内容简介
无人ji作为战术通信中继在战场通信支持中发挥了重要作用，能够在信号封闭、强干扰环境下为地面设备（underground equipment，UE）提供可靠有效的通信保障。传统蜂窝式网络在战场环境中易受攻击或干扰，难以满足战术通信的低延迟、高速率需求。本书提出基于无人ji集群的无蜂窝大规模多输入多输出系统（cell-free massive multiple-input multiple-output，CF massive MIMO），通过去中心化的接入点（access point，AP）部署和大规模天线协作，扩大网络的覆盖范围并提升其鲁棒性。为适应实时变化的网络拓扑结构，提出了基于图神经网络（graph neural network，GNN）的通信资源调度算法，对 AP 选择、导频信号分配和功率分配进行优化。
本书适合从事无线通信、无人ji网络、军事通信工程及人工智能辅助网络优化研究的科研人员、高校师生阅读，也可作为通信系统设计工程师、战术通信装备研发人员及国防信息化建设相关领域从业者的技术参考书。
目录
目录
第 1 章 绪论
1.1 研究背景
1.2 研究意义
1.3 研究现状
1.3.1 基于无人机的通信系统研究现状
1.3.2 无蜂窝 MIMO 研究现状
1.3.3 基于深度学习的无线通信资源调度算法研究现状
1.4 研究框架和结构
第 2 章 基于无人机集群的无蜂窝 MIMO 系统模型
2.1 无蜂窝 MIMO 系统概述
2.1.1 massive MIMO 系统
2.1.2 无蜂窝 MIMO 系统
2.2 信道模型
2.2.1 块衰落（block fading）
2.2.2 相关性瑞利衰落（correlated rayleigh fading）
2.2.3 信道硬化和信道正交
2.2.4 不同时间规模
2.3 频谱效率表征
2.3.1 确定型信道频谱效率
2.3.2 随机信道频谱效率
2.4 数据传输模型
2.4.1 信道估计
2.4.2 有效信号传输
2.4.3 频谱效率计算
2.5 小结
第 3 章 无蜂窝 MIMO 系统 AP 选择优化
3.1 AP 选择问题概述
3.1.1 规模化问题
3.1.2 动态协作聚类
3.1.3 以 UE 为中心的 AP 选择
3.2 经典 AP 选择算法
3.2.1 基于排序的 AP 选择
3.2.2 基于竞争模型的 AP 选择
3.2.3 算法性能对比
3.3 基于图卷积神经网络的 AP 选择算法
3.3.1 图神经网络
3.3.2 图神经网络优化 AP 选择
3.4 仿真分析
3.4.1 仿真配置
3.4.2 测试结果
3.5 小结
第 4 章 无蜂窝 MIMO 系统导频信号分配
4.1 导频信号分配问题概述
4.2 经典导频信号分配算法
4.2.1 基于贪心思想的导频信号分配
4.2.2 基于 UE 分组的导频信号分配
4.2.3 算法性能对比
4.3 基于图聚类的导频信号分配算法
4.3.1 基于谱聚类的导频信号分配
4.3.2 基于锚点聚类的导频信号分配
4.4 仿真分析
4.4.1 仿真配置
4.4.2 谱分解聚类算法性能
4.4.3 锚点聚类算法性能
4.5 小结
第 5 章 无蜂窝 MIMO 系统功率分配
5.1 问题概述
5.2 迫零波束赋形下的功率分配
5.2.1 频谱效率计算
5.2.2 注水算法
5.2.3 混合波束赋形
5.3 共轭波束赋形下的功率分配
5.3.1 WMMSE 算法求解功率分配
5.3.2 基于动态连接图神经网络优化
5.4 仿真分析
5.4.1 仿真配置
5.4.2 动态连接图神经网络超参数配置
5.4.3 动态连接图神经网络性能对比测试
5.5 小结
第 6 章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
前言/序言
前言
通信网络作为联结各作战单元的 “神经中枢”，在现代战争中具有不可替代的作用。传统的无线通信方式往往受到地形、天气以及敌方干扰的影响，导致通信链路的不稳定，严重影响了指挥和协调的效率。利用无人机搭载天线，构建空基中继通信系统，能够有效降低环境影响。本书提出一种基于无蜂窝 MIMO 的无人机集群辅助通信系统，通过多无人机搭载天线，构建多点协同架构，实现中继通信的去中心化。相比传统蜂窝网络，该系统能够有效避免中心节点受攻击或干扰造成的通信失效，提高网络的覆盖范围和抗毁能力。
无蜂窝 MIMO 的性能优势依赖于资源调度，战场拓扑动态变化，需要实时优化通信资源。提出基于深度图神经网络（GNN）的资源调度算法，通过特征提取、节点属性聚合，对目标函数进行优化。
（1）基于 GNN 的无人机接入点（AP）选择：当地面设备（UE）进入覆盖区域后，需选择一个或者多个无人机 AP 作为信号传送基站。利用通信链路的物理拓扑性质，设计了一种基于 GNN 的优化方法。以无蜂窝 MIMO 中总频谱效率作为优化目标函数，采用基于非监督学习的策略进行优化，从而获得性能最好的无人机 AP 选择方案，能够为无蜂窝 MIMO 的实际部署提供参考。
（2）基于图学习的导频信号分配：在 UE 确定服务无人机 AP 后，为实现波束赋形，无人机 AP 需要获取与地面设备间的信道状态。通常采用 UE 向无人机 AP 端发送导频信号的方式进行信道估计。导频信号间的相互干扰会降低信道估计的准确性。采用基于图学习的导频信号分配算法，降低系统中的干扰，提升信道估计准确性。通过无人机 AP－UE 间链路的相互影响程度构建图拓扑结构，随后通过谱分解聚类、锚点聚类方法分配导频信号，优化系统性能。
（3）基于 GNN 的功率分配问题：在波束赋形中，无人机 AP 需要确定对 UE 的发送功率。一方面，合理的功率分配会增加 UE 的有效数据信号强度；另一方面，由于一个无人机 AP 会向多个 UE 发送有效数据信号，功率分配能够抑制这些 UE 的相互干扰，从而提升频谱效率。以无蜂窝 MIMO 中的总频谱效率作为优化目标，提出了一种基于动态 GNN 的功率分配算法，提高系统性能。
在仿真环境中，本书比较了使用 GNN 和其他传统算法的性能。数据表明，基于 GNN 的资源调度方法在无蜂窝 MIMO 中能够有效提升频谱效率、网络容量和抗干扰能力；同时，相较于传统优化方法，显著降低了计算复杂度，提高了资源分配的实时性和适应性。
由于作者水平有限，书中难免存在疏漏，恳请读者批评指正。
著者
2026 年 7 月
