摘要
针对传统卫星功率控制方法存在资源浪费、时延长的问题,提出一种基于在线-门控循环单元(Online-GRU)信道预测的星上自适应功率控制方法,通过在线训练更新网络参数来解决离线预测算法存在的累积误差的问题。仿真结果表明,提出的在线训练算法比离线算法预测精确度提升了38.30%,相比在线-长短期记忆网络(Online-LSTM)节约了63.21%的训练时间;提出的自适应功率控制方法比固定发射功率的方法节约了55.74%的发射功率;同时,相比基于地面定时反馈信道状态的自适应功率控制方法具备更好的鲁棒性。
近年来,以SpaceX为代表的低轨卫星互联网快速发展。由于星地信道条件是动态变化的,固定发射功率不能保证通信质量且功率利用率较低。在保证通信质量的前提下,根据信道状态和用户需求,需要动态调整卫星发射功率,达到最佳的功率控制效果,即自适应功率控
目前链路中常用的自适应方法为自回归滑动平均(Auto Regressive Moving Average,ARMA)、自回归综合移动平均(Auto Regressive Integration Moving Average,ARIMA)、循环神经网络(Recurrent Neural Network,RNN)、长短时记忆网络(LSTM)等时间序列模型,用于对信噪比和雨衰序列进行预
与已有的大部分相关文献只考虑降雨衰减不
高频段卫星通信受降雨影响较大,根据ITU-R P.618建议书,降雨衰减可用
(1) |
式中:,为降雨预计衰减超过的年均百分比;为超过年均0.01%的降雨预计衰减,为由频率相关系数和0.01%概率年均单点降雨量决定的特定衰减,为有效路径长度;若或地面站纬度的绝对值时,;若、且仰角时,;其他,。
云雾引起的衰减由ITU-R P.840建议书给出:
(2) |
式中:为在云雾衰减平均年超额百分比时,温度降至273.15 K的液态水的总柱状含量;为仰角;为云中液态水比衰减系数。
水蒸气和氧气导致的气体衰减由ITU-R P.676建议书(建议书中将大气分成了指数级增长的层)给出:
(3) |
式中:为第层的比衰减;为通过第层的路径长度。
对流层闪烁导致的衰减由ITU-R P.618建议书给出:
(4) |
式中:为对流层闪烁平均年超额百分比的时间百分比系数;为路径上信号的标准差。
对于高频卫星通信系统,在低仰角时还须考虑多源同生大气衰减效应:
(5) |
虽然星地传播信道质量随着环境动态变化,但雨衰、气体衰减、云雾衰减等衰减仍存在某种规律,可将其建模成时间序列进行处理。
为解决近地轨道(Low Earth Orbit,LEO)卫星的高动态性和链路时延导致的星上接收信道信息“过时”问题,本文通过利用RNN类网络预测信道质量。RNN可以将神经元某一时刻的输出作为输入,再次输入给神经元,保留了数据之间的依赖关系,可用于处理时间序列数据。但对于较长的时间序列数据,RNN在序列交替的反向传播过程中容易出现梯度消失或梯度爆炸的问题,导致在训练过程中,梯度不能在较长序列中一直传递下
LSTM是一种特殊的RNN,其核心思想是使用遗忘门、输入门和输出门作为控制开关,实现对序列信息的提取和处理,解决传统RNN在训练长序列中存在的梯度消失和梯度爆炸问

图1 LSTM模型结构图
Fig.1 Structure of LSTM model
LSTM解决了RNN无法进行长期记忆的问题,但LSTM网络结构复杂,网络训练耗时长,收敛速度慢。GRU网络优化了LSTM网络的功能,使网络结构变得简单,成为目前广泛使用的神经网

图2 GRU模型结构图
Fig.2 Structure of GRU model
传统基于GRU/LSTM的信道多步离线预测方法的训练时间线见

图3 Offline-GRU/LSTM神经网络训练预测时间线图
Fig.3 Offline GRU/LSTM training for predicting timelines
为解决常规GRU/LSTM存在的长期误差积累问题,本文设计了一种Online-GRU/LSTM预测算法,其训练时间线见

图4 Online-GRU/LSTM神经网络训练预测时间线图
Fig.4 Online GRU/LSTM training for predicting timelines
基于Online-GRU信道多步预测的星上自适应功率控制步骤为:
1) 归一化ITU-R P.618传播总损耗数据,并建模成时间序列,序列长度为;
2) 设置地面站每隔步反馈信道质量,为预测步后的信道质量,分割时间序列成输入训练集和输出训练集,差分序列数据使其呈静态;同时将时间序列问题转化为监督学习问题;
3) 初始化GRU网络参数,输入训练集和进行训练:
a) 计算重置门。GRU通过引入重置门决定是否忽略先前时刻的隐藏状态,
(6) |
式中:为Sigmoid激活函数;为重置门的权重矩阵;为偏置项;为上一时刻的隐藏状态;为当前时刻的输入。
b) 计算更新门。GRU通过使用更新门决定当前时刻的新隐藏状态:
(7) |
式中:为更新门的权重矩阵;为偏置项。
c) 计算候选隐藏状态:
(8) |
式中:为激活函数;为对应的权重矩阵;为偏置项;为元素级乘法。
d) 更新隐藏状态:
(9) |
4) 网络训练完成后,将训练集作为输入,预测步后的信道质量数据,并反归一化得到步后的ITU-R P.618传播总损耗数据;
5) 根据预测结果提前计算卫星发射功率;
6) 步后根据地面站上传的数据更新GRU网络状态,得到更长序列的预测,并同时重新构建数据集和:
a) 用新的数据集和在线训练新的GRU网络参数,步后训练收敛;
b) 将输入原GRU网络,直到新的GRU训练完成,得到预测序列。
7) 更新GRU网络参数,将输入网络,得到预测序列;
8) 步后根据地面站上传的数据更新GRU网络状态,将输入GRU网络得到预测序列,并重新构建数据集和,后续与步骤6)类似,此处不再赘述。
基于Online-GRU信道多步预测的星上自适应功率控制方法伪代码见
algorithm 1: |
---|
input: channel loss sequence 1: normalization processing of channel loss sequences , the length of the channel loss sequence is 2: set prediction steps and training iterations 3: set training sequence dataset and 4: initialize GRU network parameters , set training parameters and optimizer 5: training neural network: 6: for i=1: 7: input training set , 8: for j=1: 9: calculate the reset door using 10: calculate the update gate using 11: calculate candidate hidden states through 12: update candidate status through 13: end 14: end 15: set input sequence , is the predicted sequence 16: repeat 17: recurrent multi-step prediction: 18: for t=1: 19: =predictAndUpdateState (,), update network status and make predictions 20: calculate the transmission power at time based on 21: end 22: update input sequence and rebuild datasets and 23: retrain GRU network every steps, update network parameters 24: until end of mission output: on board transmission power after steps |
为验证本文所提出的Online-GRU信道多步预测的自适应功率控制算法的性能,采用Matlab 2021a平台仿真了成都地区一段时间内可见卫星,仿真参数设置见

图 5 各类信道损耗仿真图
Fig.5 Various channel losses

图 6 信道传播损耗预测结果
Fig.6 Prediction results of channel propagation loss

图 7 Offline-GRU和Online-GRU预测结果绝对误差图
Fig.7 Absolute error of channel propagation loss prediction results for Offline-GRU and Online-GRU
inclination/(°) | longitude of ascending node/(°) | eccentricity/(°) | argument of periapsis/(°) | mean anomaly/(°) | period/ (circle/day) | ground user latitude/(°) | ground user longitude/(°) | ground user altitude/m | min elevation/(°) |
---|---|---|---|---|---|---|---|---|---|
87.90 | 208.9 | 0.000 199 3 | 73.72 | 286.4 | 13.11 | 31.57 | 105.1 | 485.0 | 10.00 |
rain annual exceedance/% | gas annual exceedance/% | cloud annual exceedance/% | scintillation annual exceedance/% | total annual exceedance/% | receiver height/m | water vapor density/ (g/ | integrated water vapor content/ (kg/ | wet surface refractivity/% | antenna random pointing error variance/dB | mean random pointing error of antenna/dB |
---|---|---|---|---|---|---|---|---|---|---|
1.0 | 1.0 | 1.0 | 0.50 | 0.0010 | 0.50 | 2.8 | 1.4 | 1.2 | 0.097 | 0.072 |
input feature dimension | output feature dimension | hidden layer units | optimizer | gradient threshold | learning rate | learning rate drop cycle rounds | learning rate drop factor | prediction steps | online training cycle |
---|---|---|---|---|---|---|---|---|---|
1 | 1 | 128 | adam | 1 | 0.01 | 50 | 0.5 | 1 000 | 6 000 |
algorithm | RMSE |
---|---|
Offline-GRU | 0.175 7 |
Offline-LSTM | 0.190 5 |
Online-GRU | 0.108 4 |
Online-LSTM | 0.101 7 |
本文对比了基于固定发射功率、地面站定时反馈的自适应功率控制及基于Online-GRU信道预测的星上自适应功率控制3种方法。其中收发两端的仿真参数见表6,仿真时间为2023.8.18 23:05:00―2023.8.18 23:20:30,预测时间为2023.8.18 23:16:38―2023.8.18 23:20:30,调制类型采用8PSK。为保证能够应对复杂的空间电磁环境,设置仿真时间内链路余量要求为5 dB以上。LEO卫星往返传播时延只有数十毫秒量级,若每隔几十毫秒反馈一次信道状态,则会导致较多的通信开销。本文采样时间设置为0.01 s,GRU预测步长为1 000,可以预测10 s后的信道质量。因此为了节约反馈信道状态信息占用的开销,设置地面站每隔10 s反馈一次信道状态。

