CN111047018A - 一种低轨卫星移动通信资源智慧调度方法 - Google Patents
一种低轨卫星移动通信资源智慧调度方法 Download PDFInfo
- Publication number
- CN111047018A CN111047018A CN202010035289.6A CN202010035289A CN111047018A CN 111047018 A CN111047018 A CN 111047018A CN 202010035289 A CN202010035289 A CN 202010035289A CN 111047018 A CN111047018 A CN 111047018A
- Authority
- CN
- China
- Prior art keywords
- low
- deep learning
- orbit satellite
- sample
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010295 mobile communication Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 6
- 238000013468 resource allocation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种低轨卫星移动通信资源智慧调度方法,包括以下步骤:S1:初始化深度学习网络参数;S2:输入先验低轨卫星样本数据,用深度学习网络训练方法对样本数据进行拟合;S3:分析样本偏差,若拟合偏差大于0.01,则表明现在的深度学习网络属于欠拟合状态,并转向步骤S2;否则,进入步骤S4;S4:再次收集低轨卫星样本数据并进行状态标志作为测试样本;S5:分析样本方差,如果拟合方差大于0.005,说明现在样本处于过拟合状态,需要对深度学习网络进行正则化处理,处理完成后并转向步骤S2;否则,进入步骤S6;S6:输入低轨卫星需要预测的样本数据,得到低轨卫星分配网络资源策略。能够更好实现低轨卫星移动通信资源智慧调度。
Description
技术领域
本发明涉及空天地海一体化通信技术领域,尤其涉及一种低轨卫星移动通信资源智慧调度方法。
背景技术
空天地海一体化信息网络是维护和拓展国家核心安全利益,实现全球互联互通的重大信息基础设施,是以天基网络为主体,地面网络为基础,可支持陆、海、空、天各类用户随遇接入、按需服务的信息网络。作为具有战略意义的国家信息基础设施,空天地海一体化信息网络对于维护国家利益、促进经济发展具有重要作用。
低轨卫星通信作为空天地海一体化信息网络中的重要组成部分,具有许多其他地面传输设备所不具备的优越性:相对于地面无线通信系统,低轨卫星通信系统覆盖面广;相对于高轨卫星通信系统、中轨卫星通信系统,低轨卫星通信系统组网灵活,卫星运行轨道低,星地链路传输时延较小,并且可以与高轨卫星、中轨卫星等轨道卫星组成天基系统。
然而,随着社会的进步及通信技术的发展,人们对通信质量要求也越来越高,同时,由于低轨卫星通信系统的频带资源及功率受限,也使得下行链路用户功率分配,载波分配和比特分配等资源分配也变得复杂,如何合理利用有限的低轨卫星资源为更多的用户提供更好的通信体验。对此需设计有效的资源调度策略来合理的调度星上的资源,以此实现更快地将资源分发给申请的用户终端。但是,在实际低轨卫星通信环境下,传统的低轨卫星资源分配机制由于自身的局限性不能完全适应复杂、动态的资源分配问题,容易引发负载不均衡,从而对低轨卫星移动通信的服务性能和资源利用效率产生影响。
发明内容
针对上述现有技术的不足,本专利申请所要解决的技术问题是:如何提供一种低轨卫星移动通信资源智慧调度方法,能够利用深度学习网络进行特征提取、融合,实现低轨卫星移动通信资源智慧调度。
为了实现上述目的,本发明采用了如下技术方案:
一种低轨卫星移动通信资源智慧调度方法,包括以下步骤:
S1:初始化深度学习网络参数;
S2:输入先验低轨卫星样本数据,用深度学习网络训练方法对样本数据进行拟合,并对样本偏差进行预测;
S3:分析样本偏差,若拟合偏差大于0.01,则表明现在的深度学习网络属于欠拟合状态,需要扩大深度学习网络训练的次数,并转向步骤S2;否则,进入步骤S4;
S4:再次收集低轨卫星样本数据并进行状态标志作为测试样本,并运用神经网络对样本数据进行预测;
S5:分析样本方差,如果拟合方差大于0.005,说明现在样本处于过拟合状态,需要对深度学习网络进行正则化处理,处理完成后并转向步骤S2;否则,进入步骤S6;
S6:输入低轨卫星需要预测的样本数据,利用深度学习网络输出低轨卫星分配网络资源策略。
进一步的,所述深度学习网络训练的方法流程如下:
其中,f′network(*)为激活函数fnetwork(*)的导数;
A6:然后反向依次计算每个隐藏层的误差项,直到与输入层相连的隐藏层,其计算表达式为:
A7:对深度学习网络的每一层系数更新,其计算表达式为:
其中,η为学习因子。
进一步的,所述激活函数fnetwork(*)为:
其中,exp(*)为指数函数。
进一步的,所述对深度学习网络进行正则化处理,正则化处理为:
其中,N为样本数,λ为正则化因子,对任意s输入sgn(*),则有
进一步的,所述学习因子η=0.01。
进一步的,所述正则化因子λ=0.58。
本发明所述一种低轨卫星移动通信资源智慧调度方法,采用以上技术方案与现有技术相比,具有以下技术效果:
1)本发明的一种低轨卫星移动通信资源智慧调度方法,该方法采用深度学习网络训练技术,可以直接根据输入进行控制,是一种更接近人类思维方式的人工智能方法;
2)本发明的一种低轨卫星移动通信资源智慧调度方法,该方法能够利用深度学习网络进行特征提取、融合,实现低轨卫星移动通信资源智慧调度;
3)本发明的本发明的一种低轨卫星移动通信资源智慧调度方法,该方法用神经网络对数据进行预测和方差分析;
4)本发明的本发明的一种低轨卫星移动通信资源智慧调度方法,对深度学习网络进行正则化处理,能够提高训练速度和性能。
本发明公开了一种低轨卫星移动通信资源智慧调度方法,该方法是一种基于深度学习网络的资源调度算法的设计框架,通过大量的先验低轨卫星数据对深度学习网络进行训练,通过训练迭代求解该网络最小均方误差下的最优参数。最后输入低轨卫星需要预测的数据利用深度学习网络进行特征提取、融合,实现低轨卫星移动通信资源智慧调度,能够很好的解决低轨卫星移动通信系统大型、复杂、动态的资源分配问题。
附图说明:
图1是本发明一种低轨卫星移动通信资源智慧调度方法的实现流程图;
图2是本发明一种低轨卫星移动通信资源智慧调度方法中的深度学习网络图,其中a为输入层,b为隐藏层,c为输出层。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1,一种低轨卫星移动通信资源智慧调度方法,该方法是一种基于深度学习网络的资源调度算法的设计框架,通过大量的先验低轨卫星数据对深度学习网络进行训练,通过训练迭代求解该网络最小均方误差下的最优参数。最后输入低轨卫星需要预测的数据利用深度学习网络进行特征提取、融合,实现低轨卫星移动通信资源智慧调度。包括以下步骤:
S1:初始化深度学习网络参数;根据低轨卫星数据样本的规模及实时性要求,确定深度学习网络的隐藏层数量及其节点数量,并初始化网络参数;
S2:输入先验低轨卫星样本数据,用深度学习网络训练方法对样本数据进行拟合,并对样本偏差进行预测;
S3:分析样本偏差,若拟合偏差大于0.01,则表明现在的深度学习网络属于欠拟合状态,需要扩大深度学习网络训练的次数,并转向步骤S2;否则,进入步骤S4;
S4:再次收集低轨卫星样本数据并进行状态标志作为测试样本,并运用神经网络对样本数据进行预测;
S5:分析样本方差,如果拟合方差大于0.005,说明现在样本处于过拟合状态,需要对深度学习网络进行正则化处理,能够提高训练速度和性能,处理完成后并转向步骤S2;否则,进入步骤S6;
S6:输入低轨卫星需要预测的样本数据,利用深度学习网络输出低轨卫星分配网络资源策略。
本发明的一种低轨卫星移动通信资源智慧调度方法,该方法采用深度学习网络训练技术,可以直接根据输入进行控制,是一种更接近人类思维方式的人工智能方法。该方法能够利用深度学习网络进行特征提取、融合,实现低轨卫星移动通信资源智慧调度。
本实施例中,所述深度学习网络训练的方法流程如下:
其中,f′network(*)为激活函数fnetwork(*)的导数;
A6:然后反向依次计算每个隐藏层的误差项,直到与输入层相连的隐藏层,其计算表达式为:
A7:对深度学习网络的每一层系数更新,其计算表达式为:
其中,η为学习因子。
本实施例中,所述激活函数fnetwork(*)为:
其中,exp(*)为指数函数。
本实施例中,所述对深度学习网络进行正则化处理,正则化处理为:
其中,N为样本数,λ为正则化因子,对任意s输入sgn(*),则有
本实施例中,所述学习因子η=0.01。所述正则化因子λ=0.58。
本发明公开了一种低轨卫星移动通信资源智慧调度方法,该方法是一种基于深度学习网络的资源调度算法的设计框架,通过大量的先验低轨卫星数据对深度学习网络进行训练,通过训练迭代求解该网络最小均方误差下的最优参数。最后输入低轨卫星需要预测的数据利用深度学习网络进行特征提取、融合,实现低轨卫星移动通信资源智慧调度,能够很好的解决低轨卫星移动通信系统大型、复杂、动态的资源分配问题。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种低轨卫星移动通信资源智慧调度方法,其特征在于:包括以下步骤:
S1:初始化深度学习网络参数;
S2:输入先验低轨卫星样本数据,用深度学习网络训练方法对样本数据进行拟合,并对样本偏差进行预测;
S3:分析样本偏差,若拟合偏差大于0.01,则表明现在的深度学习网络属于欠拟合状态,需要扩大深度学习网络训练的次数,并转向步骤S2;否则,进入步骤S4;
S4:再次收集低轨卫星样本数据并进行状态标志作为测试样本,并运用神经网络对样本数据进行预测;
S5:分析样本方差,如果拟合方差大于0.005,说明现在样本处于过拟合状态,需要对深度学习网络进行正则化处理,处理完成后并转向步骤S2;否则,进入步骤S6;
S6:输入低轨卫星需要预测的样本数据,利用深度学习网络输出低轨卫星分配网络资源策略。
2.根据权利要求1所述的一种低轨卫星移动通信资源智慧调度方法,其特征在于,所述深度学习网络训练的方法流程如下:
其中,f′network(*)为激活函数fnetwork(*)的导数;
A6:然后反向依次计算每个隐藏层的误差项,直到与输入层相连的隐藏层,其计算表达式为:
A7:对深度学习网络的每一层系数更新,其计算表达式为:
其中,η为学习因子。
5.根据权利要求2所述的一种低轨卫星移动通信资源智慧调度方法,其特征在于,所述学习因子η=0.01。
6.根据权利要求4所述的一种低轨卫星移动通信资源智慧调度方法,其特征在于,所述正则化因子λ=0.58。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035289.6A CN111047018A (zh) | 2020-01-14 | 2020-01-14 | 一种低轨卫星移动通信资源智慧调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035289.6A CN111047018A (zh) | 2020-01-14 | 2020-01-14 | 一种低轨卫星移动通信资源智慧调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047018A true CN111047018A (zh) | 2020-04-21 |
Family
ID=70244569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035289.6A Pending CN111047018A (zh) | 2020-01-14 | 2020-01-14 | 一种低轨卫星移动通信资源智慧调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047018A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111867104A (zh) * | 2020-07-15 | 2020-10-30 | 中国科学院上海微系统与信息技术研究所 | 一种低轨卫星下行链路的功率分配方法及功率分配装置 |
CN114142911A (zh) * | 2021-11-25 | 2022-03-04 | 中国电子科技集团公司第五十四研究所 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563755A (zh) * | 2018-04-16 | 2018-09-21 | 辽宁工程技术大学 | 一种基于双向循环神经网络的个性化推荐系统及方法 |
CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
CN109889929A (zh) * | 2018-12-20 | 2019-06-14 | 北京邮电大学 | 一种基于卫星光突发系统的数据传输方法 |
CN109960544A (zh) * | 2019-03-26 | 2019-07-02 | 中国人民解放军国防科技大学 | 基于数据驱动型敏捷卫星任务并行调度方法 |
CN110300059A (zh) * | 2019-07-19 | 2019-10-01 | 中国科学技术大学 | 最小化信息在轨传输时延的方法 |
CN110601777A (zh) * | 2019-08-29 | 2019-12-20 | 浙江大学 | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 |
-
2020
- 2020-01-14 CN CN202010035289.6A patent/CN111047018A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563755A (zh) * | 2018-04-16 | 2018-09-21 | 辽宁工程技术大学 | 一种基于双向循环神经网络的个性化推荐系统及方法 |
CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
CN109889929A (zh) * | 2018-12-20 | 2019-06-14 | 北京邮电大学 | 一种基于卫星光突发系统的数据传输方法 |
CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
CN109960544A (zh) * | 2019-03-26 | 2019-07-02 | 中国人民解放军国防科技大学 | 基于数据驱动型敏捷卫星任务并行调度方法 |
CN110300059A (zh) * | 2019-07-19 | 2019-10-01 | 中国科学技术大学 | 最小化信息在轨传输时延的方法 |
CN110601777A (zh) * | 2019-08-29 | 2019-12-20 | 浙江大学 | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 |
Non-Patent Citations (5)
Title |
---|
PD-PONY: "正则化与过拟合", 《HTTPS://BLOG.CSDN.NET/U012845311/ARTICLE/DETAILS/73554880》 * |
唐亮 等: "全球小卫星现状及发展", 《国际太空》 * |
朱至天 等: "太空互联网关键技术与应用分析", 《第十四届卫星通信学术年会论文集》 * |
段凯峰: "面向低轨卫星的资源调度研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄韬 等: "未来网络发展趋势与展望", 《中国科学:信息科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111867104A (zh) * | 2020-07-15 | 2020-10-30 | 中国科学院上海微系统与信息技术研究所 | 一种低轨卫星下行链路的功率分配方法及功率分配装置 |
CN111867104B (zh) * | 2020-07-15 | 2022-11-29 | 中国科学院上海微系统与信息技术研究所 | 一种低轨卫星下行链路的功率分配方法及功率分配装置 |
CN114142911A (zh) * | 2021-11-25 | 2022-03-04 | 中国电子科技集团公司第五十四研究所 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Deep reinforcement learning based mobile edge computing for intelligent Internet of Things | |
Zhang et al. | Aerial edge computing on orbit: A task offloading and allocation scheme | |
Mohandes | Modeling global solar radiation using Particle Swarm Optimization (PSO) | |
CN110427261A (zh) | 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法 | |
Zhao et al. | Orbital collaborative learning in 6G space-air-ground integrated networks | |
Kavousi-Fard | A hybrid accurate model for tidal current prediction | |
CN113794494B (zh) | 一种面向低轨卫星网络的边缘计算系统及计算卸载优化方法 | |
CN113296845A (zh) | 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法 | |
CN112788605B (zh) | 基于双延迟深度确定性策略边缘计算资源调度方法和系统 | |
CN111047018A (zh) | 一种低轨卫星移动通信资源智慧调度方法 | |
WO2021036414A1 (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 | |
CN109117894B (zh) | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 | |
CN111224905B (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
CN109389246B (zh) | 一种基于神经网络的交通工具目的地区域范围预测方法 | |
Mousavi et al. | Design of an IoT-based flood early detection system using machine learning | |
Alharbi et al. | Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning | |
CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
Zhang et al. | Prediction of Tourist Quantity Based on RBF Neural Network. | |
CN109670582B (zh) | 一种全定点化神经网络的设计方法 | |
CN113691993B (zh) | 基于图神经网络的5g连通簇基站群流量预测方法及系统 | |
CN114217967A (zh) | 基于多用户协同移动边缘计算系统的动态卸载方法及装置 | |
He et al. | Balancing total energy consumption and mean makespan in data offloading for space-air-ground integrated networks | |
CN117521752A (zh) | 一种基于fpga的神经网络加速方法及系统 | |
CN116170066A (zh) | 一种面向低轨卫星物联网的负载预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |