无人机通信系统及基于神经网络的资源分配策略预测方法与流程

1.本发明属于无人机无线通信基站和用户通信技术领域，尤其是涉及一种无人机通信系统及基于神经网络的资源分配策略预测方法。


背景技术：

2.在当前5g移动通信中，无人机搭载无线通信基站作为空中接入节点辅助地面通信成为一种有前途的解决方案，因此，对无人机无线通信基站进行有效的功率和带宽资源分配，以在有限的通信资源条件下提升通信系统性能。因此，需要对无人机基站通信资源动态分配策略进行预测优化，确保提升通信系统性能。
3.现有的无人机无线通信基站一般为固定的通信资源分配，并未从无人机无线通信基站和多个用户层面去进行研究。因此，现如今缺少一种基于神经网络的资源分配策略预测方法，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于神经网络的资源分配策略预测方法，其方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
5.为解决上述技术问题，本发明采用的技术方案是：一种基于神经网络的资源分配策略预测方法，其特征在于，该方法包括以下步骤：
6.步骤一、无人机无线通信基站和用户下行传输系统的搭建：
7.步骤101、设定地面区域中存在n个用户；
8.步骤102、设定在地面区域的上空存在无人机，在无人机上搭建无线通信基站，并记作无人机无线通信基站；其中，无人机无线通信基站相对地面区域的高度为h；
9.步骤二、无人机无线通信基站和用户位置的获取：
10.步骤201、建立三维直角位置坐标系oxyz；其中，oxy平面和地面区域重合，oz轴垂直地面区域指向天；
11.步骤202、在三维直角位置坐标系oxyz下，获取第t个时刻第n个用户的位置坐标其中，n和n均为正整数，且1≤n≤n，地面区域位于oxy平面的第一象限，且原点o和地面区域的左下角重合，t为正整数；
12.步骤203、在三维直角位置坐标系oxyz下，获取第t个时刻无人机无线通信基站的位置坐标uu(t)；
13.步骤204、根据第t个时刻第n个用户的位置坐标和第t个时刻无人机无线通信基站的位置坐标uu(t)，获取第t个时刻无人机无线通信基站到用户n的直线距离dn(t)；
14.步骤三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重：
15.步骤301、在第t个时刻时，设定无人机无线通信基站的各个通信资源分配策略；其中，第t个时刻时无人机无线通信基站的通信资源分配策略的总数为i个，第t个时刻时第i个通信资源分配策略包括第t个时刻时第i个通信资源分配策略中无人机无线通信基站对用户n的发射功率pn(i,t)和第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配bn(i,t)；
16.步骤302、确定无人机无线通信基站的各个通信资源分配策略对应的评价指标为通信系统的公平指数和用户数据传输的吞吐量；
17.步骤303、采用计算机建立评价指标判断矩阵a，则评价指标判断矩阵a为其中，a
11
＝a
12
＝1，a
12
和a
21
互为倒数，且a
12
表示通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度，a
21
表示用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度；
18.步骤304、采用计算机获取判断矩阵a的最大特征值所对应的归一化特征向量为权重向量w＝(w1,w2)
t
，则w1为通信资源分配策对应的通信系统的公平指数评价指标的权重，则w2为通信资源分配策对应的用户数据传输的吞吐量评价指标的权重；
19.步骤四、无人机无线通信基站的最优通信资源分配策略的获取：
20.步骤401、采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量；
21.步骤402、采用计算机从各个通信资源分配策略下对应的各个通信系统的公平指数和用户数据传输的吞吐量，得到各个通信系统的公平指数和用户数据传输的吞吐量的最优值，并将通信系统的公平指数的最优值记作y
01
，用户数据传输的吞吐量的最优值记作y
02
；
22.步骤403、采用计算机根据公式得到第i个通信资源分配策略下通信系统的公平指数的无量纲值x
i1
；采用计算机根据公式得到第i个通信资源分配策略下用户数据传输的吞吐量的无量纲值x
i2
；其中，i为正整数，且1≤i≤i，y
i1
表示第t个时刻第i个通信资源分配策略下通信系统的公平指数，y
i2
表示第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量；
