CN111884740B - 基于频谱认知的无人机信道优化分配方法和*** - Google Patents
基于频谱认知的无人机信道优化分配方法和*** Download PDFInfo
- Publication number
- CN111884740B CN111884740B CN202010510635.1A CN202010510635A CN111884740B CN 111884740 B CN111884740 B CN 111884740B CN 202010510635 A CN202010510635 A CN 202010510635A CN 111884740 B CN111884740 B CN 111884740B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- channel
- aerial vehicle
- information
- module
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000019771 cognition Effects 0.000 title claims abstract description 23
- 230000005540 biological transmission Effects 0.000 claims abstract description 87
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/06—Airborne or Satellite Networks
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于频谱认知的无人机信道优化分配方法和***,将正在飞行的无人机自身作为频谱感知监测节点,对无人机使用的频段进行频谱扫描和监测,得到频域功率谱数据,将其量化得到信道状态信息,采用数传电台将频谱感知数据和遥测信息回传至地面控制与数据处理中心,地面控制与数据处理中心将全部节点的回传数据进行汇总,计算时间和信道间的相关度,结合信道优化分配模型,根据频谱感知数据与时间和信道间的相关度对空闲频谱和信道进行预测,为无人机分配空闲概率最大的信道,并将信道分配信息回传至无人机,无人机自动切换至优化分配的信道上,保持连续通信。本发明能够极大减少图传信道受到干扰的概率,提高图传信道的可靠性。
Description
技术领域
本发明涉及无线通信技术领域,具体而言涉及一种基于频谱认知的无人机信道优化分配方法。
背景技术
近年来,民用无人机发展迅猛,其遥控遥测、图传设备主要使用2.4GHz和5GHz两个WiFi(Wireless Fidelity)频段,也是工业、科学和医疗(Industrial,Scientific andMedical,ISM)频段。蓝牙、ZigBee等连接方式也使用2.4GHz频段。由于这两个频段是免费公开频段,使用的设备数量日益增多,对使用方来讲,受到的干扰越来越严重。这些民用无人机通信信道均采用预先固定分配方法,一旦遭受干扰,将导致误码率急剧上升甚至通信中断,出现遥控遥测功能失灵,视频马赛克增多或无图像等现象。
为解决信道干扰问题,专利号为CN108513734A的发明专利“一种信道切换方法、装置及通信设备”采用信道切换方法,通过干扰功率获取模块,获取通信频段中多个信道的干扰功率,如果当前信道的干扰功率超过预设门限,目标信道选取模块会根据多个信道的干扰功率来选取合适的目标信道,并通过信道切换模块切换到目标信道上继续进行通信。该方法只是简单地根据信道当前受到的干扰功率来判断信道是否可用,没有预测将来时刻的干扰是否存在,并且在当前信道受到严重干扰、地面站和无人机之间通信中断时,信道切换信息不能交互,信道切换很难成功。
专利号为CN1084966384A的发明专利“通信方式控制方法及设备”,通过观察通信信道的衡量参数来确定通信双方是否采用TDD或FDD双工方式进行通信。该方法实质上是根据信道条件来动态调整通信参数,但依据的衡量参数较少,调整的参数有限。
专利号为CN106877947A的发明专利“一种无人机的射频信道并行检测装置及方法”,将无人机常用的2.4GHz通信频段划分成42个并行信道,测量每个信道的信号强度和背景噪声,并利用信号带宽特点来检测无人机图传信号和遥控遥测信号。该方法虽然提高了信道测量的精度,但复杂度也大幅增加,主要针对无人机信号检测。
综上所述,目前缺乏一种当无人机通信信道受到干扰时,对无人机使用的全频段频谱进行感知、分析、优化以及信道快速分配并切换的机制和方法,从而提高无人机通信的可靠性和有效性。
发明内容
