[go: up one dir, main page]

CN119171978B - 针对于天线阵列的波束切换预测方法、装置及存储介质 - Google Patents

针对于天线阵列的波束切换预测方法、装置及存储介质 Download PDF

Info

Publication number
CN119171978B
CN119171978B CN202411651540.6A CN202411651540A CN119171978B CN 119171978 B CN119171978 B CN 119171978B CN 202411651540 A CN202411651540 A CN 202411651540A CN 119171978 B CN119171978 B CN 119171978B
Authority
CN
China
Prior art keywords
antenna
antenna connection
determining
target
connection
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
CN202411651540.6A
Other languages
English (en)
Other versions
CN119171978A (zh
Inventor
李建成
张勇
王刚
朱正贤
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.)
Galaxyspace Beijing Communication Technology Co ltd
Original Assignee
Galaxyspace Beijing Communication Technology Co ltd
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 Galaxyspace Beijing Communication Technology Co ltd filed Critical Galaxyspace Beijing Communication Technology Co ltd
Priority to CN202411651540.6A priority Critical patent/CN119171978B/zh
Publication of CN119171978A publication Critical patent/CN119171978A/zh
Application granted granted Critical
Publication of CN119171978B publication Critical patent/CN119171978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Astronomy & Astrophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本申请公开了针对于天线阵列的波束切换预测方法、装置及存储介质，包括：基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解；以及在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。达到了减少天线阵列的切换开销的技术效果。

Description

针对于天线阵列的波束切换预测方法、装置及存储介质
技术领域
本申请涉及卫星通信技术领域，特别是涉及一种针对于天线阵列的波束切换预测方法、装置及存储介质。
背景技术
正如现有技术中所述的内容，由于卫星和列车均具有高移动性，因此在列车和卫星移动的过程中，可能会存在列车穿越不同波束区域的情况。即，可能会发生越区切换。值得注意的是，上述具有高移动性的不仅仅可以是列车，还可能是船舶或汽车等。
波束切换可以分为星内切换、星间切换以及地面切换。其中，星内切换是指移动体（包括列车、船舶以及汽车等）经由同一卫星间的不同波束时发生切换，该切换行为由同一卫星进行管理，因而所需切换开销较小。星间切换是指由于卫星的高速移动或移动体的高速移动导致列车穿越两个相邻卫星的波束覆盖范围，产生波束切换。
与传统的波束切换不同的是，上述移动体和卫星的运行轨迹是确定的，波束切换是可以预测的，因而可以根据卫星星历信息和移动体运行时刻信息计算出切换触发时的邻区列表。但是上述能够预测所切换的波束的前提是在仅存在一个可连接卫星或已经确定多个卫星中的目标卫星的情况下，才能够确定移动体下一时段所要切换的波束。而在移动体需要进行星间切换，并且在下一时段有多个卫星均可以与移动体进行通信连接的情况下，由于移动体还未确定多个波束中的目标波束，因此移动体无法预测下一时段所要切换的波束。
此外，由于移动体往往设置有多个不同发射角度的天线（即，天线阵列），因此即使已经确定了移动体下一时段所要切换的波束，还需要进一步确定天线阵列中与所切换的波束通信连接的天线。从而在上述两个切换过程中（即，卫星切换过程以及天线切换过程）均会产生一定的切换开销，而切换开销越大则所需要消耗的额外时间、空间以及资源成本越大。
公开号为CN116209021A，名称为基于信道预测的波束切换方法及装置。该方法包括在每一个时隙内，获取车联网场景中的状态信息；将状态信息输入到强化学习Q值网络中，以便得到所有动作对应的Q值，并采用ε 贪婪法在当前Q值中输出对应的动作；执行动作，以便得到对应的奖励值和下一时隙的状态信息；将当前时隙的状态信息、动作、奖励值和下一时隙的状态信息存储在经验池中；从经验池中进行数据采样，并对强化学习Q值网络进行训练。
公开号为CN115833889A，名称为高速移动场景下基于菱形搜索的波束切换方法及相应装置。其中，方法包括：将接收端当前通信细波束所在的目标粗波束中的所有细波束，以及目标粗波束相邻的至少两个粗波束中的所有细波束作为菱形搜索的波束范围，采用菱形搜索的方式确定第一条射频链路对应的第一目标细波束，并采用第一目标细波束切换第一条射频链路使用的细波束，同时基于第一目标细波束，确定其他射频链路使用的细波束。
