无人机（Unmanned Aerial Vehicles, Us）凭借其卓越的机动性和灵活部署能力，已广泛应用于空中基站，以支持与地面用户（Ground Users, GUs）之间的高质量无线通信连接。与传统地面通信网络相比，U能够提供更为优质的通信链路质量，并根据用户需求提供灵活的按需服务。U在多个领域具有重要应用，如天然气管道巡检、应急救援和火灾监控等，这些应用场景要求U与GUs构建高效的视频传输网络。
视频服务对数据传输速率和画面清晰度有严格要求，但由于视频数据量大且对传输连续性要求高，U的视频传输系统在服务质量（Quality of Service, QoS）和体验质量（Quality of Experience, QoE）方面面临更高的挑战。此外，由于U机载电池容量受限，飞行时间和任务执行时间受到较大约束，因此，如何在保证QoE和QoS的基础上有效降低U系统的能耗，成为亟需解决的重要问题。
为了确保U视频传输系统能够满足不同地面用户的服务需求，可以在U上配备多根天线，实现同时对多个用户的通信，并通过波束成形技术将信号精确引导至每个用户的最佳接收路径，避免信号干扰并增强信号强度，从而提升系统的整体性能和服务质量。
2 系统模型 a)系统模型
基于旋翼U的空中视频监控系统由K 个单天线GUs和一架配备Mx×My=M≥2个均匀矩形阵列(Uniform Rectangular Array , URA)天线的旋翼U组成。U配备摄像头，从起点起飞并飞往目的地，在飞行过程中捕捉视频。随后，它利用多天线波束成形技术将视频信号传输给K 个单天线用户。
为减少因U频繁升降导致的能量消耗，假设U的飞行高度保持固定不变，设为恒定值H0
。将U的总运行时间作为优化变量，记为T 。在任意时刻t∈0,T 时，U的三维位置和速度可表示为qt=[xut, yut, H0]T∈R3×1 ，其中⋅T 代表矩阵的转置操作。初始位置和目的地是预先确定的，k
的坐标为uk=[xk,yk,0]T, U与用户k 之间的三维距离和水平距离分别表示为
由于U处于高空位置，空对地通信信道不仅需要考虑直接路径，还必须考虑来自周围建筑物和物体的多重反射和散射。因此，我们采用了包含视距(Line-of-Sight, LoS)和非视距(Non-Line-of-Sight, NLoS)多路径分量的Racian信道模型如下:
KR为系数，表示LoS路径功率与NLoS路径功率之比。α1 为U-GUs链路的路径损耗指数，
，λ=c/fc, c 为光速，fc 为频率。另外，
表示LoS路径的贡献，可表示为:
我们将时刻t 时U分配给GUs的波束成形向量表示为
。。
因此，GU k在时刻t的信噪比(signal-to-noise ratio, SINR)可以表示为
U与用户之间的可达速率为
为了避免视频再缓冲，引入了信息因果约束；即在任意时刻t ，只能在用户处播放已经接收到的视频数据，即
视频用户在时刻t 的视频质量是通过一个具有收益递减性质的对数函数来评估的， 将时刻t 的视频速率变化评估为当前和时间平均播放速率之间的平方差，即
.因此，我们将时刻t 的QoE定义为
其中λ 是一个积极的因素来平衡视频质量和视频速率变化之间的权衡。其中需要设置一个下限，以确保视频播放速率高于Umin ，即满足以下条件:
C）能量模型
U有限的电池容量限制了其飞行时间和传输能力。如何有效管理能源消耗对于空中视频传输至关重要。主要探讨旋翼U在飞行推进和通信过程中的能量利用问题。
假设U在固定高度运行，假设能够使我们忽略与垂直运动相关的能量消耗，仅关注水平飞行的能量消耗。在时刻t ，U的推进功率可表示为:
其中P0(1+3∥vt∥2Ω2r2) 表示U克服空气阻力所消耗的基础功耗，Pi(1+∥vt∥44v0–∥vt∥22v0)1/2 表示旋翼的诱导功耗，d0ρsAr2∥vt∥3 表示旋翼的驱动功耗。v0,Ω,r 分别代表旋翼的诱导平均速度、旋翼叶片的角速度以及旋翼的半径。
P0 和Pi 分别表示悬停状态下的叶型功率和诱导功率。d0,s,Ar,ρ 分别表示机身阻力比、旋翼的鲁棒性、旋翼盘面积和空气密度。此外，U在时刻t 的发射功率可以表示为: 
因此，U的总能耗可以表示为:
3 优化问题
问题（P1）中的约束条件1规定了U的起始和终止位置，约束条件2则限制了其速度，其中Vmax
表示U的最大速度。约束条件3确保在任意时刻t ，只能在用户处播放已经接收到的视频数据.约束条件（12）（13）分别对U的传输性能和视频播放速率提出了最低要求。
4 代码实现
参数初始化：
num_users：设置用户数量。 transmit_power_max 和 transmit_power_min：设定无人机最大和最小发射功率（单位：dBm）。 distances：每个用户与U的随机距离（单位：米）。 noise_power：假设的噪声功率（单位：瓦特）。 frequency：信号频率（单位：Hz）。路径损耗：使用自由空间路径损耗模型来计算每个用户的信号衰减。
信号-to-噪声比(SNR)和数据速率：根据路径损耗和发射功率计算每个用户的SNR，并使用Shannon公式计算数据速率。
约束条件：假设系统中有多个用户，每个用户与基站之间的通信链路受到噪声、路径损耗等因素的影响。我们的目标是通过调整各个用户的发射功率，最小化系统的总体能耗，同时确保每个用户的QoE需求（例如数据速率）得到满足。这个问题可以被建模为一个非凸优化问题，其中包括了关于发射功率的约束（功率非负，数据速率约束）和系统的总能耗目标。为了简化问题，我们使用 CVX（MATLAB的优化工具箱）来求解该非凸问题。(cvx工具箱安装教程：MATLAB中cvx工具箱的使用-CSDN博客)
% CVX工具箱需要预先安装 % 参数初始化 N = 10; % 用户数量 B = 1e6; % 系统带宽 (Hz) R_min = 1e6; % 最低数据速率要求 (bps) sigma2 = 1e-10; % 噪声功率 (W) h = rand(1, N) * 10^(-3); % 每个用户的信道增益（随机值，单位：W） % 用户间的距离 (单位：米) 用于计算路径损耗 distances = 100 + rand(1, N) * 100; % 计算路径损耗 (假设自由空间模型) path_loss = 20*log10(distances) + 20*log10(2.4e9) - 147.55; % CVX优化 cvx_begin % 定义优化变量：用户的发射功率 p_i (单位：瓦特) variable p(N) nonnegative; % 发射功率必须为非负 % 定义SNR和数据速率 snr = p ./ (sigma2 * h); % 计算每个用户的SNR rate = B * log2(1 + snr); % 计算每个用户的数据速率 % 目标函数：最小化总能耗 minimize( sum(p) ); % 约束条件 subject to rate >= R_min * ones(1, N); % 每个用户的数据速率必须大于等于最低要求 p = 0.1; % 每个用户的发射功率不低于0.1瓦特（假设的最小功率） snr >= 1; % 确保SNR不低于1，避免过低的信号质量 cvx_end % 输出结果 disp('优化后的发射功率 (瓦特):'); disp(p); disp('每个用户的SNR:'); disp(snr); disp('每个用户的数据速率:'); disp(rate); disp(['总能耗: ', num2str(sum(p))]); % 绘制优化前后的数据速率对比 figure; bar(rate); xlabel('用户编号'); ylabel('数据速率 (bps)'); title('每个用户的优化后数据速率'); grid on;优化目标：根据每个用户的数据速率与最低要求进行对比，如果某些用户的速率低于最低要求，则调整其发射功率。
算法优化：优化部分采用了贪心方法，逐步调整功率，以确保每个用户的速率满足最低要求。也可以用更复杂的优化算法（例如粒子群优化、遗传算法等）
结果输出：计算并输出每个用户的SNR、数据速率、满足QoE需求的用户数量、总能耗。
优化后的结果：对功率进行调整后，重新计算优化后的数据速率和总能耗，并与原始结果进行对比。
% 参数设置 num_users = 10; % 用户数量 transmit_power_max = 30; % 最大发射功率 (dBm) transmit_power_min = 10; % 最小发射功率 (dBm) distances = 100 + rand(1, num_users) * 100; % 随机生成用户与U的距离 (单位：米) noise_power = 1e-10; % 噪声功率 (W) frequency = 2.4e9; % 频率 (Hz) % 计算路径损耗 (假设自由空间路径损耗模型) path_loss = 20*log10(distances) + 20*log10(frequency) - 147.55; % 路径损耗 (dB) % 假设的信号-to-噪声比(SNR)和数据速率的关系 snr_to_data_rate = @(snr) log2(1 + snr); % 基于Shannon公式的简单速率计算 % 目标：最小化通信能耗，满足QoE需求 % QoE需求：最小数据速率要求 (bps) min_data_rate = 1e6; % 最小数据速率 (1 Mbps) % 初始化功率分配 transmit_powers = linspace(transmit_power_min, transmit_power_max, num_users); % 初步假设每个用户的发射功率 % 计算每个用户的信号-to-噪声比(SNR)和数据速率 snrs = zeros(1, num_users); data_rates = zeros(1, num_users); for i = 1:num_users % 计算SNR (dB) snrs(i) = transmit_powers(i) - path_loss(i); % dB形式 % 计算实际SNR (线性) snr_linear = 10^(snrs(i)/10); % 计算数据速率 (bps) data_rates(i) = snr_to_data_rate(snr_linear); end % 计算QoE满足条件的用户 valid_users = data_rates >= min_data_rate; % 计算总能耗 total_energy = sum(10.^(transmit_powers / 10)); % 将dBm转化为瓦特并求和 % 输出结果 disp('每个用户的SNR (dB):'); disp(snrs); disp('每个用户的数据速率 (bps):'); disp(data_rates); disp(['满足QoE需求的用户数量: ', num2str(sum(valid_users))]); disp(['总能耗 (瓦特): ', num2str(total_energy)]); % 能耗最小化目标函数：约束最小化通信能耗 % 我们将通过优化算法（例如梯度下降、粒子群优化等）来调整发射功率 % 这里用贪心方法作为优化策略：逐渐增加发射功率，确保每个用户的数据速率不低于最低要求 optimize_powers = transmit_powers; for i = 1:num_users if data_rates(i)5 代码获取
文章来源于互联网:无人机视频传输系统的通信能耗优化
相关推荐: 【Obsidian】当笔记接入AI，Copilot插件推荐
当笔记接入AI，Copilot插件推荐 自己的知识库笔记如果增加AI功能会怎样？AI的回答完全基于你自己的知识库余料，是不是很有趣。在插件库中有Copilot插件这款插件，可以实现这个梦想。 一、什么是Copilot？ 我们知道github有一个编程助手叫co…