CN114050855B - 一种面向信道信息自适应的低轨卫星间智能协作传输方法 - Google Patents
一种面向信道信息自适应的低轨卫星间智能协作传输方法 Download PDFInfo
- Publication number
- CN114050855B CN114050855B CN202111136814.4A CN202111136814A CN114050855B CN 114050855 B CN114050855 B CN 114050855B CN 202111136814 A CN202111136814 A CN 202111136814A CN 114050855 B CN114050855 B CN 114050855B
- Authority
- CN
- China
- Prior art keywords
- state information
- channel state
- satellite
- cooperative transmission
- value
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 22
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 19
- 230000004044 response Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
Classifications
-
- 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
- H04B7/18513—Transmission in a satellite or space-based system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开一种面向信道信息自适应的低轨卫星间智能协作传输方法,包括信道状态信息获取、协作传输状态判决、多星协作传输三个部分。信道状态信息获取是通过建立基于神经网络的信道状态信息获取模型,利用历史信道状态信息进行神经网络模型训练以预测信道状态信息;协作传输状态判决是根据降雨衰减、自由空间损耗、预测的信道状态信息联合计算接收信号信噪比,并将计算得到的接收信号信噪比与信噪比阈值比较,获得多星协作传输决策值;多星协作传输是根据多星协作传输决策值自适应选择多颗低轨卫星参与协作传输。通过自适应多星协作传输,可有效提升系统传输容量。
Description
技术领域
本发明涉及认知无线电卫星通信领域,具体涉及一种面向信道信息自适应的低轨卫星间智能协作传输方法。
背景技术
卫星通信系统作为现代通信系统的重要组成部分,和地面通信系统相比,卫星通信系统具有通信距离远、覆盖范围广、中继传输、多路复用、传输性能稳定等优点。然而在卫星通信系统中存在类似地面通信系统中“边缘用户”的情况,即当地面站处于卫星波束边缘时,通信质量骤降甚至出现中断通信的情况,导致信号传输受到严重影响。
目前,国内外针对卫星边缘用户通信质量问题做了深入研究,现有方案有设计基于子阵列的单波协作传输方案,将发射端信息分为广播信息和单播信息,分别预编码后叠加传输,提高系统的频谱效率具有较高的鲁棒性。其次有设计多波束覆盖并保证负载尽量均衡,从而满足链路余量要求提升覆盖范围改善用户通信质量。
近年来,随着人们对空间资源依赖性和空间探索需要增加,特别是星间链路的出现和星上处理功能的日益增强,使得空间节点间互联、天地一体化网络架构成为未来空间信息传输的发展趋势。因此借助星间链路和星上处理进行低轨卫星间协作传输是可行的、合理的。
经检索发现,公开号CN111464234B的中国专利于2021年08月24日公开了基于多星协作的低轨卫星通信性能增强方法及系统,将数据流按比例分成n个子流并分别发向n颗卫星,且定期更新n个子流的比例,其中,n为大于或等于2的正整数;各颗卫星将接收到的数据分组进行分段编码后发向终端,并通过星间链路向其它卫星发送;终端从n颗卫星收到传输块TB后进行解码,并对其中的重传分段进行软合并处理;根据传输块中各分段解码的结果,生成综合应答,并向所述n颗卫星发送;各颗卫星接收到所述综合应答后,向所述终端进行分段重发,适用于低轨通信卫星的多星协作传输。
但是该专利并没有对卫星是否需要进行协作传输进行判断,也没有对多星协作传输决策值进行动态调整,无法根据多星协作传输决策值选择多颗低轨卫星参与协作传输。因此,根据协作传输决策值选择多颗低轨卫星参与协作传输,提高低轨卫星系统通信质量,提升对传输环境的适应能力,仍然本领域技术人员迫切研究亟待解决的问题。