针对上述的现有技术中存在的由于在卫星切换过程以及天线切换过程均会产生一定的切换开销，而切换开销越大则所需要消耗的时间、空间以及资源成本越大，而目前无法减少上述过程的切换开销的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种针对于天线阵列的波束切换预测方法、装置及存储介质，以至少解决现有技术中存在的由于在卫星切换过程以及天线切换过程均会产生一定的切换开销，而切换开销越大则所需要消耗的时间、空间以及资源成本越大，而目前无法减少上述过程的切换开销的技术问题。
根据本公开实施例的一个方面，提供了一种针对于天线阵列的波束切换预测方法，包括：基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中天线连接优化函数用于指示天线阵列中的各个天线与目标波束连接的适配度，目标优化函数用于指示多个天线连接优化函数中的最大适配度；以及在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面，还提供了一种针对于天线阵列的波束切换预测装置，包括：位置确定模块，用于基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；第一波束确定模块，用于根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；波束预测模块，用于基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；最优解确定模块，用于基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中天线连接优化函数用于指示天线阵列中的各个天线与目标波束连接的适配度，目标优化函数用于指示多个天线连接优化函数中的最大适配度；以及目标天线预测模块，用于在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
根据本公开实施例的另一个方面，还提供了一种针对于天线阵列的波束切换预测装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中天线连接优化函数用于指示天线阵列中的各个天线与目标波束连接的适配度，目标优化函数用于指示多个天线连接优化函数中的最大适配度；以及在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
本申请公开了一种针对于天线阵列的波束切换预测方法。首先，处理器基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置。然后，处理器根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束。进一步地，处理器基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束。之后处理器基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与天线连接优化函数对应的目标优化函数的最优解。最后，处理器在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
参考上述所述的内容可知，由于本申请先基于预先设置的神经网络模型，从多个波束中预测了与移动体建立连接的目标波束，然后基于天线连接优化函数并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，因此能够最终预测得到与目标波束连接的目标天线。从而，不管是在波束切换的过程中（即，从多个波束中预测与移动体建立连接的目标波束），还是在天线切换的过程中（即，从天线阵列中预测与目标波束建立连接的目标天线），所需要的切换开销最小。进而达到了减少移动体的天线阵列切换连接波束时所需要消耗的时间、空间以及资源成本的技术效果。
进而解决了现有技术中存在的由于在卫星切换过程以及天线切换过程均会产生一定的切换开销，而切换开销越大则所需要消耗的时间、空间以及资源成本越大，而目前无法减少上述过程的切换开销的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是用于实现根据本申请实施例1所述的方法的计算设备的硬件结构框图；
图2A是根据本申请实施例1所述的卫星的硬件架构示意图；
图2B是根据本申请实施例1所述的移动体的硬件架构示意图；
图3是根据本申请实施例1所述的针对于天线阵列的波束切换预测方法的流程图；
图4是根据本申请实施例2所述的针对于天线阵列的波束切换预测方法的装置示意图；
图5是根据本申请实施例3所述的针对于天线阵列的波束切换预测方法的装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种针对于天线阵列的波束切换预测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例所述的移动体进行波束切换的示意图。参考图1所示，该系统包括：多个卫星101~10n以及设置有天线阵列的移动体20。其中，移动体20的天线阵列包括多个天线，并且不同天线覆盖的角度不同。进一步地，图1所示出的移动体20处于卫星101的波束覆盖范围内，并通过天线阵列以及对应的波束与卫星101进行通信连接。并且值得注意的是，移动体20在下一时段即将进入卫星102~10n的波束覆盖范围内，从而移动体20还能够通过天线阵列以及各个卫星102~10n发射的波束分别与各个卫星102~10n进行通信连接。
图2A进一步示出了图1中卫星101~10n的硬件架构的示意图。参考图2A所示，卫星101~10n包括综合电子系统，综合电子系统包括：处理器、存储器、总线管理模块以及通信接口。其中存储器与处理器连接，从而处理器可以访问存储器，读取存储器存储的程序指令，从存储器读取数据或者向存储器写入数据。总线管理模块与处理器连接，并且还与例如CAN总线等总线连接。从而处理器可以通过总线管理模块所管理的总线，同与总线连接的星载外设进行通信。此外，处理器还经由通信接口与相机、星敏感器、测控应答机以及数传设备等设备通信连接。本领域普通技术人员可以理解，图2A所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，卫星系统还可包括比图2A中所示更多或者更少的组件，或者具有与图2A所示不同的配置。