本发明的目的在于提供一种基于频谱认知的无人机信道优化分配方法,利用频谱感知数据和时间信道相关度信息,采用基于机器学习的算法,对空闲频谱或信道进行预测,根据预测结果,选取空闲概率最大的合适信道,极大减少图传信道受到干扰的概率,提高图传信道的可靠性;另外,将高可靠、具有抗干扰能力的数传电台用于遥控遥测信息、频谱感知信息与信道控制信息传输,保证控制信号的可靠传输,将大容量、高速率的WiFi模块用于图像与视频信息传输,在受到干扰时可以快速切换到空闲信道,确保图像传输持续不间断。
为达成上述目的,结合图1,本发明提出一种基于频谱认知的无人机信道优化分配方法,所述优化分配方法包括:
S1:将每个处于飞行状态的无人机作为一个频谱感知监测节点,针对所述每个处于飞行状态的无人机使用的每个工作频段进行频谱扫描和监测感知,得到对应的频域功率谱数据。
S2:每个频谱感知监测节点将各自的频域功率谱数据进行量化,得到每个处于飞行状态的无人机的信道状态信息。
S3:每个频谱感知监测节点采用数传电台将各自的频域功率谱数据回传至地面控制与数据处理中心。
S4:地面控制与数据处理中心汇总全部频谱感知监测节点回传的频域功率谱数据,并计算时间和信道间的相关度。
S5:将实时获取的频域功率谱数据以及计算得到的时间和信道间的相关度信息导入预先训练好的信道优化分配模型,对空闲频谱或信道进行预测,并根据预测结果选择一定量空闲概率最大的信道,按照预设的分配原则为每个处于飞行状态的无人机分配对应的最优信道,将信道分配信息通过数传电台回传至每个处于飞行状态的无人机。
S6:每个处于飞行状态的无人机接收信道分配信息,自动将各自的传输信道切换至优化分配的信道。
作为其中的一种优选例,所述每个处于飞行状态的无人机上同时搭载有数传电台和Wifi模块,所述无人机采用数传电台传输遥控遥测信息,采用Wifi模块传输图像/视频信息。
作为其中的一种优选例,所述遥控遥测信息传输所占用的频段包括840.5-845MHz无人机专用频段,所述图像/视频信息传输所占用的频段包括2.4GHz和5GHz两个频段。
作为其中的一种优选例,步骤S2中,所述得到每个处于飞行状态的无人机的信道状态信息的过程包括以下步骤:
设所述每个处于飞行状态的无人机的信道状态信息为CSI(t,c):
其中,“0”表示信道处于空闲状态,“1”表示信道处于被占用状态,R(t,c)为t采样时刻、信道c的功率值,单位dBm,T为时长总数,C为信道总数。
作为其中的一种优选例,步骤S4中,所述计算时间和信道间的相关度的过程包括以下步骤:
S41,设Xk、Yk为两个信道状态信息序列,且每个信道状态信息序列均为0-1序列。
S42,根据下述公式计算得到Xk、Yk的相关度ρ:
其中,I(A)为判断函数,若A为真,I(A)=1,若A不为真,I(A)=0,∑k为累加求和计算。
作为其中的一种优选例,所述预设的分配原则包括按照信道空闲概率的大小与无人机任务紧急程度,以及无人机离开控制中心的距离远近进行匹配,即空闲概率最大的信道分配给任务最紧急或最远的无人机,空闲概率次之的信道分配给任务次重要或距离次远的无人机。
作为其中的一种优选例,所述信道优化分配模型基于反向传播神经网络算法构建,包括相互连接的第一层神经网络和第二层神经网络。
所述第一层神经网络用于对时域及频域的输入向量进行并行训练,得到时域训练结果和频域训练结果,所述第二层神经网络用于结合信道时域和频域的相关性整合第一层神经网络的时域训练结果和频域训练结果,对空闲频谱或信道进行预测,预测结果为每个信道的空闲概率。
作为其中的一种优选例,所述优化分配方法还包括:
无人机实时/周期性采集遥测信息,将遥测信息加入至频谱感知数据帧,回传至地面控制与数据处理中心,所述遥测信息包括:无人机的地理位置、速度、加速度、自身状态信息和采集时间戳。
地面控制与数据处理中心对遥测信息进行处理,计算得到对应的遥控信息,将计算得到的遥控信息与信道分配信息一起通过数传电台回传至每个处于飞行状态的无人机。
结合图2,本发明还提及一种基于频谱认知的无人机信道优化分配***,所述无人机信道优化分配***包括地面控制与数据处理中心和至少一个处于飞行状态的无人机。
所述无人机包括无人机本体,以及搭载在无人机本体上的第一频谱感知模块、第一数据处理模块、第一GPS模块、遥控遥测模块、第一Wifi模块和第一数传电台。
所述第一数据处理模块与第一频谱感知模块、第一GPS模块、第一遥控遥测模块、第一Wifi模块和第一数传电台模块分别连接。
所述第一频谱感知模块用于对所属无人机当前使用频段频谱进行监测和感知,得到对应的频域功率谱数据;所述第一数据处理模块用于处理接收到的频域功率谱数据,量化后得到所属无人机的信道状态信息,将量化结果通过第一数传电台模块发送回地面控制与数据处理中心。
所述第一GPS模块用于实时/周期性采集所属无人机的位置和速度信息,所述遥控遥测模块用于实时/周期性采集所属无人机的状态信息,所述第一数据处理模块将第一GPS模块和第一遥控遥测模块的采集结果整合成遥测信息,加入至频谱感知数据帧,回传至地面控制与数据处理中心。
