基于深度学习的可见光通信无人机最优部署
信号处理
2020-07-20 v3 信息论
机器学习
math.IT
摘要
本文研究了配备可见光通信(VLC)能力的无人机(UAV)动态部署问题，以优化无人机赋能网络的能效。在所研究的模型中，无人机可同时提供通信与照明以服务地面用户。由于环境光照会增加VLC链路上的干扰，同时降低无人机的照明阈值，因此有必要考虑目标区域的照明分布以优化无人机部署。该问题被表述为一个优化问题，在满足用户照明与通信需求的同时联合优化无人机部署、用户关联与功率效率。为求解该问题，提出了一种将门控循环单元(GRUs)与卷积神经网络(CNNs)机器学习框架相结合的算法。利用GRUs和CNNs，无人机可建模长期历史照明分布并预测未来照明分布。在给定照明分布预测后，原始非凸优化问题可被划分为两个子问题，随后使用低复杂度迭代算法求解。接着，所提算法使无人机能够确定其部署与用户关联以最小化总发射功率。使用NOAA/NCEI地球观测组(EOG)真实数据的仿真结果表明，与不考虑照明分布和用户关联的传统最优无人机部署相比，所提方法可实现高达68.9%的总发射功率降低。
引用
@article{arxiv.1912.00752,
title = {Deep Learning for Optimal Deployment of UAVs with Visible Light Communications},
author = {Yining Wang and Mingzhe Chen and Zhaohui Yang and Tao Luo and Walid Saad},
journal= {arXiv preprint arXiv:1912.00752},
year = {2020}
}
备注
This paper has been accepted by IEEE Transactions on Wireless Communications. arXiv admin note: text overlap with arXiv:1909.07554