一种天线辅助空天低时延传输方法
本发明涉及无线通信,具体涉及一种天线辅助空天低时延传输方法。
背景技术:
1、随着移动通信网络的发展,无人机巡检、车联网、工业物联网数据汇聚等状态更新类业务对数据新鲜度提出了日益严格的要求。信息新鲜度已成为衡量此类业务服务质量的关键性能指标之一。在无人机辅助的空地协同传输场景中,无人机节点具有高机动性,传输链路存在多跳级联,且信道状态随时间快速变化,这些因素导致地面用户至接收端的有效信道增益波动剧烈。单纯依靠提升发射功率或增加传输带宽难以在有限能耗条件下稳定保障信息新鲜度。
2、为在不显著增加功耗的前提下改善有效信道质量,现有技术在无人机下方搭载主动可重构传输反射面板。该面板的每个元件集成功率放大器,并支持透射与反射双模工作,能够从发送端对信道传输路径进行重构,使地面用户的数据既可经反射链路上传至基站,又可经透射链路上传至无人机机载接收机。与此同时,基站侧配置可重构接收天线阵列,该阵列能够在紧凑孔径内动态选择激活端口子集,从而从接收端获取空间分集增益。在多用户上行传输场景中,为进一步提升系统容量,通常还采用非正交多址接入技术并结合串行干扰消除机制。
3、然而,在实际应用中,对主动可重构传输反射面板的配置优化与对可重构接收天线阵列的端口选择优化往往被分开独立进行,仅单独调整面板的反射相位、透射相位及幅度参数,或者仅单独优化接收阵列的激活端口子集,未能将面板配置和端口选择纳入统一的优化框架。由于面板配置直接影响到达接收端的信号结构,而端口选择又决定了哪些信号分量被最终利用,两者之间存在紧密的耦合关系,单独优化一侧不可避免地损失另一侧可提供的增益,使得系统信息新鲜度仍有较大的下降空间。
4、若尝试将面板配置与端口选择联合优化,则面临严峻的求解困难。面板的反射系数与透射系数以连续变量形式影响信道增益,而端口激活向量为带基数约束的二进制离散变量,两者共同决定有效信道矩阵的结构,形成高度耦合的混合整数非凸优化问题。这类问题无法直接采用标准的凸优化求解器求解,需要设计专门的分解与迭代策略。
5、针对上述耦合问题,一种常规的思路是采用交替优化方法,将原问题分解为面板配置子问题和端口选择子问题并交替迭代求解。但实践中发现,两个子问题之间的耦合关系导致交替迭代的解难以一致收敛,子问题的目标函数相互改写,使得交替过程容易陷入震荡。更重要的是,每个时隙均需多次调用凸优化求解器处理子问题,计算时间随用户数量、阵列规模和时隙数量的增长而急剧增加,难以满足在线实时决策的需求。
6、为降低在线求解延迟,现有技术提出了基于深度学习的方法,尝试将面板配置或端口选择策略通过神经网络端到端地直接输出。然而,现有网络化方法对所有优化变量统一展开迭代,依赖标准的连续可微算子,既无法直接处理端口选择的离散特性,也缺乏对随机数据到达过程和速率门限驱动的信息新鲜度递推演化的刻画能力,更未能将面板配置、端口选择与无人机轨迹规划三类不同性质的变量纳入一个可在推理阶段低延迟执行的统一求解框架中。
7、因此,如何兼顾通信质量与信息新鲜度,并降低求解开销,是本领域亟需解决的技术问题。
技术实现思路
1、针对现有技术中的不足,本发明提供了一种天线辅助空天低时延传输方法,通过将主动可重构传输反射面板的信道路径重构、可重构接收天线阵列的端口重构与无人机轨迹规划纳入统一优化框架,并采用外层二阶锥规划与内层k阶段处理网络相结合的分块迭代求解架构,使配置参数、端口激活向量与无人机二维位置得以联合更新,从而在保障多用户通信质量的同时降低系统平均信息新鲜度并缩短在线求解时间。
2、为实现上述目的,本发明采取以下技术方案:
3、一种天线辅助空天低时延传输方法,包括以下步骤:
4、步骤1、获取系统初始参数,根据所述系统初始参数构建数据传输系统模型,所述系统初始参数至少包括无人机的飞行高度、无人机的飞行区域、主动可重构传输反射面板的阵列规模、主动可重构传输反射面板的发射功率预算、可重构接收天线阵列的候选端口数、可重构接收天线阵列的激活端口数、地面用户数量、速率门限以及信道统计参数;
5、步骤2、构建地面用户至基站的直接信道、地面用户至主动可重构传输反射面板的反射信道、主动可重构传输反射面板至基站的级联反射信道、主动可重构传输反射面板至机载接收机的透射信道以及可重构接收天线阵列的端口空间相关矩阵;基于非正交多址上行接收,对基站路径执行串行干扰消除与最小均方误差合并,得到基站路径速率;其中基站路径包括地面用户的发射信号经直接信道到达基站的直达路径,及地面用户的发射信号经反射信道和级联反射信道到达基站的反射路径,所述直达路径和反射路径的信号在基站处叠加;对机载接收机路径执行串行干扰消除,得到机载接收机路径速率;其中机载接收机路径为地面用户的发射信号经反射信道和透射信道到达机载接收机的路径;根据所述基站路径速率、机载接收机路径速率、数据包到达指示、包可用指示以及速率门限递推用户信息新鲜度,并计算系统平均信息新鲜度;
6、步骤3、以所述主动可重构传输反射面板的配置参数、可重构接收天线阵列的端口激活向量及无人机的二维位置为优化变量,以最小化系统平均信息新鲜度为目标,在参数取值范围约束、无人机飞行约束、端口选择约束及主动可重构传输反射面板的发射功率预算约束下,构建混合整数非凸联合优化问题;
7、步骤4、基于k阶段处理网络,在线执行外层和内层两层分块迭代求解,输出更新后的主动可重构传输反射面板的配置参数、可重构接收天线阵列的端口激活向量与无人机的二维位置,其中外层固定所述配置参数与端口激活向量,联合更新各时隙无人机的二维位置;内层固定无人机的二维位置,由k阶段处理网络逐时隙更新所述配置参数与端口激活向量;
8、步骤5、对于每个时隙,根据步骤4输出的更新后的配置参数、端口激活向量与无人机二维位置计算基站路径速率与机载接收机路径速率,根据计算出的基站路径速率与机载接收机路径速率判决任务是否成功,并更新用户信息新鲜度;全部时隙结束后输出系统平均信息新鲜度及对应传输策略。
9、进一步地,步骤1中,所述信道统计参数包括基站接收机热噪声功率、机载接收机热噪声功率、每元件功率放大器噪声系数、莱斯因子和路径损耗指数;所述系统初始参数还包括无人机总时隙数、能量分裂参数与幅度利用因子的取值边界参数;所述数据传输系统模型在统一坐标系下建立。
10、进一步地,步骤3中,所述配置参数包括反射幅度、透射幅度、能量分裂参数、幅度利用因子、反射相位及透射相位;
11、其中,反射幅度及反射相位构成反射配置矩阵:
12、
13、透射幅度及透射相位构成透射配置矩阵:
14、
15、式中,为主动可重构传输反射面板在时隙的反射配置矩阵,为对角矩阵运算,为第个元件在时隙的反射幅度,,为第个元件在时隙的反射相位,为主动可重构传输反射面板在时隙的透射配置矩阵,为第个元件在时隙的透射幅度,,为第个元件在时隙的透射相位,,为主动可重构传输反射面板的阵列规模,为虚数单位;为第个元件在时隙的能量分裂参数,为第个元件在时隙的幅度利用因子,为每元件硬件放大上限,为能量分裂参数与幅度利用因子的取值边界参数。
16、进一步地,步骤2中,所述直达路径和反射路径的信号在基站处叠加后,经所述可重构接收天线阵列接收,可重构接收天线阵列通过选择矩阵从基站全维信道中选取激活端口对应的基站路径有效信道;
17、所述基站路径执行串行干扰消除与最小均方误差合并时,干扰加噪声协方差矩阵由基站接收机热噪声协方差和彩色噪声协方差构成,所述彩色噪声协方差由每元件功率放大器噪声形成,所述每元件功率放大器噪声经反射配置矩阵调制后,经级联反射信道传播至基站。
18、进一步地,步骤4中,外层更新无人机的二维位置的过程包括:
19、对路径损耗项进行一阶泰勒展开,得到关于无人机二维位置的下界仿射函数:
