【技术实现步骤摘要】
本专利技术涉及大规模mimo通信,，具体涉及一种基于深度强化学习的无人机辅助mimo通信系统高效传输方法。
技术介绍
1、mimo通信系统是一种利用多个天线进行信号传输和接收的技术。通过利用空间多样性，mimo系统可以提高通信系统的数据传输速率和可靠性。无人机作为一种新兴的通信平台，可以利用其灵活性和高空飞行的特点，为mimo通信系统提供更好的传输环境。研究人员通过设计适合于无人机通信的mimo算法和协议，提高了通信系统的性能。同时，他们还研究了无人机的飞行轨迹规划、功率控制和资源分配等问题，以优化通信系统的性能。另外，无人机辅助mimo通信系统还可以应用于各种场景，如紧急救援、灾难管理、农业监测等。研究人员正在不断探索无人机在mimo通信系统中的应用，以满足不同场景下的通信需求。
2、然而，无人机辅助mimo通信系统在研究和应用中仍然存在一些问题和挑战。首先，由于无人机飞行轨迹对该系统性能有着重要的影响，如何设计无人机的位置和飞行路线关乎通信覆盖范围和通信质量，是一个重要的问题。其次，在mimo通信系统中，波束赋形是一项重要的信号处理技术，该技术通过调整相位阵列单元的基本参数来增强信号的方向性和增益，是提高频谱效率的重要手段。目前研究人员已经提出了各种波束赋形算法用于波束优化和定向传输。近年来，深度学习技术在通信领域得到广泛应用，研究人员也开始探索将深度学习引入波束赋形中，以提高系统性能和适应性。
3、总之，为了提高无人机辅助mimo通信系统的整体性能，需要对该系统几个核心方面进行进一步研究。其中，无人
技术实现思路
1、为解决上述问题，本专利技术在公开了基于深度强化学习的无人机辅助mimo通信系统高效传输方法。该方案首先提出了一个基于强化学习的pso算法训练方案，然后通过将rlpso算法嵌入ppo算法的训练过程中，同时结合一种避障方案，实现了提高频谱效率的同时减少了无人机的飞行时间。
2、为达到上述目的，本专利技术的技术方案如下：
3、基于深度强化学习的无人机辅助mimo通信系统高效传输方法，包括以下步骤：
4、s1：设计无人机辅助的大规模mimo通信系统；
5、s2：设计改进的粒子群优化(pso)算法并引入敏感粒子(sp)结构；
6、s3：基于改进的pso算法获得波束成形和功率分配矩阵；
7、s4：设计无人机导航避障方案；
8、s5：设计马尔可夫决策过程(mdp)求解最优策略；
9、设计无人机辅助mimo通信系统，主要分为环境设计、通讯模型两大部分，具体做法为：
10、该系统包含一架无人机与若干用户终端，用户终端被分为多组，分别部署在不同通信区域中，系统设定具体如下：无人机的飞行高度固定为h，环境中布置了若干障碍物，且设定无人机飞行高度小于所有障碍物高度，用户终端可在地面特定范围内随机移动。
11、通讯模型定义以下参数：在环境中将用户分为s组，每组包含k个用户，无人机的坐标在时间步t表示为其中，无人机的发射端部署m根天线，用户接收端部署n根天线，第s组中第k个用户的坐标定义为时间步t时无人机到组s中用户k的距离由下式给出：
12、
13、在可通信范围内，无人机在每个时间步t向关联用户终端发射信号，其中信道主要以los信道为主。由于用户配置了多个天线，表示第s组中第k个用户在时间步t的信道矩阵，具体表示为：
14、
15、β0表示单位参考距离上的信道功率增益，α代表路径损耗因子。auav(θs,k),aur(φs,k)分别是无人机和用户的天线阵列响应向量,其中θs,k和φs,k分别表示无人机的到达角和出发角。具体可由下面公式表示：
16、
17、其中，λ是传输信号的波长，相邻天线元件之间的距离用表示。
18、如果用户满足距离约束，则第s组中的第k个用户在t时刻的接收信号定义如下:
19、
20、f＝[f1,f2,…,fn]∈m×n代表了波束赋形矩阵，代表了功率分配矩阵。s＝[s1,s2,…,sn]t代表传输的信号特征，代表噪声向量。因此，组s中的用户k在时间步t的信号接收能量可表示为：
21、
22、假设满足s组中用户k信号接收标准所需的时间步长记为t，则在t时间步长内从s组中第k个用户到无人机的单位时间信号接收能量为：
23、