23.步骤404、采用计算机构造评价指标数据矩阵
24.步骤405、采用计算机根据公式得到第i个通信资源分配策略下通信系统的公平指数评价指标对于通信系统的公平指数的最优值的灰色关联度r
i1
；其中，ζ表示分辨系数，且0＜ζ＜1；
25.采用计算机根据公式得到第i个通信资源分配策略下用户数据传输的吞吐量评价指标对于用户数据传输的吞吐量的最优值的灰色关联度r
i2
；
26.步骤406、采用计算机根据第i个通信资源分配策略下r
i1
和r
i2
，得到评价矩阵r，如下式：
27.步骤407、采用计算机根据公式g＝w
t
×rt
，得到灰色关联度向量g，采用计算机设定灰色关联度向量g为g＝(g1,g2,...gi,...gi)，且gi＝w1×ri1
+w2×ri2
，gi表示第t个时刻第i个通信资源分配策略与评价指标最优值的灰色关联度，并将g1,g2,...gi,...gi按照从小到大顺序进行排序，则g
max
所对应的通信资源分配策略为第t个时刻的最优通信资源分配策略；其中，t表示转置；
28.步骤五、训练数据的获取：
29.在无人机无线通信基站和n个用户移动过程中，获取第t个时刻n个用户的位置坐标、无人机无线通信基站的位置坐标以及第t个时刻最优通信资源分配策略；其中，t表示时刻总数，t为正整数，且1≤t≤t,t不小于100；
30.步骤六、lstm神经网络模型的建立及训练：
31.步骤601、构建lstm神经网络模型；其中，lstm神经网络模型包括1个输入层、3个lstm层、1个dense层和1个输出层；其中，lstm神经网络模型中设置sigmoid激活函数和tanh激活函数，输入层的神经元个数为n+1个，输出层的神经元个数为2n个；
32.步骤602、将步骤五中得到n个用户的位置坐标、无人机无线通信基站的位置坐标作为输入层，将t个时刻最优通信资源分配策略作为输出层，输入构建的lstm神经网络模型进行训练，得到训练好的lstm神经网络模型；
33.步骤七、无人机无线通信基站的通信资源分配策略的预测：
34.步骤701、当第t+g个时刻时，得到第t+g个时刻n个用户的位置坐标、无人机无线通信基站的位置；其中，g为正整数，且g取1,2，...；
35.步骤702、将第t+g个时刻n个用户的位置坐标、无人机无线通信基站的位置输入步骤602中训练好的lstm神经网络模型，预测得到第t+g个时刻最优通信资源分配策略。
36.上述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用
计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量，具体过程如下：
37.步骤4011、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户的los链路概率其中，a表示与环境相关的第一常数，b表示与环境相关的第二常数，dn(t)表示第t个时刻无人机无线通信基站到第n个用户的直线距离；
38.步骤4012、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户在los链路下的路径损耗其中，ξ
los
表示los链路下的附加损耗，c表示光速，fc表示信号载频；
39.步骤4013、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户在nlos链路下的路径损耗其中，ξ
nlos
表示nlos链路下的附加损耗；
40.步骤4014、采用计算机根据公式得到第t个无人机无线通信基站到第n个用户信号的路径损耗pln(t)；其中，表示第t个时刻无人机无线通信基站到第n个用户的nlos链路概率，且
41.步骤4015、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下第n个用户的信道容量cn(i,t)；其中，n0表示信道中高斯白噪声的功率谱密度；
42.步骤4016、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下无人机通信系统用户n的公平指数fn(i,t)；
43.步骤4017、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下通信系统的公平指数y
i1
；其中，y
i1
∈[0,1]。
[0044]
上述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤4011中4.88＜a＜28，0＜b＜1；
[0045]
步骤4012和步骤4013中nlos链路下的附加损耗ξ
nlos
大于los链路下的附加损耗ξ
