没有合适的资源?快使用搜索试试~ 我知道了~
⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8(2022)230www.elsevier.com/locate/icte大规模MIMO系统中多无人机基站的最优定位策略ManuelEugenioMorocho-Cayamcelaa,1,WansuLimb,10,1,MartinMaierc,2aYachay Tech大学,数学和计算科学学院,自动驾驶深度学习,机器人和计算机视觉研究小组(DeepARC),圣何塞庄园,圣米格尔德乌尔库基,厄瓜多尔b.日本龟尾市久茂国立技术学院航空、机械和电子融合工程系,韩国庆尚北道39177cOptical Zeitgeist Laboratory,INRS,Montreal QC,H5A 1K6,Canada接收日期:2021年3月15日;接收日期:2021年5月11日;接受日期:2021年8月3日2021年8月25日网上发售摘要无人机基站(DBS)的概念已经被应用于减小宏基站与基站之间的无线链路的距离。在军事通信、智能工业和高密度网络中的各种场景下为活跃用户提供服务,并在基础设施受损的拓扑中提供服务。在本文中,我们解决了多个DBS在多输入多输出无线网络设置的最佳定位。我们提出了一个低复杂度的基于机器学习的算法来优化DBS的位置,通过最小化集体无线接收信号强度所经历的活动终端。所提出的算法减少了传播损耗,该系统提供了比欧几里德成本基准更低的误码率c2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:灾害场景;大规模MIMO;路径规划;无人机;用户关联1. 介绍无人驾驶飞行器或无人机提供独特的优势,例如快速部署和机动性。因此,它们在提高农业、工业、智能工厂、军事和电信等多个领域的服务质量(QoS)方面具有相当大的潜力。用于5G+或6G的无人机的新兴用例之一是它们在电信行业中用作基站(BS),以服务具有极高用户设备(UE)密度的场景,扩展无线通信覆盖范围,从现有基础设施的损坏中恢复,提高频谱效率这项工作得到了中小企业和初创企业部的支持,S。韩国(S2829065,S3010704)和韩国国家研究基金会(2020 R1A4A101777511)。∗ 通讯作者。电子邮件地址:mmorocho@yachaytech.edu.ec(M.E. Morocho-Cayamcela),wansu. kumoh.ac.kr(W.Lim),maier@emt.inrs.ca(M.Maier)。1 IEEE成员2 IEEE高级成员同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2021.08.010通过缩短链路距离,增加多样化服务的体验质量.由于增长, UE的数量与高移动性场景和诸如大规模多输入多输出 ( MIMO ) 的 新 天 线 技 术 相 结 合 , 跟 踪 无 人 机 BS(DBS)的位置和轨迹已经成为更新的研究领域。DBS的路径规划已经成为关键任务操作和灾难响应中需要解决的最关键问题之一[2]。固定BS场景中的常规小区选择通过根据以下来选择BS来执行:最强的接收功率。固定BS拓扑已被证明在频谱利用方面是非最佳的[3]。异构网络已经通过减少从宏小区BS(MBS)到其UE的距离来辅助频谱的优化[4]。然而,进一步优化具有DBS的频谱需要最小化充当BS的无人机与其活动UE之间的集体距离[5已经进行了研究,以解决单天线DBS的定位问题与混合整数非线性规划(MINLP)技术,这已被证明是非常复杂的[8]。以前的工作已经进行了考虑的最小化的度量空间2405-9595/2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。法医Morocho-Cayamcela,W.Lim和M.MaierICT Express 8(2022)230231∑φy= ρgx+w,(3)mu l k m∑√ √--||联系我们--∼=·{联系我们=-y=0KKK{} ∈==={} ∈K--=-不KK--函数来解决分布式基站的选址问题[9在DBSs将配备有相当数量的天线的大规模MIMO设置中,信道的调查、DBS的定位和小区选择问题甚至更加复杂,使得MINLP求解器的实现对网络性能具有相当大的影响[14虽然在某些应用中可以考虑度量空间,已经证明,由于无线电传播的特性,由于发射机和接收机天线之间的障碍物,收发机之间的最短距离并不总是最佳的[18,19]。在本文中,我们解决了在一个大规模的MIMO无线网络设置的多个DBS的最佳定位第一、我们介绍了DBS大规模MIMO无线通信模型,然后提出了一种低复杂度的无监督在上行链路中,UE同时发送K个信号x1,. . .,x K,第m个DBS天线接收信号KMKk=1其中pul是上行链路信噪比(SNR),并且wmCN(0,1)是接收机噪声,其中wm在天线之间不相关。我们将终端的发射功率单独约束为Exk2 1,其中E是平均算子,并且我们认为发射的信号具有零均值Exk0。因此,根据(3),DBS中的M个天线接收向量y[yi,. . .,y M],其中()作为转置运算符Ky=ρulgkxk+w=ρulGx+w,(4)k=1基于机器学习(ML)的算法,根据集体无线通信协议的DBS的位置其中x[x1,. . . ,x K] n,w [w1,. . . ,wM]n,和gk矩阵G的第k列。在下行链路中,作为DBS相反,活动UE所经历的信道传播传统的度量空间代价函数。所提出的算法更新DBS的位置,最小化每次迭代后的信道传播。此外,我们分析了每次迭代后的误码率(BER),评估了网络中DBS数量的影响,并证明了我们的算法的收敛性。2. 大规模MIMO本节介绍大规模MIMO通信本研究中使用的模型和拟定的M天线发送M向量x,并且通过互易性,第k个UE接收yk=<$ρdlg<$kx+wk,(5)其中ρdl是下行链路SNR,wk是噪声。如果我们以向量形式表示(5),则向量y可以表示为:ρdlGx+w,(6)其中y =[y1,. . . ,y K] n和w k [w1,. . . ,wK] n. 我们假设i.i.d. CN(0,1)噪声样本{w,k},以及归一化的x,大肠 ≤1,对应长期约束xk无监督DBS轨迹选择算法。2.1. DBS大规模MIMO系统模型我们考虑了一个蜂窝大规模MIMO系统,其中总共L个DBS配备了M个天线的阵列,并通过空间复用同时服务K个终端。令第k个终端和第m个DBS天线之间的增益表示为gm。假设DBS天线被配置在紧凑阵列中,给定UE与所有DBS天线之间的无线链路受到相等的大尺度衰落系数β k的影响,该大尺度衰落系数βk取决于k、空中距离和不同的小尺度衰落hm,但不取决于m。因此,gm可以表示为:g m=αβkh m, k = 1,. . . ,K,m=1,. . . ,M. (一)取决于天线辐射功率的总和我们假设容量的可用性以及DBS和现有MBS之间的可靠回程链路。2.2. 无监督DBS轨迹选择在实际DBS系统中,要部署的无人机的数量L及其初始三维位置Tz1,. . .,z LR(长×3) 已知,其中Z l代表,对第l个DBS的位置感到不满。如果我们假设L3的最小值,则DBS可以基于信号强度对UE的位置进行三角测量。经由DBS的定位获得的UE的定位矩阵被表示为有限三维矩阵Sx1,. . .,x KR(K×3),其中xk表示第k个UE的位置。我们的目标是迭代地找到DBS位置T的最优矩阵哪里|不| = L. T的递归估计 将追溯小尺度衰落遵循独立的瑞利衰落,在UE和DBS天线之间的间隔,使得h,m是i.i.d.具有均值μ0和方差σ21的圆对称高斯随机变量(即,CN(0,1))。我们让所有UE和所有DBS之间的信道增益由矩阵DBS的最佳实时轨迹,成本()。我们的算法的第一步将每个第k个UE分配给在MIMO无线网络中呈现最低接收信号强度的第l个DBS。我们诱导三维Voronoi分解从DBS的位置到11L凸单元C1,. . .,C1,使得C1 = {x ∈S:法医Morocho-Cayamcela,W.Lim和M.MaierICT Express 8(2022)230232K1···最低成本(T)的xk是zl}。 而不是传统G=0.000000G. . .. 好吧(二)欧几里德成本函数,成本(T)=∑x∈S minz∈T<$x−z<$2,M···gM其中,z隐含在大尺度衰落估计中,法医Morocho-Cayamcela,W.Lim和M.MaierICT Express 8(2022)230233∑不←不| |为={}∈+∑<$T=+∈∈不←=:=:=:∈∈1:L1:L1:L1:L4. 结论和今后的工作信道增益矩阵gk。我们最小化接收信号,(5)如下:成 本 ( T ) =minz∈T<$ρdlg<$kx+wk ,(7)x∈ S因此,每个第k个终端根据(7)选择具有表示最低成本()的第l个DBS的小区C1。我们的算法的第二步根据分配给每个DBS的UE的位置的第一矩来更新DBS位置矩阵T。也就是说,zlE[Cl]。算法运行直到DBS的位置稳定(即,直到(7)中的成本()收敛)。算法1提供了该过程的简化伪代码,其计算成本为O(1|S|)。算法1多个DBS的最优轨迹搜索输入:DBS的数量L,和DBS的初始位置的三维矩阵Tz1,. . . ,zLR(L×3).输出:优化DBS位置矩阵T,其中T L。1:重复(每次迭代)一个签名的 UE的到的对应DBS S2:得到所有K个活动的三维位置矩阵在MATLAB中配置。每个DBS包含一个64单元的发射均匀线性阵列(DBS)。发射天线具有余弦响应,接收天线是各向同性的。两个阵列的元件间距小于二分之一波长。该通道具有200个随机生成的静态散射体。信号的采样速率设置为10 MHz。第一个DBS的高度被限制在地面以上50米,随后的每个DBS间隔1米,以避免碰撞。为了说明模拟场景,300个UE已经被部署在三个高密度集群中,其中三个DBS运行轨迹选择算法,(1)传统的欧几里德度量代价函数,以及(2)我们提出的信道相关代价函数。图图1示出了在1、4、7和10次迭代之后,利用欧几里德度量作为成本函数获得的DBS的二维轨迹。注意,UE根据最短距离[9这些分布未能考虑MIMO信道的真实特性;因此,DBS找到到每个UE分布的中心的快速路径。图2表示当DBS遵循我们的矢量量化时所在ueS={x 1,. . . x K} ∈R(K×3).通过RSS三角测量在1、4、7和10次迭代之后的基于通道的最小化。注意,从第一次迭代开始(图1)。 2(a)),该sim-3:对于k,在所有UE上进行迭代。4:对于11 L,在所有DBS上迭代。5:计算第k到第l个成本:cost()xkSminzl不ρdlgk xwk.6:让每个第k个活动UE选择第l个DBS,表示根据(7)的最低成本()。7:结束8:结束DBS预订U PDATE9:对于L1我做10:zlE[Cl]11:结束12:T ←更新z1,. . . ,z L十三: 直到cost(T)收敛或最大。达到迭代次数14:返回T恤优化DBS位置矩阵在算法1的运行时间期间,成本单调下降。该算法将收敛到DBS位置T的最终集合。为了证明收敛性,我们令z(t),. . .,z(t)和与MIMO信道中经历的大规模衰落效应相结合的散射体影响终端到DBS的分配。在图2(b)中,两个DBS趋于收敛,在底部的终端集群和右侧的终端集群之间共享服务负载。如图所示图2(c),在顶部为集群服务的DBS仍然由于MIMO无线网络中信号强度的最小化,具有在底部分配的终端。最后,在Fig. 在图2(d)中,三个DBS收敛到三个合成生成的UE分布。图图3评估了生成DBS的轨迹对40次迭代中所有子系统中经历的平均传播损耗的影响。我们的算法产生的数据进行比较,从欧几里德成本最小化获得的数据。我们提出的算法在模拟过程中产生较低的平均传播损耗在每个子系统。为了进一步验证我们的贡献,图4显示了Eb/N0(dB)与BER的关系C(t)(吨)在1、4、7和10次迭代之后,对于两个成本函数,1,. . .、Cl分别指示第t次迭代开始时的中心和聚类。迭代的第一步将每个UE分配给其最接近的DBS;因此,cost(C(t+1),z(t))≤ cost(C(t),z(t))。(八)相移键控(PSK)调制。请注意,我们提出的方法产生了一个更低的BER比欧几里德最小化基准的所有迭代。在第二步中,在通用的随机向量成本(C,z)=成本(C,均值(C))+|C|·z − mean(C)2,(9)对于任意集合CRd 并且任何z Rd,每个DBS在其均值处重新居中,法医Morocho-Cayamcela,W.Lim和M.MaierICT Express 8(2022)2302341:K1:K1:K1:Kcost(C(t+1),z(t+1))≤ cost(C(t+1),z(t))。(十)尽管与能源相关的挑战尚未得到全面解决,但人们高度期望DBS对于改善5G+或6G网络中的QoS至关重要。我们解决了MIMO环境中多个DBS的轨迹选择问题,声称文献中使用的流行的欧几里得成本函数对于高动态无线场景可能不是理想的。我们提出了一个替代成本最小化接收信号强度的函数,3. 仿真结果和性能评估为了模拟DBS和UE之间的传播信号,使用具有随机散射体的6GHz MIMO信道,传统的公制距离。进一步的研究可能会-对基站位置的初始化、信号三角测量机制的影响以及小区间干扰情况进行了研究,以达到系统性能的最大化法医Morocho-Cayamcela,W.Lim和M.MaierICT Express 8(2022)230235不不Fig. 1. 以欧氏距离为代价的无人机轨迹( 在(a)1、(b)4、(c)7和(d)10次算法迭代之后,垂直轴,单位为米。图二. 使用所提出的MIMO信道接收信号强度作为成本的无人机轨迹( 在算法的(a)1、(b)4、(c)7和(d)10次迭代之后, 其中水平轴和垂直轴的单位为米。图三. 在40次迭代后,我们提出的成本函数相对于[9- 12 ]中使用的欧几里得度量成本的见图4。 E b/N 0(dB)与使用以下参数生成的MIMO通信的BER的关系我们提出的成本函数和[9竞合利益作者声明,他们没有已知的可能影响本文所报告工作引用[1] A.福图希湾Qiang,M.丁,M. Hassan,L.G. Giordano,A. Garcia-Rodriguez,J. Yuan,无人机蜂窝通信综述:实践方面,标准化进展, 法规和安全 挑战, IEEE Commun 。监 视器家 教21( 4 )(2019)3417-3442。[2] S. Aggarwal,N.Kumar,无人机路径规划技术车辆:回顾,解决方案和挑战,2020年,pp。270-299.[3] S.V.Hanly,一种用于组合小区站点选择和功率控制以最大化蜂窝扩频容量的算法,IEEE J.Sel. 地区Commun. 13(7)(1995)1332[4] Y. 林,W.鲍,W.于湾,澳-地梁,优化用户关联,频 谱 分 配 在 hetnets : 一 个 效 用 的 角 度 来 看 , IEEEJ.Sel.AreasCommun。33(6)(2015)1025-1039。[5] J.Chen,D. Raye,W. Khawaja,P. Sinha,I. Guvenc,3D空对地无人机连接上的可调天线辐射模式,2018年IEEE第88届车辆技术会议,VTC秋季,2018年,第1比5。[6] D.W. 马托拉克河 Sun,用于非机动车辆的空地通道特性有人驾驶飞机系统-第一部分:水上环境的方法、测量和模型,IEEE交通运输。Technol.66(1)(2017)26-44.[7] H.C. 阮河,巴西-地Amorim,J. Wigard,I.Z.Kovacs,P. Mogensen,Using lte networks for uav command and control link:A rural areacoverage analysis , in : 2017 IEEE 86th Vehicular TechnologyConference,VTC-Fall,2017,pp. 1比6[8] C.T. Cicek,H.古尔泰金湾Tavli,无人机基站计算机操作员Res. 111(2019)155[9] L. Liang,W. Wang,Y. Jia,S. Fu,一种基于簇的超密集网络节能资源管理方案,IEEE Access 4(2016)6823[10] J.孙角,澳-地Masouros,无人机定位用户覆盖最大-2018年IEEE第29届个人,室内和移动无线电通信年度国际研讨会,PIMRC,2018年,pp。318-322法医Morocho-Cayamcela,W.Lim和M.MaierICT Express 8(2022)230236[11] L. Wang , Y. Chao , S. 郑 , Z. Han , An integrated affinitypropagationandmachinelearningapproachforinterferencemanagement indrone base stations,IEEE Trans. Cogn. Commun.网络6(1)(2020)83-94。[12] H.埃尔哈姆托湾班吉拉利湾Shihada,M. Alouini,Learn-as-you-fly:多无人机网络中联合3D布局和用户关联的分布式算法,IEEETrans. Wireless Commun。18(12)(2019)5831-5844。[13] L.王湾,澳-地Hu,S. Chen,Energy efficient placement of a dronebasestation for minimum required transmission power , IEEE Wirel.Commun. Lett.(2018年)1.[14] 朗格作者:Marzetta,E. Yang,H.Q. Ngo,大规模MIMO的基础,第一版,剑桥大学出版社,剑桥,英国,2016年。[15] 法医Morocho-Cayamcela,H.李,W。Lim,5G/B5 G移动和无线通信的机器学习:潜力,限制和未来方向,IEEE Access 7(2019)137184-137206。可用:https://ieeexplore.伊。org/document/884682/.[16] E. Björnson,J. Hoydis,L. Sanguinetti,Massive MIMO Networks,第一版,现在的出版公司,Pisa,Italy,2019,p.1.一、[17] E. 比 约 恩 松 湖 Sanguinetti , H. Wymeersch , J. Hoydis , T.L.Marzetta,Massive MIMO已成为现实-下一步是数字。信号处理。94(11)(2019)3-20,[在线]。可用:https://linkinghub. 我的天啊。com/retrieve/pii/S1051200419300776.[18] 法医Morocho-Cayamcela,M. Maier,W. Lim,Breaking wirelesspropagation environmental uncertainty with deep learning , IEEETrans- actions on Wireless Communications 19(8)(2020)5075//dx.doi.org/10.1109/TWC.2020.2986202网站。[19] 法医Morocho-Cayamcela ,H. 李,W。Lim,Machine learning toimprove multi-hop searching and extended wireless reachability inv2x,IEEE Communications Letters 24(7)(2020)1477//dx.doi.org/10.1109/LCOMM.2020.2982887网站。Manuel Eugenio Morocho Cayamcela收到了B.S.彼于二零一二年获厄瓜多尔昆卡萨勒西亚纳理工大学颁授电子工程硕士学位,于二零一六年获英国伯明翰大学颁授通信工程及网络硕士学位,及于二零一六年获英国剑桥大学颁授博士学位。2002年,在大韩民国Gumi-si从2017年到2020年,他一直担任韩国Gumi-si期间2020年,他担任厄瓜多尔瓜亚基尔ESPOL的研究员。目前,他是厄瓜多尔Urcuquí Yachay Tech大学的全职教授。他的研究兴趣包括通信工程和网络,人工智能,深度学习,计算机视觉,无线通信和优化。Morocho-Cayamcela先生于2015年获得厄瓜多尔高等教育,科学,技术和创新国家秘书处的SENESCYT奖学金,并于2017年获得Kumoh国家技术学院Wansu Lim目前是韩国Kumoh National Institute ofTechnology(KIT)的副教授,领导残疾人ICT技术、机器学习研究和计算机视觉处理的活动。 他在韩国光州科学技术学院(GIST)接受教育,并获得硕士和博士学位。分别在2007年和2010年。从2010年到2013年,他是英国赫特福德大学的研究员,然后是国家研究所的博士后研究员2013年至2014年,加拿大科学Lim博士是Elsevier Computer Communications的技术委员会成员和IEEE Communications Society的成员。他撰写了60多篇同行评审期刊和会议论文, 作为几个IEEE会议和期刊的评审员Martin Maier是加拿大蒙特利尔国家科学研究所(INRS)的正教授。他曾在德国柏林工业大学接受教育,并获得理学硕士和博士学位。分别于1998年和2003年以优异成绩获得学位。2003年夏天,他是一名博士后研究员,麻省理工学院(MIT),剑桥。2006年10月至2007年3月,他是斯坦福斯坦福大学的客座教授。此外,他是一个共同接受者的2009年IEEE通信学会最佳论文奖。他是2014年3月至2015年2月,担任欧盟委员会玛丽·居里研究员。2017年3月,他获得了亚历山大·冯·洪堡(AvH)基金会颁发的弗里德里希·威廉·贝塞尔研究奖,以表彰他在FiWi增强网络研究方面的成就。2017年5月,他被评为欧盟委员会2017年玛丽·斯克洛多夫斯卡-居里行动奖(MSCA)“对更美好社会的贡献”类别 中 三 位 最 有 前 途 的 科 学 家 之 一 。 他 是 光 学 时 代 精 神 实 验 室(www.zeitgeistlab.ca)的创始人和创意总监。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功