CN115118331A - 一种基于dpp算法的动态低轨双星跳波束技术 - Google Patents

Abstract

本发明提供一种基于DPP算法的动态低轨双星跳波束技术，包括如下步骤：计算信道系数矩阵；初始化DPP算法参数和业务量矩阵；创建质量度量和干扰度量，并根据质量度量和干扰度量创建L矩阵；对L矩阵进行特征值分解，前N个特征值和后N个特征值中，均选择最大的K个特征值，并将所选的2K个特征值所对应的特征向量从特征向量V_L中取出，得到筛选特征向量V；计算各被服务小区的吞吐量；更新业务量矩阵，并计算时隙t内所有被服务小区的系统时延；得到总时隙T_ttl内的总系统时延；分别在设定范围内遍历DPP参数，选择使总系统时延最小的参数作为最优参数。本发明利用DPP算法满足双卫星实时动态跳波束需求，满足性能要求的同时，减小计算量和计算耗时。

Description

一种基于DPP算法的动态低轨双星跳波束技术

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于DPP算法的动态低轨双星跳波束技术。

背景技术

现有的跳波束卫星系统资源分配算法中，根据分配算法的目标函数和是否考虑共信道干扰(CCI)，可分为非凸问题和凸优化问题。当考虑CCI时，资源分配的优化问题往往是NP-hard问题，通常使用启发式算法或迭代算法；当不考虑CCI时，则退化为凸优化问题。是否考虑CCI要根据系统跳波束卫星系统具体的应用场景和跳波束的方式是否会造成CCI或者CCI的严重程度来决定。但是启发式算法和迭代算法都存在计算量大、计算耗时长的问题，不适用于实时地去匹配地面业务动态变化的场景。而不考虑CCI的方法局限性较大，实际应用场景较少。

行列式点过程(Determinantal Point Process,DPP)是一种性能较高的概率模型。其将复杂的概率计算转换成简单的行列式计算，通过核矩阵(kernel matrix)的行列式计算每一个子集的概率。该概率可以理解为跳波束系统下某一时刻所服务小区具有较大吞吐量的概率，受到相关性与多样性两个因素的影响。

由于跳波束系统可以简化为一个子集选择问题，而子集选择问题通常是NP-hard的，使用传统的启发式算法或迭代算法计算时间过长，因此可以引入DPP算法来解决跳波束问题。

发明内容

本发明的目的是提出一种基于DPP算法的动态低轨双星跳波束技术，利用DPP算法满足双卫星实时动态跳波束需求，满足性能要求的同时，减小计算量和计算耗时。

本发明通过以下技术方案实现：

一种基于DPP算法的动态低轨双星跳波束技术，包括如下步骤：

步骤S1、计算信道系数矩阵；

步骤S2、初始化DPP算法参数和业务量矩阵；

步骤S3、创建质量度量和干扰度量，并根据质量度量和干扰度量创建L矩阵，质量度量与信道系数、DPP算法参数和业务量有关，干扰度量与DPP算法参数和小区之间的干扰有关；

步骤S4、对L矩阵进行特征值分解，得到特征值和特征向量V_L，前N个特征值和后N个特征值中，分别选择最大的K个特征值，并将所选的2K个特征值所对应的特征向量从特征向量V_L中取出，得到筛选特征向量V；

步骤S5、根据筛选特征向量V确定2K个被服务小区，分别计算各被服务小区的信干燥比，根据信干燥比计算各被服务小区的吞吐量；

步骤S6、根据吞吐量更新业务量矩阵，并计算时隙t内所有被服务小区的系统时延；

步骤S7、重复步骤S3至步骤S6T_ttl次，将每次所得到的系统时延叠加，得到总时隙T_ttl内的总系统时延；

步骤S8、分别在设定范围内遍历DPP参数，选择使总系统时延最小的参数作为最优参数；

其中，N为每个卫星覆盖区域的小区数，K为每个卫星同一时刻可以产生的波束数。

进一步的，所述步骤S1中，所述信道系数矩阵H为H＝G_tx·PL·G_rx,其中，G_tx为卫星天线增益，G_rx为接收天线增益，PL为卫星信道的路径损耗。

进一步的，所述步骤S3中，所述小区i的质量度量表示为：

所述干扰度量为

所述L矩阵为：L_i,j(X)＝g(a_i|X)S_i,j(X)g(a_j|X)，其中，h_i为小区i的信道系数，

为小区i在时隙t需要传输的总业务量，θ_i,j为小区i与小区j之间的干扰角，θ_max为最大的干扰角，σ₁、σ₂和σ₃为DPP算法参数，X为外部输入的条件。

进一步的，所述步骤S5中，选择使公式∑_v∈V(v^Te_i)²最大的i值，作为被服务小区，选择后，重新计算正交于e_i的V的子空间的正交基，并重复上述过程，直至选出2K个被服务小区。

进一步的，所述步骤S6中，根据公式

计算小区i的信干燥比

根据公式

计算小区i的信道容量

根据公式

计算小区i的吞吐量

其中，

为小区i在时隙t的信道系数，P为单个波束的功率，

为小区j的波束对小区i在时隙t的干扰，N₀为噪声功率谱密度，B_tot为卫星系统带宽。

进一步的，所述步骤S6中，所述系统时延φ_t为

其中，

为小区i在时隙t的系统时延，

为小区i在时隙t前t-k个时隙的剩余业务量。

进一步的，所述步骤S6中，时隙t结束时，根据所计算的吞吐量

更新业务量矩阵，当小区i的吞吐量

时，按照业务量达到的先后进行更新，

为小区i在时隙t需要传输的总业务量。

进一步的，所述步骤S8中，所述DPP参数σ₁、σ₂和σ₃在设定范围[1,10]、[1,20]和[0.1,0.5]内遍历，遍历步长分别为1、1和0.1。

本发明具有如下有益效果：

1、本发明根据质量度量和干扰度量创建L矩阵，再根据L矩阵确定被服务小区，进而得到总时隙内的总系统时延，该总系统时延与DPP算法参数相关，通过遍历选择使总系统时延最小的参数作为最优参数，从而利用DPP算法满足双卫星实时动态跳波束需求，满足性能要求的同时，减小计算量和计算耗时。

附图说明

下面结合附图对本发明做进一步详细说明。

图1为本发明双星跳波束系统模型示意图。

图2为本发明的流程图。

图3为本发明不同小区业务需求量与业务满足量的仿真示意图。

图4为本发明各小区间平均时延和最大时延的仿真示意图。

具体实施方式

如图1所示，LEO双星跳波束系统包括两个卫星，每个卫星的轨道高度h＝600km，每个卫星覆盖区域的总面积为S_tot，将总覆盖区域分为N＝19个小区，则每个小区的面积为S_cell＝S_tot/N，每个卫星同一时刻可以产生K＝4个波束，单个波束的覆盖面积为S_cell，即每个波束覆盖一个小区，两个卫星的重叠区域为M＝6个小区，载波频率f＝20GHz，单颗卫星的可用频率带宽B_tot＝500MHz，每颗卫星的频率复用系数FRF＝1，即每个波束使用全部带宽B_tot，单颗卫星的下行发射总功率P_tot＝33dBW，每个波束使用的功率平均分配，总时隙数T_ttl＝30。

考虑波束间干扰，将卫星天线增益定义为：

其中，θ为离轴角，G_tx(θ)为与主波束方向成角度θ的增益(dBi)，G_m为主瓣最大增益(dBi)，θ_b为最大离轴处3dB波束宽度的二分之一，L_S＝-6.75为相对于峰值增益所需的近旁瓣电平(dB)，L_F＝0为相对于峰值增益所需的远旁瓣电平(dBi),Y＝θ_b(-L_S/3)^1/2，

如图2所示，基于DPP算法的动态低轨双星跳波束技术包括如下步骤：

步骤S1、计算信道系数矩阵，具体包括：

步骤S11、计算干扰角：根据卫星星历信息可以得到卫星轨道高度以及卫星投影到地面所对应的经纬度信息，同时根据地面覆盖区域即各小区中心点的经纬度坐标，可以计算出各小区中心点到卫星的距离d和俯仰角α，由于需要计算波束间的干扰，还需根据卫星和小区的坐标计算出每个波束到其他小区的离轴角，最终将得到主对角线元素为0的2N×2N的干扰角矩阵

其中，θ_i,j为指向小区i的波束到小区j的离轴角，0≤i,j≤2N；

步骤S12、卫星信道的路径损耗PL由以下分量组成：PL＝PL_b+PL_g+PL_s+PL_e，其中，PL_b是以dB为单位的基本路径损耗，PL_g是以dB为单位的由大气气体引起的衰减，PL_s是以dB为单位的由电离层或对流层闪烁引起的衰减，PL_e是以dB为单位的进入损耗；由于不同卫星的波束到不同小区的路径损耗均不同，因此将小区i在时隙t时与波束k的路径损耗表示为

步骤S13、信道系数矩阵H为H＝G_tx·PL·G_rx,其中，G_tx为卫星天线增益，G_rx为接收天线增益，其具体计算为现有技术，PL为卫星信道的路径损耗。

步骤S2、初始化DPP算法参数和业务量矩阵；

DPP算法需要引入三个参数σ₁、σ₂和σ₃，对其初始化为[1,1,0.1]，即σ₁＝1、σ₂＝1和σ₃＝0.1；

初始化业务量矩阵：考虑T_ttl＝30个时隙，每个小区的总请求流量服从泊松分布，由于用户地理分布的不均匀性，各个小区的流量到达率λ不同，在训练阶段，小区的最大到达率λ_max为1500Mbps，而最小到达率λ_min为50Mbps，为了反映流量的时变特性，每个小区的业务达到率每T_ttl/2个时隙变化一次；

业务量矩阵为2N×T_ttl的矩阵，由于存在重叠区域，需确保重叠区域的业务量相同。

步骤S3、创建质量度量和干扰度量，并根据质量度量和干扰度量创建L矩阵，质量度量与信道系数、DPP算法参数和业务量有关，干扰度量与DPP算法参数和小区之间的干扰有关；

公知的，DPP算法可以用Y索引的矩阵L来定义：

其中，Y为总集合的一个子集，即从所有小区中被选中的被服务小区，L_Y＝[L_i,j]_i,j∈Y，对于DPP算法，如设矩阵

则用S＝{1,3}索引的矩阵A为

设

是小区i的向量表示，则

可以解释为核矩阵，则L_i,j可以根据质量多样性进一步分解为L_i,j＝g(a_i)S_i,jg(a_j)，其中，g(a_i)表示a_i的质量，S_i,j表示a_i和a_j的相似性，其中，

为N维实数集。

由于算法是输入驱动的，需要输入来显示搜索结果，为了模拟输入驱动的问题，需要有条件的DPP，即将X作为外部输入，条件DPP将概率分配给每个可能的子集P(Y＝Y|X)∝det(L_Y(X))，对条件DPP进行质量多样性的分解，得到L_i,j(X)＝g(a_i|X)S_i,j(X)g(a_j|X)，其中，g(a_i|X)表示小区i的质量度量，S_i,j(X)表示给定小区i,j(i≠j)之间的多样性度量(即干扰度量)。

使用对数线型模型来表示质量度量，在考虑质量度量时，为使得吞吐量尽可能大和总时延尽可能小，考虑信道系数和剩余业务量两种特征，故质量度量表示为

其中，h_i为小区i的信道系数，

为小区i在时隙t及之前所有时隙的剩余业务量的总和，即小区i在时隙t需要传输的总业务量。

干扰度量S_i,j(X)(即多样性矩阵)选择高斯核：

其中，θ_i,j为小区i与小区j之间的干扰角，θ_max为最大的干扰角；

L矩阵为：L_i,j(X)＝g(a_i|X)S_i,j(X)g(a_j|X)。

步骤S4、对L矩阵进行特征值分解，得到特征值和特征向量V_L，前N个特征值和后N个特征值中，分别选择最大的K个特征值，以对应两个卫星的K个波束，并将所选的2K个特征值所对应的特征向量从特征向量V_L中取出，得到筛选特征向量V；

步骤S5、根据筛选特征向量V确定2K个被服务小区，分别计算各被服务小区的信干燥比，根据信干燥比计算各被服务小区的吞吐量；

具体为：初始化波束选择向量

选择使公式∑_v∈V(v^Te_i)²最大的i值，作为被服务小区i，并将i并入波束选择向量中x＝x∪i，每次选择后，重新计算正交于e_i的V的子空间的正交基(V＝V_⊥)，并重复上述选择过程，直至选出2K个被服务小区，其中，e_i为只有第i个元素为1，其余元素均为0的单位列向量。选择过程中，因涉及两个卫星，因此在奇数次选择循环中，在卫星1的小区范围内选择，即0≤i≤N，在偶数次循环中，在卫星2的小区范围内选择，即N+1≤i≤2N。

步骤S6、根据吞吐量更新业务量矩阵，并计算时隙t内所有被服务小区的系统时延；

具体地，先根据公式

计算小区i的信干燥比

其中，

为小区i在时隙t的信道系数，即信道系数矩阵主对角线元素中对应小区编号的值，P为单个波束的功率，由于功率考虑平均分配，因此P＝P_tot/K，

为小区j的波束对小区i在时隙t的干扰，N₀为噪声功率谱密度，B_tot为卫星系统带宽；

小区i的信道容量为

由于信道容量并不一定完全利用，因此吞吐量为信道容量和需要传输的业务量的最小值，即根据公式

计算小区i的吞吐量

为小区i在时隙t及之前所有时隙的剩余业务量的总和，即小区i在时隙t时需要传输的业务量；

业务量矩阵存储了全部小区在T_ttl个时隙内每个时隙的新增业务量，在每个时隙结束时，根据计算得到的吞吐量

更新业务量矩阵，而当小区i的吞吐量

时，按照业务量达到的先后进行更新，即先传输到达时间较早的业务，

为小区i在时隙t需要传输的总业务量；

由于不能同时满足所有小区，因此必然存在时延，定义系统时延为每个时隙下剩余所有业务量等待的时间综合，即小区i在时隙t时的系统时延为

则所有小区在时隙t时的系统时延为

为小区i在时隙t前t-k个时隙的剩余业务量。

步骤S7、重复步骤S3至步骤S6T_ttl次，将每次所得到的系统时延叠加，得到总时隙T_ttl内的总系统时延

等待时间越久的业务，被重复统计的次数就越多，会使得系统时延也越大，因此通过系统时延既能反映系统的总吞吐量，又能反映小区间等待时间的公平性。

为了表示跳波束方案的公平性，也使用平均时延来衡量，对于小区i在时隙t时的平均时延为

其中，为小区i在第k个时隙剩余的业务量，故小区i的平均时延为

所有小区的总平均时延为

步骤S8、DPP参数σ₁、σ₂和σ₃分别在设定范围[1,10]、[1,20]和[0.1,0.5]内遍历，遍历步长分别为1、1和0.1，选择使总系统时延最小的参数作为最优参数。

本实施例中，将DPP参数σ₁、σ₂和σ₃设置为[3,16,0.2]，重新初始化业务量矩阵，在实际应用中，业务量矩阵根据实际情况在每个时隙开始时添加新增业务，执行上述步骤，可得在新的业务需求下每个时隙的跳波束结果。仿真结果如图3和图4所示，业务需求总量为425528Mbps，实际传输速率为357446Mbps，且实际传输速率能够根据需求的不同进行动态调整。根据图3可知各小区平均时延变化幅度不大，同时对比图2还可知，最大等待时延较大的几个小区其业务需求量较小，业务需求量较大的小区最大等待时延为4个时隙，除去重叠小区，总有32个小区和8个波束，因此4个时隙的等待时延与理论最小等待时延3个时隙已极为接近。

以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。

Claims (8)

1.一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：包括如下步骤：

步骤S1、计算信道系数矩阵；

步骤S2、初始化DPP算法参数和业务量矩阵；

步骤S3、创建质量度量和干扰度量，并根据质量度量和干扰度量创建L矩阵，质量度量与信道系数、DPP算法参数和业务量有关，干扰度量与DPP算法参数和小区之间的干扰有关；

步骤S4、对L矩阵进行特征值分解，得到特征值和特征向量V_L，前N个特征值和后N个特征值中，分别选择最大的K个特征值，并将所选的2K个特征值所对应的特征向量从特征向量V_L中取出，得到筛选特征向量V；

步骤S5、根据筛选特征向量V确定2K个被服务小区，分别计算各被服务小区的信干燥比，根据信干燥比计算各被服务小区的吞吐量；

步骤S6、根据吞吐量更新业务量矩阵，并计算时隙t内所有被服务小区的系统时延；

步骤S7、重复步骤S3至步骤S6T_ttl次，将每次所得到的系统时延叠加，得到总时隙T_ttl内的总系统时延；

步骤S8、分别在设定范围内遍历DPP参数，选择使总系统时延最小的参数作为最优参数；

其中，N为每个卫星覆盖区域的小区数，K为每个卫星同一时刻可以产生的波束数。

2.根据权利要求1所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S1中，所述信道系数矩阵H为H＝G_tx·PL·G_rx,其中，G_tx为卫星天线增益，G_rx为接收天线增益，PL为卫星信道的路径损耗。

3.根据权利要求1所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S3中，所述小区i的质量度量表示为：

所述干扰度量为

所述L矩阵为：L_i,j(X)＝g(a_i|X)S_i,j(X)g(a_j|X)，其中，h_i为小区i的信道系数，

为小区i在时隙t需要传输的总业务量，θ_i,j为小区i与小区j之间的干扰角，θ_max为最大的干扰角，σ₁、σ₂和σ₃为DPP算法参数，X为外部输入的条件。

4.根据权利要求1或2或3所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S5中，选择使公式∑_v∈V(v^Te_i)²最大的i值，作为被服务小区，选择后，重新计算正交于e_i的V的子空间的正交基，并重复上述过程，直至选出2K个被服务小区。

5.根据权利要求1或2或3所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S6中，根据公式

计算小区i的信干燥比

根据公式

计算小区i的信道容量

根据公式

计算小区i的吞吐量

其中，

为小区i在时隙t的信道系数，P为单个波束的功率，

为小区j的波束对小区i在时隙t的干扰，N₀为噪声功率谱密度，B_tot为卫星系统带宽。

6.根据权利要求1或2或3所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S6中，所述系统时延φ_t为

其中，

为小区i在时隙t的系统时延，

为小区i在时隙t前t-k个时隙的剩余业务量。

7.根据权利要求1或2或3所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S6中，时隙t结束时，根据所计算的吞吐量

更新业务量矩阵，当小区i的吞吐量

时，按照业务量达到的先后进行更新，

为小区i在时隙t需要传输的总业务量。

8.根据权利要求3所述的一种基于DPP算法的动态低轨双星跳波束技术，其特征在于：所述步骤S8中，所述DPP参数σ₁、σ₂和σ₃在设定范围[1,10]、[1,20]和[0.1,0.5]内遍历，遍历步长分别为1、1和0.1。

Images