一种无人机中继车联网速率估计与优化方法与流程

1.本发明涉及车联网通信技术领域，尤其涉及一种无人机中继车联网的估计与优化方法。


背景技术：

2.车联网(internet of vehicles,iov)作为物联网(internet of things,iot)的延伸,不仅可以为人们提供高效和舒适的驾驶体验，而且能够促使交通业务的多样化。为了获得高可靠性与低时延的车用无线通信技术(vehicle to everything,v2x)服务，广泛部署地面网络被认为是一个最有潜力的方案之一。然而，仅依靠陆地通信，无法全方位、无死角的为每个车载通信设备提供低传输时延和高可靠性的网络接入服务。目前，以陆地通信网络为基础，结合空中平台的通信方式是解决大容量通信的重要途径。如系留气球、飞机、无人机(unmanned aerial vehicles,uav)等通信平台，可作为空中基站部署在距离地面几百米到几十千米的高度，增加通信覆盖范围，能够有效利用通信资源提供无线窄带和宽带服务。
3.现有技术一中继协作通信技术将中继协作通信技术应用于车载通信系统，可有效改善通信网络的覆盖能力和通信质量。考虑到非正交多址接入(non-orthogonal multiple access,noma)技术具有高频谱效率、高设备接入量等优势，有助于构建更高容量、更低时延的无线通信网络。
4.现有技术二通信速率最大化技术对基于noma协作车联网系统的中继选择和功率控制问题进行研究，提出一种能使目的用户通信速率最大化的中继选择策略。为了充分利用空中平台的优势，现有技术三无人机协作传输技术在车联网中采用无人机作为协作中继，以降低传输时延。此外，在现有技术四(无人机中继传输技术)中，无人机被用于弥合车辆之间的通信间隙，以改善高速公路场景中车联网的连接性能。
5.然而，现有技术存在的问题是：
6.首先，现有技术一采用了基于正交多址接入(orthogonal multiple access,oma)技术的协作中继系统(cooperative relaying system,crs)。在两个连续时隙内只能向用户发送一个数据符号。在这种情况下，由于频谱资源有限，无法同时传输多个数据符号。尽管现有技术二采用了noma增强的crs，但在该项工作中协作中继的高度已被提前给定。事实上，在实际的crs中，信道容量在很大程度上受协作中继的高度决定。原因在于协作中继的高度会影响接收信号的强度。遗憾的是，这一实际因素在现有技术二中被忽略了。
7.其次，在现有技术三和四中都隐含一个理想的假设，即源节点可以准确地获得实时的信道状态信息。然而，由于无人机和车辆都是高度移动的，协作中继到目的节点的链路信道状态信息只会定期向源节点报告。考虑到这两个因素，在现有技术三和四中设计的优化方案可能无法直接适用。
8.最后，为了简化系统模型，大多数研究都通过使用简化的可视距信道来研究空地一体化通信方案。然而，在空对地信道中不仅存在可视距链路，也存在非可视距链路。采用
真实准确的rician衰落信道可以更准确地描述无人机中继车联网的传输性能。
9.解决上述技术问题的难度在于：
10.首先，由于rician分布变量的概率密度函数涉及贝塞尔函数，因此通过积分推导平均数据速率的闭合形式表达式是一个挑战。因此，在具有延迟信道状态信息反馈的无人机中继车联网中，如何准确估计rician衰落信道的容量是一个关键的技术问题。无人机中继车联网通信设计的另一个挑战来自有限的频谱资源。在面向智能交通系统的车联网中，网络连接将呈指数级增长。在这种情况下，如何有效利用有限的频谱资源来提高吞吐量变得越来越重要。在使用传统oma技术的车联网中，可用频谱资源以正交方式分配给车辆。然而，可以服务的最大车辆数量受到可用正交资源的数量限制。换句话说，网络吞吐量受制于多址技术，这是面向智能交通系统的iov的主要需求之一。因此，考虑到无人机中继车联网中的协作通信场景，如何在有限的频谱资源下实现数据速率的提升尚未得到充分的解决。


技术实现要素：

11.为了克服现有技术的不足，本发明提供一种无人机中继车联网速率估计与优化方法。本发明首先将crs与noma技术相结合，提出了一种noma增强的crs，用于无人机中继车联网中的空间复用传输。然后，采用不完全伽马函数和贝塞尔函数的泰勒展开式获得无人机中继车联网速率的精确表达式。之后，使用gauss-chebvshev积分对速率进行估计。而后，将速率优化问题形式化为与中继高度、水平位置相关，以最大化传输速率为目标的优化问题，并结合牛顿迭代法、智能优化算法进行迭代求解。该方法获得的速率估计结果与精确表达式所获得的结果匹配程度较好。同时，相比于现有技术，该方法通过优化中继高度、水平位置可有效提高无人机中继车联网的传输速率，相较于其他车联网传输方法更适用于智能交通系统。
12.本发明将协作中继系统(cooperative relaying system,crs)与非正交多址接入(non-orthogonal multiple access,noma)技术相结合，提出了一种noma增强的crs，用于无人机中继车联网中的空间复用传输；然后，采用不完全伽马函数和贝塞尔函数的泰勒展开式获得无人机中继车联网速率的精确表达式；之后，使用gauss-chebvshev积分对速率进行估计；而后，将速率优化问题形式化为与中继高度、水平位置相关，以最大化传输速率为目标的优化问题，并结合牛顿迭代法、智能优化算法进行迭代求解。
13.本发明解决其技术问题所采用的技术方案包括以下步骤：
14.第一步，构建基于crs和noma的无人机中继车联网以提高频谱效率；
15.第二步，基于无人机中继车联网，获得速率的精确表达式与近似表达式，构建速率估计方法；
16.第三步，基于无人机中继车联网，构建速率优化的目标函数与优化条件，通过牛顿迭代法、智能优化算法进行迭代求解，构建速率优化方法。
17.所述第一步，构建基于crs和noma的无人机中继车联网以提高频谱效率，具体包括：
18.步骤1.1：无人机中继车联网包括一个基站(base station,bs)、一个无人机和一个车辆用户(user)；基站与无人机和车辆用户分别进行下行通信；无人机被用作协作中继(cooperative relay,cr)，无人机与车辆用户进行下行通信；无人机工作于悬停模式，高度
及水平位置均可调整；无人机采用(decode-and-forward,df)中继协议，通信处于半双工模式；空对地信道为rician衰落信道；定义bs-to-user、bs-to-cr、cr-to-user链路的rician衰落信道系数分别为h
bs,u
、h
bs,cr
、h
cr,u
，平均信道功率增益为p
bs,u
、p
bs,cr
、p
cr,u
；h
bs,u
、h
bs,cr
、h
cr,u
是相互独立的；此外，采用一阶高斯-马尔科夫过程估计h
bs,u
和h
cr,u
；无人机中继车联网采用笛卡尔坐标系，基站位于(x
bs
,y
bs
,z
bs
)，无人机位于(x
cr
,y
cr
,z
cr
)，车辆用户位于(xu,yu,0)；(x
bs
,y
bs
,z
bs
)为基站水平、经度和垂直位置的坐标；(x
cr
,y
cr
,z
cr
)为无人机水平、经度和垂直位置的坐标；(xu,yu,0)为车辆用户的水平、经度和垂直位置的坐标；
19.步骤1.2：车辆用户在2个时隙接收2个不同的信号；具体而言，在第一个时隙，基站传输的重叠信号表示为：
[0020][0021]
其中，α1和α2为功率分配系数，α1+α2＝1；p
tot
为总发射功率；s1和s2为2个不同的数据符号具有归一化的功率，即e[|s1|2]＝e[|s2|2]＝1；重叠信号在第一个时隙会同时发送给协作中继和用户；
[0022]
在第一个时隙，协作中继接收到的信号表示为：
[0023][0024]
其中，η
bs,cr
为加性高斯白噪声，其中σ2为方差；此外，在第一个时隙，用户接收到的信号表示为：
[0025][0026]
其中，η
bs,u
为加性高斯白噪声，
[0027]
在第一个时隙，用户解码数据符号为s1，并将数据符号s2视为干扰；协作中继使用连续干扰消除(successive interference cancellation,sic)技术解码重叠信号以获得数据符号s2；然后，在第二个时隙，协作中继传输数据符号s2；在第二个时隙，用户接收到的信号表示为：
[0028][0029]
其中，η
cr,u
为加性高斯白噪声，
[0030]
对于数据符号s1而言，协作中继在第一个时隙的信干噪比为：
[0031][0032]
对于数据符号s2而言，由于使用了sic技术，因此协作中继在第一个时隙的信干噪比为：
[0033][0034]
然后，用户在第一个时隙的信干噪比为：
[0035][0036]
假设大于sic解码阈值，即数据符号s1被成功解码；因此，在第二个时隙，用户的信干噪比为：
[0037][0038]
步骤1.3：与s1相关的数据速率被计算为：
[0039][0040]
其中，γ
bs
为基站的信噪比(signal-noise ratio,snr)，
[0041]
与s2相关的数据速率被计算为：
[0042][0043]
因此，noma增强的crs的速率和r
sum
被表示为：
[0044][0045]
所述sic解码阈值自行设定，大于0db即可。
[0046]
进一步，所述第二步，基于第一步所构建的无人机中继车联网，获得速率的精确表达式与近似表达式，构建速率估计方法，具体步骤包括：
[0047]
步骤2.1：引入中间变量z和y，其中z＝min{|h
bs,cr
|2,|h
bs,u
|2}、y＝min{|h
bs
,
cr
|2γ
bs
α2,|h
cr,u
|2γ
bs
}；通过使用贝塞尔函数的泰勒展开式，变量z的累积分布函数fz(z)为：
[0048][0049]
其中，δ
bs,u
和δ
bs,cr
分别为bs-to-user和bs-to-cr链路的rician因子；n和k为非负实数；φ1(n,k)被表示为：
[0050][0051]
其中γ(
·
)为伽马函数；
[0052]
通过使用伽马函数的不完全展开形式，φ1(n,k)被转换为：
[0053][0054]
其中，i和j分别为累加起始值，表示从j＝0一直到j＝k终止；从i＝0开始一直到i＝n终止；
[0055]
变量y的累积分布函数fy(y)为：
[0056][0057]
其中，δ
cr,u
为cr-to-user链路的rician因子；φ2(n,k)被表示为：
[0058][0059]
类似地，通过使用伽马函数的不完全展开形式，φ2(n,k)被进一步转换为：
[0060][0061]
步骤2.2：根据步骤2.1，与s1相关的平均数据速率被计算为：
[0062][0063]
然后，被进一步转换为：
[0064][0065]
定义得：
[0066][0067]
引入中间变量得：
[0068][0069]
其中，和λ＞0；
[0070]
然后，式(21)计算为：
[0071][0072]
其中，表示不完全的伽马函数，[
·
]
(l)
表示l阶导数；
[0073]
步骤2.3：根据步骤2.1和步骤2.2，将式(19)-(22)代入式(18)，得的精确表达式为：
[0074][0075]
在式(23)中，ψ(p
tot
)和ψ(α2p
tot
)被分别表示为：
[0076][0077]
和
[0078][0079]
其中，和被分别表示为：
[0080][0081]
和
[0082][0083]
类似地，的闭合表达式被计算为：
[0084][0085]
其中，表示与s2相关的平均数据速率；在式(28)中，为：
[0086][0087]
其中，
[0088]
[0089]
将式(23)和(28)代入式(11)，的闭合表达式被表示为：
[0090][0091]
其中，为无人机中继车联网的和速率的精确表达式；
[0092]
步骤2.4：采用gauss-chebvshev积分对速率进行估计；具体而言，定义γ(-l,λ)被转化为：
[0093][0094]
其中，f为近似阶数；根据式(32)，得：
[0095][0096]
和
[0097][0098]
是χ
s1
(α2p
tot
)的近似表达式，h为累加起始值，表示从h-1开始直到h＝f终止，λ为中间辅助变量；
[0099]
通过使用式(33)和(34)，的近似表达式被表示为：
[0100][0101]
类似地，χ
s2
(p
tot
)被近似为：
[0102][0103]
将式(36)代入式(28)，得的近似表达式根据式(32)-(36)，的近似表达式被表示为：
[0104][0105]
进一步，所述第三步，基于第一步所构建的无人机中继车联网，构建速率优化的目标函数与优化条件，通过牛顿迭代法、智能优化算法进行迭代求解，构建速率优化方法，具体包括：
[0106]
步骤3.1：通过牛顿迭代法优化无人机的三维位置(x
cr
,y
cr
,z
cr
)，旨在最大化传输速率最大化问题被建模为：
[0107][0108]
其中，[x
min
,x
max
]、[y
min
,y
max
]及[z
min
,z
max
]为无人机的水平、经度和垂直位置的取值范围；即同时满足x
cr
在[x
min
,x
max
]之间，且y
cr
需在[y
min
,y
max
]，且z
cr
需在[z
min
,z
max
]之间；
[0109]
步骤3.2：采用迭代优化方式求解优化问题p1；首先，假设给定(x
cr
,y
cr
)，p1简化为：
[0110][0111]
在p2中，为一个单峰函数；采用牛顿迭代法获得最优优化后的高度(z
cr
)
*
；牛顿迭代法的更新公式为：
[0112][0113]
其中，v表示第v次迭代次数，v＝0,1,2,...；
[0114]
然后，将(z
cr
)
*
代入p1，得：
[0115][0116]
采用智能优化算法，即粒子群优化算法，求解p3；获得优化后的水平位置(x
cr
,y
cr
)
*
；而后，将优化后的水平位置(x
cr
,y
cr
)
*
代入p2，采用牛顿迭代法求解p2；
[0117]
重复步骤3.2中求解p2和p3的过程，直至收敛。
[0118]
所述收敛条件为，第i次迭代后的与第i-1次迭代后的的差值的绝对值小于阈值，阈值自行设定，阈值大于0。
[0119]
本发明的有益效果在于首先将crs与noma技术相结合，提出了一种noma增强的crs，用于无人机中继车联网中的空间复用传输。然后，采用不完全伽马函数和贝塞尔函数的泰勒展开式获得无人机中继车联网速率的精确表达式。之后，使用gauss-chebvshev积分对速率进行估计。而后，将速率优化问题形式化为与中继高度、水平位置相关，以最大化传输速率为目标的优化问题，并结合牛顿迭代法、智能优化算法进行迭代求解。本发明获得的速率估计结果与精确表达式所获得的结果匹配程度较好。同时，相比于现有技术，本发明通过优化中继高度、水平位置可有效提高无人机中继车联网的传输速率，相较于其他车联网传输方法更适用于智能交通系统。
附图说明
[0120]
图1是本发明实施例提供的无人机中继车联网速率估计与优化方法的流程图。
[0121]
图2是本发明实施例提供的无人机中继车联网的示意图。
[0122]
图3是本发明实施例提供的与精确表达式所获得的结果进行数据速率对比的性能对比图。
[0123]
图4是本发明实施例提供的与对比方案1(noma-drone-crs)、对比方案2(noma-mbs-crs)、对比方案3(oma-drone-crs)进行和速率对比的性能对比图。
具体实施方式
[0124]
下面结合附图和实施例对本发明进一步说明。
[0125]
针对现有技术存在的问题，本发明提供了一种无人机中继车联网速率估计与优化方法。具体而言，本方法将协作中继系统(cooperative relaying system,crs)与非正交多址接入(non-orthogonal multiple access,noma)技术相结合，提出了一种noma增强的crs，用于无人机中继车联网中的空间复用传输；然后，采用不完全伽马函数和贝塞尔函数的泰勒展开式获得无人机中继车联网速率的精确表达式；之后，使用gauss-chebvshev积分
对速率进行估计；而后，将速率优化问题形式化为与中继高度、水平位置相关，以最大化传输速率为目标的优化问题，并结合牛顿迭代法、智能优化算法进行迭代求解。
[0126]
如图1所示，本发明实施例提供的一种无人机中继车联网速率估计与优化方法包括以下步骤：
[0127]
第一步：构建基于crs和noma的无人机中继车联网以提高频谱效率；
[0128]
第二步：基于第一步所构建的无人机中继车联网，获得速率的精确表达式与近似表达式，构建速率估计方法；
[0129]
第三步：基于第一步所构建的无人机中继车联网，构建速率优化的目标函数与优化条件，通过牛顿迭代法、智能优化算法进行迭代求解，构建速率优化方法。
[0130]
本发明实施例提供的一种无人机中继车联网速率估计与优化方法包括以下步骤：
[0131]
第一步，构建基于crs和noma的无人机中继车联网以提高频谱效率，具体地步骤如下：
[0132]
步骤1.1：如图2所示，考虑由一个基站(base station,bs)、一个无人机、1个车辆用户(user)组成的无人机中继车联网；无人机被用作协作中继(cooperative relay,cr)；无人机工作于悬停模式，其高度及水平位置可以被调整；无人机采用(decode-and-forward,df)中继协议，并工作于半双工模式；空对地信道为rician衰落信道；分别定义bs-to-user、bs-to-cr、cr-to-user链路的rician衰落信道系数为h
bs,u
、h
bs,cr
、h
cr,u
，平均信道功率增益为p
bs,u
、p
bs,cr
、p
cr,u
；为不失一般性，h
