[发明专利]基于深度学习的无人机辅助通信边缘设备能量优化方法

说明书

本发明提供了基于深度学习的无人机辅助通信边缘设备能量优化方法，所述方法包括以下步骤：步骤S1、边缘设备在无信号地区移动，对边缘设备的生成数据进行采集和计算，并传输至云端；步骤S2、无人机在空中运动，建立临时通信链路，接收边缘设备发送的数据；步骤S3、在有信号地区设立接入点，与云端进行连接，接收通过无人机转发信息；本发明能够实现有效调整边缘设备的发射能量，实现低能量的中继通信。

技术领域

本发明涉及无人机通信技术领域，特别是基于深度学习的无人机辅助通信边缘设备能 量优化方法。

背景技术

随着6G通信的到来，无线连接终端的数量也日益剧增。这些终端执行着数据感知、数据收发等任务。因此，大量的数据需要通过无线网络进行传输。其中，视频、点云等多 种大型数据会使得局部无线通信堵塞。移动边缘计算(MEC)可以缓解这个问题。MEC将计 算和储存资源放在移动网络边缘，减少传输时延，使终端快速地做出决策。同时，MEC使 得边缘端设备生成的大型数据可以在终端进行处理，减少上传到云端的数据量。然而，由 于6G覆盖面有限，一些边缘设备因通信中断、信号遮挡等原因被孤立，无法与云端进行 数据交互。

尽管第六代通信网络(6G)的通信功能很强大，但边缘设备(EDs)的能量有限。无人驾驶飞行器(UAV)辅助的无线通信网络可以在没有信号的情况下为边缘设备提供通信链路。然而，固定的发射能量降低了边缘设备的续航能力；同时，由于系统的时间延迟， 无人机的坐标在不规则运动中是动态的，边缘设备可能无法准确调整发射能量。

发明内容

有鉴于此，本发明的目的是提供了一种能够有效调整边缘设备的发射能量，实现低能 量中继通信的方法。

本发明采用以下方法来实现：基于深度学习的无人机辅助通信边缘设备能量优化方 法，所述方法包括以下步骤：

步骤S1、边缘设备在无信号地区移动，对边缘设备的生成数据进行采集和计算，并传 输至云端；

步骤S2、无人机在空中运动，建立临时通信链路，接收边缘设备发送的数据；

步骤S3、在有信号地区设立接入点，与云端进行连接，接收通过无人机转发信息；从 而实现有效调整边缘设备的发射能量，实现低能量的中继通信。

进一步的，通过自适应调节算法建立全双工无人机中继网络，并且使无人机与边缘设 备实时对话，了解边缘设备与中继无人机的位置关系，调整边缘设备发射能量，所述自适 应调节算法包括以下步骤：步骤S11、针对系统时延，选择适应系统的深度学习模型，并 对无人机历史飞行路径进行训练，输出基于深度学习的无人机飞行路径预测模型；步骤S12、输入发射机接收的无人机实时位置信息到预测模型，获得无人机在此时刻后的预测位置信息；步骤S13、根据接收机灵敏度、空间噪声、发射机天线增益、接收机天线增益 计算得到优化发射能量。

进一步的，所述边缘设备是终端设备，包括电脑、手机及路由器，所述云端是底面收 发机。

本发明的有益效果在于：本发明通过边缘设备、无人机和云端相配合，能够实现边缘 设备与移动中继无人机在最低能量下可靠通信；能够有效地调整边缘设备的发射能量，实 现低能量的中继通信，通过无人机携带基站到达无信号地区，建立临时通信链路，覆盖无 信号地区，并连接有信号地区的接入点，进行信号中继传输。

附图说明

图1为本发明的方法流程示意图。

图2为无人机中继系统示意图。

图3为无人机在不同时间的位置示意图。

图4为无人机工作时间示意图。

图5为LSTM单元结构示意图。

图6为LSTM展开示意图。

图7为Bi-LSTM展开示意图。