CN110601777B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110601777B
CN110601777B CN201910806319.6A CN201910806319A CN110601777B CN 110601777 B CN110601777 B CN 110601777B CN 201910806319 A CN201910806319 A CN 201910806319A CN 110601777 B CN110601777 B CN 110601777B
Authority
CN
China
Prior art keywords
cci
satellite
time
value
interference
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910806319.6A
Other languages
English (en)
Other versions
CN110601777A (zh
Inventor
宋春毅
徐钰颖
陈钦
徐志伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yantai Xin Yang Ju Array Microelectronics Co ltd
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910806319.6A priority Critical patent/CN110601777B/zh
Publication of CN110601777A publication Critical patent/CN110601777A/zh
Priority to US17/637,308 priority patent/US20220286199A1/en
Priority to PCT/CN2020/095824 priority patent/WO2021036414A1/zh
Application granted granted Critical
Publication of CN110601777B publication Critical patent/CN110601777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/345—Interference values
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/40—Monitoring; Testing of relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations
    • H04W52/42—TPC being performed in particular situations in systems with time, space, frequency or polarisation diversity

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明公开一种低轨卫星星座下星地下行链路同频干扰估计方法，该方法首先获取同频干扰数值；然后选用处理时间序列的预测算法，建立利用过去一段时间取得的同频干扰值CCI来预测当前时刻水平的模型，然后调整所述的预测算法的参数，使模型的输出拟合CCI随时间变化的规律，并利用一段时间的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，直到预测算法的精度达到精度阈值后，再通过得到的预测算法预测下一时刻各链路的CCI大小，得到的预测值可用于选择通信链路。本发明的方法能够降低算法复杂度，有效提高CCI值预测速度。

Description

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
技术领域
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-Channel Interference，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。
发明内容
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
Figure BDA0002183780100000021
和
Figure BDA0002183780100000022
其中
Figure BDA0002183780100000023
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；
Figure BDA0002183780100000024
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)
Figure BDA0002183780100000025
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；
Figure BDA0002183780100000026
是会产生干扰波束的卫星发射天线离轴增益；
Figure BDA0002183780100000027
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
Figure BDA0002183780100000028
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：
Figure BDA0002183780100000029
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：
Figure BDA0002183780100000031
Figure BDA0002183780100000032
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
Figure BDA0002183780100000033
wk＝wk+η·yj·ek (10)
Figure BDA0002183780100000034
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
Figure BDA0002183780100000041
和
Figure BDA0002183780100000042
其中
Figure BDA0002183780100000043
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；
Figure BDA0002183780100000044
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)
Figure BDA0002183780100000045
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；
Figure BDA0002183780100000046
是会产生干扰波束的卫星发射天线离轴增益；
Figure BDA0002183780100000047
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
Figure BDA0002183780100000048
Figure BDA0002183780100000049
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
Figure BDA0002183780100000051
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：
Figure BDA0002183780100000052
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：
Figure BDA0002183780100000053
Figure BDA0002183780100000054
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
Figure BDA0002183780100000055
wk＝wk+η·yj·ek (10)
Figure BDA0002183780100000056
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。

Claims (3)

1.一种低轨移动卫星星座下星地下行链路同频干扰估计方法，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；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，初始化隐藏层网络节点阈值aj、bk，给定学习速率η和神经元激励函数
Figure FDA0002478210390000011
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：
Figure FDA0002478210390000012
S2.3：计算隐藏层节点j的实际输出yj
yj＝f(netj) (2)
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：
Figure FDA0002478210390000013
Figure FDA0002478210390000014
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) (5)
ek＝dk-ok (6)
其中，dk为期望输出，k＝1,2,…,m；
S3：调整基于dropout的小波神经网络的参数，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步骤优化后的基于dropout的小波神经网络，计算得到基于dropout的小波神经网络的精度，当所述的基于dropout的小波神经网络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得到的基于dropout的小波神经网络预测下一时刻各链路的CCI大小。
2.根据权利要求1所述的估计方法，其特征在于，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
Figure FDA0002478210390000021
和
Figure FDA0002478210390000022
其中
Figure FDA0002478210390000023
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；
Figure FDA0002478210390000024
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)
Figure FDA0002478210390000025
CCI(t)＝CCI1(t)+CCI2(t)+…+CCIN(t) (8)
式中，PT是会产生干扰波束的卫星的发射功率；
Figure FDA0002478210390000026
是会产生干扰波束的卫星发射天线离轴增益；
Figure FDA0002478210390000027
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。
3.根据权利要求1所述的估计方法，其特征在于，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和隐藏层网络节点阈值aj、bk
Figure FDA0002478210390000028
Figure FDA0002478210390000029
Figure FDA00024782103900000210
Figure FDA00024782103900000211
其中，
Figure FDA00024782103900000212
为更新后的网络连接权值，
Figure FDA00024782103900000213
为更新后的隐藏层网络节点阈值，
Figure FDA00024782103900000214
Figure FDA00024782103900000215
为更新前的网络连接权值，
Figure FDA00024782103900000216
为更新前的隐藏层网络节点阈值。
CN201910806319.6A 2019-08-29 2019-08-29 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 Active CN110601777B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910806319.6A CN110601777B (zh) 2019-08-29 2019-08-29 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
US17/637,308 US20220286199A1 (en) 2019-08-29 2020-06-12 Method for predicting co-channel interference of satellite-to-ground downlink under low-orbit satellite constellation
PCT/CN2020/095824 WO2021036414A1 (zh) 2019-08-29 2020-06-12 一种低轨移动卫星星座下星地下行链路同频干扰预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910806319.6A CN110601777B (zh) 2019-08-29 2019-08-29 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

Publications (2)

Publication Number Publication Date
CN110601777A CN110601777A (zh) 2019-12-20
CN110601777B true CN110601777B (zh) 2020-06-30

Family

ID=68856143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910806319.6A Active CN110601777B (zh) 2019-08-29 2019-08-29 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

Country Status (3)

Country Link
US (1) US20220286199A1 (zh)
CN (1) CN110601777B (zh)
WO (1) WO2021036414A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110601777B (zh) * 2019-08-29 2020-06-30 浙江大学 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
CN111047018A (zh) * 2020-01-14 2020-04-21 东方红卫星移动通信有限公司 一种低轨卫星移动通信资源智慧调度方法
CN113067651B (zh) * 2021-03-19 2023-01-31 哈尔滨工业大学 低轨卫星***星座间干扰检测方法
CN114417495A (zh) * 2021-12-15 2022-04-29 中国人民解放军军事科学院国防科技创新研究院 基于不确定性的卫星组件布局可靠性分析方法
CN114626635A (zh) * 2022-04-02 2022-06-14 北京乐智科技有限公司 一种基于混合神经网络的钢铁物流成本预测方法及***
CN115296761B (zh) * 2022-10-10 2022-12-02 香港中文大学（深圳） 一种基于电磁传播模型的信道预测方法
CN115580340B (zh) * 2022-10-13 2024-07-23 杭州国芯微电子股份有限公司 基于神经网络的数字卫星抑制同频干扰的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108712202A (zh) * 2018-05-16 2018-10-26 清华大学 通过偏转天线指向规避同频干扰的方法及卫星通信***
CN109474324A (zh) * 2018-10-26 2019-03-15 中国空间技术研究院 一种利用相控阵波束重构规避极轨星座同频干扰的方法
CN109492792A (zh) * 2018-09-28 2019-03-19 昆明理工大学 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100384299C (zh) * 2005-05-10 2008-04-23 北京交通大学 一种资源预留智能呼叫接纳控制方法
GB0820902D0 (en) * 2008-11-14 2008-12-24 Astrium Ltd Active interference suppression in a satellite communication system
US8489055B2 (en) * 2008-11-14 2013-07-16 Astrium Limited Active interference suppression in a satellite communication system
CN110022182A (zh) * 2018-01-10 2019-07-16 富士通株式会社 干扰源预测模型建立方法、干扰源识别方法、装置和终端设备
CN108777872B (zh) * 2018-05-22 2020-01-24 中国人民解放军陆军工程大学 一种基于深度q神经网络抗干扰模型的智能抗干扰方法及智能抗干扰***
CN110601777B (zh) * 2019-08-29 2020-06-30 浙江大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108712202A (zh) * 2018-05-16 2018-10-26 清华大学 通过偏转天线指向规避同频干扰的方法及卫星通信***
CN109492792A (zh) * 2018-09-28 2019-03-19 昆明理工大学 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法
CN109474324A (zh) * 2018-10-26 2019-03-15 中国空间技术研究院 一种利用相控阵波束重构规避极轨星座同频干扰的方法

Also Published As

Publication number Publication date
US20220286199A1 (en) 2022-09-08
CN110601777A (zh) 2019-12-20
WO2021036414A1 (zh) 2021-03-04

Similar Documents

Publication Publication Date Title
CN110601777B (zh) 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
Hamid et al. Short term load forecasting using an artificial neural network trained by artificial immune system learning algorithm
Krijestorac et al. Spatial signal strength prediction using 3D maps and deep learning
Ma et al. Chaotic time series prediction based on evolving recurrent neural networks
CN113613301B (zh) 一种基于dqn的空天地一体化网络智能切换方法
CN104463351A (zh) 基于电力业务需求的通信带宽预测方法及装置
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
Mom et al. Application of artificial neural network for path loss prediction in urban macrocellular environment
CN114500561A (zh) 电力物联网网络资源分配决策方法、***、设备及介质
Vankayala et al. Radio map estimation using a generative adversarial network and related business aspects
CN108809881B (zh) 一种基于改进的exp3算法水下自适应ofdm通信方法
CN116170066B (zh) 一种面向低轨卫星物联网的负载预测方法
CN116862021A (zh) 基于信誉评估的抗拜占庭攻击的去中心化学习方法及***
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
US20220309398A1 (en) Decentralized control of beam generating devices
KR20190129422A (ko) 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치
CN112134632B (zh) 无人机通信***平均容量评估方法及装置
CN111541472B (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置
Stojanović et al. A comparative performance analysis of extreme learning machine and echo state network for wireless channel prediction
CN114077482A (zh) 一种工业智能制造边缘智能计算优化方法
CN117674961B (zh) 基于时空特征学习的低轨卫星网络时延预测方法
Zhang et al. MLP Modeling and Prediction of IP Subnet Packets Forwarding Performance
CN112134631B (zh) 无线通信***平均容量评估方法及***
Quadri A Channel Ranking And Selection Scheme Based On Channel Occupancy And SNR For Cognitive Radio Systems
CN117060984B (zh) 基于经验模态分解与bp神经网络的卫星网络流量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230322

Address after: 316000 Room 202, 11 Baichuan Road, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province (centralized office)

Patentee after: ZHEJIANG JISU HEXIN TECHNOLOGY CO.,LTD.

Address before: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Patentee before: ZHEJIANG University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230629

Address after: Plant 1, No. 13, Guiyang Avenue, Yantai Economic and Technological Development Zone, Shandong Province, 264000

Patentee after: Yantai Xin Yang Ju Array Microelectronics Co.,Ltd.

Address before: 316000 Room 202, 11 Baichuan Road, Lincheng street, Dinghai District, Zhoushan City, Zhejiang Province (centralized office)

Patentee before: ZHEJIANG JISU HEXIN TECHNOLOGY CO.,LTD.