24、在本专利技术中，传统的pso算法面临着在动态环境中根据先前环境寻找函数最优值的问题。为了解决这个问题，通过引入自适应参数调整方法和设置sp结构来改进传统的pso算法。设置sp结构是为了感知动态环境的变化并做出相应的反应。当环境发生重大变化时，粒子需要更新，以避免陷入之前环境的最优解。当环境未发生变化或变化很小时，则无需更新。
25、具体方法是在pso算法的初始化阶段随机初始化与普通粒子数量相同的sp。由于需要连续求解动态环境，因此在每次pso算法迭代之前都要计算所有sp的适应度值，如果适应度值变化较大，则认为环境发生了变化。应对措施是按一定比例重新初始化普通粒子。
26、与传统的pso方法类似，粒子相关参数的更新既受粒子自身先前最佳位置的影响，也受整个蜂群中粒子最佳位置的影响。位置和速度是粒子的核心属性。第i个粒子的位置x和速度v如下所示：
27、
28、其中，i∈(1,2,…,g)代表粒子数，d是求解空间的维度。随着优化的进行，两个核心参数会根据下式更新：
29、vi(t+1)＝ωvi(t)+c1r1[pbest-xi(t)]+c2r2[gbest-xi(t)]
30、xi(t+1)＝xi(t)+xi(t+1)
31、其中，pbest代表每个粒子的最优位置，gbest代表全局的粒子最优位置。
32、本专利技术所考虑的系统，波束赋形矩阵f是根据矩阵w设计的，其中w是傅里叶变换矩阵(dft)，其构造如下：
33、
34、矩阵f由矩阵w的子列组成，其第n列可表示为：
35、
36、其中，fn表示矩阵f的第n列，代表矩阵w的第ηn列，为了从矩阵w中选择波束赋形矩阵f，定义解空间为其中k＝1,2,…,k。至于用户终端的功率分配，每个用户终端的功率从集合中选择，其中pmax代表最大功率。因此，对角阵p代表功率分配矩阵。因此，功率分配的解空间为{η1,η2,…,ηn}。系统模型需要定义为pso算法的可优化模型。将联合波束成形和功率分配的解空间定义为粒子的位置，表示为：
37、
38、将适应度定义为与无人机相关联的用户接收的信号能量之和，该方法可以使无人机在各个位置有效的计算出该位置的最佳通信策略。
39、在避障方面，在无人机周围，部署了s的距离传感器[d1,d2,…本文档来自技高网...
【技术保护点】
1.基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：所述步骤S1中无人机辅助的大规模MIMO通信系统，分为环境设计、通讯模型两部分：
3.据权利要求2所述的基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：
4.根据权利要求2所述的基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：所述步骤S2具体为：
5.根据权利要求2所述的基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：所述步骤S3具体为：
6.根据权利要求1所述的基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：所述步骤S4具体为，在无人机周围，部署了s的距离传感器[d1,d2,…,ds]，并设定避障阈值τ；一旦检测到附近有障碍物，s距离传感器就会勘测周围环境，将目标区域的距离和角度信息传送给无人机；然后，无人机识别出相对于目标点方向具有最小角度η的距离传
7.根据权利要求1所述的基于深度强化学习的无人机辅助MIMO通信系统高效传输方法，其特征在于：所述步骤S5具体为：
...【技术特征摘要】
1.基于深度强化学习的无人机辅助mimo通信系统高效传输方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度强化学习的无人机辅助mimo通信系统高效传输方法，其特征在于：所述步骤s1中无人机辅助的大规模mimo通信系统，分为环境设计、通讯模型两部分：
3.据权利要求2所述的基于深度强化学习的无人机辅助mimo通信系统高效传输方法，其特征在于：
4.根据权利要求2所述的基于深度强化学习的无人机辅助mimo通信系统高效传输方法，其特征在于：所述步骤s2具体为：
5.根据权利要求2所述的基于深度强化学习的无人机辅助mimo通信系统高效传输方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。