发明内容
为克服上述现有技术的不足,本发明提供一种面向信道信息自适应的低轨卫星间智能协作传输方法,可以根据实时雨衰、自由空间损耗、预测信道状态等信息,动态调整低轨卫星间传输策略,提高低轨卫星系统通信质量,提升对传输环境的适应能力。
本发明是通过以下技术方案予以实现的:
一种面向信道信息自适应的低轨卫星间智能协作传输方法,包括如下步骤:
(1)信道状态信息获取:建立基于神经网络的信道状态信息获取模型,利用历史信道状态信息进行神经网络模型训练,优化模型参数,根据训练好的模型预测信道状态信息;(2)协作传输状态判决:由降雨衰减、自由空间损耗、预测的信道状态信息联合计算接收信号信噪比;将计算得到的接收信号信噪比与信噪比阈值比较,获得多星协作传输决策值;(3)多星协作传输:根据多星协作传输决策值判断是否满足协作传输条件,若满足,则选择多颗低轨卫星参与协作传输。
上述技术方案中,构建信道状态信息获取模型,将历史信道状态信息送入神经网络训练得到最优模型参数,通过最优模型预测信道状态信息;根据雨衰值、自由空间损耗、预测的信道状态信息联合计算信噪比,并与设定阈值比较,动态调整多星协作传输决策值;根据协作传输决策值选择多颗低轨卫星参与协作传输。
优选地,(1)信道状态信息获取的过程包括如下步骤:
(1.1)构建基于神经网络的信道状态信息获取模型,对历史信道状态信息数据集F进行归一化,在归一化后的数据集上结合K折交叉验证训练模型,优化模型参数;初始化K值,k表示第k折,0≤k≤K-1,变量i=0,模型均方误差值和MSE=0;
其中:F={Fx,1≤x≤X}表示信道状态信息数据集,Fx表示第x个信道状态信息值,/>表示归一化后的信道状态信息数据集,b表示最大信道状态信息值,a表示最小的信道状态信息值;
(1.2)采用K折交叉验证训练模型,得到优化后的模型参数,并将该模型用于预测信道状态信息。
优选地,(1.2)优化模型参数具体步骤如下:
(1.2.1)k=i,若k≤K-1对归一化后数据集进行划分,否则进入步骤(1.2.4),数据集被划分成测试集的数据集测试集的标签集/>训练集的数据集/>训练集的标签集/>其中:/> N为正整数,m表示单个分区大小;
(1.2.2)划分好的数据集送入神经网络训练,并比较每轮训练得到损失值,在设定好的轮次下模型损失值不再下降,则保存当前模型参数,计算模型的均方误差值mse和均方误差值和MSE,MSE=MSE+mse;
其中: 表示模型输出的第i个值,/>表示测试集的标签集中第i个标签值;
(1.2.3)i=i+1,进入步骤(1.2.2);
(1.2.4)K折交叉验证结束,得到K个评估模型的均方误差值和MSE和K个训练好的模型参数,对MSE取平均得到K个评估模型的均方误差值的平均值MSEaverage,其中:
(1.2.5)将均方误差值的平均值MSEaverage和K个模型的均方误差值mse比较,得到最小的均方误差值mse对应的模型参数。
具体地,人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,在工程与学术界也常直接简称为神经网络或类神经网络。神经网络通常是通过一个基于数学统计学类型的学习方法(Learning Method)得以优化,是数学统计学方法的一种实际应用,通过统计学的标准数学方法得到大量的可以用函数来表达的局部结构空间,这种方法比起正式的逻辑学推理演算更具有优势。所以构建基于神经网络的信道状态信息获取模型,可以利用一个针对某问题而设计的反馈型人工神经网络,发挥计算机的高速运算能力,能够很快找到信道状态信息获取的优化解。
优选地,(2)协作传输状态判决具体包括如下步骤:
(2.1)实时计算卫星i接收信噪比SNRi:
其中:pi表示卫星i发射功率,h(s,i),e表示卫星i到地面接收机间信道状态信息,Gr,i表示卫星i地面接收机接收天线增益,表示卫星i发射天线增益,天线增益公式中μ=2.07123sin(θ)/sin(θ3dB),θ表示天线端俯仰角大小,由卫星和接收机间距离d决定,J1和J3分别表示1阶和3阶第一类贝塞尔函数,θ3dB表示波束增益相对波束中心3dB衰减处所对应的角度,/>表示θ=0时最大天线增益,Di表示卫星i天线口径,η表示卫星i天线效率,/>表示信号波长,c表示光速,f表示载波频率,Kn表示波尔兹曼常数,T表示接收机的等效噪声温度,B表示转发器带宽;AP(·)表示降雨衰减量,Aa表示衰减超过年均a%时间的降雨衰减量,a为全年降雨时间与全年总时间的比值,p年一年时间内发生的概率,β为降雨量影响系数,Ls(·)表示自由空间损耗,/>di表示地面接收机和卫星i间距离;
