(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210625315.X (22)申请日 2022.06.02 (71)申请人 厦门大学 地址 361005 福建省厦门市思明区思明南 路422号 (72)发明人 肖亮　万鲲鹏　王晨　吕泽芳　 张翼　 (74)专利代理 机构 厦门南强之 路专利事务所 (普通合伙) 35200 专利代理师 马应森 (51)Int.Cl. H04N 7/18(2006.01) H04B 7/185(2006.01) H04W 24/02(2009.01) H04W 28/18(2009.01) (54)发明名称 一种面向高质量视频传输的无人机群智能 抗干扰传输方法 (57)摘要 一种面向高质量视频传输的无人机群智能 抗干扰传输方法， 涉及视频传输和无线通信抗干 扰领域。 提高无人机群向地面控制器传输视频的 峰值信噪比和用户体验， 降低 传输时延和无人机 能耗。 各个无人机感知自身状态信息,获取视频 传输的时延和视频质量， 并融合 当前视频传输信 息， 观察服务质量， 交换决策模型权重， 无需预知 干扰机类型及信道模型， 以视频的成功传输率、 时延和能耗等性能为优化目标， 采用多智能体强 化学习算法快速优化无人机的发射功率、 通信信 道、 视频压缩方式和速率， 防御干 扰攻击。 权利要求书2页 说明书6页 附图2页 CN 115022595 A 2022.09.06 CN 115022595 A 1.一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特征在于包括以下步 骤： 1)定义参数， 构造神经网络B和C并初始化网络； 2)在第k时隙， 对时隙视频数据进行分析和状态估计获得第k ‑1时隙无人机传输时延、 跳频时延、 峰值信噪比和RS SI接收信号强度； 3)无人机通过神经网络B输出视频传输策略的长期效益值， 归一化处理后， 根据概率分 布采样得到 视频传输策略； 4)无人机根据视频传输策略改变视频参数向地面控制中心传输视频数据， 接收地面控 制中心反馈计算视频传输时延和传输质量信息； 5)计算无 人机视频传输效益； 6)无人机通过神经网络 C计算无人机状态价 值函数； 7)更新第k时隙的神经网络B的权 重参数； 8)在k时隙， 无人机向无人机群的其它无人机广播神经网络B更新后的权重， 同时接收 其它无人机广播的权 重进行更新； 9)重复步骤2)～8)， 直到传输时延小于传输时延阈值， 传输功率小于传输功率 阈值， 且 传输质量峰值信噪比大于或等于 视频质量阈值。 2.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤1)中， 参数定义及神经网络初始化的具体步骤为： 令数组集合θ1＝{h1， ...， k， ...， L}， 其中L为正整数， hk为二维数组， 数组元素值代表神经网 络的权重参 数值， 构造 一个网络权重 为θ1的神经网络B， 一个网络权重 为θ1‑的神经网络C， θ1‑ 和 θ1初始值为{01， 02， ...， 0i， ...， 0N}， 神经网络B和神经网络C均为三层神经网络； 无人机个 数为N， 无人机的发射功率为p， 最大发射功率为P， 均匀量化为H个等级， 记可用通信信道个 数为M， 无人机所选通信信道 为c∈[1， M]； 记所用压缩 方式为x， 可用压缩 方式K个； 设传输的 视频编码码率为R， 最小视频编码码率为Dmin， 最大视频编码码率为Dmax， 即R∈[Dmax， Dmin]， 并 均匀量化为W个等级， 设策略空间集 学习率α∈(0， 1]， 折扣因子 γ∈(0， 1]， 探索率为 控制中心将视频传输时延、 视频质量信息反 馈给无人机， 无人机根据所提面向高质量视频传输的无人机群智能抗干扰传输方法得到的 视频传输策略； η为给定传输时延阈值， 为给定传输功率阈值， v为给定 视频质量阈值。 3.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤2)中， 在第k时隙， 无人机向控制中心发送视频并接收控制中心反馈的传输时 延和视频质量信息， 通过对上一时隙视频数据进行分析和 状态估计获得第k ‑1时隙无人机 传输时延、 跳频时延、 PSNR和RSSI接收信号强度等信息记为l(k‑1)、 ml(k‑1)、 PSNR(k‑1)、 r(k‑1)， 记 录k时隙的通信信道c(k)、 传输功率p(k)； 系统观测状态s(k)＝[l(k‑1)， ml(k‑1)， PSNR(k‑1)， r(k‑1)， c (k)， p(k)]。权　利　要　求　书 1/2 页 2 CN 115022595 A 24.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤3)中， 无人机通过神经网络B输出视频传输策略的长期效益值， 归一化处理 后， 根据概率分布采样得到无人机视频传输策略的具体步骤为： 在第k时隙， 无人机将获取 的状态s(k)和上一时刻的动作a(k‑1)输入至自己的B网络， 通过所述神经网络B输出视频传输 策略的长期效益值， 记输出为QB(s(k)， a(k‑1)， θ1)； 采用Softmax回归模型对视频传 输策略的Q 值进行归一化处理， 得到视频传输策略在策略空间集A上的概率分布π(s(k)， A， θ1)， 根据 π(s (k)， A， θ1)进行采样得到无 人机视频传输策略a＝[a1， a2， a3， a4]。 5.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤4)中， 所述无人机根据视频传输策略改变视频参数向地面控制中心传输视频 数据， 接收地面控制中心反馈计算视频传输时延和传输质量信息的具体步骤为： 无人机根 据视频传输策略a改变视频的传输功率、 信道、 视频压缩方式和压缩码率， 向控制中心传输 视频数据， 地面控制中心反馈传输时延和视频质量等信息； 无人机接 收控制中心计算视频 传输时延和传输质量 等信息， 记为 l和PSNR。 6.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤5)中， 所述计算无 人机视频传输效益uk如下式： uk＝z1*l(k)+z2*ml(k)+z3p(k)+z4PSNR(k) 其中， z1、 z2、 z3、 z4为常数。 7.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤6)中， 通过神经网络 C， 所述计算无 人机状态价 值函数如下式： 其中， V为无 人机状态价 值函数。 8.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤7)中， 所述更新第k时隙的神经网络B的权 重参数的具体步骤为： 对第k时隙的所述神经网络B的权 重参数进行 更新操作， 先计算损失值 L( θ1)： L( θ1)＝(V(s(k+1)， a(k‑1)， θ1‑)‑QB(s(k)， a(k‑1)， θ1))2 通过反向传播算法计算损失值L( θ1)对所述神经网络B每一个参数的梯度， 记为 采 用深度学习模型优化算法Adam算法， 根据梯度 更新神经网络B的权重参数θ1， 并每经过T 个时隙更新神经网络 C的权重等于神经网络B权 重θ1‑＝θ1。 9.如权利要求1所述一种面向高质量视频传输的无人机群智能抗干扰传输方法， 其特 征在于在步骤8)中， 所述接收其它无人机广播的权重进行更新， 通过下式更新其它无人机 广播的权 重θi： 权　利　要　求　书 2/2 页 3 CN 115022595 A 3