CN114916051A - 一种基于bp神经网络的leo卫星功率控制方法 - Google Patents
一种基于bp神经网络的leo卫星功率控制方法 Download PDFInfo
- Publication number
- CN114916051A CN114916051A CN202210569318.6A CN202210569318A CN114916051A CN 114916051 A CN114916051 A CN 114916051A CN 202210569318 A CN202210569318 A CN 202210569318A CN 114916051 A CN114916051 A CN 114916051A
- Authority
- CN
- China
- Prior art keywords
- neural network
- power control
- leo satellite
- population
- method based
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本发明涉及LEO卫星应用技术领域,具体涉及一种基于BP神经网络的LEO卫星功率控制方法,通过构建一个兼顾系统容量和用户能效的联合优化模型,在保证用户速率情况下,抑制用户间功率竞争,同时通过BP神经网络对优化目标非线性映射,简化双目标优化的求解过程,再利用NSGA2算法改进BP神经网络,加强BP神经网络全局搜索能力,解决用户提高速率时引发的功率竞争问题。
Description
技术领域
本发明涉及LEO卫星应用技术领域,具体涉及一种基于BP神经网络的LEO卫星功率控制方法。
背景技术
卫星通信系统因其通信业务覆盖面广、传输可靠性高、不受地面环境影响等特点被广泛应用。其中,LEO卫星系统的轨道高度低以及路径损耗小,可实现手持终端个人通信。然而终端电池容量有限,能效是用户终端的重要指标,因此合理地利用功率能量成为了功率控制的关键性问题。
由于星地距离远,卫星通信对上行用户终端能量要求很高。为了延长电池寿命和待机时间,要优化功率控制策略,达到提高链路能效的目的。多波束卫星天线集中放置,天线接收区域重叠覆盖导致跨波束小区同频干扰也导致波束间存在严重的同频干扰。用户提高发射功率可提高吞吐量,但提高功率会对其他用户造成强同频干扰,其他用户为了克服该干扰也会提高功率,用户间互相攀升功率,不仅限制容量,还降低能效。
发明内容
本发明的目的在于提供一种基于BP神经网络的LEO卫星功率控制方法,在保证用户速率情况下,抑制用户间功率竞争,从而提高能效。
为实现上述目的,本发明提供了一种基于多节点监管体系的区块链输入数据异常检测方法,包括下列步骤:
建立多波束LEO卫星上行链路系统模型,定义联合优化模型;
选用BP神经网络对所述联合优化模型进行非线性映射,再通过NSGA2算法对所述BP神经网络进行优化;
使用优化后的BP神经网络求解,获得功率控制的最优解。
可选的,在建立多波束LEO卫星上行链路系统模型,定义联合优化模型的过程中,利用距离信息计算接收增益,利用用户发射功率计算用户链路的信干比,所述联合优化模型兼顾系统容量和用户终端能效。
可选的,所述BP神经网络为三层神经网络,所述BP神经网络的输入和输出关系使用高度非线性映射来表示。
可选的,NSGA2算法对所述BP神经网络进行优化,包括下列步骤:
将所述BP神经网络的权值和阈值按输入层与隐含层权的权值和阈值、隐含层与输出层的权值与阈值顺序级联起来,编码生成k个染色体(Wis,bs,Wst,bt),形成初始化种群P;
将BP神经网络的评价函数作为染色体的适应度函数,计算每一个染色体的适应度;
使用种群P作为父代种群,经过交叉、变异后产生子代种群Q,并将两个种群联合在一起形成大小为2n的种群R;
对种群进行非劣分类操作,计算每个染色体的拥挤度;
选择拥挤度大的个体遗传到下一代种群P*,再利用BP神经网络对种群P*的染色体进行训练;
重复迭代计算获得适应度最大的染色体。
可选的,使用优化后的BP神经网络求解,获得功率控制的最优解,包括下列步骤:
选择适应度大的染色体解码为权值和阈值并赋予优化后的BP神经网络;
BP神经网络根据获得的权值和阈值定位到一个解空间,并在所述解空间寻找最优解。
本发明提供了一种基于BP神经网络的LEO卫星功率控制方法,通过构建一个兼顾系统容量和用户能效的联合优化模型,在保证用户速率情况下,抑制用户间功率竞争,同时通过BP神经网络对优化目标非线性映射,简化双目标优化的求解过程,再利用NSGA2算法改进BP神经网络,加强BP神经网络全局搜索能力,解决用户提高速率时引发的功率竞争问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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是本发明的一种基于BP神经网络的LEO卫星功率控制方法的流程示意图。
图2是本发明的多波束LEO卫星系统模型示意图。
图3是本发明的BP神经网络架构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提出了一种基于BP神经网络的LEO卫星功率控制方法,包括下列步骤:
S1:建立多波束LEO卫星上行链路系统模型,定义联合优化模型;
S2:选用BP神经网络对所述联合优化模型进行非线性映射,再通过NSGA2算法对所述BP神经网络进行优化;
S3:使用优化后的BP神经网络求解,获得功率控制的最优解。
以下结合具体执行步骤和实施例作进一步说明:
步骤S1中:建立多波束LEO卫星上行链路系统模型,定义兼顾系统容量和用户终端能效的联合优化模型,还包括如下具体步骤:
1)建立一个多波束LEO卫星上行链路系统模型,请参阅图2,pi为当前用户终端的发射功率,pj为干扰用户终端的发射功率;
2)利用用户位置计算接收增益和信干比;
3)定义容量和能效联合优化模型;
步骤S2:确定BP神经网络的拓扑结构和NSGA2算法各参数,利用神经网络对优化目标进行非线性映射,再通过NSGA2算法对神经网络进行优化,具体步骤如下;
1)构建一个3层BP神经网络,如图3所示;
2)利用神经网络对优化模型进行非线性映射;
3)初始化LEO系统相关参数、神经网络和NSGA2算法各参数;
4)将BP神经网络的权值和阈值按输入层与隐含层权的权值和阈值、隐含层与输出层的权值与阈值顺序级联起来,编码生成染色体,形成初始化种群P;
5)将BP神经网络的评价函数和染色体的适应度函数相联系,计算每一个染色体的适应度;
6)将父代种群P交叉、变异后生成子代种群Q,并将两个种群联合在一起形成大小为2n的种群R;
7)对种群R进行非劣分类操作,计算每个染色体的拥挤度;
8)选择拥挤度大的个体遗传到下一代种群P*,利用神经网络对种群P*的染色体进行训练;
9)不断重复这个过程,直到遗传代数达到最大。
具体的控制流程可以参阅下表:
步骤S3:利用NSGA2算法优化后的BP神经网络求解,以寻找功率控制的最优解。具体步骤如下:
1)选择适应度大的染色体解码为权值和阈值,并将它们赋予BP神经网络;
2)BP神经网络根据权值和阈值可定位到一个解空间,最后在该空间寻找最优解。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (5)
1.一种基于BP神经网络的LEO卫星功率控制方法,其特征在于,包括下列步骤:
建立多波束LEO卫星上行链路系统模型,定义联合优化模型;
选用BP神经网络对所述联合优化模型进行非线性映射,再通过NSGA2算法对所述BP神经网络进行优化;
使用优化后的BP神经网络求解,获得功率控制的最优解。
2.如权利要求1所述的基于BP神经网络的LEO卫星功率控制方法,其特征在于,
在建立多波束LEO卫星上行链路系统模型,定义联合优化模型的过程中,利用距离信息计算接收增益,利用用户发射功率计算用户链路的信干比,所述联合优化模型兼顾系统容量和用户终端能效。
3.如权利要求1所述的基于BP神经网络的LEO卫星功率控制方法,其特征在于,
所述BP神经网络为三层神经网络,所述BP神经网络的输入和输出关系使用高度非线性映射来表示。
4.如权利要求1所述的基于BP神经网络的LEO卫星功率控制方法,其特征在于,
NSGA2算法对所述BP神经网络进行优化,包括下列步骤:
将所述BP神经网络的权值和阈值按输入层与隐含层权的权值和阈值、隐含层与输出层的权值与阈值顺序级联起来,编码生成k个染色体(Wis,bs,Wst,bt),形成初始化种群P;
将BP神经网络的评价函数作为染色体的适应度函数,计算每一个染色体的适应度;
使用种群P作为父代种群,经过交叉、变异后产生子代种群Q,并将两个种群联合在一起形成大小为2n的种群R;
对种群进行非劣分类操作,计算每个染色体的拥挤度;
选择拥挤度大的个体遗传到下一代种群P*,再利用BP神经网络对种群P*的染色体进行训练;
重复迭代计算获得适应度最大的染色体。
5.如权利要求1所述的基于BP神经网络的LEO卫星功率控制方法,其特征在于,
使用优化后的BP神经网络求解,获得功率控制的最优解,包括下列步骤:
选择适应度大的染色体解码为权值和阈值并赋予优化后的BP神经网络;
BP神经网络根据获得的权值和阈值定位到一个解空间,并在所述解空间寻找最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210569318.6A CN114916051A (zh) | 2022-05-24 | 2022-05-24 | 一种基于bp神经网络的leo卫星功率控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210569318.6A CN114916051A (zh) | 2022-05-24 | 2022-05-24 | 一种基于bp神经网络的leo卫星功率控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114916051A true CN114916051A (zh) | 2022-08-16 |
Family
ID=82768320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210569318.6A Pending CN114916051A (zh) | 2022-05-24 | 2022-05-24 | 一种基于bp神经网络的leo卫星功率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114916051A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI841012B (zh) | 2022-08-31 | 2024-05-01 | 新加坡商聯發科技(新加坡)私人有限公司 | 用於處理非陸地網路上干擾的方法及其通訊裝置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014016638A1 (en) * | 2012-07-24 | 2014-01-30 | Agence Spatiale Européenne | Uplink power control method and apparatus for satellite communications networks |
CN103593703A (zh) * | 2013-11-26 | 2014-02-19 | 上海电机学院 | 基于遗传算法的神经网络优化系统及方法 |
US20150289210A1 (en) * | 2012-10-09 | 2015-10-08 | Zte Corporation | Uplink Power Control Method and Device Based on Genetic Algorithm in Communication Network |
US20150301192A1 (en) * | 2010-12-10 | 2015-10-22 | Maxime Leclercq | Method and System for Power Optimization for a Global Navigation Satellite System |
CN106503802A (zh) * | 2016-10-20 | 2017-03-15 | 上海电机学院 | 一种利用遗传算法优化bp神经网络系统的方法 |
CN109639377A (zh) * | 2018-12-13 | 2019-04-16 | 西安电子科技大学 | 基于深度强化学习的频谱资源管理方法 |
CN111200459A (zh) * | 2020-01-09 | 2020-05-26 | 南京凯瑞得信息科技有限公司 | 一种上行多波束卫星的信道分配和功率控制方法 |
CN112583453A (zh) * | 2020-12-15 | 2021-03-30 | 天地信息网络研究院(安徽)有限公司 | 多波束leo卫星通信系统下行noma功率分配方法 |
CN112929104A (zh) * | 2021-01-02 | 2021-06-08 | 军事科学院系统工程研究院网络信息研究所 | 高低轨同频共存卫星通信系统的共线干扰估计方法 |
CN113014306A (zh) * | 2021-02-23 | 2021-06-22 | 哈尔滨工业大学 | 基于干扰控制的ngeo和geo卫星频谱共享方法 |
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 |
US20210389474A1 (en) * | 2016-11-10 | 2021-12-16 | Cable Television Laboratories, Inc. | Systems and methods for interference detection in shared spectrum channels |
CN113836797A (zh) * | 2021-09-01 | 2021-12-24 | 西安石油大学 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
CN113922865A (zh) * | 2021-10-12 | 2022-01-11 | 重庆邮电大学 | 一种多波束低轨卫星在高纬度场景下的能量优化方法 |
CN114362810A (zh) * | 2022-01-11 | 2022-04-15 | 重庆邮电大学 | 一种基于迁移深度强化学习的低轨卫星跳波束优化方法 |
CN114389678A (zh) * | 2022-01-12 | 2022-04-22 | 北京邮电大学 | 一种基于决策性能评估的多波束卫星资源分配方法 |
-
2022
- 2022-05-24 CN CN202210569318.6A patent/CN114916051A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150301192A1 (en) * | 2010-12-10 | 2015-10-22 | Maxime Leclercq | Method and System for Power Optimization for a Global Navigation Satellite System |
WO2014016638A1 (en) * | 2012-07-24 | 2014-01-30 | Agence Spatiale Européenne | Uplink power control method and apparatus for satellite communications networks |
US20150289210A1 (en) * | 2012-10-09 | 2015-10-08 | Zte Corporation | Uplink Power Control Method and Device Based on Genetic Algorithm in Communication Network |
CN103593703A (zh) * | 2013-11-26 | 2014-02-19 | 上海电机学院 | 基于遗传算法的神经网络优化系统及方法 |
CN106503802A (zh) * | 2016-10-20 | 2017-03-15 | 上海电机学院 | 一种利用遗传算法优化bp神经网络系统的方法 |
US20210389474A1 (en) * | 2016-11-10 | 2021-12-16 | Cable Television Laboratories, Inc. | Systems and methods for interference detection in shared spectrum channels |
CN109639377A (zh) * | 2018-12-13 | 2019-04-16 | 西安电子科技大学 | 基于深度强化学习的频谱资源管理方法 |
CN111200459A (zh) * | 2020-01-09 | 2020-05-26 | 南京凯瑞得信息科技有限公司 | 一种上行多波束卫星的信道分配和功率控制方法 |
CN112583453A (zh) * | 2020-12-15 | 2021-03-30 | 天地信息网络研究院(安徽)有限公司 | 多波束leo卫星通信系统下行noma功率分配方法 |
CN112929104A (zh) * | 2021-01-02 | 2021-06-08 | 军事科学院系统工程研究院网络信息研究所 | 高低轨同频共存卫星通信系统的共线干扰估计方法 |
CN113014306A (zh) * | 2021-02-23 | 2021-06-22 | 哈尔滨工业大学 | 基于干扰控制的ngeo和geo卫星频谱共享方法 |
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 |
CN113836797A (zh) * | 2021-09-01 | 2021-12-24 | 西安石油大学 | 基于ga-bp神经网络的湿气管道持液率预测方法 |
CN113922865A (zh) * | 2021-10-12 | 2022-01-11 | 重庆邮电大学 | 一种多波束低轨卫星在高纬度场景下的能量优化方法 |
CN114362810A (zh) * | 2022-01-11 | 2022-04-15 | 重庆邮电大学 | 一种基于迁移深度强化学习的低轨卫星跳波束优化方法 |
CN114389678A (zh) * | 2022-01-12 | 2022-04-22 | 北京邮电大学 | 一种基于决策性能评估的多波束卫星资源分配方法 |
Non-Patent Citations (4)
Title |
---|
孙丽;: "基于遗传算法BP神经网络的多目标优化方法", 激光杂志, no. 08 * |
张沛;刘帅军;马治国;王晓晖;宋俊德;: "基于深度增强学习和多目标优化改进的卫星资源分配算法", 通信学报, no. 06 * |
韩冲;陈庆;: "基于神经网络和遗传算法的卫星结构参数优化", 装备制造技术, no. 08 * |
黎敏;: "多波束切换技术在船载卫星通信系统中的应用", 舰船科学技术, no. 14 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI841012B (zh) | 2022-08-31 | 2024-05-01 | 新加坡商聯發科技(新加坡)私人有限公司 | 用於處理非陸地網路上干擾的方法及其通訊裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109617584B (zh) | 一种基于深度学习的mimo系统波束成形矩阵设计方法 | |
CN110380762B (zh) | 一种计算与通信融合的大规模接入方法 | |
Cai et al. | Joint optimal multi-connectivity enabled user association and power allocation in mmWave networks | |
CN114880046B (zh) | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 | |
CN108449122B (zh) | 一种最小化基站发射功率的mmWave多小区干扰抑制方法 | |
Zhang et al. | Joint optimization of caching placement and power allocation in virtualized satellite-terrestrial network | |
CN104485988A (zh) | 一种基于能量有效的分布式星群节点选择方法 | |
Dong et al. | Joint beamformer design and user scheduling for integrated terrestrial-satellite networks | |
Nguyen et al. | Real-time optimized clustering and caching for 6G satellite-UAV-terrestrial networks | |
Bachtobji et al. | Modelling and performance analysis of mmWaves and radio‐frequency based 3D heterogeneous networks | |
CN114916051A (zh) | 一种基于bp神经网络的leo卫星功率控制方法 | |
Ha et al. | Intelligent reflecting surface assisted RF energy harvesting mobile edge computing NOMA networks: Performance analysis and optimization | |
Mahajan et al. | EFTA: An Energy-efficient, Fault-Tolerant, and Area-optimized UAV Placement Scheme for Search Operations | |
CN114037363B (zh) | 一种基于协同智能优化算法的多平台任务分配方法 | |
Zhou et al. | Neural network joint capacity-power control strategy based on NSGAII-BP for interference suppression in LEO satellite uplinks | |
Ni et al. | Performance analysis for large intelligent surface assisted vehicular networks | |
CN115412936A (zh) | 一种基于多智能体dqn的irs辅助d2d系统资源分配方法 | |
CN115696437A (zh) | 基于irs的无线能量传输网络的用户总速率最大化方法 | |
Yuan et al. | Joint multi-ground-user edge caching resource allocation for cache-enabled high-low-altitude-platforms integrated network | |
CN113595609A (zh) | 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法 | |
Xia et al. | Delay-based user association in heterogeneous networks with Backhaul | |
Dziri et al. | Symbol Error Probability Analysis of the Decode and Forward Relaying over the composite fading multipath/shadowing channels | |
Garg | Improved energy efficiency using meta-heuristic approach for energy harvesting enabled IoT network | |
You et al. | Distributed Deep Learning for RIS Aided UAV-D2D Communications in Space-Air-Ground Networks | |
CN109862574B (zh) | 一种面向无线回传问题的动态协同拓扑规划方法及系统 |
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 |