los
，los链路下的附加损耗ξ
los
的取值范围为(0db,50db)，nlos链路下的附加损耗ξ
nlos
的取值范围为(10db,100db)。
[0046]
上述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下用户数据传输的吞吐量，具体
过程如下：
[0047]
步骤a、采用计算机根据公式得到第t个时刻无人机无线通信基站和用户n之间信道的大尺度衰落系数βn(t)；其中，β0表示无人机无线通信基站和用户距离1米时的信道增益；
[0048]
步骤b、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量y
i2
。
[0049]
同时，本发明还公开了一种设计合理的无人机通信系统，其特征在于，包括权利要求1-4中任一项权利要求所述的一种基于神经网络的资源分配策略预测方法，所述无人机通信系统包括作为无人机无线通信基站和多个用户。
[0050]
本发明与现有技术相比具有以下优点：
[0051]
1、本发明方法步骤简单、设计合理，以适应无人机无线通信基站和多用户，实现通信资源策略的预测，以使最大化通信系统吞吐量并满足资源分配的公平性。
[0052]
2、本发明所采用的方法首先是无人机无线通信基站和用户下行传输系统的搭建，之后无人机无线通信基站和用户位置的获取，接着确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重，然后是根据灰色关联度得到无人机无线通信基站的最优通信资源分配策略的获取方案；最后是训练数据的获取、lstm神经网络模型的建立及训练和无人机无线通信基站的通信资源分配策略的预测
[0053]
3、本发明通过对t个时刻n个用户的位置坐标、无人机无线通信基站的位置坐标以及t个时刻最优通信资源分配策略进行获取并进行训练，从而在t个时刻之后预测第t+g个时刻的通信资源分配策略，便于无人机和用户通信的资源优化。
[0054]
4、本发明最优通信资源分配策略训练数据获取过程中，系统评价指标考虑了通信系统的公平指数和用户数据传输的吞吐量，有效地解决通信系统的公平指数和用户数据传输的吞吐量目标权衡的设计问题。
[0055]
综上所述，本发明方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
[0056]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0057]
图1为本发明的方法流程框图。
具体实施方式
[0058]
如图1所示的一种基于神经网络的资源分配策略预测方法，包括以下步骤：
[0059]
步骤一、无人机无线通信基站和用户下行传输系统的搭建：
[0060]
步骤101、设定地面区域中存在n个用户；
[0061]
步骤102、设定在地面区域的上空存在无人机，在无人机上搭建无线通信基站，并记作无人机无线通信基站；其中，无人机无线通信基站相对地面区域的高度为h；
[0062]
步骤二、无人机无线通信基站和用户位置的获取：
[0063]
步骤201、建立三维直角位置坐标系oxyz；其中，oxy平面和地面区域重合，oz轴垂直地面区域指向天；
[0064]
步骤202、在三维直角位置坐标系oxyz下，获取第t个时刻第n个用户的位置坐标其中，n和n均为正整数，且1≤n≤n，地面区域位于oxy平面的第一象限，且原点o和地面区域的左下角重合，t为正整数；
[0065]
步骤203、在三维直角位置坐标系oxyz下，获取第t个时刻无人机无线通信基站的位置坐标uu(t)；
[0066]
步骤204、根据第t个时刻第n个用户的位置坐标和第t个时刻无人机无线通信基站的位置坐标uu(t)，获取第t个时刻无人机无线通信基站到用户n的直线距离dn(t)；
[0067]
步骤三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重：
[0068]
步骤301、在第t个时刻时，设定无人机无线通信基站的各个通信资源分配策略；其中，第t个时刻时无人机无线通信基站的通信资源分配策略的总数为i个，第t个时刻时第i个通信资源分配策略包括第t个时刻时第i个通信资源分配策略中无人机无线通信基站对用户n的发射功率pn(i,t)和第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配bn(i,t)；
[0069]
步骤302、确定无人机无线通信基站的各个通信资源分配策略对应的评价指标为通信系统的公平指数和用户数据传输的吞吐量；
[0070]
步骤303、采用计算机建立评价指标判断矩阵a，则评价指标判断矩阵a为其中，a
11
