CN111787508A - 基于功率控制的雷达通信一体化uav网络效用优化方法 - Google Patents
基于功率控制的雷达通信一体化uav网络效用优化方法 Download PDFInfo
- Publication number
- CN111787508A CN111787508A CN202010663481.XA CN202010663481A CN111787508A CN 111787508 A CN111787508 A CN 111787508A CN 202010663481 A CN202010663481 A CN 202010663481A CN 111787508 A CN111787508 A CN 111787508A
- Authority
- CN
- China
- Prior art keywords
- uav
- user
- matrix
- association
- kth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004891 communication Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 26
- 230000009191 jumping Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 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
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Discrete Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及基于功率控制的雷达通信一体化UAV网络效用优化方法,属于无人机网络与雷达通信一体化技术领域。包括1)基于谱聚类对用户聚类,确定UAV位置,产生初始用户关联方案;2)基于初始用户关联方案计算得到初始UAV网络效用值;3)基于合作博弈生成更优的用户关联方案;4)基于连续凸近似进行功率控制,得到优化后UAV网络效用;5)判断UAV网络效用是否收敛,即优化后UAV网络效用与初始UAV网络效用值的差是否小于收敛精度阈值或达到最大迭代次数,若是则结束本方法;若否则跳至3)。所述方法有效提高了UAV网络的公平性,增大了最小用户通信速率;能在满足探测精度的同时有效提高雷达通信一体化UAV网络的效用。
Description
技术领域
本发明涉及基于功率控制的雷达通信一体化UAV网络效用优化方法,属于无人机网络与雷达通信一体化技术领域。
背景技术
由于具有可灵活按需部署,轨迹设计自由等优点,无人机(Unmanned airvehicle,UAV)被认为是未来移动网络的重要组成部分,它可以同时提供通信和雷达传感功能。尤其是在紧急情况下,例如救灾场景或战场上,无人机可以为用户提供即时通信,还可以定位目标或感知环境,避免障碍物和潜在攻击。
由于尺寸、重量和功率(size,weight,and power,SWAP)限制,单个UAV总体性能有限,可能无法满足通信要求,另外,在单点定位中,来自单个UAV的距离测量可能导致很大的累积误差,UAV网络可以克服这些问题。Q.Wu在多无人机网络的下行链路中联合优化用户调度、无人机轨迹和传输功率以提高通信性能,Y.Nijsure设计了一种认知探测与规避雷达***,用于辅助无人飞行器自主导航,上述的UAV网络技术虽然分别提高了网络的通信与探测能力,但是如果想实现通信探测双功能(dual-functional radar-communication,DFRC),只能采用一部分UAV提供通信服务,另一部分UAV进行雷达探测的方法,这样不仅会造成通信***与雷达***之间的同信道干扰,还会增加资源消耗。另外由于无人机的SWAP限制,同时安装通信***和雷达***是一个挑战。
雷达通信一体化可以有效地实现通信探测双功能UAV网络,即采用单一的发射信号,通信和雷达共享大部分硬件和信号处理设备。在雷达通信一体化方面,A.Hassanien开发了一个具有联合雷达和通信平台的双功能***,利用发射波束成形的旁瓣控制来作为通信链路;F.Liu研究了雷达和通信之间的性能权衡,并提出了一种DFRC-MIMO***;上述的雷达通信一体化技术的研究虽然可以在降低资源消耗的前提下提高通信和雷达传感的性能,但是无人机的位置、用户关联、功率控制等问题没有得到有效的解决,UAV网络效用仍存在很大的优化空间,本发明的目的是致力于提高通信探测双功能UAV网络在雷达感知性能约束下的通信性能,提出一种基于功率控制的雷达通信一体化UAV网络效用优化方法。
发明内容
本发明的目的在于针对UAV网络中存在的位置部署,用户关联、功率控制问题以及实现通信探测双功能效率低的技术缺陷,提出了基于功率控制的雷达通信一体化UAV网络效用优化方法,包括谱聚类,交替优化用户关联和功率控制以最大化UAV网络效用。