(2.2)将求出的接收信号信噪比SNRi与阈值SNRthreshold比较,当SNRi≤SNRthreshold卫星i需要协调可见卫星,进行协调传输;否则采用单星传输。
具体地,通过将计算得到的卫星接收机接收信号信噪比与信噪比阈值进行比较,判断当前卫星是否需要选择可见卫星,进行协调传输。
优选地,(3)多星协作传输具体包括如下步骤:
(3.1)在卫星i和接收机可见的总时间Ta内,通过(1)中保存好的模型参数预测当前时间t的信道状态信息将/>和估计到的信道状态信息值/>比较,根据比较的结果,选择当前时间t的信道状态信息/>或估计到的信道状态信息值/>计算得到接收信号信噪比SNRi,当信噪比SNRi小于阈值SNRthreshold进入步骤(3.2),否则进入步骤(3.3),超过总时间Ta结束流程,其中:CSIthreshold表示信道状态信息门限值;
(3.2)选择除卫星i外所有可见卫星数M中与接收机的最短距离dj,min的卫星j,其中:dj,min=min({dm,1≤m≤M}),1≤j≤M表示卫星j到接收机的距离,卫星j参与协作传输,同时将卫星j从可见卫星数M中去除,此时协作传输后接收信号信噪比SNRi:
其中:Si=PGt,i(di)Gr,i(di)Ls(di)AP(di)|h(s,i),e|2,Sj=PGt,j(dj)Gr,j(dj)Ls(dj)AP(dj)|h(s,j),e|2,aj=1表示卫星j参与协作传输;
当信噪比SNRi小于阈值SNRthreshold或参与协作传输卫星总数不大于所有可见卫星数M时,进入步骤(3.2),否则进入步骤(3.1);
(3.3)卫星和接收机间采用单星传输,进入步骤(3.1)。
具体地,在总时间内,持续对当前卫星计算得到的卫星接收机接收信号信噪比与信噪比阈值进行比较,选择除当前卫星外所有可见卫星中与接收机具有最短距离的卫星,参与当前卫星和接收机间的协作传输,并将计算得到的协作传输后接收信号信噪比与信噪比阈值进行比较,判断是否再次选择协作卫星,直至超过总时间则结束流程,实现了动态调整多星协作传输决策值,根据协作传输决策值选择多颗低轨卫星参与协作传输,提高低轨卫星系统通信质量,提升对传输环境的适应能力。
优选地,将预测当前时间t的信道状态信息和估计到的信道状态信息值/>比较,当两者差值的绝对值满足:/>则由当前信道状态信息/>求出接收信号信噪比SNRi,否则由预测得到的信道状态信息/>求出接收信号信噪比SNRi。
与现有技术相比,本发明的有益效果在于:
(1)本发明构建信道状态信息获取模型,将历史信道状态信息送入神经网络训练得到最优模型参数,通过最优模型预测信道状态信息;根据雨衰值、自由空间损耗、预测的信道状态信息联合计算信噪比,并与设定阈值比较,动态调整多星协作传输决策值;根据协作传输决策值选择多颗低轨卫星参与协作传输;
(2)本发明可以根据实时雨衰、自由空间损耗、预测信道状态等信息,动态调整低轨卫星间传输策略,提高低轨卫星系统通信质量,提升对传输环境的适应能力。
附图说明
图1为根据本发明实施例的方法流程图;
图2为根据本发明实施例的协作传输判决对比图;
图3为根据本发明实施例的采用协作传输和单星传输对比图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述发实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
实施例
如图1-3所示,本实施例提供一种面向信道信息自适应的低轨卫星间智能协作传输方法,包括信道状态信息获取、协作传输状态判决、多星协作传输三个部分:
(1)信道状态信息获取,建立基于神经网络的信道状态信息获取模型,利用历史信道状态信息进行神经网络模型训练,优化模型参数,根据训练好的模型预测信道状态信息。包含信道状态信息估计和预测信道状态信息两个模块,分别是(1.1)建立信道模型,估计信道小尺度衰落;(1.2)将获取到的信道状态信息送入神经网络训练,保存模型参数,并通过保存好的模型参数预测信道状态信息。
(2)协作传输状态判决,结合预测的信道状态信息、雨衰值、自由空间损耗联合计算信噪比,并将其与设定阈值进行比较,以获得多星协作传输决策值。包含信噪比计算和阈值比较两个模块,分别是(2.1)根据信道状态信息、降雨衰减、自由空间损耗联合计算信噪比;(2.2)将计算得到信噪比与信噪比阈值比较,获得多星协作传输决策值。
(3)多星协作传输:满足协作传输条件,通过选择多颗低轨卫星参与协作传输,提升系统通信质量。
进一步地,所述步骤(1)中,信道状态信息获取的过程包括如下步骤:
(1.1)构建基于神经网络的信道状态信息获取模型,对历史信道状态信息数据集F进行归一化,在归一化后的数据集上结合K折交叉验证训练模型,优化模型参数;初始化K值,k表示第k折,0≤k≤K-1,变量i=0,模型均方误差值和MSE=0;
其中:F={Fx,1≤x≤X}表示信道状态信息数据集,Fx表示第x个信道状态信息值,/>表示归一化后的信道状态信息数据集,b表示最大信道状态信息值,a表示最小的信道状态信息值;
(1.2)采用K折交叉验证训练模型,优化模型参数具体步骤如下:
(1.2.1)k=i,若k≤K-1对归一化后数据集进行划分,否则进入步骤(1.2.4),数据集被划分成测试集的数据集测试集的标签集/>训练集的数据集/>训练集的标签集/>其中:/> N为正整数,m表示单个分区大小;
(1.2.2)划分好的数据集送入神经网络训练,并比较每轮训练得到损失值,在设定好的轮次下模型损失值不再下降,则保存当前模型参数,计算模型的均方误差值mse和均方误差值和MSE,MSE=MSE+mse;
其中: 表示模型输出的第i个值,/>表示测试集的标签集中第i个标签值;
(1.2.3)i=i+1,进入步骤(1.2.2);
(1.2.4)K折交叉验证结束,得到K个评估模型的均方误差值和MSE和K个训练好的模型参数,对MSE取平均得到K个评估模型的均方误差值的平均值MSEaverage,其中:
(1.2.5)将均方误差值的平均值MSEaverage和K个模型的均方误差值mse比较,得到最小的均方误差值mse对应的模型参数,将该模型用于预测信道状态信息。
进一步地,所述步骤(2)中,协作传输状态判决具体包括如下步骤:
(2.1)实时计算卫星i接收信噪比SNRi:
其中:pi表示卫星i发射功率,h(s,i),e表示卫星i到地面接收机间信道状态信息,Gr,i表示卫星i地面接收机接收天线增益,表示卫星i发射天线增益,天线增益公式中μ=2.07123sin(θ)/sin(θ3dB),θ表示天线端俯仰角大小,由卫星和接收机间距离d决定,J1和J3分别表示1阶和3阶第一类贝塞尔函数,θ3dB表示波束增益相对波束中心3dB衰减处所对应的角度,/>表示θ=0时最大天线增益,Di表示卫星i天线口径,η表示卫星i天线效率,/>表示信号波长,c表示光速,f表示载波频率,Kn表示波尔兹曼常数,T表示接收机的等效噪声温度,B表示转发器带宽;AP(·)表示降雨衰减量,Aa表示衰减超过年均a%时间的降雨衰减量,a为全年降雨时间与全年总时间的比值,p年一年时间内发生的概率,β为降雨量影响系数,Ls(·)表示自由空间损耗,/>di表示地面接收机和卫星i间距离;
(2.2)将求出的接收信号信噪比SNRi与阈值SNRthreshold比较,当SNRi≤SNRthreshold卫星i需要协调可见卫星,进行协调传输;否则采用单星传输。
进一步地,计算预计衰减超过年均0.01%时间的降雨衰减A0.01:A0.01=γRLE,其中:根据地球站维度确定该地区的降雨层高度dR以及平均一年超过0.01%时间的降雨量R0.01,获得特定衰减γR:γR=k(R0.01)α,k和α主要是由频率f决定,LE表示有效路径长度,LE由参数LR和0.01%时间内垂直调整系数v0.01决定。
进一步地,所述步骤(3)中,多星协作传输具体包括如下步骤:
(3.1)在卫星i和接收机可见的总时间Ta内,通过步骤(1)中保存好的模型参数预测当前时间t的信道状态信息将/>和估计到的信道状态信息值/>比较,当两者差值的绝对值满足:/>进入步骤(3.1.1),否则进入(3.1.2),超过总时间Ta结束流程,其中:CSIthreshold表示信道状态信息门限值;
(3.1.1)由当前信道状态信息求出接收信号信噪比SNRi,当信噪比SNRi小于阈值SNRthreshold进入步骤(3.2),否则进入步骤(3.3);
(3.1.2)由预测得到的信道状态信息求出接收信号信噪比SNRi,当信噪比SNRi小于阈值SNRthreshold进入步骤(3.2),否则进入步骤(3.3);
(3.2)选择除卫星i外所有可见卫星数M中与接收机的最短距离dj,min的卫星j,其中:dj,min=min({dm,1≤m≤M}),1≤j≤M表示卫星j到接收机的距离,卫星j参与协作传输,同时将卫星j从可见卫星数M中去除,此时协作传输后接收信号信噪比SNRi:
