本文研究了一种基于图神经网络的、保护隐私并分布式的框架，用于最小化无线自组织网络的可探测性，并为网络中的每个节点预测最佳的通信区域，使它们在与外部通信时保持不被探测的状态。研究结果表明，所提出的方法在平均绝对误差和中位绝对误差这两个方面具有很好的效果。

Jun, 2023

本文研究了使用可见光通信能力的无人机的动态部署问题，以优化 UAV 网络的能源效率。研究模型中，UAV 可以同时为服务地面用户提供通信和照明，因此需要考虑目标区域的照明分布进行 UAV 的部署优化。本文提出了结合门控循环单元（GRUs）和卷积神经网络（CNNs）的算法来解决这个问题，并取得了有效的降低总发射功率的结果。

Nov, 2019

该论文研究了无人机的部署优化问题，提出了一种基于深度学习模型的算法用于解决通信和照明要求下的传输功率最小化问题，在真实数据上测试表明与传统解法相比，最佳部署下可达到 22.1% 的功率降低并给出了部署和工作指导。

Sep, 2019

本文旨在通过应用物理层安全技术，解决在空中 - 地面无线信道中实现与地面节点的安全无人机通信所面临的新挑战。提出了最大化 U2G 和 G2U 传输平均保密速率的问题，通过优化运动路径和合法发射器的传输功率来解决问题。模拟结果表明，与其他基准方案相比，所提出的算法可以改善 U2G 和 G2U 通信的保密速率。

Jan, 2018

本文研究了利用无人机作为空中基站提高通信网络的物理层安全，并提出了基于强化学习算法的优化方法，通过优化空中基站位置和传输功率来提高地面用户的数据速率和保密容量，且不知晓窃听者位置的情况下，所提出的深度 Q 网络算法相比于 Q 学习和基准方法具有更快的收敛速度和最高的保密容量。

Dec, 2021

本文提出了一种深度神经网络在无人机上的分布式方法，以实现资源受限设备中的数据分类，同时考虑无人机的移动模型和资源约束。模拟表明，所提出的优化方案优于现有的启发式方法和基于服务器的解决方案。

May, 2021

本文提出了一种使用自编码器和 Koopman 算子进行状态监测的方法，可以应用于从远程控制无人机到远程手术等 5G 以上应用。该方法可以减少远程监测的数据量，同时提高预测的精度。

Apr, 2021

我们提出了一种基于学习的新方法，用于自适应地生成与操作环境相融合的低概率检测（LPD）雷达波形。通过使用无监督的对抗学习框架，我们的波形能够模拟与环境无异的射频背景分布，并能有效地进行测距和感知。同时，我们引入并最小化基于歧义函数的损失，以确保我们生成的波形在感知方面依然有效。我们通过将生成的波形的单脉冲可检测性与传统 LPD 波形进行比较以评估我们方法的性能，使用了一个单独训练的检测神经网络。结果显示，我们的方法可以生成可将可检测性降低 90% 的 LPD 波形，同时提供改善的歧义函数（感知）特性。我们的框架还提供了一种可以权衡可检测性和感知性能的机制。

Mar, 2024

本文研究了利用无人机作为飞行基站为给定地理区域提供即飞即用无线通信的部署，提出了两个无人机工作场景，并对无人机高度、D2D 用户数量等相关参数进行覆盖概率和系统总速率分析，发现最优的无人机高度和覆盖概率存在较强的关联。同时，通过智能移动无人机来实现最小化覆盖整个区域所需的总传输功率，最后讨论了覆盖和延迟之间的权衡。

Sep, 2015

研究通过利用 3D 城市地图，并引入地图压缩方法，实现了在资源受限的情况下优化 UAV 轨迹的设计，以实现数据通信节点的收集，并同时优化信道参数的学习和数据传输效率.

Jun, 2018