图2B进一步示出了图1中移动体20的硬件架构的示意图。参考图2B所示，移动体20可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器、用于通信功能的传输装置以及输入/输出接口。其中存储器、传输装置以及输入/输出接口通过总线与处理器连接。除此以外，还可以包括：与输入/输出接口连接的显示器、键盘以及光标控制设备。本领域普通技术人员可以理解，图2B所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，地面系统还可包括比图2B中所示更多或者更少的组件，或者具有与图2B所示不同的配置。
应当注意到的是，图2A和图2B中示出的一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
图2A和图2B中示出的存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的针对于天线阵列的波束切换预测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的针对于天线阵列的波束切换预测方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。
此处需要说明的是，在一些可选实施例中，上述图2A和图2B所示的设备可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图2A和图2B仅为特定具体实例的一个实例，并且旨在示出可存在于上述设备中的部件的类型。
在上述运行环境下，根据本实施例的第一个方面，提供了一种针对于天线阵列的波束切换预测方法，该方法由图2B中所示的移动体20内的处理器实现。图3示出了该方法的流程示意图，参考图3所示，该方法包括：
S302：基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；
S304：根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；
S306：基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；
S308：基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中天线连接优化函数用于指示天线阵列中的各个天线与目标波束连接的适配度，目标优化函数用于指示多个天线连接优化函数中的最大适配度；以及
S310：在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
具体地，首先，处理器确定移动体20的导航信息，并基于移动体20的导航信息，确定移动体20的行驶路线。从而在确定移动体20的行驶路线的情况下，可以进一步确定下一时段移动体20所处的位置（即，第一位置）（S302）。例如，在当前时段移动体20所处的位置为d 1 。则在确定移动体20的行驶路线的情况下，可以进一步确定下一时段移动体所处的位置为d 2 。
此外，移动体20设置有天线阵列，天线阵列包括多个天线，并且处理器内存储有与天线阵列相关的参数信息，例如天线阵列中天线的数量以及各个天线的安装角度等。各个天线的安装角度不同，从而各个天线能够与不同角度的波束进行通信连接。
进一步地，处理器在确定下一时段的时间信息的情况下，可以根据预先存储的星历信息，确定在下一时段各个第一卫星的第二位置。例如，在下一时段，第一卫星的第二位置为d 1 ，第一卫星的第二位置为d 2 ，第一卫星的第二位置为d 3 ，.....，第一卫星的第二位置为d 4 。进一步地，在处理器确定下一时段移动体20的第一位置的情况下，可以确定下一时段与移动体20的第一位置对应的多个第二卫星。即，在下一时段，波束覆盖范围能够覆盖第一位置的多个第二卫星。例如，下一时段移动体20所处的第一位置为d 2 。从而处理器可以确定下一时段也处于第一位置d 2 的多个第二卫星，或波束覆盖范围能够覆盖第一位置d 2 的多个第二卫星。即，处理器能够确定与移动体20对应的多个第二卫星。
之后处理器基于各个第二卫星的波束调度信息，确定下一时段与各个第二卫星对应的波束（S304）。其中，波束调度信息例如可以是在各个时段内每个第二卫星发射哪个波束，以及该波束的覆盖范围和方向。从而在处理器确定了各个第二卫星的跳波束调度信息的情况下，可以确定在下一时段各个第二卫星所发射的波束。
进一步地，处理器基于预先设置的神经网络模型，从各个第二卫星所发射的波束中预测与移动体20建立连接的目标波束（S306）。具体地，在处理器确定下一时段各个第二卫星发射的波束的情况下，进一步确定与各个波束对应的波束质量信息。其中，波束质量信息例如可以包括波束通信损耗、信噪比以及信号衰减等。然后，处理器根据与各个波束对应的波束质量信息，确定与各个波束对应的波束质量向量。进一步地，处理器将与各个波束对应的波束质量向量输入至预先设置的神经网络模型以及softmax分类器，从而输出与各个波束对应的概率值。其中，概率值越大表示波束的质量越高，则在进行波束切换时所需要的开销越小；概率值越小表示波束的质量越低，则在进行波束切换时所需要的开销越大。从而处理器可以基于与各个波束对应的概率值，在多个波束中确定目标波束。
进一步地，在处理器确定目标波束的情况下，基于初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解（S308）。其中，初始化种群包含与各个天线对应的多个第一天线连接向量。具体地，处理器基于多个天线，随机生成多个第一天线连接向量。其中，多个第一天线连接向量为随机生成的初始化卫星连接向量。并且其中，第一天线连接向量，第一天线连接向量 ，...，第一天线连接向量。此外，值得注意的是，由于一个天线只能与一个波束进行连接，因此对于每个天线来说，只会出现连接或者不连接两种情况。例如，第一天线连接向量，在的情况下，表示多个天线中的天线W1与目标波束建立连接，多个天线中的其他天线W2~Wv均不与目标波束建立连接。
再例如，第一天线连接向量，在并且的情况下，表示多个天线中的天线W1与目标波束建立连接，多个天线中的天线W2与目标波束建立连接，多个天线中的其他天线W3~Wv均不与目标波束建立连接。
以此类推。
再例如，第一天线连接向量，在的情况下，表示多个天线中的任意一个天线W1~Wv均与目标波束建立连接。