所述地面控制与数据处理中心包括第二数据处理模块,以及与第二数据处理模块连接的第二频谱感知模块、第二GPS模块、第二Wifi模块、第二数传电台和信道优化分配模块。
所述第二数传电台与每个无人机的第一数传电台之间建立有数据传输通道,接收所有第一数传电台发送的频谱感知数据帧,将接收到的频谱感知数据帧发送至第二数据处理模块。
所述第二频谱感知模块用于对地面无人机当前使用频段频谱进行监测和感知,得到对应的频域功率谱数据。
所述第二数据处理模块接收所有无人机发送的频谱感知数据帧和第二频谱感知模块反馈的地面无人机的频域功率谱数据,解析得到每个无人机的信道状态信息和遥测信息,对遥测信息继续处理得到对应的遥控信息,同时将每个无人机的信道状态信息发送至信道优化分配模块,所述信道优化分配模块采用如前所述的基于频谱认知的无人机信道优化分配计算得到每个无人机对应的最优信道,将计算结果反馈至第二数据处理模块。
所述第二数据处理模块将信道分配信息和遥控信息通过第二数传电台回传至每个无人机,使无人机根据接收到的信道分配信息自动切换第一Wifi模块和第一数传电台的信道,以及驱使遥控遥测模块根据接收到的遥控信息对无人机执行飞行控制。
所述第二Wifi模块与每个无人机的第一Wifi模块之间建立有数据传输通道,接收所有无人机通过第一Wifi模块发送的图像/视频信息。
所述第二GPS模块用于实时/周期性采集地面控制与数据处理中心的位置和速度信息,将采集结果与信道分配信息一起发送至无人机。
作为其中的一种优选例,所述信道优化分配模块包括频谱分析单元、频谱预测与信道分配单元。
所述频谱分析单元用于对实时获取的频域功率谱数据进行处理,计算得到的时间和信道间的相关度信息。
所述频谱预测与信道分配单元用于结合频域功率谱数据和时间和信道间的相关度信息,对空闲频谱或信道进行预测,并根据预测结果选择一定量空闲概率最大的信道,按照预设的分配原则为每个处于飞行状态的无人机分配对应的最优信道。
综上所述,本发明将无人机自身作为频谱感知监测节点,对无人机使用的频段进行频谱扫描和监测,得到频域功率谱数据,将其量化得到信道状态信息CSI,再采用数传电台将频谱感知数据和遥测信息回传至地面,地面将全部节点的回传数据进行汇总,计算时间和信道间的相关度,结合信道优化分配模型,根据频谱感知数据与时间和信道间的相关度对空闲频谱和信道进行预测,为无人机分配空闲概率最大的信道,并将信道分配信息回传至无人机,无人机自动切换至优化分配的信道上,保持连续通信。另外,利用数传电台传输遥控遥测信息,Wifi模块传输图像/视频信息,例如遥控遥测信息使用840.5-845MHz频段,图像/视频信息传输动态选择2.4GHz和5GHz频段,确保控制信号的可靠传输和图像传输持续不间断。
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)本发明将高可靠、具有抗干扰能力的数传电台用于遥控遥测信息、频谱感知信息与信道控制信息传输,保证控制信号的可靠传输。
(2)本发明将大容量、高速率的WiFi模块用于图像与视频信息传输,在受到干扰时可以快速切换到空闲信道,确保图像传输持续不间断。
(3)本发明利用频谱感知数据和时间信道相关度信息,采用基于机器学习的算法,对空闲频谱或信道进行预测,根据预测结果,选取空闲概率最大的合适信道,极大减少图传信道受到干扰的概率,提高图传信道的可靠性。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的一种基于频谱认知的无人机信道优化分配方法流程图。
图2是本发明的一种基于频谱认知的无人机信道优化分配***原理图。
图3是本发明的一种基于频谱认知的无人机信道优化分配方法的原理图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
在实际应用中,遥控遥测需要传输的信息量较少,可靠性要求高,因此可以选择高可靠、具备抗干扰能力强的跳频数传电台进行遥控遥测信息传输。图像/视频传输的信息量较大,信息关联程度较高,可以容忍一定的误码率,因此可以选择Wifi模块进行图像/视频信息传输。
为更进一步的提高无人机信息传输的可靠性,选择840.5-845MHz无人机专用频段作为遥控遥测信息传输信道,该频段干扰少可靠性高,动态选择2.4GHz和5GHz两个频段作为图像/视频信息传输信道,根据干扰程度可以自动切换。
因此,在本发明中,无人机上同时搭载数传电台和Wifi模块,采用数传电台传输遥控遥测信息,Wifi模块传输图像/视频信息,遥控遥测信息与图像/视频信息传输所占用的频段不同。实际上,本发明提及的信道优化分配方法需要对两个传输模块占用的信道进行优化分配。考虑到Wifi模块占用的频段只有两个,计算资源更多地倾向于数传电台的频段优化。
