构建基于无人机基站(Unmanned Aerial Vehicle Base Station, UBS)的空地网络是解决移动通信网络覆盖等问题的重要途径。区别于地面移动通信网络,空地网络需要对UBS位置和用户关联进行联合优化。针对上述问题,首先通过构建二进制无线电...构建基于无人机基站(Unmanned Aerial Vehicle Base Station, UBS)的空地网络是解决移动通信网络覆盖等问题的重要途径。区别于地面移动通信网络,空地网络需要对UBS位置和用户关联进行联合优化。针对上述问题,首先通过构建二进制无线电地图(Binary Radio Map, BRM)使得UBS能够有效获取整个任务区域中用户位置关联的信道知识,在此基础上提出基于BRM的离线多UBS部署与用户关联联合规划方法。该方法以最大化网络效用函数为目标,通过互嵌套的启发式UBS部署位置搜索和基于匹配博弈的UBS-用户匹配实现UBS位置和用户关联的离线优化。在复杂城市环境下,相比于参考方案,所提方法可使得用户和速率性能提升10%~40%。展开更多
在无人机的个体识别中,针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题,提出基于轻量级残差网络(scale down resnet,SDRNet)的无人机个体识别方法。首先,通过短时傅里叶变换(short...在无人机的个体识别中,针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题,提出基于轻量级残差网络(scale down resnet,SDRNet)的无人机个体识别方法。首先,通过短时傅里叶变换(short time fourier transform,STFT)把一维时域信号转为二维时频图像,并对图像进行灰度处理。其次,网络基于MobileNetv2,结合无人机个体信号的时频图像特征,通过缩减网络层数以降低模型深度,通过减少输出通道数以降低模型维度;借鉴ResNet残差结构的设计思想,通过增加卷积层的残差连接以实现更多不同深度网络的集成,设计出轻量级残差网络SDRNet模型。最后,利用STFT时频灰度图作为样本对SDRNet模型进行训练,实现对无人机个体的识别。仿真实验采用公开的6架悬停无人机的信号、在AWGN高斯白噪声信道环境下进行。实验结果表明,所提方法在信噪比SNR=10 dB的环境下对无人机个体信号的平均识别率为94.00%,分别高于MobileNetv2、GoogleNet模型的0.17%、5.17%,低于ResNet模型2.50%;所设计的SDRNet模型的可学习参数量、模型规模、乘加计算量约为基础轻量级MobileNetv2模型的19.5%、19.6%、35.9%。相较于基于MobileNetv2、GoogleNet、ResNet等神经网络模型方法相比,所提方法在保持较高识别准确率的同时,具有更快的识别速度和更小的内存开销。展开更多
文摘构建基于无人机基站(Unmanned Aerial Vehicle Base Station, UBS)的空地网络是解决移动通信网络覆盖等问题的重要途径。区别于地面移动通信网络,空地网络需要对UBS位置和用户关联进行联合优化。针对上述问题,首先通过构建二进制无线电地图(Binary Radio Map, BRM)使得UBS能够有效获取整个任务区域中用户位置关联的信道知识,在此基础上提出基于BRM的离线多UBS部署与用户关联联合规划方法。该方法以最大化网络效用函数为目标,通过互嵌套的启发式UBS部署位置搜索和基于匹配博弈的UBS-用户匹配实现UBS位置和用户关联的离线优化。在复杂城市环境下,相比于参考方案,所提方法可使得用户和速率性能提升10%~40%。
文摘在无人机的个体识别中,针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题,提出基于轻量级残差网络(scale down resnet,SDRNet)的无人机个体识别方法。首先,通过短时傅里叶变换(short time fourier transform,STFT)把一维时域信号转为二维时频图像,并对图像进行灰度处理。其次,网络基于MobileNetv2,结合无人机个体信号的时频图像特征,通过缩减网络层数以降低模型深度,通过减少输出通道数以降低模型维度;借鉴ResNet残差结构的设计思想,通过增加卷积层的残差连接以实现更多不同深度网络的集成,设计出轻量级残差网络SDRNet模型。最后,利用STFT时频灰度图作为样本对SDRNet模型进行训练,实现对无人机个体的识别。仿真实验采用公开的6架悬停无人机的信号、在AWGN高斯白噪声信道环境下进行。实验结果表明,所提方法在信噪比SNR=10 dB的环境下对无人机个体信号的平均识别率为94.00%,分别高于MobileNetv2、GoogleNet模型的0.17%、5.17%,低于ResNet模型2.50%;所设计的SDRNet模型的可学习参数量、模型规模、乘加计算量约为基础轻量级MobileNetv2模型的19.5%、19.6%、35.9%。相较于基于MobileNetv2、GoogleNet、ResNet等神经网络模型方法相比,所提方法在保持较高识别准确率的同时,具有更快的识别速度和更小的内存开销。
