Improving UAV Communication in Cell Free MIMO Using a Reconfigurable Intelligent Surface
在当前地面网络中与无人机（UAV）的通信由于接入点（AP）的向下倾斜而遭受不良信号强度，所述接入点（AP）被优化以服务地面用户端（GUE）。为了解决这个问题，可以将AP天线向上倾斜或分配更多的功率来服务UAV。然而，这负面地影响GUE下行链路（DL）速率。在本文中，我们提出使用可重构智能表面（RIS）来解决这一挑战，以增强UAV通信，同时保持3GPP规定的向下天线倾斜并潜在地改善GUE的DL性能。我们表明，在共轭波束成形（CB）预编码和适当的功率分配之间的GUE和无人机在AP，一个RIS与相移配置为向无人机反射无线电信号可以显着提高无人机DL吞吐量，同时有利于GUE。数值结果表明，RIS辅助系统可以在满足要求的数据速率下为无人机提供服务，同时相对于没有无人机和RIS的CF-MIMO系统，提高了GUE的下行性能。我们支持这一结论，通过模拟下不同数量的RIS反射元件，无人机的高度，和功率分配因子。
2022-09-21 eess.SP
UAV Swarms as Amplify-and-Forward MIMO Relays
无人驾驶飞行器为未来无线通信系统的性能改进提供了新的机会。例如，它们可以充当中继器，扩展通信链路的范围并提高容量。与部署在固定位置的传统中继不同，无人机可以根据需要改变位置以优化容量或范围。在本文中，我们考虑使用一群无人机作为放大和转发MIMO中继，提供一个阻塞的多天线装备的源和目的地之间的连接。我们从优化无人机的单天线的情况下放置，并分析其依赖于继电器，其增益和发射功率约束引入的噪声。我们扩展我们的分析，为任意的无人机群，并显示如何MIMO链路容量可以通过改变群的源和目的地的距离进行优化。然后，我们考虑优化的无人机群内的位置的效果，并推导出在任何给定的位置的群的容量的上限。我们还提出了一个简单的接近最优的方法来找到的位置，优化的能力，为端到端的链接源和目的地有统一的矩形阵列。
2019-06-12 eess.SP
Deep Reinforcement Learning for UAV Navigation Through Massive MIMO Technique
无人机（Unmanned Aerial Vehicles，UAV）技术被认为是未来空中无线连接的一种很有前途的解决方案，而无人机导航是最重要的开放研究问题之一，引起了研究界的广泛兴趣。然而，目前的无人机导航方案无法实时捕捉无人机的运动并选择最佳的无人机-地面链路，这些弱点压倒了无人机导航性能。为了解决这些基本限制，在本文中，我们通过大规模多输入多输出（MIMO）技术将最先进的深度强化学习与无人机导航相结合。具体来说，我们精心设计了一个深度Q网络（DQN），通过选择最优策略来优化无人机导航，然后我们提出了一个学习机制来处理DQN。DQN是经过训练的，因此智能体能够根据接收到的信号强度做出决策，以便在强大的Q学习的帮助下导航无人机。仿真结果证实了所提出的方案的优越性，在覆盖和收敛方面与其他方案相比。
2019-11-26 eess.SP
Distortion-Aware UAV Placement for Aerial Semantic Relay Communications: An Analytical Approach
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Shenzhen University（深圳大学）
针对空中语义中继通信系统，提出一种通过最小化端到端重建失真的可解释无人机部署策略，推导出闭式解以快速适应不同系统配置。
2026-05-31 eess.SP
Multi-Objective Optimization for 3D Placement and Resource Allocation in OFDMA-based Multi-UAV Networks
针对基于OFDMA的多无人机网络，提出将三维部署、用户关联与无线资源分配联合问题解耦并迭代优化，实现少于10次快速收敛并提升和速率、抑制同小区干扰。
2023-04-25 eess.SP
MIMO OFDM-Enabled ISAC for Low-Altitude Non-Cooperative UAV Surveillance: A Survey
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）；Beihang University（北京航空航天大学）
本文综述了基于MIMO OFDM的非合作低空无人机监视ISAC技术，分析了低空无人机感知的传播特性及波形设计，回顾了现有技术在系统建模、检测算法、识别方法及实验验证方面的进展，并总结了面临的挑战与未来研究方向。
2026-04-03 eess.SP
Joint Transmit Power and Placement Optimization for URLLC-enabled UAV Relay Systems
这封信认为无人机（UAV）启用中继通信系统提供超高可靠性的延迟关键的消息，其中中继是在转发器和转发（AF）模式下工作。我们的目标是联合优化无人机的位置和功率，以最大限度地减少解码错误概率，同时保证延迟约束。自由空间信道模型和三维（3-D）信道模型被认为是。对于第一个模型，我们提出了一个低复杂度的迭代算法来解决这个问题，而全球最优解推导的情况下，当信号噪声比（SNR）是非常高的。对于第二个模型，我们也提出了一个低复杂度的迭代算法来解决这个问题。仿真结果证实了我们提出的算法的性能优势。
2020-07-20 eess.SP
Point Spread Function Optimization for Communication-assisted UAV-borne MIMO TomoSAR
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)（弗里德里希·亚历山大厄兰根-纽伦堡大学）；German Aerospace Center (DLR)（德国航空航天中心）
针对无人机载MIMO合成孔径雷达层析成像系统，提出基于粒子群优化的联合无人机编队与卸载功率分配方法，以最小化点扩展函数旁瓣水平。
2026-06-11 eess.SP
Dual Fluid Antenna-Assisted UAV MIMO Networks
Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海高等研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Shenzhen CyberAray Network Technology Co., Ltd.（深圳赛博阵列网络科技有限公司）；The University of Electro-Communications（电子通信大学）；University College London（伦敦大学学院）；Kyung Hee University（庆熙大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
研究双流天线辅助无人机多用户多输入多输出下行通信网络，通过联合优化无人机轨迹、收发天线位置和波束成形最大化平均可达速率，采用交替优化算法求解，性能优于传统和现有基线。
2026-07-17 eess.SP
Joint UAV Placement and IRS Phase Shift Optimization in Downlink Networks
针对城市环境下直连链路受阻的下行IRS-UAV系统，提出联合优化基站波束赋形、IRS相移和无人机三维部署的迭代算法，以提升系统和速率。
2023-02-02 eess.SP
Joint Optimization of 3D Placement and Radio Resource Allocation for per-UAV Sum Rate Maximization
本研究针对多无人机OFDMA通信系统，提出一种迭代算法联合优化三维部署、用户关联及无线资源分配，以实现每无人机总速率最大化，并在少于10次迭代内快速收敛，性能优于现有参考设计。
2023-05-08 eess.SP
UAV Swarm Position Optimization for High Capacity MIMO Backhaul
一群与远程多天线地面站通信的无人机可以利用MIMO空间复用来扩展容量。由于群和地面站之间的视线传播，MIMO信道是高度相关的，导致有限的复用增益。在本文中，我们优化无人机的位置，以达到最大的MIMO容量给定的单用户界。首先推导出一个无限的无人机布局，达到能力界。给定一个初始的集群位置，我们制定的问题，最大限度地减少了由无人机到达一个位置内的能力最大化的位置集的距离。假设无人机的初始位置已知，采用块坐标下降法离线集中求解该问题。我们还提出了一个在线分布式算法，无人机迭代地调整他们的位置，以最大限度地提高容量。我们所提出的方法显着增加的能力，从最初的无人机位置的有界平移的代价。当使用大规模多输入多输出地面站时，这种容量增加持续存在。使用数值模拟，我们显示了我们的方法在无人机运动干扰下的Rician信道的鲁棒性。
2021-04-29 cs.NI eess.SP
NF-TrackLLM: Joint Prediction of UAV Trajectory and Near-Field Beam for LAE XL-MIMO Systems
School of Information Science and Engineering, Southeast University（东南大学信息科学与工程学院）
提出NF-TrackLLM框架，通过多模态语义感知和GPT-2时空推理，联合预测近场XL-MIMO系统中无人机轨迹和波束，实现高精度跟踪与波束预测。
2026-05-26 eess.SP
Rank and Condition Number Analysis for UAV MIMO Channels Using Ray Tracing
本文利用纳入 OSM 地理信息的射线追踪仿真，分析不同高度无人机在城市场景与农村场景中的空对地 MIMO 信道秩、条件数及覆盖分布，揭示高度、地理和建筑等因素的影响。
2023-03-05 eess.SP
Full-Dimensional Beamforming for Multi-User MIMO-OFDM ISAC for Low-Altitude UAV with Zero Sensing Resource Allocation
本文针对低空无人机ISAC系统中专用感知资源导致通信频谱效率下降的问题，提出一种零感知时频资源开销的MIMO-OFDM框架，通过联合发射波束赋形与低复杂度目标搜索及两阶段超分辨率感知算法，在提升通信和速率的同时改善感知分辨率、无模糊距离和精度。
2025-09-19 eess.SP
Channel Knowledge Map (CKM)-Assisted Multi-UAV Wireless Network: CKM Construction and UAV Placement
信道知识地图（CKM）是近年来出现的一种用于无人机（UAV）通信布局和轨迹优化的知识地图。本文研究了一种CKM辅助的多无人机无线网络，重点是CKM的构建和使用多无人机布局优化。首先，我们考虑CKM建设问题时，只有有限数量的点的数据测量。为此，我们利用数据驱动的插值技术来构建CKM来表征信号传播环境。其次，研究了多无人机布局优化问题，即多无人机以最大化其与地面基站的加权和速率为目标，利用所构造的CKM进行布局优化。然而，基于CKM的速率函数通常是不可微的。针对这一问题，提出了一种新的基于无导数优化的迭代算法，该算法通过迭代构造一系列二次函数，在一定的插值条件下逼近目标函数，并在信赖域约束下最大化逼近函数，从而更新无人机的布局位置.最后，数值结果验证了所提出的设计达到了接近最优的性能，但具有更低的实现复杂度。
2022-07-05 cs.IT eess.SP math.IT
Array Placement in Distributed Massive MIMO for power saving considering Radiation Pattern
分布式天线系统（DAS）由分布在一个区域上的多个互连的接入点（AP）组成。每个AP都有一个天线阵列。在以前的研究中，DAS已被证明具有很大的潜力，以提高容量和功率效率相比，集中式天线系统（CAS），其中所有的天线位于一个地方。现有的研究也表明，放置的AP是必不可少的DAS的性能。然而，大多数关于AP放置的研究没有考虑到现实的限制。例如，他们假设AP可以放置在区域中的任何位置，或者每个AP的阵列辐射方向图是各向同性的。本文重点研究了大规模多输入多输出（D-mMIMO）DAS系统中AP的优化布置，以降低系统的发射功率。应用了用于AP放置的正方形拓扑，这对于在城市地区部署D-mMIMO是合理的，同时也提供了理论上有趣的见解。我们研究了辐射方向图、信号相干性和区域大小对D-mMIMO性能的影响。研究结果表明：i）在这三个因素中，每个AP的阵列辐射方向图是决定D-mMIMO最佳AP布局的最重要因素; ii）每个AP的布局和阵列辐射方向图对D-mMIMO的性能有很大影响，未优化布局的D-mMIMO性能可能比采用大规模多输入多输出（C-mMIMO）的CAS性能更差; iii）考虑到贴片天线和互耦效应，优化的D-mMIMO与C-mMIMO相比可以潜在地节省超过7 dB的发射功率。此外，我们的分析结果也提供了一个直观的D-mMIMO在实践中确定一个适当的AP放置。
2021-12-13 eess.SP
Integrated Super-resolution Sensing and Symbiotic Communication with 3D Sparse MIMO for Low-Altitude UAV Swarm
针对低空无人机集群频谱消耗大、成本高及感知分辨率需求高的问题，提出集成超分辨率感知与共生通信的3D稀疏MIMO方案，推导可达速率并对比不同阵列波束模式，提升系统效率与感知精度。
2025-04-18 eess.SP
Sparse Antenna and Pulse Placement for Colocated MIMO Radar
多输入多输出（MIMO）雷达由于其天线和波形的多样性而具有传统雷达无法比拟的优越性。虽然实现了更高的角分辨率、改进的参数可识别性和更好的目标检测，但硬件成本（由于多个发射器和多个接收器）和高能耗（多个脉冲）限制了MIMO雷达在大规模网络中的使用。一方面，需要较高的角度和速度估计精度，但另一方面，较低数量的天线/脉冲是期望的。为了实现这样的妥协，在这项工作中，Cram'er-Rao下界（CRLB）的角度和速度估计器作为一个性能指标来设计的天线和脉冲的位置。结果表明，推导出的CRLB为两个目标是一个更合适的标准相比，单目标CRLB，因为两个目标CRLB考虑了主瓣宽度和旁瓣电平的模糊函数。本文提出了几种基于凸优化和次模优化的天线和脉冲选择算法。数值实验来说明所发展的理论。
2018-05-27 eess.SP
Machine Learning Methods for Inferring the Number of UAV Emitters via Massive MIMO Receive Array
为了给未来无线网络中无人机辐射源的DOA估计提供重要的先验知识，本文提出了一个完整的DOA预处理系统，用于通过大规模多输入多输出接收阵列推断辐射源的数量。首先，为了消除噪声信号，提出了两种高精度的信号检测器：最大特征值乘最小特征值的平方根（SR-MME）和几何平均（GM）。与其他检测器相比，SR-MME和GM可以实现高的检测概率，同时保持极低的虚警概率。其次，如果发射体的存在是由探测器确定的，我们需要进一步确认它们的数量。因此，我们对样本协方差矩阵的特征值序列进行特征提取，构造特征向量，并创新性地提出了一种多层神经网络（ML-NN）。此外，还设计了支持向量机（SVM）和朴素贝叶斯分类器（NBC）。仿真结果表明，基于机器学习的方法在信号分类中取得了较好的效果，尤其是神经网络，在大规模多输入多输出接收阵列下，分类精度始终保持在70%以上。最后，我们分析了经典的信号分类方法，赤池（AIC）和最小描述长度（MDL）。结果表明，这两种方法都不适用于大规模多输入多输出阵列的情况，而且性能也远不如基于机器学习的分类器。
2023-03-10 eess.SP
Joint-optimization of Node placement and UAV's Trajectory for Self-sustaining Air-Ground IoT system
由于可持续的电力供应和环保特性，自供电物联网设备越来越多地应用于各个领域，例如在偏远地区提供观测数据，特别是在农村地区或灾后场景。通常，通过多跳中继，那些自供电IoT设备的感测数据由连接到IoT骨干的汇聚节点收集。然而，由于位置偏远，接收器需要位于监测区域的边界，物联网和电气基础设施的骨干都可以访问。在这种部署下，考虑到监控区域的大规模，将产生显著的数据流和中继开销。基于此，本文旨在设计一种无人机辅助的自供电异构系统，以提供全面的监测数据。在该系统中，由于无人机（UAV）易于部署的优势，我们派遣无人机定期从自供电的物联网设备上采集数据，以缓解数据溢出。此外，基于自供电物联网设备在重数据流领域具有更可观的能力，我们还开发了一种布局升级策略，将一般同构自供电物联网系统升级为异构自供电物联网系统。仿真结果表明，与同类自供电物联网系统相比，所开发的无人机辅助自供电异构系统可以实现$1.28\times$左右的数据传输量。
2022-07-25 eess.SP
Learning in the Sky: An Efficient 3D Placement of UAVs
部署无人机（UAV）作为空中基站可以提供快速灵活的解决方案，以满足不同的交通需求。为了充分发挥无人机部署的效益，其有效部署至关重要，并要求智能地适应环境变化。在本文中，我们提出了一种基于学习的机制，三维部署的无人机辅助地面蜂窝网络的下行链路。该问题被建模为一个满意度形式的无人机之间的非合作博弈。为了解决这个问题，我们利用了一个低复杂度的算法，在这个算法中，不满意的无人机根据学习算法更新它们的位置。仿真结果表明，所提出的无人机布局算法产生显着的性能增益高达约52%和74%的吞吐量和下降的用户数，分别相比，优化的基线算法。
2020-03-02 cs.LG eess.SP stat.ML
Placement of UAV-Mounted Mobile Base Station through User Load-Feature K-means Clustering
New Mexico Tech（新墨西哥理工学院）；Amir Kabir University of Technology（阿米尔·卡比尔理工大学）；Utah Valley university（犹他谷大学）
蜂窝网络中的临时高业务请求是要解决的具有挑战性的问题。无人机的最新进展适用于覆盖这些类型的交通。无人机载移动基站布局是实现高性能的一个具有挑战性的问题.已经提出了不同的方法;然而，在无人机放置中不考虑用户需要的交通。我们提出了一个新的功能，适用于K-均值聚类，以找到最佳的集群。用户所需的交通被定义为一个新的功能，以分配用户的无人机。我们的仿真结果表明，无人机可以放置在更接近高流量的用户，以实现更高的性能。
2020-10-03 cs.LG cs.NI eess.SP
Pilot Decontamination for Massive MIMO Network with UAVs
本文研究了地面用户和无人机共存的大规模多输入多输出（MIMO）网络中的导频污染（PC）问题。由于无人机与基站之间存在较强的视距（LoS）空-地信道，与传统的地面用户相比，无人机通常会导致更严重的PC问题。为了减轻由无人机引起的PC，我们提出了一种低复杂度的分布式方案，通过利用大规模MIMO基站的全维波束成形和它们与高空无人机之间的角度相关的LoS信道。仿真结果表明，该方法能够有效地消除导频污染，并能显著提高上下行链路的信干噪比。
2020-06-09 cs.IT eess.SP math.IT
Satellite- and Cache-assisted UAV: A Joint Cache Placement, Resource Allocation, and Trajectory Optimization for 6G Aerial Networks
本文考虑了LEO卫星和缓存辅助的无人机通信在地面网络中的内容交付，这表明了下一代系统提供无处不在的连接和高容量的巨大潜力。具体地，由UAV提供缓存以减少回程拥塞，并且LEO卫星支持UAV的回程链路。在这种情况下，我们的目标是最大限度地提高每个地面用户（GU）的最小可实现的吞吐量，通过联合优化缓存的位置，无人机的资源分配，和轨迹，而缓存容量和飞行时间是有限的。公式化的问题是具有挑战性的直接解决，由于其非凸性和组合性质。将该问题分解为三个子问题：（1）在无人机资源和轨迹固定的情况下，缓存布局优化问题;（2）在无人机资源和轨迹固定的情况下，缓存布局优化问题;（3）在无人机资源和轨迹固定的情况下，缓存布局优化问题。在子问题解的基础上，利用块坐标下降法（BCD）和逐次凸逼近法（SCA）提出了一种有效的交替算法。仿真结果表明，最大最小吞吐量和总的可实现吞吐量的提高，应用我们提出的算法，而不是其他基准计划。
2021-06-09 cs.IT eess.SP math.IT
On the Optimal 3D Placement of a UAV Base Station for Maximal Coverage of UAV Users
无人机（UAV）可以是支持新应用的用户，或者是服务于地面和/或空中用户的通信接入点。在本文中，我们专注于空中用户的连接性问题时，他们完全由空中基站（BS），即，无人机具体而言，三维布局问题的定向天线装备无人机基站，旨在最大限度地提高覆盖的空中用户的数量下与地面网络的频谱共享政策，进行了研究。给定一个已知的频谱共享政策之间的空中和地面网络，我们提出了一个3D布局算法，实现最优。仿真结果表明，我们的方法的性能，在覆盖的空中用户的数量，不同的配置和参数，如频谱共享政策，天线波束宽度，发射功率，和空中用户密度。这些结果代表了独家空中网络部署和应用的新准则，特别是与地面网络的正交和非正交频谱共享政策。
2020-08-21 cs.SY eess.SP eess.SY
Cell-free Massive MIMO for UAV Communications
研究了无蜂窝大规模多输入多输出架构对无人机通信的支持。在一般假设的移动台，无论是无人机或地面用户，和接入点之间的传播信道遵循莱斯分布，我们推导出封闭形式的频谱效率下限的上行链路和下行链路的线性最小均方误差（LMMSE）信道估计。我们还提出了这样一个系统的功率分配和用户调度策略。我们的数值结果表明，无小区大规模多输入多输出架构可以提供比传统的多小区大规模多输入多输出网络部署更好的性能。
2019-02-10 cs.IT eess.SP math.IT
Array Placement in Distributed Massive MIMO for Power Saving considering Environment Information
分布式大规模多输入多输出（D-mMIMO）已经被考虑用于未来的网络，因为它具有提供优异容量同时实现网络中的能量节省的潜力。D-mMIMO系统具有多个阵列。优化阵列的位置对于系统的能量效率至关重要。在现有的工作中，阵列布局已被优化，主要是基于公共信道模型，它依赖于一个给定的统计分布和用户位置和阵列之间的欧几里得距离。这些模型是合理的，如果应用到足够大的细胞，其中的信道的统计描述，预计将适合其经验条件。然而，随着小电池的出现，情况不再如此。信道传播条件变得高度环境特定。本文研究了采用不同方式对传播条件进行建模的阵列布局优化，建筑物）。我们通过一个图形来捕获环境信息。在此基础上提出了两种基于最短路径的网络传播模型。我们验证的模型的性能与射线跟踪模拟器考虑不同的信号覆盖水平。仿真结果表明，更高的能量效率是通过使用通过所提出的模型相比，在小小区的基于欧氏距离的传播模型发现的阵列布局。例如，在96%的信号覆盖率下的平均功率节省达到5dB以上。
2021-11-16 eess.SP
RSMA Enabled Hierarchical UAV Networks with Non Linear Energy Harvesting: Outage Probability Analysis and UAV Placement Optimization
Innovative Technologies Laboratory (LTI), Ecole Nationale Supérieure des Technologies Avancées (ENSTA)（创新技术实验室，国立高等先进技术学院）；Ankara Yıldırım Beyazıt University（安卡拉耶尔德勒姆·贝亚济特大学）；Carleton University（卡尔顿大学）；King AbdulAziz University（阿卜杜勒阿齐兹国王大学）
针对分层无人机网络中的能量受限和硬件损伤问题，提出结合非线性能量收集与速率分割多址接入的方案，推导中断概率表达式并优化无人机部署，显著提升可靠性。
2026-06-05 eess.SP
UBAT: On Jointly Optimizing UAV Trajectories and Placement of Battery Swap Stations
University of Memphis（孟菲斯大学）
无人驾驶飞行器（UAV）已经在许多应用中被广泛使用。然而，无人机有限的飞行时间仍然是一个重大挑战。尽管已经开发了许多方法来有效地对UAV的电池进行充电，但是对于部署充电站的最佳方法知之甚少。在本文中，我们解决的充电站部署问题，目的是找到最佳的充电站的数量和位置，使系统性能最大化。我们表明，该问题是NP-Hard的，并提出UBAT，基于蚁群优化（ACO）的启发式框架来解决这个问题。此外，一套算法的设计，以提高UBAT的解决方案的执行时间和质量。通过大量的模拟，我们证明了UBAT有效地执行多目标优化无人机轨迹的生成和充电站的位置，分别在8.3%和7.3%的真正的最佳解决方案。
2020-04-26 cs.RO eess.SP
Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA Networks
Beijing University of Posts and Telecommunications（北京邮电大学）；Queen Mary University of London（伦敦玛丽女王大学）
本文研究了非正交多址接入（NOMA）支持的具有大容量接入能力的高速缓存无人机蜂窝网络。为地面用户提供大量多媒体内容是由移动UAV基站辅助的，该移动UAV基站缓存一些流行内容以用于无线回程链路流量卸载。在支持缓存的无人机NOMA网络中，内容缓存阶段的缓存位置和内容分发阶段的无线资源分配对网络性能至关重要。为了应对实际场景中动态的无人机位置和内容请求，我们将内容分发延迟最小化的长期缓存放置和资源分配优化问题表示为一个马尔可夫决策过程（MDP）。UAV充当代理以采取用于缓存放置和资源分配的动作，其包括内容请求的用户调度和NOMA用户的功率分配。为了解决MDP问题，提出了一种基于Q学习的缓存放置和资源分配算法，无人机采用\emph{soft ${\varepsilon}$-greedy}策略学习和选择动作，搜索动作和状态之间的最优匹配。由于Q-学习的动作-状态表大小随着动态网络中状态的数量而增长，因此我们提出了一种基于函数逼近的算法，该算法结合了随机梯度下降和深度神经网络，适用于大规模网络。最后，数值结果表明，所提出的算法提供了相当的性能相比，基准算法，并获得网络性能和计算复杂度之间的折衷。
2020-08-12 cs.LG eess.SP
Optimal Jammer Placement in UAV-assisted Relay Networks
我们考虑无人机（UAV）的中继应用，其中UAV被放置在两个收发器（TR）之间以增加系统的吞吐量。而不是在现有的文献中所追求的无人机的位置进行研究，我们专注于调查的干扰机或地面上的主要干扰源的位置，以有效地降低系统的性能，这是测量的TR之间的传输的最大可实现的数据速率。我们证明，干扰机的最佳位置一般是一个非凸优化问题，直接获得的解决方案是棘手的。然后，利用信号干扰比（SIR）表达式的固有特性，我们提出了一种易于处理的方法来找到干扰机的最佳位置。基于所提出的方法，我们研究了双跳和多跳无人机中继环境中干扰机的最佳定位。数值模拟提供了我们所提出的方法来评估性能。
2020-02-24 cs.SY eess.SP eess.SY
Vector Quantization Methods for Access Point Placement in Cell-Free Massive MIMO Systems
针对无蜂窝大规模 MIMO 的上行 AP 部署，本文提出并比较 Lloyd、TSVQ 与 PDFVQ 三种矢量量化方法，验证其可作为梯度优化的高性能初始方案。
2022-11-23 eess.SP
Pseudo-Random TDM-MIMO FMCW Based Millimeter-Wave Sensing and Communication Integration for UAV Swarm
针对无人机集群协同需求，提出基于伪随机TDM-MIMO FMCW的ISAC方案，通过波形设计与压缩感知实现通信感知融合，仿真验证动态场景下性能优于对比方案。
2025-10-17 eess.SP
Data-Driven 3D Placement of UAV Base Stations for Arbitrarily Distributed Crowds
在本文中，我们考虑了一个无人机（UAV）辅助蜂窝系统，其中包括多个无人机基站（BS）合作的地面BS。在这样的异构网络中，对于蜂窝运营商来说，问题是如何确定合适的UAV-BS的数量、位置和高度以提高系统总速率以及满足任意闪光人群对数据率的需求。我们提出了一个数据驱动的三维布局的无人机基站提供一个有效的布局结果与可行的计算成本。该算法在多项式时间内以最大系统总速率搜索服务区域内UAV-BS的数量、位置、覆盖范围和高度，以保证UE的最小数据率需求。仿真结果表明，与无无人机基站的情况相比，该方法可以提高系统的总速率。
2019-09-25 cs.CC cs.DS cs.NI
Optimal Placement of UAVs for Minimum Outage Probability
我们认为多个无人机（UAV）服务密度的地面终端（GT）作为基站。目标是最小化GT到UAV传输的中断概率。研究了在不同无人机高度约束和GT密度下的无人机布局优化问题。首先，使用一个随机部署的参数，一般上限的最佳中断概率发现任何密度的GT和任何数量的无人机。匹配下界也推导出表明，最佳中断概率与无人机的数量呈指数衰减。其次，当公共高度约束较大时，研究了最优部署的结构。对于广泛的GT密度，它表明，所有的无人机应放置在同一位置的最佳部署。一个设计的含义是，一个可以使用一个单一的多天线无人机，而不是多个单天线无人机没有损失的最佳性。这一结果也扩展到一个实际的变化的Rician衰落模型最近开发的Azari等人。无人机通信。分别采用粒子群优化算法和改进的梯度下降算法对无人机在集中式和实际分布式环境中的部署进行了数值仿真。
2020-08-14 cs.IT eess.SP math.IT
UAV Communications with WPT-aided Cell-Free Massive MIMO Systems
无蜂窝（CF）大规模多输入多输出（MIMO）是一种很有前途的解决方案，为无人机（UAV）通信提供一致的良好性能。在本文中，我们提出了无人机通信与无线功率传输（WPT）辅助CF大规模MIMO系统，其中从下行链路WPT收集的能量（HE）用于支持上行链路数据和导频传输。我们推导出新的封闭形式的下行链路HE和上行链路频谱效率（SE）的表达式，考虑到无人机的硬件损伤。还考虑了与当前的小小区（SC）和蜂窝大规模MIMO使能的WPT系统的UAV通信以进行比较。重要的是表明，CF大规模MIMO分别实现了比SC和蜂窝大规模MIMO高2倍和5倍的95%可能上行链路SE。此外，大规模衰落解码接收机协作可以降低地面用户的干扰。此外，可以通过改变时间分裂分数来实现最大SE。我们证明了最大SE的最佳时间分裂分数是由天线的数量，高度和无人机的硬件品质因数。在此基础上，提出了三种提高SE的无人机轨迹设计方案。有趣的是，角度搜索方案的性能优于AP搜索和线路径方案。最后，仿真结果验证了我们的表达式的准确性。
2021-04-23 cs.IT eess.SP math.IT
Decentralized Semantic Communication and Cooperative Tracking Control for a UAV Swarm over Wireless MIMO Fading Channels
针对无人机群在MIMO衰落信道下的语义通信与协同跟踪控制问题，提出动态模型与漂移加惩罚优化，推导闭式最优解并建立稳定条件，显著优于现有方法。
2024-11-09 cs.SY eess.SP eess.SY
On-Demand Density-Aware UAV Base Station 3D Placement for Arbitrarily Distributed Users with Guaranteed Data Rates
department of Electrical and Computer Engineering, National Chiao Tung University（国立交通大学电气与电脑工程学系）
本文提出了一种基于密度感知的无人机基站3D部署算法，通过提高用户覆盖率和降低发射功率，实现了对任意分布用户的数据速率保障。
2019-04-24 cs.GT cs.NI eess.SP
Secure UAV-to-Ground MIMO Communications: Joint Transceiver and Location Optimization
无人飞行器（UAV）由于其优越的信道质量而被预见构成有前途的机载通信设备。但是无人机对地（U2G）通信很容易被窃听。因此，我们设想了一个复杂的物理层安全解决方案，以提高多天线辅助U2G系统的保密率。利用随机矩阵理论推导了U2G MIMO窃听信道的保密率。然后将得到的显式表达式应用于MIMO收发器和UAV位置的联合优化中，该联合优化依赖于交替优化技术。我们的数值计算结果表明，联合收发器和位置优化的设想有利于安全通信，即使在具有挑战性的情况下，其中的合法渠道的机密信息是劣于窃听信道。
2022-07-10 cs.IT eess.SP math.IT
From Ideal Motion to Flight-Executable Communications: LLM-Evolved Multi-UAV Deployment for Cell-Free Massive MIMO
Beijing University of Posts and Telecommunications（北京邮电大学）；Peng Cheng Laboratory（鹏城实验室）；Shanghai Jiao Tong University（上海交通大学）
针对无人机部署忽略飞行控制约束的问题，提出LLM增强的多智能体强化学习框架LERE，演化混合奖励优化3D部署与功率分配，显著提升频谱效率并减少位置误差。
2026-09-22 eess.SP
Learn to Fly: A Distributed Mechanism for Joint 3D Placement and Users Association in UAVs-assisted Networks
本文研究了带宽和服务质量约束下的无人机联合三维布局和无人机-用户关联问题。特别是，为了允许无人机以分布式方式动态改善其3D位置，同时最大化网络的总速率，我们将底层优化分解为3个子问题，分别解决2D无人机定位，高度优化和无人机-用户关联。首先，给定固定的3D位置的无人机，我们提出了一个完全分布式的基于匹配的关联，消除了带宽分配的瓶颈，并保证所需的服务质量。接下来，为了解决无人机的2D位置，我们采用了一个修改后的版本的K-means算法，与分布式实现，无人机动态地改变他们的2D位置，以达到由服务的地面用户组成的集群的重心。为了优化无人机的高度，我们研究了一个自然定义的博弈论版本的问题，并表明，在固定的无人机的二维坐标，预定义的关联方案，和有限的干扰，无人机的高度游戏是一个非合作的潜在的游戏，玩家（无人机）可以最大限度地提高有限的干扰和率只优化局部效用函数。因此，我们采用最佳反应动态达到一个纳什均衡的游戏，这也是一个局部最优的社会福利函数。我们的仿真结果表明，使用所提出的方法，所研究的情况下，网络的总和率相比，普通的情况下，采用经典版本的K-均值和用户分配，在每次迭代，最近的无人机。
2018-10-15 cs.GT eess.SP
A Predictive On-Demand Placement of UAV Base Stations Using Echo State Network
National Chiao Tung University（国立交通大学）；University of Houston（休斯顿大学）
无人机基站（UAV-BS）在许多动态应用场景中具有广泛的应用潜力。在这些场景中，所服务的用户设备（UE）的移动是不可避免的，因此需要动态地重新定位UAV-BS以提供无缝服务。在本文中，我们提出了一个系统框架，包括UE聚类，UAV-BS放置，UE轨迹预测，和UAV-BS重新定位匹配方案，无缝服务的UE，以及最小化的能量成本UAV-BS的重新定位轨迹。分别设计了基于回声状态网络（ESN）的UE未来轨迹预测算法和基于Kuhn-Munkres的UAV-BS能量有效重定位轨迹算法。我们使用一个真实的开放数据集进行模拟，以进行性能验证。仿真结果表明，该框架具有较高的预测精度，并提供了节能的匹配方案。
2019-10-06 cs.LG cs.NI eess.SP
Energy-Efficient 3D Deployment of Aerial Access Points in a UAV Communication System
在这封信中，我们提出了一种节能的三维布局的多个空中接入点（AAP），在所需的区域，作为飞行基站的上行链路通信从一组地面用户设备（UE）。通过考虑小区间干扰和AAP能量消耗，解析地推导出AAP的全局最优能量有效垂直位置。AAP的水平位置，最大限度地提高AAP覆盖区域的包装密度使用一种新的规则的AAP布局算法确定。我们还确定可以放置在所需区域中的非干扰AAP的最大数量。通过数值模拟验证了AAP能量消耗对最优布局的影响和分析结果。
2021-03-27 eess.SP
URLLC-Aware Proactive UAV Placement in Internet of Vehicles
New Jersey Institute of Technology（新泽西理工学院）；Maynooth University（梅努斯大学）；University of Peradeniya（佩拉德尼亚大学）；University of Oulu（奥卢大学）；Khalifa University of Science and Technology（哈利法科学技术大学）；CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工-高等电力学院）
针对车联网无人机部署问题，提出结合EVT与GPR的主动分辨率选择及自适应部署方法，可在车辆不同分布下降低999个1000分位数延迟，接近最优性能。
2026-08-11 cs.NI eess.SP
SUPPLY: Sustainable multi-UAV Performance-aware Placement Algorithm for Flying Networks
INESC TEC（葡萄牙电信与计算机科学研究院）；Faculdade de Engenharia, Universidade do Porto（波尔图大学工程学院）
本文提出 SUPPLY 算法，通过能量与性能感知的多无人机轨迹规划，在保证目标 QoS 的前提下将飞行网络能耗最多降低 25%，且对吞吐量和时延影响极小。
2024-04-09 cs.NI eess.SP
Placement and Resource Allocation of Wireless-Powered Multiantenna UAV for Energy-Efficient Multiuser NOMA
本文研究了一种新的下行非正交多址接入（NOMA）系统，其中多天线无人机（UAV）由无线功率传输（WPT）供电，并作为多对地面用户（GU）的基站，每对地面用户运行NOMA。能量效率（EE）最大化问题被公式化以联合优化WPT时间和UAV的放置，以及UAV的发射功率在不同NOMA用户对之间和每对内的分配。为了有效地解决这个非凸问题，我们分解成三个子问题，使用块坐标下降。对于每个NOMA用户对内功率分配的子问题，我们构造了一个超模块博弈，并确定收敛到一个纳什均衡。在给定用户对内功率分配的情况下，利用逐次凸逼近方法对WPT时间分配和用户对间功率分配子问题进行凸化求解。最后，利用拉格朗日乘子法求解无人机布局子问题。仿真结果表明，我们的方法可以大大优于它的替代品，不使用NOMA和WPT技术或不优化无人机的位置。
2022-04-20 cs.IT eess.SP math.IT
Analysis of UAV Communications in Cell-Free Massive MIMO systems
我们研究支持无人机（UAV）通信通过一个无小区的大规模MIMO架构，其中大量的接入点（AP）部署在大的共址大规模MIMO阵列的地方。我们还考虑通过应用以用户为中心的关联方法，其中每个用户仅从网络中的AP的子集中获得服务的纯无小区架构的变化。在一般的假设下，移动台之间的传播信道，无论是无人机或地面用户（GUE），和AP遵循莱斯分布，我们推导出封闭形式的频谱效率下限的上行链路和下行链路的线性最小均方误差信道估计。我们考虑了几种功率分配和用户调度策略，这样的系统，而且，在这些，也最小速率最大化的功率分配策略，以提高系统的公平性。我们的数值结果表明，无小区的大规模MIMO架构及其低复杂度的以用户为中心的替代方案可以提供比传统的多小区大规模MIMO网络部署更好的性能。
2020-01-10 cs.IT eess.SP math.IT
On the Performance of Unmanned Aerial Vehicles with MIMO VLC
本文研究配备MIMO可见光通信的无人机系统，提出混合调光控制与基于软演员-评论家和元学习的资源分配方法，联合优化轨迹、波束成形和LED选择，仿真表明10个LED阵列较单LED在数据速率和能量效率上分别提升47%和34%。
2025-05-10 eess.SP
SE(3)-Based Trajectory Optimization and Target Tracking in UAV-Enabled ISAC Systems
本文针对无人机使能的MIMO-OFDM ISAC系统，提出一种基于SE(3)的扩展卡尔曼滤波目标跟踪方案与条件后验Cramer-Rao界轨迹优化方法，有效提升了3D目标跟踪与参数估计性能。
2025-04-29 eess.SP
A Novel Antenna Placement Algorithm for Compressive Sensing MIMO Radar
在共址压缩感知MIMO雷达中，测量矩阵由天线位置确定。为了保证可接受的恢复性能，该测量矩阵应该满足某些属性，例如，一个小的连贯性。文献中的先前工作通常采用优化天线位置的先验分布的随机布局算法。这些算法的性能是次优的，因为它们可以很容易地通过删除来增强。在本文中，我们提出了一个迭代的天线布局算法，确定性的天线位置。所提出的算法联合定位的发射和接收阵列上的天线元件，从而得到的测量矩阵的相干性最小化。数值模拟表明，该算法的性能明显优于基准，即使在删除。
2022-10-24 cs.IT eess.SP math.IT
CURE: Enabling RF Energy Harvesting using Cell-Free Massive MIMO UAVs Assisted by RIS
不断发展的物联网（IoT）导致了众多无线传感器的增长，通过互联网基础设施进行通信。在设计使用这些传感器的网络时，一个关键方面是这些设备的寿命和自我可持续性。为了延长这些传感器的寿命，射频能量收集（RFEH）技术已被证明是有前途的。在本文中，我们提出了CURE，这是一种新的RFEH框架，有效地结合了无小区大规模MIMO（CFmMIMO），无人机（UAV）和可重新配置智能表面（RIS）的优点，为物联网设备提供无缝的能量收集。我们认为无人机作为一个接入点（AP）在CFmMIMO框架。为了增强RFEH的信号强度和信息传输，我们利用了RISs的被动反射能力。基于广泛的模拟，我们验证我们的框架的性能，通过比较最大最小公平性（MMF）算法的收获的能量。
2021-07-22 cs.NI eess.SP
Understanding UAV Cellular Communications: From Existing Networks to Massive MIMO
本文的目的是让读者及时了解无人机蜂窝通信，弥合3GPP标准化现状与更前瞻性研究之间的差距。特别强调的是下行命令和控制（C&C）信道的空中用户，其可靠性被认为是最重要的技术的无人机蜂窝通信的商业成功。通过对两种网络部署--当今蜂窝基础设施与下一代大规模MIMO系统--的实际并排比较，揭示了多个关键事实，其中三个主要事实总结如下：（i）UAV小区选择基本上由基站辐射图的副瓣驱动，导致UAV与遥远的小区相关联;（ii）在10 MHz带宽上，并且对于高达300 m的UAV高度，当用于信道估计的上行链路导频在基站站点之间被重用时，大规模MIMO网络可以在74%的情况下支持100 kbps C&C信道，并且在96%的情况下没有跨网络的导频重用;（iii）由于严重的飞行员污染，支持UAV C&C信道可能会大大影响地面用户的性能，除非有合适的功率控制策略。
2018-04-20 cs.IT eess.SP math.IT
Caching Content Placement and Beamforming Co-design for IRS-Aided MIMO Systems with Imperfect CSI
针对不完美CSI下IRS辅助边缘缓存系统，联合设计内容部署与波束成形以最小化网络成本，通过分解子问题并交替优化，显著降低了传输功率并提升了传输鲁棒性。
2024-10-14 eess.SP