之后在处理器确定初始化种群的情况下，生成对应的天线连接优化函数。其中，i=1~u。并且其中，表示与第一天线连接向量对应的天线连接优化函数，表示与第一天线连接向量对应的天线连接优化函数，...，表示与第一天线连接向量对应的天线连接函数。值得注意的是，天线连接优化函数是适应度函数。
进一步地，处理器利用遗传算法确定与多个天线连接优化函数对应的目标优化函数F。其中，。并且其中，目标优化函数用于指示各个天线W1~Wv与目标波束连接的最大适配度。
最后，处理器确定利用遗传算法确定与目标优化函数F对应的最优解。即，处理器确定与目标波束最相适配的天线（即，目标天线）。例如，若在多个天线连接优化函数中，的适配度最大，则说明与天线连接优化函数对应的第一天线连接向量中天线与目标波束连接的适配度最大。即，在多个天线中的天线W1与目标波束建立连接，多个天线中的其他天线均不与目标波束建立连接的情况下，并且下一时段所需要的切换开销最小。
再例如，若在多个天线连接优化函数中，的适配度最大，则说明与天线连接优化函数对应的第一天线连接向量中天线与目标波束连接的适配度最大。即，在多个天线中的任意一个天线W1~Wv均与目标波束建立连接的情况下，下一时段所需要的切换开销最小。
参考上述所述的内容可知，在本实施例中，由于天线阵列中包括多个天线W1~Wv，并且每个天线只能与一个波束通信，因此多个天线W1~Wv与目标波束之间存在多种可能的连接方式。进一步地，由于在切换天线的过程中，不同天线W1~Wv与目标波束切换过程的开销不同，因此对于移动体20来说，在选择适配度最高的天线与目标波束进行通信连接的情况下，有助于减少切换开销。
从而在处理器利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解的情况下（即，确定适配度最大的天线连接优化函数的情况下），能够确定对于目标波束来说，最适合进行通信连接的天线（即，目标天线）。上述内容将在后续进行详细描述，因此此处不再加以赘述。
最后，处理器在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线（S310）。例如，处理器确定与的适配度最大，则说明与天线连接优化函数对应的第一天线连接向量中各个天线与目标波束连接的适配度最大。从而在处理器确定目标优化函数的最优解的情况下，可以预测得到与目标波束连接的目标天线。
正如背景技术中所述的内容，与传统的波束切换不同的是，上述移动体和卫星的运行轨迹是确定的，波束切换是可以预测的，因而可以根据卫星星历信息和移动体运行时刻信息计算出切换触发时的邻区列表。但是上述能够预测所切换的波束的前提是在仅存在一个可连接卫星或已经确定多个卫星中的目标卫星的情况下，才能够确定移动体下一时段所要切换的波束。而在移动体需要进行星间切换，并且在下一时段有多个卫星均可以与移动体进行通信连接的情况下，由于移动体还未确定多个波束中的目标波束，因此移动体无法预测下一时段所要切换的波束。
此外，由于移动体往往设置有多个不同发射角度的天线（即，天线阵列），因此即使已经确定了移动体下一时段所要切换的波束，还需要进一步确定天线阵列中与所切换的波束通信连接的天线。从而在上述两个切换过程中（即，卫星切换过程以及天线切换过程）均会产生一定的切换开销，而切换开销越大则所需要消耗的额外时间、空间以及资源成本越大。
有鉴于此，本申请提供了一种针对于天线阵列的波束切换预测方法。并且由于本申请先基于预先设置的神经网络模型，从多个波束中预测了与移动体建立连接的目标波束，然后基于天线连接优化函数并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，因此能够最终预测得到与目标波束连接的目标天线。从而，不管是在波束切换的过程中（即，从多个波束中预测与移动体建立连接的目标波束），还是在天线切换的过程中（即，从天线阵列中预测与目标波束建立连接的目标天线），所需要的切换开销最小。进而达到了减少移动体的天线阵列切换连接波束时所需要消耗的时间、空间以及资源成本的技术效果。
进而解决了现有技术中存在的由于在卫星切换过程以及天线切换过程均会产生一定的切换开销，而切换开销越大则所需要消耗的时间、空间以及资源成本越大，而目前无法减少上述过程的切换开销的技术问题。
可选地，根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束的操作，包括：根据星历信息，确定下一时段各个第一卫星的第二位置，并基于下一时段移动体的第一位置，确定与移动体对应的多个第二卫星；以及基于各个第二卫星的波束调度信息，确定下一时段与各个第二卫星对应的波束，其中与各个第二卫星对应的波束用于指示与移动体建立连接的多个波束。
具体地，处理器在确定下一时段的时间信息的情况下，可以根据预先存储的星历信息，确定在下一时段各个第一卫星的第二位置。例如，在下一时段，第一卫星的第二位置为d 1 ，第一卫星的第二位置为d 2 ，第一卫星的第二位置为d 3 ，.....，第一卫星的第二位置为d 4 。进一步地，在处理器确定下一时段移动体20的第一位置的情况下，可以确定下一时段与移动体20的第一位置对应的多个第二卫星。即，在下一时段，波束覆盖范围能够覆盖第一位置的多个第二卫星。例如，下一时段移动体20所处的第一位置为d 2 。从而处理器可以确定下一时段也处于第一位置d 2 的多个第二卫星，或波束覆盖范围能够覆盖第一位置d 2 的多个第二卫星。即，处理器能够确定与移动体20对应的多个第二卫星。
之后处理器基于各个第二卫星的波束调度信息，确定下一时段与各个第二卫星对应的波束。其中，波束调度信息例如可以是在各个时段内每个第二卫星发射哪个波束，以及该波束的覆盖范围和方向。从而在处理器确定了各个第二卫星的跳波束调度信息的情况下，可以确定在下一时段各个第二卫星所发射的波束。
从而通过上述操作达到了为后续利用预设的神经网络模型，确定多个波束中的目标波束，并保证波束切换开销最小提供了必要基础的技术效果。
可选地，基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数的操作，包括：确定与初始化种群中的各个第一天线连接向量对应的多个影响因素，其中影响因素包括波束覆盖时间、剩余信道数以及信号质量；确定与各个影响因素对应的权重比例；以及根据多个影响因素以及与各个影响因素对应的权重比例，确定与各个第一天线连接向量对应的多个天线连接优化函数。
具体地，首先，在处理器确定多个天线连接优化函数的情况下，处理器可以进一步确定与初始化种群中的各个第一天线连接向量对应的多个影响因素。其中，影响天线切换开销的因素有很多，在本实施例中，选取波束覆盖时间、剩余信道数以及信号质量作为影响天线切换开销的因素。其中，波束覆盖时间越大则越能降低天线切换的频率。剩余信道数越多则说明负载越均衡。信号质量越高则说明信号的强度和稳定性越好，可以进一步避免由于信号不稳定而导致的不必要的天线切换。
进一步地，处理器确定与各个影响因素对应的权重比例。其中，将与波束覆盖时间对应的权重比例设为w 1 ，将与剩余信道数对应的权重比例设为w 2 ，将与信号质量对应的权重比例设为w 3 。其中，值得注意的是，上述与各个影响因素对应的权重比例例如可以根据实际情况预先设置的，或根据各个影响因素的重要性所确定的。其中，重要性越大的影响因素，所占的权重比例越高；重要性越小的影响因素，所占的权重比例越低。
最后，处理器根据多个影响因素以及与各个影响因素对应的权重比例w 1 ~w 3 ，确定与各个第一天线连接向量对应的多个天线连接优化函数。其中，i=1~u。并且。
从而，通过上述基于多个影响因素以及与各个影响因素对应的权重比例，生成与各个第一天线连接向量对应的多个天线连接优化函数的操作，达到了能够减少切换天线所需要的开销的技术效果。
可选地，利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解的操作，包括：基于多个第一天线连接向量，确定多个第二天线连接向量，其中第二天线连接向量表示多个第一天线连接向量的子一代连接向量；对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量；针对于各个第三天线连接向量进行变异操作，并生成多个第四卫星连接向量；以及重复迭代直至满足终止条件，并输出与目标优化函数对应的最优解，其中终止条件用于指示预先设置的迭代次数。
具体地，参考上述所述的内容可知，处理器基于天线阵列中的多个天线随机生成包含多个第一天线连接向量的初始化种群。其中，多个第一天线连接向量为“染色体”。
之后处理器基于多个第一天线连接向量，从中选择最具有代表性的一个或多个第一天线连接向量，并根据所选择的多个第一天线连接向量，确定多个第二天线连接向量。其中多个第二天线连接向量表示多个第一天线连接向量的子一代连接向量。
进一步地，处理器对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量。其中，处理器对各个第二天线连接向量进行交叉复制的操作有助于探索解空间的不同区域。
之后处理器针对于各个第三天线连接向量进行变异操作，并生成对应的第四天线连接向量。其中，处理器对各个第四天线连接向量进行变异操作有助于增加多样性，防止算法过早收敛到局部最优解。
从而在处理器对各个第四天线连接向量进行交叉复制以及变异之后，可以生成多个第四连接向量（即，新一代种群）。并且由于上述选择最具有代表性（即，适应度最高）的一个或多个第一天线连接向量，生成的多个第二天线连接向量（即，子一代种群），因此最终生成的多个第四天线连接向量的适应度也较高。
最后，重复迭代上述步骤，直至满足终止条件。其中，终止条件例如可以是达到预设的迭代次数，或者平均适应度不再显著提高等。在满足终止条件的情况下，处理器输出与目标优化函数对应的最优解。其中与目标优化函数对应的最优解用于指示天线阵列中的各个天线与目标波束连接的适配度最大。
从而，通过对初始化种群进行交叉复制、变异以及重复迭代等操作，从而能够最终输出与目标优化函数对应的最优解，达到了能够确定与最小切换开销对应的天线的技术效果。
此外，值得注意的是，由于本申请的实施例利用预先设置的神经网络模型，确定了切换开销最小的多个波束中的目标波束，还利用遗传算法确定了切换开销最小的多个天线中的目标天线，因此在本申请的实施例中，在选择所切换的波束时所需要的切换开销最小，并且在选择所切换的天线时所需要的切换开销最小的情况下，最终移动体的目标天线切换到目标波束的过程中所需要的切换开销最小。即，整个切换过程需所需要的切换开销最小。
从而根据本实施例的第一个方面，减少移动体的天线阵列切换连接波束时所需要消耗的时间、空间以及资源成本的技术效果。
此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例，减少移动体的天线阵列切换连接波束时所需要消耗的时间、空间以及资源成本的技术效果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
实施例2
图4示出了根据本实施例所述的针对于天线阵列的波束切换预测装置400，该装置400与根据实施例1所述的方法相对应。参考图4所示，该装置400包括：位置确定模块410，用于基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；第一波束确定模块420，用于根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；波束预测模块430，用于基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；最优解确定模块440，用于基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中天线连接优化函数用于指示天线阵列中的各个天线与目标波束连接的适配度，目标优化函数用于指示多个天线连接优化函数中的最大适配度；以及目标天线预测模块450，用于在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
可选地，第一波束确定模块420，包括：第二卫星确定模块，用于根据星历信息，确定下一时段各个第一卫星的第二位置，并基于下一时段移动体的第一位置，确定与移动体对应的多个第二卫星；以及第二波束确定模块，用于基于各个第二卫星的波束调度信息，确定下一时段与各个第二卫星对应的波束，其中与各个第二卫星对应的波束用于指示与移动体建立连接的多个波束。
可选地，最优解确定模块440，包括：影响因素确定模块，用于确定与初始化种群中的各个第一天线连接向量对应的多个影响因素，其中影响因素包括波束覆盖时间、剩余信道数以及信号质量；权重比例确定模块，用于确定与各个影响因素对应的权重比例；以及优化函数确定模块，用于根据多个影响因素以及与各个影响因素对应的权重比例，确定与各个第一天线连接向量对应的多个天线连接优化函数。