20、
21、
22、式中,为在时隙第个地面用户至主动可重构传输反射面板的距离,为在时隙主动可重构传输反射面板至基站的距离,为外层迭代轮次,为第轮外层迭代过程中第个地面用户至主动可重构传输反射面板的距离,为第轮外层迭代过程中主动可重构传输反射面板至基站的距离,为第个地面用户至无人机的距离松弛变量,为无人机至基站的距离松弛变量,为路径损耗指数;
23、引入与作为二阶锥约束:
24、
25、
26、式中,为第个地面用户的位置,为无人机在时隙的二维位置,为无人机飞行高度,为基站位置;
27、以用户信息新鲜度的平方为加权系数构建加权目标函数,附加无人机位移上限约束与无人机飞行区域约束,形成二阶锥规划子问题并求解,得到外层迭代更新后的无人机二维位置。
28、进一步地,还包括对k阶段处理网络的训练,根据任务成功标志、数据包到达指示、包可用指示以及用户信息新鲜度构建监督信号,以所述监督信号为损失,对各阶段的可学习参数进行训练,训练完成后冻结网络参数,其中任务成功标志根据基站路径速率、机载接收机路径速率及速率门限生成;
29、所述k阶段处理网络的训练目标函数采用分层加权和形式,对于每个阶段,以用户信息新鲜度的平方对输出的平滑判决结果进行加权并累加,得到每个阶段的损失;按阶段编号对各阶段损失施加递增权重后求和并归一化,作为总损失。
30、进一步地,所述k阶段处理网络包含k个依次执行的阶段,每个阶段的输出作为下一阶段的输入,最后一阶段的输出作为内层更新结果;第1阶段的输入包括端口评分初始值、外层更新得到的无人机二维位置、上一轮内层更新得到的配置参数、上一轮内层更新得到的端口激活向量以及当前时隙的信道状态信息;每个阶段的更新流程依次包括反射相位与透射相位对齐模块、逐元能量分裂参数与幅度利用因子投影梯度更新模块、跨块注意力调制模块、图注意力与可微端口选择模块;
31、所述反射相位与透射相位对齐模块在固定本阶段输入中反射幅度及透射幅度的条件下,针对每个地面用户构建辅助变量,以可学习斜率为参数构建服务质量加权,将所述服务质量加权与辅助变量相乘得到相位对齐系数,根据所述相位对齐系数分别更新各元件的反射相位和透射相位;
32、所述逐元能量分裂参数与幅度利用因子投影梯度更新模块在固定反射相位和透射相位的条件下,计算本阶段损失函数关于能量分裂参数和幅度利用因子的偏导数,按可学习步长和所述偏导数计算能量分裂参数的投影前更新值和幅度利用因子的投影前更新值,能量分裂参数的投影前更新值和幅度利用因子的投影前更新值经盒投影算子投影至各自取值范围,得到更新后的能量分裂参数和幅度利用因子;
33、所述跨块注意力调制模块构建面板状态特征向量、轨迹特征向量和端口特征向量,三类特征向量分别经独立线性投影与层归一化映射至共享隐空间,对应得到三个令牌,三个令牌构成令牌矩阵,对所述令牌矩阵施加多头注意力运算,多头注意力运算的输出经线性变换、双曲正切激活并乘以预设上限后,得到主动可重构传输反射面板的调制偏置和端口评分偏置,所述调制偏置反馈至逐元能量分裂参数与幅度利用因子投影梯度更新模块,所述端口评分偏置叠加至下一阶段的图注意力端口评分中;
34、所述图注意力与可微端口选择模块用于构建包含端口节点、用户节点和全局上下文节点的无向图,为各节点赋予初始嵌入,各节点的嵌入在两层图注意力网络中迭代更新,从更新后的节点嵌入中选取端口节点的嵌入,经多层感知机得到各端口的评分;叠加上一阶段输出的端口评分偏置后,引入gumbel扰动计算软选择,使软选择值的总和等于;按硬选择规则从各端口中选取评分最高的个端口构成激活端口集合,为激活端口数;采用直通梯度估计,使硬选择对应的梯度通过软选择路径反向传播。
35、与现有技术相比,本发明的有益效果为:
