基于地理环境认知的低轨卫星空时多维信道预测方法
作者机构:南京邮电大学通信与信息工程学院
出 版 物:《南京邮电大学学报(自然科学版)》 (Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition))
年 卷 期:2024年
学科分类:080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(No.U21A20450,No.62171234,No.61971440) 江苏省前沿引领技术基础研究专项(No.BK20192002) 国家重点研发计划(No.2022YFB2902600)
摘 要:针对低轨卫星通信场景下长传播时延导致的信道状态信息(channelstateinformation,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定了不同地理环境下影响CSI变化的几个关键因素并将其与信道特征参量建立映射关系;然后,设计了一个由卷积神经网络(convolutionalneuralnetwork,CNN)和长短时记忆(long-shorttermmemory,LSTM)神经网络构成的组合神经网络模型来有效预测CSI,通过CNN网络提取CSI和特征参量之间变化的空时相关性来认知地理环境对CSI变化的影响,利用LSTM网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI值。在此基础上,进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明,相比于传统的基于LSTM网络的低轨卫星信道预测方法,所提方法能够有效提升CSI预测精度及其预测模型的稳定性。