基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)態(tài)勢(shì)評(píng)估方法

高 翔，劉和光，陳志敏，姚秀娟，王春梅

(1. 中國科學(xué)院國家空間科學(xué)中心, 北京 100190； 2. 中國科學(xué)院復(fù)雜航天系統(tǒng)電子信息技術(shù)重點(diǎn)實(shí)驗(yàn)室, 北京 100190；3. 中國科學(xué)院微波遙感技術(shù)重點(diǎn)實(shí)驗(yàn)室, 北京 100190； 4. 中國科學(xué)院大學(xué), 北京 100049)

衛(wèi)星頻率和軌道資源是衛(wèi)星應(yīng)用產(chǎn)業(yè)發(fā)展的基本要素，同時(shí)也是世界各國必爭的一種寶貴的戰(zhàn)略資源。世界各國必須按照國際電聯(lián)(International Telecommunication Union, ITU)的《組織法》及《無線電規(guī)則》等，在劃分的空間業(yè)務(wù)頻段內(nèi)，遵循“先登先占”原則，以衛(wèi)星網(wǎng)絡(luò)資料為基本單位，開展國際申報(bào)、協(xié)調(diào)、登記和維護(hù)工作，任何一個(gè)國家都不能單方面主宰衛(wèi)星頻率軌道資源的獲取和使用[1]。目前，我國在國際電聯(lián)登記的有效和獲得一定保護(hù)地位的衛(wèi)星頻率和軌道資源的資料數(shù)量處于世界第4位(在美國、俄羅斯、法國之后)。

衛(wèi)星網(wǎng)絡(luò)資料的申報(bào)與國際協(xié)調(diào)是衛(wèi)星頻率軌道資源獲取與頻軌戰(zhàn)略資源儲(chǔ)備的唯一途徑，同時(shí)，衛(wèi)星網(wǎng)絡(luò)資料的申報(bào)、協(xié)調(diào)是一個(gè)長期的過程，尤其是地球靜止軌道(Geostationary Satellite Orbit, GSO)的資源競爭異常激烈[2-3]。相關(guān)技術(shù)人員在衛(wèi)星網(wǎng)絡(luò)申報(bào)、協(xié)調(diào)管理工作中，很難準(zhǔn)確把握復(fù)雜的申報(bào)、協(xié)調(diào)態(tài)勢(shì)，特別是協(xié)調(diào)涉及網(wǎng)絡(luò)的申報(bào)地位、國家、政治、經(jīng)濟(jì)、技術(shù)、衛(wèi)星操作者能力、談判專家能力等多個(gè)維度的影響因素，且某些特征因素?zé)o法定量分析。為了能夠提前做好GSO頻率軌道資源儲(chǔ)備的評(píng)估方案，解決GSO衛(wèi)星網(wǎng)絡(luò)的協(xié)調(diào)評(píng)估問題是關(guān)鍵工作。

在信息大數(shù)據(jù)時(shí)代的背景下，科學(xué)的管理決策離不開數(shù)據(jù)分析的支撐，空間頻率軌道資源方面也不例外，用好衛(wèi)星網(wǎng)絡(luò)資料申報(bào)協(xié)調(diào)的歷史數(shù)據(jù)，既是提升衛(wèi)星頻率軌道資源管理能力的有效途徑，也是更好地服務(wù)于頻軌資源儲(chǔ)配、系統(tǒng)建設(shè)的重點(diǎn)方向。傳統(tǒng)的GSO衛(wèi)星網(wǎng)絡(luò)資料的協(xié)調(diào)態(tài)勢(shì)評(píng)估基本以頻率領(lǐng)域?qū)＜业闹饔^判斷、經(jīng)驗(yàn)及干擾兼容性技術(shù)分析[4]為主，多數(shù)實(shí)際的協(xié)調(diào)談判甚至受利益的轉(zhuǎn)讓等談判技巧策略的影響，這種串行的流程步驟均依賴于人工的仿真計(jì)算和專家的談判能力，具有極大的不確定性。同時(shí)，對(duì)于某些軌位資源協(xié)調(diào)態(tài)勢(shì)的論證評(píng)估工作往往需要不斷地迭代，效率極低，單個(gè)軌位的論證評(píng)估時(shí)間基本需要1～1.5年，且受人工處理數(shù)據(jù)量的局限，基本以定性評(píng)估為主[5]。近年來，相關(guān)機(jī)構(gòu)亦在探索基于模糊綜合評(píng)價(jià)的層次分析方法[6]對(duì)GSO衛(wèi)星的協(xié)調(diào)風(fēng)險(xiǎn)進(jìn)行評(píng)估，依然受制于專家的主觀因素，且需要1～2個(gè)月的時(shí)間。因此，急需對(duì)衛(wèi)星網(wǎng)絡(luò)資料歷史數(shù)據(jù)加以深度利用，以增強(qiáng)衛(wèi)星頻軌資源協(xié)調(diào)態(tài)勢(shì)的自主感知能力。

基于此，本文對(duì)協(xié)調(diào)態(tài)勢(shì)分析因素進(jìn)行研究，結(jié)合衛(wèi)星網(wǎng)絡(luò)數(shù)據(jù)特點(diǎn)，提出基于機(jī)器學(xué)習(xí)的態(tài)勢(shì)評(píng)估方法，利用國際電聯(lián)衛(wèi)星網(wǎng)絡(luò)歷史數(shù)據(jù)庫，建立訓(xùn)練數(shù)據(jù)集，驗(yàn)證并分析算法在處理衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)態(tài)勢(shì)方面的有效性。結(jié)果表明，本文所提方法對(duì)衛(wèi)星網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估應(yīng)用具有良好的適應(yīng)性，對(duì)于提高衛(wèi)星網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估效能具有重要意義。

1 傳統(tǒng)的衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)因素分析

1.1 衛(wèi)星網(wǎng)絡(luò)資料相關(guān)說明

衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)主要分為兩大類：一是規(guī)劃業(yè)務(wù)(planed services)；二是非規(guī)劃業(yè)務(wù)(non-planed services)。其中，規(guī)劃類業(yè)務(wù)指國際電聯(lián)考慮發(fā)展中國家的利益，避免發(fā)達(dá)國家搶先占用衛(wèi)星頻率軌道資源，為其成員國規(guī)劃了相應(yīng)的衛(wèi)星軌位和頻段，并用于衛(wèi)星廣播業(yè)務(wù)和衛(wèi)星固定業(yè)務(wù)。除規(guī)劃的衛(wèi)星軌位和頻段外，其余均為非規(guī)劃業(yè)務(wù)，相比之下，非規(guī)劃業(yè)務(wù)的競爭態(tài)勢(shì)更加嚴(yán)峻，以GSO衛(wèi)星頻軌資源的競爭獲取尤為突出，本文主要針對(duì)非規(guī)劃業(yè)務(wù)GSO衛(wèi)星網(wǎng)絡(luò)的協(xié)調(diào)態(tài)勢(shì)進(jìn)行研究。非規(guī)劃衛(wèi)星網(wǎng)絡(luò)資料申報(bào)、協(xié)調(diào)的整體流程如圖1所示。

定義如下：

API(A資料)：衛(wèi)星網(wǎng)絡(luò)提前公布資料，GSO衛(wèi)星網(wǎng)絡(luò)報(bào)送C資料時(shí)，自動(dòng)生成。

C資料：衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)資料，描述衛(wèi)星網(wǎng)絡(luò)的各項(xiàng)申報(bào)參數(shù)，如軌道參數(shù)、頻率指配參數(shù)、地面站參數(shù)，以及業(yè)務(wù)和業(yè)務(wù)區(qū)等。

N資料：衛(wèi)星網(wǎng)絡(luò)通知資料，進(jìn)一步細(xì)化衛(wèi)星網(wǎng)絡(luò)資料參數(shù)，同時(shí)，涉及協(xié)調(diào)完成狀態(tài)等。

RES49：決議49號(hào)數(shù)據(jù)資料，用于衛(wèi)星固定業(yè)務(wù)(Fixed-Satellite Service, FSS)及衛(wèi)星移動(dòng)業(yè)務(wù)(Mobile-Satellite Service, MSS)的衛(wèi)星網(wǎng)絡(luò)資料，涉及發(fā)射、運(yùn)載等方面信息。

圖1 非規(guī)劃業(yè)務(wù)衛(wèi)星網(wǎng)絡(luò)資料申報(bào)流程Fig.1 Application procedure of non-planed service satellite networks

