[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

说明书

本发明涉及无线通信网络技术领域，具体涉及一种基于深度学习的无人机与D2D异构网络功率分配方法，该方法在目标区域基于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；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，并输入到循环神经网络中，输出实时发射功率；利用训练完成的深度学习模型获取实时的功率分配策略。本发明能够在异构环境中实时提供性能好复杂度低且可靠的功率分配，实现无人机与D2D异构网络全局传输速率最大化。

技术领域

本发明涉及无线通信网络技术领域，具体涉及一种基于深度学习的无人机与D2D异构网络功率分配方法。

背景技术

由于快速灵活的部署特点，无人机(UAV)已引起学术界和各行业的广泛关注。在过去的几年中，无人机已广泛应用于军事行动、地球和环境监测、灾害管理、精准农业、智能监控等。在通信领域，无人机被认为是未来无线网络技术的重要组成部分，它将扩大网络覆盖范围，提高部署灵活性，提高系统吞吐量。与位置预先确定且固定的地面基站相比，无人机可以自适应地控制其位置，以灵活且低成本的方式根据需要对按需服务请求做出反应。

尽管无人机在许多领域前景广阔，如上述领域，但必须认真处理一些关键问题，以有效地使用它们在未来实现无缝连接和超可靠通信。其中，用于传感和通信的UAV轨道设计和位置部署是两个受到极大关注的重要问题。轨迹设计主要针对始终在移动的固定翼无人机，而位置部署主要针对相对静止的旋转翼无人机。对于相对静止的无人机，它可以始终基于预先设计的优化算法来设置位置。在准静态通道假设下，这种离线设计方法在一定程度上是有效的，但实际上，这种方法存在计算复杂、实时性差、不现实的缺陷。一旦环境发生变化，很难保证无人机可以实现可靠的通信和覆盖。

D2D(Device to Device)技术使得一定距离范围内的用户通信设备可以直接通信，是增加传输范围和吞吐量的有效途径。由于UAV与地面用户之间的信道通常被假定为视线(LoS)信道，UAV到地面通信与D2D通信之间会造成严重干扰，从而影响系统性能，因此需要合理分配无人机和D2D的功率，降低UAV与D2D之间的干扰，以提高UAV通信与地面D2D通信相结合的网络的系统吞吐量。

近年来，凸优化、博弈论、深度强化学习等方法可以在变化的网络环境中有效获取最优的功率分配，提升无人机与D2D异构网络的全局传输速率。但是，这些方法都是基于实时的信道信息实现的。在实际的系统中，收集实时的信道信息是非常困难的，这些方法很难推广到实际环境中，导致无人机与D2D异构网络的功率分配不合理，D2D与无人机混合通信环境中D2D通信链路与D2D通信链路、D2D通信链路与无人下行链路之间同频干扰严重。

发明内容

为了解决D2D与无人机混合通信环境中D2D通信链路与D2D通信链路、D2D通信链路与无人下行链路之间同频干扰严重的技术问题，本发明提供一种基于深度学习的无人机与D2D异构网络功率分配方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于深度学习的无人机与D2D异构网络功率分配方法，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。

进一步的，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：