基于深度强化学习的无人机间通信链路智能决策

由于无人机组网灵活、快速、低成本的特性,空中基站被视为在未来无线通信中有前景的技术。无人机集群可以通过相互协调和合作,完成的复杂任务,具有重大的研究和实用价值,而无人机间的高效通信是当下面临的重大挑战。为了在满足无人机间通信速率的前提下,尽可能节省发射功率,本文提出基于深度强化学习的集群方案和功率控制的智能决策算法。首先,本文设计了三种无人机集群方案,以对地面用户提供无缝的无线覆盖;然后,本文提出了基于深度Q网络（Deep Q-network）算法的集群方案和功率控制决策算法,用深度神经网络输出不同条件下联合决策的无人机集群方案和发射功率,并研究了重要性采样技术,提高训练效率。仿真结果表明,本文提出的深度强化学习算法能够正确决策无人机集群方案和发射功率,与不带强化学习的深度学习（Deep Learning Without Reinforcement Learning, DL-WO-RL）算法相比,用更低的发射功率满足无人机之间的通信速率要求,并且重要性采样技术能够缩短DQN算法的收敛时间。      

MSK信号的最大似然非相干检测算法研究

针对最小频移键控(MSK)信号,本文研究了一种性能优异的低复杂度最大似然非相干检测(MLNCD)接收模型,通过利用有限的几个符号构成的观测序列检测中间符号解调信息。本文给出了MLNCD模型的判决表达式,并推导了基于MLNCD算法的MSK信号软解调简化表达式,降低了实现复杂度。本文还仿真分析了采用MLNCD算法的无编码MSK系统和有编码MSK系统的误码率(BER)性能,结果表明MLNCD算法比传统MSK非相干解调算法具有显著的BER性能优势,与MSK相干解调性能接近,而且软信息的简化几乎没有造成系统性能损失。