基于支持向量回歸的低軌衛(wèi)星通信系統(tǒng)信道預(yù)測方法

王月 王楠楠 王兆霖

摘要：針對低軌衛(wèi)星通信系統(tǒng)，研究快時變背景下的信道預(yù)測問題。通過引入強化學(xué)習(xí)的訓(xùn)練模式，將支持向量機（Support Vector Machine，SVM）模型改進成支持向量回歸（Support Vector Regression，SVR）模型，提出一種循環(huán)迭代實現(xiàn)低軌衛(wèi)星通信系統(tǒng)信道預(yù)測的算法。采用Gaussian核函數(shù)，通過遺傳算法（GA）尋求最佳懲罰系數(shù)和不敏感損失函數(shù)，最終得到最優(yōu)超平面，實現(xiàn)多步預(yù)測，并實時更新訓(xùn)練集數(shù)據(jù)提高預(yù)測準確度。仿真結(jié)果表明，與傳統(tǒng)ARMA以及改進后的ARIMA預(yù)測模型相比，SVR模型收斂速度快、預(yù)測誤差小、性能表現(xiàn)更好。同時，SVR模型對訓(xùn)練數(shù)據(jù)樣本數(shù)要求更少，更適用于低軌衛(wèi)星通信系統(tǒng)背景下快時變信道的信噪比預(yù)測。

關(guān)鍵詞：低軌衛(wèi)星；快時變信道；信道預(yù)測；ARIMA；支持向量回歸

中圖分類號：TN927文獻標志碼：A文章編號：1008-1739（2022）21-60-6

0引言

作為衛(wèi)星通信重要的分支，低軌衛(wèi)星通信近年來發(fā)展迅速，全球已經(jīng)進入了低軌衛(wèi)星密集發(fā)射時代，其覆蓋范圍更加廣泛、通信組網(wǎng)更加靈活、傳輸帶寬更加巨大，是中高軌衛(wèi)星通信的有效補充。雖然低軌衛(wèi)星通信優(yōu)勢較多，但其通信鏈路多徑衰落嚴重、存在陰影遮蔽等因素造成信道具有快時變特性，影響數(shù)字信號傳輸效率。為了提高傳輸效率和抗干擾能力，自適應(yīng)編碼調(diào)制技術(shù)在低軌衛(wèi)星通信中得到應(yīng)用，但由于系統(tǒng)存在反饋鏈路和處理時延，獲取的信道狀態(tài)信息容易過時，如何精確獲取信道狀態(tài)信息就成為低軌衛(wèi)星通信中的關(guān)鍵一步。信道預(yù)測技術(shù)因為能夠有效地根據(jù)觀測信息預(yù)測出未來的變化趨勢而受到廣泛重視。

在研究信道預(yù)測技術(shù)之前，需要建立能夠有效模擬低軌衛(wèi)星通信的信道模型。經(jīng)典的衛(wèi)星通信信道建模方法通常分為確定性方法、統(tǒng)計性方法和混合物理統(tǒng)計法[1]。目前，一種強調(diào)重要參數(shù)影響且能夠直觀理解信號傳播過程中物理意義的方法是基于概率統(tǒng)計模型，結(jié)合經(jīng)驗?zāi)Ｐ停瑢πl(wèi)星通信信道進行模擬仿真。本文基于銥星系統(tǒng)實測信道特性數(shù)據(jù)，建立一種基于“好”與“壞”兩狀態(tài)的統(tǒng)一信道模型，以此仿真生成能夠真實反映低軌衛(wèi)星通信信道特性的數(shù)據(jù)，并將此數(shù)據(jù)作為后續(xù)預(yù)測技術(shù)的訓(xùn)練集。

信道預(yù)測方面，一類信道預(yù)測算法是線性預(yù)測算法，比較成熟的算法是自回歸（Autoregressive，AR）模型[2]。針對Rayleigh衰落信道，文獻[3]采用兩階AR模型對信道進行預(yù)測。由于低軌衛(wèi)星通信信道具有快時變特性，信道數(shù)據(jù)是非線性的，線性方法直接對其進行預(yù)測效果不佳，可以進行差分消除不平穩(wěn)特性后再進行預(yù)測。另一類策略是采用非線性預(yù)測方法，常用的有基于卷積神經(jīng)網(wǎng)絡(luò)的方法，但該方法要求訓(xùn)練集數(shù)據(jù)要夠多、訓(xùn)練時間長，且存在過度擬合以及局部最優(yōu)而不是全局最優(yōu)的問題，并不適用于低軌衛(wèi)星通信系統(tǒng)。本文采用的是將支持向量機（Support Vector Machine，SVM）用于非線性時間序列預(yù)測問題，即支持向量回歸（Support Vector Regression，SVR）。SVR是一種基于結(jié)構(gòu)風(fēng)險最小化原則的機器學(xué)習(xí)算法，通過映射至高維空間解決非線性問題[4]。該方法兼具ARMA對信道模型變化適應(yīng)能力強、神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)訓(xùn)練精準的優(yōu)點，網(wǎng)絡(luò)層級數(shù)量少，結(jié)構(gòu)實現(xiàn)相對簡單，對樣本數(shù)量要求不高，收斂速度快，適用于低軌衛(wèi)星通信系統(tǒng)快時變信道的預(yù)測。

1系統(tǒng)模型

1.1網(wǎng)絡(luò)結(jié)構(gòu)模型

低軌衛(wèi)星通信系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要由衛(wèi)星端、地面端和用戶端三部分組成。衛(wèi)星端在空中發(fā)揮中繼作用，將來自地面端和用戶端的數(shù)據(jù)進行中繼轉(zhuǎn)發(fā)。地面端是通信衛(wèi)星和地面公眾網(wǎng)的接口，包括衛(wèi)星控制中心及其跟蹤、遙測、指令站等。用戶端即是各種用戶終端。

1.2信道模型

考慮一種狀態(tài)的模型僅能描述單一的衛(wèi)星信道環(huán)境，為了模擬低軌衛(wèi)星通信信道真實環(huán)境，本文采用“好”與“壞”兩狀態(tài)信道模型，用一階馬爾科夫鏈實現(xiàn)相互轉(zhuǎn)換，如圖2所示。

“好”狀態(tài)采用C.Loo模型，表示衛(wèi)星和移動終端之間的通信鏈路沒有陰影遮蔽或受到輕陰影遮蔽，通信不會中斷的信道狀態(tài)由一個Rayleigh隨機過程和一個Lognormal隨機過程相疊加而成?！皦摹睜顟B(tài)采用Corazza模型，表示通信鏈路受到重陰影遮蔽衰落，通信時會出現(xiàn)通信中斷的信道狀態(tài)，由一個Rician隨機過程和一個Lognormal隨機過程相乘而成。Rayleigh，Rician，Lognormal分布均由濾波器法生成的色高斯過程實現(xiàn)。兩狀態(tài)信道衰落模型實現(xiàn)如圖3和圖4所示。

參考文獻

[1]周順，林紅磊，王茂磊，等.衛(wèi)星導(dǎo)航信道模型綜述[J].電波科學(xué)學(xué)報，2020，35（4）：504-514.

[2]董志翔，趙宜升，黃錦錦，等.基于支持向量機的高速鐵路通信系統(tǒng)信道預(yù)測算法[J].電子技術(shù)應(yīng)用，2018，44（4）：117-121.

[3] SHARMAP，CHANDRAK.Prediction of State Transitions in Rayleigh Fading Channels[J].IEEE Transactions on Vehicular Technology，2007，56（2）：416-425.

[4] JIANG J Y，HE Y Z，LI J H.Modification of SVMs Optimal Hyperplane Based on Minimal Mistake[J].Journal of Beijing University of Aeronautics and Astronautics，2012，38（11）： 1483-1486.

[5] YOON H，HYUN Y，HA K，et al.A Method to Improve the Stability and Accuracy of ANN- and SVM-based TimeSeries Models for Long-term Groundwater Level Predictions[J]. Computers and Geosciences，2016，90：144-155.

[6] DANTI A，SURESHA M.Arecanut Grading Based on Three Sigma Controls and SVM[C]//IEEE International Conference on Advances in Engineering，Science and Management. Nagapattinam：IEEE，2012：372-376.

[7]張元俠.基于SVM學(xué)習(xí)模型的換擋決策研究[D].長春：吉林大學(xué)，2019.

[8] ZHAO Y S，JI H，CHEN Z H.Admission Control Scheme for Handover Service in High-speed Train CommunicationSystem[J].Journalof Shanghai JiaotongUniversity（Science），2015，20（6）：670-675.

[9] CHEN Y F，BEAULIEU N C.Estimation of Ricean K Parameterand Local Average SNR from Noisy Correlated ChannelSamples[J].IEEE Transactions on Wireless Communications， 2007，6（2）：640-648.

[10] ZHANG Y J，CHAI T Y，WANG D H.An Alternating Identification Algorithm for a Class of Nonlinear Dynamical Systems[J].IEEE Transactions on Neural Networks and Learning Systems，2017，28（7）：1606-1617.

[11]袁曉輝，袁艷斌，王乘，等.一種新型的自適應(yīng)混沌遺傳算法[J].電子學(xué)報，2006（4）：708-712.