UAV-ground LoS/NLoS信道模型

通信信道传输损耗来自文献Al-Hourani A , Kandeepan S , Lardner S . Optimal LAP Altitude for Maximum Coverage[J]. Wireless Communications Letters, IEEE, 2014, 3(6):569-572.

patrickpdx

1060人浏览 · 2020-05-10 11:36:35

patrickpdx · 2020-05-10 11:36:35 发布

版本1

在这里插入图片描述

摘自 Zhong R, Liu X, Liu Y, et al. Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading[J]. arXiv preprint arXiv:2010.09094, 2020.

版本2

在这里插入图片描述

摘自 Zeng, Y., Wu, Q., & Zhang, R. (2019). Accessing From the Sky: A Tutorial on UAV Communications for 5G and Beyond. Proceedings of the IEEE, 107, 2327-2375.

在这里插入图片描述

其中
在这里插入图片描述
$θ\theta$ 是elevation angle

摘自 Al-Hourani A , Kandeepan S , Lardner S . Optimal LAP Altitude for Maximum Coverage[J]. Wireless Communications Letters, IEEE, 2014, 3(6):569-572.

技术共进，成长同行——讯飞AI开发者社区

更多推荐

AI智能体—人工智能工作流与人工智能智能体：真正的区别是什么？

本文探讨了人工智能工作流与智能体的核心区别。工作流是静态、可预测的执行序列（如预处理→嵌入→搜索→总结），适合批处理作业；而智能体能动态感知环境、自主决策（感知→推理→决策循环），具备适应性和工具选择能力。关键差异在于：工作流遵循固定路径，智能体则能根据目标调整策略。架构上，工作流使用Airflow等工具，智能体依赖LangChain等框架。智能体的自主性使其更适用于动态环境，代表下一代AI应用方