[发明专利]一种基于深度神经网络的无人机通信资源分配方法

说明书

本发明提出一种基于深度神经网络的无人机通信资源分配方法，构建网络模型，添加约束条件并确定目标函数后，通过k‑means聚类算法和近似最优算法来实现子信道的分配，之后通过ADMM来实现功率的分配，并用DNN来优化这个过程，子信道分配部分拥有较好的性能和较快的收敛速度，通过DNN优化后的功率分配部分可以较好地拟合ADMM的计算过程，并且实现更高效的功率分配。

技术领域

本发明属于无人机通信领域，特别涉及一种基于深度神经网络的无人机通信网络资源分配方法。

背景技术

近年来，无人飞行器(UAV)由于其机动性、灵活的轨迹控制、以及可以为通信基础设施缺失区域提供覆盖连接等优点而被应用到了许多领域。可以通过建立视距(LoS)链接来快速有效地部署无人飞行器，以支持现有的蜂窝网络并增强地面用户的服务质量(QoS)。无人机体积小巧，可靠性高，易用性强，传输距离远同时具有高移动性，成本低，部署易于实现的优点。UAV将在下一代网络通信中发挥重要作用。以无人机为飞行基站(BS)的无人机辅助无线系统可以根据用户的分布，通过调整无人机在3D空间中的位置，通信过程中要求调整其位置与移动模式，从而与地面移动用户建立更好的无线连接。它们还作为空中中继器，将盲区用户与地面BS连接起来并扩大通信范围。UAV基站已有投入灾区救援使用的实例，同时也有UAV基站控制车辆之间的通信，UAV基站还有更多潜力值得挖掘。

非正交多址接入(NOMA)已被认为是下一代移动通信的一项重要技术。在NOMA中，利用远近效应所引起的用户信道状况的差异提高系统性能。具体地，在强用户的消息被解码之前，在具有更好的信道条件的用户(强用户)处采用连续干扰消除(SIC)，以去除针对具有弱信道条件的其他用户(弱用户)的消息。目前已有学者提出了无人飞行器(UAV)通信中应用NOMA中的一种框架，其中多个UAV充当了服务于地面NOMA用户的新空中通信平台。此外，有些学者提出了基于NOMA的地面用户和空中UAV中继通信方式，其中UAV充当解码转发(DF)中继以扩展源的覆盖范围，无人机与NOMA技术的结合将带来可预见的收益。

利用无人机部署，进行无线信号传输，以覆盖无网络区域的通信方式对军事、抢险救灾等活动具有重要意义，但受限于其网络容量和传输效率，其性能和地面中继站存在较大差距。

很多学者对提高现有无线网络容量和覆盖问题展开了大量研究，也形成了一些有效的提升方法：例如一种具有连续MBS放置的多项式时间算法，其中MBS沿着朝向中心的螺旋路径从未覆盖的地面终端(GT)的区域周边开始顺序放置，直到覆盖所有GT，最大限度地减少为一组分布式GT提供无线覆盖所需的MBS数量，确保每个GT都在至少一个MBS的通信范围内；此外，还有学者提出UAV的下行链路覆盖概率作为高度和天线增益的函数，并使用圆形填充理论，以使得总覆盖区域最大化的同时，最大化UAV的覆盖寿命，进而计算确定UAV的3-D位置；与此同时，还有学者提出通过与无人机的轨迹和功率控制，同时优化多用户通信调度和关联，最大化下行链路通信中所有地面用户的最小吞吐量，并提出了一种有效的迭代算法，通过应用块坐标下降和连续凸优化技术来实现：具体地，在每次迭代中交替优化用户调度和关联UAV轨迹和发射功率。

综上，利用UAV通信目前面临的挑战在于提高传输效率，本发明从子信道分配和功率分配两个方面对无人机和用户的连接能量效率进行最大化设计了算法。

发明内容

针对上述问题，本发明提出一种无人机资源分配方法；是通过以下步骤实现的(步骤概述，详细内容具体见实施方式)：

步骤1：构建网络模型；

步骤11：模型条件限制、概况确定和无人机距离求解；

步骤12：构建信道模型和干扰模型；

步骤2：确定目标函数；而后对目标函数进行条件约束；

步骤21：功率约束；

步骤22：接入限制约束；