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灾后应急通信系统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：CN121585983B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202610116936.3，技术领域涉及：H04W4/90；该发明授权一种灾后应急通信系统是由吴文杰;骆忠强设计研发完成，并于2026-01-28向国家知识产权局提交的专利申请。

本一种灾后应急通信系统在说明书摘要公布了：本发明公开了一种灾后应急通信系统，涉及应急通信领域，本系统综合考虑无人机飞行轨迹规划、STAR‑RIS波束成形、用户任务卸载比例及通信与计算资源分配等多维决策变量，提出一种联合优化策略，以最小化所有用户任务的最大处理时延和无人机能耗，从而在满足应急业务时效性要求的同时延长无人机的续航时间。本系统在满足灾后通信、计算和能源供应等多重需求的同时，显著提升了灾区通信恢复能力和应急响应效率，具备快速部署、灵活性与高可靠性等优点。

本发明授权一种灾后应急通信系统在权利要求书中公布了：1.一种灾后应急通信系统，其特征在于，包括可重构智能表面、无人机和控制模块；其中： 无人机，配备有边缘服务器，用于调整边缘服务器的空间位置；其中边缘服务器用于与可重构智能表面和或用户进行通信； 可重构智能表面，部署于地面并响应用户和或无人机的通信需求，通过在空地链路中对入射信号的透射与反射进行调控，实现对灾后场景中障碍物的绕射或规避，提升信号覆盖； 控制模块，用于获取并基于系统中各设备的运行状态，在确保用户电量需求的基础上以最小化所有用户任务的最大处理时延和无人机能耗为目标生成一个或多个设备的控制动作，实现对灾后环境变化的自适应能力；其中无人机能耗包括边缘服务器的能耗； 以最小化所有用户任务的最大处理时延和无人机能耗为目标的表达式为： 其中为时隙k时任务卸载到边缘服务器的比例；为时隙k时无人机的位置，也即边缘服务器的位置，；为时隙k时无人机的飞行速度，也即边缘服务器的飞行速度；为时隙k时无人机的飞行角度，也即边缘服务器的飞行角度；和分别为可重构智能表面的反射相位矩阵和透射相位矩阵，用于表征各可重构智能表面对反射信号和透射信号施加的相位调制；K为整个通信时段T的时隙总数，k为时隙索引；I为用户总数，为用户索引；为时隙k时第个用户任务的最大处理时延；为时隙k时处理第个用户任务的无人机能耗；表示约束；表示无人机的初始位置；为飞行时间；为无人机的最大飞行速度；和分别为无人机在轴和轴的最远飞行距离；为时隙k时第个用户的位置，；和分别为第个用户在轴和轴的最远移动距离；为时隙k时无人机的飞行能耗；为时隙k时无人机的数据传输能耗；为时隙k时边缘服务器的计算能耗；为无人机的电池最大能量；和分别为用户的最小电量限制和最大电量限制；为时隙k时第个用户的电量；表示时隙k时的反射相位偏移；表示时隙k时的透射相位偏移；表示第个用户的总任务量；D表示所有任务； 以最小化所有用户任务的最大处理时延和无人机能耗为目标生成一个或多个设备的控制动作的具体方法包括以下步骤： S1、构建基于Actor网络和双Q网络的决策模型；其中双Q网络包括两套Critic网络； S2、获取物理约束并设定决策模型超参数；其中物理约束包括所有用户的空间位置、可重构智能表面的位置、无人机初始位置以及总时间长度、无人机最大可用能量、用户电量阈值；决策模型超参数包括奖励函数、折扣因子、Actor网络和两套Critic网络的学习率、目标网络软更新系数、噪声规模、裁剪边界以及策略延迟步数；目标网络包括目标Actor网络和目标Critic网络； S3、初始化强化学习主体：构建一个用于存储交互产生的样本的经验池，将经验池及其优先级数组全部置空或设为统一初值；随机初始化两套Critic网络的参数和Actor网络的参数，并复制各自的参数给目标网络作为初始目标网络； S4、初始化系统状态，包括初始化用户位置、任务队列、电池电量、信道状态和无人机复位到起始位置； S5、将系统中各设备的运行状态依据预先给定的最小值和最大值进行归一化，得到归一化状态；将各个归一化状态拼接成一个窗口状态； S6、通过Actor网络从窗口状态中采样当前时刻的动作，并用该动作与环境进行交互，获取下一窗口状态和当前时刻的奖励； S7、将当前时间步获得的样本存入经验池，包括当前的窗口状态、当前动作、当前时刻的奖励和下一窗口状态； S8、判断经验池中的样本数量是否达到设定值，若是则进入步骤S9，否则返回步骤S5； S9、从经验池中根据优先级进行采样，得到一个训练批次； S10、对同一个训练批次中的样本进行重要性采样权重计算，并对重要性采样权重进行归一化，得到一组归一化的重要性权重； S11、基于训练批次中的样本，通过目标网络构造TD3的目标Q值； S12、基于TD3的目标Q值对两套Critic网络进行加权MSE训练，获取TD误差； S13、通过TD误差更新经验池中样本的优先级； S14、基于策略延迟机制，判断是否在当前学习步骤中更新Actor网络，若是则进入步骤S15，否则返回步骤S9； S15、使用当前的第一个Critic网络来更新Actor网络的参数，输出更新后的Actor网络； S16、对目标Actor网络和目标Critic网络进行软更新，输出一组更新后的目标Actor网络与目标Critic网络； S17、判断目标Actor网络与目标Critic网络是否达到结束训练条件，若是则将目标Actor网络最新得到的控制动作作为以最小化所有用户任务的最大处理时延和无人机能耗为目标生成一个或多个设备的控制动作，否则返回步骤S4； 其中奖励的表达式为，和为权重系数，为用户电量约束引入的惩罚项，，为大于0的惩罚系数，为电量阈值。

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。