36、(1)本发明将主动可重构传输反射面板的信道路径重构、可重构接收天线阵列的端口重构与无人机二维位置规划纳入统一的优化框架,以系统平均信息新鲜度为优化目标进行联合求解。面板的配置参数决定信号经反射链路和透射链路传播后的幅度与相位分布,端口选择决定基站侧从哪些空间位置提取信号分量,无人机位置同时改变地面用户至面板、面板至基站两条传播链路的距离与信道条件。三类变量分别作用于信道传播的不同环节,存在紧密的耦合关系,单独优化任意一类变量,只能改善信道传播的局部环节,无法使三类变量的增益相互匹配。本发明通过联合优化,使面板对信道路径的重构、端口对空间分集的提取与无人机对传播距离的调整在同一优化目标下协同作用,避免了单侧优化导致的增益损失,从而在整体上降低了系统平均信息新鲜度。
37、(2)本发明将不可微的任务成功标志替换为基于s型函数的平滑近似函数,并根据任务成功标志、数据包到达指示、包可用指示以及用户信息新鲜度构建监督信号,以监督信号为损失对k阶段处理网络进行训练。信息新鲜度的递推由任务成功标志驱动,任务成功标志由双路径速率是否达到门限决定,速率门限判决本质上是不可微的阶跃函数。阶跃函数无法直接参与反向传播,导致k阶段处理网络无法通过梯度下降进行训练。本发明采用s型函数对速率门限判决进行平滑近似,使双路径速率与任务成功概率之间建立连续可微的映射关系;同时,以信息新鲜度的平方作为加权系数,使信息新鲜度较高的用户在损失函数中占据更大权重。信息新鲜度越高的用户,其数据包等待时间越长,对任务成功概率的边际改善也越迫切,平方加权使网络在训练中将配置资源优先分配给信息新鲜度压力最大的用户,从而在系统平均信息新鲜度上获得更快的下降速度。
38、(3)本发明由k阶段处理网络逐阶段依次执行相位加权对齐、逐元能量分裂参数与幅度利用因子梯度更新、跨块注意力调制、图注意力评分与可微端口选择,实现了配置参数与端口激活向量的联合更新。相位加权对齐依据等效信道的相位关系确定各元件的反射相位与透射相位,使信号经面板调制后在目标接收端相干叠加;逐元能量分裂参数与幅度利用因子梯度更新依据损失函数对各元件的梯度逐元调整能量分配比例和幅度利用程度,使面板的放大功率集中至对信息新鲜度贡献最大的元件;跨块注意力调制通过多头注意力运算将面板状态、轨迹状态与端口状态映射至共享隐空间,使面板配置分支与端口选择分支之间的耦合关系被显式建模;图注意力评分通过端口空间相关矩阵构建端口间的关联关系,经可微端口选择输出激活端口集合。四个子流程按功能顺序依次执行,前一子流程的输出作为后一子流程的输入,使面板的配置参数与端口选择在同一阶段内交替更新、相互适应,避免了交替优化中子问题不一致导致的震荡,从而加快了收敛速度并降低了求解开销。
39、(4)本发明在外层采用二阶锥规划更新无人机二维位置,在内层采用k阶段处理网络更新面板配置参数与端口激活向量,通过外层与内层的交替执行实现分块迭代求解。无人机二维位置的变化同时影响用户至面板和面板至基站两条链路的距离,距离的负路径损耗指数次方项使路径损耗与无人机位置之间呈现非凸关系。本发明对距离的负路径损耗指数次方项进行一阶泰勒展开,得到关于无人机位置的下界仿射函数,并引入距离松弛变量将非凸约束转化为二阶锥约束,从而将无人机轨迹子问题转化为标准的二阶锥规划问题,可由现有求解工具高效求解,满足飞行约束。面板配置参数与端口激活向量均为高维变量且端口激活向量为离散变量,本发明将两者的联合更新交由k阶段处理网络完成,网络通过离线训练学习变量间的耦合关系,在线推理时仅需固定次数前向计算即可输出全部传输策略,无需在线调用凸优化求解器。外层二阶锥规划保证了无人机轨迹的可行性与最优性,内层k阶段处理网络保证了配置参数与端口选择的一致性与低延迟,二者交替执行,在保障多用户通信质量的同时降低了系统平均信息新鲜度,并缩短了求解时间。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com