如圖1所示，衛(wèi)星網(wǎng)絡(luò)資料的申報(bào)不得早于其計(jì)劃投入使用時(shí)間的前7年，即非規(guī)劃業(yè)務(wù)頻段衛(wèi)星網(wǎng)絡(luò)自國際電聯(lián)收到完整申報(bào)材料之日起，須在7年內(nèi)啟用[7]。

1.2 影響因子分析

對(duì)非規(guī)劃業(yè)務(wù)衛(wèi)星網(wǎng)絡(luò)資料，按照是否需要協(xié)調(diào)分類，如圖2所示。

圖2 衛(wèi)星網(wǎng)絡(luò)按協(xié)調(diào)需求分類Fig.2 Classification of satellite networks

雖然國際電聯(lián)對(duì)于A+N程序的衛(wèi)星網(wǎng)絡(luò)無硬性協(xié)調(diào)要求，但隨著低軌衛(wèi)星數(shù)量的不斷增多，星座、星群的發(fā)展建設(shè)，同樣應(yīng)重視。對(duì)于協(xié)調(diào)態(tài)勢(shì)評(píng)估，主要還是依據(jù)現(xiàn)有電聯(lián)建議書，進(jìn)行干擾兼容性仿真計(jì)算。對(duì)于C+N程序的NGSO衛(wèi)星網(wǎng)絡(luò)，如國際的SpaceX的Starlink和OneWeb的L5 系統(tǒng)、我國的“虹云”“鴻雁”等[8-9]，目前ITU尚未有相應(yīng)的協(xié)調(diào)依據(jù)或參考，且衛(wèi)星網(wǎng)絡(luò)數(shù)據(jù)有限，因此，在協(xié)調(diào)評(píng)估方面，也只能通過干擾仿真計(jì)算或引入干擾規(guī)避策略方式進(jìn)行結(jié)果判定[10]。對(duì)于C+N程序的GSO衛(wèi)星網(wǎng)絡(luò)的協(xié)調(diào)評(píng)估因素，如表1所示，需要考慮的因素多樣，如談判專家能力、操作者能力(是否具備漂星能力等)、國家戰(zhàn)略意圖等信息無法從網(wǎng)絡(luò)資料數(shù)據(jù)上體現(xiàn)、獲取，甚至量化。通常，頻率領(lǐng)域?qū)＜一究拷?jīng)驗(yàn)、協(xié)調(diào)難易程度、干擾仿真結(jié)果等因素進(jìn)行頻率、軌道儲(chǔ)備選取。由于每個(gè)專家的出發(fā)點(diǎn)不同，評(píng)估結(jié)果也必然存在差異，無法達(dá)成統(tǒng)一的定量化效果，且不同因素指標(biāo)間重復(fù)迭代，反應(yīng)速度也相應(yīng)滯后。

表1 傳統(tǒng)GSO衛(wèi)星網(wǎng)絡(luò)之間的協(xié)調(diào)因素

表1(續(xù))

2 衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)態(tài)勢(shì)數(shù)據(jù)特點(diǎn)分析

通過對(duì)GSO衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)影響因素等的分析，總結(jié)而言，衛(wèi)星網(wǎng)絡(luò)的態(tài)勢(shì)評(píng)估主要具有以下兩個(gè)基本特點(diǎn)：

1)評(píng)估過程具有數(shù)學(xué)回歸特性。衛(wèi)星網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估的絕大部分分析過程，無論其影響因子是連續(xù)量還是離散量，對(duì)態(tài)勢(shì)的發(fā)展程度均具有相對(duì)應(yīng)的數(shù)學(xué)回歸背景，即可以通過相應(yīng)的數(shù)學(xué)模型體現(xiàn)出其當(dāng)前的態(tài)勢(shì)與發(fā)展。

2)影響因子具有多元非線性。影響評(píng)估過程的因素非常多，從表1可以看出，協(xié)調(diào)態(tài)勢(shì)評(píng)估的影響因子不少于30個(gè)，因子的量化分析也極為復(fù)雜，某些因子需要進(jìn)行概率統(tǒng)計(jì)等方式量化，而量化過程往往具有一定的非線性，同時(shí)，部分因子無法直接獲取，或存在隱含的相關(guān)性。

3 算法設(shè)計(jì)

3.1 算法檢選

根據(jù)衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)態(tài)勢(shì)評(píng)估過程的特點(diǎn)，協(xié)調(diào)態(tài)勢(shì)評(píng)估首先是個(gè)對(duì)未知模型的回歸求解過程，評(píng)估過程所采用的算法應(yīng)刻畫出輸入影響因子與輸出評(píng)估結(jié)果之間的耦合關(guān)系，因此，類似遺傳算法、蟻群算法等尋求問題最優(yōu)解的算法無法滿足協(xié)調(diào)態(tài)勢(shì)的評(píng)估要求。而根據(jù)定理1，神經(jīng)網(wǎng)絡(luò)可以對(duì)任意連續(xù)函數(shù)g(x)進(jìn)行最佳平方逼近，因此，人工神經(jīng)網(wǎng)絡(luò)可以通過對(duì)樣本數(shù)據(jù)的擬合，刻畫出協(xié)調(diào)態(tài)勢(shì)的評(píng)估模型。此外，楊國為等[11]也證明，通過設(shè)計(jì)特定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可無限逼近Rm上有界閉子集到Rn上的任意連續(xù)映射，從而使得神經(jīng)網(wǎng)絡(luò)具有廣泛的非線性逼近能力，可以解決協(xié)調(diào)態(tài)勢(shì)評(píng)估過程中影響因子的非線性問題。

本文擬采用卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network, CNN)，除了具有上述傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)外，還有如下優(yōu)點(diǎn)：

①具有多維度大數(shù)據(jù)處理能力；

②保存數(shù)據(jù)特征原始性；

③與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法相比，深度學(xué)習(xí)網(wǎng)絡(luò)使用更多的數(shù)據(jù)可以更好地提高算法估計(jì)的正確率。

綜上所述，本文通過采用基于卷積神經(jīng)網(wǎng)絡(luò)模型的協(xié)調(diào)態(tài)勢(shì)評(píng)估算法，可以有效地刻畫出協(xié)調(diào)態(tài)勢(shì)影響因子與輸出結(jié)果之間的耦合關(guān)系，并且可以較好地克服評(píng)估模型中影響因子的非線性問題。

3.2 數(shù)據(jù)集建立方法

3.2.1 建立原則

依據(jù)國際電聯(lián)衛(wèi)星網(wǎng)絡(luò)數(shù)據(jù)庫，建立訓(xùn)練集，屬性集合盡可能體現(xiàn)目前所掌握的GSO衛(wèi)星網(wǎng)絡(luò)C資料數(shù)據(jù)庫信息[13]。訓(xùn)練數(shù)據(jù)屬性特征如表2所示。

其中，頻率指配依據(jù)ITU無線電規(guī)則頻率劃分進(jìn)行分段描述，選擇GSO競爭激烈的FSS與MSS頻段進(jìn)行分析，在1～70 GHz范圍內(nèi)，共196個(gè)頻段劃分。此外，國家能力則以GSO有效資料數(shù)量、操作者數(shù)量等進(jìn)行查詢統(tǒng)計(jì)量化。最終，數(shù)據(jù)維度高達(dá)4009維，自2008年6月至2017年12月統(tǒng)計(jì)GSO衛(wèi)星網(wǎng)絡(luò)最終狀態(tài)C資料為2878份，以此作為訓(xùn)練集合。

3.2.2 數(shù)據(jù)標(biāo)定

衛(wèi)星網(wǎng)絡(luò)態(tài)勢(shì)評(píng)估的模型訓(xùn)練屬于監(jiān)督學(xué)習(xí)，因此，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)定操作，標(biāo)定結(jié)果為每個(gè)資料ITEM的協(xié)調(diào)通過概率，標(biāo)定方法如下：

(1)

表2 訓(xùn)練數(shù)據(jù)屬性特征示意

(2)

其中：P(Cn)為第n條衛(wèi)星網(wǎng)絡(luò)的通過協(xié)調(diào)概率，Cn為第n條衛(wèi)星網(wǎng)絡(luò)記錄；Index_Countryi為協(xié)調(diào)國家的權(quán)重系數(shù)；grpNum_pass為通過協(xié)調(diào)的頻率指配數(shù)量；grpNum為具備協(xié)調(diào)關(guān)系的頻率指配數(shù)量；Num_GSO_N為該國GSO衛(wèi)星網(wǎng)絡(luò)有效資料(N資料)數(shù)量，Total_all為全球GSO衛(wèi)星網(wǎng)絡(luò)N資料數(shù)量。

這里需要說明的是，GSO衛(wèi)星網(wǎng)絡(luò)N資料的數(shù)量，即GSO有效資料數(shù)量在很大程度上代表了一個(gè)衛(wèi)星網(wǎng)絡(luò)操作者所占用的頻軌資源，也體現(xiàn)了與其協(xié)調(diào)的難易程度。同樣地，對(duì)于一個(gè)國家而言，亦可利用GSO衛(wèi)星網(wǎng)絡(luò)N資料數(shù)量評(píng)估一個(gè)國家的協(xié)調(diào)權(quán)重。

數(shù)據(jù)標(biāo)定的數(shù)據(jù)基礎(chǔ)為ITU衛(wèi)星網(wǎng)絡(luò)數(shù)據(jù)庫，標(biāo)定流程如圖3所示。

3.2.3 數(shù)據(jù)降維

由于數(shù)據(jù)集中存在大量的多值屬性數(shù)據(jù)，如時(shí)間數(shù)據(jù)、軌位數(shù)據(jù)，以及頻率指配中的相關(guān)數(shù)據(jù)等，此時(shí)，采取增益比率(GainRatio)標(biāo)準(zhǔn)對(duì)數(shù)據(jù)打分，并作數(shù)據(jù)降維處理。

(3)

其中，Gain(S,A)為信息增益，SplitInformation(S,A)為分裂信息項(xiàng)，用以衡量屬性分裂數(shù)據(jù)的廣度域均勻性。

圖3 數(shù)據(jù)標(biāo)定流程Fig.3 Data label process

(4)

式中，Si為n個(gè)值的屬性A分割S而形成的n個(gè)子集。

3.3 CNN評(píng)估模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN神經(jīng)網(wǎng)絡(luò))是一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型，它的特殊性體現(xiàn)在兩個(gè)方面：一方面，它的神經(jīng)元間的連接是非全連接的；另一方面，同一層中某些神經(jīng)元之間連接的權(quán)重是共享的，卷積神經(jīng)網(wǎng)絡(luò)具備良好的泛化能力[14]。

此外，CNN神經(jīng)網(wǎng)絡(luò)可以直接處理高維的樣本數(shù)據(jù)[15]，而不需要先進(jìn)行特征提取，這是由于它具有局部感知、權(quán)重共享和多卷積核的特性。

CNN算法流程如算法1所示。

算法1 卷積神經(jīng)網(wǎng)絡(luò)

4 驗(yàn)證分析

利用處理好的數(shù)據(jù)樣本，本文采用CNN模型對(duì)衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)態(tài)勢(shì)進(jìn)行評(píng)估，將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集及測(cè)試集，同時(shí)，通過模型調(diào)參，選取最優(yōu)參數(shù)配置，驗(yàn)證了CNN對(duì)衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)態(tài)勢(shì)評(píng)估的有效性。

4.1 驗(yàn)證流程

由于數(shù)據(jù)集合的維度高達(dá)4009，因此，需要對(duì)數(shù)據(jù)進(jìn)行特征提取，采用分裂信息增益準(zhǔn)則得到優(yōu)選特征數(shù)據(jù)，特征提取后，數(shù)據(jù)降維至3437；隨機(jī)地將樣本數(shù)據(jù)分為三部分(訓(xùn)練集、驗(yàn)證集及測(cè)試集)，然后用訓(xùn)練集來訓(xùn)練模型，進(jìn)行參數(shù)調(diào)優(yōu)，使用驗(yàn)證集驗(yàn)證模型和參數(shù)；對(duì)比前后評(píng)估結(jié)果，進(jìn)行迭代；最終確定數(shù)據(jù)分割最優(yōu)集和參數(shù)最優(yōu)集，通過測(cè)試集進(jìn)行測(cè)試。上述流程如圖4所示。

圖4 驗(yàn)證測(cè)試流程Fig.4 Verification test process

4.2 集合分割

將樣本數(shù)據(jù)分為三部分(訓(xùn)練集、驗(yàn)證集及測(cè)試集)，當(dāng)訓(xùn)練集合驗(yàn)證集劃分比例為7 ∶3時(shí)，采取交叉驗(yàn)證方式，驗(yàn)證集正確率最高，結(jié)合參數(shù)調(diào)優(yōu)結(jié)果，確定劃分比例為7 ∶3，此時(shí)，驗(yàn)證效果為最佳，如圖5所示。

圖5 CNN交叉驗(yàn)證正確率對(duì)比Fig.5 Cross validation correct rate comparison of CNN

4.3 參數(shù)調(diào)優(yōu)

CNN模型參數(shù)如表3所示。

表3 CNN模型參數(shù)列表

測(cè)試結(jié)果如圖6所示。

(a) 訓(xùn)練輪數(shù)確認(rèn)(a) Confirmation of epoch

(b) loss=′msle′, optimizer=′Adadelta′, epoch= 50, batch_size=32, best_val_acc=0.838 0

(c) loss=′msle′, optimizer=′Adadelta′, epoch= 100, batch_size=32, best_val_acc=0.858 9

(d) loss=′msle′, optimizer=′Adadelta′, epoch=100, batch_size=32, lr=1.0, best_val_acc=0.861 3圖6 參數(shù)調(diào)優(yōu)結(jié)果示意Fig.6 Parameter tuning results

數(shù)據(jù)中尺度跨度較大，所以損失函數(shù)為均方對(duì)數(shù)損失(MSLE)效果最佳，由圖6(a)可以看出，當(dāng)epoch迭代訓(xùn)練高于100時(shí)，損失率已基本平穩(wěn)，因此，epoch取值100；由圖6(b)、圖6(c)可以看出，網(wǎng)絡(luò)中隱藏層為三層，相較兩層，其訓(xùn)練效果相對(duì)有所提升。改變最終的調(diào)參結(jié)果如表4所示。

表4 參數(shù)選擇

4.4 測(cè)試結(jié)果

選取數(shù)據(jù)集中的100條數(shù)據(jù)作為測(cè)試集合，測(cè)試結(jié)果如圖7所示。

經(jīng)統(tǒng)計(jì)，平均誤差為19.65%，即待測(cè)樣本準(zhǔn)確率達(dá)到83.35%。

改變數(shù)據(jù)集大小，經(jīng)過參數(shù)調(diào)優(yōu)等上述過程，選取相同測(cè)試集，測(cè)試結(jié)果如圖8、表5所示。

結(jié)果證明，數(shù)據(jù)集過小時(shí)，存在過擬合現(xiàn)象，但隨著樣本數(shù)量的增加，模型預(yù)測(cè)效果不斷提高，呈現(xiàn)明顯變好趨勢(shì)。

5 結(jié)論

衛(wèi)星網(wǎng)絡(luò)資料的協(xié)調(diào)態(tài)勢(shì)評(píng)估在空間頻軌資源獲取與儲(chǔ)備中具有重要的指導(dǎo)作用。隨著頻軌資源競爭日趨激烈，頻軌資源的儲(chǔ)備與獲取形勢(shì)已變得日益嚴(yán)峻。隨著衛(wèi)星數(shù)量的劇增，協(xié)調(diào)難度不斷提高，由于衛(wèi)星網(wǎng)絡(luò)協(xié)調(diào)因素繁多，傳統(tǒng)的專家論證已無法滿足未來頻軌資源儲(chǔ)備的反應(yīng)需求。為充分利用歷史衛(wèi)星網(wǎng)絡(luò)資料數(shù)據(jù)，本文在系統(tǒng)分析GSO協(xié)調(diào)因素特點(diǎn)的前提下，提出將CNN用于衛(wèi)星頻軌資源協(xié)調(diào)態(tài)勢(shì)評(píng)估，建立GSO頻軌資源協(xié)調(diào)態(tài)勢(shì)評(píng)估訓(xùn)練數(shù)據(jù)集合與CNN模型。通過試驗(yàn)，驗(yàn)證了CNN應(yīng)用于衛(wèi)星頻軌資源協(xié)調(diào)態(tài)勢(shì)評(píng)估的有效性，并測(cè)試了其評(píng)估效能，為頻軌資源儲(chǔ)備論證提供了新的評(píng)估手段與技術(shù)基礎(chǔ)，提高了決策效率，效果明顯。

(a) 測(cè)試集數(shù)據(jù)1～50測(cè)試結(jié)果(a) Data 1～50 test results

(b) 測(cè)試集數(shù)據(jù)51～100測(cè)試結(jié)果(b) Data 51～100 test results圖7 CNN測(cè)試結(jié)果比對(duì)Fig.7 CNN test results comparison

圖8 數(shù)據(jù)量對(duì)CNN測(cè)試結(jié)果的影響Fig.8 Impact of data volume on CNN test results

表5 CNN測(cè)試正確率隨數(shù)據(jù)變化統(tǒng)計(jì)