CN115733542A - 一种星间链路路径规划方法、装置及介质 - Google Patents
一种星间链路路径规划方法、装置及介质 Download PDFInfo
- Publication number
- CN115733542A CN115733542A CN202211495946.0A CN202211495946A CN115733542A CN 115733542 A CN115733542 A CN 115733542A CN 202211495946 A CN202211495946 A CN 202211495946A CN 115733542 A CN115733542 A CN 115733542A
- Authority
- CN
- China
- Prior art keywords
- path
- link
- input matrix
- parameter information
- geo
- 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
Abstract
本发明公开了一种星间链路路径规划方法、装置及介质。其中,方法包括:在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中路径决策模型由地面控制中心进行训练得到的;GEO卫星集群根据多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至LEO模型。
Description
技术领域
本发明涉及星间链路路径规划技术领域,并且更具体地,涉及一种星间链路路径规划方法、装置及介质。
背景技术
当前随着卫星与无线网络通信技术的不断发展与提高,移动网络用户数量以及人们对不同类型业务的需求量不断增大。然而受限于网络容量和覆盖范围,单单依靠地面通信网络进行通信,无法在全球所有地方提供高速率和高可靠性的无线接入服务。卫星的计算资源有限,对于一些高复杂度的运算可能无法完成,并且由于各地用户分布不均匀,可能会导致星上的卫星负载不均衡,当处理不同的业务时,需要的卫星资源可能会不一致,不合适的路由分配可能会导致资源浪费或者资源不足的问题。
发明内容
针对现有技术的不足,本发明提供一种星间链路路径规划方法、装置及介质。
根据本发明的一个方面,提供了一种星间链路路径规划方法,包括:
在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;
GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;
GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中路径决策模型由地面控制中心进行训练得到的;
GEO卫星集群根据多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至LEO模型。
可选地,GEO卫星集群由3颗GEO卫星组成。
可选地,参数信息包括时隙号、节点剩余容量、数据通道数以及各条链路的信息素浓度,并且GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵的操作,包括:
根据各链路的信息素浓度以及当前各链路上信息素浓度的最大值,确定各链路的路径拥塞系数;
根据时隙号、节点剩余容量、数据通道数以及各链路的路径拥塞系数,确定输入矩阵。
可选地,还包括:
地面控制中心通过输入矩阵对路径决策模型进行优化。
可选地,路径决策模型包括:深度CNN网络以及DBN网络,并且GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径的操作,包括:
将输入矩阵输入至深度CNN网络中,输出初始多种可行路径;
将初始多种可行路径输入至DBN网络进行分类筛选,筛选出多种可行路径。
可选地,深度CNN网络包括两个卷积层、两个池化层和一个全连接层,其激活函数为:
z=ωx+b
损失函数为:
其中,x是CNN输出层的输入量,y是CNN输出层的输出量,ω和b是两个超参数。
可选地,还包括:
LEO卫星根据最优可行路径,进行相关路径配置。
根据本发明的另一个方面,提供了一种星间链路路径规划装置,包括:
采集模块,用于在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;
生成模块,用于GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;
第一确定模块,用于GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中路径决策模型由地面控制中心进行训练得到的;
第二确定模块,用于GEO卫星集群根据多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至LEO模型。
根据本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明上述任一方面所述的方法。
从而,本发明提供的一种星间链路路径规划方法,通过GEO卫星集群控制器收集卫星地面综合网络在不同时间的负荷信息并制成多维矩阵,在收集信息的过程中,使用了蚁群算法进行了更加准确的数据采集。地面控制中心从GEO控制器收集历史交通数据,用于卷积神经网络(CNN)模型训练和更新。GEO卫星利用经过训练的CNN模型做出路径分配决策并向LEO卫星发布流表。进而可以实现星间链路中的负载均衡,使得卫星资源得到充分利用。。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1是本发明一示例性实施例提供的星间链路路径规划方法的流程示意图;
图2是本发明一示例性实施例提供的星间链路路径规划方法的结构示意图;
图3是本发明一示例性实施例提供的星间链路路径规划方法的另一流程示意图;
图4是本发明一示例性实施例提供的路径决策模型的执行流程示意图;
图5是本发明一示例性实施例提供的星间链路路径规划装置的结构示意图;
图6是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面,将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解,本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本发明实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本发明实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本发明中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本发明对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的星间链路路径规划方法的流程示意图。本实施例可应用在电子设备上,如图1所示,星间链路路径规划方法100包括以下步骤:
步骤101,在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;
步骤102,GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;
步骤103,GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中路径决策模型由地面控制中心进行训练得到的;
步骤104,GEO卫星集群根据多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至LEO模型。
可选地,GEO卫星集群由3颗GEO卫星组成。
可选地,参数信息包括时隙号、节点剩余容量、数据通道数以及各条链路的信息素浓度,并且GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵的操作,包括:
根据各链路的信息素浓度以及当前各链路上信息素浓度的最大值,确定各链路的路径拥塞系数;
根据时隙号、节点剩余容量、数据通道数以及各链路的路径拥塞系数,确定输入矩阵。
可选地,还包括:
地面控制中心通过输入矩阵对路径决策模型进行优化。
可选地,路径决策模型包括:深度CNN网络以及DBN网络,并且GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径的操作,包括:
将输入矩阵输入至深度CNN网络中,输出初始多种可行路径;
将初始多种可行路径输入至DBN网络进行分类筛选,筛选出多种可行路径。
可选地,深度CNN网络包括两个卷积层、两个池化层和一个全连接层,其激活函数为:
z=ωx+b
损失函数为:
其中,x是CNN输出层的输入量,y是CNN输出层的输出量,ω和b是两个超参数。
可选地,还包括:
LEO卫星根据最优可行路径,进行相关路径配置。
具体地,参考图2和图3所示,具体步骤如下:
步骤1:在仿真软件中建立系统模型
使用STK作为仿真软件,设置一个地面控制中心作为一级控制器用于数据处理和模型训练,设置3颗GEO卫星作为二级控制器用于全球控制,对于数据转发层,部署了22×6的LEO极地星座,实现全地球覆盖。
步骤2:在LEO中执行蚁群算法,进行数据采集
(1)进行参数初始化,如最大迭代次数,信息素因子,启发函数因此等,对于最大迭代次数,设置过小会导致可选路径较少,使种群陷入局部最优,设置过大会使路径收敛过快,导致最后收集信息不全面,按照经验值,每次设置的最大迭代次数范围应在20到50之间。
(2)从源节点出发,释放“探测数据包”,在数据包寻路的过程中,收集信息包括:时隙号ti,节点剩余容量ri,数据通道数fi,以及各条链路的信息素浓度时隙号ti,节点剩余容量ri,数据通道数fi,以及各条链路的信息素浓度。
步骤3:LEO将数据传输给GEO
为了减轻LEO的负载,将从LEO收集到的数据传输到GEO处理成矩阵的格式,随即GEO将数据传输给地面控制中心进行模型数据处理和模型训练。
算法在执行过程中需要采集的信息包括时隙号ti,节点剩余容量ri,数据通道数fi,以及各条链路的信息素浓度,根据收集到的结果计算出各个链路的路径拥塞系数ηij,然后将这些数据经过处理后存储到矩阵I当中,让其作为CNN的输入,数据格式如下所示:
GEO卫星每Δt时间将所有收集到的交通信息发送给地面控制中心。不断扩展的数据集作为训练集,在地面控制中心中不断训练CNN模型。
步骤4:地面控制中心进行数据处理和模型训练
收到GEO传输的数据,将其作为CNN的输入开始进行模型训练,CNN中进行卷积计算得到多种路径选择结果,接下来将结果给DBN网络,让DBN网络进行结果分类,经过DBN网络后,得到最后的输出结果。
为保证星上资源的充分利用,整个模型训练过程以及信息采集过程是同步进行的。
卷积核和权重矩阵不断调整以进行CNN更新。更新后的CNN模型以一定的频率Δt上传到GEO卫星,以提高寻路精度。由于GEO卫星和地面控制中心相对稳定,它们可以实现持续的数据传输。GEO卫星与地面控制中心之间的协作为CNN训练和更新提供了完整的闭环自主性。
此外,本申请提出了一种进行特征提取和需求匹配方法:
如图4所示,在最终行动决策过程之前,需要每个行动的奖励矩阵来衡量选择一个行动后的未来表现。在网络流量控制中,每个动作的回报主要可以通过节点的流量负载水平来衡量,该水平被格式化为一个值矩阵。这些奖励和价值矩阵被构造为一个价值网络,以激活第二个学习部分,称为行动决策过程。该过程由卷积神经网络来进行实现,与之同步进行的还有一个小波变换,两者的计算结果同时输出,然后进行数据融合以加强结果准确性。随后由深度DBN执行动作决策过程。
在每个卷积层中,部署了一组可学习的滤波器。每个滤波器构造为M×N×P尺寸矩阵。每个滤波器在空间上都很小,但会扩展到输入体积的整个深度,以提取隐含的连接。输入体积和每个滤波器的卷积结果称为特征映射。
卷积运算后,使用全连接层在提取的特征和最终输出之间建立连接。在非监督学习部分和动作决策过程部分采用了两种不同的激活和损失函数,在非监督学习部分中使用了sigmoid激活函数和均方误差(MSE)损失函数。
在训练过程中不断处理反向传播,直到损失函数最终接近合理范围,并且训练的深度CNN输出准确的奖励序列。
在进行上述过程的同时,我们采用一种改进的二维小波变换进行数据处理。需要一个二维的尺度函数和三个可分的二维小波函数表示。
其中尺度函数表示为:
γ(x,y)=γ(x)γ(y)
三个可分的二维小波表示为:
ψH(x,y)=γ(x)ψ(y)+lnxy
ψV(x,y)=ψ(x)γ(y)+lnxy
ψD(x,y)=ψ(x)ψ(y)+lnxy
其中ψH、ψV、ψD分别称为水平、垂直、对角小波函数,ψ(t)为小波母函数,且ψ(t)满足如下条件:
经过上述CNN和小波变换之后得到的数据输出格式如下:
X1代表小波变换的特征提取信息,X2代表传统卷积核的特征提取,将特征提取信息进行高斯归一化处理得到如下公式:
将上述归一化后的特征量信息进行串行特征融合,得到新变量Z,公式如下:
Z=(αY1,βY2)
其中α+β=1。
最后将融合后的输出结果交给DBN进行最后的动作决策,在LEO网络中应用时,使用模糊逻辑根据用户的需求做出相应的决策。
步骤5:使用模糊逻辑处理用户需求
本申请利用一个三维向量(D,B,C)来表示每个任务的敏感度,首先,将每个链路的延迟、带宽和连接时间(D,B,C)等变量进行归一化并初始化为模糊语言集。将三个变量转化为三角模糊数,进行去模糊化。其次,基于灰色关联分析模型,得到(D,B,C)的加权灰色关联度。本申请将根据(D,B,C)得到可用卫星的排序序列,用于与CNN模型的输出进行比较。
其中D是路径传输时延,B是可用的传输带宽,C是路径的链路持续时间。
从而,本发明公开了一种基于星间链路的路径优化规划算法,该方法把软件定义网络的网络架构应用到了卫星当中,把GEO卫星和地面计算中心被设置为联合控制平面。GEO控制器收集卫星地面综合网络在不同时间的负荷信息并制成多维矩阵,在收集信息的过程中,使用了蚁群算法进行了更加准确的数据采集。地面控制中心从GEO控制器收集历史交通数据,用于卷积神经网络(CNN)模型训练和更新。GEO卫星利用经过训练的CNN模型做出路径分配决策并向LEO卫星发布流表。进而可以实现星间链路中的负载均衡,使得卫星资源得到充分利用。
示例性装置
图5是本发明一示例性实施例提供的星间链路路径规划装置的结构示意图。如图5所示,装置500包括:
采集模块510,用于在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;
生成模块520,用于GEO卫星集群对各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;
第一确定模块530,用于GEO卫星集群将输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中路径决策模型由地面控制中心进行训练得到的;
第二确定模块540,用于GEO卫星集群根据多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至LEO模型。
可选地,GEO卫星集群由3颗GEO卫星组成。
可选地,参数信息包括时隙号、节点剩余容量、数据通道数以及各条链路的信息素浓度,并且生成模块520,包括:
第一确定子模块,用于根据各链路的信息素浓度以及当前各链路上信息素浓度的最大值,确定各链路的路径拥塞系数;
第二确定子模块,用于根据时隙号、节点剩余容量、数据通道数以及各链路的路径拥塞系数,确定输入矩阵。
可选地,装置500还包括:
优化模块,用于地面控制中心通过输入矩阵对路径决策模型进行优化。
可选地,路径决策模型包括:深度CNN网络以及DBN网络,并且第一确定模块530,包括:
输出子模块,用于将输入矩阵输入至深度CNN网络中,输出初始多种可行路径;
筛选子模块,用于将初始多种可行路径输入至DBN网络进行分类筛选,筛选出多种可行路径。
可选地,深度CNN网络包括两个卷积层、两个池化层和一个全连接层,其激活函数为:
z=ωx+b
损失函数为:
其中,x是CNN输出层的输入量,y是CNN输出层的输出量,ω和b是两个超参数。
可选地,装置500还包括:
配置模块,用于LEO卫星根据最优可行路径,进行相关路径配置。
示例性电子设备
图6是本发明一示例性实施例提供的电子设备的结构。如图6所示,电子设备60包括一个或多个处理器61和存储器62。
处理器61可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器62可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器61可以运行所述程序指令,以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中,电子设备还可以包括:输入装置63和输出装置64,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入装置63还可以包括例如键盘、鼠标等等。
该输出装置64可以向外部输出各种信息。该输出装置64可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是,在本发明的系统、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此,本发明不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种星间链路路径规划方法,其特征在于,包括:
在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;
所述GEO卫星集群对所述各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;
所述GEO卫星集群将所述输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中所述路径决策模型由所述地面控制中心进行训练得到的;
所述GEO卫星集群根据所述多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至所述LEO模型。
2.根据权利要求1所述的方法,其特征在于,所述GEO卫星集群由3颗GEO卫星组成。
3.根据权利要求1所述的方法,其特征在于,所述参数信息包括时隙号、节点剩余容量、数据通道数以及各条链路的信息素浓度,并且所述GEO卫星集群对所述各链路的参数信息进行处理,生成输入矩阵的操作,包括:
根据所述各链路的信息素浓度以及当前所述各链路上信息素浓度的最大值,确定所述各链路的路径拥塞系数;
根据所述时隙号、所述节点剩余容量、所述数据通道数以及所述各链路的所述路径拥塞系数,确定所述输入矩阵。
4.根据权利要求1所述的方法,其特征在于,还包括:
所述地面控制中心通过所述输入矩阵对所述路径决策模型进行优化。
5.根据权利要求1所述的方法,其特征在于,所述路径决策模型包括:深度CNN网络以及DBN网络,并且所述GEO卫星集群将所述输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径的操作,包括:
将所述输入矩阵输入至所述深度CNN网络中,输出初始多种可行路径;
将所述初始多种可行路径输入至所述DBN网络进行分类筛选,筛选出所述多种可行路径。
7.根据权利要求1所述的方法,其特征在于,还包括:
所述LEO卫星根据所述最优可行路径,进行相关路径配置。
8.一种星间链路路径规划装置,其特征在于,包括:
采集模块,用于在LEO卫星执行蚁群算法采集各链路的参数信息并传输至GEO卫星集群;
生成模块,用于所述GEO卫星集群对所述各链路的参数信息进行处理,生成输入矩阵并传输至地面控制中心;
第一确定模块,用于所述GEO卫星集群将所述输入矩阵输入至预先训练的路径决策模型中进行预测,确定多种可行路径,其中所述路径决策模型由所述地面控制中心进行训练得到的;
第二确定模块,用于所述GEO卫星集群根据所述多种可行路径以及需求任务,通过模糊逻辑处理,确定最优可行路径并传输至所述LEO模型。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211495946.0A CN115733542A (zh) | 2022-11-24 | 2022-11-24 | 一种星间链路路径规划方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211495946.0A CN115733542A (zh) | 2022-11-24 | 2022-11-24 | 一种星间链路路径规划方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115733542A true CN115733542A (zh) | 2023-03-03 |
Family
ID=85298476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211495946.0A Pending CN115733542A (zh) | 2022-11-24 | 2022-11-24 | 一种星间链路路径规划方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115733542A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116366133A (zh) * | 2023-04-06 | 2023-06-30 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载方法及装置 |
CN117112145A (zh) * | 2023-10-16 | 2023-11-24 | 之江实验室 | 训练模型分配方法、装置、计算机设备和存储介质 |
-
2022
- 2022-11-24 CN CN202211495946.0A patent/CN115733542A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116366133A (zh) * | 2023-04-06 | 2023-06-30 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载方法及装置 |
CN116366133B (zh) * | 2023-04-06 | 2023-10-27 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载方法及装置 |
CN117112145A (zh) * | 2023-10-16 | 2023-11-24 | 之江实验室 | 训练模型分配方法、装置、计算机设备和存储介质 |
CN117112145B (zh) * | 2023-10-16 | 2024-02-13 | 之江实验室 | 训练模型分配方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115733542A (zh) | 一种星间链路路径规划方法、装置及介质 | |
Nie et al. | Network traffic prediction based on deep belief network in wireless mesh backbone networks | |
US20180307986A1 (en) | Two-phase distributed neural network training system | |
Chen et al. | Techniques for automated machine learning | |
CN108089921A (zh) | 用于云端大数据运算架构的服务器及其运算资源最佳化方法 | |
CN110832509B (zh) | 使用神经网络的黑盒优化 | |
CN111989696A (zh) | 具有顺序学习任务的域中的可扩展持续学习的神经网络 | |
CN105302858B (zh) | 一种分布式数据库系统的跨节点查询优化方法及系统 | |
CN112308288A (zh) | 一种基于粒子群优化lssvm的违约用户概率预测方法 | |
US10963802B1 (en) | Distributed decision variable tuning system for machine learning | |
CN114491263A (zh) | 推荐模型训练方法及装置、推荐方法及装置 | |
CN114936708A (zh) | 基于边云协同任务卸载的故障诊断优化方法及电子设备 | |
CN111553401B (zh) | 一种应用在云服务推荐中基于图模型的QoS预测方法 | |
CN111105127B (zh) | 一种基于数据驱动的模块化产品设计评价方法 | |
CN116976461A (zh) | 联邦学习方法、装置、设备及介质 | |
Liu et al. | Attention-based spatial-temporal graph convolutional recurrent networks for traffic forecasting | |
Li et al. | Traffic self-similarity analysis and application of industrial internet | |
CN116975753A (zh) | 基于数据类别预测方法、装置、设备和介质 | |
KR20190129422A (ko) | 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN115577797A (zh) | 一种基于本地噪声感知的联邦学习优化方法及系统 | |
US20240152799A1 (en) | Generative graph modeling framework | |
CN117060984B (zh) | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 | |
CN117274616B (zh) | 一种多特征融合深度学习服务QoS预测系统及预测方法 | |
CN117692563A (zh) | 一种基于托收缴费服务的处理方法、装置、设备及介质 |
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 |