买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川轻化工大学申请的专利一种RIS辅助UAV-ISAC系统安全能效优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121441349B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202512016787.1，技术领域涉及：H04B7/04；该发明授权一种RIS辅助UAV-ISAC系统安全能效优化方法是由张远飞;骆忠强设计研发完成，并于2025-12-30向国家知识产权局提交的专利申请。

本一种RIS辅助UAV-ISAC系统安全能效优化方法在说明书摘要公布了：本发明公开了一种RIS辅助UAV‑ISAC系统安全能效优化方法，包括：利用无人机UAV子系统采集个链路信道信息数据；根据信道后验分布与信道转移模型，得到信道后验协方差；构建多智能体PPO决策网络，多智能体PPO决策网络中搭建有深度强化学习模型DRL，多智能体PPO决策网络生成人工噪声AN的波束成形矩阵，并生成总发射信号；优化多智能体PPO决策网络的控制参数，输出收敛的多智能体PPO决策网络，来对系统的通信速率、能效与安全性能进行优化。本发明引入贝叶斯信道估计机制，提升系统在CSI信道状态信息不完美场景下的鲁棒性，确保信道不确定性RMSE与SEE的稳定性能。

本发明授权一种RIS辅助UAV-ISAC系统安全能效优化方法在权利要求书中公布了：1.一种RIS辅助UAV-ISAC系统安全能效优化方法，其特征在于，包括： 步骤S1：利用无人机UAV子系统采集时刻t无人机UAV-合法用户之间的链路信道向量、无人机UAV-可重构智能表面RIS的链路信道矩阵、可重构智能表面RIS-合法用户的反射链路信道向量；构建时刻t无人机UAV-窃听者的链路信道向量； 步骤S2：根据时刻t-1信道后验分布与信道转移模型，预测时刻t信道先验，并根据信道先验协方差基于卡尔曼滤波计算信道后验分布，得到时刻t的信道后验协方差； 步骤S3：构建多智能体PPO决策网络，多智能体PPO决策网络中搭建有深度强化学习模型DRL，多智能体PPO决策网络包括通信波束成形智能体决策、无人机UAV智能体决策和感知智能体决策； 用于优化可重构智能表面RIS反射单元的反射系数矩阵和波束成形矩阵G[t]、优化无人机UAV的轨迹Q和信道状态信息CSI的更新速率和感知波束；并计算多智能体PPO决策网络的奖励系数； 步骤S4：多智能体PPO决策网络生成人工噪声AN的波束成形矩阵，并结合优化的波束成形矩阵生成总发射信号； 步骤S5：多智能体PPO决策网络基于总发射信号输出总保密速率、能效、定位均方根误差和窃听者容量，并优化多智能体PPO决策网络的控制参数，输出收敛的多智能体PPO决策网络，来对系统的通信速率、能效与安全性能进行优化； 所述通信波束成形智能体决策用于优化可重构智能表面RIS反射单元的反射系数矩阵和波束成形矩阵G[t]；具体的： 通信波束成形智能体决策的状态输入向量为： ； 其中，为系统在时刻t的真实状态向量，，为合法用户或窃听者在时刻t的位置，i为合法用户或窃听者作为目标的编号； 可重构智能表面RIS反射单元的反射系数矩阵为： ； 其中，为第M个反射单元的幅度反射系数，重构智能表面RIS反射单元的幅度反射系数满足，m为反射单元的编号，为第M个反射单元的相位偏移量，j表示虚数单位，e为自然对数的底数，反射单元的相位偏移量； 将反射系数矩阵分解为实部与虚部，将波束成形矩阵G[t]分解为虚部和实部，波束成形矩阵G[t]中合法用户的发射信号波束成形向量满足约束条件： ； 其中，为人工噪声的功率比，为总发射功率； 通信波束成形智能体决策的奖励计算模型为： ； ； ； ； 其中，为通信波束成形智能体决策的奖励系数，为合法用户的保密速率，分别为违反无人机UAV移动约束的惩罚项、违反总功率约束的惩罚项、违反服务质量约束的惩罚项、能耗惩罚项，为惩罚项系数，为合法用户的通信速率，为窃听者对合法用户的通信速率，p为窃听者编号，k为合法用户的编号，为合法用户的信干噪比，为窃听者信干噪比； 所述通信波束成形智能体决策优化波束成形矩阵G[t]的方法为： 通信波束成形智能体决策内搭建有深度强化学习模型DRL，将状态输入向量通过深度强化学习模型DRL的全连接层提取特征，输出波束成型矩阵G[t]，波束成型矩阵G[t]的纬度为，波束成型矩阵G[t]中每个元素表示为： ； 