bs,u
、h
bs,cr
、h
cr,u
是相互独立的；此外，采用一阶高斯-马尔科夫过程估计h
bs,u
和h
cr,u
除此之外，采用笛卡尔坐标系，基站位于(x
bs
,y
bs
,z
bs
)，无人机位于(x
cr
,y
cr
,z
cr
)，用户位于(xu,yu,0)；
[0133]
步骤1.2：车辆用户在2个时隙接收2个不同的信号；具体而言，在第一个时隙，基站传输的重叠信号表示为：
[0134][0135]
其中，α1和α2为功率分配系数，α1+α2＝1；p
tot
为总发射功率；s1和s2为2个不同的数据符号具有归一化的功率，即e[|s1|2]＝e[|s2|2]＝1；信号在第一个时隙会同时发送给协作中继和用户；
[0136]
在第一个时隙，协作中继接收到的信号表示为：
[0137][0138]
其中，η
bs,cr
为加性高斯白噪声，其中σ2为方差；此外，在第一个时隙，用户接收到的信号表示为：
[0139][0140]
其中，η
bs,u
为加性高斯白噪声，
[0141]
在第一个时隙，用户解码数据符号s1，并将数据符号s2视为干扰；协作中继使用连
续干扰消除(successive interference cancellation,sic)技术解码重叠信号以获得数据符号s2；然后，在第二个时隙，协作中继传输数据符号s2；在第二个时隙，用户接收到的信号表示为：
[0142][0143]
其中，η
cr,u
为加性高斯白噪声，
[0144]
对于数据符号s1而言，协作中继在第一个时隙的信干噪比为：
[0145][0146]
对于数据符号s2而言，由于使用了sic技术，因此协作中继在第一个时隙的信干噪比为：
[0147][0148]
然后，用户在第一个时隙的信干噪比为：
[0149][0150]
假设大于sic解码阈值，即数据符号s1被成功解码；因此，在第二个时隙，用户的信干噪比为：
[0151][0152]
步骤1.3：与s1相关的数据速率被计算为：
[0153]
[0154]
其中，γ
bs
为基站的信噪比(signal-noise ratio,snr)，
[0155]
与s2相关的数据速率被计算为：
[0156][0157]
因此，noma增强的crs的速率和r
sum
被表示为：
[0158][0159]
第二步，基于第一步所构建的无人机中继车联网，获得速率的精确表达式与近似表达式，构建速率估计方法，具体地步骤如下：
[0160]
步骤2.1：引入中间变量z和y，其中步骤2.1：引入中间变量z和y，其中通过使用贝塞尔函数的泰勒展开式，变量z的累积分布函数fz(z)为：
[0161][0162]
其中，δ
bs,u
和δ
bs,cr
分别为bs-to-user和bs-to-cr链路的rician因子；n和k为非负实数；φ1(n,k)被表示为：
[0163][0164]
其中γ(
·
)为伽马函数；
[0165]
通过使用伽马函数的不完全展开形式，φ1(n,k)被进一步转换为：
[0166][0167]
变量y的累积分布函数fy(y)被推导为：
[0168][0169]
其中，δ
cr,u
为cr-to-user链路的rician因子；φ2(n,k)被表示为：
[0170][0171]
类似地，通过使用伽马函数的不完全展开形式，φ2(n,k)被进一步转换为：
[0172][0173]
步骤2.2：根据步骤2.1，与s1相关的平均数据速率被计算为：
[0174]
[0175]
然后，被进一步转换为：
[0176][0177]
定义得：
[0178][0179]
引入中间变量得：
[0180][0181]
其中，和λ＞0。
[0182]
然后，式(21)被计算为：
[0183][0184]
其中，表示不完全的伽马函数，[
·
]
(l)
表示l阶导数；
[0185]
步骤2.3：根据步骤2.1与2.2，将式(19)-(22)代入式(18)，得的精确表达式：
[0186][0187]
在式(23)中，ψ(p
tot
)和ψ(α2p
tot
)被分别表示为：
[0188][0189]
和
[0190][0191]
其中，和被分别表示为：
[0192][0193]
和
[0194][0195][0195][0195][0196]
[0197]
其中，表示与s2相关的平均数据速率；在式(28)中，为：
[0198][0199]
其中，
[0200][0201]
将式(23)和(28)代入式(11)，的闭合表达式被表示为：
[0202][0203]
其中，为无人机中继车联网的和速率的精确表达式；
[0204]
步骤2.4：本方法使用gauss-chebvshev积分对速率进行估计；具体而言，定义γ(-l,λ)被转化为：
[0205][0206]
其中，f为近似阶数；根据式(32)，得：
[0207][0208]
和
[0209][0210]
通过使用式(33)和(34)，的近似表达式被表示为：
[0211][0212]
类似地，χ
s2
(p
tot
)被近似为：
[0213][0214]
将式(36)代入式(28)，得的近似表达式根据式(32)-(36)，
的近似表达式被表示为：
[0215][0216]
第三步，基于第一步所构建的无人机中继车联网，构建速率优化的目标函数与优化条件，通过牛顿迭代法、智能优化算法进行迭代求解，构建速率优化方法，具体地步骤如下：
[0217]
步骤3.1：通过优化无人机的三维位置(x
cr
,y
cr
,z
cr
)本方法旨在最大化传输速率最大化问题被建模为：
[0218][0219]
其中，[x
min
,x
max
]、[y
min
,y
max
]及[z
min
,z
max
]为无人机的水平、经度和垂直位置的取值范围；
[0220]
步骤3.2：采用迭代优化方式求解优化问题p1；首先，假设给定(x
cr
,y
cr
)，为一个单峰函数；本方法采用牛顿迭代法获得最优高度(z
cr
)
*
；牛顿迭代法的更新公式为：
[0221][0222]
其中，v表示第v次迭代，v＝0,1,2,...；
[0223]
然后，将(z
cr
)
*
代入p1，采用智能优化算法，即粒子群优化算法，获得最优的水平位置(x
cr
,y
cr
)
*
；
[0224]
最后，重复步骤3.2中求解p2和p3的过程，直至收敛，获得最优的(x
cr
,y
cr
,z
cr
)
*
以实现速率优化。
[0225]
下面结合仿真对本发明的技术效果作详细的描述。
[0226]
本实验对一种无人机中继车联网速率估计与优化方法和基于相同网络参数的已有机制进行仿真，验证本发明方法的优越性。具体地步骤如下，相同网络参数为：α1,α2∈[0,1]，α1+α2＝1，(x
bs
,y
bs
,z
bs
)＝(0,0,200)m，(x
cr
,y
cr
)＝(600,0)m，z
cr
∈[0,200]m，xu＝0m，yu∈[900,1500]m，δ
bs,u
＝1，δ
bs,cr
＝10，δ
cr,u
＝5，γ
bs
∈[0,40]db。载波频率为2ghz，车辆天线高度为1.5m，车辆的速度为sv，sv∈[70,110]km/h，csi反馈延迟dv，dv∈[0.2,1.0]ms。结果为仿真5000次后的平均值。
[0227]
将本发明速率估计的技术效果与步骤2.3推导的精确表达式所获得的技术效果进行对比。具体的技术效果对比如图3所示。图3显示了本发明获得的速率估计结果与精确表达式所获得结果的匹配程度。图3是本发明实施例提供的与精确表达式所获得的结果进行数据速率对比的性能对比图。请参阅图3，仿真结果表明了所获得速率估计的准确性。采用本方法可以实现98.4％的估计精度。
[0228]
将本发明速率优化的技术效果与三种现有技术进行对比。具体对比方案如下：a)
对比方案1(noma-drone-crs)：该方案采用无人机作为中继，并利用noma技术提高协作中继系统的传输速率。然而，在该方案中，协作中继的高度z
cr
没有被优化。b)对比方案2(noma-mbs-crs)：该方案采用微基站(micro base station,mbs)作为中继，z
cr
＝25m。此外，该方案采用了noma技术。c)对比方案3(oma-drone-crs)：该方案采用基于oma的协作中继系统，并将无人机作为中继。此外，优化了(x
cr
,y
cr
,z
cr
)。具体的技术效果对比如图4所示。图4显示了本发明与三种现有技术在和速率方面的对比。
[0229]
将本发明与对比方案1(noma-drone-crs)、对比方案2(noma-mbs-crs)、对比方案3(oma-drone-crs)进行性能对比，如图4所示。请参阅图4，给出了和速率与车辆速度之间的关系。由此图可以看出，在不同车辆速度下，本发明的性能显著优于三个对比方案，即具有最高的和速率。
[0230]
综上，本发明实施例，针对现有技术存在的问题，提供一种无人机中继车联网速率估计与优化方法。具体而言，本方法首先将crs与noma技术相结合，提出了一种noma增强的crs，用于无人机中继车联网中的空间复用传输。然后，采用不完全伽马函数和贝塞尔函数的泰勒展开式获得无人机中继车联网速率的精确表达式。之后，使用gauss-chebvshev积分对速率进行估计。而后，将速率优化问题形式化为与中继高度、水平位置相关，以最大化传输速率为目标的优化问题，并结合牛顿迭代法、智能优化算法进行迭代求解。该方法获得的速率估计结果与精确表达式所获得的结果匹配程度较好。同时，相比于现有技术，该方法通过优化中继高度、水平位置可有效提高无人机中继车联网的传输速率，相较于其他车联网传输方法更适用于智能交通系统。

技术特征：
1.一种无人机中继车联网速率估计与优化方法，其特征在于包括下述步骤：第一步，构建基于crs和noma的无人机中继车联网以提高频谱效率；第二步，基于无人机中继车联网，获得速率的精确表达式与近似表达式，构建速率估计方法；第三步，基于无人机中继车联网，构建速率优化的目标函数与优化条件，通过牛顿迭代法、智能优化算法进行迭代求解，构建速率优化方法。2.根据权利要求1所述的无人机中继车联网速率估计与优化方法，其特征在于：所述第一步，构建基于crs和noma的无人机中继车联网以提高频谱效率，具体包括：步骤1.1：无人机中继车联网包括一个基站、一个无人机和一个车辆用户；基站与无人机和车辆用户分别进行下行通信；无人机被用作协作中继，无人机与车辆用户进行下行通信；无人机工作于悬停模式，高度及水平位置均可调整；无人机采用中继协议，通信处于半双工模式；空对地信道为rician衰落信道；定义bs-to-user、bs-to-cr、cr-to-user链路的rician衰落信道系数分别为h
bs,u
、h
bs,cr
、h
cr,u
，平均信道功率增益为p
bs,u
、p
bs,cr
、p
cr,u
；h
bs,u
、h
bs,cr
、h
cr,u
是相互独立的；此外，采用一阶高斯-马尔科夫过程估计h
bs,u
和h
cr,u
；无人机中继车联网采用笛卡尔坐标系，基站位于(x
bs
,y
bs
,z
bs
)，无人机位于(x
cr
,y
cr
,z
cr
)，车辆用户位于(x
u
,y
u
,0)；(x
bs
,y
bs
,z
bs
)为基站水平、经度和垂直位置的坐标；(x
cr
,y
cr
,z
cr
)为无人机水平、经度和垂直位置的坐标；(x
u
,y
u
,0)为车辆用户的水平、经度和垂直位置的坐标；步骤1.2：车辆用户在2个时隙接收2个不同的信号；具体而言，在第一个时隙，基站传输的重叠信号表示为：其中，α1和α2为功率分配系数，α1+α2＝1；p
tot
为总发射功率；s1和s2为2个不同的数据符号具有归一化的功率，即e[|s1|2]＝e[|s2|2]＝1；重叠信号在第一个时隙会同时发送给协作中继和用户；在第一个时隙，协作中继接收到的信号表示为：其中，η
bs,cr
为加性高斯白噪声，其中σ2为方差；此外，在第一个时隙，用户接收到的信号表示为：其中，η
bs,u
为加性高斯白噪声，在第一个时隙，用户解码数据符号为s1，并将数据符号s2视为干扰；协作中继使用连续干扰消除技术解码重叠信号以获得数据符号s2；然后，在第二个时隙，协作中继传输数据符号s2；在第二个时隙，用户接收到的信号表示为：
其中，η
cr,u
为加性高斯白噪声，对于数据符号s1而言，协作中继在第一个时隙的信干噪比为：对于数据符号s2而言，由于使用了sic技术，因此协作中继在第一个时隙的信干噪比为：然后，用户在第一个时隙的信干噪比为：假设大于sic解码阈值，即数据符号s1被成功解码；因此，在第二个时隙，用户的信干噪比为：步骤1.3：与s1相关的数据速率被计算为：其中，γ
bs
为基站的信噪比(signal-noise ratio,snr)，与s2相关的数据速率被计算为：
因此，noma增强的crs的速率和r
sum
被表示为：3.根据权利要求2所述的无人机中继车联网速率估计与优化方法，其特征在于：所述sic解码阈值大于0db。4.根据权利要求1所述的无人机中继车联网速率估计与优化方法，其特征在于：所述第二步，基于第一步所构建的无人机中继车联网，获得速率的精确表达式与近似表达式，构建速率估计方法，具体步骤包括：步骤2.1：引入中间变量z和y，其中z＝min{|h
bs,cr
|2,|h
bs,u
|2}、y＝min{|h
bs,cr
|2γ
bs
α2,|h
cr,u
|2γ
bs
}；通过使用贝塞尔函数的泰勒展开式，变量z的累积分布函数f
z
(z)为：其中，δ
bs,u
和δ
bs,cr
分别为bs-to-user和bs-to-cr链路的rician因子；n和k为非负实数；φ1(n,k)被表示为：其中γ(
·
)为伽马函数；通过使用伽马函数的不完全展开形式，φ1(n,k)被转换为：
其中，i和j分别为累加起始值，表示从j＝0一直到j＝k终止；从i＝0开始一直到i＝n终止；变量y的累积分布函数f
y
(y)为：其中，δ
cr,u
为cr-to-user链路的rician因子；φ2(n,k)被表示为：类似地，通过使用伽马函数的不完全展开形式，φ2(n,k)被进一步转换为：步骤2.2：根据步骤2.1，与s1相关的平均数据速率被计算为：然后，被进一步转换为：
定义得：引入中间变量得：其中，和λ＞0；然后，式(21)计算为：其中，表示不完全的伽马函数，[
·
]
(l)
表示l阶导数；步骤2.3：根据步骤2.1和步骤2.2，将式(19)-(22)代入式(18)，得的精确表达式为：在式(23)中，ψ(p
tot
)和ψ(α2p
tot
)被分别表示为：
和其中，和被分别表示为：和类似地，的闭合表达式被计算为：其中，表示与s2相关的平均数据速率；在式(28)中，为：
其中，将式(23)和(28)代入式(11)，的闭合表达式被表示为：其中，为无人机中继车联网的和速率的精确表达式；步骤2.4：采用gauss-chebvshev积分对速率进行估计；具体而言，定义γ(-l,λ)被转化为：其中，f为近似阶数；根据式(32)，得：
和和是的近似表达式，h为累加起始值，表示从h-1开始直到h＝f终止，λ为中间辅助变量；通过使用式(33)和(34)，的近似表达式被表示为：类似地，被近似为：将式(36)代入式(28)，得的近似表达式根据式(32)-(36)，的近似表达式被表示为：5.根据权利要求1所述的无人机中继车联网速率估计与优化方法，其特征在于：所述第三步，基于第一步所构建的无人机中继车联网，构建速率优化的目标函数与优化条件，通过牛顿迭代法、智能优化算法进行迭代求解，构建速率优化方法，具体包括：
步骤3.1：通过牛顿迭代法优化无人机的三维位置(x
cr
,y
cr
,z
cr
)，旨在最大化传输速率最大化问题被建模为：其中，[x
min
,x
max
]、[y
min
,y
max
]及[z
min
,z
max
]为无人机的水平、经度和垂直位置的取值范围；即同时满足x
cr
在[x
min
,x
max
]之间，且y
cr
需在[y
min
,y
max
]，且z
cr
需在[z
min
,z
max
]之间；步骤3.2：采用迭代优化方式求解优化问题p1；首先，假设给定(x
cr
,y
cr
)，p1简化为：在p2中，为一个单峰函数；采用牛顿迭代法获得最优优化后的高度(z
cr
)
*
；牛顿迭代法的更新公式为：其中，v表示第v次迭代次数，v＝0,1,2,...；然后，将(z
cr
)
*
代入p1，得：采用智能优化算法，即粒子群优化算法，求解p3；获得优化后的水平位置(x
cr
,y
cr
)
*
；而后，将优化后的水平位置(x
cr
,y
cr
)
*
代入p2，采用牛顿迭代法求解p2；重复步骤3.2中求解p2和p3的过程，直至收敛。6.根据权利要求5所述的无人机中继车联网速率估计与优化方法，其特征在于：所述收敛条件为，第i次迭代后的与第i-1次迭代后的的差值的绝对值小于阈值，阈值自行设定，阈值大于0。

技术总结
本发明提供了一种无人机中继车联网速率估计与优化方法，首先将CRS与NOMA技术相结合，提出了一种NOMA增强的CRS，用于无人机中继车联网中的空间复用传输，然后，采用不完全伽马函数和贝塞尔函数的泰勒展开式获得无人机中继车联网速率的精确表达式，使用Gauss-Chebvshev积分对速率进行估计，将速率优化问题形式化为与中继高度、水平位置相关，以最大化传输速率为目标的优化问题，并结合牛顿迭代法、智能优化算法进行迭代求解。本发明获得的速率估计结果与精确表达式所获得的结果匹配程度较好，通过优化中继高度、水平位置可有效提高无人机中继车联网的传输速率，相较于其他车联网传输方法更适用于智能交通系统。车联网传输方法更适用于智能交通系统。车联网传输方法更适用于智能交通系统。


技术研发人员：黄方慧 何亦昕 王大伟
受保护的技术使用者：陕西西工大科技园有限公司
技术研发日：2023.08.09
技术公布日：2023/10/20