结合图1、图3,本发明提及一种基于频谱认知的无人机信道优化分配方法,包括:
S1:将每个处于飞行状态的无人机作为一个频谱感知监测节点,针对所述每个处于飞行状态的无人机使用的每个工作频段进行频谱扫描和监测感知,得到对应的频域功率谱数据。
将处于飞行工作状态中的所有无人机作为频谱感知监测节点,对全部无人机使用的频段,如840M、2.4G、5G频段的频谱进行全面快速扫描,感知监测各频段频谱的使用情况,并得到频域功率谱数据。
S2:每个频谱感知监测节点将各自的频域功率谱数据进行量化,得到每个处于飞行状态的无人机的信道状态信息。
设所述每个处于飞行状态的无人机的信道状态信息为CSI(t,c):
其中,“0”表示信道处于空闲状态,“1”表示信道处于被占用状态,R(t,c)为t采样时刻、信道c的功率值,单位dBm,T为时长总数,C为信道总数。
CSI(t,c)为t采样时刻、信道c是否被占用的信息,具体的:(1)当CSI(t,c)取值为0时,表示信道未被占用,处于空闲状态;(2)当CSI(t,c)取值为1时,表示信道被占用,处于忙碌状态。
S3:每个频谱感知监测节点采用数传电台将各自的频域功率谱数据回传至地面控制与数据处理中心。
各无人机频谱感知监测节点将采集得到的遥测信息和处理后的频谱感知数据通过数传电台回传至地面控制与数据处理中心进行数据处理。
优选的,各无人机频谱感知监测节点还将通过第一GPS模块和遥控遥测模块获取所述无人机的位置信息和状态信息,比如地理位置、速度、加速度和时间戳等,作为遥测信息加入至频谱感知数据帧,通过数传电台一并回传至地面控制与数据处理中心进行处理分析,提高数据整体传输效率。
S4:地面控制与数据处理中心汇总全部频谱感知监测节点回传的频域功率谱数据,并计算时间和信道间的相关度。
设Xk、Yk为两个信道状态信息序列,且每个信道状态信息序列均为0-1序列,则Xk、Yk的相关度ρ为:
其中,I(A)为判断函数,若A为真,I(A)=1,若A不为真,I(A)=0,∑k为累加求和计算。
位于地面控制与数据处理中心的频谱分析模块将全部无人机频谱感知监测节点回传的频谱感知数据进行汇总分析,计算得到各时段和各信道之间信道状态信息的相关度数值ρ,为后续的信道预测和优化分配提供数据分析基础。
当地面存在占用信道的未起飞的地面无人机时,可以由地面控制与数据处理中心对地面无人机的频谱感知数据进行采集,再整合接收到的正在飞行的无人机发送的频谱感知数据,作为完整的无人机的信道相关信息。
S5:将实时获取的频域功率谱数据以及计算得到的时间和信道间的相关度信息导入预先训练好的信道优化分配模型,对空闲频谱或信道进行预测,并根据预测结果选择一定量空闲概率最大的信道,按照预设的分配原则为每个处于飞行状态的无人机分配对应的最优信道,将信道分配信息通过数传电台回传至每个处于飞行状态的无人机。
预设的分配原则包括,按照信道的空闲概率大小与无人机的任务紧急程度,以及无人机与控制中心的距离进行匹配,即将空闲概率最大的信道分配给任务最紧急或最远的无人机,空闲概率次之的信道分配给任务次重要或距离次远的无人机,并以此类推,直至信道分配结束。
信道优化分配模型基于机器学习算法构建,可以利用接收到的历史频谱感知数据进行训练,采用的机器学习算法包括反向传递神经网络算法。
将实时获取的频谱感知数据与分析得到的时间和信道间的相关度信息,代入训练后的信道优化分配模型,对空闲频谱和信道进行预测分析,并根据预测结果为全部无人机分配空闲概率最大的信息,得到信道分配信息经由数传电台发送至各无人机。
例如,所述信道优化分配模型基于反向传播神经网络算法构建,包括相互连接的第一层神经网络和第二层神经网络。
所述第一层神经网络用于对时域及频域的输入向量进行并行训练,得到时域训练结果和频域训练结果,所述第二层神经网络用于结合信道时域和频域的相关性整合第一层神经网络的时域训练结果和频域训练结果,对空闲频谱或信道进行预测,预测结果为每个信道的空闲概率。
S6:每个处于飞行状态的无人机接收信道分配信息,自动将各自的传输信道切换至优化分配的信道。
无人机接收到地面控制与数据处理中心回传的信道分配信息和遥控信息(作为对遥测信息的反馈),自动切换至优化分配的空闲信道上,避开干扰信道,确保图传信息传输的连续不间断。
结合图2,本发明提及一种基于频谱认知的无人机信道优化分配***,包括无人机和地面控制与数据处理中心。
所述无人机包括无人机本体,以及搭载在无人机本体上的第一频谱感知模块、第一数据处理模块、第一GPS模块、遥控遥测模块、第一Wifi模块和第一数传电台。
所述第一数据处理模块与第一频谱感知模块、第一GPS模块、第一遥控遥测模块、第一Wifi模块和第一数传电台模块分别连接。
所述第一频谱感知模块用于对所属无人机当前使用频段频谱进行监测和感知,得到对应的频域功率谱数据;所述第一数据处理模块用于处理接收到的频域功率谱数据,量化后得到所属无人机的信道状态信息,将量化结果通过第一数传电台模块发送回地面控制与数据处理中心。
所述第一GPS模块用于实时/周期性采集所属无人机的位置和速度信息,所述遥控遥测模块用于实时/周期性采集所属无人机的状态信息,所述第一数据处理模块将第一GPS模块和第一遥控遥测模块的采集结果整合成遥测信息,加入至频谱感知数据帧,回传至地面控制与数据处理中心。
所述地面控制与数据处理中心包括第二数据处理模块,以及与第二数据处理模块连接的第二频谱感知模块、第二GPS模块、第二Wifi模块、第二数传电台和信道优化分配模块。
所述第二数传电台与每个无人机的第一数传电台之间建立有数据传输通道,接收所有第一数传电台发送的频谱感知数据帧,将接收到的频谱感知数据帧发送至第二数据处理模块。
所述第二频谱感知模块用于对地面无人机当前使用频段频谱进行监测和感知,得到对应的频域功率谱数据。
所述第二数据处理模块接收所有无人机发送的频谱感知数据帧和第二频谱感知模块反馈的地面无人机的频域功率谱数据,解析得到每个无人机的信道状态信息和遥测信息,对遥测信息继续处理得到对应的遥控信息,同时将每个无人机的信道状态信息发送至信道优化分配模块,所述信道优化分配模块采用如前所述的基于频谱认知的无人机信道优化分配计算得到每个无人机对应的最优信道,将计算结果反馈至第二数据处理模块。
所述第二数据处理模块将信道分配信息和遥控信息通过第二数传电台回传至每个无人机,使无人机根据接收到的信道分配信息自动切换第一Wifi模块和第一数传电台的信道,以及驱使遥控遥测模块根据接收到的遥控信息对无人机执行飞行控制。
所述第二Wifi模块与每个无人机的第一Wifi模块之间建立有数据传输通道,接收所有无人机通过第一Wifi模块发送的图像/视频信息。
所述第二GPS模块用于实时/周期性采集地面控制与数据处理中心的位置和速度信息,将采集结果与信道分配信息一起发送至无人机。
优选的,信道优化分配模块包括频谱分析单元、频谱预测与信道分配单元。
所述频谱分析单元用于对实时获取的频域功率谱数据进行处理,计算得到的时间和信道间的相关度信息。所述频谱预测与信道分配单元用于结合频域功率谱数据和时间和信道间的相关度信息,对空闲频谱或信道进行预测,并根据预测结果选择一定量空闲概率最大的信道,按照预设的分配原则为每个处于飞行状态的无人机分配对应的最优信道。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.一种基于频谱认知的无人机信道优化分配方法,其特征在于,所述优化分配方法包括:
S1:将每个处于飞行状态的无人机作为一个频谱感知监测节点,针对所述每个处于飞行状态的无人机使用的每个工作频段进行频谱扫描和监测感知,得到对应的频域功率谱数据;
S2:每个频谱感知监测节点将各自的频域功率谱数据进行量化,得到每个处于飞行状态的无人机的信道状态信息;
其中,所述得到每个处于飞行状态的无人机的信道状态信息的过程包括以下步骤:
设所述每个处于飞行状态的无人机的信道状态信息为CSI(t,c):
其中,“0”表示信道处于空闲状态,“1”表示信道处于被占用状态,R(t,c)为t采样时刻、信道c的功率值,单位dBm,T为时长总数,C为信道总数;
S3:每个频谱感知监测节点采用数传电台将各自的频域功率谱数据回传至地面控制与数据处理中心;
S4:地面控制与数据处理中心汇总全部频谱感知监测节点回传的频域功率谱数据,并计算时间和信道间的相关度;
所述计算时间和信道间的相关度的过程包括以下步骤:
S41,设Xk、Yk为两个信道状态信息序列,且每个信道状态信息序列均为0-1序列;
S42,根据下述公式计算得到Xk、Yk的相关度ρ:
其中,I(A)为判断函数,若A为真,I(A)=1,若A不为真,I(A)=0,∑k为累加求和计算;
S5:将实时获取的频域功率谱数据以及计算得到的时间和信道间的相关度信息导入预先训练好的信道优化分配模型,对空闲频谱或信道进行预测,并根据预测结果选择一定量空闲概率最大的信道,按照预设的分配原则为每个处于飞行状态的无人机分配对应的最优信道,将信道分配信息通过数传电台回传至每个处于飞行状态的无人机;
S6:每个处于飞行状态的无人机接收信道分配信息,自动将各自的传输信道切换至优化分配的信道。
2.根据权利要求1所述的基于频谱认知的无人机信道优化分配方法,其特征在于,所述每个处于飞行状态的无人机上同时搭载有数传电台和Wifi模块,所述无人机采用数传电台传输遥控遥测信息,采用Wifi模块传输图像/视频信息。
3.根据权利要求2所述的基于频谱认知的无人机信道优化分配方法,其特征在于,所述遥控遥测信息传输所占用的频段包括840.5-845MHz无人机专用频段,所述图像/视频信息传输所占用的频段包括2.4GHz和5GHz两个频段。
4.根据权利要求1所述的基于频谱认知的无人机信道优化分配方法,其特征在于,步骤S5中,所述预设的分配原则包括按照信道空闲概率的大小与无人机任务紧急程度,以及无人机离开控制中心的距离远近进行匹配,即空闲概率最大的信道分配给任务最紧急或最远的无人机,空闲概率次之的信道分配给任务次重要或距离次远的无人机。
5.根据权利要求1所述的基于频谱认知的无人机信道优化分配方法,其特征在于,所述信道优化分配模型基于反向传播神经网络算法构建,包括相互连接的第一层神经网络和第二层神经网络;
所述第一层神经网络用于对时域及频域的输入向量进行并行训练,得到时域训练结果和频域训练结果,所述第二层神经网络用于结合信道时域和频域的相关性整合第一层神经网络的时域训练结果和频域训练结果,对空闲频谱或信道进行预测,预测结果为每个信道的空闲概率。
6.根据权利要求1所述的基于频谱认知的无人机信道优化分配方法,其特征在于,所述优化分配方法还包括:
无人机实时/周期性采集遥测信息,将遥测信息加入至频谱感知数据帧,回传至地面控制与数据处理中心,所述遥测信息包括:无人机的地理位置、速度、加速度、自身状态信息和采集时间戳;
地面控制与数据处理中心对遥测信息进行处理,计算得到对应的遥控信息,将计算得到的遥控信息与信道分配信息一起通过数传电台回传至每个处于飞行状态的无人机。
7.一种基于频谱认知的无人机信道优化分配***,其特征在于,所述无人机信道优化分配***包括地面控制与数据处理中心和至少一个处于飞行状态的无人机;
所述无人机包括无人机本体,以及搭载在无人机本体上的第一频谱感知模块、第一数据处理模块、第一GPS模块、遥控遥测模块、第一Wifi模块和第一数传电台;
所述第一数据处理模块与第一频谱感知模块、第一GPS模块、第一遥控遥测模块、第一Wifi模块和第一数传电台模块分别连接;
所述第一频谱感知模块用于对所属无人机当前使用频段频谱进行监测和感知,得到对应的频域功率谱数据;所述第一数据处理模块用于处理接收到的频域功率谱数据,量化后得到所属无人机的信道状态信息,将量化结果通过第一数传电台模块发送回地面控制与数据处理中心;
所述第一GPS模块用于实时/周期性采集所属无人机的位置和速度信息,所述遥控遥测模块用于实时/周期性采集所属无人机的状态信息,所述第一数据处理模块将第一GPS模块和第一遥控遥测模块的采集结果整合成遥测信息,加入至频谱感知数据帧,回传至地面控制与数据处理中心;
所述地面控制与数据处理中心包括第二数据处理模块,以及与第二数据处理模块连接的第二频谱感知模块、第二GPS模块、第二Wifi模块、第二数传电台和信道优化分配模块;
所述第二数传电台与每个无人机的第一数传电台之间建立有数据传输通道,接收所有第一数传电台发送的频谱感知数据帧,将接收到的频谱感知数据帧发送至第二数据处理模块;
所述第二频谱感知模块用于对地面无人机当前使用频段频谱进行监测和感知,得到对应的频域功率谱数据;
所述第二数据处理模块接收所有无人机发送的频谱感知数据帧和第二频谱感知模块反馈的地面无人机的频域功率谱数据,解析得到每个无人机的信道状态信息和遥测信息,对遥测信息继续处理得到对应的遥控信息,同时将每个无人机的信道状态信息发送至信道优化分配模块,所述信道优化分配模块采用如权利要求1-6任意一项中所述的基于频谱认知的无人机信道优化分配方法 计算得到每个无人机对应的最优信道,将计算结果反馈至第二数据处理模块;
所述第二数据处理模块将信道分配信息和遥控信息通过第二数传电台回传至每个无人机,使无人机根据接收到的信道分配信息自动切换第一Wifi模块和第一数传电台的信道,以及驱使遥控遥测模块根据接收到的遥控信息对无人机执行飞行控制;
所述第二Wifi模块与每个无人机的第一Wifi模块之间建立有数据传输通道,接收所有无人机通过第一Wifi模块发送的图像/视频信息;
所述第二GPS模块用于实时/周期性采集地面控制与数据处理中心的位置和速度信息,将采集结果与信道分配信息一起发送至无人机。
8.根据权利要求7所述的基于频谱认知的无人机信道优化分配***,其特征在于,所述信道优化分配模块包括频谱分析单元、频谱预测与信道分配单元;
所述频谱分析单元用于对实时获取的频域功率谱数据进行处理,计算得到的时间和信道间的相关度信息;
所述频谱预测与信道分配单元用于结合频域功率谱数据和时间和信道间的相关度信息,对空闲频谱或信道进行预测,并根据预测结果选择一定量空闲概率最大的信道,按照预设的分配原则为每个处于飞行状态的无人机分配对应的最优信道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510635.1A CN111884740B (zh) | 2020-06-08 | 2020-06-08 | 基于频谱认知的无人机信道优化分配方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510635.1A CN111884740B (zh) | 2020-06-08 | 2020-06-08 | 基于频谱认知的无人机信道优化分配方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111884740A CN111884740A (zh) | 2020-11-03 |
