基于深度学习的无人机与D2D异构网络功率分配方法组成比例

本发明专利技术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。本发明专利技术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。机与D2D异构网络全局传输速率最大化。机与D2D异构网络全局传输速率最大化。

【技术实现步骤摘要】
基于深度学习的无人机与D2D异构网络功率分配方法


[0001]本专利技术涉及无线通信网络
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]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，本专利技术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：
[0007]本专利技术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：
[0008]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；
[0009]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；
[0010]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。
[0011]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：
[0012]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。
[0013]进一步的，所述生成训练集和测试集，包括：
[0014]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。
[0015]进一步的，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：
[0016]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。
[0017]进一步的，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：
[0018][0019][0020]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。
[0021]进一步的，所述过时干扰信息的提取过程为：
[0022]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：
[0023][0024]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。
[0025]进一步的，所述深度学习模型的训练过程包括：
[0026]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。
[0027]进一步的，所述损失函数为：
[0028][0029]其中，表示损失函数，W表示图卷积神经网络的参数，θ表示循环神经网络参数，E
H
[]表示计算括号内公式的期望；B表示通信带宽，表示t时刻下无人机下行链路的信道响应，表示t时刻下无人机的发射功率，表示t时刻下D2D通信链路对无人机下行链路用户的干扰链路的信道响应，表示t时刻下第m个D2D用户对的发射功率，表示环境噪声，m表示D2D用户对的序号；表示t时刻下D2D通信链路的信道响应，表示t时刻下D2D用户对之间的干扰链路的信道响应，表示t时刻下第n个D2D用户对的发射功率，表示t时刻下无人机对D2D的干扰链路的本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：被写为：其中，表示t
‑
1时刻...

【专利技术属性】
技术研发人员：赵龑骧，陈港，胡萍，杜晓玉，韩志杰，
申请(专利权)人：河南大学，
类型：发明
国别省市：