＝a
12
＝1，a
12
和a
21
互为倒数，且a
12
表示通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度，a
21
表示用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度；
[0071]
步骤304、采用计算机获取判断矩阵a的最大特征值所对应的归一化特征向量为权重向量w＝(w1,w2)
t
，则w1为通信资源分配策对应的通信系统的公平指数评价指标的权重，则w2为通信资源分配策对应的用户数据传输的吞吐量评价指标的权重；
[0072]
步骤四、无人机无线通信基站的最优通信资源分配策略的获取：
[0073]
步骤401、采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量；
[0074]
步骤402、采用计算机从各个通信资源分配策略下对应的各个通信系统的公平指数和用户数据传输的吞吐量，得到各个通信系统的公平指数和用户数据传输的吞吐量的最优值，并将通信系统的公平指数的最优值记作y
01
，用户数据传输的吞吐量的最优值记作y
02
；
[0075]
步骤403、采用计算机根据公式得到第i个通信资源分配策略下通信系统的公平指数的无量纲值x
i1
；采用计算机根据公式得到第i个通信资源分配策略下
用户数据传输的吞吐量的无量纲值x
i2
；其中，i为正整数，且1≤i≤i，y
i1
表示第t个时刻第i个通信资源分配策略下通信系统的公平指数，y
i2
表示第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量；
[0076]
步骤404、采用计算机构造评价指标数据矩阵
[0077]
步骤405、采用计算机根据公式得到第i个通信资源分配策略下通信系统的公平指数评价指标对于通信系统的公平指数的最优值的灰色关联度r
i1
；其中，ζ表示分辨系数，且0＜ζ＜1；
[0078]
采用计算机根据公式得到第i个通信资源分配策略下用户数据传输的吞吐量评价指标对于用户数据传输的吞吐量的最优值的灰色关联度r
i2
；
[0079]
步骤406、采用计算机根据第i个通信资源分配策略下r
i1
和r
i2
，得到评价矩阵r，如下式：
[0080]
步骤407、采用计算机根据公式g＝w
t
×rt
，得到灰色关联度向量g，采用计算机设定灰色关联度向量g为g＝(g1,g2,
…gi
,
…gi
)，且gi＝w1×ri1
+w2×ri2
，gi表示第t个时刻第i个通信资源分配策略与评价指标最优值的灰色关联度，并将g1,g2,
…gi
,...gi按照从小到大顺序进行排序，则g
max
所对应的通信资源分配策略为第t个时刻的最优通信资源分配策略；其中，t表示转置；
[0081]
步骤五、训练数据的获取：
[0082]
在无人机无线通信基站和n个用户移动过程中，获取第t个时刻n个用户的位置坐标、无人机无线通信基站的位置坐标以及第t个时刻最优通信资源分配策略；其中，t表示时刻总数，t为正整数，且1≤t≤t,t不小于100；
[0083]
步骤六、lstm神经网络模型的建立及训练：
[0084]
步骤601、构建lstm神经网络模型；其中，lstm神经网络模型包括1个输入层、3个
lstm层、1个dense层和1个输出层；其中，lstm神经网络模型中设置sigmoid激活函数和tanh激活函数，输入层的神经元个数为n+1个，输出层的神经元个数为2n个；
[0085]
步骤602、将步骤五中得到n个用户的位置坐标、无人机无线通信基站的位置坐标作为输入层，将t个时刻最优通信资源分配策略作为输出层，输入构建的lstm神经网络模型进行训练，得到训练好的lstm神经网络模型；
[0086]
步骤七、无人机无线通信基站的通信资源分配策略的预测：
[0087]
步骤701、当第t+g个时刻时，得到第t+g个时刻n个用户的位置坐标、无人机无线通信基站的位置；其中，g为正整数，且g取1,2，...；
[0088]
步骤702、将第t+g个时刻n个用户的位置坐标、无人机无线通信基站的位置输入步骤602中训练好的lstm神经网络模型，预测得到第t+g个时刻最优通信资源分配策略。
[0089]
本实施例中，步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量，具体过程如下：
[0090]
步骤4011、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户的los链路概率其中，a表示与环境相关的第一常数，b表示与环境相关的第二常数，dn(t)表示第t个时刻无人机无线通信基站到第n个用户的直线距离；
