【技术实现步骤摘要】
本专利技术涉及无人集群领域技术，涉及机上通信网络性能评估方法，具体用于大规模无人集群的机载通信网络性能评估方法。
技术介绍
1、随着科技不断发展，无人集群在搜索与救援、物流配送等领域发挥着愈加重要的作用。无人集群在执行任务时需要实时与地面控制中心或其他设备进行通信。然而，无人机在复杂的环境中飞行时，网络通信的质量可能受到干扰、拥塞或信号弱等问题的影响，进而导致通信延迟、数据丢失或连接中断等问题，影响无人机正常任务执行。因此，有必要发展一种能够评估无人机网络通信质量的方法，以提高无人机的通信性能和稳定性。
2、目前对于机上通信网络状态的评估，主要存在层次分析法(analytic hierarchyprocess，ahp)和理想点法，层次分析法是利用多准则决策的定量分析方法，将目标拆分成不同的准则和子准则，形成层次结构。对每层中的准则，使用两两比较的方式确定它们之间的相对重要性，比较方式使用专家判断或者问卷调查等方式进行，采用尺度表达两个准则之间的相对重要程度，得出相对权重和综合评价。理想点法是一种常用的多目标优化方法，确定性能指标和指标的理想状态，将指标进行归一化，通过计算每个性能指标和理想点的距离，确定和理想状态的偏离程度，进而利用矩阵计算加权求和对网络性能进行综合评价。上述两种方法的评估结果取决于专家的判断和数据质量，并且过度依赖评估指标的定量化分析，不具有灵活性。
3、目前利用神经网络对机动通信系统效能评估方面的手段研究还比较欠缺，但存在着利用模糊神经网络、bp神经网络、运用anp和云模型等对军事通信
技术实现思路
1、专利技术要解决的技术问题是提供一种基于神经网络的无人集群通信网络性能评估方法，具体包括下列步骤：
2、步骤101，选取评估指标；
3、所构建的评估指标包括：数据传输速率、信息更新率、丢包率、通信误码率和点对点链路时延，具体指标的解释和计算方法如下；
4、(1)数据传输速率
5、数据传输速率是指单位时间内传输的数据量，数据传输速率rdata计算公式如下：
6、
7、其中，btotal表示传输时间内所传输的数据的总字节数，ttotal代表数据传输时间；
8、(2)信息更新率
9、信息更新率即每秒更新的数据包的个数，用rupdate表示，计算公式如下：
10、
11、其中，npack表示接收的数据包个数，tupdate表示更新时间；
12、(3)通信误码率
13、通信误码率用ber表示；
14、
15、其中，bytewrong表示测试时间内接收到的数据包内错误的字节数，bytetrans表示测试时间内发出的数据包字节位数；
16、(4)丢包率
17、丢包率用rloss表示；
18、
19、其中，ntrans表示发送的数据包数量，nrec表示接收到的数据包数量；
20、(5)点对点链路时延
21、信息从源头到接收点的传输时间用rt表示；
22、rt＝trec-ttrans (5)
23、其中，trec表示接收方接收时间，ttrans表示发送方发送时间；
24、步骤102，确定各评估指标权重；
25、给定rdata、rupdate、ber、rloss、rt这五个指标对应的权重ω分别为0.3、0.1、0.2、0.2和0.2，权重和为1；
26、步骤103，标准化各指标值；
27、将数据传输速率、信息更新率、通信误码率、丢包率和点对点链路时延这五个指标归一化；正向指标使用如下公式进行标准化，用xr表示归一化后的数据：
28、
29、其中，x表示指标实际值，xmax表示数据最大值，xmin表示数据最小值。
30、负向指标使用如下公式进行标准化，用xl表示：
31、
32、步骤104，构建输出网络评分；
33、网络评分通过公式(8)计算得到，设总共有n个指标，加权和用xsum表示；
34、
35、其中，xr/l表示标准化指标，表示第i个标准化指标，ωi代表第i个指标的权重；对于已有的数据集，利用公式(8)构建其理论分数，即标签；假设加权和等形式的数据标签的最大值为summaxweighted，通过公式(9)得到数据集的分数，用gn表示：
36、
37、步骤105，样本划分；
38、在后续的模型训练中，需要将样本集s中一部分数据作为训练集，其余数据作为测试集，在网络训练学习阶段，初始化网络的权值参数，将训练集数据输入到网络中进行训练，直至达到目标要求或是训练完所有样本；
39、通过采集无人机群通信网络的各个指标，采用步骤103和104中的方法对数据进行标准化，并得到标签，作为其理论分数，构成样本集s；样本集s中第i条数据形式为；
40、
41、其中，beri,rti,分别表示样本集中第i条样本数据的数据传输速率、信息更新率、通信误码率、丢包率、点对点链路时延和与其标签值。
42、在本专利技术的一个实施例中，步骤103中，正向指标包括rdata、rupdate，负向指标包括丢包率、通信误码率和点对点链路时延。
43、在本专利技术的另一个实施例中，步骤104中，所采用的权重系数，得到的标签值在0到1之间，在实际应用中如果改变了权重，或者采用人工评分作为数据标签，标签值可能大于1，需要对理论分数进行缩放，以确保评分在100分以内。
44、在本专利技术的一个具体实施例中，步骤105中，将s中70％的数据作为训练集，其余30％的数据作为测试集，
45、在本专利技术的又一个实施例中，神经网络结构设计具体包括下列步骤：
46、步骤201，输入层设计；
47、输入层神经元个数为5，对应无人集群通信网络的五个指标：数据传输速率，信息更新率，通信误码率，通信丢包率，点对点链路时延；
48、步骤202，隐藏层设计；
49、隐藏层是位于输入层和输出层之间的一层或多层，隐藏层由10个神经元构成，各层神经元之间采用全连接方式进行连接；
50、在隐藏层的设计中激活函数、优化器的选择也决定着神经网络的性能；激活函数选择relu；定义损失函数用于衡量模型的预测输出与真实标签之间的差异，损失函数定义如下：
51、
52、其中，n表示用于训练的数据集样本量，表示模型的预测值，即数据集内网络评分真实值，y表示标签类真本文档来自技高网...
【技术保护点】
1.一种基于神经网络的无人集群通信网络性能评估方法，其特征在于，具体包括下列步骤：
2.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，步骤103中，正向指标包括Rdata、Rupdate，负向指标包括丢包率、通信误码率和点对点链路时延。
3.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，步骤104中，所采用的权重系数，得到的标签值在0到1之间，在实际应用中如果改变了权重，或者采用人工评分作为数据标签，标签值可能大于1，需要对理论分数进行缩放，以确保评分在100分以内。
4.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，步骤105中，将S中70％的数据作为训练集，其余30％的数据作为测试集。
5.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，神经网络结构设计具体包括下列步骤：
6.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，神经网络训练和使用具体包括下列步骤：
【技术特征摘要】
1.一种基于神经网络的无人集群通信网络性能评估方法，其特征在于，具体包括下列步骤：
2.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，步骤103中，正向指标包括rdata、rupdate，负向指标包括丢包率、通信误码率和点对点链路时延。
3.如权利要求1所述的基于神经网络的无人集群通信网络性能评估方法，其特征在于，步骤104中，所采用的权重系数，得到的标签值在0到1之间，在实际应用中如果改变了权重，或者采用人工评分作为数据标签，标...
【专利技术属性】
技术研发人员：林晋福，王鹏，武晨，朱玉，张佳强，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
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。