基于Koopman的飞行自组网连通性预测
机器学习
2025-11-04 v1 系统与控制
系统与控制
摘要
机器学习在通信系统中的应用预计将在未来基于人工智能的下一代无线网络中发挥关键作用。虽然现有大多数工作关注于静态无线环境下的机器学习技术，但它们在应用于高度动态环境（如飞行自组网（FANETs））时常常面临局限性。本文探讨了利用数据驱动的Koopman方法来应对这些挑战。具体而言，我们研究了这些方法如何对FANETs中的无人机轨迹动力学进行建模，从而实现更准确的预测和更优的网络性能。通过利用Koopman算子理论，我们提出了两种可能的方法——集中式和分布式——来有效应对FANETs拓扑结构不断变化所带来的挑战。为进行演示，我们考虑一个执行监视任务的FANET，其中无人机遵循预定轨迹，并预测信干噪比（SINRs）以确保无人机间的可靠通信。我们的结果表明，这些方法能够准确预测导致建模通信中断的连通性和隔离事件。这种能力可以帮助无人机根据这些预测来调度其传输。
引用
@article{arxiv.2511.01286,
title = {Koopman-based Prediction of Connectivity for Flying Ad Hoc Networks},
author = {Sivaram Krishnan and Jinho Choi and Jihong Park and Gregory Sherman and Benjamin Campbell},
journal= {arXiv preprint arXiv:2511.01286},
year = {2025}
}