基于数据辅助的无人机集群协同空域抗干扰

研究移动中的无人机通过动态感知和学习干扰来波方向,实时调整波束成形策略来抑制干扰。针对实际场景中无人机不能获得干扰者的全部动作来进行策略训练的问题,提出使用集群内部协作收集干扰机动作数据从而补充训练数据的方法来从而提升集群抗干扰。将波束成形决策建模为马尔可夫决策过程,基于深度强化学习架构,提出了基于数据辅助的无人机集群协同空域抗干扰算法。仿真结果表明,在辅助数据分别达到40%,60%,80%时,系统吞吐量分别得到33%,55%,70%的提升,验证了本文提出的方法能有效提高无人机协同抗干扰能力。     

电磁对抗环境下通信频谱行为分析

通信频谱行为分析是电磁频谱对抗中提升通信态势感知层次,增强电磁侦察能力的关键手段。随着人工智能技术的发展,通信频谱行为分析的相关研究逐渐由基于手工特征提取的传统方法向基于深度学习的智能方法转变。然而,电磁对抗环境下通信频谱监测数据稀缺、数据不完全的问题会影响深度网络对特征的学习。同时,高动态的战场环境对分析方法实时性提出更高要求。本文聚焦电磁对抗环境下的通信频谱行为分析问题,将通信频谱行为分析相关技术的研究目标归纳为：用频行为分析、网络拓扑识别与通信意图推理3大类。阐述其内在联系,总结现有研究并梳理其发展脉络,分析面临的挑战并做出展望。     

基于局部信息交互的博弈学习算法

博弈理论在无线通信领域的应用愈加广泛并逐渐成为解决无线频谱资源分配的重要方法之一。论文关注5G通信系统中的异构信道选择问题,针对该问题传统集中式优化机制系统效率较优但优化开销大,而传统分布式优化机制优化开销较少但系统效率受限。为实现系统效率与优化开销的有效折衷,论文将问题建模为局部合作博弈,提出基于局部信息交互的博弈学习算法,实现了系统在分布式优化机制下达到最优性能。仿真结果验证了算法的最优性,收敛性和稳健性。     

面向多点侦察和通信服务的多无人机协同任务分配

针对多无人机对多个异构任务目标进行侦察和通信服务的协同优化问题,通过考虑不同目标的任务要求和价值,以及多机协同增益与任务行为制约关系,构建斯坦伯格博弈模型,将上层无人机建立为博弈领导者,下层无人机建立为博弈的跟随者,并提出一种分布式策略更新迭代算法,实现了多无人机任务分配方案的稳定收敛以及系统任务收益优化.仿真结果显示,所提方法能有效提升多无人机系统同时完成多个任务的效益,并能在不同环境下实现面向异构任务价值的高效协同.     

多无人机协同侦察时间资源分配优化

利用多无人机协同执行侦察任务,可以有效提高侦查的准确性。不同的侦察任务目标对象,重要程度往往不同,其任务价值也就存在差异,因此需要对协同侦察的无人机资源进行合理任务分配,提高协同侦察效益。本文重点考虑对无人机侦察时间资源分配的问题。首先,构建了一种自主协同资源分配机制,并以被辅助无人机为领导者,辅助无人机为跟随者,建立了斯坦伯格博弈模型。然后通过下层博弈均衡求解和上层博弈均衡求解,推导了辅助无人机最佳协助时间的闭合表达式,并得出所构建斯坦伯格博弈模型的纳什均衡解。最后对所提模型和方法进行了仿真验证,仿真结果表明,所提方法使得辅助无人机的时间资源得到充分利用,协同侦察的效用得到有效提升。     

利用部分重叠信道的多无人机自主协同优化抗干扰

针对多无人机通信网络抗干扰中的功率和信道联合优化问题,考虑多无人机通信网络中的部分重叠信道切换、外部恶意干扰与网络内部互扰问题,通过构建Stackelberg博弈抗干扰模型,设计无人机用户和干扰机的效用函数,并提出了基于次梯度迭代的算法求解博弈的均衡解,获得无人机用户在干扰条件下的部分重叠信道选择和功率选择联合优化结果。仿真结果表明,所提算法能使多无人机用户获得良好的信道选择和传输功率策略,优化多无人机通信网络抗干扰性能。     

基于通联关系的通信网络拓扑发现方法

现有的网络拓扑推断方法,通常需要破解通信信号内容,不但成本高,适应性也较差.针对此问题,提出不破解信号内容,仅通过频谱信号物理特征和统计规律来挖掘通信目标间的通联关系,从而分析并构建网络拓扑结构.基于周期、功率、信号起始时间等特征,利用聚类算法挖掘目标区域内的通联关系.此外,对频谱数据集进行划分,依次分析每个子集的通联...     

基于子图分解的图聚类神经网络

聚类是机器学习的核心任务之一,其主要目的是将无标签数据中的不同簇数据进行分离。深度聚类算法使用深度神经网络联合优化聚类目标与特征提取,极大地提高了聚类性能。图聚类是深度聚类领域近两年研究的一个重要分支,其在处理图结构数据上有极大的优势。提出一种新的图聚类方案：基于子图分解的图聚网络,该模型在图自编码器的基础上通过构建多个子图,并在子图的嵌入空间中加以组稀疏约束达到最终的聚类目的。     

基于复数生成对抗网络的5G OFDM信道估计方法

准确的信道估计能够显著地降低误码率（bit error rate,BER）,提高无线通信效率和质量,是5G OFDM通信系统接收机设计的关键环节之一。基于最小二乘（least square,LS）法和基于最小均方差（minimum mean square error,MMSE）的信道估计方法利用系统稀疏性计算信道响应矩阵,但LS算法计算精度较低,而MMSE算法计算量过大。为提升估计精度,业界设计了基于深度学习的信道估计方法。然而,现有的深度学习方法将复数矩阵拆分成实部和虚部,没有充分提取信道中的复数特征,造成估计的信道响应矩阵出现失真。为此,设计了一种基于复数的生成对抗网络模型,充分提取信号的复数特征,从而更准确地估计5G新空口（new radio,NR）标准的物理下行链路共享信道（physical downlink shared channel,PDSCH）的信道响应矩阵。为了验证所提方法的有效性,将所提方法分别与LS算法、实际信道估计、超分辨率神经网络、残差神经网络信道估计算法进行了对比分析。结果表明,当估计的信道响应矩阵与真实矩阵之间的均方差达到0.01时,采用所提方法实现的无线...     

面向多模异构任务的无人机集群自主协同优化

针对无人机集群同时遂行多个异构模式、异构价值、异构需求任务时的自主协同优化问题,构建了集群遂行多模异构任务协同优化模型,提出了一种基于重叠式联盟博弈的分布式协作算法。通过综合考虑任务模式、任务价值、任务需求,以及集群中不同无人机成员的资源情况,基于不同任务类型下联盟内任务成功率和效能计算,优化无人机任务选择和资源分配并实现算法收敛和系统稳定,以及优化的分布式多机协同。仿真结果表明,所提方法能有效提高系统效用和任务成功率,并能在不同环境下实现面向异构任务目标的高效协同。