所述基于功率控制的雷达通信一体化UAV网络效用优化方法,具体包括以下步骤:
步骤一、基于谱聚类对用户进行聚类,确定UAV的位置,产生一个初始的用户关联方案;
具体包括如下子步骤:
步骤1.A:设定UAV网络中UAV以及地面用户的数量并组成集合;
步骤1.C:通过步骤1.B中高斯距离相似矩阵S得到对角矩阵H,H的对角元素di用下式(2)求得:
其中,i=1,2…N,si,j代表高斯距离相似矩阵S中第i行第j列元素,i和j的取值范围为1到N;
步骤1.D:将步骤1.B得到的高斯距离相似矩阵S以及步骤1.C得到的对角矩阵代入式(3),得到标准拉普拉斯矩阵Lsym:
Lsym=H-1/2(H-S)H-1/2 (3)
步骤1.E:计算步骤1.D中标准拉普拉斯矩阵Lsym的最小的K个特征值及对应的K个特征向量;
其中,K个特征向量表示为e1,…eK;特征向量的数量K与步骤1.A中UAV的数量相同;
步骤1.F:将步骤1.E中得到的特征向量e1,…eK作为列向量,得到一个N×K的矩阵U;
其中,ei对应矩阵U的第i个列向量;
步骤1.G:通过式(4)对步骤1.F中矩阵U进行行归一化操作,得到元素ti,j组成的行归一化后的矩阵T:
其中,i=1,2…N,j=1,2…K,ti,j代表矩阵T中第i行第j列元素,ui,j代表矩阵U中第i行第j列元素;
步骤1.H:将步骤1.G中矩阵T的N个行向量表示为o1,…oN,并利用k-means聚类方法将向量o1,…oN聚为K类,分别用C1,…CK表示;
其中,oi对应矩阵T的第i个行向量,代表用户i,i=1,2…N,o1,…oN的聚类结果即代表N个用户的聚类结果;
步骤1.I:将步骤1.H中k-means聚类算法得到的K个聚类中心作为K个UAV的位置,并基于该位置输出初始用户关联方案;
步骤二、基于步骤一中的初始用户关联方案计算得到一个初始UAV网络效用值,具体为:
步骤2.A:设定一用户关联矩阵Λ,Λ的维度为K×N;其中的元素λk,n代表用户关联矩阵中第k行第n列元素;
其中,Λ中的元素通过用户关联方案确定,具体为:当用户n关联第k个UAV时,λk,n=1,否则,λk,n=0;
其中,表示第k个UAV与其关联的用户n之间的通信速率,表示UAV网络效用,即UAV网络所有的关联用户效用之和,用户效用定义为每个用户与其关联UAV通信速率Rk,n的自然对数,表示第k个UAV所关联的用户数目,B表示UAV发射信号带宽,表示第k个UAV平均分配给每个关联用户的带宽,Γk,n表示从第k个UAV发送给其关联用户n信号的SINR值,用下式(6)表示:
其中,表示从第k个UAV发送给其关联用户n信号的路径损耗,ρ0为一常数,表示单位距离下的路径损耗,dk,n表示第k个UAV与其关联用户n的距离,N0表示噪声功率谱密度,表示除去第k个UAV的UAV集合,pk为第k个UAV的发射功率,初始值设为最大发射功率值pmax,
步骤三、基于合作博弈生成更优的用户关联方案,具体步骤如下:
步骤3.B:i初始值设为1;
其中,θ′k和为用户i移动后的UAV关联集k和UAV关联集若存在多个满足规则(8)的UAV关联集,则选择其中最大的作为UAV关联集若不存在满足规则(8)的UAV关联集则将原本所在的UAV关联集k作为UAV关联集
步骤3.D:判断步骤3.C中选择的UAV关联集是否与用户i原本所在的UAV关联集k相同,若是,用户关联方案不变,若否,则将用户i从原本所在UAV关联集k移动到UAV关联集即将用户i关联到第个UAV,得到新的的用户关联方案;
步骤3.F:判断i是否等于N,若否,则令i=i+1,并跳至步骤3.C,若是,则进行步骤3.G;
步骤四、基于连续凸近似方法进行功率控制,得到优化后UAV网络效用,具体为:
步骤4.A:设定探测精度阈值ηmax,得到UAV网络探测精度约束的表达式(10):
其中,表示克拉美罗界,即UAV网络雷达探测中无偏估计中能达到的最佳估计精度;p=[p1,p2…pK]为UAV发射功率向量,b=(ga+gb),ga=[ga1,ga2,…gaK]T,gb=[gb1,gb2,…gbK]T,gc=[gc1,gc2,…gcK]T,ga、gb、gc中的元素由下式(11)确定:
其中,(xm,ym),(xk,yk)分别为第m个UAV和第k个UAV的位置,(xt,yt)为探测区域的中心位置,Rm,t和Rk,t分别表示第m个UAV和第k个UAV与(xt,yt)的距离,α为雷达散射截面积,表示由第m个UAV发射,第k个UAV接收的回波信号的路径损耗,ρ0表示单位距离下的路径损耗,ξ用下式(12)表示:
步骤4.B:根据步骤4.A中UAV网络探测精度约束,提出以UAV网络效用为目标函数,功率为约束条件的优化问题,如下式(13):
其中,pmin表示UAV最小发射功率,pmax表示UAV最大发射功率,∑u表示UAV网络效用;
步骤4.E:通过步骤4.D中的凸近似操作,步骤4.C中的优化问题近似为下式(17):
