[发明专利]基于深度学习的无人机与D2D异构网络功率分配方法

权利要求书

1.基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，该方法包括以下步骤：

在目标区域生成M个D2D用户对、K个无人机和K个无人机下行链路用户，基于D2D用户对、无人机和无人机下行链路用户之间的信道响应构建无人机与D2D异构网络，并生成训练集和测试集；其中M和K均为正整数；

将训练集和测试集内的无人机与D2D异构网络分别建模为图，并将训练集内无人机与D2D异构网络建模得到的图模型输入图卷积神经网络，提取过时干扰信息；将提取的过时干扰信息输入到循环神经网络中，输出实时发射功率；

构建效用函数的负期望作为损失函数，使用梯度下降算法优化神经网络的权重，以无监督的方式训练深度学习模型，利用训练完成的深度学习模型获取实时的功率分配策略。

2.根据权利要求1所述的基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，所述基于D2D用户对、无人机和无人机下行链路用户之间的信道响应构建无人机与D2D异构网络，包括：

每个D2D用户对都有一个发射机T_m和一个接收机R_m；D2D通信链路和无人机下行链路都使用相同的频谱资源B；无人机的过时发射功率为D2D用户对的过时发射功率为计算过时信道响应：D2D通信链路的过时信道响应为无人机下行链路的过时信道响应为无人机对D2D的干扰链路的过时信道响应为D2D用户对无人机下行链路用户的干扰链路的过时信道响应为以及D2D用户对之间的干扰链路的过时信道响应为其中t代表时刻。

3.根据权利要求1所述的基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，所述生成训练集和测试集，包括：

生成第一预设数量的无人机与D2D异构网络作为训练集；生成第二预设数量的无人机与D2D异构网络，并运行FP算法为第二预设数量的无人机与D2D异构网络生成最优和速率标签，以第二预设数量的无人机与D2D异构网络以及对应的最优和速率标签作为测试集；所述第一预设数量大于所述第二预设数量。

4.根据权利要求1所述的基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，所述将训练集和测试集内的无人机与D2D异构网络建模为图，包括：

在训练集或者测试集中，将无人机与D2D异构网络中的每个D2D通信链路以及无人机下行链路看作顶点，所有干扰链路作为图的边，将无人机与D2D异构网络建模为图。

5.根据权利要求1所述的基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，所述图卷积神经网络模型由边更新函数φ和顶点更新函数组成，边更新函数φ和节点更新函数被写为：

其中，表示t-1时刻第l层网络中图模型的边特征，l为图卷积网络的层数；表示t-1时刻l-1层网络中节点j的邻居节点的特征；表示t-1时刻初始化的边特征；表示t-1时刻第l层网络中更新之后的节点特征；表示t-1时刻l-1层网络中节点i的节点特征；N_i表示节点i的邻居节点集合；φ为边更新函数，用于传递邻居节点信息和边信息；为节点更新函数，根据邻居节点传递来的信息更新当前节点信息。

6.根据权利要求5所述的基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，所述过时干扰信息的提取过程为：

经过所述图卷积神经网络模型L层的迭代，提取t时刻节点i周围的过时干扰信息：

其中，表示t时刻的已经嵌入过时干扰信息的链路特征，表示t-1时刻L层网络中节点i的节点特征。

7.根据权利要求1所述的基于深度学习的无人机与D2D异构网络功率分配方法，其特征在于，所述深度学习模型的训练过程包括：

设置迭代次数，每预设次数迭代保存一次训练模型，输入测试集验证，合格后获得训练完成的深度学习模型。