可选地，最优解确定模块440，包括：第一天线连接向量确定模块，用于基于多个第一天线连接向量，确定多个第二天线连接向量，其中第二天线连接向量表示多个第一天线连接向量的子一代连接向量；第二天线连接向量确定模块，用于对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量；第三天线连接向量确定模块，用于针对于各个第三天线连接向量进行变异操作，并生成多个第四卫星连接向量；以及重复迭代模块，用于重复迭代直至满足终止条件，并输出与目标优化函数对应的最优解，其中终止条件用于指示预先设置的迭代次数。
从而根据本实施例，减少移动体的天线阵列切换连接波束时所需要消耗的时间、空间以及资源成本的技术效果。
实施例3
图5示出了根据本实施例所述的针对于天线阵列的波束切换预测装置500，该装置500与根据实施例1所述的方法相对应。参考图5所示，该装置500包括：处理器510；以及存储器520，与处理器510连接，用于为处理器510提供处理以下处理步骤的指令：基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中移动体设置有天线阵列；根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束；基于预先设置的神经网络模型，从多个波束中预测与移动体建立连接的目标波束；基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中天线连接优化函数用于指示天线阵列中的各个天线与目标波束连接的适配度，目标优化函数用于指示多个天线连接优化函数中的最大适配度；以及在确定目标优化函数的最优解的情况下，预测与目标波束连接的目标天线。
可选地，根据星历信息以及各个第一卫星的波束调度信息，确定下一时段移动体的第一位置处，与移动体建立连接的多个波束的操作，包括：根据星历信息，确定下一时段各个第一卫星的第二位置，并基于下一时段移动体的第一位置，确定与移动体对应的多个第二卫星；以及基于各个第二卫星的波束调度信息，确定下一时段与各个第二卫星对应的波束，其中与各个第二卫星对应的波束用于指示与移动体建立连接的多个波束。
可选地，基于包含与天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数的操作，包括：确定与初始化种群中的各个第一天线连接向量对应的多个影响因素，其中影响因素包括波束覆盖时间、剩余信道数以及信号质量；确定与各个影响因素对应的权重比例；以及根据多个影响因素以及与各个影响因素对应的权重比例，确定与各个第一天线连接向量对应的多个天线连接优化函数。
可选地，利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解的操作，包括：基于多个第一天线连接向量，确定多个第二天线连接向量，其中第二天线连接向量表示多个第一天线连接向量的子一代连接向量；对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量；针对于各个第三天线连接向量进行变异操作，并生成多个第四卫星连接向量；以及重复迭代直至满足终止条件，并输出与目标优化函数对应的最优解，其中终止条件用于指示预先设置的迭代次数。
从而根据本实施例，减少移动体的天线阵列切换连接波束时所需要消耗的时间、空间以及资源成本的技术效果。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种针对于天线阵列的波束切换预测方法，其特征在于，包括：
基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中所述移动体设置有天线阵列；
根据星历信息以及各个第一卫星的波束调度信息，确定下一时段所述移动体的第一位置处，与所述移动体建立连接的多个波束；
基于预先设置的神经网络模型，从所述多个波束中预测与所述移动体建立连接的目标波束；
基于包含与所述天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中所述天线连接优化函数用于指示所述天线阵列中的各个天线与所述目标波束连接的适配度，所述目标优化函数用于指示所述多个天线连接优化函数中的最大适配度；以及
在确定所述目标优化函数的最优解的情况下，预测与所述目标波束连接的目标天线，其中
基于包含与所述天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数的操作，包括：
确定与所述初始化种群中的各个第一天线连接向量对应的多个影响因素，其中所述影响因素包括波束覆盖时间、剩余信道数以及信号质量；
确定与各个影响因素对应的权重比例；以及
根据所述多个影响因素以及与所述各个影响因素对应的权重比例，确定与所述各个第一天线连接向量对应的多个天线连接优化函数，其中
利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解的操作，包括：
基于所述多个第一天线连接向量，确定多个第二天线连接向量，其中所述第二天线连接向量表示所述多个第一天线连接向量的子一代连接向量；
对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量；
针对于各个第三天线连接向量进行变异操作，并生成多个第四卫星连接向量；以及
重复迭代直至满足终止条件，并输出与所述目标优化函数对应的最优解，其中所述终止条件用于指示预先设置的迭代次数。
2.根据权利要求1所述的方法，其特征在于，根据星历信息以及各个第一卫星的波束调度信息，确定下一时段所述移动体的第一位置处，与所述移动体建立连接的多个波束的操作，包括：
根据所述星历信息，确定下一时段所述各个第一卫星的第二位置，并基于下一时段所述移动体的第一位置，确定与所述移动体对应的多个第二卫星；以及
基于各个第二卫星的波束调度信息，确定下一时段与所述各个第二卫星对应的波束，其中与所述各个第二卫星对应的波束用于指示与所述移动体建立连接的多个波束。
3.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求1至2中任意一项所述的方法。