步骤4.F:对步骤4.E中凸优化问题进行求解,得到优化后UAV的功率控制结果与目标函数∑u;
步骤4.G:判断是否小于收敛精度阈值ε2或是否达到最大迭代次数Imax,若是,则输出UAV的功率控制结果即pk,的值以及优化后的UAV网络效用∑u,跳至步骤五;若否,则令l=l+1,跳至步骤4.F进行迭代计算;
至此,经过步骤一到步骤五,完成了基于功率控制的雷达通信一体化UAV网络效用优化方法。
有益效果
本发明提出的基于功率控制的雷达通信一体化UAV网络效用优化方法,与现有技术相比,具有以下有益效果:
1、所述方法采用一种谱聚类方法确定UAV网络中UAV的位置,有效的提高了UAV网络的公平性,增大了UAV网络中的最小用户通信速率;
2、所述方法对UAV网络中用户关联与功率控制问题进行联合优化,能够在满足探测精度的条件下,有效提高雷达通信一体化UAV网络的效用。
附图说明
图1是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中谱聚类的流程图;
图2是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中合作博弈流程图;
图3是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中连续凸近似方法流程图;
图4是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中实施方法后的UAV网络效用仿真结果图;
图5是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中实施方法后的用户最小通信速率仿真结果图。
具体实施方式
下面结合附图和具体实施例对本发明所述的基于功率控制的雷达通信一体化UAV网络效用优化方法进行详细说明。
实施例1
本实施例详细阐述了本发明基于功率控制的雷达通信一体化UAV网络效用优化方法在不同UAV数量情况下具体实施时的步骤。
本实施例考虑UAV网络在2km*2km的区域随机分布,其作为移动中继,使用预先设计的雷达通信一体化波形为地面用户提供通信链路,同时接收回波信号,进行雷达探测,感知目标区域。由于无人机以协同方式工作,因此可以将其视为分布式MIMO雷达,从而可以定位目标区域中的目标,所有无人机共用同一频段,在此场景下,UAV位置部署,功率控制,用户关联问题有待解决,UAV网络进行探测与通信的效率有待提高,为此,采用基于功率控制的雷达通信一体化UAV网络效用优化方法以提高网络效用,解决UAV位置部署与用户关联等问题;
图1是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中通过谱聚类对UAV进行位置部署的流程图;
从图1可以看出本发明中基于谱聚类方法确定UAV的位置,产生一个初始的用户关联方案的详细流程,具体到本实施例,方法操作流程如下:
步骤1.A:设定UAV网络中UAV以及地面用户的数量并组成集合;
具体到本实施例,地面用户N为20,UAV数量K依次设为3,4,5,6;
具体到本实施例,调整因子σd设为300;
步骤1.C:通过步骤1.B中高斯距离相似矩阵S得到对角矩阵H,H的对角元素di用下式(2)求得:
其中,i=1,2…N,si,j代表高斯距离相似矩阵S中第i行第j列元素,i和j的取值范围为1到20;
步骤1.D:将步骤1.B得到的高斯距离相似矩阵S以及步骤1.C得到的对角矩阵代入式(3),得到标准拉普拉斯矩阵Lsym:
Lsym=H-1/2(H-S)H-1/2 (3)
步骤1.E:计算步骤1.D中标准拉普拉斯矩阵Lsym的最小的K个特征值及对应的K个特征向量;
其中,K个特征向量表示为e1,…eK;
步骤1.F:将步骤1.E中得到的特征向量e1,…eK作为列向量,得到一个20×K的矩阵U;
其中,ei对应矩阵U的第i个列向量;
步骤1.G:通过式(4)对步骤1.F中矩阵U进行行归一化操作,得到元素ti,j组成的行归一化后的矩阵T:
其中,i=1,2…N,j=1,2…K,ti,j代表矩阵T中第i行第j列元素,ui,j代表矩阵U中第i行第j列元素;
步骤1.H:将步骤1.G中矩阵T的20个行向量表示为o1,…o20,并利用k-means聚类方法将向量o1,…o20聚为K类,分别用C1,…CK表示;
其中,oi对应矩阵T的第i个行向量,代表用户i,i=1,2…20,o1,…o20的聚类结果即代表20个用户的聚类结果;
步骤1.I:将步骤1.H中k-means聚类算法得到的K个聚类中心作为K个UAV的位置,并基于该位置输出初始用户关联方案;
至此,从步骤1.A到步骤1.I,完成了本实施例确定UAV的位置,产生初始用户关联方案的谱聚类;
基于图1中的初始用户关联方案计算得到一个初始UAV网络效用值,具体为:
步骤2.A:设定一用户关联矩阵Λ,Λ的维度为K×N;其中的元素λk,n代表用户关联矩阵中第k行第n列元素;
其中,Λ中的元素通过用户关联方案确定,具体为:当用户n关联第k个UAV时,λk,n=1,否则,λk,n=0;
具体到本实施例,用户关联矩阵Λ维度是K×20;
其中,表示第k个UAV与其关联的用户n之间的通信速率,表示UAV网络效用,即UAV网络所有的关联用户效用之和,用户效用定义为每个用户与其关联UAV通信速率Rk,n的自然对数,表示第k个UAV所关联的用户数目,B表示UAV发射信号带宽,表示第k个UAV平均分配给每个关联用户的带宽,Γk,n表示从第k个UAV发送给其关联用户n信号的SINR值,用下式(6)表示:
其中,表示从第k个UAV发送给其关联用户n信号的路径损耗,ρ0为一常数,表示单位距离下的路径损耗,dk,n表示第k个UAV与其关联用户n的距离,N0表示噪声功率谱密度,pk为第k个UAV的发射功率,初始值设为最大发射功率值pmax,
具体到本实施例,UAV发射信号带宽B为200MHz,单位距离下的路径损耗ρ0为-60dB,最大发射功率值pmax为50dBm,噪声功率谱密度为-70dBm;
图2是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中合作博弈流程图;
从图2可以看出本发明中基于合作博弈生成更优的用户关联方案,具体到本实施例,方法操作流程如下:
步骤3.B:i初始值设为1;
其中,θk'和为用户i移动后的UAV关联集k和UAV关联集若存在多个满足规则(8)的UAV关联集,则选择其中最大的作为UAV关联集若不存在满足规则(8)的UAV关联集则将原本所在的UAV关联集k作为UAV关联集
步骤3.D:判断步骤3.C中选择的UAV关联集是否与用户i原本所在的UAV关联集k相同,若是,用户关联方案不变,若否,则将用户i从原本所在UAV关联集k移动到UAV关联集即将用户i关联到第个UAV,得到新的的用户关联方案;
步骤3.F:判断i是否等于20,若否,则令i=i+1,并跳至步骤3.C,若是,则进行步骤3.G;
具体到本实施例,收敛精度阈值ε1设为0.01;
至此,从步骤3.A到步骤3.G,完成了本实施例生成更优用户关联方案的合作博弈;
图3是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中连续凸近似方法流程图;
从图3可以看出本发明中基于连续凸近似方法进行功率控制以最大化UAV网络效用,具体到本实施例,方法操作流程如下:
步骤4.A:设定探测精度阈值ηmax,得到UAV网络探测精度约束的表达式(10):
其中,表示克拉美罗界,即UAV网络雷达探测中无偏估计中能达到的最佳估计精度;p=[p1,p2…pK]为UAV发射功率向量,b=(ga+gb),ga=[ga1,ga2,…gaK]T,gb=[gb1,gb2,…gbK]T,gc=[gc1,gc2,…gcK]T,ga、gb、gc中的元素由下式(11)确定:
其中,(xm,ym),(xk,yk)分别为第m个UAV和第k个UAV的位置,(xt,yt)为探测区域的中心位置,Rm,t和Rk,t分别表示第m个UAV和第k个UAV与(xt,yt)的距离,α为雷达散射截面积,表示由第m个UAV发射,第k个UAV接收的回波信号的路径损耗,ρ0表示单位距离下的路径损耗,ξ用下式(12)表示:
步骤4.B:根据步骤4.A中UAV网络探测精度约束,提出以UAV网络效用为目标函数,功率为约束条件的优化问题,如下式(13):
其中,pmin表示UAV最小发射功率,pmax表示UAV最大发射功率,∑u表示UAV网络效用;
具体到本实施例,UAV最小发射功率pmax设为50dBm,UAV最小发射功率pmin设为30dBm;
步骤4.E:通过步骤4.D中的凸近似操作,步骤4.C中的优化问题近似为下式(17):
步骤4.F:对步骤4.E中凸优化问题进行求解,得到优化后UAV的功率控制结果与目标函数∑u;
步骤4.G:判断是否小于收敛精度阈值ε2或是否达到最大迭代次数Imax,若是,则输出UAV的功率控制结果即pk,的值以及优化后的UAV网络效用∑u,跳至步骤五;若否,则令l=l+1,跳至步骤4.F进行迭代计算;
具体到本实施例,收敛精度阈值ε2为0.01,最大迭代次数Imax设为20;
至此,从步骤4.A到步骤4.G,完成了本实施例通过功率控制最大化UAV网络效用的连续凸近似方法;
具体到本实施例,收敛精度阈值ε3为0.01;
至此,完成了本实施例一种基于功率控制的雷达通信一体化UAV网络效用优化方法的流程;
图4是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中实施方法后的UAV网络效用仿真结果图;
图4横坐标为无人机数量K,依次取值为3,4,5,6,纵坐标为UAV网络效用,仿真实验对三种情况进行了对比分析:1)固定部署+固定功率,UAV随机分布在整个区域,用户与其相距最近的UAV关联,UAV发射功率设为最大值pmax;2)动态部署+固定功率,UAV采用图1中谱聚类方法确定位置与用户关联,UAV发射功率设为最大值pmax;3)动态部署+动态功率,即本方法,UAV位置与发射功率由步骤一到步骤四确定;由图4可以看出本发明提出方法可以获得更大的UAV网络效用,即在满足探测精度的条件下,雷达通信一体化UAV网络的效用得到了显著提高;
图5是本发明基于功率控制的雷达通信一体化UAV网络效用优化方法及实施例1中实施方法后的用户最小通信速率仿真结果图;
图5横坐标为无人机数量K,依次取值为3,4,5,6,纵坐标为UAV网络中最小用户通信速率,单位为Mbit/s,仿真实验对三种情况进行了对比分析:固定部署+固定功率,动态部署+固定功率,动态部署+动态功率,由图5可以看出本发明提出方法可以获得更大的最小用户通信速率,即提高了UAV网络的用户公平性;
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (6)
1.基于功率控制的雷达通信一体化UAV网络效用优化方法,其特征在于:包括谱聚类,交替优化用户关联和功率控制以最大化UAV网络效用,具体包括以下步骤:
步骤一、基于谱聚类对用户进行聚类,确定UAV的位置,产生一个初始的用户关联方案;
步骤二、基于步骤一中的初始用户关联方案计算得到一个初始UAV网络效用值;
步骤三、基于合作博弈生成更优的用户关联方案;
步骤四、基于连续凸近似方法进行功率控制,得到优化后UAV网络效用,具体为:
步骤4.A:设定探测精度阈值ηmax,得到UAV网络探测精度约束的表达式(10):
其中,表示克拉美罗界,即UAV网络雷达探测中无偏估计中能达到的最佳估计精度;p=[p1,p2…pK]为UAV发射功率向量,b=(ga+gb),ga=[ga1,ga2,…gaK]T,gb=[gb1,gb2,…gbK]T,gc=[gc1,gc2,…gcK]T,ga、gb、gc中的元素由下式(11)确定:
其中,(xm,ym),(xk,yk)分别为第m个UAV和第k个UAV的位置,(xt,yt)为探测区域的中心位置,Rm,t和Rk,t分别表示第m个UAV和第k个UAV与(xt,yt)的距离,α为雷达散射截面积,表示由第m个UAV发射,第k个UAV接收的回波信号的路径损耗,ρ0表示单位距离下的路径损耗,ξ用下式(12)表示:
步骤4.B:根据步骤4.A中UAV网络探测精度约束,提出以UAV网络效用为目标函数,功率为约束条件的优化问题,如下式(13):
其中,pmin表示UAV最小发射功率,pmax表示UAV最大发射功率,∑u表示UAV网络效用;
步骤4.E:通过步骤4.D中的凸近似操作,步骤4.C中的优化问题近似为下式(17):
步骤4.F:对步骤4.E中凸优化问题进行求解,得到优化后UAV的功率控制结果与目标函数∑u;
步骤4.G:判断是否小于收敛精度阈值ε2或是否达到最大迭代次数Imax,若是,则输出UAV的功率控制结果即pk,的值以及优化后的UAV网络效用∑u,跳至步骤五;若否,则令l=l+1,跳至步骤4.F进行迭代计算;
2.根据权利要求1所述的基于功率控制的雷达通信一体化UAV网络效用优化方法,其特征在于:步骤1,具体包括如下子步骤:
步骤1.A:设定UAV网络中UAV以及地面用户的数量并组成集合;
步骤1.C:通过步骤1.B中高斯距离相似矩阵S得到对角矩阵H,H的对角元素di用下式(2)求得:
其中,i=1,2…N,si,j代表高斯距离相似矩阵S中第i行第j列元素,i和j的取值范围为1到N;
步骤1.D:将步骤1.B得到的高斯距离相似矩阵S以及步骤1.C得到的对角矩阵代入式(3),得到标准拉普拉斯矩阵Lsym:
Lsym=H-1/2(H-S)H-1/2 (3)
步骤1.E:计算步骤1.D中标准拉普拉斯矩阵Lsym的最小的K个特征值及对应的K个特征向量;
其中,K个特征向量表示为e1,…eK;
步骤1.F:将步骤1.E中得到的特征向量e1,…eK作为列向量,得到一个N×K的矩阵U;
其中,ei对应矩阵U的第i个列向量;
步骤1.G:通过式(4)对步骤1.F中矩阵U进行行归一化操作,得到元素ti,j组成的行归一化后的矩阵T:
其中,i=1,2…N,j=1,2…K,ti,j代表矩阵T中第i行第j列元素,ui,j代表矩阵U中第i行第j列元素;
步骤1.H:将步骤1.G中矩阵T的N个行向量表示为o1,…oN,并利用k-means聚类方法将向量o1,…oN聚为K类,分别用C1,…CK表示;
其中,oi对应矩阵T的第i个行向量,代表用户i,i=1,2…N,o1,…oN的聚类结果即代表N个用户的聚类结果;
步骤1.I:将步骤1.H中k-means聚类算法得到的K个聚类中心作为K个UAV的位置,并基于该位置输出初始用户关联方案。
4.根据权利要求1所述的基于功率控制的雷达通信一体化UAV网络效用优化方法,其特征在于:步骤2,具体为:步骤2.A:设定一用户关联矩阵Λ,Λ的维度为K×N;其中的元素λk,n代表用户关联矩阵中第k行第n列元素;
其中,Λ中的元素通过用户关联方案确定,具体为:当用户n关联第k个UAV时,λk,n=1,否则,λk,n=0;
其中,表示第k个UAV与其关联的用户n之间的通信速率,表示UAV网络效用,即UAV网络所有的关联用户效用之和,用户效用定义为每个用户与其关联UAV通信速率Rk,n的自然对数,表示第k个UAV所关联的用户数目,B表示UAV发射信号带宽,表示第k个UAV平均分配给每个关联用户的带宽,Γk,n表示从第k个UAV发送给其关联用户n信号的SINR值,用下式(6)表示:
步骤3.B:i初始值设为1;
其中,θ′k和为用户i移动后的UAV关联集k和UAV关联集若存在多个满足规则(8)的UAV关联集,则选择其中最大的作为UAV关联集若不存在满足规则(8)的UAV关联集则将原本所在的UAV关联集k作为UAV关联集
步骤3.D:判断步骤3.C中选择的UAV关联集是否与用户i原本所在的UAV关联集k相同,若是,用户关联方案不变,若否,则将用户i从原本所在UAV关联集k移动到UAV关联集即将用户i关联到第个UAV,得到新的的用户关联方案;
步骤3.F:判断i是否等于N,若否,则令i=i+1,并跳至步骤3.C,若是,则进行步骤3.G;
6.根据权利要求1所述的基于功率控制的雷达通信一体化UAV网络效用优化方法,其特征在于:步骤1.E中特征向量的数K与步骤1.A中UAV的数量相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663481.XA CN111787508A (zh) | 2020-07-10 | 2020-07-10 | 基于功率控制的雷达通信一体化uav网络效用优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663481.XA CN111787508A (zh) | 2020-07-10 | 2020-07-10 | 基于功率控制的雷达通信一体化uav网络效用优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111787508A true CN111787508A (zh) | 2020-10-16 |
Family
ID=72768866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010663481.XA Pending CN111787508A (zh) | 2020-07-10 | 2020-07-10 | 基于功率控制的雷达通信一体化uav网络效用优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111787508A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928389A (zh) * | 2022-05-09 | 2022-08-19 | 浙江大学 | 通信感知一体化波形设计方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9828107B1 (en) * | 2014-08-25 | 2017-11-28 | Stc.Unm | Redundant component and intelligent computerized control system for multi-rotor VTOL aircraft |
CN111065102A (zh) * | 2019-12-16 | 2020-04-24 | 北京理工大学 | 基于q学习的免授权频谱下5g多***共存资源分配方法 |
-
2020
- 2020-07-10 CN CN202010663481.XA patent/CN111787508A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9828107B1 (en) * | 2014-08-25 | 2017-11-28 | Stc.Unm | Redundant component and intelligent computerized control system for multi-rotor VTOL aircraft |
CN111065102A (zh) * | 2019-12-16 | 2020-04-24 | 北京理工大学 | 基于q学习的免授权频谱下5g多***共存资源分配方法 |
Non-Patent Citations (3)
Title |
---|
HANA GODRICH: "Power Allocation Strategies for Target Localization in Distributed Multiple-Radar Architectures", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
MAHMOUD SAMI: "User Association and Power Control for UAV-Enabled Cellular Networks", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
MUHAMMAD IKRAM ASHRAF: "Dynamic Clustering and User Association inWireless Small-Cell Networks With Social Considerations", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928389A (zh) * | 2022-05-09 | 2022-08-19 | 浙江大学 | 通信感知一体化波形设计方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680780B (zh) | 频谱共享环境下基于射频隐身的雷达最优波形设计方法 | |
CN108732543B (zh) | 一种基于射频隐身的机载组网雷达辐射参数联合优化方法 | |
CN108990158B (zh) | 基于二元加载机制下无人机充电边缘计算网络的资源分配方法 | |
CN109756910B (zh) | 基于改进天牛须搜索算法的无人机网络资源分配方法 | |
CN111970709B (zh) | 一种基于粒子群优化算法的无人机中继部署方法及*** | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
CN109962727B (zh) | 临空通信混合波束赋形及非正交多址接入传输方法 | |
CN106896351B (zh) | 一种基于非合作博弈的雷达组网功率控制方法 | |
CN112672361B (zh) | 一种基于无人机集群部署的大规模mimo容量提升方法 | |
CN113490219B (zh) | 一种面向超密集组网的动态资源分配方法 | |
CN112202762B (zh) | 传感边缘云智能干扰攻击的博弈防御策略优化方法及*** | |
CN114039652B (zh) | 基于建筑物几何分析的毫米波抗阻挡多无人机部署方法 | |
Hajiakhondi-Meybodi et al. | Joint transmission scheme and coded content placement in cluster-centric UAV-aided cellular networks | |
CN111711960A (zh) | 一种能量效率知觉的无人机群三维部署方法 | |
CN111262617B (zh) | 一种基于多颗低轨卫星协作的频谱感知方法 | |
CN116887355A (zh) | 一种多无人机公平协作和任务卸载优化方法及*** | |
CN115567353A (zh) | 一种面向雷达组网***的干扰多波束调度和干扰功率联合优化方法 | |
CN106899338B (zh) | 大规模mimo***下行链路中基于密度的用户分组方法 | |
CN111787508A (zh) | 基于功率控制的雷达通信一体化uav网络效用优化方法 | |
Guo et al. | Machine learning for predictive deployment of UAVs with multiple access | |
CN102035588A (zh) | 基于角度信息的发射多播赋形方法及*** | |
Song et al. | Maximizing packets collection in wireless powered IoT networks with charge-or-data time slots | |
CN111372195B (zh) | 移动通信网络中移动终端的位置追踪方法、设备及存储介质 | |
Licea et al. | Omnidirectional multi-rotor aerial vehicle pose optimization: A novel approach to physical layer security | |
Kabir et al. | Twin delayed DDPG based dynamic power allocation for internet of robotic things |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201016 |
|
WD01 | Invention patent application deemed withdrawn after publication |