一种低轨移动卫星星座下星地下行链路同频干扰估计方法与流程

本发明涉及卫星通信领域，尤其涉及一种低轨卫星星座下星地下行链路同频干扰估计方法。

背景技术：

卫星通信是当代社会信息传输的重要手段，然而随着时代的发展，当代社会对通信的需求日益增长，通信的两端场景也越发复杂。为提高信道资源的利用效率，leo卫星将使用多波束技术实现同频复用。然而，通信过程中，leo多波束控制的复杂度高，容易导致不稳定的同信道干扰(co-channelinterference，cci)，即同频干扰。对于不同通信链路的cci值预测估计，可以应用在许多不同场景，尤其是应用在卫星与终端之间可选通信链路较多情况下选择合适的链路切换准则时。

目前用于预测具有随机性、突变型的复杂时间序列的算法主要有三类：一是定性预测方法，通过对预测对象的特性、状态的分析，采用类推对比等方法来进行预测；二是因果关系预测法，对目标时间序列和影响因子序列基于因果关系进行统计预测；三是时间序列预测法，基于时间序列自身变化规律利用一些成熟的算法进行序列预测，如自回归模型(ar)、人工神经网络(ann)、卡尔曼滤波等。由于实际应用中用统计分析方法研究时产生的数据量大，计算复杂。第三类方法为目前在预测时使用频率较高的算法，然而算法复杂度也仍然较高。

技术实现要素：

本发明的目的在于针对现有技术的不足，提供一种基于低轨移动卫星下同频干扰预测的链路选择方法，具体技术方案如下：

一种低轨卫星星座下星地下行链路同频干扰估计方法，其特征在于，该方法包括以下步骤：

s1：获取同频干扰数值；

s2：选用基于dropout的小波神经网络处理时间序列，建立利用过去一段时间取得的同频干扰值cci来预测当前时刻cci水平的模型；

s3：调整所述的预测算法的参数，使所述的模型的输出拟合cci随时间变化的规律；

s4：利用一段时间的cci数值检测经过s3步骤优化后的预测算法，计算得到所述的预测算法的精度，当所述的预测算法的精度达到精度阈值后进行下一步，否则，重复s2～s4；

s5：通过s4得到的预测算法预测下一时刻各链路的cci大小。

进一步地，所述的同频干扰数值通过建立低轨移动卫星通信网络同频干扰模型获取，具体为：

s1.1：分析卫星与终端相控阵的运动关系，得到终端相控阵和n个干扰波束所在卫星相控阵上的各自的随时间变化而变化的偏移角和其中是第q个卫星干扰波束相对于卫星相控阵法线方向上的偏移角；是终端相控阵接收天线在第q个干扰波束方向上的偏移角；

s1.2：通过s1.1中获得的偏移角计算第q个干扰波束造成的cci值cciq(t)，然后求和得到目标波束k在t时刻接收到的所有干扰波束造成的cci值cci(t)

cci(t)＝cci1(t)+cci2(t)+…+ccin(t)(2)

式中，pt是会产生干扰波束的卫星的发射功率；是会产生干扰波束的卫星发射天线离轴增益；是终端相控阵接收天线的离轴增益；dq(t)是第q个干扰波束所在卫星到终端相控阵的距离；α为空间衰减因子，受环境影响而变化。

s1.3：将得到的cci(t)按时间顺序保存为一个数组x＝(x1，x2，...，xn)^t，其中，x1＝cci(t0)，x2＝cci(t0+δt)，以此类推，xn＝cci(t0+(n-1)·δt)；

式中，t0为初试时刻，n为常数，δt为取样时间，cci(t0+n·δt)为t0+n·δt时刻目标波束k接收到的cci值。

进一步地，所述s2通过以下子步骤来实现：

s2.1：选用基于dropout的三层小波神经网络，建立输入层、隐藏层、输出层，进行初始化，确定隐藏层网络节点数l，输出层节点数m，dropout概率p，初始化输入层、隐藏层、输出层神经元之间的连接权值vi、wk，初始化隐藏层阈值aj、bk，给定学习速率η和神经元激励函数将x＝(x1，x2，...，xn)^t作为输入；

s2.2：通过输入向量x得到隐藏层节点j的输入netj为：

s2.3：计算隐藏层节点j的实际输出yj

yj＝f(netj)(4)

s2.4：令rj～bernoulli(p)，其中bernoulli(p)为以概率p随机生成的一个0、1的向量，输出层节点k的输入netk为：

s2.5：计算输出层节点k的实际输出ok，得到输出误差ek

ok＝f(netk)(7)

ek＝dk-ok(8)

其中，dk为期望输出，k＝1，2，...，m；

进一步地，所述s3通过以下子步骤来实现：

根据输出误差ek更新网络连接权值vi、wk和网络节点阈值aj、bk

wk＝wk+η·yj·ek(10)

bk＝bk+ek(12)

本发明的有益效果如下：

本发明的低轨卫星星座下星地下行链路同频干扰估计方法，聚焦研究通信终端与低轨卫星间不同链路的cci值预测方法，通过利用新的预测算法能够降低算法复杂度，有效提高cci值预测速度。

附图说明

图1是低轨移动卫星通信网络的所有干扰路径示意图。

图2是为两个干扰波束影响下的低轨移动卫星通信网络示意图。

图3为两条干扰路径结果下获得的cci(t)仿真数据图。

图4为选取所得的cci(t)的前500个单位时间获得的数据训练网络对后面单位时间的cci值进行预测的预测结果图。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种低轨卫星星座下星地下行链路同频干扰估计方法，其特征在于，该方法包括以下步骤：

s1：获取同频干扰数值；

这里的同频干扰数值的获取可以直接通过卫星获取，也可以通过建模获取。作为其中一种实施方式，采用下述的建模方式获取：

s1.1：分析卫星与终端相控阵的运动关系，得到终端相控阵和n个干扰波束所在卫星相控阵上的各自的随时间变化而变化的偏移角和其中是第q个卫星干扰波束相对于卫星相控阵法线方向上的偏移角；是终端相控阵接收天线在第q个干扰波束方向上的偏移角，如图1所示，图中的序号1-8为干扰波束的示意；

s1.2：通过s1.1中获得的偏移角计算第q个干扰波束造成的cci值cciq(t)，然后求和得到目标波束k在t时刻接收到的所有干扰波束造成的cci值cci(t)

cci(t)＝cci1(t)+cci2(t)+…+ccin(t)(2)

式中，pt是会产生干扰波束的卫星的发射功率；是会产生干扰波束的卫星发射天线离轴增益；是终端相控阵接收天线的离轴增益；dq(t)是第q个干扰波束所在卫星到终端相控阵的距离；α为空间衰减因子，受环境影响而变化。

如图2所示，以i＝2为例，有两个干扰波束会对通信链路有影响，此时同频干扰总值为经仿真可得得到如图3所示的cci(t)数值；

s1.3：将得到的cci(t)按时间顺序保存为一个数组x＝(x1，x2，...，xn)^t，其中，x1＝cci(t0)，x2＝cci(t0+δt)，以此类推，xn＝cci(t0+(n-1)·δt)；

式中，t0为初试时刻，n为常数，δt为取样时间，cci(t0+n·δt)为t0+n·δt时刻目标波束k接收到的cci值。

s2：选用基于dropout的小波神经网络处理时间序列，建立利用过去一段时间取得的同频干扰值cci来预测当前时刻cci水平的模型；

s2.1：选用基于dropout的三层小波神经网络，建立输入层、隐藏层、输出层，进行初始化，确定隐藏层网络节点数l，输出层节点数m，dropout概率p，初始化输入层、隐藏层、输出层神经元之间的连接权值vi、wk，初始化隐藏层阈值aj、bk，给定学习速率η和神经元激励函数将x＝(x1，x2，...，xn)^t作为输入；

s2.2：通过输入向量x得到隐藏层节点j的输入netj为：

s2.3：计算隐藏层节点j的实际输出yj

yj＝f(netj)(4)

s2.4：令rj～bernoulli(p)，其中bernoulli(p)为以概率p随机生成的一个0、1的向量，输出层节点k的输入netk为：

s2.5：计算输出层节点k的实际输出ok，得到输出误差ek

ok＝f(netk)(7)

ek＝dk-ok(8)

其中，dk为期望输出，k＝1，2，...，m；

s3：调整所述的预测算法的参数，使所述的模型的输出拟合cci随时间变化的规律；

根据输出误差ek更新网络连接权值vi、wk和网络节点阈值aj、bk

wk＝wk+η·yj·ek(10)

bk＝bk+ek(12)

s4：利用一段时间的cci数值检测经过s3步骤优化后的预测算法，计算得到所述的预测算法的精度，当所述的预测算法的精度达到精度阈值后进行下一步，否则，重复s2～s4；

s5：通过s4得到的预测算法预测下一时刻各链路的cci大小。

这里得到的cci值可用于进行通信链路选择或其他工作。

图4为选取了所得的cci(t)的前500个单位时间获得的数据训练网络后，对后面单位时间的cci值进行估计预测能得到的结果图。从图中可以看出，预测得到的结果与实际所得结果的差别能稳定在±2db以内，精度较高，能满足实际结果所需。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而己，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。