一种高空平台组网频谱分配方法与流程

本申请涉及通信领域，尤其涉及一种高空平台组网的频谱分配方法。

背景技术：

在天地一体化的组网方案中，高空平台(nsp，nearspaceplatform)以其容量较大、灵活性较强、覆盖范围较广等特点，受到业界的广泛关注，逐渐成为天地一体化网络中不可或缺的通信节点。考虑到高空平台通信场景开阔，信号传输损耗衰减较小，因此采用频率复用的资源划分方案，以避免小区间相互干扰。但随着现有通信技术的不断发展，多媒体等宽带业务所占比重逐渐增多，同时热点区域的位置和用户数量不断变化，若采用传统固定频谱分配方案难以满足宽带通信业务的需求。

技术实现要素：

有鉴于此，本发明提出一种高空平台组网的频谱分配方法，解决频谱分配效益低的问题。

本发明的实施例提出一种高空平台组网频谱分配方法，包括以下步骤：

计算每一个高空平台的频谱收益，所述频谱收益的影响因素包含自身频谱资源收益、借入频谱资源收益、借入频谱资源开销、出租频谱资源收益；

改变高空平台之间的频谱资源借用量，包含每个所述高空平台向至少一个其他高空平台借入频谱资源、或每个所述高空平台向至少一个其他高空平台借出频谱资源，改变每一个高空平台的频谱收益；

计算网络收益，为所述多个高空平台的频谱收益的总和；

重复上述步骤，得出网络收益最大时高空平台之间的频谱资源借用量。

本发明的一个实施例中，用以下方式计算第k个高空平台的频谱收益，为

其中，

表示第k个高空平台的自身频谱资源收益；

表示第k个高空平台借入频谱资源收益；

表示第k个高空平台借入频谱资源开销；

表示第k个高空平台出租频谱资源收益；

其中，qk(i)表示第k个高空平台提供i类服务的利润率，pk(i)表示第k个高空平台提供i类服务的价钱，表示i类服务在k个高空平台上的传输速率；

表示借入价钱，表示借出价钱，bk(j)和bj(k)分别表示第k个高空平台从第j个高空平台借入的频谱、第k个高空平台出租给第j个高空平台的频谱。

在本发明所述高空平台组网频谱分配方法进一步优化的实施例中，每个高空平台的自身频谱资源优先满足自身频谱需求，则：当所述自身频谱资源有剩余时，所述借入频谱资源收益、借入频谱资源开销取值为0；当所述自身频谱资源不足时，所述出租频谱资源收益取值为0。

在本发明所述高空平台组网频谱分配方法进一步优化的实施例中，用elman神经网络法改变高空平台之间的频谱资源借用量。

具体地，本发明所述高空平台组网资源分配方法进一步优化的实施例包含以下步骤：

在t时刻预测第k个高空平台每一种服务的速度为

t时刻的可用频谱和借入频谱表示为bk和ζk,t，bk的初始值为b，ζk,t的初始值为0；

高空平台k的空闲频谱资源为

ηk(j)表示平台k利用平台j的频谱的利用率，也就是说，速率/频谱利用率＝所需频谱；

判断是否

如果否，则取使

因此有

定义如果σk,t＞0，则取

ρk,t＝max(σk,t,0)；

改变高空平台之间的频谱资源借用量时，计算k平台向j平台借用频谱的优先级

并对优先级进行排序，代表高空平台k超出的频谱；

如果则取

如果则取

根据更新后的值重新计算优先级，直到所有频谱分配完毕，最后根据高空平台的之间的频谱资源借用量更新bk；

租出频谱为借入频谱为

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请的方法提高了高空平台组网的频谱利用效率、整体效益提高；通过灵活地控制各高空节点借入带宽和借出带宽，能够动态地适应多媒体等宽带业务所占比重逐渐增多，同时热点区域的位置和用户数量不断变化的情况。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为高空平台组网通信场景示意图；

图2为本申请频谱分配方法实施例流程图；

图3为elman网络结构示意图；

图4为使用elman神经网络法频谱分配的实施例示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本专利提出了一种在高空平台组网场景下，基于elman神经网络预测模型的频谱分配方法。本方法首先将小区内的频谱收益情况分为4类——“自身频谱资源收益、租借频谱资源收益、租借频谱资源开销、出租频谱资源收益”，再通过增加一个中心控制单元(ccu，centercontrolunit)，将所有的频带放在频带池中进行分配，采用优化的梯度下降算法，既能提高网络的训练速率，又能有效抑制网络陷入局部极小点。本算法自学习的目的是用网络中每种业务的预测速率(实际输出值)与每种业务的实际速率(输出样本值)的差值来修改权值和阈值，使得网络输出层的误差平方和最小，达到网络整体收益最高的目的。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为高空平台组网通信场景示意图。假设有7个高空平台(nsp)共同构成一个系统，每个高空平台的高度为30km，覆盖半径为175km，每个高空平台使用的频带各不相同。而在这个方案中通过增加一个中心控制单元(ccu)，将所有的频带放在频带池中进行分配，每个高空平台在初始会分配到b的带宽，频带池总宽度为7b。

高空平台的频谱收益为，自身频谱资源收益+借入频谱资源收益-借入频谱资源开销+出租频谱资源收益。

在本发明所述高空平台组网频谱分配方法的实施例中，每个高空平台的自身频谱资源优先满足自身频谱需求，则：当所述自身频谱资源有剩余时，所述借入频谱资源收益、借入频谱资源开销取值为0；当所述自身频谱资源不足时，所述出租频谱资源收益取值为0。

图2为本申请频谱分配方法实施例流程图。

步骤1、计算每一个高空平台的频谱收益，所述频谱收益的影响因素包含自身频谱资源收益、借入频谱资源收益、借入频谱资源开销、出租频谱资源收益；

步骤2、改变高空平台之间的频谱资源借用量，包含每个所述高空平台向至少一个其他高空平台借入频谱资源、或每个所述高空平台向至少一个其他高空平台借出频谱资源，改变每一个高空平台的频谱收益；

步骤3、计算网络收益，为所述多个高空平台的频谱收益的总和；

步骤4、重复上述步骤，得出网络收益最大时高空平台之间的频谱资源借用量。

本发明的一个实施例中，用以下方式计算第k个高空平台的频谱收益，为

其中，

表示第k个高空平台的自身频谱资源收益；

表示第k个高空平台借入频谱资源收益；

表示第k个高空平台借入频谱资源开销；

表示第k个高空平台出租频谱资源收益；

其中，qk(i)表示第k个高空平台提供i类服务的利润率，pk(i)表示第k个高空平台提供i类服务的价钱，表示i类服务在k个高空平台上的传输速率；

表示借入价钱，表示借出价钱，bk(j)和bj(k)分别表示第k个高空平台从第j个高空平台借入的频谱、第k个高空平台出租给第j个高空平台的频谱。

在每个平台以满足自身频谱需求为第一重要的前提下，不可能同时租出和借入频谱，所以(1)式中的频谱收益可以分为两种情况

自身频谱有剩余，可以租出

自身频谱无剩余，必须借入

假设b是一开始每个高空平台平均分到的频谱，bk是k平台实际借入和租出后的可用频谱，那么也分为以下两种情况：

自身频谱有剩余，租出频谱时，可用频谱为：

自身频谱无剩余，借入频谱时，可用频谱为：

以ηk(j)表示平台k利用平台j的频谱的利用率，例如表示为：

其中γk(j)表示匹配接收信噪比，表示k平台的目标误比特率。

为了使网络收益最高，优化目的是

需要确定每个平台是借入频谱还是租出频谱，从而以对应的公式进行计算。

需要说明的是，由于各高空平台的最终目的是为了满足平台覆盖范围内用户的传输速率需求，因此各高空平台的频谱需求情况可以等效为平台覆盖内用户的传输速率需求。

图3为elman网络结构示意图。以下提出一种利用elman神经网络，通过历史信息预测t时刻各高空平台覆盖范围内用户的传输速率需求的方法，从而获得t时刻各高空平台的频谱需求情况。

首先需要进行传输速率预测。在第k个高空平台提供mk种类型的服务，假设在t-1时刻每一种类型的传输速率为如果从起始时刻开始一直统计到t-1时刻，速率的矩阵为

本方案中用elman神经网络来预测t时刻的传输速率，elman回归神经元网络一般分为四层：输入层，中间层(隐含层)、承接层和输出层。其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一步延时算子。

elman回归神经元网络的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的。此外，elman回归神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式，如果给出系统的输入输出数据对，就可以对系统进行建模。

如图3所示，elman神经网络的非线性状态空间表达式为：

y(k)＝g(w³x(k)+b2)(9)

x(k)＝f(w¹xc(k)+w²(u(k-1))+b1)(10)

xc(k)＝x(k-1)(11)

其中，k表示时刻，y,x,u,xc分别表示1维输出节点向量，m维隐含层节点单元向量，n维输入向量和m维反馈状态向量。w³,w²,w¹分别表示隐含层到输入层、输入层到隐含层、承接层到隐含层的连接权值矩阵。f(.)为隐含层神经元的传递函数，g(.)为输出层传递函数。b1,b2分别为输入层和隐含层的阈值。elman神经网络学习算法采用的是优化的梯度下降算法，即自适应学习速率动量梯度下降反向传播算法，它既能提高网络的训练速率，又能有效抑制网络陷入局部极小点。学习的目的是用网络的实际输出值与输出样本值的差值来修改权值和阈值，使得网络输出层的误差平方和最小。设第k步系统的实际输出向量为yd(k)，在时间段(0，t)内，定义误差函数为：

以w³,w²为例，将e对w³,w²分别求偏导，可得权值修正公式为：

其中，φ为学习速率，mc为动量因子，默认值为0.9。这样在进行更新时不仅考虑了当前梯度方向，还考虑前一时刻的梯度方向，降低了网络性能对参数调整的敏感性。有效抑制了局部极小。

传输速率预测流程为

步骤a、训练网络，假设训练序列的长度为α，这个长度表示用(8)中的多少行来进行训练，α的长度将决定网络的训练次数和训练精度，也决定了将用多少历史信息来进行预测。例如若α为3，t为10，那么将以{1,2,3}，{2,3,4}，{3,4,5}…，{6,7,8}训练6次，然后以{7,8,9}来估计10的速率。

步骤b、输入向量将是3×mk维的，那么根据经验将隐含层单元的个数设为2mk-1，会获得比较良好的预测结果，同时输出向量将是1×mk维的。

步骤c、进行预测

通过以上方法，在t时刻预测高空平台k每一种服务的速度为

由此即可得到各个高空平台覆盖范围内的用户在t时刻的预测传输速率，该速率被用于计算各个高空平台在t时刻的频谱需求情况，使得平台间出租或借入频谱成为可能，最大化网络收益。以下说明根据传输速率分配频谱的方法。

图4为使用elman神经网络法频谱分配的实施例示意图。

对高空平台k来说，将t时刻的可用频谱和借入频谱表示为bk和ζk,t，bk的初始值为b，ζk,t的初始值为0。将高空平台k的空闲频谱资源定义为ρk,t，那么可以定义为

步骤10、预测阶段，根据可用频谱计算每一种服务的速率；

如果满足下式，那么高空平台k自身的频谱满足需求，并且可能有频谱出售

如果满足不了，那么设可以满足的速率为则

那么超出的部分定义为

步骤20、更新和清除阶段，计算每个高空平台的借入频谱和空闲频谱资源；

对于高空平台k来说定义σk,t

如果σk,t＞0，那么说明频谱资源充足，如下式更新ζk,t

ρk,t＝max(σk,t,0)(21)

步骤30、调度阶段，计算高空平台的借入频谱、出租频谱，更新可用频谱值。

步骤301、当调度器接收到一个高空平台的借入频谱请求时，他将看其他的平台是否有可用频谱，并计算优先级

(借入产生的收益减去租金)

步骤302、对优先级进行排序，代表高空平台k超出的频谱，λk(i,j)代表k平台向j平台借用频谱的优先级

有两种情况：

(1)j平台的可借频谱资源大于k平台的需求，也就是说那么k平台就不会从别的平台借了，则更新如下

(2)比ρj,t大(j平台的可借频谱资源小于k平台的需求)，也就是说则更新如下，

步骤303、根据更新后的值重新计算优先级，直到所有频谱已被分配完毕

最后根据高空平台的租出借入情况以下式更新bk

租出频谱：

借入频谱：

步骤304、执行分配操作。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。