其中:Si=PGt,i(di)Gr,i(di)Ls(di)AP(di)|h(s,i),e|2,Sj=PGt,j(dj)Gr,j(dj)Ls(dj)AP(dj)|h(s,j),e|2,aj=1表示卫星j参与协作传输;
当信噪比SNRi小于阈值SNRthreshold或参与协作传输卫星总数不大于所有可见卫星数M时,进入步骤(3.2),否则进入步骤(3.1);
(3.3)卫星和接收机间采用单星传输,进入步骤(3.1)。
本实施例通过构建模型莱斯信道小尺度衰落构成信道状态信息,送入神经网络训练得到最优模型参数,通过模型预测信道状态信息。根据信道状态信息、降雨衰减、自由空间损耗联合计算信噪比,并与设定阈值比较,动态调整多星协作传输决策值,根据协作传输决策值选择多颗低轨卫星参与协作传输,提高低轨卫星系统通信质量,提升对传输环境的适应能力。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案。
Claims (3)
1.一种面向信道信息自适应的低轨卫星间智能协作传输方法,其特征在于,包括如下步骤:
(1)信道状态信息获取:建立基于神经网络的信道状态信息获取模型,利用历史信道状态信息进行神经网络模型训练,优化模型参数,根据训练好的模型预测信道状态信息;
(2)协作传输状态判决:由降雨衰减、自由空间损耗、预测的信道状态信息联合计算接收信号信噪比;将计算得到的接收信号信噪比与信噪比阈值比较,获得多星协作传输决策值;
协作传输状态判决具体包括如下步骤:
(2.1)实时计算卫星i接收信噪比SNRi:
其中:pi表示卫星i发射功率,h(s,i),e表示卫星i到地面接收机间信道状态信息,Gr,i表示卫星i地面接收机接收天线增益,表示卫星i发射天线增益,天线增益公式中μ=2.07123sin(θ)/sin(θ3dB),θ表示天线端俯仰角大小,由卫星和接收机间距离d决定,J1和J3分别表示1阶和3阶第一类贝塞尔函数,θ3dB表示波束增益相对波束中心3dB衰减处所对应的角度,/>表示θ=0时最大天线增益,Di表示卫星i天线口径,η表示卫星i天线效率,/>表示信号波长,c表示光速,f表示载波频率,Kn表示波尔兹曼常数,T表示接收机的等效噪声温度,B表示转发器带宽;AP(·)表示降雨衰减量,Aa表示衰减超过年均a时间的降雨衰减量,a为全年降雨时间与全年总时间的比值,p年一年时间内发生的概率,β为降雨量影响系数,Ls(·)表示自由空间损耗,/>di表示地面接收机和卫星i间距离;
(2.2)将求出的接收信号信噪比SNRi与阈值SNRthreshold比较,当SNRi≤SNRthreshold,卫星i需要协调可见卫星,进行协调传输;否则采用单星传输;
(3)多星协作传输:根据多星协作传输决策值判断是否满足协作传输条件,若满足,则选择多颗低轨卫星参与协作传输;
多星协作传输具体包括如下步骤:
(3.1)在卫星i和接收机可见的总时间Ta内,通过(1)中保存好的模型参数预测当前时间t的信道状态信息将/>和估计到的信道状态信息值/>比较,根据比较的结果,选择当前时间t的信道状态信息/>或估计到的信道状态信息值/>计算得到接收信号信噪比SNRi,当信噪比SNRi小于阈值SNRthreshold进入步骤(3.2),否则进入步骤(3.3),超过总时间Ta结束流程,其中:CSIthreshold表示信道状态信息门限值;
(3.2)选择除卫星i外所有可见卫星数M中与接收机的最短距离dj,min的卫星j,其中:dj,min=min({dm,1≤m≤M}),1≤j≤M表示卫星j到接收机的距离,卫星j参与协作传输,同时将卫星j从可见卫星数M中去除,此时协作传输后接收信号信噪比SNRi:
其中:Si=PGt,i(di)Gr,i(di)Ls(di)AP(di)|h(s,i),e|2,Sj=PGt,j(dj)Gr,j(dj)Ls(dj)AP(dj)|h(s,j),e|2,aj=1表示卫星j参与协作传输;
当信噪比SNRi小于阈值SNRthreshold或参与协作传输卫星总数不大于所有可见卫星数M时,进入步骤(3.2),否则进入步骤(3.1);
(3.3)卫星和接收机间采用单星传输,进入步骤(3.1);
将预测当前时间t的信道状态信息和估计到的信道状态信息值/>比较,当两者差值的绝对值满足:/>则由当前信道状态信息/>求出接收信号信噪比SNRi,否则由预测得到的信道状态信息/>求出接收信号信噪比SNRi。
2.根据权利要求1所述的一种面向信道信息自适应的低轨卫星间智能协作传输方法,其特征在于,(1)信道状态信息获取的过程包括如下步骤:
(1.1)构建基于神经网络的信道状态信息获取模型,对历史信道状态信息数据集F进行归一化,在归一化后的数据集上结合K折交叉验证训练模型,优化模型参数;初始化K值,k表示第k折,0≤k≤K-1,变量i=0,模型均方误差值和MSE=0;
其中:F={Fx,1≤x≤X}表示信道状态信息数据集,Fx表示第x个信道状态信息值,/>表示归一化后的信道状态信息数据集,b表示最大信道状态信息值,a表示最小的信道状态信息值;
(1.2)采用K折交叉验证训练模型,得到优化后的模型参数,并将该模型用于预测信道状态信息。
3.根据权利要求2所述的一种面向信道信息自适应的低轨卫星间智能协作传输方法,其特征在于,(1.2)优化模型参数具体步骤如下:
(1.2.1)k=i,若k≤K-1对归一化后数据集进行划分,否则进入步骤(1.2.4),数据集被划分成测试集的数据集测试集的标签集/>训练集的数据集/>训练集的标签集/>其中:/> N为正整数,m表示单个分区大小;
(1.2.2)划分好的数据集送入神经网络训练,并比较每轮训练得到损失值,在设定好的轮次下模型损失值不再下降,则保存当前模型参数,计算模型的均方误差值mse和均方误差值和MSE,MSE=MSE+mse;
其中: 表示模型输出的第i个值,/>表示测试集的标签集中第i个标签值;
(1.2.3)i=i+1,进入步骤(1.2.2);
(1.2.4)K折交叉验证结束,得到K个评估模型的均方误差值和MSE和K个训练好的模型参数,对MSE取平均得到K个评估模型的均方误差值的平均值MSEaverage,其中:
(1.2.5)将均方误差值的平均值MSEaverage和K个模型的均方误差值mse比较,得到最小的均方误差值mse对应的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136814.4A CN114050855B (zh) | 2021-09-27 | 2021-09-27 | 一种面向信道信息自适应的低轨卫星间智能协作传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136814.4A CN114050855B (zh) | 2021-09-27 | 2021-09-27 | 一种面向信道信息自适应的低轨卫星间智能协作传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114050855A CN114050855A (zh) | 2022-02-15 |
CN114050855B true CN114050855B (zh) | 2023-12-12 |
Family
ID=80204874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111136814.4A Active CN114050855B (zh) | 2021-09-27 | 2021-09-27 | 一种面向信道信息自适应的低轨卫星间智能协作传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114050855B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115296757B (zh) * | 2022-10-09 | 2022-12-20 | 天津讯联科技有限公司 | 一种接收信号强度及信噪比联合判决的抗遮挡系统及方法 |
CN115952929B (zh) * | 2023-03-13 | 2023-05-30 | 南京信息工程大学 | 一种基于神经网络的降雨天气条件下信道预测方法、系统 |
CN116633423B (zh) * | 2023-07-24 | 2023-10-13 | 成都本原星通科技有限公司 | 一种基于可重构智能表面的低轨卫星辅助通信方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998057446A1 (en) * | 1997-06-12 | 1998-12-17 | Motorola, Inc. | Multi-tier satellite system and method of operation |
WO2009141686A1 (en) * | 2008-05-22 | 2009-11-26 | Nokia Corporation | Method and apparatus for providing cooperative spectrum usage among multiple radio networks |
