NO.1 论文简介
针对无人机群可用频谱资源紧缺，资源优化过程中面临的多目标优化难以求解、完整信道信息难以获取和实时性差等问题，提出了一种知识图谱辅助的无人机群频谱资源优化算法。首先构建一种基于多头注意力机制的关系感知图神经网络（RGMAN）编码器，实现无人机群通信参数、性能参数和电磁环境信息的聚合，并根据节点的重要性为邻居信息分配不同的权重；然后构建一种改进型基于层注意力的InteractE（SE-IE）模型，使用压缩-激励模块获取层注意力信息，从循环卷积结果中挖掘深层次交互信息，实现无人机群信道接入和发射功率预测。仿真结果表明，在公共数据集上，所提算法收敛速度快，链路预测性能好，并且具有较好的稳定性和鲁棒性；在无人机群频谱管控数据集上，所提算法可以在已知信道分布信息和部分环境信息的情况下，生成近似最优的无人机群频谱资源优化方案。
NO.2 主要贡献
（1）构建了包含模式层和数据层的无人机群频谱管控知识图谱，将无人机群频率和功率规划问题建模为知识图谱补全问题，即根据环境信息和无人机属性，在已知头实体s和关系r情况下，预测尾实体o，完成缺失三元组（s,r,?）的补全。
（2）设计了RGMAN编码器，实现无人机实体及其对应的关系和属性的嵌入。采用关系感知的图神经网络，为不同的邻居实体信息赋予不同的权重，并将关系映射到与实体相同的嵌入空间。此外，引入了多头注意力机制，增强模型的训练稳定性。
（3）设计了IE-SE解码器，主要实现当前无人机的使用频率和发射功率预测。在InteractE模型的基础上，并行引入压缩激励模块，通过层注意力机制，更加有效地利用全局信息。同时，对解码器末端进行调整，以适应无人机群频谱资源分配的需求。
图3 SE-IE解码器网络结构
NO.3 研究结论
首先，在公共数据集上检验了本文提出的KGC-SROA算法的在固定学习率和可变学习率下的收敛情况，并与其他算法对比了链路预测性能。仿真结果表明，动态学习率的引入可以加速模型收敛；层注意力机制的引入使得KGC-SROA算法可以更加有效地处理复杂网络关系，并且具有较好的稳定性和鲁棒性。
NO.4 论文资助
国家自然科学基金（62201582）
陕西省自然科学基金（2022JQ-632）
NO.5 作者介绍
本团队是国防科技大学信息通信学院电磁频谱认知与管控研究团队，长期从事电磁频谱管理相关的理论和技术研究，先后开展了无线频谱管理、认知隐蔽通信、无人机资源管控、电离层探测等关键技术与理论研究工作。近年来，课题组在国内外重要期刊上发表学术论文百余篇次，具有代表性期刊包括通信学报、IEEE Transactions on Wireless Communications, IEEE Transactions on Vehicular Technology, IEEE Internet of Things Journal, IEEE Communications Letters等，课题组还先后承担了国家自然科学基金、“十三•五”XX 预研项目、军委科技委创新特区项目等多项项目。
Email：wylai18@163.com。
Email：lxm8410@163.com。
Email：hehaiguang1123@sina.com。
Email：3211300341@qq.com。
·引用格式·
知识图谱辅助的无人机群频谱资源优化算法(2024) [J/OL]. 西安电子科技大学学报, [2024-05-29]. https://doi.org/10.19665/j.issn1001-2400.20240505
“扫描二维码查看原文”
https://link.cnki.net/doi/10.19665/j.issn1001-2400.20240505
编辑：许瀚樱
校对：杨 薇
审核：牛姗姗
· 推荐阅读 ·
- 联系我们 -
xuebao@mail.xidian.edu.cn
