基于门控循环单元学习的可见光通信无人机最优部署
信号处理
2019-09-18 v1 机器学习
机器学习
摘要
本文研究了配备可见光通信(VLC)能力的无人机(UAV)部署优化问题。在所研究的模型中，无人机可同时向地面用户提供通信和照明。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，其目标是在满足用户照明和通信需求的同时最小化总发射功率。为解决该问题，提出了一种基于门控循环单元(GRUs)机器学习框架的算法。利用 GRUs，无人机可以对长期历史照明分布建模并预测未来照明分布。为了在降低预测算法复杂度的同时准确预测照明分布，采用高斯混合模型(GMM)来拟合每个时隙目标区域的照明分布。基于预测的照明分布，证明该优化问题是一个可通过对偶性求解的凸优化问题。使用 NOAA/NCEI 地球观测小组(EOG)真实数据的仿真表明，与不考虑照明分布的传统最优无人机部署相比，所提方法可实现高达 22.1% 的发射功率降低。结果还表明，无人机必须悬停在强照明区域，从而为配备 VLC 的无人机部署提供了有用指导。
引用
@article{arxiv.1909.07554,
title = {Gated Recurrent Units Learning for Optimal Deployment of Visible Light Communications Enabled UAVs},
author = {Yining Wang and Mingzhe Chen and Zhaohui Yang and Xue Hao and Tao Luo and Walid Saad},
journal= {arXiv preprint arXiv:1909.07554},
year = {2019}
}
备注
This paper has been accepted by the 2019 IEEE Global Communications Conference