算卸载多目标决策方法
CN117890860A (zh) * 2024-01-10 2024-04-16 南京航空航天大学 一种基于数字孪生和深度强化学习的集群协同电子干扰方法
CN117880892A (zh) * 2024-02-04 2024-04-12 重庆邮电大学 基于数字孪生的车联网网络切片切换与资源分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114125708A (zh) * 2022-01-20 2022-03-01 南京信息工程大学 一种基于数字孪生的无人机集群轨迹优化和任务卸载方法
CN116634504A (zh) * 2023-05-11 2023-08-22 南京理工大学 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略

Also Published As

Publication number Publication date
CN118075783A (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Tang et al. Deep reinforcement learning for dynamic uplink/downlink resource allocation in high mobility 5G HetNet
CN114389678B (zh) 一种基于决策性能评估的多波束卫星资源分配方法
CN112584347B (zh) Uav异构网络多维资源动态管理方法
Qi et al. Energy-efficient resource allocation for UAV-assisted vehicular networks with spectrum sharing
CN111031513A (zh) 一种多无人机辅助物联网通信方法及其系统
CN114051204B (zh) 一种基于智能反射面的无人机辅助通信方法
Chen et al. Resource management games for distributed network localization
Diamanti et al. Energy efficient multi-user communications aided by reconfigurable intelligent surfaces and UAVs
CN114980169B (zh) 一种基于轨迹与相位联合优化的无人机辅助地面通信方法
Park et al. Joint trajectory and resource optimization of MEC-assisted UAVs in sub-THz networks: A resources-based multi-agent proximal policy optimization DRL with attention mechanism
Xu et al. Joint topology construction and power adjustment for UAV networks: A deep reinforcement learning based approach
Li et al. UAV-assisted edge caching under uncertain demand: A data-driven distributionally robust joint strategy
Lin et al. LEO satellite and UAVs assisted mobile edge computing for tactical Ad-Hoc network: A game theory approach
Ghavimi et al. Energy-efficient uav communications with interference management: Deep learning framework
CN117412391A (zh) 一种基于增强型双深度q网络的车联网无线资源分配方法
Benfaid et al. AdaptSky: A DRL based resource allocation framework in NOMA-UAV networks
CN114980126A (zh) 基于深度确定性策略梯度算法的无人机中继通信系统的实现方法
Joshi et al. Deep reinforcement learning based rate enhancement scheme for RIS assisted mobile users underlaying UAV
Iturria-Rivera et al. Cooperate or not Cooperate: Transfer Learning with Multi-Armed Bandit for Spatial Reuse in Wi-Fi
CN118075783B (zh) 基于基站多用户无线通信自组网的鲁棒通信方法及系统
Zhou et al. Joint UAV trajectory and communication design with heterogeneous multi-agent reinforcement learning
CN117674958A (zh) 一种面向空天地一体化网络的网络资源优化方法及装置
Mitsui et al. Speed-control technique for achieving fair uplink communications with a UAV-aided flying base station
CN113316239B (zh) 一种基于强化学习的无人机网络发射功率分配方法及装置
Asheralieva et al. Dynamic resource allocation with integrated reinforcement learning for a D2D‐enabled LTE‐A network with access to unlicensed band

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