[go: up one dir, main page]

CN115913297B - 卫星波束资源分配方法及神经网络模型的训练方法 - Google Patents

卫星波束资源分配方法及神经网络模型的训练方法 Download PDF

Info

Publication number
CN115913297B
CN115913297B CN202211365677.6A CN202211365677A CN115913297B CN 115913297 B CN115913297 B CN 115913297B CN 202211365677 A CN202211365677 A CN 202211365677A CN 115913297 B CN115913297 B CN 115913297B
Authority
CN
China
Prior art keywords
satellite
neural network
network model
diagonal matrix
resource allocation
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
Application number
CN202211365677.6A
Other languages
English (en)
Other versions
CN115913297A (zh
Inventor
韩笑
吴志强
朱晓辉
贾振华
钱志鹏
李绍旸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN202211365677.6A priority Critical patent/CN115913297B/zh
Publication of CN115913297A publication Critical patent/CN115913297A/zh
Application granted granted Critical
Publication of CN115913297B publication Critical patent/CN115913297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

  • Radio Relay Systems (AREA)

Abstract

本申请提供卫星波束资源分配方法及神经网络模型训练方法，其中卫星波束资源分配方法，包括以下步骤：获取目标用户的偏离角度AoD，以及AoD的误差分布参数；基于AoD确定统计信道模型，并采用神经网络模型处理误差分布参数，得到第一对角矩阵；基于统计信道模型确定功率分配因子，并基于第一对角矩阵，确定用户单位范数波束成型方向；基于功率分配因子和用户单位范数波束成型方向，确定波束成型矢量；基于波束成型矢量分配低轨卫星的波束资源。本申请提供的卫星波束资源分配方法具有减少卫星计算资源占用，提高卫星星座能源效率的优点。

Description

卫星波束资源分配方法及神经网络模型的训练方法
技术领域
本公开一般涉及卫星通信技术领域，具体涉及卫星波束资源分配方法及神经网络模型的训练方法。
背景技术
卫星通信系统通常可以覆盖各个领域，如交通、能源、农业、商业和公共安全等领域，卫星通信改善了地面网络的全球覆盖范围并提高了通信系统的服务质量。卫星通信网络的资源管理、网络控制、网络安全、频谱管理和能源使用等方面面临巨大挑战，特别是在具有有限的星载资源和快速移动特性的低轨道卫星系统中，系统需要及时协调由数百颗甚至数千颗卫星组成的空间网络，极大地增加了卫星通信系统的复杂性，并且随着卫星侧有效荷载的灵活部署，卫星需要在毫秒级的时间范围上重新配置其传输预算，设计传输系统的频率、功率和波束形成等关键技术指标，以保证良好的用于服务质量。
在低轨卫星通信系统中，由于传播延时长、高速移动性和卫星姿态抖动等实际因素，很难获取每个用于完美的基于偏离角的信道状态信息，而且由于卫星星座的资源有限，传统方法中复杂的计算占用过多的资源，降低了整个卫星星座的能源效率。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种卫星波束资源分配方法及神经网络模型的训练方法以解决上述问题。
本申请第一方面提供一种低轨卫星的波束资源分配方法，包括以下步骤：
获取目标用户的偏离角度AoD，以及所述AoD的误差分布参数；
基于所述AoD确定统计信道模型，并采用神经网络模型处理所述误差分布参数，得到第一对角矩阵；
基于所述统计信道模型确定功率分配因子，并基于所述第一对角矩阵，确定用户单位范数波束成型方向；
基于所述功率分配因子和所述用户单位范数波束成型方向，确定波束成型矢量；
基于所述波束成型矢量分配低轨卫星的波束资源。
根据本申请实施例提供的技术方案，所述基于所述第一对角矩阵，确定用户单位范数波形成型方向，包括：
基于所述第一对角矩阵，根据拉格朗日函数及其对偶函数计算第一拉格朗日乘子；
获取特征矩阵，对所述特征矩阵求解最大广义特征值，获得用户速率上限，所述特征矩阵包括所述统计信道模型以及第一拉格朗日乘子；
计算与所述用户速率上限相应的特征向量，获得用户单位范数波束成型方向。
根据本申请实施例提供的技术方案，基于所述AoD确定统计信道模型，所述采用神经网络模型处理所述误差分布参数，得到第一对角矩阵，包括：
将所述误差分布参数输入所述统计信道模型，输出计算样本；
对所述计算样本进行特征提取和特征映射获得第一特征数据；
将所述第一特征数据规范到设定范围内；
通过激活函数增加所述第一特征数据的非线性；
输出第一对角矩阵。
根据本申请实施例提供的技术方案，根据公式(一)计算所述波束成型矢量：
式中，表示波束成型矢量，ρk表示功率分配因子，表示用户单位范数波束成型方向。
根据本申请实施例提供的技术方案，所述统计信道模型根据对所述AoD求数学期望获得。
根据本申请实施例提供的技术方案，所述误差分布参数服从均匀分布以及高斯分布。
根据本申请实施例提供的技术方案，所述误差分布参数包括第一误差分布参数和第二误差分布参数，所述第一误差分布参数用于表征卫星的角度估计，所述第二误差分布参数用于表征卫星的姿态抖动。
本申请第二方面提供一种神经网络模型的训练方法，包括：
获取训练样本以及所述训练样本对应第二对角矩阵；
基于第二神经网络模型处理所述训练样本，得到所述神经网络模型输出的对角矩阵预测值；
确定所述对角矩阵预测值和所述第二对角矩阵之间的损失；
用所述损失调整所述第二神经网络模型的模型参数，在训练收敛的情况下，结束对所述神经网络模型的训练，得到第一神经网络模型。
根据本申请实施例提供的技术方案，所述基于第二神经网络模型处理所述训练样本，包括：
对所述训练样本进行特征提取和特征映射获得第二特征数据；
将所述第二特征数据规范到设定范围内；
通过第一激活函数增加所述特征数据的非线性；
输出对角矩阵预测值。
与现有技术相比，本申请的有益效果在于：通过基于AoD确定统计信道模型，并采用神经网络模型处理所述误差分布参数得到第一对角矩阵，使得相比于传统方法极大的降低了计算复杂度，减少计算资源的占用，进而提高整个卫星星座的能源效率；通过基于所述统计信号模型确定功率分配因子，并基于第一对角矩阵确定用户单位范数波束成型方向，利用功率分配因子和所述用户单位范数波束成型方向确定波束成型矢量，使得可卫星的波束资源进行合理分配。本申请提供的卫星波束资源分配方法具有减少卫星计算资源占用，提高卫星星座能源效率的优点。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请提供的卫星波束资源分配方法的流程图；
图2为本申请提供的神经网络模型的训练方法流程图；
图3为图2所示的神经网络模型的结构示意图；
图4为天线比例随迭代次数的变化曲线图；
图5为系统和速率性能与不同角度误差的关系图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
请参考图1，本申请提供一种卫星波束资源分配方法，包括以下步骤：
S11：获取目标用户的偏离角度AoD，以及所述AoD的误差分布参数；
S12：基于所述AoD确定统计信道模型，并采用神经网络模型处理所述误差分布参数，得到第一对角矩阵；
具体的，对所述AoD的误差分布参数求期望获得所述统计信道模型，将所述偏离角度AoD和所述误差分布参数输入统计信道模型进行处理，获得第一样本，将所述第一样本输入神经网络模型，输出第一对角矩阵，所述神经网络模型用于根据所述AoD和误差分布参数预测第一对角矩阵。
具体的所述统计信道模型根据公式(二)和公式(三)获得：
式中，表示统计信道模型，表示统计信道的方差，Mx、My表示卫星天线阵列在x轴和y轴上的天线数；表示偏离角度AoD，分别表示卫星获取的第k个用户相对于x轴与y轴的角度，H表示共轭转置。
S13：基于所述统计信道模型确定功率分配因子，并基于所述第一对角矩阵，确定用户单位范数波束成型方向；
具体的，所述功率分配因子根据公式(四)和公式(五)获得：
式中，ρk表示功率分配因子，γk为最优特征值，为噪声方差，矩阵M表示用于表征ρk的中间变量，[M]k,i为矩阵M中第(k,i)个元素，表示用户单位范数波束成型方向。
基于所述第一对角矩阵，确定用户单位范数波形成型方向，包括：
基于所述第一对角矩阵，根据拉格朗日函数及其对偶函数计算第一拉格朗日乘子；
获取特征矩阵，对所述特征矩阵求解最大广义特征值，获得用户速率上限，所述特征矩阵包括所述统计信道模型以及第一拉格朗日乘子；
计算与所述用户速率上限相应的特征向量，获得用户单位范数波束成型方向。
S14：基于所述功率分配因子和所述用户单位范数波束成型方向，确定波束成型矢量；
具体的，根据公式(一)计算所述波束成型矢量：
式中，表示波束成型矢量，ρk表示功率分配因子。
S15：基于所述波束成型矢量分配低轨卫星的波束资源。
具体的，对波束资源分配方法在卫星下行链路中有效性进行仿真：
仿真在若干次信道实现中，设用户数量为NT，NT个每天线功率约束中发生功率比第n个天线的最大允许功率高10％的天线的比例随迭代次数变化，如图4所示；
仿真波束资源分配方法在不同G/T值下的系统和速率性能；
调整所述角度误差所服从的均匀分布和高斯分布的参数，进一步提升性能；
仿真得到系统和速率性能与不同角度误差AoD的关系，如图5所示。
工作原理：通过基于AoD确定统计信道模型，并采用神经网络模型处理所述误差分布参数得到第一对角矩阵，使得相比于传统方法极大的降低了计算复杂度，减少计算资源的占用，进而提高整个卫星星座的能源效率；通过基于所述统计信号模型确定功率分配因子，并基于第一对角矩阵确定用户单位范数波束成型方向，利用功率分配因子和所述用户单位范数波束成型方向确定波束成型矢量，使得可卫星的波束资源进行合理分配。本申请提供的卫星波束资源分配方法具有减少卫星计算资源占用，提高卫星星座能源效率的优点。
在一优选实施方式中，基于所述AoD确定统计信道模型，所述采用神经网络模型处理所述误差分布参数，得到第一对角矩阵，包括：
将所述误差分布参数输入所述统计信道模型，输出计算样本；
对所述计算样本进行特征提取和特征映射获得第一特征数据；
将所述第一特征数据规范到设定范围内；
通过激活函数增加所述第一特征数据的非线性；
输出第一对角矩阵。
在一优选实施方式中，所述误差分布参数服从均匀分布以及高斯分布。
具体的，当偏离角度AoD和的误差服从均匀分布和时，误差分布参数为
当偏离角度AoD和的误差服从高斯分布和时，误差分布参数为
实施例2
请参考图2，本申请提供一种神经网络模型的构建方法，包括：
S21：获取训练样本以及所述训练样本对应第二对角矩阵；
S22：基于第二神经网络模型处理所述训练样本，得到所述神经网络模型输出的对角矩阵预测值；
S23：确定所述对角矩阵预测值和所述第二对角矩阵之间的损失；
S24：用所述损失调整所述第二神经网络模型的模型参数，在训练收敛的情况下，结束对所述神经网络模型的训练，得到第一神经网络模型。
通过获得的第一神经网络模型，将所述偏离角度AoD和AoD的误差分布参数经过统计信道模型处理后输入所述第一神经网络模型，可以对第一对角矩阵进行预测，相比传统获得第一对角矩阵的方法节省了计算资源，有助于提高卫星的资源利用效率。
进一步地，所述基于第二神经网络模型处理所述训练样本，包括：
S21：对所述训练样本进行特征提取和特征映射获得第二特征数据；
S22：将所述第二特征数据规范到设定范围内；
S23：通过第一激活函数增加所述特征数据的非线性；
S24：输出对角矩阵预测值。
具体的，如图3所示，所述深度学习模型包括若干个串联的网络单元，所述网络单元包括依次串联的卷积层CL、批量标准化层BN以及激活函数层AC，所述卷积层CL用于对所述训练样本进行特征提取和特征映射以获得第二特征数据，所述批量标准化层BN用于将所述特征数据规范到一定的范围内，所述激活函数层AC用于通过第一激活函数增加所述特征数据的非线性。
通过设置若干个串联的网络单元，若干个所述网络单元对使得可对第一对角矩阵的预测更准确。
进一步地，如图3所示，FC代表全连接层，将前面经过多次卷积后高度抽象化的所述特征数据进行整合，然后可以进行归一化，对各种分类情况都输出一个概率。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.卫星波束资源分配方法，其特征在于，包括以下步骤：
获取目标用户的偏离角度AoD，以及所述AoD的误差分布参数；
基于所述AoD确定统计信道模型，并采用神经网络模型处理所述误差分布参数，得到第一对角矩阵；
包括：
将所述误差分布参数输入所述统计信道模型，输出计算样本；
对所述计算样本进行特征提取和特征映射获得第一特征数据；
将所述第一特征数据规范到设定范围内；
通过激活函数增加所述第一特征数据的非线性；
输出第一对角矩阵；
基于所述统计信道模型确定功率分配因子，并基于所述第一对角矩阵，确定用户单位范数波束成型方向；
包括：
基于所述第一对角矩阵，根据拉格朗日函数及其对偶函数计算第一拉格朗日乘子；
获取特征矩阵，对所述特征矩阵求解最大广义特征值，获得用户速率上限，所述特征矩阵包括所述统计信道模型以及第一拉格朗日乘子；
计算与所述用户速率上限相应的特征向量，获得用户单位范数波束成型方向；
基于所述功率分配因子和所述用户单位范数波束成型方向，确定波束成型矢量；
基于所述波束成型矢量分配低轨卫星的波束资源。
2.根据权利要求1所述的卫星波束资源分配方法，其特征在于，根据公式（一）计算所述波束成型矢量：
（一）
式中，表示波束成型矢量，表示功率分配因子，表示用户单位范数波束成型方向。
3.根据权利要求1所述的卫星波束资源分配方法，其特征在于，所述统计信道模型根据对所述AoD求数学期望获得。
4.根据权利要求1所述的卫星波束资源分配方法，其特征在于，所述误差分布参数服从均匀分布以及高斯分布。
5.根据权利要求1所述的卫星波束资源分配方法，其特征在于，所述误差分布参数包括第一误差分布参数和第二误差分布参数，所述第一误差分布参数用于表征卫星的角度估计，所述第二误差分布参数用于表征卫星的姿态抖动。
6.根据权利要求1所述的卫星波束资源分配方法，其特征在于，所述神经网络模型的训练方法，包括：
获取训练样本以及所述训练样本对应第二对角矩阵；
基于第二神经网络模型处理所述训练样本，得到所述神经网络模型输出的对角矩阵预测值；
确定所述对角矩阵预测值和所述第二对角矩阵之间的损失；
用所述损失调整所述第二神经网络模型的模型参数，在训练收敛的情况下，结束对所述神经网络模型的训练，得到第一神经网络模型。
7.根据权利要求6所述的卫星波束资源分配方法，其特征在于，所述基于第二神经网络模型处理所述训练样本，包括：
对所述训练样本进行特征提取和特征映射获得第二特征数据；
将所述第二特征数据规范到设定范围内；
通过第一激活函数增加所述特征数据的非线性；
输出对角矩阵预测值。
CN202211365677.6A 2022-10-31 2022-10-31 卫星波束资源分配方法及神经网络模型的训练方法 Active CN115913297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211365677.6A CN115913297B (zh) 2022-10-31 2022-10-31 卫星波束资源分配方法及神经网络模型的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211365677.6A CN115913297B (zh) 2022-10-31 2022-10-31 卫星波束资源分配方法及神经网络模型的训练方法

Publications (2)

Publication Number Publication Date
CN115913297A CN115913297A (zh) 2023-04-04
CN115913297B true CN115913297B (zh) 2025-01-24

Family

ID=86492583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211365677.6A Active CN115913297B (zh) 2022-10-31 2022-10-31 卫星波束资源分配方法及神经网络模型的训练方法

Country Status (1)

Country Link
CN (1) CN115913297B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108512621A (zh) * 2018-03-02 2018-09-07 东南大学 一种基于神经网络的无线信道建模方法
CN113746510A (zh) * 2021-07-28 2021-12-03 广州大学 基于机器学习的用户调度和模拟波束选择优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015149312A1 (zh) * 2014-04-02 2015-10-08 华为技术有限公司 一种基于波束成形的通信方法及装置
KR102733133B1 (ko) * 2020-05-04 2024-11-22 한국전자통신연구원 통신 시스템에서의 빔포밍 방법 및 장치
CN113965233B (zh) * 2021-10-19 2022-07-26 东南大学 一种基于深度学习的多用户宽带毫米波通信资源分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108512621A (zh) * 2018-03-02 2018-09-07 东南大学 一种基于神经网络的无线信道建模方法
CN113746510A (zh) * 2021-07-28 2021-12-03 广州大学 基于机器学习的用户调度和模拟波束选择优化方法

Also Published As

Publication number Publication date
CN115913297A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
Wang et al. Partially-connected hybrid beamforming design for integrated sensing and communication systems
US12021667B2 (en) Transmission system with channel estimation based on a neural network
CN111147113B (zh) 一种能效保障的多波束卫星通信鲁棒预编码方法
JP7170863B2 (ja) アナログプリコーディング及びアナログ結合を可能にする方法
US11252045B1 (en) Processing blind beamforming for multi-user multiple-input multiple-output (MU-MIMO) systems
CN109962727A (zh) 临空通信混合波束赋形及非正交多址接入传输方法
Shtaiwi et al. RIS-assisted mmWave channel estimation using convolutional neural networks
Ronquillo et al. Sequential learning of CSI for mmWave initial alignment
Sheemar Hybrid beamforming techniques for massive mimo full duplex radio systems
CN113922854B (zh) 一种具有边缘计算辅助的集成雷达感知和无线通信方法
CN105812032B (zh) 基于波束块结构压缩感知的信道估计方法
CN115913297B (zh) 卫星波束资源分配方法及神经网络模型的训练方法
Nayir et al. Hybrid-field channel estimation for massive MIMO systems based on OMP cascaded convolutional autoencoder
WO2022034692A1 (ja) ビームフォーミング予測装置、方法及びプログラム
CN115102609B (zh) 一种多波束卫星的低复杂度用户分组及公平调度方法
CN114978264B (zh) 基于太赫兹mimo系统的混合预编码方法
CN117596681A (zh) 一种下行频谱共享和波束功率动态分配方法及相关装置
US11764857B2 (en) Systems and methods for multiple signal reception using receiver diversity
Ghadikolaei et al. Learning-based tracking of AoAs and AoDs in mmWave networks
Cheng et al. Gibbs sampling based sparse bayesian learning for direction-of-arrival estimation with impulse noise towards 6G
Fesl et al. Channel estimation with reduced phase allocations in RIS-aided systems
CN115118331A (zh) 一种基于dpp算法的动态低轨双星跳波束技术
CN113810096A (zh) 大规模mimo卫星移动通信上行传输方法及系统
CN112671435A (zh) 一种fdd大规模天线中基于字典迭代的信道估计方法
CN114900216B (zh) 大规模mimo鲁棒预编码器的迭代信干噪比设计方法

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