4.一种针对于天线阵列的波束切换预测装置，其特征在于，包括：
位置确定模块，用于基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中所述移动体设置有天线阵列；
第一波束确定模块，用于根据星历信息以及各个第一卫星的波束调度信息，确定下一时段所述移动体的第一位置处，与所述移动体建立连接的多个波束；
波束预测模块，用于基于预先设置的神经网络模型，从所述多个波束中预测与所述移动体建立连接的目标波束；
最优解确定模块，用于基于包含与所述天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中所述天线连接优化函数用于指示所述天线阵列中的各个天线与所述目标波束连接的适配度，所述目标优化函数用于指示所述多个天线连接优化函数中的最大适配度；以及
目标天线预测模块，用于在确定所述目标优化函数的最优解的情况下，预测与所述目标波束连接的目标天线，其中
所述最优解确定模块，包括：
影响因素确定模块，用于确定与所述初始化种群中的各个第一天线连接向量对应的多个影响因素，其中所述影响因素包括波束覆盖时间、剩余信道数以及信号质量；
权重比例确定模块，用于确定与各个影响因素对应的权重比例；以及
优化函数确定模块，用于根据所述多个影响因素以及与所述各个影响因素对应的权重比例，确定与所述各个第一天线连接向量对应的多个天线连接优化函数，其中
所述最优解确定模块，包括：
第一天线连接向量确定模块，用于基于所述多个第一天线连接向量，确定多个第二天线连接向量，其中所述第二天线连接向量表示所述多个第一天线连接向量的子一代连接向量；
第二天线连接向量确定模块，用于对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量；
第三天线连接向量确定模块，用于针对于各个第三天线连接向量进行变异操作，并生成多个第四卫星连接向量；以及
重复迭代模块，用于重复迭代直至满足终止条件，并输出与所述目标优化函数对应的最优解，其中所述终止条件用于指示预先设置的迭代次数。
5.根据权利要求4所述的装置，其特征在于，所述第一波束确定模块，包括：
第二卫星确定模块，用于根据所述星历信息，确定下一时段所述各个第一卫星的第二位置，并基于下一时段所述移动体的第一位置，确定与所述移动体对应的多个第二卫星；以及
第二波束确定模块，用于基于各个第二卫星的波束调度信息，确定下一时段与所述各个第二卫星对应的波束，其中与所述各个第二卫星对应的波束用于指示与所述移动体建立连接的多个波束。
6.一种针对于天线阵列的波束切换预测装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
基于预先确定的移动体的导航信息，确定下一时段移动体的第一位置，其中所述移动体设置有天线阵列；
根据星历信息以及各个第一卫星的波束调度信息，确定下一时段所述移动体的第一位置处，与所述移动体建立连接的多个波束；
基于预先设置的神经网络模型，从所述多个波束中预测与所述移动体建立连接的目标波束；
基于包含与所述天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数，并利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解，其中所述天线连接优化函数用于指示所述天线阵列中的各个天线与所述目标波束连接的适配度，所述目标优化函数用于指示所述多个天线连接优化函数中的最大适配度；以及
在确定所述目标优化函数的最优解的情况下，预测与所述目标波束连接的目标天线，其中
基于包含与所述天线阵列对应的多个第一天线连接向量的初始化种群，生成对应的天线连接优化函数的操作，包括：
确定与所述初始化种群中的各个第一天线连接向量对应的多个影响因素，其中所述影响因素包括波束覆盖时间、剩余信道数以及信号质量；
确定与各个影响因素对应的权重比例；以及
根据所述多个影响因素以及与所述各个影响因素对应的权重比例，确定与所述各个第一天线连接向量对应的多个天线连接优化函数，其中
利用遗传算法确定与多个天线连接优化函数对应的目标优化函数的最优解的操作，包括：
基于所述多个第一天线连接向量，确定多个第二天线连接向量，其中所述第二天线连接向量表示所述多个第一天线连接向量的子一代连接向量；
对各个第二天线连接向量进行交叉复制，并生成多个第三天线连接向量；
针对于各个第三天线连接向量进行变异操作，并生成多个第四卫星连接向量；以及
重复迭代直至满足终止条件，并输出与所述目标优化函数对应的最优解，其中所述终止条件用于指示预先设置的迭代次数。
CN202411651540.6A 2024-11-19 2024-11-19 针对于天线阵列的波束切换预测方法、装置及存储介质 Active CN119171978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411651540.6A CN119171978B (zh) 2024-11-19 2024-11-19 针对于天线阵列的波束切换预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411651540.6A CN119171978B (zh) 2024-11-19 2024-11-19 针对于天线阵列的波束切换预测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN119171978A CN119171978A (zh) 2024-12-20
CN119171978B true CN119171978B (zh) 2025-02-25

Family

ID=93888511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411651540.6A Active CN119171978B (zh) 2024-11-19 2024-11-19 针对于天线阵列的波束切换预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN119171978B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556163A (zh) * 2021-06-02 2021-10-26 军事科学院系统工程研究院网络信息研究所 面向多类业务需求的中继卫星系统波束调度系统及方法
CN115021799A (zh) * 2022-07-11 2022-09-06 北京理工大学 一种基于多智能体协同的低轨卫星切换方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4012941B1 (en) * 2015-01-16 2023-08-02 Hughes Network Systems, LLC Method and apparatus for beam selection for a multibeam, multi-satellite communications system
CN116470951A (zh) * 2023-04-04 2023-07-21 东南大学 低轨卫星波束业务重要程度控制的波束动态开关优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556163A (zh) * 2021-06-02 2021-10-26 军事科学院系统工程研究院网络信息研究所 面向多类业务需求的中继卫星系统波束调度系统及方法
CN115021799A (zh) * 2022-07-11 2022-09-06 北京理工大学 一种基于多智能体协同的低轨卫星切换方法

Also Published As

Publication number Publication date
CN119171978A (zh) 2024-12-20

Similar Documents

Publication Publication Date Title
Ferreira et al. Multiobjective reinforcement learning for cognitive satellite communications using deep neural network ensembles
Ferreira et al. Multi-objective reinforcement learning-based deep neural networks for cognitive space communications
CN111447005B (zh) 软件定义卫星网络的链路规划方法和装置
CN113038387B (zh) 低轨卫星网络中基于q学习的切换判决方法
US11871251B2 (en) Method of association of user equipment in a cellular network according to a transferable association policy
Ferreira et al. Multi-Objective Reinforcement Learning for Cognitive Radio--Based Satellite Communications
Gong et al. When optimization meets machine learning: The case of IRS-assisted wireless networks
CN115483960A (zh) 低轨卫星的跳波束调度方法、系统、装置及存储介质
CN119171978B (zh) 针对于天线阵列的波束切换预测方法、装置及存储介质
WO2021244912A2 (en) Apparatus, method and computer program for accelerating grid-of-beams optimization with transfer learning
KR102689449B1 (ko) 복수의 위성을 제어하는 장치 및 그의 동작 방법
CN116781141A (zh) 一种基于深度q网络的leo卫星协作边缘计算卸载方法
US12141668B2 (en) Decentralized control of beam generating devices
Doan et al. Cooperative learning-based framework for VNF caching and placement optimization over low earth orbit satellite networks
Poursiami et al. On multi-task learning for energy efficient task offloading in multi-UAV assisted edge computing
CN119416643A (zh) 基于演化强化学习的星座设计方法、装置、设备和存储器
CN118869054A (zh) 一种星地融合网络的路由方法、装置及系统
CN118677501A (zh) 一种卫星波束的控制方法、装置、设备及存储介质
Liang et al. Digital Twin Assisted Deep Reinforcement Learning for Computation Offloading in UAV Systems
Kumar et al. Reconfigurable antennas, preemptive switching and virtual channel management
CN119759455B (zh) 一种卫星网络故障下的任务快速调度方法和装置
Peng et al. APT-SAT: An Adaptive DNN Partitioning and Task Offloading Framework within Collaborative Satellite Computing Environments
Zhang et al. Floodsfcp: Quality and latency balanced service function chain placement for remote sensing in leo satellite network
CN119051733B (zh) 针对与卫星通信的天线阵列的优化方法、装置及存储介质
CN118400023B (zh) 波宽确定方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant