CN117579136A - Tdma中网控系统对反向突发的aupc及acm控制方法 - Google Patents
Tdma中网控系统对反向突发的aupc及acm控制方法 Download PDFInfo
- Publication number
- CN117579136A CN117579136A CN202410067708.2A CN202410067708A CN117579136A CN 117579136 A CN117579136 A CN 117579136A CN 202410067708 A CN202410067708 A CN 202410067708A CN 117579136 A CN117579136 A CN 117579136A
- Authority
- CN
- China
- Prior art keywords
- heartbeat data
- modulation mode
- transmitting end
- noise ratio
- signal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 64
- 238000004891 communication Methods 0.000 claims abstract description 62
- 230000000630 rising effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 238000011176 pooling Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H04B7/18513—Transmission in a satellite or space-based system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种TDMA中网控系统对反向突发的AUPC及ACM控制方法，包括接收预定个反向突发的心跳数据，计算所述心跳数据的中位数，记作心跳数据的信噪比；遍历预存储的阈值映射表，查找并确定目标调制方式；读取发送端的时隙计划，获取发送端的当前调制方式，判断当前调制方式与目标调制方式是否一致，如果一致，则进入下一步；如果不一致，则进行ACM控制，将当前调制方式调整到目标调制方式，进入下一步；进行AUPC控制，读取发送端的输出功率，获取发送端的功率上升空间，根据心跳数据的信噪比与发送端的功率上升空间，调整发送端的输出功率。本发明通过对通信的发送功率、调制方式以及码率进行调节，达到更高的通信效率。
Description
技术领域
本发明属于网控系统领域，公开了一种TDMA中网控系统对反向突发的AUPC（调制发送端功率）及ACM（调制方式及码率组合的变更）控制方法。
背景技术
在TDMA卫星通讯的过程中，调制方式与码率会影响通信效率，在占用相同带宽的卫星资源的情况下，越是高阶的调制方式与码率所提供的通信速率更高。但是越是高阶的调制方式与码率组合对卫星通信的质量要求也就越高，需要更大的发送功率以及接收信噪比。
针对上述情况，在通信过程中为了保证通信具有更高的速率以及更到的通信效率，应该使发送端保持其所能支持的最高发送功率的同时使用具有最高通信效率的调制方式与码率组合。但是通过卫星通信时，若功率发的太大也会出现饱和情况，导致无法正常通信，所以一般初始的发送功率都不会太高，这就致使最初的调制方式和码率组合为QPSK_1/2以保证通信质量，在通信稳定后，也无法达到最高的通信速率。
发明内容
发明目的：提供一种TDMA中网控系统对反向突发的AUPC及ACM控制方法，以解决现有技术存在的上述问题。
技术方案：一种TDMA中网控系统对反向突发的AUPC及ACM控制方法，包括如下步骤：
S1、接收预定个反向突发的心跳数据，计算心跳数据的中位数，记作心跳数据的信噪比；
S2、根据心跳数据的信噪比，遍历预存储的阈值映射表，查找并确定目标调制方式；其中阈值映射表存储有信噪比阈值和调制方式的映射关系；
S3、读取发送端的时隙计划，获取发送端的当前调制方式，判断当前调制方式与目标调制方式是否一致，如果一致，则进入下一步；如果不一致，则进行ACM控制，将当前调制方式调整到目标调制方式，进入下一步；
S4、进行AUPC控制，包括读取发送端的输出功率，获取发送端的功率上升空间，根据心跳数据的信噪比与发送端的功率上升空间，调整发送端的输出功率。
根据本申请的一个方面，步骤S1具体为：
S11、在预定时间内接收预定个反向突发的心跳数据，构建心跳数据包，所述预定个不少于两个；
S12、依序读取心跳数据包中的心跳数据，判断心跳数据的数量是否达到设定的阈值；
S13、若达到阈值，构建心跳数据集合，将心跳数据存入心跳数据集合，对心跳数据集合中的心跳数据进行顺次排序，并找到中间位置的心跳数据，将其作为该时间段内心跳数据的信噪比。
根据本申请的一个方面，步骤S2具体为：
S21、构建阈值映射表，用于存储每种调制方式对应的信噪比阈值；
S22、读取每个发送端的控制参数，根据控制参数分别设定发送端的最高阶调制方式和最低阶调制方式，通过发送端的最高阶调制方式和最低阶调制方式限定阈值映射表的有效范围；
S23、在阈值映射表的有效范围内，查找满足心跳数据的信噪比的调制方式，记为目标调制方式。
根据本申请的一个方面，步骤S3中的进行ACM控制具体为：
S31、根据目标调制方式，修改时隙计划中的载荷参数，得到新的时隙计划，并下发到发送端；
S32、发送端根据新的时隙计划将当前调制方式调整到目标调制方式。
根据本申请的一个方面，步骤S4的AUPC控制具体为：
S41、从当前调制方式开始，根据心跳数据的信噪比，遍历阈值映射表，获取下一个阶段的调制方式；
S42、读取发送端的最大输出功率，获取发送端的功率上升空间，判断发送端的功率上升空间是否可将心跳数据的信噪比提升至下一个阶段的调制方式，如果可以，计算差值上升功率，调整发送端的输出功率；如果不可以，进入下一步；
S43、计算差值上升功率，将心跳数据的信噪比维持到当前调制方式的阈值至阈值加1之间，保证通信质量，调整发送端的输出功率。
根据本申请的一个方面，步骤S11具体为：
S11a、在预定时间内接收预定个反向突发的心跳数据，并逐一对心跳数据进行时延检测，计算每个心跳数据的平均时延；
S11b、根据设定的时延阈值和各个心跳数据的平均时延，判断心跳数据是否超过设定的时延阈值，如果是，则剔除心跳数据，重新接收反向突发的心跳数据；如果不是，则保留心跳数据，根据保留的心跳数据构建心跳数据包。
根据本申请的一个方面，还包括对接收的心跳数据进行信道估计和校正，具体为：
S1a、采用预先设定的信道模型和信道估计算法，对接收的心跳数据进行信道估计，得到信道系数的估计值；
S1b、根据信道系数的估计值，对心跳数据进行逆信道补偿，消除信道的失真和干扰，得到校正后的心跳数据，根据校正后的心跳数据构建心跳数据包。
根据本申请的一个方面，步骤S22具体为：
S22a、构建神经网络模型，收集反向突发的信道状态和调制方式的历史数据，使用收集的历史数据训练神经网络模型；
S22b、读取发送端的时隙计划，获取当前反向突发的信道状态；
S22c、将当前反向突发的信道状态输入训练好的神经网络模型中，得到发送端的最高阶调制方式和最低阶调制方式；
S22d、通过发送端的最高阶调制方式和最低阶调制方式动态调整阈值映射表的有效范围，适应不同的通信环境。
根据本申请的一个方面，还包括：
S5、接收发送端的反馈信息，判断反馈信息是否在预定的范围内，如果不在，则根据反馈信息调整阈值映射表，重新执行步骤S2至S4，直到在预定的范围内为止，其中反馈信息包括发送端的实际输出功率、调制方式和误码率。
有益效果：本发明通过提供一种TDMA中网控系统对反向突发的AUPC及ACM控制方法，在通信稳定后，对发送端的功率、调制方式以及码率进行调整，达到最高通信速率。
附图说明
图1为本发明的流程图。
图2为本发明步骤S1的流程图。
图3为本发明步骤S2的流程图。
图4为本发明步骤S4的流程图。
图5为本发明的网控反向突发处理流程序列图。
图6为本发明的反向突发信噪比收集流程图。
图7为本发明实施例的ACM算法流程图。
图8为本发明实施例的AUPC算法流程图。
具体实施方式
本发明提出了一种TDMA中网控系统对反向突发的AUPC及ACM控制方法，以便在通信稳定后，对发送端的功率、调制方式以及码率进行调整，达到最高通信速率，其中调制发送端功率（AUPC）是一种根据信道条件和目标误码率，动态调整发送端的输出功率，以保证通信质量和节省能源的技术；调制方式及码率组合的变更（ACM）是一种根据信道状态，动态选择最佳的编码和调制方式，以提高频谱效率和传输性能的技术，具体如图1所示，包括如下步骤：
S1、接收预定个反向突发的心跳数据，计算所述心跳数据的中位数，记作心跳数据的信噪比；
步骤S1具体如图2所示，包括：
S11、在预定时间内接收预定个反向突发的心跳数据，构建心跳数据包，所述预定个不少于两个；
S12、依序读取心跳数据包中的心跳数据，判断心跳数据的数量是否达到设定的阈值；
S13、若达到阈值，构建心跳数据集合，将心跳数据存入心跳数据集合，对心跳数据集合中的心跳数据进行顺次排序，并找到中间位置的心跳数据，将其作为该时间段内心跳数据的信噪比。
进一步的，在TDMA中网控系统中，有多个发送端，每个发送端对应一个反向突发，每个反向突发周期性地发送心跳数据给网控中心，心跳数据中包含信噪比信息。
网控中心接收N个反向突发的心跳数据，根据业务情况调整接收的心跳数据的个数N，一般为10到30个，判断N的奇偶性，如果N为奇数，则取集合的中间元素，作为心跳数据的信噪比，记为snr_mean；如果N为偶数，则取集合的中间两个元素的平均值，作为心跳数据的信噪比，记为snr_mean。通过利用中位数，对心跳数据的信噪比进行统计的方法，可以避免极值的影响，提高心跳数据的信噪比的心跳数据的性，提高AUPC和ACM控制的可靠性。
进一步的，步骤S11具体为：
S11a、在预定时间内接收预定个反向突发的心跳数据，并逐一对心跳数据进行时延检测，计算每个心跳数据的平均时延；
S11b、根据设定的时延阈值和各个心跳数据的平均时延，判断心跳数据是否超过设定的时延阈值，如果是，则剔除心跳数据，重新接收反向突发的心跳数据；如果不是，则保留心跳数据，根据保留的心跳数据构建心跳数据包。
在进一步的实施例中，网控系统确定心跳数据的格式和内容，包括每个心跳数据含时间戳，用于标识心跳数据的发送时间；接收预定个反向突发的心跳数据，将每个心跳数据存储在一个缓冲区中，同时记录接收时间；从缓冲区中读取心跳数据，根据时间戳和接收时间，计算每个心跳数据的时延，即发送端到接收端的传输时间；将每个心跳数据的时延存储在一个数组中，对数组中的时延值进行求和，然后除以心跳数据的个数，得到心跳数据的平均时延；网控系统设定一个合理的时延阈值，用于判断心跳数据是否过期或失效；在接收和计算心跳数据的平均时延后，将平均时延与时延阈值进行比较，如果心跳数据是有效的，网控系统可以将心跳数据存储在一个集合中，用于后续的信噪比计算和调制方式确定；如果心跳数据是过期的，网控系统可以将心跳数据从缓冲区中删除，同时向发送端发送一个重传请求，要求发送端重新发送反向突发的心跳数据。
通过对心跳数据进行时延检测，网控系统可以排除因为信道延迟或其他原因造成的过期或失效的心跳数据，提高心跳数据的有效性和实时性；通过设定时延阈值，网控系统可以根据实际的通信环境和要求，灵活地调整心跳数据的接收标准，避免因为过高或过低的时延阈值导致的心跳数据丢失或冗余；通过剔除或保留心跳数据，网控系统可以减少后续的计算和处理负担，提高心跳数据的处理效率和准确性。
在进一步的实施例中，还包括对接收的心跳数据进行信道估计和校正，具体为：
S1a、采用预先设定的信道模型和信道估计算法，对接收的心跳数据进行信道估计，得到信道系数的估计值；
S1b、根据信道系数的估计值，对心跳数据进行逆信道补偿，消除信道的失真和干扰，得到校正后的心跳数据，根据校正后的心跳数据构建心跳数据包。
进一步的，网控系统预先设定合适的信道模型，包括线性时不变信道模型、线性时变信道模型、非线性信道模型等，根据信道的物理特性和通信环境的条件，选择能够较好地描述信道的输入输出关系的数学模型；采用预先设定的信道估计算法，对接收的心跳数据进行信道估计，得到信道系数的估计值；根据信道系数的估计值，对心跳数据进行逆信道补偿，利用信道系数的估计值，对数学模型进行逆信道矩阵的乘法，从而消除信道矩阵的影响，消除信道的失真和干扰，还原出发射信号，得到校正后的心跳数据。
通过根据信道系数的估计值，对心跳数据进行逆信道补偿，网控系统可以消除信道对心跳数据的影响，恢复出原始的信噪比值，提高信噪比的准确性和可靠性；通过对接收的心跳数据进行信道估计和校正，网控系统可以为后续的信噪比计算和调制方式确定提供更优质的输入数据，从而提高反向链路的通信性能和资源利用率。
S2、根据心跳数据的信噪比，遍历预存储的阈值映射表，查找并确定目标调制方式；其中阈值映射表存储有信噪比阈值和调制方式的映射关系；
步骤S2具体如图3所示，包括：
S21、构建阈值映射表，用于存储每种调制方式对应的信噪比阈值；
S22、读取每个发送端的控制参数，根据控制参数分别设定发送端的最高阶调制方式和最低阶调制方式，通过发送端的最高阶调制方式和最低阶调制方式限定阈值映射表的有效范围；
S23、在阈值映射表的有效范围内，查找满足心跳数据的信噪比的调制方式，记为目标调制方式。
这样实现了对反向突发的目标调制方式的有效确定，使用阈值映射表存储信噪比阈值和调制方式的映射关系，简化了调制方式的选择，提高确定调制方式的速度和效率，同时使用发送端的最高阶调制方式和最低阶调制方式限定阈值映射表的有效范围，可以避免无效的查找，提高查找的准确性和灵活性，从而为后续的ACM控制提供可靠的依据。
进一步的，步骤S22具体为：
S22a、构建神经网络模型，收集反向突发的信道状态和调制方式的历史数据，使用收集的历史数据训练神经网络模型；
S22b、读取发送端的时隙计划，获取当前反向突发的信道状态；
S22c、将当前反向突发的信道状态输入训练好的神经网络模型中，得到发送端的最高阶调制方式和最低阶调制方式；
S22d、通过发送端的最高阶调制方式和最低阶调制方式动态调整阈值映射表的有效范围，适应不同的通信环境。
在进一步的实施例中，使用多层感知器 (MLP) 、卷积神经网络 (CNN) 或循环神经网络 (RNN) 构建神经网络模型，通过实际的通信测试或者仿真的方式，获取不同的信道状态和调制方式的组合，收集历史数据，将收集的历史数据划分训练集、验证集和测试集，采用梯度下降、反向传播等优化算法，调整神经网络的参数，使得神经网络的输出能够尽可能地接近真实的调制方式；通过与发送端的协议或者接口，获取发送端的时隙分配情况，从而获取当前反向突发的信道状态，通过将信道状态的参数作为神经网络的输入层，经过神经网络的各个隐藏层，得到神经网络的输出层，通过对神经网络的输出层进行分析，找出概率最高的两个调制方式，作为最高阶调制方式和最低阶调制方式，通过最高阶调制方式和最低阶调制方式对阈值映射表进行修改。
在另一个实施例中，使用卷积神经网络对阈值映射表进行优化。先接收历史数据，包括数据的信噪比，调制方式和码率组合，以及当时的信道资源利用率，使用历史数据来训练卷积神经网络，计算特征值，使阈值映射表能根据终端的实际情况动态的修改数据。
通过神经网络模型的预测能力，得到发送端的最高阶调制方式和最低阶调制方式，为后续的阈值映射表的调整提供依据；通过动态调整阈值映射表的有效范围，可以适应不同的通信环境，减少不必要的信号检测，提高信号检测的效率和准确性。
S3、读取发送端的时隙计划，获取发送端的当前调制方式，判断当前调制方式与目标调制方式是否一致，如果一致，则进入下一步；如果不一致，则进行ACM控制，将当前调制方式调整到目标调制方式，进入下一步；
其中进行ACM控制具体为：
S31、根据目标调制方式，修改时隙计划中的载荷参数，得到新的时隙计划，并下发到发送端；
S32、发送端根据新的时隙计划将当前调制方式调整到目标调制方式。
进一步的，网控中心从阈值映射表中获取目标调制方式对应的信噪比阈值，根据信噪比阈值，计算出所需的载荷参数，将计算出的载荷参数写入时隙计划中，替换原有的载荷参数，更新时隙计划，网控中心通过控制信道将修改后的时隙计划下发到发送端，通知发送端进行调制方式的切换。这样可以实现对反向突发的ACM控制，使得发送端的调制方式能够根据反向突发的信噪比进行动态调整，从而提高通信的速率和容量，同时保持发送端的输出功率不变，避免功率的波动和干扰。
获取ACM算法确定的目标调制方式，判断当前调制方式与目标调制方式是否一致，当前调制方式与目标调制方式不一致时，则进行升阶或者降阶，算法中ACM与AUPC是互斥的，当发生ACM时，功率调整值必为0。同时网控系统中是通过更改时隙计划中的载荷参数来控制发送端的调制方式的，即当发生ACM时，目标调制方式并非直接下发到发送端，而是修改了发送端的时隙计划参数以达成目的。
S4、进行AUPC控制，读取发送端的输出功率，获取发送端的功率上升空间，根据心跳数据的信噪比与发送端的功率上升空间，调整发送端的输出功率。
步骤S4具体如图4所示，包括：
S41、从当前调制方式开始，根据心跳数据的信噪比，遍历阈值映射表，获取下一个阶段的调制方式；
S42、读取发送端的最大输出功率，获取发送端的功率上升空间，判断发送端的功率上升空间是否可将心跳数据的信噪比提升至下一个阶段的调制方式，如果可以，计算差值上升功率，调整发送端的输出功率；如果不可以，进入下一步；
S43、计算差值上升功率，将心跳数据的信噪比维持到当前调制方式的阈值至阈值加1之间，保证通信质量，调整发送端的输出功率。
在进一步的实施例中，判断当前调制方式是否大于最高阶调制方式，如果是，则将最高阶调制方式作为当前调制方式；如果否，则初始化目标调制方式为最低阶调制方式，判断心跳数据的信噪比是否大于目标调制方式的阈值，如果是，则确定目标调制方式为当前调制方式，如果不是，则将目标调制方式升为下一阶调制方式，重新判断心跳数据的信噪比是否大于目标调制方式的阈值。
这样可以实现对反向突发的AUPC控制，使得发送端的输出功率能够根据反向突发的信噪比进行动态调整，从而提高通信的质量和效率，同时减少发送端的功率消耗和干扰。
还可以使用卡尔曼滤波、指数平滑或加权平均算法，对所述心跳数据的信噪比进行滤波或平滑处理，消除信道状态和环境噪声的干扰。
S5、接收发送端的反馈信息，判断反馈信息是否在预定的范围内，如果不在，则根据反馈信息调整阈值映射表，重新执行步骤S2至S4，直到在预定的范围内为止，其中反馈信息包括发送端的实际输出功率、调制方式和误码率。
在进一步的实施例中，接收端通过与发送端的协议或者接口，查询发送端的数据库或者网页，获取发送端的输出功率；接收端设定一个期望的输出功率范围，判断反馈信息是否在设定的范围内，如果发送端的输出功率过低，可以将阈值映射表中的阈值减小，以提高信号检测的灵敏度；如果发送端的调制方式过高，可以将阈值映射表中的阈值增大，以降低信号检测的误报率。
这样可以了解发送端的实际输出功率、调制方式和误码率的情况，从而可以评估发送端的通信性能和资源利用率；实现接收端的自适应调节，提高信号检测的准确性和效率；实现发送端和接收端之间的通信协调和优化，达到最佳的通信效果和资源利用率，通过发送端的反馈信息，动态地调整AUPC或ACM控制参数，以适应信道环境的变化，提高控制的精度和灵敏度。
本申请根据接收端信噪比大小，变更为信噪比符合阈值的调制方式。当信噪比与调制方式对应后，判断发送端是否可继续提升功率，即是否有功率上升空间，若可以提升功率并使信噪比达到更高阶调制方式的阈值，则下发信令要求发送端提升功率以便进行下一次调制方式的升阶。与之相反的，当信噪比由于某些原因下降时，也要对调制方式进行降阶。
在进一步的实施例中，如图5至图8所示，首先由硬件确定所有可支持的调制方式与码率组合，及其对应的信噪比阈值，即阈值映射表（threshold_map）具体为：
{
"QPSK_1/2": T1,
"QPSK_3/4": T2,
"8PSK_3/4": T3,
"8PSK_5/6": T4,
"16QAM_5/6": T5,
"16QAM_8/9": T6,
}
其中，T1-T6均为float类型数值，并且有 T1<T2<T3<T4<T5<T6 的大小关系。
由于接收信噪比的大小并不是固定不变的，受一些通信干扰的影响会有轻微的上下浮动，所以为了保证通过对比信噪比来变更调制方式的准确性，通过接收N包心跳数据，其中N值可根据业务情况进行调整，一般为10 – 30，然后由这N个数据取中位数的方式，来选出具备心跳数据的性的信噪比值并记为snr_mean。记当前调制方式为now_modcod，然后根据snr_mean的值通过遍历阈值映射表threshold_map，当T3<snr_mean<T4时，对应调制方式为8PSK_3/4，将目标调制方式记为target_modcod。然后判断当前调制方式与此调制方式是否一致，若不一致则进行升阶或者降阶，若一致，则对其进行AUPC，当进行AUPC功率调整时，要通过发送端的功率上升空间判断是否可将信噪比提升至下一个阶段的调制方式，若可调整，则计算差值上升功率，若不足以达到下一阶调制方式，则将信噪比维持到当前调制方式的阈值至阈值加1之间，将功率调整值记为delta_power。
算法中ACM与AUPC是互斥的，当发生ACM时，delta_power的值必为0；当进行AUPC时，则目标调制方式target_modcod必与当前调制方式保持一致。同时网控系统中是通过更改时隙计划中的载荷参数来控制发送端的调制方式的，即当发生ACM是，目标调制方式target_modcod并非直接下发到发送端，而是修改了发送端的时隙计划参数以达成目的。
本实施例利用计算机思想通过使用阈值映射表的方式利用空间换时间，控制了ACM与AUPC的计算时间的复杂度。采用心跳数据的中位数作为信噪比的估计值，避免了异常值的影响，提高了信噪比的准确性；根据发送端的控制参数动态调整阈值映射表的有效范围，适应不同的调制方式的限制，提高了调制方式的选择灵活性；结合AUPC和ACM两种控制方法，实现了发送端的功率、调制方式和码率的综合优化，提高了通信速率和效率；在接收心跳数据时进行时延检测和信道估计，消除了时延和信道的影响，提高了心跳数据的质量；构建神经网络模型，利用历史数据训练神经网络，根据当前的信道状态预测最高阶和最低阶的调制方式，提高了调制方式的适应性；接收发送端的反馈信息，根据反馈信息调整阈值映射表，实现了网控系统的自适应调节，提高了网控系统的稳定性。
进一步的，由于每个发送端有灵活调整最高阶调制方式以及最低阶调制方式的需求，所以阈值映射表threshold_map还针对每个发送端都设置两个边界值最高阶调制方式（max_modcod）与最低阶调制方式（min_modcod）。因为一个网控可以管理大量的发送端，如果每一个发送端来进行ACM与AUPC时都要重新构建阈值映射表threshold_map，会造成内存空间频繁的分配与释放造成大量的内存碎片，由于这两个值可以灵活变更，所以采用参数形式传递来限制阈值映射表threshold_map，而非每次都要构建一个新的阈值映射表threshold_map。本发明自动对通信的发送功率、调制方式以及码率进行调节，从而达到更高的通信效率，即在相同带宽的卫星资源情况下拥有更高的通信速率。
在一些实施例中，对于心跳数据的信噪比，还可以使用神经网络来代替中位数进行计算。对于信道估计，可以采用卷积神经网络来实现。对于选择算法，可以采用强化学习的方式来实现，对于功率调整算法，可以采用模糊逻辑控制方法，具体如下：
在进一步的实施例中，S1、接收预定个反向突发的心跳数据，对心跳数据进行信道估计和校正，得到校正后的心跳数据，根据校正后的心跳数据构建心跳数据包；
S11、在预定时间内接收预定个反向突发的心跳数据，所述预定个不少于两个；
S12、对每个心跳数据进行时延检测，计算每个心跳数据的平均时延，根据设定的时延阈值，判断心跳数据是否超过设定的时延阈值，如果是，则剔除心跳数据，重新接收反向突发的心跳数据；如果不是，则保留心跳数据；
S13、对每个保留的心跳数据，采用基于卷积神经网络的信道估计算法，对接收的心跳数据进行信道估计，得到信道系数的估计值；
S14、根据信道系数的估计值，对心跳数据进行逆信道补偿，消除信道的失真和干扰，得到校正后的心跳数据；
S15、根据校正后的心跳数据构建心跳数据包，将心跳数据包存储在内存中，等待后续处理。
S2、将心跳数据包输入一个深度神经网络模型，该模型由多个卷积层、池化层、全连接层和输出层组成，用于提取心跳数据的特征，并输出心跳数据的信噪比；
S21、构建深度神经网络模型，该模型由四个卷积层、四个池化层、两个全连接层和一个输出层组成，每个卷积层后面跟着一个池化层，每个全连接层后面跟着一个激活函数，输出层使用线性激活函数；
S22、收集反向突发的心跳数据和信噪比的历史数据，使用收集的历史数据训练深度神经网络模型，优化模型的参数，使模型能够准确地从心跳数据中提取信噪比的特征；
S23、将心跳数据包输入训练好的深度神经网络模型中，经过卷积层、池化层、全连接层和输出层的计算，得到心跳数据的信噪比的估计值，作为该时间段内心跳数据的信噪比。
S3、根据心跳数据的信噪比，遍历预存储的阈值映射表，查找并确定目标调制方式；其中阈值映射表存储有信噪比阈值和调制方式的映射关系；
S31、构建阈值映射表，用于存储每种调制方式对应的信噪比阈值，该阈值映射表可以根据不同的通信环境和要求进行调整，也可以通过学习算法进行自适应更新；
S32、读取发送端的时隙计划，获取发送端的当前调制方式，根据当前调制方式限定阈值映射表的有效范围，避免调制方式的跳变过大，导致通信质量下降；
S33、在阈值映射表的有效范围内，查找满足心跳数据的信噪比的调制方式，记为目标调制方式，如果有多个满足条件的调制方式，则选择通信效率最高的调制方式作为目标调制方式。
S4、读取发送端的时隙计划，获取发送端的当前调制方式，判断当前调制方式与目标调制方式是否一致，如果一致，则进入下一步；如果不一致，则进行ACM控制，将当前调制方式调整到目标调制方式，进入下一步；
S41、读取发送端的时隙计划，获取发送端的当前调制方式，与目标调制方式进行比较，判断是否一致；
S42、如果当前调制方式与目标调制方式一致，则进入下一步，不进行ACM控制；
S43、如果当前调制方式与目标调制方式不一致，则进行ACM控制，采用基于强化学习的调制方式选择算法，根据当前的通信状态和目标调制方式，选择一个合适的调制方式作为中间调制方式，使通信质量不会因为调制方式的变化而降低；
S44、根据中间调制方式，修改时隙计划中的载荷参数，得到新的时隙计划，并下发到发送端；
S45、发送端根据新的时隙计划将当前调制方式调整到中间调制方式，然后再次执行步骤S4，直到当前调制方式与目标调制方式一致为止。
S5、进行AUPC控制，读取发送端的输出功率，获取发送端的功率上升空间，根据心跳数据的信噪比与发送端的功率上升空间，调整发送端的输出功率；
S51、从当前调制方式开始，根据心跳数据的信噪比，遍历阈值映射表，获取下一个阶段的调制方式；
S52、读取发送端的最大输出功率，获取发送端的功率上升空间，判断发送端的功率上升空间是否可将心跳数据的信噪比提升至下一个阶段的调制方式，如果可以，计算差值上升功率，调整发送端的输出功率；如果不可以，进入下一步；
S53、计算差值上升功率，采用基于模糊逻辑的功率调整算法，利用模糊逻辑的模糊推理，将心跳数据的信噪比维持到当前调制方式的阈值至阈值加1之间，保证通信质量，调整发送端的输出功率。
S6、接收发送端的反馈信息，判断反馈信息是否在预定的范围内，如果不在，则根据反馈信息调整阈值映射表，重新执行步骤S2至S5，直到在预定的范围内为止，其中反馈信息包括发送端的实际输出功率、调制方式和误码率。
S61、接收发送端的反馈信息，包括发送端的实际输出功率、调制方式和误码率，将反馈信息与预定的范围进行比较，判断是否在预定的范围内；
S62、如果反馈信息在预定的范围内，则结束本次网控系统的控制过程，保持当前的输出功率、调制方式和码率，继续接收下一个时间段的心跳数据，执行步骤S1；
S63、如果反馈信息不在预定的范围内，则根据反馈信息调整阈值映射表，采用基于遗传算法的阈值优化算法，利用遗传算法的选择、交叉、变异和适应度评价等操作，寻找最优的阈值映射表，使网控系统的控制效果达到最佳；
S64、根据调整后的阈值映射表，重新执行步骤S2至S5，直到反馈信息在预定的范围内为止。
在本实施例中，采用深度神经网络模型来估计心跳数据的信噪比，代替了中位数的计算，提高了信噪比的精度和鲁棒性；在信道估计和校正的过程中，采用了基于卷积神经网络的信道估计算法，利用卷积层的局部感受野和权值共享的特性，提高了信道估计的效率和准确性；在ACM控制的过程中，采用了基于强化学习的调制方式选择算法，利用强化学习的奖励机制，实现了调制方式的自适应选择，提高了调制方式的优化性；在AUPC控制的过程中，采用了基于模糊逻辑的功率调整算法，利用模糊逻辑的模糊推理，实现了功率的动态调整，提高了功率的灵活性。
在进一步的实施例中，步骤S13具体可以为：
假设接收到了四个反向突发的心跳数据，分别为x1,x2,x3,x4，它们经过了不同的信道h1,h2,h3,h4，并叠加了噪声n1,n2,n3,n4，因此接收到的心跳数据为y1,y2,y3,y4，其中yi= hi*xi+ni，*表示卷积运算。需要对每个心跳数据进行信道估计，得到信道系数的估计值h1 *, h2 *, h3 *, h4 *，然后根据信道系数的估计值，对心跳数据进行逆信道补偿，得到校正后的心跳数据x1 *, x2 *, x3 *, x4 *，其中xi *= yi* hi !，hi !表示信道系数的逆卷积。
采用基于卷积神经网络的信道估计算法，该算法由一个输入层、两个卷积层、两个池化层、一个全连接层和一个输出层组成。输入层接收心跳数据yi，输出层输出信道系数的估计值hi *。卷积层和池化层用于提取心跳数据的特征，全连接层用于将特征映射到信道系数的空间。卷积层的核大小为3，步长为1，池化层的类型为最大池化，池化大小为2，步长为2。全连接层的神经元个数为64，激活函数为ReLU。输出层的神经元个数为信道系数的长度，激活函数为线性函数。
利用卷积层的局部感受野和权值共享的特性，提高了信道估计的效率和准确性。局部感受野：每个卷积核只对输入数据的一小块区域进行卷积运算，从而提取出该区域的局部特征。这样可以减少计算量，同时保留信道的时域特性。权值共享的意思是，每个卷积核在输入数据的不同位置进行卷积运算时，使用相同的权值参数。这样可以减少参数的数量，同时增强模型的泛化能力。通过这两个特性，可以用较少的计算资源，得到较高的信道估计的精度。
例如，对于心跳数据y1，将其输入卷积神经网络模型中，经过第一个卷积层，得到16个特征图，每个特征图由一个卷积核生成，每个卷积核只对y1的一个3个元素的窗口进行卷积运算，然后移动一个步长，重复该过程，直到覆盖整个y1。这样，就提取出了y1的局部特征，例如信号的幅度、频率、相位等。然后，将这16个特征图输入第一个池化层，得到8个特征图，每个特征图由一个池化操作生成，每个池化操作只对特征图的一个2个元素的窗口进行最大值选择，然后移动两个步长，重复该过程，直到覆盖整个特征图。这样，就降低了特征图的维度，同时保留了最显著的特征。接下来，将这8个特征图输入第二个卷积层，得到32个特征图，每个特征图由一个卷积核生成，每个卷积核只对特征图的一个3个元素的窗口进行卷积运算，然后移动一个步长，重复该过程，直到覆盖整个特征图。这样，就提取出了特征图的更高层次的特征，例如信号的形状、变化、规律等。然后，将这32个特征图输入第二个池化层，得到16个特征图，每个特征图由一个池化操作生成，每个池化操作只对特征图的一个2个元素的窗口进行最大值选择，然后移动两个步长，重复该过程，直到覆盖整个特征图。这样，就进一步降低了特征图的维度，同时保留了最显著的特征。接下来，将这16个特征图展平成一个一维向量，输入全连接层，得到一个64维的向量，每个元素由一个神经元生成，每个神经元对输入向量的所有元素进行加权求和，然后通过ReLU激活函数，得到一个非线性的映射。这样，就将特征向量映射到了信道系数的空间，增加了模型的表达能力。最后，将这个64维的向量输入输出层，得到一个与信道系数长度相同的向量，每个元素由一个神经元生成，每个神经元对输入向量的所有元素进行加权求和，然后通过线性激活函数，得到一个线性的映射。这样，就得到了信道系数的估计值$\hat{h}_1$。在整个过程中，使用了相同的卷积核和池化操作，实现了权值共享，减少了参数的数量，增强了模型的泛化能力。这就是基于卷积神经网络的信道估计算法的数据处理过程，利用卷积层的局部感受野和权值共享的特性，提高了信道估计的效率和准确性。
在本申请的另一实施例中，步骤S43进一步为：假设在步骤S33中，根据心跳数据的信噪比，查找并确定了目标调制方式为16QAM_3/4，而发送端的当前调制方式为QPSK_1/2，显然，这两种调制方式的差距较大，如果直接从QPSK_1/2变为16QAM_3/4，可能会导致通信质量的急剧下降，甚至出现通信中断的情况。因此，需要选择一个合适的中间调制方式，作为过渡，使通信质量不会因为调制方式的变化而降低。
采用了基于强化学习的调制方式选择算法，该算法由一个智能体、一个环境、一个状态空间、一个动作空间和一个奖励函数组成。智能体是自己，环境是通信系统，状态空间是由心跳数据的信噪比和发送端的功率上升空间组成的二维向量，动作空间是由所有可能的调制方式组成的集合，奖励函数是由通信效率和通信质量组成的函数。目标是通过与环境的交互，学习一个最优的策略，使得奖励函数的累积值最大化。
使用基于深度Q网络（DQN）的强化学习算法，该算法使用一个深度神经网络来近似最优的Q函数，即状态-动作值函数，表示在某个状态下采取某个动作的长期回报的期望。该神经网络由一个输入层、两个隐藏层和一个输出层组成，输入层接收状态空间的向量，输出层输出动作空间的向量，每个元素对应一个动作的Q值。隐藏层的神经元个数为128，激活函数为ReLU。输出层的激活函数为线性函数。
使用基于经验回放（ER）的训练方法，该方法使用一个经验池来存储与环境的交互历史，即状态、动作、奖励和下一个状态的四元组。每次训练时，从经验池中随机抽取一批数据，作为训练样本，使用梯度下降法来更新神经网络的参数，使神经网络的输出与目标Q值的均方误差最小化。目标Q值是由奖励函数和下一个状态的最大Q值组成的，使用了一种双重DQN（DDQN）的方法，即使用两个相同结构但不同参数的神经网络，一个用于选择动作，一个用于评估动作，从而避免过高估计的问题。
例如，对于当前的状态st，将其输入神经网络中，得到每个动作的Q值，然后根据一种贪婪探索的方法，以一定的概率选择一个随机的动作，或者选择一个Q值最大的动作，记为at。然后，将at作为中间调制方式，修改时隙计划中的载荷参数，下发到发送端，发送端根据新的时隙计划将当前调制方式调整到at。接着，观察环境的反馈，得到奖励rt和下一个状态st+1。奖励rt是由通信效率和通信质量组成的函数，通信效率是由调制方式的码率决定的，通信质量是由误码率决定的，奖励函数的具体形式可以根据不同的通信目标进行设计。然后，将st,at,rt,st+1作为一个四元组存储在经验池中，等待后续的训练。这就是基于强化学习的调制方式选择算法的交互过程，根据当前的通信状态和目标调制方式，选择一个合适的中间调制方式，使通信质量不会因为调制方式的变化而降低。
在本申请的另一实施例中，步骤S53进一步为：
假设在步骤S51中，根据心跳数据的信噪比，遍历阈值映射表，获取了下一个阶段的调制方式为16QAM_3/4，而当前的调制方式为QPSK_3/4，根据阈值映射表，知道QPSK_3/4的信噪比阈值为10dB，而16QAM_3/4的信噪比阈值为14dB，因此，需要将心跳数据的信噪比提升到14dB，才能使用16QAM_3/4的调制方式。然而，在步骤S52中，读取了发送端的最大输出功率，获取了发送端的功率上升空间，发现发送端的功率上升空间不足以将心跳数据的信噪比提升到14dB，因此，需要将心跳数据的信噪比维持到当前调制方式的阈值至阈值加1之间，即10dB至11dB，保证通信质量，同时尽可能提高通信效率。
采用基于模糊逻辑的功率调整算法，该算法由一个模糊化模块、一个模糊推理模块、一个解模糊化模块和一个输出模块组成。模糊化模块将心跳数据的信噪比和发送端的功率上升空间转换为模糊集合，模糊推理模块根据模糊规则和模糊运算，得到输出功率的模糊集合，解模糊化模块将输出功率的模糊集合转换为具体的数值，输出模块将输出功率的数值下发到发送端，调整发送端的输出功率。利用模糊逻辑的模糊推理，将心跳数据的信噪比维持到当前调制方式的阈值至阈值加1之间，保证通信质量，调整发送端的输出功率。模糊推理的意思是，根据模糊的输入和模糊的规则，得到模糊的输出，然后通过解模糊化的方法，得到确定的输出。这样可以处理不确定性和非线性性的问题，实现功率的动态调整。
例如，对于心跳数据的信噪比，将其划分为三个模糊集合，分别为低（L）、中（M）、高（H），并定义其隶属度函数为三角形函数。对于发送端的功率上升空间，将其划分为三个模糊集合，分别为小（S）、中（M）、大（L），并定义其隶属度函数为梯形函数。以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (9)
1.一种TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，包括如下步骤：
S1、接收预定个反向突发的心跳数据，计算心跳数据的中位数，记作心跳数据的信噪比；
S2、根据心跳数据的信噪比，遍历预存储的阈值映射表，查找并确定目标调制方式；其中阈值映射表存储有信噪比阈值和调制方式的映射关系；
S3、读取发送端的时隙计划，获取发送端的当前调制方式，判断当前调制方式与目标调制方式是否一致，如果一致，则进入下一步；如果不一致，则进行ACM控制，将当前调制方式调整到目标调制方式，进入下一步；
S4、进行AUPC控制，包括读取发送端的输出功率，获取发送端的功率上升空间，根据心跳数据的信噪比与发送端的功率上升空间，调整发送端的输出功率。
2.根据权利要求1所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，步骤S1具体为：
S11、在预定时间内接收预定个反向突发的心跳数据，构建心跳数据包，所述预定个不少于两个；
S12、依序读取心跳数据包中的心跳数据，判断心跳数据的数量是否达到设定的阈值；
S13、若达到阈值，构建心跳数据集合，将心跳数据存入心跳数据集合，对心跳数据集合中的心跳数据进行顺次排序，并找到中间位置的心跳数据，将其作为该时间段内心跳数据的信噪比。
3.根据权利要求1所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，步骤S2具体为：
S21、构建阈值映射表，用于存储每种调制方式对应的信噪比阈值；
S22、读取每个发送端的控制参数，根据控制参数分别设定发送端的最高阶调制方式和最低阶调制方式，通过发送端的最高阶调制方式和最低阶调制方式限定阈值映射表的有效范围；
S23、在阈值映射表的有效范围内，查找满足心跳数据的信噪比的调制方式，记为目标调制方式。
4.根据权利要求1所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，步骤S3中的进行ACM控制具体为：
S31、根据目标调制方式，修改时隙计划中的载荷参数，得到新的时隙计划，并下发到发送端；
S32、发送端根据新的时隙计划将当前调制方式调整到目标调制方式。
5.根据权利要求1所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，步骤S4具体为：
S41、从当前调制方式开始，根据心跳数据的信噪比，遍历阈值映射表，获取下一个阶段的调制方式；
S42、读取发送端的最大输出功率，获取发送端的功率上升空间，判断发送端的功率上升空间是否可将心跳数据的信噪比提升至下一个阶段的调制方式，如果可以，计算差值上升功率，调整发送端的输出功率；如果不可以，进入下一步；
S43、计算差值上升功率，将心跳数据的信噪比维持到当前调制方式的阈值至阈值加1之间，保证通信质量，调整发送端的输出功率。
6.根据权利要求2所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，步骤S11具体为：
S11a、在预定时间内接收预定个反向突发的心跳数据，并逐一对心跳数据进行时延检测，计算每个心跳数据的平均时延；
S11b、根据设定的时延阈值和各个心跳数据的平均时延，判断心跳数据是否超过设定的时延阈值，如果是，则剔除心跳数据，重新接收反向突发的心跳数据；如果不是，则保留心跳数据，根据保留的心跳数据构建心跳数据包。
7.根据权利要求1所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，还包括对接收的心跳数据进行信道估计和校正，具体为：
S1a、采用预先设定的信道模型和信道估计算法，对接收的心跳数据进行信道估计，得到信道系数的估计值；
S1b、根据信道系数的估计值，对心跳数据进行逆信道补偿，消除信道的失真和干扰，得到校正后的心跳数据，根据校正后的心跳数据构建心跳数据包。
8.根据权利要求3所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，步骤S22具体为：
S22a、构建神经网络模型，收集反向突发的信道状态和调制方式的历史数据，使用收集的历史数据训练神经网络模型；
S22b、读取发送端的时隙计划，获取当前反向突发的信道状态；
S22c、将当前反向突发的信道状态输入训练好的神经网络模型中，得到发送端的最高阶调制方式和最低阶调制方式；
S22d、通过发送端的最高阶调制方式和最低阶调制方式动态调整阈值映射表的有效范围，适应不同的通信环境。
9.根据权利要求1所述的TDMA中网控系统对反向突发的AUPC及ACM控制方法，其特征在于，还包括：
S5、接收发送端的反馈信息，判断反馈信息是否在预定的范围内，如果不在，则根据反馈信息调整阈值映射表，重新执行步骤S2至S4，直到在预定的范围内为止，其中反馈信息包括发送端的实际输出功率、调制方式和误码率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410067708.2A CN117579136B (zh) | 2024-01-17 | 2024-01-17 | Tdma中网控系统对反向突发的aupc及acm控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410067708.2A CN117579136B (zh) | 2024-01-17 | 2024-01-17 | Tdma中网控系统对反向突发的aupc及acm控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117579136A true CN117579136A (zh) | 2024-02-20 |
| CN117579136B CN117579136B (zh) | 2024-04-02 |
Family
ID=89888626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410067708.2A Active CN117579136B (zh) | 2024-01-17 | 2024-01-17 | Tdma中网控系统对反向突发的aupc及acm控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117579136B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101237259A (zh) * | 2007-01-29 | 2008-08-06 | 华为技术有限公司 | 一种实现功率控制的方法、系统及用户台 |
| US20110021137A1 (en) * | 2008-04-22 | 2011-01-27 | Elbit Systems Land and C41-Tadiran Ltd. | Method and apparatus for compensation for weather-based attenuation in a satellite link |
| CN102413555A (zh) * | 2010-09-20 | 2012-04-11 | 鼎桥通信技术有限公司 | 上行信道控制方法 |
| US20150139072A1 (en) * | 2013-11-19 | 2015-05-21 | Electronics And Telecommunications Research Institute | Satellite mesh communication system and acm control method using the same |
| CN105812046A (zh) * | 2016-03-10 | 2016-07-27 | 中国人民解放军国防科学技术大学 | 一种卫星移动通信系统心跳消息的实现系统及方法 |
| CN111193673A (zh) * | 2020-04-10 | 2020-05-22 | 亮风台（上海）信息科技有限公司 | 数据传输速率控制方法、系统和用户设备 |
| CN111200458A (zh) * | 2020-01-06 | 2020-05-26 | 四川安迪科技实业有限公司 | 基于卫星链路通信功率及调制模式的自动控制方法及系统 |
| CN111491358A (zh) * | 2020-04-23 | 2020-08-04 | 电子科技大学 | 基于能量采集的自适应调制和功率控制系统与优化方法 |
| CN113854992A (zh) * | 2021-10-13 | 2021-12-31 | 浙江理工大学 | 基于77GHz毫米雷达的非接触式精确心率检测方法 |
| CN114040486A (zh) * | 2021-11-12 | 2022-02-11 | 四川安迪科技实业有限公司 | Tdma卫星通信系统突发载波无损aupc调整方法及装置 |
| CN114499651A (zh) * | 2021-12-30 | 2022-05-13 | 中国电子科技集团公司第五十四研究所 | 信号传输方法、信号传输装置及电子设备 |
| US20220212700A1 (en) * | 2020-11-04 | 2022-07-07 | Meteorcomm, Llc | Adaptive coding, modulation, and power control for positive train control systems |
| EP4142178A1 (en) * | 2021-08-27 | 2023-03-01 | ST Engineering iDirect (Europe) Cy NV | Method for transmit power management on a communication link |
| CN116248776A (zh) * | 2022-12-30 | 2023-06-09 | 北京天链测控技术有限公司 | 基于卫星随遇接入系统帧格式协议的传输方法及装置 |
-
2024
- 2024-01-17 CN CN202410067708.2A patent/CN117579136B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101237259A (zh) * | 2007-01-29 | 2008-08-06 | 华为技术有限公司 | 一种实现功率控制的方法、系统及用户台 |
| US20110021137A1 (en) * | 2008-04-22 | 2011-01-27 | Elbit Systems Land and C41-Tadiran Ltd. | Method and apparatus for compensation for weather-based attenuation in a satellite link |
| CN102413555A (zh) * | 2010-09-20 | 2012-04-11 | 鼎桥通信技术有限公司 | 上行信道控制方法 |
| US20150139072A1 (en) * | 2013-11-19 | 2015-05-21 | Electronics And Telecommunications Research Institute | Satellite mesh communication system and acm control method using the same |
| CN105812046A (zh) * | 2016-03-10 | 2016-07-27 | 中国人民解放军国防科学技术大学 | 一种卫星移动通信系统心跳消息的实现系统及方法 |
| CN111200458A (zh) * | 2020-01-06 | 2020-05-26 | 四川安迪科技实业有限公司 | 基于卫星链路通信功率及调制模式的自动控制方法及系统 |
| CN111193673A (zh) * | 2020-04-10 | 2020-05-22 | 亮风台（上海）信息科技有限公司 | 数据传输速率控制方法、系统和用户设备 |
| CN111491358A (zh) * | 2020-04-23 | 2020-08-04 | 电子科技大学 | 基于能量采集的自适应调制和功率控制系统与优化方法 |
| US20220212700A1 (en) * | 2020-11-04 | 2022-07-07 | Meteorcomm, Llc | Adaptive coding, modulation, and power control for positive train control systems |
| EP4142178A1 (en) * | 2021-08-27 | 2023-03-01 | ST Engineering iDirect (Europe) Cy NV | Method for transmit power management on a communication link |
| CN113854992A (zh) * | 2021-10-13 | 2021-12-31 | 浙江理工大学 | 基于77GHz毫米雷达的非接触式精确心率检测方法 |
| CN114040486A (zh) * | 2021-11-12 | 2022-02-11 | 四川安迪科技实业有限公司 | Tdma卫星通信系统突发载波无损aupc调整方法及装置 |
| CN114499651A (zh) * | 2021-12-30 | 2022-05-13 | 中国电子科技集团公司第五十四研究所 | 信号传输方法、信号传输装置及电子设备 |
| CN116248776A (zh) * | 2022-12-30 | 2023-06-09 | 北京天链测控技术有限公司 | 基于卫星随遇接入系统帧格式协议的传输方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 徐胜: "Ka卫星网络传输探究", 《数字通信世界》, 31 December 2022 (2022-12-31), pages 95 - 97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117579136B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chou et al. | A distributed and adaptive signal processing approach to reducing energy consumption in sensor networks | |
| CN110190918B (zh) | 基于深度q学习的认知无线传感器网络频谱接入方法 | |
| Pandana et al. | Near-optimal reinforcement learning framework for energy-aware sensor communications | |
| Boudagdigue et al. | A distributed advanced analytical trust model for IoT | |
| CN113795050B (zh) | 一种基于Sum Tree采样的深度双Q网络动态功率控制方法 | |
| CN112307044A (zh) | 基于多目标优化的自适应网络数据采集方法及相关设备 | |
| CN117579136B (zh) | Tdma中网控系统对反向突发的aupc及acm控制方法 | |
| CN1310530A (zh) | 调节要达到的信号质量目标的方法及相应的收发信机 | |
| CN114064394A (zh) | 基于边缘计算的安全监控方法、装置及终端设备 | |
| EP2426983B1 (en) | Method for link adaptation and apparatus thereof | |
| CN108809881A (zh) | 一种基于改进的exp3算法水下自适应ofdm通信方法 | |
| Chou et al. | A distributed and adaptive signal processing approach to exploiting correlation in sensor networks | |
| CN116761207A (zh) | 一种基于通信行为的用户画像构建方法与系统 | |
| CN116321431A (zh) | 基于元学习的超参数重加权水声网络介质访问控制方法 | |
| CN116755965A (zh) | 一种基于强化学习的嵌入式系统低功耗监控系统和方法 | |
| US20230177117A1 (en) | Enhanced Reinforcement Learning Algorithms Using Future State Prediction | |
| CN111510989A (zh) | 中继节点选取方法、数据传输方法、终端设备及存储介质 | |
| KR102535730B1 (ko) | 인지 무선 환경에서의 프로그레시브 이미지 전송 최적화 시스템 및 방법 | |
| CN117294640B (zh) | 一种基于ppo算法的车载机会路由节点选择方法及系统 | |
| CN114611718B (zh) | 一种用于异构数据的联邦学习方法及系统 | |
| CN118200953B (zh) | 一种无线自组网故障自检方法和系统 | |
| du Toit et al. | Low-density parity-check codes: tracking non-stationary channel noise using sequential variational Bayesian estimates | |
| CN115934661B (zh) | 一种图神经网络压缩方法、装置、电子设备及存储介质 | |
| CN118509916A (zh) | 反向散射通信网络中基于自适应包长的信息年龄优化方法 | |
| CN118555510B (zh) | 基于虚拟化技术的光通信装置资源分配方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |