【干扰】对低空经济的无人机反制：基于MIMO蜂窝系统的通信干扰一体化方案Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
为保障低空经济的高质量发展，对未授权无人机实施反制成为一项关键工作。当前已大规模部署的基站，具备开展通信与干扰一体化（JCJ）应用的巨大潜力。基于此，本文针对双功能多输入多输出（MIMO）蜂窝系统，研究了波束成形的联合设计方法，该方法可同时为合法用户提供通信服务、对未授权无人机实施干扰反制。本文首先构建了通信与干扰一体化优化问题，通过半定松弛（SDR）对该问题进行松弛处理，将其转化为可求解的半定规划（SDP）问题 —— 半定松弛为简化复杂的通信与干扰一体化设计奠定了关键基础。尽管经松弛得到的半定规划问题的解无法直接用于求解原问题，却为后续的问题精修提供了重要思路。本文基于这些思路，针对半定规划问题的结构特征设计了一种新型约束条件，确保所得解满足原问题的秩 1 约束要求。最后，本文通过大量仿真实验验证了所提通信与干扰一体化方案的有效性。实验结果表明，即便合法用户与未授权无人机的总数超过基站天线数，该方案仍能保持良好的工作性能。
⛳️ 运行结果
📣 部分代码
%% 1. Parameter Definition
% we need to set R_th as follows
R_th = [5 7 9 7 7 7];
Gamma_th = [13 13 13 3 -7 -17];
n_t = 16;
n_ue = 2;
n_uav = 2;
Nit = 5000;
ErrorCase_Index = [];
ErrorIt_Index = [];
P = zeros(length(R_th), Nit);
r_th = 7;
gamma_th = 13;
Para = ParaClass_NUENUAV(n_t, n_ue, n_uav, r_th, gamma_th);
% To use parfor, we need to predefine some parameters
N_t = Para.N_t;
N_ue = Para.N_ue;
N_uav = Para.N_uav;
sigma2_ue = Para.sigma2_ue;
sigma2_uav = Para.sigma2_uav;
P_e = Para.P_e;
%% 2. Generate Channel
for i_case = 1:length(R_th)
r_th = R_th(i_case);
gamma_th = Gamma_th(i_case);
Para = ParaClass_NUENUAV(n_t, n_ue, n_uav, r_th, gamma_th);
for i_it = 1:Nit
tic
Para = Para.ParaUpd();
R = zeros(Para.N_ue,1);
Gamma = zeros(Para.N_uav,1);
disp(['i_case/N_case = ' num2str(i_case) '/' num2str(length(R_th))])
disp(['r_th = ' num2str(r_th)])
disp(['gamma_th = ' num2str(gamma_th)])
disp(['i_it/Nit = ' num2str(i_it) '/' num2str(Nit)])
%% 3. Pseudo-Inverse
F_norm = pinv(Para.H);
%% 4. Power Allocation
F_hat = [sqrt((2^r_th-1)*sigma2_ue)*F_norm(:,1:N_ue), ...
sqrt(10^(-gamma_th/10)*P_e - sigma2_uav)*F_norm(:,N_ue+1:end)];
P(i_case, i_it) = norm(F_hat,"fro")^2;
%% 5. Compute Information
for i_ue = 1:N_ue
R(i_ue) = log2(1 + Para.H_ue(i_ue,:)*F_hat(:,i_ue)*F_hat(:,i_ue)'*Para.H_ue(i_ue,:)'/...
(sigma2_ue + Para.H_ue(i_ue,:)*(F_hat*F_hat')*Para.H_ue(i_ue,:)'-...
Para.H_ue(i_ue,:)*F_hat(:,i_ue)*F_hat(:,i_ue)'*Para.H_ue(i_ue,:)'));
end
for i_uav = 1:N_uav
Gamma(i_uav) = 10*log10(P_e/...
(Para.H_uav(i_uav,:)*(F_hat*F_hat')*Para.H_uav(i_uav,:)' + sigma2_uav));
end
disp(['P = ' num2str(P(i_case, i_it))])
disp('-------------------------------------------')
for i_ue = 1:Para.N_ue
disp(['R_' num2str(i_ue) ' = ' num2str(real(R(i_ue)))])
end
disp(['R_th = ' num2str(Para.R_th)])
disp('-------------------------------------------')
for i_uav = 1:Para.N_uav
disp(['Gamma_' num2str(i_uav) ' = ' num2str(real(Gamma(i_uav)))])
end
disp(['Gamma_th = ' num2str(Para.Gamma_th)])
toc
disp('============================================================')
end
end
%% 5. Save and Plot
save('..\Data\CI_Threshold_it_5000.mat', ...
'R_th', ...
'Gamma_th', ...
'n_ue', ...
'n_uav', ...
'Nit', ...
'P')
🔗 参考文献
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类