图 8 不同功率控制方法的链路余量
Fig.8 Link margin for different power control methods
图8中,基于信道质量最差条件下,固定发射功率方法的星地链路余量均达到了5 dB以上,发射功率为660.69 W,此方法对通信资源造成了一定的浪费。基于Online-GRU信道预测的自适应功率控制的链路余量也均达到了5 dB以上,平均发射功率为292.42 W,相比固定发射功率的方法节约了55.74%。这是因为基于此方法的自适应功率控制充分利用了通信资源,不会导致较高的功率浪费。而基于地面定时反馈信道状态的自适应功率控制方法虽然其平均发射功率为285.10 W,但从图中可以看出,地面反馈的信道状态随着时间的变化,之前的发射功率与后续的信道质量并不匹配,故虽然功率资源消耗较小,但并没有达到5 dB以上链路余量的要求,当受到干扰或信道急剧恶化时,有可能会造成接收的Eb/N0无法达到解调门限,导致通信链路中断。因此该方法效果不佳,且鲁棒性较差。
为解决传统卫星功率控制方法存在资源浪费和时延长的问题,保证在复杂的空天电磁环境中卫星通信质量,本文设计了一种基于Online-GRU信道预测的星上自适应功率控制方法。该算法通过星上在线训练更新网络参数,解决离线预测算法的积累误差;同时利用GRU网络结构代替常规的LSTM网络提升在线训练速度。仿真实验中,采用ITU-R P.618地球空间传播损耗模型设计星地链路,模拟真实的卫通场景。结果表明,Online-GRU相比于离线预测,精确度提升了38.30%;同时GRU比LSTM节约了63.21%的训练时间;本文提出的自适应功率控制方法比固定发射功率的方法节约了55.74%的发射功率,且相比基于地面定时反馈信道状态的自适应功率控制方法,具备更好的鲁棒性。
参考文献
WANG Shuo,XU Xiaofei,YANG Penghui,et al. Research on rain attenuation model and compensation method of Ka band satellite-to-ground data transmission link[C]//2022 the 7th International Conference on Computer and Communication Systems (ICCCS). Wuhan,China:IEEE, 2022:582-586. doi:10.1109/ICCCS55155.2022.9846112. [百度学术]
JUNG D H,SHIN M S,RYU J G. Adaptive Coding and Modulation(ACM) and power control scheme for return link of DVB-RCS2 satellite system[C]// Proceedings of the 37th International Communications Satellite Systems Conference(ICSSC-2019). Okinawa,Japan:IEEE, 2019:1-10. doi:10.1049/cp.2019.1231. [百度学术]
曹鹤先,朱立东. 基于自适应功率控制的卫星系统间频率共享[C]// 第十七届卫星通信学术年会. 北京:中国通信学会, 2021:10-16. [百度学术]
CAO Hexian,ZHU Lidong. Frequency sharing between satellite systems based on adaptive power control[C]// The 17th Academic Annual Conference on Satellite Communications. Beijing:China Institute of Communications, 2021:10-16. doi:10.26914/c.cnkihy.2021.032781. [百度学术]
李欣. 卫星通信系统中功率控制方法的研究[D]. 北京:北京邮电大学, 2017. [百度学术]
LI Xin. Research on power control methods in satellite communication systems[D]. Beijing:Beijing University of Posts and Telecommunications, 2017. [百度学术]
王生辉. Ka频段卫星通信自适应传输技术研究[D]. 西安:西安电子科技大学, 2012. [百度学术]
WANG Shenghui. Research on adaptive transmission technology for Ka band satellite communication[D]. Xi'an,China:Xidian University, 2012. doi:10.7666/d.D365451. [百度学术]
钟怀东,徐慨,侯柳英. Ka频段卫星通信上行链路自适应功率控制[J]. 计算机工程, 2009,35(10):107-108,117. [百度学术]
ZHONG Huaidong,XU Kai,HOU Liuying. Uplink adaptive power control in Ka band satellite communication[J]. Computer Engineering, 2009,35(10):107-108,117. doi:10.3969/j.issn.1000-3428.2009.10.035. [百度学术]
唐一强,杨霄鹏,朱圣铭. 基于注意力机制的混合CNN-BiLSTM低轨卫星信道预测算法[J]. 系统工程与电子技术, 2022,44(12):3863-3870. [百度学术]
TANG Yiqiang,YANG Xiaopeng,ZHU Shengming. Low-orbit satellite channel prediction algorithm based on the hybrid CNN-BiLSTM using attention mechanism[J]. Systems Engineering and Electronics, 2022,44(12):3863-3870. doi:10.12305/j.issn.1001-506X.2022.12.32. [百度学术]
梁雪源. 基于信道预测和强化学习的卫星自适应传输技术研究[D]. 成都:电子科技大学, 2020. [百度学术]
LIANG Xueyuan. Research on satellite adaptive transmission technology based on channel prediction and reinforcement learning[D]. Chengdu,China:University of Electronic Science and Technology of China, 2020. [百度学术]
张晖,王磊,陈昊. Ka频段通信卫星自适应功率控制抗雨衰研究[C]// 2015年全国天线年会. 南昌:中国电子学会天线分会, 2015:4. [百度学术]
ZHANG Hui,WANG Lei,CHEN Hao. Research on adaptive power control in anti-rain-attenuation of Ka-band satellite communications[C]// 2015 National Antenna Annual Conference. Nanchang,China:Antenna Branch of China Electronics Society, 2015:4. doi:10.26914/c.cnkihy.2015.004170. [百度学术]
FUKUCHI H. Quantitative analysis of the effect of adaptive satellite power control as a rain attenuation countermeasure[C]//Proceedings of IEEE Antennas and Propagation Society International Symposium and URSI National Radio Science Meeting. Seattle,WA,USA:IEEE, 1994:1332-1335. doi:10.1109/APS.1994.407843. [百度学术]
CHODKAVEEKITYADA P,FUKUCHI H. Combination benefits of short-time diversity and adaptive satellite power control[C]//2015 International Symposium on Antennas and Propagation(ISAP). Hobart,TAS,Australia:IEEE, 2015:1-2. [百度学术]
何雨桐,朱立东,施文军. 基于GRU神经网络的自适应跳频技术研究[J]. 无线电通信技术, 2022,48(6):1074-1079. [百度学术]
HE Yutong,ZHU Lidong,SHI Wenjun. Research on adaptive frequency hopping technology based on GRU neural network[J]. Radio Communications Technology, 2022,48(6):1074-1079. doi:10.3969/j.issn.1003-3114.2022.06.015. [百度学术]
吴楠,谷万博,王旭东. 基于深度LSTM辅助卷积网络的新型自动调制分类(英文)[J]. 太赫兹科学与电子信息学报, 2021,19(2):235-243. [百度学术]
WU Nan,GU Wanbo,WANG Xudong. A novel automatic modulation classification based on deep LSTM assisted convolutional networks[J]. Journal of Terahertz Science and Electronic Information Technology, 2021,19(2):235-243. doi:10.11805/TKYDA2020034. [百度学术]
施文军,朱立东. 基于GRU的卫星轨道智能外推方法[C]// 第十八届卫星通信学术年会. 北京:中国通信学会, 2022:11. [百度学术]
SHI Wenjun,ZHU Lidong. The intelligent extrapolation method for satellite orbits based on GRU[C]// The 18th Academic Annual Conference on Satellite Communications. Beijing:China Institute of Communications, 2022:11. doi:10.26914/c.cnkihy.2022.057856. [百度学术]