Effect of Intelligent Multi-Association in Civil Aircraft-Augmented SAGIN

目录

一、期刊概述

二、介绍

三、方法

系统建模

1、系统结构

2、天线模型

3、小尺度衰落模型

以用户为中心的CAA - SAGIN连通性方法

1、MRB-SA(multiple resource block in a single AP)单个AP中的多资源块

2、CC-MA(collaborative connectivity in multiple APs)多个AP中的协作连接

3、MRB-SA与CC-MA的比较

4、MRB-SA与CC-MA的联合

CAA - SAGIN的容量分析

CAA - SAGIN的覆盖分析

四、实验结果

五、个人小结

参考文献


一、期刊概述

Effect of Intelligent Multi-Association in Civil Aircraft-Augmented SAGIN [1]

翻译:智能多关联在民用飞机中的作用- -增强SAGIN

来源:IEEE Transactions on Cognitive Communications and Networking

二、介绍

背景:虽然5G网络已经逐渐商业化,但应急区域、偏远地区等诸多场景仍然存在,通信问题依然巨大。

方法:本文对民用飞机增强的空天地一体化网络( CAA-SAGIN )进行了详细的分析,其中用户的关联策略可以智能地确定。首先,本文讨论了民用飞机( CAs )和卫星的空间分布对Rician因子的影响。然后,本文提供了一个新颖而简单的与小衰退变量相关的矩生成函数的表达式。在大规模可视接入点( AP )的情况下,结合单个AP中的多资源块( MRB-SA )和多个AP中的协作连接( CC-MA )两种以用户为中心的连接方法,分别研究了每个分段的遍历容量和覆盖概率。数值结果表明,在给定的范围内,CA网络可以提供与卫星网络相似的覆盖和容量性能。在联合连通方式下,将CA引入星地一体化网络的优势显著。本文定量证明了CA网络在容量和覆盖方面的优势,为CAA - SAGIN奠定了理论基础。

三、方法

系统建模

1、系统结构

下图包括三个部分,即SN,CN和TN。令VSN、VCN和VTN分别表示整个网络中的卫星、CA(民用飞机)和BS的集合。

图表 1 网络模型

2、天线模型

这部分主要是对SAP发射天线增益进行建模,此外,还考虑了干扰信号。表达式如下:

3、小尺度衰落模型

用户-SAP:Rician衰落;用户-BS:Nakagami衰落。网络中SAP i到用户的Rician衰落变量为:

,其中,

这部分还考虑了SAP和用户之间的距离,SAP的概率密度。由于SAP和用户之间的传输延迟远大于相干时间,因此可以合理地考虑信道状态信息在每次传输之间以独立同分布的方式变化。

以用户为中心的CAA - SAGIN连通性方法

假设同一分段内的所有AP使用相同的频谱资源。在完全频率复用的情况下,非服务AP会对用户造成干扰。因此,我们希望探索两种不同的考虑干扰的以用户为中心的连接方法:MRB - SA和CC - MA。在讨论连通方法时,以SAP网络为例。

1、MRB-SA(multiple resource block in a single AP)单个AP中的多资源块

在这种情况下,用户只连接一个AP,但可以在其服务的AP中占用多个资源块。因此,用户会受到除服务提供商以外的所有SAP的干扰。SAP i到用户之间的链路损耗为:

。最终,MRB-SA下的容量可以表示为:

2、CC-MA(collaborative connectivity in multiple APs)多个AP中的协作连接

在这种情况下,用户可以连接多个AP。同时,用户最多可以在每个AP中占用一个资源块。最终,CC-MA下的容量可以表示为:

3、MRB-SA与CC-MA的比较

MRB - SA和CC - MA均变为用户在一个服务AP中占据一个RB的情况。这部分没看懂,我理解的是,在讲这两种方法的对比。

4、MRB-SA与CC-MA的联合

为实现容量最大化,应根据场景智能确定连通方式。令ρ∈[ 0、1 ]表示使用MRB - SA的概率,其中ρ = 0表示只采用CC - MA,ρ = 1表示只考虑MRB - SA。ρ的值由基于局部交互信息的SAPs确定。因此,Q网络中的平均容量可以通过计算得到:

CAA - SAGIN的容量分析

在这一部分,本文分析了CAA - SAGIN各层的遍历容量性能。大概思路如下:首先,本文分析了最近关联策略,即用户选择一个或多个最近的AP作为服务AP。然后,我们可以分别得到不同PPP分布下服务AP与用户之间距离的联合PDF(概率密度函数)。因为SAGIN由空中和地面两个部分组成,所以下面分别对SAP网络和地面网络的遍历容量进行了分析。

CAA - SAGIN的覆盖分析

这一部分的基本思路,个人概括如下:分别计算SAP网络和地面网络的平均覆盖率,然后计算总的。在原文中,这部分因为在建模中详细描写了,所以作者就写了几行。

四、实验结果

本文分析了每一层的遍历容量。图表2说明了在最近关联和随机关联策略下,地面网络的遍历容量与BS密度之间的关系,其中S和A分别表示仿真和分析的结果。结果表明,模拟和分析之间存在紧密的匹配,证明了本文的理论框架。在分析这两种不同的关联策略时,就覆盖概率而言,就近策略比随机方法表现得更好。原因在于,在最近AP关联策略中,用户选择距离最短的特定类型AP以保证最佳信道。而在随机AP关联方法中,选择的随机性无法保证信道质量,导致容量性能变差。然后,我们主要关注就近策略的研究。当采用CC - MA算法时,可以发现当N = 2时,曲线可以达到比N = 1时更高的遍历容量。具体来说,N = 1的曲线先显著上升,然后稳定在2.229 bps / Hz。而当N = 2时,容量值出现增长和退化,最高点达到3.194 bps / Hz。AP协作带来的容量增益约为43.29 %。这是因为干扰AP的影响抵消了由于BS的致密化而使多个AP服务的一些好处。

图表 2 TN的遍历容量v . s . N = 1和N = 2的最近和随机关联策略下的BS密度。

五、个人小结

本文对民用飞机增强的空天地一体化网络( CAA-SAGIN )进行了详细的分析。首先,讨论了SAPs(sky access platforms)的迁移率引起的Rician因子的变化,并给出了与Rician衰落相关的MGF(moment-generating function,动差生成函数)的简单表达式。本文还比较了MRB – SA(multiple resource block in a single AP,单个AP中的多资源块)和CC - MA,(collaborative connectivity in multiple Aps,多个AP中的协作连接)并提出了一种以用户为中心的联合连接方法。然后,在最近关联策略下,得到了CAA - SAGIN中每层遍历容量和覆盖概率的闭式表达式。仿真结果表明,CAA - SAGIN的遍历容量分别是有AP关联策略和无AP关联策略STIN的1.56倍和1.45倍。同时,SAP网络的覆盖概率也优于地面网络。多个维度从理论上揭示了将民用飞机引入空天地一体化网络的优势。

这篇文章的脉络很清晰。目的是证明在空天地网络中加入民用飞机可以提高容量和覆盖率。首先建模,系统模型和小尺度衰落模型。在本文的模型(CAA-SAGIN)中考虑了两种情况,用户只连一个可视接入点(MRB-SA)和用户连多个可视接入点(CC-MA),对这两种情况做了对比和联合。然后分析怎么提高容量的,加入了一个最近关联策略,就是说用户选择可视接入点的时候是就近原则,比随机选择优秀。空天地一体化网络包括空中和地面两部分,分别分析了SAP网络的容量和地面网络的遍历容量。还分析了怎么提高覆盖率的,和前面分析容量一样,分别讨论SAP网络和地面网络。最后那个实验结果就是证明引入民用飞机是有用的。实验结果还有仿真和分析的对比。

  • 参考文献

[1]   Chen Q, Meng W, Han S, 等. Effect of Intelligent Multi-Association in Civil Aircraft-Augmented SAGIN[J]. IEEE Transactions on Cognitive Communications and Networking, 2023, 9(1): 223-238.

  • 31
    点赞
  • 42
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: FGVC是指“Fine-Grained Visual Categorization”(细粒度视觉分类),是一种基于图像识别技术的分类方法。它针对那些非常相似但有微小差别的物品进行分类,比如鸟类和花卉等。 而Aircraft则是指飞机,是航空工业中的重要元素之一。在基于FGVC技术的飞机图像分类中,分类器需要对飞机的细节进行识别和分类,如翼型、尾翼形状、发动机位置等。 FGVC- Aircraft也被称作飞机姿态分类,是通过从不同角度拍摄的飞机图像中提取特征点,并对这些特征点进行关联之后来实现姿态分类的。在对飞机进行姿态分类时,还需要考虑到光照、背景、遮挡等因素,以克服不同拍摄环境对分类性能的影响。 总之,FGVC-Aircraft是一种将图像识别技术应用于飞机姿态分类的方法,具有重要的理论和实践意义,可用于提高飞机识别准确度和航空安全水平。 ### 回答2: fgvc-aircraft 是一个计算机视觉竞赛,旨在通过机器学习算法识别不同种类的飞机。该竞赛的任务是给定一张包含飞机的图片,通过分类和定位算法,准确地识别出飞机的类别和位置。 在该竞赛中,参赛队伍可以通过自己构建模型或利用已有的深度学习模型来解决问题。竞赛提供了一个包含大量飞机图片和标签的训练集,参赛队伍可以使用这些数据进行模型训练。此外,还提供了一个测试集,用于评估模型的性能表现。 参赛队伍需要根据训练集中的标签和图片信息,通过机器学习算法训练模型。训练好的模型会被用来对测试集中的图片进行分类和定位,并生成预测结果。预测结果会与真实标签进行比较,评估模型的准确率和性能。 通过参与 fgvc-aircraft 竞赛,可以促进计算机视觉领域的研究和进步。参赛队伍的创新算法和模型可以为自动驾驶、航空安全等领域提供有用的应用。同时,该竞赛也为研究人员和开发者提供了一个交流和学习的平台,推动了机器学习和深度学习算法在图像识别和分类方面的发展。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值