[0091]
步骤4012、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户在los链路下的路径损耗其中，ξ
los
表示los链路下的附加损耗，c表示光速，fc表示信号载频；
[0092]
步骤4013、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户在nlos链路下的路径损耗其中，ξ
nlos
表示nlos链路下的附加损耗；
[0093]
步骤4014、采用计算机根据公式得到第t个无人机无线通信基站到第n个用户信号的路径损耗pln(t)；其中，表示第t个时刻无人机无线通信基站到第n个用户的nlos链路概率，且
[0094]
步骤4015、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下第n个用户的信道容量cn(i,t)；其中，n0表示信道中高斯白噪声的功率谱密度；
[0095]
步骤4016、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下无人机通信系统用户n的公平指数fn(i,t)；
[0096]
步骤4017、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下通信系统的公平指数y
i1
；其中，y
i1
∈[0,1]。
[0097]
本实施例中，步骤4011中4.88＜a＜28，0＜b＜1；
[0098]
步骤4012和步骤4013中nlos链路下的附加损耗ξ
nlos
大于los链路下的附加损耗ξ
los
，los链路下的附加损耗ξ
los
的取值范围为(0db,50db)，nlos链路下的附加损耗ξ
nlos
的取值范围为(10db,100db)。
[0099]
本实施例中，步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下用户数据传输的吞吐量，具体过程如下：
[0100]
步骤a、采用计算机根据公式得到第t个时刻无人机无线通信基站和用户n之间信道的大尺度衰落系数βn(t)；其中，β0表示无人机无线通信基站和用户距离1米时的信道增益；
[0101]
步骤b、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量y
i2
。
[0102]
本实施例中，a
12
＝2/3，实际使用时，通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度a
12
和用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度a
21
中通信系统的公平指数评价指标权重的取值范围为1～9，用户数据传输的吞吐量评价指标权重的取值范围为1～9。
[0103]
本实施例中，第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配bn(i,t)满足最小可分带宽。
[0104]
本实施例中，p1(i,t)+..+pn(i,t)+..+pn(i,t)＝p
total
，b1(i,t)+..+bn(i,t)+..+bn(i,t)＝b
total
，p
total
表示总功率，b
total
表示总带宽分配。
[0105]
本实施例中，输出层的神经元个数为2n个分别对应无人机无线通信基站对用户1的发射功率、应无人机无线通信基站对用户1的带宽分配，...，无人机无线通信基站对用户n的发射功率、应无人机无线通信基站对用户n的带宽分配，...，无人机无线通信基站对用户n的发射功率、应无人机无线通信基站对用户n的带宽分配。
[0106]
本实施例中，步骤602中对lstm神经网络模型进行训练，设定学习率lr的取值为0.01～1，训练迭代次数te大于100。
[0107]
实施例2
[0108]
一种无人机通信系统，包括权利要求1-4中任一项权利要求所述的一种基于神经网络的资源分配策略预测方法，所述无人机通信系统包括作为无人机无线通信基站和多个用户。
[0109]
综上所述，本发明方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。
[0110]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明
技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

技术特征：
1.一种基于神经网络的资源分配策略预测方法，其特征在于，该方法包括以下步骤：步骤一、无人机无线通信基站和用户下行传输系统的搭建：步骤101、设定地面区域中存在n个用户；步骤102、设定在地面区域的上空存在无人机，在无人机上搭建无线通信基站，并记作无人机无线通信基站；其中，无人机无线通信基站相对地面区域的高度为h；步骤二、无人机无线通信基站和用户位置的获取：步骤201、建立三维直角位置坐标系oxyz；其中，oxy平面和地面区域重合，oz轴垂直地面区域指向天；步骤202、在三维直角位置坐标系oxyz下，获取第t个时刻第n个用户的位置坐标其中，n和n均为正整数，且1≤n≤n，地面区域位于oxy平面的第一象限，且原点o和地面区域的左下角重合，t为正整数；步骤203、在三维直角位置坐标系oxyz下，获取第t个时刻无人机无线通信基站的位置坐标u
u
(t)；步骤204、根据第t个时刻第n个用户的位置坐标和第t个时刻无人机无线通信基站的位置坐标u
u
(t)，获取第t个时刻无人机无线通信基站到用户n的直线距离d
n
(t)；步骤三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重：步骤301、在第t个时刻时，设定无人机无线通信基站的各个通信资源分配策略；其中，第t个时刻时无人机无线通信基站的通信资源分配策略的总数为i个，第t个时刻时第i个通信资源分配策略包括第t个时刻时第i个通信资源分配策略中无人机无线通信基站对用户n的发射功率p
n
(i,t)和第t个时刻第i个通信资源分配策略中无人机无线通信基站对用户n的带宽分配b
n
(i,t)；步骤302、确定无人机无线通信基站的各个通信资源分配策略对应的评价指标为通信系统的公平指数和用户数据传输的吞吐量；步骤303、采用计算机建立评价指标判断矩阵a，则评价指标判断矩阵a为其中，a
11
＝a
12
＝1，a
12
和a
21
互为倒数，且a
12
表示通信系统的公平指数评价指标权重相对用户数据传输的吞吐量评价指标权重的比例度，a
21
表示用户数据传输的吞吐量评价指标权重相对通信系统的公平指数评价指标权重的比例度；步骤304、采用计算机获取判断矩阵a的最大特征值所对应的归一化特征向量为权重向量w＝(w1,w2)
t
，则w1为通信资源分配策对应的通信系统的公平指数评价指标的权重，则w2为通信资源分配策对应的用户数据传输的吞吐量评价指标的权重；步骤四、无人机无线通信基站的最优通信资源分配策略的获取：步骤401、采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量；步骤402、采用计算机从各个通信资源分配策略下对应的各个通信系统的公平指数和用户数据传输的吞吐量，得到各个通信系统的公平指数和用户数据传输的吞吐量的最优值，并将通信系统的公平指数的最优值记作y
01
，用户数据传输的吞吐量的最优值记作y
02
；
步骤403、采用计算机根据公式得到第i个通信资源分配策略下通信系统的公平指数的无量纲值x
i1
；采用计算机根据公式得到第i个通信资源分配策略下用户数据传输的吞吐量的无量纲值x
i2
；其中，i为正整数，且1≤i≤i，y
i1
表示第t个时刻第i个通信资源分配策略下通信系统的公平指数，y
i2
表示第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量；步骤404、采用计算机构造评价指标数据矩阵步骤405、采用计算机根据公式得到第i个通信资源分配策略下通信系统的公平指数评价指标对于通信系统的公平指数的最优值的灰色关联度r
i1
；其中，ζ表示分辨系数，且0＜ζ＜1；采用计算机根据公式得到第i个通信资源分配策略下用户数据传输的吞吐量评价指标对于用户数据传输的吞吐量的最优值的灰色关联度r
i2
；步骤406、采用计算机根据第i个通信资源分配策略下r
i1
和r
i2
，得到评价矩阵r，如下式：步骤407、采用计算机根据公式g＝w
t
×
r
t
，得到灰色关联度向量g，采用计算机设定灰色关联度向量g为g＝(g1,g2,
…
g
i
,...g
i
)，且g
i
＝w1×
r
i1
+w2×
r
i2
，g
i
表示第t个时刻第i个通信资源分配策略与评价指标最优值的灰色关联度，并将g1,g2,...g
i
,...g
i
按照从小到大顺序进行排序，则g
max
所对应的通信资源分配策略为第t个时刻的最优通信资源分配策略；其中，t表示转置；步骤五、训练数据的获取：在无人机无线通信基站和n个用户移动过程中，获取第t个时刻n个用户的位置坐标、无
