CN114900224B - 一种飞行器越区切换目标测控卫星的方法及相关设备 - Google Patents
一种飞行器越区切换目标测控卫星的方法及相关设备 Download PDFInfo
- Publication number
- CN114900224B CN114900224B CN202210401110.3A CN202210401110A CN114900224B CN 114900224 B CN114900224 B CN 114900224B CN 202210401110 A CN202210401110 A CN 202210401110A CN 114900224 B CN114900224 B CN 114900224B
- Authority
- CN
- China
- Prior art keywords
- noise ratio
- signal
- track
- aircraft
- measurement
- 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
Images
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
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
- H04B7/18508—Communications with or from aircraft, i.e. aeronautical mobile service with satellite system used as relay, i.e. aeronautical mobile satellite service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- H04B7/18513—Transmission in a satellite or space-based system
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供一种飞行器越区切换目标测控卫星的方法以及相关设备。本申请提供的方法对多个候选测控卫星信道的信噪比等级进行分类,获取并得到每个候选测控卫星对应的空闲信道数,根据预测轨迹计算并得到候选测控卫星的剩余覆盖时间,再根据多个候选测控卫星的信噪比分类等级、空闲信道数以及剩余覆盖时间确定目标测控卫星,保证了较高的卫星通信系统服务质量以及资源综合利用率,保证了卫星通信网络的整体性能,进而保证了飞行器测控过程的连续性、稳定性以及较高的综合测控质量,解决了飞行器需要频繁切换测控卫星的问题。
Description
技术领域
本申请涉及卫星通信技术领域,尤其涉及一种飞行器越区切换目标测控卫星的方法及相关设备。
背景技术
随着航天事业的发展,基于卫星的测控技术得到应用,逐步出现新型的天基测控系统。由低轨(Low Earth Orbit,LEO)通讯卫星构成的天基测控系统具有低延时、低功耗和全球无缝覆盖等优点,为一个或多个高速飞行器提供精确、实时和双向的数据传输服务。单个低轨测控卫星覆盖范围相对较小,高速飞行器的移动速度快,通常可达1000km/h甚至更高,被测飞行器面临频繁切换测控卫星的问题。
发明内容
有鉴于此,本申请的目的在于提出一种飞行器越区切换目标测控卫星的方法及相关设备。
基于上述目的,本申请提供了一种飞行器越区切换目标测控卫星的方法,包括:利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星的信噪比等级进行分类,得到信噪比分类等级;获取并得到每个所述候选测控卫星对应的空闲信道数;对所述飞行器的飞行轨迹进行预测,得到预测轨迹;根据所述预测轨迹计算并得到每个所述候选测控卫星的剩余覆盖时间;根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星。
可选地,所述利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星的信噪比等级进行分类,得到信噪比分类等级,包括:构建等级划分模型以及初始深度学习模型;获取历史信噪比观测数据以及历史环境数据;将所述历史信噪比观测数据输入至所述等级划分模型,输出历史信噪比等级数据,所述历史信噪比观测数据、所述历史环境数据以及所述历史信噪比等级数据共同构成历史飞行数据集;基于所述历史飞行数据集对所述初始深度学习模型进行训练,得到训练完成后的所述深度学习模型;基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级。
可选地,所述等级划分模型中包括信噪比等级划分公式,所述信噪比等级划分公式包括:
其中,S为历史信噪比观测数据集,max(S)为所述历史信噪比观测数据集中的最大历史信噪比观测数据,min(S)为所述历史信噪比观测数据集中的最小历史信噪比观测数据,CN为预设的信噪比等级数,cj为第j个信噪比等级,j=0,1,…,CN-1,si为所述历史信噪比观测数据集S中的第i个历史信噪比观测数据。
可选地,所述深度学习模型包括输出激活函数以及信噪比等级选择函数,所述基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级,包括:将所述实时环境数据输入至所述输出激活函数,输出所述候选测控卫星的信噪比被分为各信噪比等级的概率向量;将所述概率向量输入至所述信噪比等级选择函数,输出所述候选测控卫星的所述信噪比分类等级;
所述输出激活函数包括:
其中,Xj为所述实时环境数据,所述实时环境数据包括所述飞行器对所述候选测控卫星的仰角、季节、时间、所述飞行器的坐标和太阳活动状况5个维度的输入向量,为输入的所述实时环境数据Xj所对应的所述候选测控卫星的信噪比被分为各信噪比等级的概率向量,CN为信噪比等级数,g(·)为激活函数,N为所述深度学习模型中隐藏层神经元的个数,βi为权重参数,Wi=[w(i-1),w(i-2),…,w(i-5)]为第i个神经元与所述5个维度输入向量之间的连接权值,bi=[b1,b2,…,bN]为所述深度学习模型中隐藏层神经元的偏置;
所述信噪比等级选择函数包括:
可选地,所述深度学习模型还包括交叉熵损失函数,所述交叉熵损失函数被配置为优化所述权重参数βi,响应于所述交叉熵损失函数取得最小值,所述权重参数βi达到最优值;
所述交叉熵损失函数包括:
其中,Loss(w)为损失函数,为概率向量,M为所述历史飞行数据集中样本的数量,ci为第i个样本的信噪比等级对应独热码,/>为第i个样本由所述输出激活函数输出的为ci类的概率,/>为第i个样本由所述输出激活函数输出的为ci类的逻辑值,CN为信噪比等级数,/>为第i个样本由所述输出激活函数输出的为k类的逻辑值,k为CN个信噪比等级的独热码,/>表示概率向量与独热码转置相乘。
可选地,所述飞行器由一段轨迹向另一段轨迹运动的趋势为所述飞行器的运动规则,所述飞行器在每个运动规则中由前项轨迹向后项轨迹运动,所述对所述飞行器的飞行轨迹进行预测,得到预测轨迹,包括:获取所述飞行器的多个历史轨迹点,并计算每个所述历史轨迹点的支持度;将所述支持度高于第一阈值的所述历史轨迹点标记为频繁轨迹点,所述第一阈值为预先设定的;利用所述频繁轨迹点生成多个频繁轨迹;对每个所述频繁轨迹进行m-1次分割,每次分割得到一对两个子轨迹,其中,第a次分割的位置位于构成所述频繁轨迹的第a个所述频繁轨迹点后,m为构成所述频繁轨迹的所述频繁轨迹点的个数,每次分割得到所述一对两个子轨迹构成完整的所述频繁轨迹;计算所述每一对两个子轨迹对应的运动规则的置信度,将所述置信度高于第一阈值的的运动规则标记为待匹配运动规则,所述第一阈值为预先设定的;获取所述飞行器的实时飞行轨迹,将每个所述待匹配运动规则的前项轨迹与所述实时飞行轨迹与多个设置条件进行匹配,将满足所述多个设置条件中的至少一个的所述待匹配运动规则标记为候选运动规则;利用第一算法在多个所述候选运动规则中选择一个预测运动规则,将所述预测运动规则的后项轨迹标记为所述预测轨迹。
可选地,所述多个设置条件包括:第一条件、第二条件和第三条件;所述第一条件包括:所述待匹配运动规则的前项轨迹与所述实时飞行轨迹完全相同;所述第二条件包括:所述待匹配运动规则的前项轨迹与所述实时飞行轨迹的部分轨迹完全相同,且所述待匹配运动规则的前项轨迹与所述实时飞行轨迹的最后一个轨迹点相同;所述第三条件包括:所述实时飞行轨迹与所述待匹配运动规则的前项轨迹的部分轨迹完全相同,且所述待匹配运动规则的前项轨迹与所述实时飞行轨迹的最后一个轨迹点相同;
所述第一算法包括:
其中,tri为所述候选运动规则的前项轨迹,trj为所述候选运动规则的后项轨迹,为所述候选运动规则,trT为所述实时飞行轨迹,σ为所述候选运动规则的前项轨迹的筛选裕度,c为所有所述候选运动规则的后项轨迹中最长的后项轨迹,为所述候选运动规则的置信度。
基于上述目的,本申请还提供了一种飞行器越区切换目标测控卫星的装置,包括:分类模块,被配置为利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星信道的信噪比等级进行分类,得到信噪比分类等级;获取模块,被配置为获取并得到每个所述候选测控卫星对应的空闲信道数;预测模块,被配置为对所述飞行器的飞行轨迹进行预测,得到预测轨迹,根据所述预测轨迹计算并得到每个所述候选测控卫星的剩余覆盖时间;确定模块,被配置为根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星。
基于上述目的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现任意一种所述的飞行器越区切换目标测控卫星的方法。
基于上述目的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行任意一种所述的飞行器越区切换目标测控卫星的方法。
从上面所述可以看出,本申请提供的一种飞行器越区切换目标测控卫星的方法以及相关设备,其中,本申请提供的方法对多个候选测控卫星信道的信噪比等级进行分类,获取并得到每个候选测控卫星对应的空闲信道数,根据预测轨迹计算并得到候选测控卫星的剩余覆盖时间,再根据多个候选测控卫星的信噪比分类等级、空闲信道数以及剩余覆盖时间确定目标测控卫星,保证了较高的卫星通信系统服务质量以及资源综合利用率,保证了卫星通信网络的整体性能,进而保证了飞行器测控过程的连续性、稳定性以及较高的综合测控质量,解决了飞行器需要频繁切换测控卫星的问题。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例飞行器越区切换目标测控卫星的方法的示意图;
图2为本申请实施例的候选测控卫星星下点轨道示意图;
图3为本申请实施例的候选测控卫星对飞行器的覆盖场景示意图;
图4为本申请实施例的飞行器与候选测控卫星星下点速度相对关系示意图;
图5为本申请实施例的候选测控卫星与飞行器三维切换场景示意图;
图6为本申请实施例的飞行器越区切换目标测控卫星的装置示意图;
图7为本申请另一种实施例的飞行器越区切换目标测控卫星的装置示意图;
图8为执行本申请实施例提供的飞行器越区切换目标测控卫星的方法的电子设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
为了方便理解,下面对本公开实施例中涉及的名词进行解释:
欧氏距离:指在多维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离);
TOPSIS:Technique for Order Preference by Similarity to an IdealSolution逼近理想解排序法,其基本原理,是通过检测评价对象与最优解、最劣解的距离来进行排序,若评价对象最靠近最优解同时又最远离最劣解,则为最好;否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。
低轨道测控卫星星座规模壮大,数量众多,多星覆盖率高,被测飞行器大部分时间位于多颗测控卫星的覆盖下,飞行器在进行接入时就会面临目标卫星的选择问题。且单个低轨测控卫星覆盖范围相对较小,而高速飞行器的移动速度快,通常可达1000km/h甚至更高,被测飞行器面临频繁的测控卫星切换问题。传统的测控卫星选择策略以推导或估计的最长剩余覆盖时间作为判决依据。飞行器接入测控卫星时,其对卫星的仰角接近测控卫星的最小仰角,信道的非线性恶化严重,测控卫星信号信噪比低,测控卫星所提供的测控服务质量差;且出现多飞行器同时请求接入目标测控卫星时,易发生目标测控卫星无可用信道的情况,导致切换失败。最长覆盖时间的单一评价准则可降低高速飞行器的目标测控卫星切换次数,提高测控系统稳定性,但无法保证目标测控卫星的测控服务质量,同时未考虑卫星信道空闲状态。
现有技术中的测控卫星切换策略主要依照三种评价准则,即最长剩余覆盖时间准则、测控卫星对飞行器最强信号准则和测控卫星最多空闲信道准则。最长剩余覆盖时间准则减少了切换次数、提高测控系统稳定性;最强信号准则保证飞行器接收到的测控卫星信号强度;最多空闲信道准则使得卫星负载均衡。选择目标测控卫星应考虑多种因素,否则易造成测控卫星资源的不合理利用和测控系统稳定性低的问题。
有鉴于此,本申请一个实施例提供了一种飞行器越区切换目标测控卫星的方法,如图1所示,包括:
S101,利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星的信噪比等级进行分类,得到信噪比分类等级。
S102,获取并得到每个所述候选测控卫星对应的空闲信道数。
S103,对所述飞行器的飞行轨迹进行预测,得到预测轨迹;根据所述预测轨迹计算并得到每个所述候选测控卫星的剩余覆盖时间。
S104,根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星。
具体实施时,除S104必须最后实施以外,上述步骤S101、S102、S103的顺序不限于本申请上述实施例的顺序,可以有所变化,也可以同时实施。
通过上述方法,利用信噪比分类等级确认目标测控卫星,可以保证接入的目标测控卫星的信噪比较高,保证了卫星通信系统的服务质量以及卫星通信网络的整体性能,也保证了飞行器有较高的综合测控质量;通过空闲信道数确认目标测控卫星保证了接入的目标测控卫星有尽可能多的空闲信道,保证了卫星通信系统有较高的资源综合利用率;通过对飞行轨迹进行预测并计算测控卫星的剩余覆盖时间确认目标测控卫星,使飞行器接入的目标测控卫星有尽可能大的剩余覆盖时间,使测控卫星切换频率尽可能小,保证了飞行器测控过程的连续性、稳定性;通过信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间这三个属性来确定目标测控卫星,反映了不同场景下各属性本身的特点,结合不同维度的判断依据确认目标测控卫星,可以保证目标测控卫星的综合素质,解决了飞行器需要频繁切换测控卫星的问题。
低轨测控卫星通信过程中,信号会在进入大气层后在电离层中发生折射,高速飞行器对低轨卫星的仰角越小,折射现象越严重,信号失真越大。测控卫星信号的信噪比决定了低轨卫星测控服务质量。为保证测控过程的稳定性,候选测控卫星在其覆盖时段内的信号信噪比成为目标测控卫星选择的关键因素。低轨测控卫星信号信噪比越好,表明信号质量越高。在实际场景中,测控卫星信号在空间的传输过程中受到诸多随机噪声的干扰,包括线路本身的噪声、发射机功率放大器的交调噪声、接收机的交调噪声和卫星转发延时失真噪声。其中,线路自身的噪声,包含上下行线路热噪声、卫星的交调噪声、系统内部干扰四种噪声。并且,发射功率放大器内部信号放大元器件,如行波管、速调管等均为非线性器件,在通信频率高、一个放大器放大多个载波信号时,载波信号所产生的交调产物落入传输频带,形成严重的噪声。
式1中,ps和pn分别表示信号和噪声的有效功率。从信噪比的表达式可以看出,当随机噪声功率无法确定时,卫星信号的信噪比便无法确定。由于卫星通信系统中的线路噪声功率、放大器交调噪声功率和延时失真噪声功率均有上限值,其在一定范围内对卫星信号产生影响。由于随机噪声的不可预估性,信噪比预测回归模型无法实现预测信噪比准确数值,预测值与实际值往往存在较大偏差,预测所得信噪比不具实际参考意义,只能确定信噪比的大致范围。因此,本申请的一个实施例采用深度学习模型对信噪比进行分类,确定候选测控卫星覆盖区信号信噪比所在范围,并将其表示为信噪比等级,以此作为切换测控卫星的判决依据。
一些实施例中,所述S101包括:
S201、构建等级划分模型以及初始深度学习模型。
S202、获取历史信噪比观测数据以及历史环境数据。
S203、将所述历史信噪比观测数据输入至所述等级划分模型,输出历史信噪比等级数据,所述历史信噪比观测数据、所述历史环境数据以及所述历史信噪比等级数据共同构成历史飞行数据集。所述历史信噪比观测数据为对应历史环境数据下的信噪比准确数值,并且,具体实施时需要将大量不同的历史信噪比观测数据输入至所述等级划分模型。
S204、基于所述历史飞行数据集对所述初始深度学习模型进行训练,得到训练完成后的所述深度学习模型。
S205、基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级。
一些实施例中,所述S201中构建的所述等级划分模型包括信噪比等级划分公式(式2与式3),所述等级划分模型通过信噪比等级划分公式对输入的历史信噪比观测数据进行等级划分。
其中,S为历史信噪比观测数据集,max(S)为所述历史信噪比观测数据集中的最大历史信噪比观测数据,min(S)为所述历史信噪比观测数据集中的最小历史信噪比观测数据,CN为预设的信噪比等级数,cj为第j个信噪比等级,j=0,1,…,CN-1,si为所述历史信噪比观测数据集S中的第i个历史信噪比观测数据。若si∈cj,则认为si属于信噪比等级cj。m个候选测控卫星在其覆盖区域内的信噪比等级表示为S={s0,s1,…,sm}。
一种具体的实施例中,上述预设的信噪比等级数CN=5,并设定c0,c1,c2,c3,c4为从劣到优的五个信噪比等级,依次为最差、差、一般、优、最优。不同信噪比等级相互离散,独热码表示为:C={c0,c1,c2,c3,c4}={00001,00010,00100,01000,10000}。独热码,英文称为one-hot code,是只有一个比特为1,其他全为0的一种码制。具体实施时,可以基于历史信噪比观测数据的数据量以及最大最小数据之间的差值更改预设的信噪比等级数CN。
高速飞行器的飞行高度位于对流层之外电离层之内,因此不考虑对流层折射产生的影响。电离层位于地球大气最外层,因含有大量带电粒子而被称为电离层。电离层对卫星信号的折射率与信号传播路径上的电子总量高度相关。电离层的电子密度与季节、一天中的不同时段、地理位置和太阳活动有关。其中,电子密度在一天中的变化呈现钟形曲线,白天的平均值约为夜间的5倍;夏季的电子密度是冬季的5倍;太阳黑子活动激烈时的电子密度约为平缓时的4倍。高速飞行器对低轨卫星的仰角、季节、时间、高速飞行器坐标和太阳活动状况为影响测控卫星信号信噪比等级的5个因素,它们构成深度学习模型的多维度输入特征。
一些实施例中,所述S201中构建的所述深度学习模型包括输出激活函数(式4)以及信噪比等级选择函数(式5),所述输出激活函数包括:
其中,Xj为所述实时环境数据,所述实时环境数据包括所述飞行器对所述候选测控卫星的仰角、季节、时间、所述飞行器的坐标和太阳活动状况5个维度的输入向量,为输入的所述实时环境数据Xj所对应的所述候选测控卫星的信噪比被分为各信噪比等级的概率向量,CN为信噪比等级数,g(·)为激活函数,N为所述深度学习模型中隐藏层神经元的个数,βi为权重参数,Wi=[w(i-1),w(i-2),…,w(i-5)]为第i个神经元与所述5个维度输入向量之间的连接权值,bi=[b1,b2,…,bN]为所述深度学习模型中隐藏层神经元的偏置。
所述信噪比等级选择函数包括:
其中,classID表示当取概率向量最大值时对应的信噪比等级,C(Xj)为输入的所述实时环境数据Xj所对应的所述候选测控卫星的信噪比分类等级。取概率向量中最大的概率值,所述概率值对应的信噪比等级类别即为候选测控卫星的信噪比等级。
一些实施例中,所述S205包括:
S301、将所述实时环境数据输入至所述输出激活函数,输出所述候选测控卫星的信噪比被分为各信噪比等级的概率向量。
S302、将所述概率向量输入至所述信噪比等级选择函数,输出所述候选测控卫星的所述信噪比分类等级。
一些实施例中,所述S201中构建的所述深度学习模型还包括交叉熵损失函数(式6)。
所述交叉熵损失函数包括:
其中,Loss(w)为损失函数,为概率向量,M为所述历史飞行数据集中样本的数量,ci为第i个样本的信噪比等级对应独热码,/>为第i个样本由所述输出激活函数输出的为ci类的概率,/>为第i个样本由所述输出激活函数输出的为ci类的逻辑值,CN为信噪比等级数,/>为第i个样本由所述输出激活函数输出的为k类的逻辑值,k为CN个信噪比等级的独热码,在信噪比等级数设置为5的实施例中,k为5个信噪比等级的独热码,且k∈{00001,00010,00100,01000,10000};/>表示概率向量与独热码转置相乘,此步为交叉熵的计算过程;此处/>为softmax输出激活函数的定义式,含义为对深度学习模型的输出逻辑值取自然数e为底的指数再归一化得到概率。
所述交叉熵损失函数被配置为优化所述权重参数βi,响应于所述交叉熵损失函数取得最小值,深度学习模型的分类误差最小,所述权重参数βi达到最优值。交叉熵损失函数同时也应用在S204的训练过程中,其原理与S205的分类过程相似,本领域技术人员可类推得到应用在S204的训练过程中的方法,在此不过多赘述。
对交叉熵误差函数求偏导并令其等于0,求解函数(式7)取得最小值时的权重参数即为最优权重参数。
深度学习模型的输出激活函数的输出矩阵可表示为式8:
同时,待优化的权重参数向量可表示为式9:
那么,M个样本概率向量估测值可以表示为式10:
T=Iβ (10)
对于满秩矩阵J,其广义逆矩阵表示为J-1。由高斯牛顿法,得到式11:
β=(JTJ)-1JTJβ=(JTJ)-1JTT=ΔT (11)
其中,Δ=(JTJ)-1JTT为J的摩尔-彭若斯广义逆。式11即为高斯牛顿法求解的最小二乘解,且是唯一解。将式11计算出的权重参数即为最优权重参数。
高速飞行器的飞行过程,会产生大量的历史飞行轨迹数据。大量历史飞行轨迹数据是由众多离散且互不关联的轨迹点组成。本申请实施例利用当前高速飞行器的大量历史轨迹点,基于关联规则的轨迹挖掘算法预测高速飞行器飞行轨迹,并结合提出卫星切换场景下的运动轨迹选择算法,得出在多星覆盖区的预测轨迹。本例中轨迹预测方法以高速飞行器自身为研究对象,通过挖掘历史飞行轨迹数据预测高速飞行器未来时段内相对于大地坐标系的绝对飞行轨迹。传统的飞行器轨迹预测方法以固定轨道的低轨卫星为参照,认为相对低速的飞行器在测控时段内相对静止,以此推理出飞行器相对于低轨卫星的相对运动轨迹。本例中轨迹预测方法考虑到测控过程中高速飞行器自身的运动,所构建的三维运动场模型分别由低轨卫星的运动规律和高速飞行器的运动规律综合得出,高速飞行器预测轨迹具有更好的参考价值,可使得后续步骤中计算剩余覆盖时间更准确。
一些实施例中,所述S103包括:
S401、获取所述飞行器的多个历史轨迹点。
一种具体的实施例中,首先从天基测控系统中获取一个包含所有所述飞行器历史飞行数据的数据库。天基测控系统中所有高速飞行器构成一个集合,其中,将当前需要进行目标测控卫星切换的高速飞行器记为T。在数据库中查找飞行器T的历史轨迹点,记为集合D。其中,将飞行器T的第i个轨迹点记为lT i=(ψT i,ηT i,hT i)其中ψT i、ηT i和hT i分别表示飞行器T的第i个轨迹点的经度、纬度和飞行高度。飞行器T的飞行轨迹可表示为一组轨迹点所构成的有序列表,如轨迹tro为n+1个轨迹点组成的序列,记作tro=<lo i,lo i+1,…,lo i+n>。
S402、计算每个所述历史轨迹点的支持度,将所述支持度高于第一阈值的所述历史轨迹点标记为频繁轨迹点,所述第一阈值为预先设定的。
一种具体的实施例中,为描述位于相同位置轨迹点在所有轨迹点中出现的频率,轨迹点的支持度定义为坐标相同的轨迹点的数量在总轨迹点中的占比。若某一轨迹点的支持度高于用户定义的阈值minsup,则该点为频繁轨迹点。一般情况下,最小支持度阈值minsup的确定是通过判断实际得到频繁项个数与期望得到的频繁项数量之差进行动态调整,并人为设置不同值多次尝试得到的最小支持度阈值。
S403、利用所述频繁轨迹点生成多个频繁轨迹,并挖掘出所有频繁轨迹。
一种具体的实施例中,轨迹trj的长度可表示为trj中包含的轨迹点的数量,记为length(tri)。给定两段轨迹tri和trj,若构成tri的轨迹点序列是构成trj序列的连续子序列,则轨迹tri为轨迹trj的子轨迹,记为若轨迹tri的最后一个轨迹点与轨迹trj的第一个轨迹点的坐标相同,则轨迹tri和轨迹trj是相邻轨迹,由两段相邻轨迹构成的邻接轨迹记为tri∥trj。类似地,轨迹trj的支持度为其相同轨迹在轨迹点集合D中出现的频率;若轨迹trj的支持度高于用户设定的阈值minsup,则轨迹trj为频繁轨迹。所有频繁轨迹的集合表示为L。根据以上表述,任何轨迹可视为由若干子轨迹构成,因此任何频繁轨迹的子轨迹也是频繁轨迹;构成频繁轨迹的所有轨迹点是频繁轨迹点。
飞行器由一段轨迹向另一段轨迹运动的趋势为所述飞行器的运动规则,飞行器在每个运动规则中由前项轨迹向后项轨迹运动。对于轨迹tri和轨迹trj,二者的一条运动规则表示为:代表飞行器由轨迹tri向轨迹trj运动。轨迹tri被称作运动规则的前项轨迹,轨迹trj被称作运动规则的后项轨迹。其中,轨迹tri和轨迹trj均属于频繁轨迹tri,trj∈L,且由二者构成的轨迹也是频繁轨迹tri∥trj∈L。运动规则/>的支持度被表示为邻接轨迹tri∥trj的支持度,记为
式12:
在轨迹点集合D中,计算所有轨迹点的支持度,对比最小支持度阈值minsup得出频繁轨迹点,构成长度为1的一次项频繁轨迹集合L1;连接相邻频繁轨迹,组成长度为2的候选二次项候选轨迹集合,计算所有二次项候选轨迹的支持度,对比minsup得出长度为2的二次项频繁轨迹集合L2;按照此步骤执行,长度为k的频繁轨迹在长度为k-1的频繁轨迹的基础上拓展而来。每次拓展所获得长度为k的频繁轨迹都由原来两段长度为k-1相互重叠的频繁轨迹获得。此处,相互重叠的轨迹tri和trj应满足去掉tri第一个轨迹点的剩余序列、去掉trj序列中最后一个轨迹点剩余序列是相同的,如:序列<A,B,C,D>和序列<B,C,D,E>是相互重叠的序列,拓展所得的序列为<A,B,C,D,E>。
S404、对每个所述频繁轨迹进行m-1次分割,每次分割得到一对两个子轨迹,其中,第a次分割的位置位于构成所述频繁轨迹的第a个所述频繁轨迹点后,m为构成所述频繁轨迹的所述频繁轨迹点的个数,每次分割得到所述一对两个子轨迹构成完整的所述频繁轨迹。
S405、计算所述每一对两个子轨迹对应的运动规则的置信度,将所述置信度高于所述第一阈值的的运动规则标记为待匹配运动规则。
一种具体的实施例中,例如对于长度为m频繁轨迹trp,其运动规则的计算过程为:将轨迹trp依次做m-1次分割,每次分割获得两段子轨迹tr'p和tr”p,其中tr'p∥tr”p=trp;第a次分割的位置在轨迹trp序列的第a个轨迹点之后,i=(1,2,…,m-1)。轨迹trp经分割共获得m-1对子轨迹。计算每一对子轨迹tr'p∥tr”p对应运动规则的置信度(式14)并与用户定义的最小置信度阈值minsup对比,判断该运动规则是否成立。一种更为具体的实施例中,用户给定最小置信度阈值minsup=0.5,计算得到的置信度大于0.5表示当前运动规则成立。
S406、获取所述飞行器的实时飞行轨迹trT,将每个所述待匹配运动规则的前项轨迹tri与所述实时飞行轨迹trT与多个设置条件进行匹配,将满足所述多个设置条件中的至少一个的所述待匹配运动规则标记为候选运动规则。所述多个设置条件包括:
1)所述待匹配运动规则的前项轨迹tri与所述实时飞行轨迹trT完全相同;
S407、利用第一算法(式15)在多个所述候选运动规则中选择一个预测运动规则,将所述预测运动规则的后项轨迹标记为所述预测轨迹。较短的轨迹由于出现频次更高,拥有更高的置信度。但较长的预测轨迹为后续计算提供的帮助更大,因此选择预测运动规则应考虑候选运动规则的后项轨迹的长度,为此,由第一算法(式15)选择预测运动规则。
其中,tri为所述候选运动规则的前项轨迹,trj为所述候选运动规则的后项轨迹,为所述候选运动规则,trT为所述实时飞行轨迹,σ为所述候选运动规则的前项轨迹的筛选裕度,c为所有所述候选运动规则的后项轨迹中最长的后项轨迹,为所述候选运动规则的置信度。
在第一算法(式15)中,第一项筛选与飞行器当前轨迹trT长度近似的前项轨迹tri,减小σ可使长度越逼近trT的前项轨迹tri得分越高,而与trT差值越大的前项轨迹tri得分越低;第二项表示后项轨迹trj越长,第二项的值越高;第三项为该运动规则的置信度。
在一些实施例中,所述S103还包括:根据所述预测轨迹,以地面为参考坐标系,构建包括所述飞行器以及多个所述候选卫星在内的三维运动模型;根据所述三维运动模型获取所述飞行器与多个所述候选卫星的几何运动关系;根据所述几何运动关系计算并得到所述剩余覆盖时间。
低轨测控卫星和飞行器均在自己所在球面运动,测控卫星覆盖时间为飞行器通过低轨测控卫星覆盖区域所需要的时间。当飞行器到达当前测控卫星边缘发起切换请求,向候选测控卫星发起切换请求。剩余覆盖时间决定了候选测控卫星可提供的服务时长,剩余覆盖时间为候选测控卫星总覆盖时间与接入前的已覆盖时间之差。
根据大地坐标系的位置描述,飞行器T飞行坐标由经度、纬度和飞行高度表示(ψT,ηT,hT);假设低轨测控卫星的运行轨道为圆轨道,低轨卫星S飞行坐标表示为(ψS,ηS,hS)。飞行器T与低轨卫星星下点H的三维运动场景如图2所示,低轨卫星轨道倾角为α,升交线经度∈。在图3中,飞行器T和低轨卫星S之间的仰角为θ,低轨卫星在飞行器所在球面的星下点为H,飞行器与低轨卫星星下点的弧距为γ(t)。低轨卫星在其固定轨道高速运动,飞行器T与其星下点H轨迹的最小距离表示为迹角γm(t),将星下点轨迹上距离飞行器T最近的点表示为Q。星下点H与点Q之间的距离为辅助角
低轨卫星在圆轨道的运行速度为vS;飞行器在其轨迹球面的飞行速度为vT。已知地球半径为Re。根据上述预测所得的飞行器未来轨迹点(ψT(t),ηT(t),hT(t)),飞行器的角速度为ωT=vT/(hT+Re);低轨卫星的星下点的角速度为ωS=vS/(hS+Re),其中,ωT与ωS之间的夹角为ξ,如图4所示。
结合图3,已知上述高速飞行预测轨迹和低轨卫星运动规律,记飞行器T出现在卫星视野范围内时为t=0时刻,辅助角为迹角为γm(0)=γm0、弧距为γ(0)=γ0。此时,飞行器T和低轨卫星S的坐标分别为(ψT,ηT,hT)和(ψS,ηS,hS)。
根据半正矢公式,已知飞行器T和低轨卫星星下点H的坐标(ψT,ηT)和(ψS,ηS),两点坐在球面上的弧距可用式16表示:
其中,低轨卫星轨道倾角为α,飞行器T飞行轨迹上任意一轨迹点(ψT,ηT,hT)。存在唯一经过该升交线、圆心在球心且与卫星轨道平面垂直O的圆面,沿圆弧由轨迹点到卫星轨道平面的弧段即为球面上一点到卫星轨道平面的最短距离,三维场景模型如图5所示,其中OA为飞行器T与地心O连线在赤道面上的投影、OB为升交线,TB为最短距离。根据以上分析集合余弦定理,飞行器T的迹角可用式17表示:
如图5所示三维场景模型,飞行器T与低轨卫星S之间相对位置满足式19:
cos(γ(t)+θ(t))×(Re+hs)=cos(θ(t))×(Re+hT) (19)
进一步的,根据将式19代入式16计算得出的弧距,可得飞行器T对低轨卫星S的仰角为(式20):
低轨卫星S对飞行器T的总覆盖时间用tc表示,定义为飞行器两次到达最小仰角θc所经历的时间。第一次处于最小仰角θc即进入候选卫星视野,第二次处于最小仰角处为测控结束时刻。飞行器切换成功前的在候选卫星覆盖区域所经历的时间为已覆盖时间ts;飞行器完成切换过程至离开目标卫星覆盖区所经历的时间为剩余覆盖时间tr。对于总覆盖时间tc、已覆盖时间ts以及剩余覆盖时间tr有以下等式(式21):
tc=ts+tr (21)
飞行器T和星下点H的角速度夹角为j,目标卫星对飞行器的总覆盖时间即为飞行器沿星下点轨迹方向通过覆盖区的时间,计算表达式如式22所示:
在t=ts时刻,根据地球中心角对应弧距和仰角所构成的几何关系,飞行器与候选卫星星下点之间的弧距如式23所示:
根据t=ts时刻,弧距、辅助角和迹角构成的三角形,由余弦定理,飞行器与候选卫星星下点之间的弧距还可表示为式24:
综合以上公式可计算出某一候选测控卫星对飞行器的剩余覆盖时间tr。在多星覆盖的切换区域,对m个候选测控卫星依次构建三维运动模型,候选测控卫星的剩余覆盖时间表示为:T={t1,t2,…,tm}。
在一些实施例中,所述S104根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星,通过以下方法实施。
目标测控卫星的选择方法综合上述步骤求得的剩余覆盖时间t、空闲信道数n和信噪比分类等级s三个属性,将目标测控卫星选择选择问题转化为多属性联合决策问题。计算三个属性的主观权值以及客观权值,再由主观权值和客观权值的线性组合计算组合权值,最后根据TOPSIS法得出最优方案选择相应的目标测控卫星。其中,主观权值体现了卫星选择过程中的专家经验,客观权值反映了不同场景下各属性本身的特点。
将候选卫星表示为其属性所构成的集合S={(ti,ni,si)│i=1,2,…,m},其中m为当前候选测控卫星的个数。
由层分析法计算各属性的主观权值:对候选测控卫星的剩余覆盖时间、信噪比分类等级和空闲信道数三个属性赋主观权值。依照层分析法的层次结构模型,自上而下共分为目标层、准则层和方案层。其中,目标层是经决策得出的目标测控卫星;准则层是影响目标测控卫星选择的三个属性;方案层共有m个候选测控卫星。
不同切换场景下,卫星的信道状态和信号环境不一致,给定的主观权值无法适应不同的卫星切换场景。在层分析法中,飞行器每切换一次目标测控卫星,就根据当前环境变量下分别对准则层中三个属性对目标层的重要性做两两对比,如在高速飞行器测控过程中,认为测控质量更为重要,则信噪比等级属性相对于其他属性有更高的重要性比值;若在高速飞行器测控过程中,需要使得切换次数尽可能少,则剩余覆盖时间属性相对于其他属性拥有更高的重要性比值。用aij表示第i个属性和第j个属性重要性的比值(比值越大表示前一个属性相比后一个属性越重要,比值为1代表两个属性同等重要),其中i,j=1,2,3。根据定义,第j个属性与第i个属性重要性为aij的倒数aji=1/aij。如式25所示,三个属性的重要性两两对比结果构成一个3×3的判断矩阵A:
A的每一行是对一个属性的评价,如第二行是对第二个属性的评价。求判断矩阵A的特征根和特征向量,有下列式26:
Aw=λw (26)
其中,λ为特征根;w=[w1,w2,w3]T为与特征值对应特征向量,w的每个元素反映A中对应行的重要程度。当取得A的最大特征根λmax时,对应的归一化特征向量w为各属性的权值向量。此时,检验A偏离完全一致性的程度,例如:当矩阵A满足aii=1,aij=1/aji,aij=aik/akj,其中i,j,k=1,2,…,n,此时矩阵A具有完全一致性。
利用式27计算一致性指标CI,求判断矩阵A偏离完全一致性的程度,其中n=3。
引入随机一致性指标RI(当n=3时,查表得RI=0.58)。再计算一致性比率CR=CI/RI。若CR<0.1,则矩阵A的不一致程度在容许范围内,即通过一致性检验。若未通过一致性检验,则调整矩阵A中元素的重要性标度值,重复以上步骤。求得的主观权值记为特征向量w,记为ws={ws,j│j=1,2,3}。
客观权值由候选测控卫星的属性数值特征和数据分布情况计算所得。客观权值由候选测控卫星的切换属性的实际分布情况与均匀分布之间的相对熵确定,计算过程如下:
对候选测控卫星的三个切换属性做归一化处理,得到候选测控卫星切换属性的概率分布。三个切换属性的实际概率分布表达式如式28所示:
同时,给出候选测控卫星的切换属性是均匀分布,即当所有候选测控卫星的切换属性均相同。三个切换属性的均匀分布表达式如式29所示:
计算实际分布与均匀分布的KL散度(如式30所示)。当切换属性均匀分布时,该属性对于切换决策所提供的有效信息为零。KL散度越大,表示候选测控卫星的属性与均匀分布时的属性差异越大,对于切换决策能提供所提供的帮助更大,则该属性权值更高。
其中,i∈[1,2,…,m],j∈[1,2,3];pj(i)是第i个候选测控卫星的第j个属性的概率,pj Unif(i)是候选测控卫星的第j个属性的均匀分布概率。
进而,候选测控卫星第j个切换属性的客观权值如式31所示:
求得三个属性的客观权值记为wo={wo,j│j=1,2,3}。
由上述步骤获得主观权值ws和客观权值wo,目标测控卫星选择综合两种权值,给出二者的组合权值,如式32所示:
求得三个属性的线性组合权值为w={w1,w2,w3}。
为了选择最优候选测控卫星,构建关于候选测控卫星集的加权属性矩阵(如式33所示)。其中,对于矩阵L中的第i行[z1,i,z2,i,z3,i]表示候选测控卫星i的加权后的属性:
进一步,在加权属性的候选测控卫星矩阵中,采用TOPSIS法选择目标测控卫星。候选测控卫星的加权属性为极大型指标,候选测控卫星i的加权属性与各属性的理想最优值和理想最劣值的欧氏距离分别如式34所示:
计算候选测控卫星i与理想最劣属性值的归一化欧氏距离,m个候选测控卫星中,选择与最劣值属性欧氏距离最大的候选测控卫星接入(如式35所示),高速飞行器接入目标测控卫星为:
上述主观权值体现了测控卫星选择过程中的专家经验、客观权值反映了不同场景下各属性本身的特点,结合不同维度的判断依据确认目标测控卫星,可以进一步保证较高的测控卫星通信系统服务质量以及资源综合利用率,进一步保证测控卫星通信网络的整体性能,进一步保证了飞行器测控过程的连续性、稳定性以及较高的综合测控质量。
在一些实施例中,所述飞行器越区切换目标测控卫星的方法还包括:
S106,所述飞行器与所述目标测控卫星建立通信连接,并与原目标测控卫星断开通信连接。
S107,接收所述目标测控卫星释放的信道资源。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种飞行器越区切换目标测控卫星的装置。
参考图6,所述飞行器越区切换目标测控卫星的装置,包括:
分类模块10,被配置为利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星信道的信噪比等级进行分类,得到信噪比分类等级。
获取模块20,被配置为获取并得到每个所述候选测控卫星对应的空闲信道数。
预测模块30,被配置为对所述飞行器的飞行轨迹进行预测,得到预测轨迹,根据所述预测轨迹计算并得到每个所述候选测控卫星的剩余覆盖时间。
确定模块40,被配置为根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星。
通过上述装置,利用信噪比分类等级确认目标测控卫星,可以保证接入的目标测控卫星的信噪比较高,保证了卫星通信系统的服务质量以及卫星通信网络的整体性能,也保证了飞行器有较高的综合测控质量;通过空闲信道数确认目标测控卫星保证了接入的目标测控卫星有尽可能多的空闲信道,保证了卫星通信系统有较高的资源综合利用率;通过对飞行轨迹进行预测并计算测控卫星的剩余覆盖时间确认目标测控卫星,使飞行器接入的目标测控卫星有尽可能大的剩余覆盖时间,使测控卫星切换频率尽可能小,保证了飞行器测控过程的连续性、稳定性;通过信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间这三个属性来确定目标测控卫星,反映了不同场景下各属性本身的特点,结合不同维度的判断依据确认目标测控卫星,可以保证目标测控卫星的综合素质,解决了飞行器需要频繁切换测控卫星的问题。
另一种具体的实施例中,如图7所示,所述飞行器的目标卫星确定装置包括切换因素计算模块以及目标测控卫星选择模块,其中,所述切换因素计算模块包括高速飞行器历史信息数据库,所述切换因素计算模块被配置为预测候选测控卫星覆盖区域的信噪比等级,挖掘高速飞行器未来时段运动轨迹,计算候选测控卫星的剩余覆盖时间,以及解析获取候选测控卫星空闲信道数;所述目标卫星选择模块被配置为基于最大离差计算主客观组合权值,并选择最优加权属性候选测控卫星作为目标测控卫星。
在一些实施例中,所述分类模块包括:
模型构建单元,被配置为构建等级划分模型以及初始深度学习模型。
第一获取单元,被配置为获取历史信噪比观测数据以及历史环境数据。
等级划分单元,被配置为将所述历史信噪比观测数据输入至所述等级划分模型,输出历史信噪比等级数据,所述历史信噪比观测数据、所述历史环境数据以及所述历史信噪比等级数据共同构成历史飞行数据集。
训练单元,被配置为基于所述历史飞行数据集对所述初始深度学习模型进行训练,得到训练完成后的所述深度学习模型。
分类单元,被配置为基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级。
一些实施例中,所述等级划分模型中包括信噪比等级划分公式,所述信噪比等级划分公式包括:
其中,S为历史信噪比观测数据集,max(S)为所述历史信噪比观测数据集中的最大历史信噪比观测数据,min(S)为所述历史信噪比观测数据集中的最小历史信噪比观测数据,CN为预设的信噪比等级数,cj为第j个信噪比等级,j=0,1,…,CN-1,si为所述历史信噪比观测数据集S中的第i个历史信噪比观测数据。
一些实施例中,所述深度学习模型包括输出激活函数以及信噪比等级选择函数,所述分类单元包括:
激活函数子单元,被配置为将所述实时环境数据输入至所述输出激活函数,输出所述候选测控卫星的信噪比被分为各信噪比等级的概率向量。
选择函数子单元,被配置为将所述概率向量输入至所述信噪比等级选择函数,输出所述候选测控卫星的所述信噪比分类等级。
所述输出激活函数包括:
其中,Xj为所述实时环境数据,所述实时环境数据包括所述飞行器对所述候选测控卫星的仰角、季节、时间、所述飞行器的坐标和太阳活动状况5个维度的输入向量,为输入的所述实时环境数据Xj所对应的所述候选测控卫星的信噪比被分为各信噪比等级的概率向量,CN为信噪比等级数,g(·)为激活函数,N为所述深度学习模型中隐藏层神经元的个数,βi为权重参数,Wi=[w(i-1),w(i-2),…,w(i-5)]为第i个神经元与所述5个维度输入向量之间的连接权值,bi=[b1,b2,…,bN]为所述深度学习模型中隐藏层神经元的偏置;
所述信噪比等级选择函数包括:
一些实施例中,所述深度学习模型还包括交叉熵损失函数,所述交叉熵损失函数被配置为优化所述权重参数βi,响应于所述交叉熵损失函数取得最小值,所述权重参数βi达到最优值。
一些实施例中,所述飞行器由一段轨迹向另一段轨迹运动的趋势为所述飞行器的运动规则,所述飞行器在每个运动规则中由前项轨迹向后项轨迹运动,所述预测模块包括:
第二获取单元,被配置为获取所述飞行器的多个历史轨迹点,并计算每个所述历史轨迹点的支持度;
第一标记单元,被配置为将所述支持度高于第一阈值的所述历史轨迹点标记为频繁轨迹点,所述第一阈值为预先设定的;
生成单元,被配置为利用所述频繁轨迹点生成多个频繁轨迹;
轨迹分割单元,被配置为对每个所述频繁轨迹进行m-1次分割,每次分割得到一对两个子轨迹,其中,第i次分割的位置位于构成所述频繁轨迹的第i个所述频繁轨迹点后,m为构成所述频繁轨迹的所述频繁轨迹点的个数,每次分割得到所述一对两个子轨迹构成完整的所述频繁轨迹;
第二标记单元,被配置为计算所述每一对两个子轨迹对应的运动规则的置信度,将所述置信度高于所述第一阈值的的运动规则标记为待匹配运动规则;
匹配单元,被配置为获取所述飞行器的实时飞行轨迹,将每个所述待匹配运动规则的前项轨迹与所述实时飞行轨迹与多个设置条件进行匹配,将满足所述多个设置条件中的至少一个的所述待匹配运动规则标记为候选运动规则;
选择单元,被配置为利用第一算法在多个所述候选运动规则中选择一个预测运动规则,将所述预测运动规则的后项轨迹标记为所述预测轨迹。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的飞行器越区切换目标测控卫星的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的飞行器越区切换目标测控卫星的方法。
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器801、存储器802、输入/输出接口803、通信接口804和总805。其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
处理器801可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器802可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器802可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器802中,并由处理器801来调用执行。
输入/输出接口803用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口804用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线805包括一通路,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器801、存储802、输入/输出接口803、通信接口804以及总线805,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的飞行器越区切换目标测控卫星的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的飞行器越区切换目标测控卫星的方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的飞行器越区切换目标测控卫星的方法,并且具有相应的方法实现。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种飞行器越区切换目标测控卫星的方法,其特征在于,包括:
利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星的信噪比等级进行分类,得到信噪比分类等级;
获取并得到每个所述候选测控卫星对应的空闲信道数;
对所述飞行器的飞行轨迹进行预测,得到预测轨迹,根据所述预测轨迹计算并得到每个所述候选测控卫星的剩余覆盖时间;
根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星;计算所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间的主观权值以及客观权值,再由所述主观权值和所述客观权值的线性组合计算组合权值,基于所述组合权值,根据TOPSIS法得出最优方案选择相应的目标测控卫星;
其中,所述利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星的信噪比等级进行分类,得到信噪比分类等级,包括:
构建等级划分模型以及初始深度学习模型;
获取历史信噪比观测数据以及历史环境数据;
将所述历史信噪比观测数据输入至所述等级划分模型,输出历史信噪比等级数据,所述历史信噪比观测数据、所述历史环境数据以及所述历史信噪比等级数据共同构成历史飞行数据集;
基于所述历史飞行数据集对所述初始深度学习模型进行训练,得到训练完成后的所述深度学习模型;
基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级;
所述等级划分模型中包括信噪比等级划分公式,所述信噪比等级划分公式包括:
其中,S为历史信噪比观测数据集,max(S)为所述历史信噪比观测数据集中的最大历史信噪比观测数据,min(S)为所述历史信噪比观测数据集中的最小历史信噪比观测数据,CN为预设的信噪比等级数,cj为第j个信噪比等级,j=0,1,…,CN-1,si为所述历史信噪比观测数据集S中的第i个历史信噪比观测数据;
所述深度学习模型包括输出激活函数以及信噪比等级选择函数,所述基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级,包括:
将所述实时环境数据输入至所述输出激活函数,输出所述候选测控卫星的信噪比被分为各信噪比等级的概率向量;
将所述概率向量输入至所述信噪比等级选择函数,输出所述候选测控卫星的所述信噪比分类等级;
所述输出激活函数包括:
其中,Xj为所述实时环境数据,所述实时环境数据包括所述飞行器对所述候选测控卫星的仰角、季节、时间、所述飞行器的坐标和太阳活动状况5个维度的输入向量,为输入的所述实时环境数据Xj所对应的所述候选测控卫星的信噪比被分为各信噪比等级的概率向量,CN为信噪比等级数,g(·)为激活函数,N为所述深度学习模型中隐藏层神经元的个数,βi为权重参数,Wi=[w(i-1),w(i-2),…,w(i-5)]为第i个神经元与所述5个维度的输入向量之间的连接权值,bi=[b1,b2,…,bN]为所述深度学习模型中隐藏层神经元的偏置;
所述信噪比等级选择函数包括:
所述深度学习模型还包括交叉熵损失函数,所述交叉熵损失函数被配置为优化所述权重参数βi,响应于所述交叉熵损失函数取得最小值,所述权重参数βi达到最优值;
所述交叉熵损失函数包括:
2.根据权利要求1所述的飞行器越区切换目标测控卫星的方法,其特征在于,所述飞行器由一段轨迹向另一段轨迹运动的趋势为所述飞行器的运动规则,所述飞行器在每个运动规则中由前项轨迹向后项轨迹运动,所述对所述飞行器的飞行轨迹进行预测,得到预测轨迹,包括:
获取所述飞行器的多个历史轨迹点,并计算每个所述历史轨迹点的支持度;
将所述支持度高于第一阈值的所述历史轨迹点标记为频繁轨迹点,所述第一阈值为预先设定的;
利用所述频繁轨迹点生成多个频繁轨迹;
对每个所述频繁轨迹进行m-1次分割,每次分割得到一对两个子轨迹,其中,第a次分割的位置位于构成所述频繁轨迹的第a个所述频繁轨迹点后,m为构成所述频繁轨迹的所述频繁轨迹点的个数,每次分割得到所述一对两个子轨迹构成完整的所述频繁轨迹;
计算所述每一对两个子轨迹对应的运动规则的置信度,将所述置信度高于所述第一阈值的的运动规则标记为待匹配运动规则;
获取所述飞行器的实时飞行轨迹,将每个所述待匹配运动规则的前项轨迹与所述实时飞行轨迹与多个设置条件进行匹配,将满足所述多个设置条件中的至少一个的所述待匹配运动规则标记为候选运动规则;
利用第一算法在多个所述候选运动规则中选择一个预测运动规则,将所述预测运动规则的后项轨迹标记为所述预测轨迹;
所述第一算法包括:
3.根据权利要求2所述的飞行器越区切换目标测控卫星的方法,其特征在于,所述多个设置条件包括:第一条件、第二条件和第三条件;
所述第一条件包括:所述待匹配运动规则的前项轨迹与所述实时飞行轨迹完全相同;
所述第二条件包括:所述待匹配运动规则的前项轨迹与所述实时飞行轨迹的部分轨迹完全相同,且所述待匹配运动规则的前项轨迹与所述实时飞行轨迹的最后一个轨迹点相同;
所述第三条件包括:所述实时飞行轨迹与所述待匹配运动规则的前项轨迹的部分轨迹完全相同,且所述待匹配运动规则的前项轨迹与所述实时飞行轨迹的最后一个轨迹点相同。
4.一种飞行器越区切换目标测控卫星的装置,其特征在于,包括:
分类模块,被配置为利用深度学习模型基于飞行器的实时环境数据对多个候选测控卫星信道的信噪比等级进行分类,得到信噪比分类等级;
所述分类模块包括:
模型构建单元,被配置为构建等级划分模型以及初始深度学习模型;
第一获取单元,被配置为获取历史信噪比观测数据以及历史环境数据;
等级划分单元,被配置为将所述历史信噪比观测数据输入至所述等级划分模型,输出历史信噪比等级数据,所述历史信噪比观测数据、所述历史环境数据以及所述历史信噪比等级数据共同构成历史飞行数据集;
训练单元,被配置为基于所述历史飞行数据集对所述初始深度学习模型进行训练,得到训练完成后的所述深度学习模型;
分类单元,被配置为基于所述飞行器的所述实时环境数据,利用所述深度学习模型对多个所述候选测控卫星的信噪比等级进行分类,得到所述信噪比分类等级;
所述等级划分模型中包括信噪比等级划分公式,所述信噪比等级划分公式包括:
其中,S为历史信噪比观测数据集,max(S)为所述历史信噪比观测数据集中的最大历史信噪比观测数据,min(S)为所述历史信噪比观测数据集中的最小历史信噪比观测数据,CN为预设的信噪比等级数,cj为第j个信噪比等级,j=0,1,…,CN-1,si为所述历史信噪比观测数据集S中的第i个历史信噪比观测数据;
所述深度学习模型包括输出激活函数以及信噪比等级选择函数,所述分类单元包括:
激活函数子单元,被配置为将所述实时环境数据输入至所述输出激活函数,输出所述候选测控卫星的信噪比被分为各信噪比等级的概率向量;
选择函数子单元,被配置为将所述概率向量输入至所述信噪比等级选择函数,输出所述候选测控卫星的所述信噪比分类等级;
所述输出激活函数包括:
其中,Xj为所述实时环境数据,所述实时环境数据包括所述飞行器对所述候选测控卫星的仰角、季节、时间、所述飞行器的坐标和太阳活动状况5个维度的输入向量,为输入的所述实时环境数据Xj所对应的所述候选测控卫星的信噪比被分为各信噪比等级的概率向量,CN为信噪比等级数,g(·)为激活函数,N为所述深度学习模型中隐藏层神经元的个数,βi为权重参数,Wi=[w(i-1),w(i-2),…,w(i-5)]为第i个神经元与所述5个维度的输入向量之间的连接权值,bi=[b1,b2,…,bN]为所述深度学习模型中隐藏层神经元的偏置;
所述信噪比等级选择函数包括:
所述深度学习模型还包括交叉熵损失函数,所述交叉熵损失函数被配置为优化所述权重参数βi,响应于所述交叉熵损失函数取得最小值,所述权重参数βi达到最优值;
获取模块,被配置为获取并得到每个所述候选测控卫星对应的空闲信道数;
预测模块,被配置为对所述飞行器的飞行轨迹进行预测,得到预测轨迹,根据所述预测轨迹计算并得到每个所述候选测控卫星的剩余覆盖时间;
确定模块,被配置为根据多个所述候选测控卫星的所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间确定目标测控卫星;计算所述信噪比分类等级、所述空闲信道数以及所述剩余覆盖时间的主观权值以及客观权值,再由所述主观权值和所述客观权值的线性组合计算组合权值,基于所述组合权值,根据TOPSIS法得出最优方案选择相应的目标测控卫星。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任意一项所述的方法。
6.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至3任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401110.3A CN114900224B (zh) | 2022-04-15 | 2022-04-15 | 一种飞行器越区切换目标测控卫星的方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401110.3A CN114900224B (zh) | 2022-04-15 | 2022-04-15 | 一种飞行器越区切换目标测控卫星的方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114900224A CN114900224A (zh) | 2022-08-12 |
CN114900224B true CN114900224B (zh) | 2023-06-09 |
Family
ID=82717970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210401110.3A Active CN114900224B (zh) | 2022-04-15 | 2022-04-15 | 一种飞行器越区切换目标测控卫星的方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114900224B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806337A (zh) * | 2022-09-23 | 2024-04-02 | 中移(成都)信息通信科技有限公司 | 一种航线生成方法、装置及存储介质 |
CN116017584B (zh) * | 2022-12-02 | 2023-09-22 | 中山大学 | 一种低轨卫星星间切换高效下行链路波束成形方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040510A (zh) * | 2020-09-04 | 2020-12-04 | 中国电子科技集团公司第二十研究所 | 基于QoS约束和负载均衡的卫星网络接入选择方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002176385A (ja) * | 2000-12-07 | 2002-06-21 | Communication Research Laboratory | 無線資源管理方法 |
CN202918292U (zh) * | 2012-10-09 | 2013-05-01 | 大连大学 | 一种用于低轨卫星通信网络的卫星选择接入装置 |
CN103795455B (zh) * | 2014-01-14 | 2020-05-05 | 北京邮电大学 | 一种适用于卫星数据采集系统的用户综合加权接入方法 |
CN108076502B (zh) * | 2016-11-07 | 2020-06-30 | 中兴通讯股份有限公司 | 卫星通讯网络的接入方法及装置 |
US11146327B2 (en) * | 2017-12-29 | 2021-10-12 | Hughes Network Systems, Llc | Machine learning models for adjusting communication parameters |
US10594027B1 (en) * | 2018-08-31 | 2020-03-17 | Hughes Networks Systems, Llc | Machine learning models for detecting the causes of conditions of a satellite communication system |
US10740656B2 (en) * | 2018-09-19 | 2020-08-11 | Hughes Network Systems, Llc | Machine learning clustering models for determining the condition of a communication system |
US20220141885A1 (en) * | 2019-02-14 | 2022-05-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Random Access Procedure |
FR3103339B1 (fr) * | 2019-11-14 | 2022-12-30 | Thales Sa | Procede et systeme de localisation et communication satellitaire d'un terminal radioelectrique fixe au sol utilisant au moins un satellite defilant |
CN112910537B (zh) * | 2020-11-13 | 2022-09-27 | 中国空间技术研究院 | 一种确定卫星通信自适应编码调制方式的方法及装置 |
CN114245288A (zh) * | 2021-10-29 | 2022-03-25 | 重庆惠科金渝光电科技有限公司 | 一种服务设备的任务调度方法、服务设备及存储介质 |
-
2022
- 2022-04-15 CN CN202210401110.3A patent/CN114900224B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040510A (zh) * | 2020-09-04 | 2020-12-04 | 中国电子科技集团公司第二十研究所 | 基于QoS约束和负载均衡的卫星网络接入选择方法 |
Non-Patent Citations (1)
Title |
---|
陈炳才 ; 张乃通 ; 周廷显.LEO卫星网络中多媒体业务的切换策略.《南京理工大学学报(自然科学版)》.2006,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114900224A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114900224B (zh) | 一种飞行器越区切换目标测控卫星的方法及相关设备 | |
Ibrahim et al. | CNN based indoor localization using RSS time-series | |
US10374902B2 (en) | Method for clustering wireless channel MPCs based on a KPD doctrine | |
CN113329437B (zh) | 无线网络信号传播路径损耗预测方法及电子设备 | |
TWI581207B (zh) | 共乘路徑的計算方法及使用此方法的計算裝置與記錄媒體 | |
CN106912105A (zh) | 基于pso_bp神经网络的三维定位方法 | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
CN108549062B (zh) | 一种用于海面搜索雷达的系统平台及多模型目标跟踪方法 | |
CN110991284A (zh) | 一种基于场景预分类的光学遥感图像语句描述生成方法 | |
CN111122989A (zh) | K聚类智能择取的微波信号多径干扰抑制方法 | |
CN111967692A (zh) | 一种基于搜寻理论的搜救资源方案生成方法及相关设备 | |
Cha et al. | A hierarchical auxiliary deep neural network architecture for large-scale indoor localization based on Wi-Fi fingerprinting | |
Tang et al. | Multi-output Gaussian process-based data augmentation for multi-building and multi-floor indoor localization | |
Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
Liu et al. | A vehicular GPS error prediction model based on data smoothing preprocessed LSTM | |
Mukhtar et al. | Machine learning-enabled localization in 5g using lidar and rss data | |
Taghizadeh et al. | An integrated INS/GNSS system with an attention-based hierarchical LSTM during GNSS outage | |
Parralejo et al. | Comparative study of different BLE fingerprint reconstruction techniques | |
CN113543017B (zh) | 毫米波车联网的波束切换方法及相关设备 | |
CN116704171A (zh) | 基于多尺度局部描述符聚合网络的跨视角跨模态地理定位方法 | |
WO2022073398A1 (en) | Location prediction using hierarchical classification | |
CN114048681A (zh) | 基于自选择神经网络的doa估计方法、系统、存储介质、设备 | |
CN113970774A (zh) | 一种导航系统的模糊度固定方法和装置 | |
Li et al. | Exploiting Unlabeled RSSI Fingerprints in Multi-Building and Multi-Floor Indoor Localization through Deep Semi-Supervised Learning Based on Mean Teacher | |
Heydari et al. | Real-time TDOA-based stationary sound source direction finding |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220817 Address after: 610000 48 Jinniu District Chadian East Street, Jinniu District, Chengdu, Sichuan Applicant after: THE 10TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. Applicant after: Beijing University of Posts and Telecommunications Address before: 610000 48 Jinniu District Chadian East Street, Jinniu District, Chengdu, Sichuan Applicant before: THE 10TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |