1.无人机辅助网络的自适应负载均衡地面用户接入方法，其特征在于：所述方法包括如下步骤：步骤1，设计使用地面基站BS‑无人驾驶飞行器UAV‑非地面网络NTN集成网络的替代传输路径，其中BSs、UAVs和NTNs共同为地面用户GUs服务；

步骤2，对系统进行建模，建立UAV到GU信道U2G，获得U2G链路间通道的路径损耗模型，以及信号干扰噪声比模型和中断概率模型；

步骤2中，U2G被建模为广义Nakagami‑m衰落模型；

将随机变量x的概率密度函数PDF写成：

式中，x为接收信号的幅值，Γ(Ψ)为伽马函数，Ψ和Ω分别为形状和尺度参数；

因此，U2G链路间通道的路径损耗模型表示为：

式中， 为参考距离d0米处的路径损耗，一般d0＝1，n为路径损耗指数，d为U2G链路的距离，XU2G为具有标准差的对数正态阴影分量；

路径损耗指数n是Nakagami‑m参数m和载频与光速之比fc/c的函数表示为：其中，α是一个常数，取决于环境以及无人机和GU的天线高度；

在Nakagami‑m衰落信道上的U2G链路的信号干扰噪声比SINR表达式写成：式中Pt为发射功率，N0为噪声功率谱密度，ΩUAV和ΩGU分别为无人机和GU的天线增益，m为Nakagami‑m衰落参数；IU2G为总干扰功率，取决于其通信范围内的GUs数；

最后，U2G信道的中断概率OP用Q函数表示为：

式中， 为高斯Q函数，γth为停机阈值SINR，fγ(γ)为SINR的PDF，参数γ表示从0到1的贴现因子，反映了在更新策略时，未来奖励是否比即时奖励更有价值；得：利用高斯Q函数、SINR的PDF和中断的阈值SINR来模拟U2G链路的现实；

步骤3，建立BS到GU信道B2G模型，给出信号干扰噪声比模型和中断概率模型；

步骤3中，B2G链路的路径损耗模型为：

式中 表示参考距离d0＝1处的路径损耗；参数n表示路径损失指数，取值范围为2～4；变量d是B2G链路中发射机和接收机之间的距离；XB2G表示对数正态阴影，平均为零，标准差为σshadow；

因此，SINR模型表示为：

PL(d)表示路径损失，和距离d有关；

式中Pt为发射功率，ΩBS为BS的天线增益，ΩGU为GU的天线增益，与U2G中的型号相同，β是通道增益，N0为噪声功率谱密度，W为带宽，IB2G为总干扰功率；

OP模型表示为：

其中Q(x)是高斯Q函数，γth是SINR的阈值，低于该阈值通信被认为处于中断状态；

步骤4，在B2G模型中，各个BS基于距离更短、干扰更小、信道噪声更低的因素优先为GU提供服务；假设GUs具有相同的干扰和噪声模型，则一个BS倾向于与距离最近的GU建立链路；GUs与BS或UAV进行数据上传或下载，优先考虑BS为主要，NTN为次要，并面向QoS以实现访问管理；

步骤5，基于优化BS‑UAV‑NTN综合网络中未知环境下的GUs接入，设定目标函数以及相应约束条件；

步骤5中，目标函数是：

其中C1和C2表示中断概率小于或小于阈值，C3和C4表示访问的GUs不应打破最大值集和 C5表示无人机的位置 应在网络区域 内，C6表示无人机的速度VUAV有限制Vmax，Pth表示中断概率的阈值；

步骤6，设计对GUs的自适应和负载平衡ALB访问方案，该方案优先考虑BSs和NTN，为综合网络提供面向QoS的解决方案；ALB方案以支持BS和NTN辅助功能为重点，保证各种网络场景下GUs的自适应和负载均衡接入；

步骤6包括以下步骤：

步骤6‑1，将覆盖区域划分为网格结构，其中无人机穿越各个方向，每个方向对应一个网格位移，基于无人机状态和行动，建立无人机奖励函数，获得无人机的以奖励期望最大化的目标函数；

步骤6‑2，通过马尔可夫决策过程MDP建模，每架无人机都有动作A和状态S，采用基于DQN的算法处理具有主体间冲击的大规模收敛问题；

GUs接入的ALB方案具体为，根据步骤1‑5的基于DQN的无人机部署算法提供合适的无人机移动步数，以优化所有GUs链路的负载均衡，确保GUs首选连接到基站，其次是无人机，如果覆盖范围内的GUs不再需要链接，无人机将离开；同时将无人机飞行划分为巡航‑悬停时隙，巡航时隙的决策也由基于DQN的无人机部署算法进行。

2.根据权利要求1所述的无人机辅助网络的自适应负载均衡地面用户接入方法，其特征在于：步骤1中，在BS‑UAV‑NTN集成网络中，当数据突发时，GUs利用无人机将数据中继到其他BSs或NTNs；当GUs已经从BSs获得覆盖时，优先选择延迟较低的BSs。

3.根据权利要求1所述的无人机辅助网络的自适应负载均衡地面用户接入方法，其特征在于：步骤4中，假设GU访问PU2G或PB2G低于Pth的任何BS或UAV，然后将此链接命名为潜在访问，如果存在可用的BS或可用的UAV，则它将转为有效访问，优先使用BS；然后写出一个和UAV 的访问集，OP模型表示为：

U2G信道的中断概率OP用Q函数表示为：

Pth表示中断概率的阈值；

其中Ui为第i个无人机，Bj为第j个基站。

4.根据权利要求1所述的无人机辅助网络的自适应负载均衡地面用户接入方法，其特征在于：步骤6‑1中，无人机根据自己的状态进行移动；由于无人机没有关于GUs分布的信息，因此它们将网络区域网格化以量化状态；然后，将无人机的状态定义为：其中，lU表示该无人机的位置，Ngrid表示该区域一侧的网格号；另外，将状态空间表示为其中t表示总时间T之外的时隙；由于无人机每次移动一步，因此转移概率表示为：

式中， 表示迁移概率；

基于状态和系统假设，无人机行动代表做出的影响系统的决策或选择；首先定义长度空间 为{1,2,…,η}×Sm，其中Sm为移动步长，η为移动步长的最大倍数，用式(11)中的Vmax表示；然后，定义方向空间 为{N,E,W,S,H}，表示北N，东E，西W，南S和悬停H五个方向；

最后，将作用空间 表示为 与 的笛卡尔积，表示为无人机奖励函数为每个状态‑行动对赋值，奖励表示在特定状态下采取特定行动的即时可取性或相关成本；将其表示为对等式(11)中目标影响最大的IAs的差值，定义为：将方程中的问题公式化；(11)作为一个MDP问题，用一个元组表示；重写目标，使每架无人机的总折扣奖励期望最大化，表示为：指每架无人机的总折扣奖励期望；

(11)作为一个MDP问题，用一个元组表示，分别表示状态、动作、奖励、下一个状态；rk、sk表示元组的元素，k表示个数；

其中策略π表示从状态空间到动作空间的映射；参数γ表示从0到1的贴现因子，反映了在更新策略时，未来奖励是否比即时奖励更有价值；无人机i的最优策略 满足Bellman方程；目标函数表示为：其中s'i是无人机i的动作ai在状态si之后的下一个状态，V(s'i)是下一个状态的目标函数，pi(s'i∣si,ai)指条件概率。

5.根据权利要求1所述的无人机辅助网络的自适应负载均衡地面用户接入方法，其特征在于：步骤6‑2中，Q‑learning通过Q(s,a)＝Q(s,a)+α(r+γmaxa'Q(s',a')‑Q(s,a))更新Q值，其中变量可引用；Q‑learning通过更新下式来克服状态空间的限制和快速收敛：在这里 由于 DQN模型概括了它所训练的状态和

动作之外的内容；

α是一个常数，取决于环境以及无人机和GU的天线高度； 表示求梯度；L(θi)表示损失函数；

在每次训练迭代i时，从重放存储器 中均匀采样一次经验et＝(st,at,rt,st+1)，确定网络损失如下：‑

目标网络的参数θ 是从当前策略网络的参数θi复制过来的，并且不会频繁更新，而是以一定的频率进行更新；

其中 为目标网络 给出的陈旧更新目标。

6.根据权利要求1所述的无人机辅助网络的自适应负载均衡地面用户接入方法，其特征在于：步骤6中，基于DQN的无人机部署算法的步骤为：输入：无人机位置、GUs位置、GUs数据流量、GUs信道参数、基站位置、运行时间T；

输出：无人机定位；

1:初始化Q‑学习参数θ,λ,α；DQN参数w,b；

2:当系统时间t

3:获得状态

4:从基于DQN的决策中获取行动；

5:获得奖励；

6:获取基于DQN的决策；

7:更新状态空间

8:无人机移动跟随动作输出；

9:更新t；

10:结束。