人机无线通信基站的位置坐标以及第t个时刻最优通信资源分配策略；其中，t表示时刻总数，t为正整数，且1≤t≤t,t不小于100；步骤六、lstm神经网络模型的建立及训练：步骤601、构建lstm神经网络模型；其中，lstm神经网络模型包括1个输入层、3个lstm层、1个dense层和1个输出层；其中，lstm神经网络模型中设置sigmoid激活函数和tanh激活函数，输入层的神经元个数为n+1个，输出层的神经元个数为2n个；步骤602、将步骤五中得到n个用户的位置坐标、无人机无线通信基站的位置坐标作为输入层，将t个时刻最优通信资源分配策略作为输出层，输入构建的lstm神经网络模型进行训练，得到训练好的lstm神经网络模型；步骤七、无人机无线通信基站的通信资源分配策略的预测：步骤701、当第t+g个时刻时，得到第t+g个时刻n个用户的位置坐标、无人机无线通信基站的位置；其中，g为正整数，且g取1,2，...；步骤702、将第t+g个时刻n个用户的位置坐标、无人机无线通信基站的位置输入步骤602中训练好的lstm神经网络模型，预测得到第t+g个时刻最优通信资源分配策略。2.按照权利要求1所述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下通信系统的公平指数和用户数据传输的吞吐量，具体过程如下：步骤4011、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户的los链路概率其中，a表示与环境相关的第一常数，b表示与环境相关的第二常数，d
n
(t)表示第t个时刻无人机无线通信基站到第n个用户的直线距离；步骤4012、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户在los链路下的路径损耗其中，ξ
los
表示los链路下的附加损耗，c表示光速，f
c
表示信号载频；步骤4013、采用计算机根据公式得到第t个时刻无人机无线通信基站到第n个用户在nlos链路下的路径损耗其中，ξ
nlos
表示nlos链路下的附加损耗；步骤4014、采用计算机根据公式得到第t个无人机无线通信基站到第n个用户信号的路径损耗pl
n
(t)；其中，表示第t个时刻无人机无线通信基站到第n个用户的nlos链路概率，且步骤4015、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下第n个用户的信道容量c
n
(i,t)；其中，n0表示信道中高斯白噪声的功率谱密度；
步骤4016、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下无人机通信系统用户n的公平指数f
n
(i,t)；步骤4017、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下通信系统的公平指数y
i1
；其中，y
i1
∈[0,1]。3.按照权利要求2所述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤4011中4.88＜a＜28，0＜b＜1；步骤4012和步骤4013中nlos链路下的附加损耗ξ
nlos
大于los链路下的附加损耗ξ
los
，los链路下的附加损耗ξ
los
的取值范围为(0db,50db)，nlos链路下的附加损耗ξ
nlos
的取值范围为(10db,100db)。4.按照权利要求1所述的一种基于神经网络的资源分配策略预测方法，其特征在于：步骤401中采用计算机获取无人机无线通信基站的各个通信资源分配策略下用户数据传输的吞吐量，具体过程如下：步骤a、采用计算机根据公式得到第t个时刻无人机无线通信基站和用户n之间信道的大尺度衰落系数β
n
(t)；其中，β0表示无人机无线通信基站和用户距离1米时的信道增益；步骤b、采用计算机根据公式得到第t个时刻第i个通信资源分配策略下用户数据传输的吞吐量y
i2
。5.一种无人机通信系统，其特征在于：包括权利要求1-4中任一项权利要求所述的一种基于神经网络的资源分配策略预测方法，所述无人机通信系统包括作为无人机无线通信基站和多个用户。

技术总结
本发明公开了一种基于神经网络的资源分配策略预测方法，包括以下步骤：一、无人机无线通信基站和用户下行传输系统的搭建；二、无人机无线通信基站和用户位置的获取；三、确定通信资源分配策略对应的评价指标并获取通信资源分配策略对应的评价指标的权重；四、无人机无线通信基站的最优通信资源分配策略的获取；五、训练数据的获取；六、LSTM神经网络模型的建立及训练；七、无人机无线通信基站的通信资源分配策略的预测。本发明方法步骤简单，设计合理，实现了无人机无线通信基站功率、带宽资源分配预测，实现了最大化通信系统吞吐量并满足资源分配的公平性。资源分配的公平性。资源分配的公平性。


技术研发人员：李新文
受保护的技术使用者：中国通信建设第四工程局有限公司
技术研发日：2021.12.06
技术公布日：2022/3/8