CN106656301A (zh) * | 2016-12-30 | 2017-05-10 | 西安电子科技大学 | 基于卫星轨道信息辅助最佳加权信噪比的中继选择方法 |
CN109039459A (zh) * | 2018-06-15 | 2018-12-18 | 上海卫星工程研究所 | 一种提高卫星与水下动目标间抗截获概率的方法 |
CN111464234A (zh) * | 2020-06-10 | 2020-07-28 | 网络通信与安全紫金山实验室 | 基于多星协作的低轨卫星通信性能增强方法及系统 |
CN112105087A (zh) * | 2020-09-21 | 2020-12-18 | 南京邮电大学 | 一种基于多星协作波束成形技术的异步随机接入方法 |
CN113038387A (zh) * | 2021-03-12 | 2021-06-25 | 重庆邮电大学 | 低轨卫星网络中基于q学习的切换判决方法 |
CN113162682A (zh) * | 2021-05-13 | 2021-07-23 | 重庆邮电大学 | 一种基于pd-noma的多波束leo卫星系统资源分配方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100355271B1 (ko) * | 2000-10-11 | 2002-10-11 | 한국전자통신연구원 | 적응형 전송기법을 이용한 강우 감쇠 보상방법 |
KR101763750B1 (ko) * | 2011-06-17 | 2017-08-01 | 삼성전자 주식회사 | 협력 통신을 위한 피드백 송수신 방법 및 장치 |
KR101984754B1 (ko) * | 2012-05-08 | 2019-09-24 | 한국전자통신연구원 | 엘티이기반 이동통신시스템에서의 전력 제어 및 링크 적응 방법 |
-
2021
- 2021-09-27 CN CN202111136814.4A patent/CN114050855B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998057446A1 (en) * | 1997-06-12 | 1998-12-17 | Motorola, Inc. | Multi-tier satellite system and method of operation |
WO2009141686A1 (en) * | 2008-05-22 | 2009-11-26 | Nokia Corporation | Method and apparatus for providing cooperative spectrum usage among multiple radio networks |
CN106656301A (zh) * | 2016-12-30 | 2017-05-10 | 西安电子科技大学 | 基于卫星轨道信息辅助最佳加权信噪比的中继选择方法 |
CN109039459A (zh) * | 2018-06-15 | 2018-12-18 | 上海卫星工程研究所 | 一种提高卫星与水下动目标间抗截获概率的方法 |
CN111464234A (zh) * | 2020-06-10 | 2020-07-28 | 网络通信与安全紫金山实验室 | 基于多星协作的低轨卫星通信性能增强方法及系统 |
CN112105087A (zh) * | 2020-09-21 | 2020-12-18 | 南京邮电大学 | 一种基于多星协作波束成形技术的异步随机接入方法 |
CN113038387A (zh) * | 2021-03-12 | 2021-06-25 | 重庆邮电大学 | 低轨卫星网络中基于q学习的切换判决方法 |
CN113162682A (zh) * | 2021-05-13 | 2021-07-23 | 重庆邮电大学 | 一种基于pd-noma的多波束leo卫星系统资源分配方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive power allocation scheme for land mobile satellite cooperative communication systems under a SNR threshold constraint;Di Liu等;2015 IEEE international conference on communication software and networks;全文 * |
Cooperative beamforming aloha for asynchronous LEO satellite IoT Networks;Wang xudong等;2020 IEEE Globecom Workshops;全文 * |
基于卫星协作的空间信息传输技术研究综述;戴翠琴;宋清洋;郭磊;;重庆邮电大学学报(自然科学版)(02);全文 * |
微小卫星集群协同观测构形调整规划;汪志军等;控制理论与应用;全文 * |
汪志军 ; 陈鹏 ; 赵艳斌 ; 程月华 ; 廖鹤 ; 姜斌 ; .微小卫星集群协同观测构形调整规划.控制理论与应用.2019,(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114050855A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114050855B (zh) | 一种面向信道信息自适应的低轨卫星间智能协作传输方法 | |
Jayaweera et al. | Asymmetric cooperative communications based spectrum leasing via auctions in cognitive radio networks | |
CN111511038B (zh) | 一种无线协同网络分布式信道智能感知与接入方法 | |
CN110213814B (zh) | 一种基于深度神经网络的分布式功率分配方法 | |
CN112583453A (zh) | 多波束leo卫星通信系统下行noma功率分配方法 | |
CN112347658B (zh) | 一种低轨卫星通信系统馈电链路的可靠性设计方法及系统 | |
CN114900897B (zh) | 多波束卫星资源分配方法及系统 | |
CN111262617B (zh) | 一种基于多颗低轨卫星协作的频谱感知方法 | |
CN116546462A (zh) | 一种基于联邦学习的多智能体空地网络资源分配方法 | |
CN114599099A (zh) | 一种基于强化学习的5g星地链路多波束动态功率分配方法 | |
CN112910537B (zh) | 一种确定卫星通信自适应编码调制方式的方法及装置 | |
CN117614507A (zh) | 一种高动态拓扑天地一体化网络的自适应流量卸载方法 | |
CN117498900A (zh) | 去蜂窝大规模mimo通感一体化系统的资源分配装置及方法 | |
CN115483964B (zh) | 一种空天地一体化物联网通信资源联合分配方法 | |
CN110446199B (zh) | 一种定向天线的认知邻居发现方法 | |
CN116015503B (zh) | 一种考虑聚合干扰的无线通信系统中多可重构智能表面选择方法 | |
CN114337881B (zh) | 基于多无人机分布式与lms的无线频谱智能感知方法 | |
CN113056029B (zh) | 一种适用于低轨卫星网络的能量受限终端随机接入方法 | |
CN116192227A (zh) | 一种基于深度强化学习的卫星自适应编码调制方法 | |
CN115714988A (zh) | 网络控制方法、装置、车辆、电子设备及可读存储介质 | |
Xie et al. | Multi-armed bandit based task offloading by probabilistic V2X communication in vehicle edge cloud system | |
CN115173926A (zh) | 基于拍卖机制的星地融合中继网络的通信方法和通信系统 | |
CN110190908B (zh) | 一种最小化isi信道中非相干大规模simo系统误码率的星座图设计方法 | |
Chen et al. | Deep reinforcement learning based data offloading in multi-layer Ka/Q band LEO satellite-terrestrial networks | |
CN113747386A (zh) | 认知无线电网络频谱共享中的智能功率控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |