【无人机通信】无人机通信控制神经符号人工智能（NSAI）框架MATLAB仿真代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长

毕业设计辅导、数学建模、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

单文件可完整复现实验，无额外工具箱依赖，仅需基础 MATLAB，一次性生成 5 组仿真对比图表：

  1. 任务重规划时序曲线（15min 风扰、40min 禁飞区干扰，4 种规划算法对比）

  2. 并发无人机数量 - 系统延迟曲线（M/M/1 事件驱动排队仿真）

  3. 误码率 BER - 信噪比 SNR 曲线（BPSK 调制 + 高斯白噪声 + 算法专属干扰）

  4. 信任安全合规率 vs 环境自适应得分分组柱状图

  5. 可解释性指标柱状图（EAR 解释可用率，附带局部放大插图）

核心统一设计规范

  1. 每个仿真模块独立分配随机数流RandStream，无随机数串扰，实验可复现；

  2. 各子仿真独立固定随机种子，结果完全可重复；

  3. 三类对比基线：纯符号规划、纯神经网络、混合 NSAI 框架；额外增加传统最短路径基准算法。

分模块逐段解析

入口主函数run_nsai_uav_usecases()

初始化

清空命令行、关闭已有画布，保证绘图干净。

实验 1：任务重规划时序仿真

调用simulate_mission_replans_matched()生成重规划累计次数时序数据

  • 绘图采用阶梯图stairs，区分 4 种算法线型；

  • 竖线标注两个扰动时刻：15 分钟风场干扰、40 分钟禁飞区 (NFZ) 入侵；

  • 横轴任务时长 0~60 分钟，纵轴累计重规划次数。

实验 2：并发无人机排队延迟仿真

基于 M/M/1 排队模型，遍历 1~10 架并发无人机：

  • 分别计算纯神经网络、纯符号、NSAI 混合框架的系统处理延迟 (ms)；

  • 折线图对比，直观体现无人机数量上升后的延迟增长差异。

实验 3：通信链路 BER-SNR 仿真

BPSK 调制 + AWGN 信道，叠加各算法专属干扰噪声：

  • SNR 范围 0~20dB，采样间隔 2dB；

  • 每组信噪比发送 200000 比特保证曲线平滑；

  • 半对数坐标semilogy绘制误码率，适合观察低误码区间差异。

实验 4：安全合规率 & 自适应得分分组柱状图

三类算法两组指标并列柱状：

  1. 规则合规率（越高代表安全约束违反越少）

  2. 环境自适应得分（越高代表扰动下调整能力更强）输出 0~100 分百分比，无双坐标轴，可读性更强。

实验 5：可解释性 EAR 指标柱状图

  • 主图完整区间 0~100% 展示解释可用率 EAR；

  • 内嵌小插图放大 0~10% 区间，凸显纯神经网络极低可解释性；

  • 柱顶标注数值，清晰量化差距。

子仿真函数原理详解

1.simulate_mission_replans_matched()任务重规划仿真

场景参数

  • 总任务时长 60min，仿真步长 0.1min（6 秒更新一次位置）；

  • 起点、终点二维坐标，无人机匀速 14m/s 直线飞行；

  • 两类扰动：15min 全局风扰、40min 途经圆形禁飞区；

  • 蒙特卡洛仿真 5000 次取均值，消除随机波动。

算法重规划逻辑

  1. NSAI 混合框架

    ：扰动触发仅重规划 1 次，无重复调整，最优；

  2. 纯符号 / 传统最短路径

    ：扰动区间多次重复重规划，次数最多；

  3. 纯神经网络

    ：扰动触发存在 50% 概率二次重规划，稳定性差。

辅助几何函数segmentHitsCircle(a,b,c,r)

判断无人机飞行线段a-b是否进入圆心c、半径r的禁飞圆，用于 40min 禁飞区触发判断。

2.simulate_latency_mm1_ms(U, mode)M/M/1 排队延迟仿真

排队理论基础

  • 到达率 λ：单无人机 7 任务 / 秒，并发 U 架总到达率λ=7U；

  • 服务率 μ：不同框架基础处理速度不同，叠加并发惩罚系数；

    • 纯神经网络：基础处理慢，并发惩罚大；

    • 纯符号：中等速度；

    • NSAI 混合：基础处理速度最快、并发惩罚最小；

  • 强制系统稳定：若负载过高自动抬升服务率，避免队列无限累积。

仿真流程

  1. 生成任务到达间隔、服务时长（指数分布，M/M/1 标准假设）；

  2. 模拟任务排队、服务完成时间，计算单任务总驻留时间；

  3. 丢弃前 2500 个任务作为预热 (warm-up)，消除初始化偏差；

  4. 仿真实测延迟叠加校准系数，贴合工程实测数值。

工具函数modeToInt(mode)

将字符串模式转为整数，用于随机种子偏移，保证三类算法随机序列完全独立。

3.simulate_ber_bpsk_interf(snr_db, Nbits, mode)通信误码仿真

信道模型

BPSK 调制：比特 0→-1，比特 1→+1；接收信号：y = 调制符号 + 高斯白噪声 + 算法专属干扰

  • 白噪声功率由 SNR 换算；

  • 干扰强度：纯神经网络干扰最大，纯符号次之，NSAI 混合干扰最小；判决规则：y≥0 判 1，否则判 0，统计错误比特占比 BER。

4.simulate_trust_safety_adaptability()安全与自适应仿真

扰动场景

三类运行场景：正常环境、环境扰动、网络网络攻击扰动；固定扰动发生概率。

  1. 规则合规率

    ：统计不同场景下安全约束违规概率，合规率 = 100 - 违规百分比；

    • 纯符号违规极少，合规率最高；神经网络扰动下违规严重；NSAI 兼顾两者；

  2. 自适应得分

    ：正态分布生成 0~100 分自适应分数，神经网络自适应最强，但安全差；NSAI 均衡；纯符号自适应最差。

子函数onePlannerTrustSim

单算法蒙特卡洛仿真，分别输出平均违规率、平均自适应得分。

5.simulate_explainability_metrics()可解释性仿真

三大量化指标：

  1. EAR 解释可用率

    ：决策后可输出规则化解释的概率

    • 纯符号：几乎 100% 可解释；神经网络仅 2%；NSAI 接近符号；

  2. 保真度 Fidelity

    ：解释逻辑与实际决策行为一致性百分比；神经网络无有效解释，保真度为 0；

  3. 简洁性 Conciseness

    ：基于输出规则数量指数衰减打分，规则越少分数越高；神经网络无规则解释，简洁性为 0。

子函数onePlannerExplainSim

单框架可解释性蒙特卡洛仿真，统一扰动分布保证与安全实验场景对齐。

⛳️ 运行结果

📣 部分代码

%% ===================== (2) Latency vs concurrent UAVs (queue simulation) =====================

uavs = 1:10;

lat_neural = zeros(size(uavs));

lat_symbolic = zeros(size(uavs));

lat_nsai = zeros(size(uavs));

for ii = 1:numel(uavs)

U = uavs(ii);

lat_neural(ii) = simulate_latency_mm1_ms(U, "neural");

lat_symbolic(ii) = simulate_latency_mm1_ms(U, "symbolic");

lat_nsai(ii) = simulate_latency_mm1_ms(U, "nsai");

end

figure('Color','w','Position',[80 120 520 420]);

plot(uavs, lat_neural, '-o','LineWidth',2); hold on;

plot(uavs, lat_symbolic, '--s','LineWidth',2);

plot(uavs, lat_nsai, '-^','LineWidth',2);

grid on;

xlabel('Concurrent UAVs');

ylabel('Latency (ms)');

legend({'Neural-only','Symbolic-only','NSAI (Hybrid)'}, 'Location','northwest');

set(gca,'FontSize',12);

%% ===================== (3) BER vs SNR (BPSK simulation) =====================

snr_db = 0:2:20;

Nbits = 2e5; % increase if you want smoother curves

ber_neural = zeros(size(snr_db));

ber_symbolic = zeros(size(snr_db));

ber_nsai = zeros(size(snr_db));

for k = 1:numel(snr_db)

ber_neural(k) = simulate_ber_bpsk_interf(snr_db(k), Nbits, "neural");

ber_symbolic(k) = simulate_ber_bpsk_interf(snr_db(k), Nbits, "symbolic");

ber_nsai(k) = simulate_ber_bpsk_interf(snr_db(k), Nbits, "nsai");

end

figure('Color','w','Position',[80 120 560 430]);

semilogy(snr_db, ber_neural, '-o','LineWidth',2); hold on;

semilogy(snr_db, ber_symbolic, '-s','LineWidth',2);

semilogy(snr_db, ber_nsai, '-^','LineWidth',2);

grid on;

xlabel('SNR (dB)');

ylabel('Bit Error Rate (BER)');

legend({'Neural-only','Symbolic-only','NSAI (Hybrid)'}, 'Location','northeast');

ylim([1e-3 1]);

set(gca,'FontSize',12);

🔗 参考文献

🍅往期回顾扫扫下方二维码