摘要

本文由Vukan Ninkovic等人撰写，介绍了一种创新的方法，利用无人机（UAV）作为农村环境监测中物联网（IoT）系统的覆盖扩展中继。该方法通过在边缘设备、UAV和服务器之间集成分割学习（SL）策略，增强了推理机制的适应性和性能。文章主要解决了在偏远环境中IoT学习应用的连接性和资源限制问题，并通过模拟分析展示了所提方法的鲁棒性和适应性。此外，该系统模型考虑了不同的信道条件，以确定最合适的传输策略，实现系统行为的最优化。

原理

本文提出的方法通过将UAV作为中继，并结合SL策略，有效地解决了农村环境中IoT系统的连接和资源限制问题。SL策略将神经网络分割成多个部分，分布在边缘设备、UAV和服务器之间，实现了数据的分布式学习和推理。这种分割不仅减轻了单个设备的计算负担，还通过在不同设备间分配计算任务，提高了系统的整体效率和适应性。此外，通过考虑不同的信道条件，系统能够动态调整传输策略，确保在各种环境下都能保持高性能。

流程

在实际应用中，边缘设备首先收集原始数据并进行预处理，生成中间表示。这些中间表示可以通过直接链路（WES）或通过UAV中继链路（WED和WDS）传输到服务器。服务器根据当前的信道条件和性能指标（如延迟、吞吐量和能效）决定最佳的传输策略。在服务器端，根据接收到的中间表示，进行进一步的处理和最终的推理。整个过程通过反向传播进行优化，确保所有子网络（fE, fD, fS）的参数都能得到联合优化。

应用

该方法的应用前景广泛，特别适用于那些传统通信基础设施不足的偏远地区。通过UAV辅助的分布式学习，可以有效地进行环境监测，如空气质量、土壤湿度、水质量等参数的实时监控。此外，这种方法还能在紧急救援、农业监测和灾害响应等场景中发挥重要作用，提供即时的数据支持和决策依据。