CN111884740B true CN111884740B (zh) | 2022-04-29 |
Family
ID=73154368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010510635.1A Active CN111884740B (zh) | 2020-06-08 | 2020-06-08 | 基于频谱认知的无人机信道优化分配方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111884740B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112423304B (zh) * | 2020-11-06 | 2021-11-16 | 北京隆普智能科技有限公司 | 一种多无人机调度通信频段分配方法及*** |
CN113301654B (zh) * | 2021-04-12 | 2022-06-14 | 吉林大学 | 基于半监督学习算法的无人机通信频段分配***及方法 |
CN113347638B (zh) * | 2021-05-14 | 2024-04-30 | 东北大学 | 一种认知工业物联网动态协作频谱预测与感知方法 |
CN114143890B (zh) * | 2022-02-07 | 2022-04-15 | 南京信息工程大学 | 基于重叠信道的无人机通信中传输功率优化方法及*** |
CN114867029B (zh) * | 2022-05-07 | 2024-05-17 | 中国人民解放军国防科技大学 | 一种面向恶意干扰的无人机群动态频谱分配方法及*** |
CN115297549B (zh) * | 2022-06-22 | 2024-06-14 | 广西大学 | 基于区块链的无人机网络频谱管理方法及*** |
CN116938567B (zh) * | 2023-07-25 | 2024-03-08 | 云擎智能科技有限公司 | 一种计算机网络数据安全传输方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108712747A (zh) * | 2018-03-29 | 2018-10-26 | 中国人民解放军陆军工程大学 | 一种基于频谱预测的链路快速建立方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9641239B2 (en) * | 2012-06-22 | 2017-05-02 | Fitbit, Inc. | Adaptive data transfer using bluetooth |
CN107204107B (zh) * | 2017-04-21 | 2020-05-08 | 杭州昊舜视讯科技有限公司 | 一种通过无人机实时传输频谱的方法和*** |
CN108134967B (zh) * | 2017-11-27 | 2022-06-07 | 全球能源互联网研究院有限公司 | 一种电力光网络路由频谱分配方法及*** |
CN107992029A (zh) * | 2017-12-15 | 2018-05-04 | 中国电子产品可靠性与环境试验研究所 | 基于状态监测的无人机性能检测装置 |
CN108135002B (zh) * | 2017-12-22 | 2021-12-21 | 南京航空航天大学 | 一种基于块坐标下降的无人机频谱资源分配方法 |
CN108333584A (zh) * | 2017-12-28 | 2018-07-27 | 陕西弘毅军民融合智能科技有限公司 | 一种低空小目标远距离无人机探测***及探测方法 |
US20190235047A1 (en) * | 2018-01-26 | 2019-08-01 | Easymap Digital Technology Inc. | Unmanned aerial vehicle detection system and detection method |
CN109039502A (zh) * | 2018-09-04 | 2018-12-18 | 中国人民解放军陆军工程大学 | 一种基于频谱预测和感知融合的信道选择方法 |
CN109245840B (zh) * | 2018-10-15 | 2021-02-02 | 哈尔滨工业大学 | 认知无线电***中基于卷积神经网络的频谱预测方法 |
CN109614930A (zh) * | 2018-12-11 | 2019-04-12 | 湖南华诺星空电子技术有限公司 | 一种基于深度学习的无人机频谱探测方法 |
CN109743210B (zh) * | 2019-01-25 | 2020-04-17 | 电子科技大学 | 基于深度强化学习的无人机网络多用户接入控制方法 |
-
2020
- 2020-06-08 CN CN202010510635.1A patent/CN111884740B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108712747A (zh) * | 2018-03-29 | 2018-10-26 | 中国人民解放军陆军工程大学 | 一种基于频谱预测的链路快速建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111884740A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111884740B (zh) | 基于频谱认知的无人机信道优化分配方法和*** | |
Lee et al. | PERCEIVE: Deep learning-based cellular uplink prediction using real-time scheduling patterns | |
CN110839184B (zh) | 基于流量预测的移动前传光网络带宽调整方法及装置 | |
CN106412927B (zh) | 协同传输能量收集认知无线电网络最佳资源分配方法 | |
CN110839075A (zh) | 边缘计算环境下基于粒子群的服务迁移方法 | |
KR101935782B1 (ko) | 다중 셀룰러 네트워크에서 신호의 송수신 방법 및 장치 | |
CN108696325B (zh) | 测控通信链路接入信道决策方法 | |
CN110650487B (zh) | 基于数据隐私保护的物联网边缘计算配置方法 | |
Sansoy et al. | Spectrum sensing algorithms in Cognitive Radio: A survey | |
CN112291495B (zh) | 一种基于强化学习的无线视频低时延抗干扰传输方法 | |
CN113922899A (zh) | 基于神经网络和Welch变换的频谱感知接入方法 | |
KR20230131923A (ko) | 센싱 및 조인트 센싱 및 통신 애플리케이션을 위한적응형 프레임 선택 | |
CN113301654B (zh) | 基于半监督学习算法的无人机通信频段分配***及方法 | |
WO2021177736A1 (en) | Improvements in and relating to power saving in a telecommunication network | |
CN117114113B (zh) | 一种基于排队论的协同推理加速方法 | |
CN116567843A (zh) | 一种无线资源分配优化装置及方法 | |
Colonnese et al. | QoE-aware UAV flight path design for mobile video streaming in HetNet | |
CN106656371A (zh) | 基于接收端信噪比预测的无线速率选择方法及无线网络 | |
CN116484976A (zh) | 一种无线网络中异步联邦学习方法 | |
Martini et al. | Challenges and perspectives in neuromorphic-based visual IoT systems and networks | |
CN106788818A (zh) | 基于认知功能和传感器节点分离的crsn频谱感知方法 | |
Xin et al. | Deep learning based MAC via joint channel access and rate adaptation | |
Cho et al. | Cross-Link Channel Prediction for Massive IoT Networks | |
CN108628359A (zh) | 一种温度控制的方法、机载端和*** | |
CN117607636B (zh) | 多光谱融合的感传存算一体化高压放电检测方法 |
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 |