[发明专利]一种基于深度学习的无人机智能巡检混合波束赋形方法

说明书

本发明公开了一种基于深度学习的无人机智能巡检混合波束赋形方法，解决了传统技术计算复杂度高、不满足实时性回传的问题，其技术方案要点是包括有以下步骤：设计并构建无人机巡检构架及多输入多输出毫米波传输链路的系统模型；通过Python端搭建神经网络，进行构架设计及参数调整；根据无人机巡检构架和系统模型，通过Matlab构建信道模型，将产生的信道数据作为神经网络的输入数据；神经网络的输出为频谱效率，训练神经网络，并进行验证和评估，得到使得频谱效率最大化的最优波束赋形矩阵，本发明的一种基于深度学习的无人机智能巡检混合波束赋形方法，能有效降低计算复杂度，提高传输速率，满足无人机巡检对高速率视频的需求。

技术领域

本发明涉及无人机通信技术，特别涉及一种基于深度学习的无人机智能巡检混合波束赋形方法。

背景技术

随着无人机在各个领域的广泛应用，频谱资源带来的问题也越来越多。频谱资源短缺成为无人机应用的一大短板，然而全球频谱分配是有协议的，在带宽有限的前提下，通过在通信链路提高频谱效率来最大化频谱利用率。从而提高无人机图像传输的速率。传统的提高频效通过采用混合波束赋形技术来优化目标。传统的波束赋形研究大量的串行耗时迭代，计算复杂度高，迭代过程引入的延迟也使得回传的图像不满足实时性，一旦信号不好的情况下，就会导致画面的丢失。

发明内容

本发明的目的是提供一种基于深度学习的无人机智能巡检混合波束赋形方法，能有效降低计算复杂度，提高传输速率，满足无人机巡检对高速率视频的需求。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于深度学习的无人机智能巡检混合波束赋形方法，包括有以下步骤：

设计并构建无人机巡检构架及多输入多输出毫米波传输链路的系统模型；

通过Python端搭建神经网络，进行构架设计及参数调整；

根据无人机巡检构架和系统模型，通过Matlab构建信道模型，将产生的信道数据作为神经网络的输入数据；

神经网络的输出为频谱效率，训练神经网络，并进行验证和评估，得到使得频谱效率最大化的最优波束赋形矩阵。

综上所述，本发明具有以下有益效果：

采用基于神经网络的混合波束赋形技术提高通信链路的频谱效率，进而可提高无人机回传图像的传输速率，可代替仅提高硬件性能改善传输速率的问题，大规模天线技术用于抵抗毫米波损耗带来的问题，混合波束赋形技术与传统的全数字波束赋形技术相比射频链路少，成本低，而神经网络技术复杂度低，满足了无人机回传图像实时性的要求，降低了延迟，使得传输的画面清晰度更高。

附图说明

图1为本方法的实施流程示意图；

图2为无人机巡检架构图；

图3为卷积神经网络示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

根据一个或多个实施例，公开了一种基于深度学习的无人机智能巡检混合波束赋形方法，如图1所示，具体包括有以下步骤：

设计并构建无人机巡检构架及多输入多输出毫米波传输链路的系统模型；

通过Python端搭建神经网络，进行构架设计及参数调整；

根据无人机巡检构架和系统模型，通过Matlab构建信道模型，将产生的信道数据作为神经网络的输入数据；

神经网络的输出为频谱效率，训练神经网络，并进行验证和评估，得到使得频谱效率最大化的最优波束赋形矩阵。