基于分布式OAM模态复用的大容量上行数据传输方法与流程

基于分布式oam模态复用的大容量上行数据传输方法
技术领域
1.本发明涉及无线通信技术领域，具体而言，涉及一种基于分布式oam模态复用的大容量上行数据传输方法。


背景技术：

2.近年来，随着集成电路、无线通信等技术的进步，物联网技术飞速发展，已经应用于经济生活中的各行各业。其中，物联网技术应用于智能电网(即电力物联网)是物联网的一个重点发展方向。电力系统作为国民经济生活的支柱贯穿于各行各业，传统电网的发、输、变、配以及状态监测等环节往往都需要人力手工完成，成本开销大，缺乏灵活性与扩展性。随着物联网技术的不断成熟，各类传感器节点可应用于电网系统的各个环节，极大的提升电网运营的效率，降低了运营成本。
3.传统的互联网业务，数据流量主要以下行为主，上行数据主要是一些信令信息，数据量小。因此，传统网络在设计时，一般下行容量远大于上行容量。而在万物互联的物联网时代，数据流向发生了变化。不同于传统互联网终端主要从基站获取数据，物联网终端(主要是传感器节点)则需要将采集到的数据上传至基站，从而接入核心网。这种数据流向的转变，随着物联网技术的不断普及，也对无线通信技术提出了新的挑战，即：物联网中传感器节点数量的快速增长造成上行数据量急剧增大，需要高速率的无线通信上行传输方案才能保障物联网系统实时稳定地运行。
4.如图1所示的物联网节点与空中基站通信的场景(图中的黑色圆点即为传感器节点，飞机即为空中无人机基站)。大量的传感器节点分布在一个指定的平面矩形区域(试验区)内。根据需要采集数据的具体位置不同，节点之间一般间隔一段距离放置，整体的节点分布是随机的，没有呈现某种固定的几何结构。此外，由于试验区所处地理位置的限制，试验区内的传感器节点可能无法布置有线网络接入核心网，布置地面基站也同样难以实施。此时，常用的方法便是采用无人机空中基站。采用这种方案时，无人机定时飞往待采集数据的传感器区域上空通知传感器节点，传感器节点接收消息后开始将采集的数据上传至空中无人机基站。由于传感器数量庞大，采集到的数据量非常大，此时便需要大容量的无线上行传输方法，能够在更少的时间内将所有传感器在一段时间内采集到的数据上传至空中基站。
5.然而，随着各类无线通信技术的发展，可用频谱资源越来越少，能用于特定无线传输技术的带宽非常有限。当前的物联网上行技术方案，一般偏向于低带宽应用，如lora，nbiot等等，无法适用于未来海量数据的上行传输。为了解决无线通信上行容量限制问题，华为联合中国电信提出了5g超级上行技术。在数据上行阶段，提出将tdd和fdd结合，以提升上行数据率。采用超级上行技术，上行速率峰值可以达到343mbps。然而，这种技术需要终端具备强大的数据处理和无线通信能力，即各个终端需要复杂的硬件配置，系统开销大，不适用于物联网大量传感器节点的数据传输，这类传感器节点由于成本限制，一般只具备基础的数据处理与通信能力。
6.综上所述，在一些物联网试验区，受地理位置或者地形等因素的影响，为试验区内的传感器节点布置有线网络接入核心网难以实现。当前物联网传感器节点普遍采用的nbiot、lora等物联网通信技术，传输速率低，仅适用于低容量的无线传输。随着物联网应用的进一步普及，传感器节点个数不断增加，传感器数据量大幅上升，急需传感器节点到基站间的短时大容量上行传输方法，实现传感器数据高效、快捷地接入核心网。


技术实现要素：

7.本发明旨在提供一种基于分布式oam模态复用的大容量上行数据传输方法，以解决传感器节点与基站间的短时大容量无线通信的问题。
8.本发明提供的一种基于分布式oam模态复用的大容量上行数据传输方法，包括如下步骤：
9.步骤一，获取物联网传感器节点区域中每个传感器节点的编号和位置；
10.步骤二，基于获取的传感器节点的编号和位置，计算出近似uca的传感器节点集合，记录传感器节点集合中的传感器节点的编号和极坐标角度，以及圆心位置；
