CN114584196B - 一种基于二阶Markov预测的星地链路切换方法 - Google Patents
一种基于二阶Markov预测的星地链路切换方法 Download PDFInfo
- Publication number
- CN114584196B CN114584196B CN202210016750.2A CN202210016750A CN114584196B CN 114584196 B CN114584196 B CN 114584196B CN 202210016750 A CN202210016750 A CN 202210016750A CN 114584196 B CN114584196 B CN 114584196B
- Authority
- CN
- China
- Prior art keywords
- satellite
- switching
- leo satellite
- leo
- terminal
- 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
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
- H04B7/18519—Operations control, administration or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本发明公开了一种基于二阶Markov预测的星地链路切换方法,该方法基于网络SDN架构,将控制器部署在GEO卫星上,用于控制切换决策并进行信息处理;通过对高速终端移动轨迹进行二阶Markov建模,预测其下一轨迹。GEO卫星通过轨迹预测结果和卫星星历确定候选目标卫星集合。结合切换要素,通过灰色关联和专家评判结合的权重法获得候选目标卫星集合中卫星权重。GEO卫星选择权重最大的卫星作为切换卫星进行切换。该方法在切换预测准确率、平均切换次数和切换失败率方面优于传统切换策略,具体提高了切换准确率,减少了切换次数,降低了切换失败率。
Description
技术领域
本发明涉及卫星通信技术领域,具体涉及一种基于二阶Markov预测的星地链路切换方法。
背景技术
当前卫星网络技术飞速发展,可以提供全球范围覆盖和持久的通信服务。利用卫星转接实现移动用户与固定用户之间的相互通信,卫星通信已逐渐成为全球移动通信的重要组成部分。由于其覆盖范围广、传输损耗低、通信容量高等优势被广泛应用于军事、防灾救灾、野外勘探以及个人移动通信等多个领域。LEO移动通信是利用运行轨道比GEO轨道低得多的一组卫星,实现移动用户之间或移动用户与固定用户之间的通信,通过多星组网可实现对地球的无缝覆盖,用户同时可视多颗卫星确保了通信的可靠性。LEO卫星分布在距地面大约750-1500公里的高空,单颗LEO卫星的覆盖范围相对较小,覆盖时间仅为十几分钟,卫星组网复杂。LEO卫星相对地球表面高速运转,为了实现持久的通信服务,需要不断地在LEO卫星之间频繁切换连接。
在卫星切换相关研究中,大部分是以固定位置接入终端为研究对象,通过研究卫星轨迹预测技术、切换认证和密钥交换协议以及切换时卫星资源的调度等问题,寻求优化切换流程,节省卫星运算资源,提升卫星通信效率。然而目前针对卫星切换算法的研究,大多假设终端静止或者低速运动,低速终端的运动速度相对于LEO卫星来说较慢,可以视作静止,其速度可以忽略,同时地理位置相对固定,轨迹也比较稳定。高速终端主要指位于临近空间中的高超音速飞行器(主要包括三类:高超音速飞机、航天飞机、高超音速巡航导弹,本发明以高超音速飞机为例),其速度范围在5-16马赫。对于高速终端而言,其具有飞行速度快、距离远、机动能力强等特点,高速终端的运动速度与LEO卫星的星下点速率相比不可忽略。此外,在一个呼叫持续期间,高速终端将会带来比低速终端更加频繁的切换,但目前很少有研究关注高速运动终端的切换问题。
发明内容
针对高速终端和LEO卫星高速移动环境下通信频繁切换导致切换准确率低的问题,本发明提出一种基于二阶Markov预测的星地链路切换方法。
为实现上述目的,本申请提出一种基于二阶Markov预测的星地链路切换方法,包括:
对高速终端移动轨迹进行二阶Markov建模,预测轨迹信息;GEO卫星通过所述轨迹预测信息和卫星星历确定候选目标卫星集合;
结合切换要素,通过灰色关联和专家评判结合的权重法获取所述候选目标卫星集合中每个卫星的权重,选择权重最大的卫星进行切换。
进一步的,对高速终端移动轨迹进行二阶Markov建模,预测轨迹信息,具体包括:
基于网络SDN架构,将控制器部署在GEO卫星上,用于控制切换决策并进行信息处理;
将二阶Markov应用于高速终端移动轨迹模型中,根据高速终端的当前位置和前一个位置预测下一位置;
GEO卫星根据预测结果和卫星星历确定候选卫星集合。
进一步的,结合切换要素,通过灰色关联和专家评判结合的权重法获取所述候选目标卫星集合中每个卫星的权重,选择权重最大的卫星进行切换,具体为:
选取切换要素;
通过灰色关联思想,根据候选目标卫星集合和所选取的切换要素构造候选卫星集参考序列;
对卫星集参考序列中的切换要素进行无量纲化处理和初值化处理
由专家给出各个要素的权重值;
确定切换要素参考序列,选取最大的权重值并且各个切换要素的参考权重值均赋予此值;
获取切换要素序列与切换要素参考序列之间的距离;
获取各切换要素的权重:
获取各切换要素的归一化权重:
将各切换要素的归一化权重代入候选卫星序列,得到候选卫星集中各卫星的权重;
GEO卫星选择候选卫星集中权重最大的卫星作为切换卫星,进行切换决策。
本发明采用的以上技术方案,与现有技术相比,具有的优点是:本发明提出一种基于二阶Markov预测的星地链路切换方法,对高速终端移动轨迹进行二阶Markov建模,预测轨迹信息;GEO卫星通过所述轨迹预测信息和卫星星历确定候选目标卫星集合;结合切换要素,通过灰色关联和专家评判结合的权重法获取所述候选目标卫星集合中每个卫星的权重,选择权重最大的卫星进行切换。该方法提高了切换准确率,减少了切换次数,降低了切换失败率。
附图说明
图1为实施例中SDSN架构图;
图2为实施例中高速终端对地速度分解图;
图3为实施例中高速终端相对低轨卫星移动关系图;
图4为实施例中高速终端切换时序图;
图5为实施例中Markov状态转移链图;
图6为实施例中LEO、GEO卫星星座图;
图7为实施例中LEO卫星接入覆盖图;
图8为实施例中LEO卫星覆盖时长;
图9为实施例中不同运动速度的预测准确率对比图;
图10为本发明不同通信时长的平均切换次数对比图;
图11为本发明切换失败率对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请,即所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例1
本实施例提供一种基于二阶Markov预测的星地链路切换方法,包括:
S1:对高速终端移动轨迹进行二阶Markov建模,预测轨迹信息;GEO卫星通过所述轨迹预测信息和卫星星历确定候选目标卫星集合;
具体的,本发明将二阶Markov应用于高速终端移动轨迹模型中,根据高速终端的当前位置和前一个位置预测下一位置,即获取在高速终端历史位置的条件下,其下一步处于哪个位置的概率最大,具体为:
S1.1:在网络SDN架构基础上,将控制器部署在GEO卫星上,用于控制切换决策并进行信息处理,具体架构如附图1所示;
利用SDN转控分离的特点,将控制器部署在GEO卫星上,通过GEO卫星获取LEO卫星的网络拓扑信息、网络状态信息和终端信息,并更新全局视图,对高速终端发送的请求进行存储。同时,提取相关的网络参数和状态信息并进行加工处理,最终执行切换预测结果,为高速终端选择最佳切换卫星并执行切换决策。
S1.2:将二阶Markov应用于高速终端移动轨迹模型中,根据高速终端的当前位置和前一个位置预测下一位置,具体为:定义c,Vt,fc,fm,θ分别为光速与卫星的相对运动速度、终端与卫星的相对运动速度、射频频率、多普勒频移、卫星与终端的连线和速度方向的夹角,取相干时间Tc为采样间隔,即:
对应地,
同时定义u代表高速运动的超音速飞机类通信终端簇中第u个终端,1≤u≤U。取t=kTc,则t时刻终端u到卫星n的欧氏距离为:
(xu(t),yu(t),zu(t)),(xSn(t),ySn(t),zSn(t))分别为t时刻高速终端u所在坐标和卫星n的坐标。考虑的信道模型含有传输损耗、路径损耗以及地球对星际链路的遮挡。在时刻t测量卫星n的接收功率Pr为:
Pr=EIRP+Gr-LOSS (4)
EIRP表示发射端在最大天线增益方向上可获得的发射功率;Gr表示接收天线增益;LOSS表示传输损耗,其主要损耗是自由空间路径损耗LFS,同时考虑遮蔽衰减f(x)并累加到LFS上。
EIRP=Pt+Gt (5)
Pt,Gt分别为dB形式的发射功率和接收天线增益,r为路径距离,λ为无线电波的波长,ηA为天线效率,d为天线直径。
接收天线增益为:
传输损耗LOSS为:
LOSS=LFS+LRF+LA (7)
自由空间路径损耗为:
LFS,LRF,LA分别为自由空间路径损耗,接收馈线损耗和大气吸收损耗。定义遮蔽衰减为f(x),利用一个均值为0、方差为σ2的高斯随机变量,可以较为准确地表述遮蔽衰减的影响,如公式(9)所示:
根据铱星星座的卫星分集作用,高速终端在任意时刻至多有5颗卫星覆盖,由GEO卫星作为SDN控制器根据二阶Markov预测方案来决策。设定高速终端初始为接入状态,假设高速终端当前接入卫星为S1,图5给出5颗卫星的二阶Markov预测切换场景,即S={S1,S2,S3,S4,S5}的Markov状态图。
定义高速终端当前接入卫星为Si,切换目标卫星为Sh。状态Hi(1≤i≤Nh)代表高速终端从当前接入卫星Si到切换目标卫星Sh的切换过程Hi,h中的第i次采样。例如,从当前接入卫星S1到切换目标卫星S2的切换过程中的第1次采样用H1表示。定义切换采样次数Nh由切换时间Th决定,有:
同理,状态Sj代表高速终端在与S卫星连接下的第j次采样。终端从S1到S2的切换过程为从S1到/>的转移概率为/>从/>向S2的转移概率为1。因此,对于图5所示的场景,假设高速终端当前接入卫星为S1,终端从当前接入卫星Si到切换目标卫星Sh的转移概率为:
S1.3:GGEO卫星根据预测结果和卫星星历确定候选卫星集合,具体为:
GEO卫星根据切换阈值Qhyst i和SINRi,h(t)得到转移概率,做出切换决策。当终端向切换目标卫星Sh移动,并处于当前接入卫星Si和切换目标卫星Sh之间的某个位置时,若当前接入卫星Si和切换目标卫星Sh的Pr之差低于切换阈值Qhyst i,如公式(12)所示:
Pr,i(t)-Pr,h(t)<Qhyst i (12)
则触发时长(TTT)开始计时;如若在整个TTT期间持续满足这一条件,则GEO卫星将对高速终端执行切换决策并切换到目标卫星。为简化模型,假设切换目标卫星Sh是当前接入卫星Si的邻近卫星,且对于高速终端,当前接入卫星Si和切换目标卫星Sh选择相同频段,定义:
Pr,i(t)表示高速终端当前接入卫星Si的接收功率;Pr,h(t)表示高速终端的切换目标卫星Sh的接收功率;
则从当前接入卫星Si到切换目标卫星Sh的转移概率由(14)获得:
pi,h(k)=p[SINRi,h(t)<Qhyst i] (14)
将式(14)代入二阶Markov模型中,即可得到沿高速终端轨迹的基于二阶Markov模型的预测切换目标卫星Sh,即:
Sh=arg Max{pi,h(k)}=arg Max{p[SINRi,h(t)<Qhyst i]} (15)
结合卫星星历和高速终端轨迹预测结果,GEO卫星筛选概率大于0.5的卫星作为候选切换目标卫星集合,记为:
S2:结合切换要素,通过灰色关联和专家评判结合的权重法获取所述候选目标卫星集合中每个卫星的权重,选择权重最大的卫星进行切换,具体为:
S2.1:选取切换要素;
S2.2:通过灰色关联思想,根据候选卫星集合和选取的切换要素构造候选卫星集参考序列S,记为:
S2.3:记理想型决策方案为S0={S01,S02,S03,S04,S05},其中,对卫星参考序列S中的切换要素进行无量纲化处理和初值化处理,得到:
S'=(Sij')(n+1)×m(i=0,1,2,...,hi;j=1,2,...,5) (18)
对应地,
Sij'=Sij/S0j (19)
S2.4:将S'中切换要素记为E={E1,E2,E3,E4,E5},由n个专家给出各个要素的权重值。于是得到:
E=(ebj)n×5,b=1,2,...,n;j=1,2,...,5 (20)
S2.5:确定切换要素参考序列E0,从E中选取最大的权重值并且各个切换要素的参考权重值均赋予此值。
S2.6:根据式(21)得到切换要素序列E1,E2,...,E5与切换要素参考序列E0之间的距离:
S2.7:根据公式(22)得到各切换要素的权重:
S2.8:根据公式(23)得到各切换要素的归一化权重:
S2.9:将各切换要素的归一化权重代入候选卫星序列,得到候选卫星集中各卫星的权重为:
S2.10:GEO卫星选择中权重最大的卫星作为切换卫星,进行切换决策。
图9为传统策略和本发明提出的策略在不同运动速度下的准确率对比图,从图中可以看出,无论是在低速率还是高速率上看,本方法得到的准确率均优于传统策略。图10为传统策略和本发明提出的策略在不同通信时长下的平均切换次数对比图,从图中可以看出,传统的切换策略所需的平均切换次数明显高于本方法。图11为传统策略和本发明提出的策略在不同平均切换次数下的切换失败率对比图,从图中可以看出,本方法得到的切换失败率明显低于传统策略,原因在于切换发生次数较少时卫星有足够的信道资源,不容易导致切换失败。而随着平均切换次数增加,由于传统策略所考虑的因素单一,切换时若资源不足则无法进行切换导致切换失败,其失败率明显高于本策略。本发明结合二阶Markov预测,综合考虑多方面切换要素,同时还根据切换要素对候选卫星进行加权处理,提高切换的准确率,降低切换次数,减小切换失败率。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (5)
1.一种基于二阶Markov预测的星地链路切换方法,其特征在于,包括:
对高速终端移动轨迹进行二阶Markov建模,预测轨迹信息;GEO卫星通过轨迹预测信息和LEO卫星星历确定候选LEO目标卫星集合;
结合切换要素,通过灰色关联和专家评判结合的权重法获取所述候选LEO目标卫星集合中每个LEO卫星的权重,选择权重最大的LEO卫星进行切换;
对高速终端移动轨迹进行二阶Markov建模,预测轨迹信息,具体包括:
基于网络SDN架构,将控制器部署在GEO卫星上,用于控制切换决策并进行信息处理;
将二阶Markov应用于高速终端移动轨迹模型中,根据高速终端的当前位置和前一个位置预测下一位置;
GEO卫星根据预测结果和LEO卫星星历确定候选LEO卫星集合;
将二阶Markov应用于高速终端移动轨迹模型中,根据高速终端的当前位置和前一个位置预测下一位置,具体为:
在二阶Markov基础上,定义c,Vt,fc,fm,θ分别为光速与LEO卫星的相对运动速度、终端与LEO卫星的相对运动速度、射频频率、多普勒频移、LEO卫星与终端的连线和速度方向的夹角,取相干时间Tc为采样间隔,即:
对应地,
同时定义u代表高速运动的超音速飞机类通信终端簇中第u个终端,1≤u≤U;取t=kTc,则t时刻端u到LEO卫星n的欧氏距离为:
(xu(t),yu(t),zu(t)),(xSn(t),ySn(t),zSn(t))分别为t时刻高速终端u所在坐标和LEO卫星n的坐标,k是常数,表示t时刻是第几个采样时间间隔;在时刻t测量LEO卫星n的接收功率Pr为:
Pr=EIRP+Gr-LOSS (4)
Gr表示接收天线增益;LOSS表示传输损耗,包括自由空间路径损耗LFS,同时考虑遮蔽衰减f(x)并累加到LFS上;EIRP表示发射端在最大天线增益方向上获得的发射功率;
EIRP=Pt+Gt (5)
Pt,Gt分别为dB形式的发射功率和接收天线增益,r为路径距离,λ为无线电波的波长,ηA为天线效率,d为天线直径;
接收天线增益为:
传输损耗LOSS为:
LOSS=LFS+LRF+LA (7)
自由空间路径损耗为:
LFS,LRF,LA分别为自由空间路径损耗,接收馈线损耗和大气吸收损耗;
结合切换要素,通过灰色关联和专家评判结合的权重法获取所述候选目标LEO卫星集合中每个LEO卫星的权重,选择权重最大的LEO卫星进行切换,具体为:
选取切换要素;
通过灰色关联思想,根据候选目标LEO卫星集合和所选取的切换要素构造候选LEO卫星集参考序列S,记为:
理想型决策方案为S0={S01,S02,S03,S04,S05},其中,对LEO卫星集参考序列S中的切换要素进行无量纲化处理和初值化处理,得到:
S'=(Sij')(n+1)×m(i=0,1,2,...,hi;j=1,2,...,5) (18)
对应地,
Sij'=Sij/S0j (19)
将S'中切换要素记为E={E1,E2,E3,E4,E5},由n个专家给出各个要素的权重值,于是得到:
E=(ebj)n×5,b=1,2,...,n;j=1,2,...,5 (20)
确定切换要素参考序列E0,从E中选取最大的权重值并且各个切换要素的参考权重值均赋予此值;
根据式(21)得到切换要素序列E1,E2,...,E5与切换要素参考序列E0之间的距离:
根据式(22)得到各切换要素的权重:
根据式(23)得到各切换要素的归一化权重:
将各切换要素的归一化权重代入候选LEO卫星序列,得到候选LEO卫星集中各LEO卫星的权重为:
GEO卫星选择中权重最大的LEO卫星作为切换LEO卫星,进行切换决策。
2.根据权利要求1所述一种基于二阶Markov预测的星地链路切换方法,其特征在于,将控制器部署在GEO卫星上,用于控制切换决策并进行信息处理,具体为:
将控制器部署在GEO卫星上,通过所述GEO卫星获取LEO卫星的网络拓扑信息、网络状态信息和终端信息,并更新全局视图,对终端发送的请求进行存储;同时,提取相关的网络参数和状态信息并进行加工处理,最终执行切换预测信息,为终端选择最佳LEO卫星并执行切换决策。
3.根据权利要求1所述一种基于二阶Markov预测的星地链路切换方法,其特征在于,定义遮蔽衰减为f(x),利用一个均值为0、方差为σ2的高斯随机变量,表述遮蔽衰减的影响,如公式(9)所示:
根据铱星星座的LEO卫星分集作用,终端在任意时刻至多有5颗LEO卫星覆盖,由GEO卫星作为SDN控制器根据二阶Markov预测信息来决策;
定义高速终端当前接入LEO卫星为Si,切换目标LEO卫星为Sh;状态Hi(1≤i≤Nh)代表高速终端从当前接入LEO卫星Si到切换目标LEO卫星Sh的切换过程Hi,h中的第i次采样;定义切换采样次数Nh由切换时间Th决定,有:
同理,状态Sj代表高速终端在与LEO卫星S连接下的第j次采样;高速终端从S1到S2的切换过程为从S1到/>的转移概率为/>从/>向S2的转移概率为1;因此,高速终端从当前接入LEO卫星Si到切换目标LEO卫星Sh的转移概率为:
4.根据权利要求1所述一种基于二阶Markov预测的星地链路切换方法,其特征在于,GEO卫星根据预测结果和LEO卫星星历确定候选LEO卫星集合,具体为:
当高速终端向切换目标LEO卫星Sh移动,并处于当前接入LEO卫星Si和切换目标LEO卫星Sh之间的某个位置时,若当前接入LEO卫星Si和切换目标LEO卫星Sh的Pr之差低于切换阈值Qhyst i,如公式(12)所示:
Pr,i(t)-Pr,h(t)<Qhyst i (12)
则触发时长TTT开始计时,如若在整个TTT期间持续满足这一条件,则GEO卫星将对高速终端执行切换决策并切换到目标LEO卫星。
5.根据权利要求4所述一种基于二阶Markov预测的星地链路切换方法,其特征在于,假设切换目标LEO卫星Sh是当前接入LEO卫星Si的邻近LEO卫星,且对于高速终端,当前接入LEO卫星Si和切换目标LEO卫星Sh选择相同频段,定义:
Pr,i(t)表示高速终端当前接入LEO卫星Si的接收功率;Pr,h(t)表示高速终端的切换目标LEO卫星Sh的接收功率;
则从当前接入LEO卫星Si到切换目标LEO卫星Sh的转移概率由(14)获取:
pi,h(k)=p[SINRi,h(t)<Qhyst i] (14)
得到沿高速终端轨迹的基于二阶Markov模型的预测切换目标LEO卫星Sh,即:
Sh=arg Max{pi,h(k)}=argMax{p[SINRi,h(t)<Qhyst i]} (15)
结合LEO卫星星历和高速终端轨迹预测结果,GEO卫星筛选概率大于0.5的LEO卫星作为候选目标LEO卫星集合,记为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016750.2A CN114584196B (zh) | 2022-01-07 | 2022-01-07 | 一种基于二阶Markov预测的星地链路切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210016750.2A CN114584196B (zh) | 2022-01-07 | 2022-01-07 | 一种基于二阶Markov预测的星地链路切换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584196A CN114584196A (zh) | 2022-06-03 |
CN114584196B true CN114584196B (zh) | 2023-08-01 |
Family
ID=81769721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210016750.2A Active CN114584196B (zh) | 2022-01-07 | 2022-01-07 | 一种基于二阶Markov预测的星地链路切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584196B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114900227B (zh) * | 2022-07-13 | 2022-10-04 | 鹏城实验室 | 卫星通信系统以及卫星通信链路切换控制方法 |
CN115441932A (zh) * | 2022-08-30 | 2022-12-06 | 中国电信股份有限公司 | 针对接入卫星的切换控制方法、装置、介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8228230B1 (en) * | 2010-04-07 | 2012-07-24 | Stmicroelectronics S.R.L. | Satellite orbit prediction method, receiving apparatus and navigation satellite system employing the method |
CN108366400A (zh) * | 2018-01-24 | 2018-08-03 | 北京邮电大学 | 一种基于时间演进图的空天网络切换实时预测方法 |
CN111654320A (zh) * | 2020-05-06 | 2020-09-11 | 北京理工大学 | 一种基于多属性决策的卫星自适应组网方法 |
CN111865399A (zh) * | 2020-07-28 | 2020-10-30 | 武汉大学 | 一种低轨卫星面向高速终端的接入与切换方法 |
CN112436882A (zh) * | 2020-10-26 | 2021-03-02 | 北京邮电大学 | 基于双马尔科夫模型的leo卫星信道建模方法及装置 |
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 |
CN113099506A (zh) * | 2021-03-31 | 2021-07-09 | 上海交通大学 | 软件定义卫星网络中基于链路时效的路由方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2273692B1 (en) * | 2009-07-06 | 2016-08-31 | Airbus Defence and Space SAS | Virtual polar satellite ground station for low orbit earth observation satellites based on a geostationary satellite pointing an antenna over an earth pole |
US10244453B2 (en) * | 2015-10-13 | 2019-03-26 | Qualcomm Incorporated | Method and apparatus for inter-satellite handovers in low-earth orbit (LEO) satellite systems |
-
2022
- 2022-01-07 CN CN202210016750.2A patent/CN114584196B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8228230B1 (en) * | 2010-04-07 | 2012-07-24 | Stmicroelectronics S.R.L. | Satellite orbit prediction method, receiving apparatus and navigation satellite system employing the method |
CN108366400A (zh) * | 2018-01-24 | 2018-08-03 | 北京邮电大学 | 一种基于时间演进图的空天网络切换实时预测方法 |
CN111654320A (zh) * | 2020-05-06 | 2020-09-11 | 北京理工大学 | 一种基于多属性决策的卫星自适应组网方法 |
CN111865399A (zh) * | 2020-07-28 | 2020-10-30 | 武汉大学 | 一种低轨卫星面向高速终端的接入与切换方法 |
CN112436882A (zh) * | 2020-10-26 | 2021-03-02 | 北京邮电大学 | 基于双马尔科夫模型的leo卫星信道建模方法及装置 |
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 |
CN113099506A (zh) * | 2021-03-31 | 2021-07-09 | 上海交通大学 | 软件定义卫星网络中基于链路时效的路由方法及系统 |
Non-Patent Citations (8)
Title |
---|
Research on Handover Strategy of LEO Satellite Network;Zhiguo Liu;《2021 2nd International Conference on Big Data and Informatization Education (ICBDIE)》;全文 * |
基于时间演进图的LEO星间切换实时预测及更新方法;胡欣;宋航宇;刘帅军;李秀华;王卫东;汪春霆;;通信学报(10);全文 * |
基于预判决和改进灰关联的异构网络切换算法;杜秀丽;董泽龙;陈波;张慧瑞;;计算机应用研究(02);全文 * |
改进Markov过程的异构无线网络垂直切换算法;闫丽;高婷;;吉林大学学报(理学版)(03);全文 * |
星地融合网络中的动态切换策略研究;刘阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
空天地一体化的大跨度网络高动态切换算法研究与仿真;周卓燃;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
面向电力应用的高低轨卫星混合组网通信研究;朱秋莎;《万方在线学位论文》;全文 * |
高空平台辅助的增强低轨卫星系统的切换技术研究;李凯伦;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114584196A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114584196B (zh) | 一种基于二阶Markov预测的星地链路切换方法 | |
CN111182594B (zh) | 一种基于星历信息的低轨卫星星座系统小区切换方法及装置 | |
Abuzainab et al. | Deep learning for THz drones with flying intelligent surfaces: Beam and handoff prediction | |
CN113038387B (zh) | 低轨卫星网络中基于q学习的切换判决方法 | |
CN113162679A (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
CN112887903B (zh) | 一种基于软信息融合的通信定位感知一体化方法 | |
CN109586773B (zh) | 临空通信毫米波非正交多址接入技术联合收发端波束赋形及功率分配方法 | |
JP2016171458A (ja) | 追尾アンテナシステムおよび追尾アンテナ装置 | |
CN114666803B (zh) | 一种移动边缘计算系统的部署、控制方法及其系统 | |
US6771608B2 (en) | Link tracking with a phased array antenna in a TDMA network | |
CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
US7414578B1 (en) | Method for efficiently computing the beamforming weights for a large antenna array | |
Zhang et al. | Trajectory design for UAV-assisted emergency communications: A transfer learning approach | |
Han et al. | Satellite-assisted UAV trajectory control in hostile jamming environments | |
Chen et al. | Decentralized trajectory and power control based on multi-agent deep reinforcement learning in UAV networks | |
Akhtar et al. | UAVs-Enabled Maritime Communications: UAVs-Enabled Maritime Communications: Opportunities and Challenges | |
CN116916409A (zh) | 一种dqn辅助低轨卫星切换的决策生成方法 | |
Webber et al. | Machine learning-based RSSI prediction in factory environments | |
CN111372195A (zh) | 移动通信网络中移动终端的位置追踪方法、设备及存储介质 | |
CN116009590A (zh) | 无人机网络分布式轨迹规划方法、系统、设备及介质 | |
CN116390114A (zh) | 基于非视距链路识别的车联网感知辅助通信预波束对准方法 | |
CN115714612A (zh) | 基于感知的通信波束跟踪方法 | |
CN112383336B (zh) | 一种用于远距离高速飞行物体的波束追踪方法 | |
CN111372190B (zh) | 移动终端位置追踪的机器学习模型、方法、设备及存储介质 | |
Evmorfos et al. | Double Deep Q Learning with Gradient Biasing for Mobile Relay Beamforming Networks |
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 |