英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
基于聚类算法的无人机网络临时综合移动预测
关键词:无人机网络，高度动态的，大规模的，综合的机动性预测，聚类
摘要：集群是一种有效的方法，可以提高无人机网络的大规模临时性能。然而，特别的UAV网络具有高机动性和快速的特点，使用传统的聚类算法会导致链路生命周期和集群的生命周期的减少，频繁更新集群拓扑会导致集群结构的不稳定性和控制开销的增加。为了解决传统的聚类算法无法适应高度动态的大型临时无人机网络的问题，提出了一种CMPC算法(基于移动预测的聚类)。这个算法预测两个可以从信号中获得的无人机之间的综合相对移动关系的特征。利用两驾无人机之间的综合稳定性，它来自两架无人机的综合机动性，我们可以进行集群的形成，并且有效地维护。仿真表明，CMPC算法优于经典的基于平均链路连接寿命和平均集群寿命的聚类算法，这可以使集群结构更加稳定。因此，这种算法是非常理想的动态大型临时无人机网络。
背景
近年来，无人机在许多领域都得到了广泛的应用，包括了民用领域。无人机在现代战争中也扮演着重要的角色，实现了多种多样的任务，包括：侦察，监视，信息收集，中继通信，快速攻击。现代战争的特点是激烈的冲突，广泛的报道，大量的信息，单一的无人机将无法满足它的需求，因此多无人机合作战斗成为当前研究的焦点。飞行编队通常是为
多无人机协同执行任务。
一个特别的无人机网络可以用来交换任务计划和飞行的数据，当多架无人机在飞行编队中执行任务时的状态和信息，从而改进了对无人机编队的态势感知。当面对广阔的战场环境时，许多无人机编队需要执行任务，因此无人机的数量在增加。如果使用传统方法维护大规模的临时无人机网络，它可能会导致性能下降。集群是一种有效的网络管理方法。
利用聚类算法获得的层次化网络结构可以改进特殊的无人机网络的性能，并降低网络管理的复杂性。因此，聚类算法适用于大型的临时无人机网络。
然而，这种无人机网络与移动无人机网络相比具有更大的节点移动性，更快的网络拓扑结构。因此，无人机之间的联系非常不稳定。那移动意识聚类算法使用节点的移动特性来执行集群形成和维护，主要的想法是将移动设备以类似的速度分组到相同的集群，可以在集群节点之间建立稳定的连接。因此,重新构建链接和集群的现象会减少。
一个著名的基于移动的集群算法的例子是MOBIC ，它的相对位置移动性是由两个连续接收包的功率估计的。但是它并没有计算出准确的距离和相对速度。因此，它只能应用于速度和方向大致相同的场景，比如高速公路。如果节点的速度和方向频繁发生变化通常情况下，MOBIC的性能可能会降低。CEMCA 考虑了节点的连接性，剩余功率和节点的移动性。集群领导的选举是基于这三者的加权总和。该方法可以通过调整不同参数的权重来适应不同的情况。然而，，它无法实现高度动态的临时无人机网络。
由于它处理节点移动的方法并不完美。这种来自于MOBIC和CEMCA的方法不能适应高度动态的网络。MPCR 是专门为特殊的无人机网络设计的。它的聚类算法使用位置信息来计算链接连接的预测值两个无人机之间的生命周期，然后获得链接连通性概率。无人机将链路连通性概率和它的单跳邻居的连接最大概率相加为集群头。MPCA和所提出的算法几乎和MPCR一样，它使用位置信息预测连接失效时间。这种算法提出将位置信息引入到
高斯-马尔可夫模型，然后预测节点的移动。位置信息来源于GPS，所以MPCR和这种算法的提出将会引入GPS和外部的位置误差干扰，使移动参数不准确然后导致这些算法
无效。作者提出了一种基于自动学习的加权聚类算法 (MCFA)，MCFA可以适应高度动态的特别的无人机网络，它的运动方向移动速度是随机变量，有未知的分布。然而, 当节点的速度太快时，控制消息消耗就会变大。在移动适应集群的算法（MACA）中，一个传感器节点基于单个点选择自己作为集群头部作为综合准则预测的预报器。但是MACA只适用于无线传感器网络的流动性非常弱。
我们将利用接收到的“你好”数据包的信号特征来预测无人机的机动性。这种方法可以独立于GPS，它可以很好地利用Hello包。塞卡风将信号强度视为集群的一个重要标准，但信号强度不能完全预测节点的移动性。MPBC 计算相对移动速度收集Hello包的信号强度和多普勒频移。具有最小和最小值的节点相对速度的邻居被选为集群的头。但是，公式的过程使用近似处理，使计算速度不准确。然而，DDVC算法通过Hello包的多普勒频移计算相对的径向移动速度，然后得到一个新的度规称多普勒值(DV)。它可以用来形成稳定的集群，也可以用于集群维护。然而，DDVC算法是专为高移动无人机网络设计的。一个假的移动实体在一个相对线性的路径中移动改变它的方向和速度。
我们提出了一种可以全面预测无人机机动性的模型。（综合移动预测聚类）CMPC模型的输出值可以提供准确的聚类和维护。
运动模型
面对各种各样的战场环境，通常有许多种无人机编队。图1显示了在形成过程中出现的几种常见形式，A表示形成合并;B代表一个正态;C表示一个地层分区。它还包括
生成生成和成员规则。因此，我们应该提出一个移动模型可以模仿高度动态的多无人机的移动场景。
文章14提出的移动模型包括了地层划分和合并，但仍然需要需要改进。我们提出一个基于RRGM的移动模型，它可以模拟高度动态的大型多无人机的移动场景。
lt; 1 gt;无人机编队的初始化。所有的无人机都在模拟中随机部署区域，同时，几个不相交的圆的半径等于交流的范围UAV在模拟区域随机部署。我们定义了同一圈内的无人机形成一个编队，没有在任何一个圆圈中定位的UAV将会加入最接近的编队。
lt; 2 gt;任务区域和目标的初始化。很多任务区域是随机的分布在仿真区域。在每个任务中都有一些目标被随机分配地区。
lt; 3 gt;任务区域和目标任务。在这个机动性模型中，我们假设所有的无人机都是
执行侦察任务协同工作，关键是如何分配不同的目标给不同的无人机。在此基础上，简化了任务域和目标赋值问题。我们假设任务已经完成了。所有的任务区域都被分配给不同的无人机随机生成，我们必须保证每个任务区域都被一个无人机编队所完成。当一些无人机编队已经将任务区域分配给指定的区域时，在此过程中，产生了一个新的任务区域。新任务区域的产生代表了变化战场上的热点。当一个无人机编队即将进入某个任务区域时，该任务区域的目标随机分配给不同的无人机。我们也保证每一个目标只被一个无人机所控制。如果无人机的形成已经有了在目前的任务区域，无人机编队将会冲向下一个任务区域。
lt; 4 gt;无人机编队的移动。每个无人机编队都有一些任务区域无人机编队中的每一架无人机都有一些任务区域的目标侦察。每一个无人机编队都要移动到它的第一个任务区域，详细的过程如下。当无人机编队靠近第一个任务区域时，无人机在无人机编队中的移动
在第一个任务区域以不同的速度达到各自的目标。当一架无人机到达第一个目标并完成侦察任务，它继续移动到下一个目标。如果这种无人机到达最终目标，它会在目标周围随机移动然后等待其他的无人机编队到达他们的最终目标。当所有的无人机都完成了它的第一个任务区域的侦察任务，这个编队移动到下一个任务区域，重复上述过程。
lt; 5 gt;合并形成。在一个固定的时间间隔内，两个距离最近的无人机编队合并成一个新的更大的编队。新的无人机编队选择了任务区域，前两种形态的形成不能作为它的任务区域完成。最后,这新生成重复了详细的产生过程。如果所选择的无人机编队执行某些任务区域的侦查任务，将进行编队合并完成任务区域的完成侦察任务。
lt; 6 gt;地层分区。在固定时间间隔内，随机选择的UAV形成分成两个较小的集群。一个编队选择了属于该地区的任务区域前形成为其任务区域。一些新的任务区域被分配到另一个编队中，这些任务区域源于任务区域而这些区域在形成过程中被丢弃合并。最后，这两种新构造重复了在文章4的过程中所提出的详细过程。在同一时间，如果选定的无人机编队正在执行一些任务区域的侦察任务，在完成了完成侦察任务后，编队分区将继续进行任务区域的工作。
综合运动预测
通过两个指标对两种无人机的相对移动性进行了预测。一个是两个相邻的无人机之间的移动稳定性。另一个是维持两个相邻的无人机之间联系的概率。
两架相邻无人机之前的运动稳定性
根据自由空间衰减模型15， 当前的无人机i到邻近的UAV j传输到距离d的距离接收到的hello包的信号强度
1
其中lambda;是无线电波的长度，Gr是接收天线增益，Gt是发射天线增益,，Pt是来自邻近的无人机数据包的传输能力。
我们假设天线的覆盖范围是一个圆形区域它的半径是r，因此从邻近的无人机接收到的接收信号强度的阈值被定义为:
2
接收信号强度的阈值可以根据已知信息进行计算。当前的UAV和从邻近的UAV传输的Hello数据包中包含的信息。使用接收信号强度的阈值和实际接收到的信号强度，我们有
3
bienayme-chebyshev不等式16如下: 4
X是一个离散变量，E(X)是X的期望值，var(X)是X的方差，是一个任意正数。
如果X=0，则 ，这意味着变量X等于它的期望值，也就是说，X的方差越小，X越接近其期望值，X的变化量越小。
根据X的多重测量，方差x是:
5
取的值，在不同的时刻，当X的多重测量值替代的方程(5),我们可以得到的接收信号强度的变化你好数据包在当前无人机我从邻近的无人机j传播,然后我们可以判断相邻的无人机的运动条件相对于当前无人机我,两个相邻的无人机之间的运动稳定性NSij
计算如下:
NSij价值越大两个相邻的无人机之间的移动稳定性越好。
两个相邻的无人机之间的链路存在概率
在特别的无人机网络中，每一个无人机都定期地广播“hello”数据包。我们可以计算出
通过提取当前无人机i和邻近的无人机 j之间的生存概率。我们需要从接收信号的特征参数中提取出的参数，接收到的信号包括信号的频率和信号强度。在文献12的基础上，存在两种移动场景：一种是接近场景，另一种是后退场景。
图2显示了即将到来的场景，我们假设无人机i是静态的，位于a处，
无人机 j从b移动到c，它的相对移动速度是Vr，圆的圆心是a，表示无人机i的最大通信范围，连接中断发生在以下这两种无人机的最大通信范围。
无人机i和无人机j之间的链接生存概率与移动速度和两种无人机之间的距离相关。因此，链接生存概率可以计算如下:
代表了无人机i和UAV j之间的生存概率，表示c和e之间的距离。代表连接寿命预测寿命的阈值。当相邻两架无人机的相对速度接近于0时，趋于无穷，则。当，因此。
和Vr由接收信号的特征参数计算。详细的方法
计算指的是文章12方法中提到的方法，但我们应该替换近似计算的准确计算。在后退的过程中，连接的最低生存概率的计算场景使用与我们在接近场景中使用的相同方法。
综合移动预测的聚类算法
我们提出一种聚类算法，可以应用于高度动态的大型临时无人机网络。该算法包括集群的形成和集群的维护。当无人机第一次建立了网络，并进行了集群的形成。设计集群维护是为了解决无人机的随机高速运动所引起的问题，保持集群的稳定。
一开始，在CMPC算法中，当前的无人机将计算值的总和。对于它的附近无人机。但是，为了确保已建立的集群的稳定性，而不是全部，目前无人机的“单跳”无人机在计算范围内。在计算的过程中，我们不考虑邻近的无人机的价值小于在专门的无人机网络，每架无人机将计算价值的总和。这代表他们成为集群头的概率。
计算的过程如下:
集群的形成与集群头的选择
当特别的UAV网络首次建立时，所有的无人机都处于孤儿状态。他们将定期发送Hello包，并根据Hello包构建邻近的列表从其他无人机传输。集群形成的第一步是选择集群头。选择集群头的过程如下:
lt;1gt;当无人机接收到来自邻近的无人机两个连续的Hello包时，通过2.1和2.2节，目前的UAV计算了连接的生存概率和当前的无人机和邻近的无人机之间的稳定性。
lt;2gt;每架无人机通过等式(10)计算出它成为集群头的概率，然后在Hello包中向它的单跳邻居广播这个概率。当无人机i收到一架临近无人机的，它把它们的和自己的进行比较。如果它的大于别人的
无人机i会继续向大家广播它成为集群头的概率。如果这架无人机我广播了正常的Hello
包，这表示它不包含它成为集群头的概率。
lt;3gt;如果无人机i长时间没有接收到其他人的，无人机的概率
成为集群头是其单跳范围内最大的。因此，UAV i变成了集群头部，并在Hello包中广播一个公告。
集群成员的选择
如果当前的无人机接收到一个集群的头部公告，在当前的无人机和集群的头部之间综合稳定性比大，则当前的无人机加入了集群。
如果当前的无人机接收了多个集群的头信息，那么当前的无人机选择它能提供最大的综合稳定性作为它的集群头。
集群维持
特别的UAV网络的高度动态的情况可以降低集群结构的稳定性，
全文共12606字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14259]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