其中，为维度为的波束成形矩阵，分别为波束成形矩阵的实部和虚部； 将波束成型矩阵G[t]中每个元素按照发射天线索引-合法用户索引重组为复波束成型矩阵，复波束成型矩阵中的元素表示为； ； 其中，分别为元素的实部和虚部； 从复波束成型矩阵中提取合法用户的初始波束赋形向量，计算发射天线与合法用户之间的通信功率； ； 其中，为第k个合法用户的初始波束赋形向量； 若，则将波束成型矩阵G[t]缩放为： ； 其中，为人工噪声AN的功率比例，为系统的总发射功率； 否则，保留波束成型矩阵G[t]，完成对波束成型矩阵G[t]的优化； 所述通信波束成形智能体决策优化反射系数矩阵的方法为： 通信波束成形智能体决策输出反射系数矩阵，反射系数矩阵中每个元素为复反射系数项； 将深度强化学习模型DRL的输出层设计为2M维实数向量，输出向量； ； 其中，分别为第M个反射单元对应的波束成形向量的实部和虚部； 利用反射单元的波束成形向量的实部和虚部计算模长； ； 若，则将波束成形向量的实部和虚部分别除以模长，得到校正的实部和虚部； ； 利用校正的实部和虚部反推相位偏移量，利用反推相位偏移量校正反射系数矩阵中每个元素的相位偏移量，完成反射系数矩阵的优化； 否则，保持反射系数矩阵不变； 所述无人机UAV智能体决策用于优化无人机UAV的轨迹Q； 无人机UAV智能体决策的状态输入向量为： ； 其中，为时刻t的无人机UAV位置，为时刻t的速度，为时刻t-1的无人机UAV定位均方根误差，为时刻t-1的无人机UAV能效； 无人机UAV平面位置的边界约束为：；其中，B为平面位置边界，分别为无人机UAV的平面横向位置、平面竖向位置； 无人机UAV的位置约束为：； 无人机UAV智能体决策的奖励计算模型为： 其中，为无人机UAV智能体决策的奖励系数； 所述感知智能体决策用于优化信道状态信息CSI的更新速率和感知波束； 感知智能体决策的状态输入向量为： 其中，为合法用户或窃听者在时刻-1的目标估计位置； 多智能体PPO决策网络输出信道状态信息CSI更新权重与感知波束方向，来影响观测信息量和卡尔曼更新质量； 感知智能体决策的奖励计算模型为： 其中，为感知智能体决策的奖励系数，为感知资源惩罚项，为感知资源惩罚项系数，为总保密速率，为时刻t的无人机UAV定位均方根误差，表示合法用户集合与窃听者集合的并集，为合法用户或窃听者在时刻t+1的位置，为感知误差，为保密速率的权重，为感知误差的权重； 所述步骤S4包括： 步骤S41：多智能体PPO决策网络中的深度强化学习模型DRL根据时刻t的信道后验均值与窃听者位置，输出人工噪声AN的功率比； 步骤S42：人工噪声模块计算人工噪声AN的功率，生成人工噪声的零空间投影矩阵，并构建人工噪声AN的波束成形矩阵； 其中，是由K个合法用户的信道向量拼接而成的矩阵，为第K个合法用户的信道向量； 步骤S43：基于优化后的波束成型矩阵和人工噪声AN的波束成形矩阵，无人机UAV子系统发射通信信号与人工噪声AN信号，为信息符号，生成总发射信号； 所述步骤S5包括： 步骤S51：多智能体PPO决策网络基于总发射信号输出时刻t的总保密速率、能效、定位均方根误差和窃听者容量，与保密速率阈值、能效阈值、感知精度阈值进行比较； 若或或，则执行步骤S52，否则，判定多智能体PPO决策网络收敛； 步骤S52：修正智能体PPO决策网络的控制参数并调整奖励计算模型的权重，并返回步骤S51，多智能体PPO决策网络重新输出总保密速率、能效、定位均方根误差和窃听者容量； 步骤S53：循环迭代步骤S52，每次循环迭代过程智能体PPO决策网络均计算总奖励系数；直到连续100次迭代循环的总奖励系数波动率，则判定智能体PPO决策网络收敛，停止循环迭代； ，； 步骤S54：输出智能体PPO决策网络收敛时的控制参数，作为最优控制参数，最优控制参数包括反射单元的最优相位、无人机最优轨迹、最优波束成型矩阵和最优人工噪声AN功率比，完成对系统的通信速率、能效与安全性能的优化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川轻化工大学，其通讯地址为：643000 四川省自贡市自流井区汇东学苑街180号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。