11.步骤三，空中无人机基站获取传感器节点集合中的传感器节点的编号和极坐标角度，以及圆心位置后，飞行至待采集数据的传感器节点上空圆心位置处时，将获取的传感器节点集合中的传感器节点的编号和极坐标角度广播给下方所有传感器节点；
12.步骤四，下方所有传感器节点收到无人机基站广播的传感器节点的编号后，比较自身编号与无人机基站广播的传感器节点的编号，确定自身是否被选择作为近似uca的传感器节点；
13.步骤五，被选择作为近似uca的传感器节点采用基于uca的oam通信方法上传数据至空中无人机基站。
14.进一步的，步骤二包括如下子步骤：
15.步骤21，根据传感器节点的平均间距d和需要选择作为近似uca的传感器节点个数m设定圆周半径间隔δ
r
和射线角度间隔δ
φ
；其中，设置圆心调整的步长δ
d
；再将所有遍历搜索序号初始化为0，遍历搜索序号包括：圆心直角坐标x轴位置索引i，圆心直角坐标y轴位置索引j，圆环索引k，扇区遍历索引m；执行步骤22；其中，圆心直角坐标x轴位置索引最大值为i，圆心直角坐标y轴位置索引最大值为j；圆环总数为k；
16.步骤22，设置所有传感器节点坐标为步骤22，设置所有传感器节点坐标为获取位置调整后相应的极坐标(r
i,j,n
，φ
i,j,n
)，执行步骤23；
17.步骤23，设环块(k,m)极坐标中心点为(r
k,m
,φ
k,m
)，选取满足)，选取满足且的传感器节点，若没有传感器节点满足条件，执行步骤26，否则，执行步骤24；
18.步骤24，在步骤23选取的传感器节点中选择与环块(k,m)直角坐标中心点(x
k,m
,y
k,m
)距离最小的传感器节点，选取方法如下：
19.min[(x
i,j,n
‑
x
k,m
)2 (y
i,j,n
‑
y
k,m
)2]
[0020]
记录下距离最小的传感器节点编号n，记为s
i,j,k,m
＝n；其中，s
i,j,k,m
里存放的是圆心位置为时，第(k,m)个环块里最优传感器节点的编号，即为当前环块中的最优uca的传感器节点，执行步骤25；
[0021]
步骤25，判断m＝m
‑
1是否成立：若不成立，将扇区遍历序号m加1，即m＝m 1，执行步骤23；若成立，计算当前圈的距离误差和，计算方法如下：
[0022][0023]
执行步骤26；
[0024]
步骤26，判断k＝k
‑
1是否成立：若不成立，将圆环遍历序号k加1，即k＝k 1，设置m＝0，执行步骤23；若成立，执行步骤27；
[0025]
步骤27，判断j＝j
‑
1是否成立：若不成立，将圆心直角y坐标索引j加1，即j＝j 1，同时，令m＝0,k＝0，执行步骤22；若成立，执行步骤28；
[0026]
步骤28、判断i＝i
‑
1是否成立：若不成立，将圆心直角x坐标索引i加1，即i＝i 1，同时，令m＝0,k＝0,j＝0，执行步骤22；若成立，执行步骤29；
[0027]
步骤29、从e
i,j,k
里面选取最小值，即min(e
i,j,k
)，返回值为最小误差，假设最小误差的序号为(i0,j0,k0)，则对应的m个传感器节点即为选取到的近似uca的传感器节点，这m个选取到的近似uca的传感器节点组成近似uca的传感器节点集合，相应的，即为被选中的传感器节点的极坐标角度；此时，圆心坐标即为被选中的传感器节点的极坐标角度；此时，圆心坐标即为所选取的近似uca的圆心；将被选中的传感器节点编号被选中的传感器节点极坐标角度uca的圆心坐标uca的圆心坐标作为执行结果返回。
[0028]
进一步的，圆环总数k根据如下公式确定：
[0029][0030]
其中，r
min
为最小圆周半径，r
max
为最大圆周半径。其中，最大圆周半径r
max
取值略大于与原点相距最远的传感器节点到原点的距离。
[0031]
进一步的，步骤四中对于被选择作为近似uca的传感器节点需要根据空中无人机基站广播的传感器节点的极坐标角度配置oam相位。
[0032]
进一步的，配置oam相位的方法为：
[0033]
假设被选择作为近似uca的传感器节点编号为n，空中无人机基站提供的极坐标角度为φ
n
，若目标oam模态为l，则当前被选择作为近似uca的传感器节点发射oam相位配置为lφ
n
。
[0034]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0035]
本发明在随机分布的物联网传感器节点区域中选取近似uca的传感器节点；然后
采用近似uca的传感器节点与空中无人机基站进行基于uca的oam通信方法。由此，本发明无需额外的硬件布线和参考节点，并且过程简单，通信容量大，能够解决传感器节点与基站间的短时大容量无线通信的问题。
附图说明
[0036]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0037]
图1为物联网节点与空中基站通信示意图。
[0038]
图2为基于uca的oam通信示意图。
[0039]
图3为本发明实施例的基于分布式oam模态复用的大容量上行数据传输方法的流程图。
[0040]
图4为本发明实施例的物联网传感器节点区域平面图。
[0041]
图5为本发明实施例的计算出近似uca的传感器节点集合的流程图。
[0042]
图6为本发明实施例中从物联网传感器节点区域中选取近似uca的传感器节点的仿真结果图。
[0043]
图7为本发明实施例中空中无人机基站接收平面相位图。
[0044]
图8为本发明实施例中空中无人机基站接收平面幅度图。
[0045]
图9为本发明实施例中分别采用模态
‑
3到3接收得到的隔离度仿真结果展示图。
[0046]
图10为本发明实施例中模态1到3的频谱效率曲线图。
具体实施方式
[0047]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0048]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
本发明的设计思路如下：
[0050]
轨道角动量(oam)因其独立于时间和频率的模态自由度而受到广泛研究。oam理论上无穷多的模态自由度可以无限提升频谱效率，是大容量无线通信的一种很有前景的传输方案。2007年，b.thide等人首次提出uca可以在微波频段生成oam。自此，基于uca的oam无线通信得到广泛研究。基于uca的oam通信示意图如图2所示。
[0051]
而目前基于uca的oam研究都假设是集中式的收发机，即uca处于一个终端节点上。集中式的收发机结构复杂，对终端节点数据处理和通信能力要求高。已有研究表明，基于uca的oam通信信道容量受uca的尺寸和通信距离的影响。当通信距离远大于uca的半径时，
由于oam波束的发散问题，接收uca无法分辨出多个oam模态，从而限制了频谱效率的提升。针对该问题又提出了一个方案，即提升发射uca的半径可以使得波束汇聚，从而获得信道容量的提升。一般情况下，集中式的收发机无法制作大口径的uca。从提高uca的口径出发，考虑到物联网传感器分布式的特点，可以构造出一个分布式的大口径发射uca，即传感器节点作为uca的一个阵元，组成uca的传感器节点协同以oam通信方法向基站发送数据。这种情况下，由于分布式uca的半径比较大，减小了oam波束的发散问题，空中无人机上的uca便仍然可以分辨多个oam模态，使频谱效率获得极大提升。基于上述思路，本发明提出了一种基于分布式oam模态复用的大容量上行数据传输方法。
[0052]
实施例
[0053]
如图3所示，本实施例提出一种基于分布式oam模态复用的大容量上行数据传输方法，包括如下步骤：
[0054]
步骤一，获取物联网传感器节点区域中每个传感器节点的编号和位置；
[0055]
步骤二，基于获取的传感器节点的编号和位置，计算出近似uca的传感器节点集合，记录传感器节点集合中的传感器节点的编号和极坐标角度，以及圆心位置；
[0056]
步骤三，空中无人机基站获取传感器节点集合中的传感器节点的编号和极坐标角度，以及圆心位置后，飞行至待采集数据的传感器节点上空圆心位置处时，将获取的传感器节点集合中的传感器节点的编号和极坐标角度广播给下方所有传感器节点；
[0057]
步骤四，下方所有传感器节点收到无人机基站广播的传感器节点的编号后，比较自身编号与无人机基站广播的传感器节点的编号，确定自身是否被选择作为近似uca的传感器节点；
[0058]
步骤五，被选择作为近似uca的传感器节点采用基于uca的oam大容量传输方法上传数据至空中无人机基站。
[0059]
所述基于分布式oam模态复用的大容量上行数据传输方法具体如下：
[0060]
步骤一，获取物联网传感器节点区域中每个传感器节点的编号和位置。一般情况下，在部署物联网的传感器节点时，传感器节点的编号和位置便已经确定，且存于数据库中，因此可以直接从数据库中获取物联网传感器节点区域中每个传感器节点的编号和位置。
[0061]
步骤二，基于获取的传感器节点的编号和位置，计算出近似uca的传感器节点集合，记录传感器节点集合中的传感器节点的编号和极坐标角度，以及圆心位置。
[0062]
在实际的场景中，根据传感器数据采集的具体位置，一般是隔一段距离放置一个传感器，例如，平均间隔2米左右放置一个传感器用于采集数据。由于数据采集区域是有限的，本发明假设所有随机分布的传感器节点都在某个指定的矩形区域内。一般情况下，每个传感器节点都有一个编号(编号存于各个传感器的存储器内)，为了方便表述，这里假设传感器编号为n，n＝0
…
n
‑
1，n表示传感器节点区域内的传感器节点总数。为了清晰表述本发明在传感器节点区域内选择近似uca的传感器节点集合的方法，此处将图1的物联网传感器节点区域立体图表示为图4的物联网传感器节点区域平面图(后续说明中用到的变量定义均已标注于图中。注意，在本发明的说明中，相同字母，不同格式下标的变量代表示不同的含义，如：(x
n
,y
n
)代表n号传感器节点的直角坐标；而(x
k,m
,y
k,m
)代表第(k,m)个环块中心的直角坐标)。
[0063]
如图4所示，以矩形(图4中为正方形)区域的中心为坐标原点，同时作直角坐标系和极坐标系，对于编号为n的传感器节点，其直角坐标为(x
n
,y
n
)(
‑
x
lim
<x
n
<x
lim
,
‑
y
lim
<y
n
<y
lim
，x
lim
、y
lim
的值由实际传感器节点所确定的矩形边界确定)，极坐标为(r
n
,φ
n
)(0≤r
n
≤r
max
(r
max
取值略大于与原点相距最远的节点到原点的距离)，极坐标和直角坐标的关系为：x
n
＝r
n cos(φ
n
)，y
n
＝r
n cos(φ
n
)。
[0064]
为了避免名词混淆，便于后续表述，这里对后续说明中用到的概念进行具体定义。
[0065]
圆周：以坐标原点为中心，以一定长度为半径所作的圆。
[0066]
圆环：相邻两个圆周之间包含的部分。
[0067]
扇区：以坐标原点为起点，作两条不同角度的射线，两条射线中间的部分定义为扇区。
[0068]
环块：上述一个圆环和一个扇区相交的部分即为一个环块。
[0069]
环块的极坐标中心点：一个环块的边线由四条线相交构成，这四条线为两个相邻的圆周线和两个相邻的从原点出发的射线。假设组成环块边线的两个射线的角度为θ
m
,θ
m 1
，两个圆周的半径为r
k
,r
k 1
，则定义环块的极坐标中心点为
[0070]
uca参考点：一组能构成标准uca的参考节点。本发明选取近似uca的传感器节点时，以与uca参考点距离最小为标准。某一组uca参考点即上述某一个圆环的各个环块的极坐标中心点。
[0071]
根据上述定义，本发明从物联网传感器节点区域内选取出近似uca分布的传感器节点集合的方法是一种遍历搜索法，总体思路为：以坐标原点为圆心，画若干个等半径差的圆周，将原始节点区域划分为若干个宽度(构成圆环的两个圆周的半径差值的绝对值)相等的圆环区域。接着，以原点为起点，作若干等角度差的射线将上述圆环均匀分成若干个环块(相同圆环被切分成的环块完全相同)。每个圆环所包含的各个环块的极坐标中心点即为该圆环所对应的uca参考点。最后，选择出每个环块中离各自uca参考点距离最近的节点，即为该圆环所对应的近似uca的节点。具体方法如下：
[0072]
(1)将平面区域分成多个环块区域
[0073]
由于要选取的近似uca的传感器节点所对应的圆周不可能无限小或者无限大，因此，在搜索时需要给定最小圆周半径r
min
和最大圆周半径r
max
。此外，根据矩形区域内传感器节点的密集程度(节点之间平均间距的大小)确定相邻圆周之间半径间隔δ
r
。据此可以确定搜索圆环的个数为：
[0074][0075]
以r
min
为最小圆周半径，r
max
为最大圆周半径，δ
r
为半径间隔，做k 1个圆周，圆周按半径从小到大编号为k＝0
…
k。第k个圆周和第k 1个圆周之间的圆环编号为k，圆环从内往外编号取值为k＝0
…
k
‑
1。根据要选取组成uca的传感器节点的数目m，以原点为起点，作m个等角度间隔的射线(x轴正方向为第0条射线，角度为0，所有射线按逆时针方向编号为m＝0
…
m
‑
1)将上述每一个圆环切分成大小相同的环块，相邻射线角度间隔记为δ
φ
：
[0076][0077]
第m条射线和第m 1条射线之间的扇区编号为m，m＝0
…
m
‑
1。在上述圆环编号和扇区编号的基础上，将第k个圆环，第m个扇区相交构成的环块编号为(k,m)，k＝0
…
k
‑
1，m＝0
…
m
‑
1，其极坐标中心点为(r
k,m
,φ
k,m
)，直角坐标中心点为(x
k,m
,y
k,m
)。
[0078]
(2)确定处于各个环块区域内的传感器节点
[0079]
已知n号传感器节点的极坐标(r
n
,φ
n
)，若极坐标满足下述条件：
[0080][0081][0082]
则第n号传感器节点位于第(k,m)个环块内。
[0083]
(3)选取某个环块内最优传感器节点
[0084]
在确定各个传感器节点所处的环块后，一般情况下，某个环块内可能包含多个传感器节点，此时需要从多个传感器节点中选取离当前环块uca参考点(环块的极坐标中心点)位置最近的传感器节点，作为当前环块的最优传感器节点。选取方法按照直角坐标中节点和参考uca点距离最小的原则进行。据此，选取第(k,m)个环块内最优传感器节点的计算方法如下：
[0085]
min[(x
n
‑
x
k,m
)2 (y
n
‑
y
k,m
)2]
[0086]
其中，n为第(k,m)个环块内的传感器节点编号。
[0087]
(4)选取多组uca的传感器节点
[0088]
对第k个圆环内所有的m个环块执行(3)选取某个环块内最优传感器节点的操作，即可选取到以第k个圆环各个环块的极坐标中心点为参考的m个传感器节点，这m个传感器节点即可组成近似uca。
[0089]
对圆环k＝0
…
k
‑
1(即从内部圆环到外部圆环)执行上述操作，即可求得多个由m个传感器节点构成的近似uca。
[0090]
(5)选取最优uca
[0091]
对求得的各个近似uca的传感器节点计算其与所对应的标准uca参考点的距离误差，选取误差最小的一组近似uca的传感器节点作为本次执行的最优uca传感器节点。假设s
k,m
为第(k,m)个环块内的最优传感器节点编号，则第k个圆环对应的uca误差计算方法如下：
[0092][0093]
(6)修正最优uca
[0094]
以上(1)～(5)为参考uca圆心固定为坐标原点为时的算法。由于实际的传感器节点分布没有固定规律，当圆心固定时，有可能遍历完所有的圆环仍然没有一组满足条件的近似uca的传感器节点。但是只要圆心做小步长移动后，以移动后的圆心重复上述(1)～(5)选取近似uca的传感器节点的方法，就能找到一组近似uca的传感器节点。同时，圆心作小范
围移动，再重复上述(1)～(5)的操作也更容易找到精度更高的近似uca的传感器节点。
[0095]
因此，为了尽可能避免选取不到合适的近似uca的传感器节点的情况，也为了能选取到精度更高的近似uca的传感器节点。本发明的方法假设圆心在的正方形区域内从左至右、从上到下范围内以为步长移动(w控制圆心移动步长的大小，影响最终选取到的近似uca的传感器节点的精度)，每移动一次，执行一次上述选取最优uca的方法，确定当前圆心对应的最优uca的传感器节点，比较不同圆心的最优uca节点，选取与相应参考uca节点距离误差最小的近似uca节点即为本算法最终得出的最优uca节点。在实际算法执行过程中，为了便于计算，本发明假设圆心固定于原点，通过调整所有节点的位置来表示圆心位置的变化。
[0096]
根据上述选取最优uca的方法可知，本发明的方法选取到的uca精度受矩形区域内物联网传感器节点密度的影响，节点密度越高，选取的uca的精度也越高。同时，传感器节点的密度也影响选取近似uca的传感器节点的个数，节点密度越高，能够选取作为近似uca的传感器节点个数也越多。
[0097]
参考上述的方法描述，如图5所示，本发明的步骤二具体包括如下子步骤：
[0098]
步骤21，根据传感器节点的平均间距d和需要选择作为近似uca的传感器节点个数m设定圆周半径间隔δ
r
和射线角度间隔δ
φ
；其中，设置圆心调整的步长δ
d
；再将所有遍历搜索序号初始化为0，遍历搜索序号包括：圆心直角坐标x轴位置索引i，圆心直角坐标y轴位置索引j，圆环索引k，扇区遍历索引m；执行步骤22；其中，圆心直角坐标x轴位置索引最大值为i，圆心直角坐标y轴位置索引最大值为j；圆环总数为k；
[0099]
步骤22，设置所有传感器节点坐标为步骤22，设置所有传感器节点坐标为获取位置调整后相应的极坐标(r
i,j,n
，φ
i,j,n
)，执行步骤23；
[0100]
步骤23，设环块(k,m)极坐标中心点为(r
k,m
,φ
k,m
)，选取满足)，选取满足且的传感器节点，若没有传感器节点满足条件，执行步骤26，否则，执行步骤24；
[0101]
步骤24，在步骤23选取的传感器节点中选择与环块(k,m)直角坐标中心点(x
k,m
,y
k,m
)距离最小的传感器节点，选取方法如下：
[0102]
min[(x
i,j,n
‑
x
k,m
)2 (y
i,j,n
‑
y
k,m
)2]
[0103]
记录下距离最小的传感器节点编号n，记为s
i,j,k,m
＝n；其中，s
i,j,k,m
里存放的是圆心位置为时，第(k,m)个环块里最优传感器节点的编号，即为当前环块中的最优uca的传感器节点，执行步骤25；
[0104]
步骤25，判断m＝m
‑
1是否成立：若不成立，将扇区遍历序号m加1，即m＝m 1，执行步骤23；若成立，计算当前圈的距离误差和，计算方法如下：
[0105][0106]
执行步骤26；
[0107]
步骤26，判断k＝k
‑
1是否成立：若不成立，将圆环遍历序号k加1，即k＝k 1，设置m＝0，执行步骤23；若成立，执行步骤27；
[0108]
步骤27，判断j＝j
‑
1是否成立：若不成立，将圆心直角y坐标索引j加1，即j＝j 1，同时，令m＝0,k＝0，执行步骤22；若成立，执行步骤28；
[0109]
步骤28、判断i＝i
‑
1是否成立：若不成立，将圆心直角x坐标索引i加1，即i＝i 1，同时，令m＝0,k＝0,j＝0，执行步骤22；若成立，执行步骤29；
[0110]
步骤29、从e
i,j,k
里面选取最小值，即min(e
i,j,k
)，返回值为最小误差，假设最小误差的序号为(i0,j0,k0)，则对应的m个传感器节点即为选取到的近似uca的传感器节点，这m个选取到的近似uca的传感器节点组成近似uca的传感器节点集合，相应的，即为被选中的传感器节点的极坐标角度；此时，圆心坐标即为被选中的传感器节点的极坐标角度；此时，圆心坐标即为所选取的近似uca的圆心；将被选中的传感器节点编号被选中的传感器节点极坐标角度uca的圆心坐标uca的圆心坐标作为执行结果返回。
[0111]
步骤三，空中无人机基站获取传感器节点集合中的传感器节点的编号和极坐标角度，以及圆心位置后，飞行至待采集数据的传感器节点上空圆心位置处时，将获取的传感器节点集合中的传感器节点的编号和极坐标角度广播给下方所有传感器节点；在广播的同时也起到了通知下方所有传感器节点上传数据的作用。
[0112]
步骤四，下方所有传感器节点收到无人机基站广播的传感器节点的编号后，比较自身编号与无人机基站广播的传感器节点的编号，确定自身是否被选择作为近似uca的传感器节点；对于被选择作为近似uca的传感器节点需要根据空中无人机基站广播的传感器节点的极坐标角度配置oam相位，配置方法如下：
[0113]
假设被选择作为近似uca的传感器节点编号为n，空中无人机基站提供的极坐标角度为φ
n
，若目标oam模态为l，则当前被选择作为近似uca的传感器节点发射oam相位配置为lφ
n
。
[0114]
步骤五，被选择作为近似uca的传感器节点采用基于uca的oam通信方法上传数据至空中无人机基站。其中，基于uca的oam通信方法为本领域公知，在此不再赘述，该方法中的oam相位配置可参照步骤四的相位配置。由于传感器需要各个节点之间的数据共享，即每个传感器节点都要有所有传感器节点的数据才能以oam方式传输，因此本发明的方法假设所有传感器节点之间的数据是互通的(只需要每个传感器节点定时无线广播自身数据给所有其他传感器节点即可)。
[0115]
为了验证本发明的基于分布式oam模态复用的大容量上行数据传输方法的可行性，以下给出仿真验证。仿真参数如表1所示。
[0116]
表1：
[0117]
仿真参数名称参数值载波频率f
c
1ghz
传感器节点平均间距d2m传感器节点分布范围x
lim
，x
lim
50m传感器节点个数n2500圆心移动次数w10空中无人机基站高度d300m选取近似uca的传感器节点个数m16
[0118]
在随机分布的物联网传感器节点区域选取到近似uca的传感器节点的结果如图6所示(由于后续在仿真幅度和相位图时，需要将距离刻度设置为毫米(mm)才能看到涡旋的分布情况，为了保持距离刻度的一致性，这里将所有仿真结果的距离刻度都设置为mm)。
[0119]
如图6所示，原始传感器节点采用*号标出，被选择作为近似uca的传感器节点以o圈出，相应的uca参考节点用 标出。通过观察可以发现，被选择作为近似uca的传感器节点为离参考节点距离最近的传感器节点。仿真得出的最优uca的圆心位置在(400,200)处。
[0120]
给被选择作为近似uca的传感器节点采用本发明的方法进行oam调制，以模态1为例，在距离传感器节点平面正上方300米位置(空中无人机基站的飞行高度)的观察平面上得到的幅度和相位图如图7和图8所示。
[0121]
从图7和图8可以看出，涡旋虽然存在畸变，但是接收平面的相位仍然保持一定的涡旋特性，接收平面上幅度仍然保持一定的对称性，证明了oam模态间仍有一定的隔离度。分别采用模态1、2、3发射，采用模态
‑
3到3接收，得到的隔离度仿真结果如图9所示。
[0122]
从图9可以看出，模态1、2、3和其他模态都有一定的隔离度，相邻模态的隔离度较低(如模态2和模态1、3之间只有12db左右的隔离度)，当模态相差较大时，隔离度增大(如模态1、2、3和模态
‑
3有60db以上的隔离度)。
[0123]
根据隔离度仿真，采用香农公式进行频谱效率仿真，得到的结果如图10所示。从图10中可以看出由于模态间存在干扰，各个模态的频谱效率低于香农极限，但是数值相差不大。根据图10所示，当信噪比为15db时，如果采用
±
1、
±
2、
±
3这6个模态复用，可以得到20bps/hz的频谱效率。当复用模态增多时，频谱效率还能进一步提升。当前无线通信的频谱效率值一般低于10bps/hz，从仿真可知，相对于传统的物联网传感器节点数据回传方案，本发明提出的基于分布式oam模态复用的大容量上行数据传输方法有着极大的频谱效率提升。
[0124]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。