CN114142911A - 一种基于多层传导深度策略算法的复杂星座构型设计方法 - Google Patents
一种基于多层传导深度策略算法的复杂星座构型设计方法 Download PDFInfo
- Publication number
- CN114142911A CN114142911A CN202111410656.7A CN202111410656A CN114142911A CN 114142911 A CN114142911 A CN 114142911A CN 202111410656 A CN202111410656 A CN 202111410656A CN 114142911 A CN114142911 A CN 114142911A
- Authority
- CN
- China
- Prior art keywords
- constellation
- pole
- tilting device
- neural network
- optimization
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013461 design Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于多层传导深度策略算法的复杂星座构型设计方法,属于天基信息网络技术领域。本方法旨在解决复杂大规模星座的构型设计问题,针对星座的应用需求建立星座基本构型,采用多层传导深度策略算法建立神经网络模型,以星座基本构型为基准,以星座性能评估结果为判定值,通过多次训练,得到满足应用需求的星座构型优化设计参数。
Description
技术领域
本发明涉及天基信息网络领域,特别是指一种基于多层传导深度策略算法的复杂星座构型设计方法,可用于复杂大规模星座构型设计。
背景技术
随着全球卫星宽带与移动通信服务需求的不断增长,构建基于大规模星座的天基互联网信息基础设施成为关注热点。近年来,国内外涌现了一批大型卫星星座计划与项目,国外***如Starlink、OneWeb***等,主要为宽带互联网星座,国内***主要为综合窄带移动、宽带互联、导航增强、广域物联的多功能星座以及物联网星座。这些星座在规模上不断扩大,卫星数量达到成百上千甚至上万颗;星座构型日益复杂,由单一轨道发展到多层混合轨道星座,卫星分散部署在不同的轨道高度,每个轨道面上部署卫星多达数百颗,构型设计参量多、约束准则不定。目前多是采用几何解析法、仿真法等方法处理简单星座构型设计,尚无***性的构型设计方法支撑复杂星座***的设计与建设。
发明内容
有鉴于此,本发明提供了一种基于多层传导深度策略算法的复杂星座构型设计方法,该方法通过建立星座MCDP神经网络模型,结合星座仿真与性能评估技术,在构建基准星座构型的基础上,迭代优化神经网络模型与星座构型参数,达到星座性能最优,从而实现复杂大规模星座的构型设计与优化。
为了实现上述目的,本发明采用的技术方案为:
一种基于多层传导深度策略算法的复杂星座构型设计方法,包括以下步骤:
(1)根据星座设计需求,确定基准星座构型,构建星座评估指标体系;
(2)确定基准星座参数范围及对应的优化动作,构建基准星座中各层星座的初始多层传导深度策略算法神经网络及多层传导深度策略算法经验神经网络,根据高斯分布选取参数值作为初始星座参数p极、p倾,选择初始优化动作;
(3)仿真获得星座指标值I,评估获得星座能力值R,执行多层传导深度策略算法神经网络训练过程;
(4)判断是否达到训练目标,若否,重复步骤(3);若是,则保存训练完成的多层传导深度策略算法神经网络;
(5)设置优化次数上限,设置初始星座参数p极、p倾和初始优化动作;
(6)仿真获得星座指标值I,评估获得星座能力值R,执行多层传导深度策略算法的星座优化过程;
(7)判断是否达到优化次数上限,若否,重复步骤(7);若是,则结束优化;
(8)选择步骤(6)~(7)优化过程中评估性能最优的星座参数作为最终星座参数。
进一步的,步骤(3)与步骤(6)中的多层传导深度策略算法神经网络训练及星座优化过程,包括以下步骤:
(1)获取输入的星座参数p极、p倾和优化动作a极、a倾;
(2)根据优化动作a极更新星座参数p极,根据优化动作a倾更新星座参数p倾;
(3)使用星座参数p极、p倾仿真获得基准星座指标值I;
(4)对基准星座指标值评估获得基准星座能力值R并记录;
(5)将优化动作a极、a倾与能力值R输入多层传导深度策略算法经验神经网络,获得星座优化动作经验输出e;
(6)构建并记录星座状态S极(p极,I,e),S倾(p倾,I,e);
(7)将S极(p极,I,e)输入极轨星座多层传导深度策略算法神经网络,获得极轨星座下一步优化动作a极’,将S倾(p倾,I,e)输入倾斜轨道星座多层传导深度策略算法神经网络,获得倾斜轨道星座下一步优化动作a倾’,两者同步进行;
(8)对a极’、a倾’中的连续值类型的数值增加扰动;
(9)判断是否为神经网络训练过程,若是,结合历史记录值,使用基准星座状态及能力值R更新所有的多层传导深度策略算法神经网络参数θQ、θu、θG;若否,则不更新神经网络参数;
(10)输出优化动作a极’、a倾’及当前星座参数p极、p倾。
本发明与背景技术相比具有如下优点:
1.本发明方法采用多层传导深度策略算法(MCDP)神经网络模型,在构建基准星座构型的基础上,迭代优化MCDP神经网络模型与星座构型参数,可达到星座全局性能最优。
2.本发明提出了一种多层传导深度策略算法(MCDP),为混合轨道中各层星座分别构建神经网络,同步优化,利用循环神经网络传递各层优化动作经验,使用星座整体指标进行评估和参数更新;相较于传统的深度确定性策略梯度算法,MCDP降低了参数维度及训练复杂度,提高了优化效率和可扩展性。
附图说明
图1是本发明实施例方法的流程图;
图2是本发明实施例中MCDP算法训练及优化过程的流程图;
图3是本发明实施例中构建的星座能力评估指标体系。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
一种基于多层传导深度策略算法的复杂星座构型设计方法,其包括以下步骤:
(1)根据星座设计需求,确定基准星座构型,构建星座评估指标体系;
(2)确定基准星座参数范围及对应的优化动作,构建基准星座中各层星座的初始MCDP神经网络及MCDP经验神经网络,根据高斯分布选取参数值作为初始星座参数p极、p倾,选择初始优化动作;
(3)仿真获得星座指标值I,评估获得星座能力值R,执行MCDP算法训练过程;
(4)判断是否达到训练目标,若否,重复步骤(3);若是,则保存训练完成的MCDP神经网络;
(5)设置优化次数上限,设置初始星座参数p极、p倾和初始优化动作;
(6)仿真获得星座指标值I,评估获得星座能力值R,执行MCDP算法优化过程;
(7)判断是否达到优化次数上限,若否,重复步骤(7);若是,则结束优化;
(8)选择步骤(6)~(7)优化过程中评估性能最优的星座参数作为最终星座参数。
其中,MCDP算法神经网络训练及优化星座过程包括以下步骤:
(1)获取输入的星座参数p极、p倾和优化动作a极,a倾;
(2)根据优化动作a极更新星座参数p极,根据优化动作a倾更新星座参数p倾;
(3)使用星座参数p极、p倾仿真获得基准星座指标值I;
(4)对基准星座指标值评估获得基准星座能力值R并记录;
(5)将优化动作a极,a倾与能力值R输入MCDP经验神经网络,获得星座优化动作经验输出e;
(6)构建并记录星座状态S极(p极,I,e),S倾(p倾,I,e);
(7)将S极(p极,I,e)输入极轨星座MCDP神经网络,获得极轨星座下一步优化动作a极’,S倾(p倾,I,e)输入倾斜轨道星座MCDP神经网络,获得倾斜轨道星座下一步优化动作a倾’,两者同步进行;
(8)对a极’,a倾’中的连续值类型的数值增加扰动;
(9)判断是否为神经网络训练过程,若是,结合历史记录值,使用基准星座状态及能力值R更新所有的MCDP神经网络参数θQ、θu、θG;若否,则不更新神经网络参数;
(10)输出优化动作a极’、a倾’及当前星座参数p极、p倾。
以下为一个更具体的例子:
如图1所示,以某星座构型优化为例,基于MCDP的复杂星座构型设计方法,包括以下步骤:
(1)根据星座设计覆盖需求、用户接入需求及业务能力需求,确定基准星座构型为倾斜+极轨星座,构建包括空间拓扑、覆盖能力、通信能力、星间链路性能的星座评估指标体系,指标体系如图3所示;
(2)确定基准星座的参数P{轨道高度h、轨道倾角φ、卫星总数q、轨道面数p、相邻轨道相位差ω、相邻异轨卫星相位差δ}等参数的取值范围及对应的优化动作,构建初始MCDP神经网络,设置动作神经网络包含2层隐含层,输入层、隐含层、输出层节点分别为25、51、51、12,判断神经网络包含2层隐含层,输入层、隐含层、输出层节点分别为26、53、53、1,根据高斯分布选取参数值作为初始星座参数p极=(h极,φ极,q极,p极,ω极,δ极)、p倾=(h倾,φ倾,q倾,p倾,ω倾,δ倾),设置经验神经网络为循环神经网络,输入层、隐含层、输出层节点分别为13、27、1,选择初始优化动作为极轨星座轨道倾角增加x,倾斜轨道星座轨道高度减少y;
(3)仿真获得星座指标值I,评估获得星座能力值R,执行MCDP算法训练过程;
(4)判断是否达到训练目标,若否,重复步骤(3);若是,则保存训练完成的MCDP神经网络;
(5)设置优化次数上限为500次,设置初始星座参数p极、p倾和初始优化动作;
(6)仿真获得星座指标值I,评估获得星座能力值R,执行MCDP算法优化过程;
(7)判断是否达到优化次数上限,若否,重复步骤(7);若是,则结束优化;
(8)选择步骤(6)~(7)优化过程中评估性能最优的星座参数作为最终星座参数。
如图2所示,MCDP算法神经网络训练及优化星座的方法如下:
(1)获取输入的星座参数p极=(h极,φ极,q极,p极,ω极,δ极)、p倾=(h倾,φ倾,q倾,p倾,ω倾,δ倾),和优化动作a极,a倾;
(2)根据优化动作a极更新星座参数p极,根据优化动作a倾更新星座参数p倾;
(3)使用星座参数p极、p倾仿真获得基准星座指标值I=(拓扑变化次数Tt、自然连通度Nc、最大路径长度MaxPath、最大跳数MaxHop、全球覆盖重数Gc、重点区域覆盖重数Zc、区域重访次数R、通信仰角ae、隔离角ia、用户接入密度Ad、多普勒频移Dop、连接时长CD、最大传输时延Maxdelay、星间距离d、俯仰角变化速率Pr、方位角变化速率Ar、俯仰角变化值Pv、方位角变化值Av);
(4)根据指标体系设置各个指标权重,对基准星座指标值评估获得基准星座能力值R并记录;
(5)将优化动作a极,a倾与能力值R输入MCDP经验神经网络,获得星座优化动作经验输出e;
(5)构建并记录星座状态S极(p极,I,e),S倾(p倾,I,e);
(6)将S极(p极,I,e)输入极轨星座MCDP神经网络,获得极轨星座下一步优化动作a极’,S倾(p倾,I,e)输入倾斜轨道星座MCDP神经网络,获得倾斜轨道星座下一步优化动作a倾’,两者同步进行;
(7)对a极’,a倾’中的连续值类型的数值增加扰动,扰动值服从期望为对应参数范围中值的正态分布;
(8)判断是否为神经网络训练过程,若是,结合历史记录值,使用基准星座状态及能力值R,应用梯度下降法更新所有的MCDP神经网络参数θQ、θu、θG;若否,则不更新神经网络参数;
(9)输出优化动作a极’、a倾’及当前星座参数p极、p倾。
总之,本发明旨在解决复杂大规模星座的构型设计问题,针对星座的应用需求建立星座基本构型,采用多层传导深度策略算法建立神经网络模型,以星座基本构型为基准,以星座性能评估结果为判定值,通过多次训练,得到满足应用需求的星座构型优化设计参数。
Claims (2)
1.一种基于多层传导深度策略算法的复杂星座构型设计方法,其特征在于,包括以下步骤:
(1)根据星座设计需求,确定基准星座构型,构建星座评估指标体系;
(2)确定基准星座参数范围及对应的优化动作,构建基准星座中各层星座的初始多层传导深度策略算法神经网络及多层传导深度策略算法经验神经网络,根据高斯分布选取参数值作为初始星座参数p极、p倾,选择初始优化动作;
(3)仿真获得星座指标值I,评估获得星座能力值R,执行多层传导深度策略算法神经网络训练过程;
(4)判断是否达到训练目标,若否,重复步骤(3);若是,则保存训练完成的多层传导深度策略算法神经网络;
(5)设置优化次数上限,设置初始星座参数p极、p倾和初始优化动作;
(6)仿真获得星座指标值I,评估获得星座能力值R,执行多层传导深度策略算法的星座优化过程;
(7)判断是否达到优化次数上限,若否,重复步骤(7);若是,则结束优化;
(8)选择步骤(6)~(7)优化过程中评估性能最优的星座参数作为最终星座参数。
2.根据权利要求1所述的一种基于多层传导深度策略算法的复杂星座构型设计方法,其特征在于,步骤(3)与步骤(6)中的多层传导深度策略算法神经网络训练及星座优化过程,包括以下步骤:
(1)获取输入的星座参数p极、p倾和优化动作a极、a倾;
(2)根据优化动作a极更新星座参数p极,根据优化动作a倾更新星座参数p倾;
(3)使用星座参数p极、p倾仿真获得基准星座指标值I;
(4)对基准星座指标值评估获得基准星座能力值R并记录;
(5)将优化动作a极、a倾与能力值R输入多层传导深度策略算法经验神经网络,获得星座优化动作经验输出e;
(6)构建并记录星座状态S极(p极,I,e),S倾(p倾,I,e);
(7)将S极(p极,I,e)输入极轨星座多层传导深度策略算法神经网络,获得极轨星座下一步优化动作a极’,将S倾(p倾,I,e)输入倾斜轨道星座多层传导深度策略算法神经网络,获得倾斜轨道星座下一步优化动作a倾’,两者同步进行;
(8)对a极’、a倾’中的连续值类型的数值增加扰动;
(9)判断是否为神经网络训练过程,若是,结合历史记录值,使用基准星座状态及能力值R更新所有的多层传导深度策略算法神经网络参数θQ、θu、θG;若否,则不更新神经网络参数;
(10)输出优化动作a极’、a倾’及当前星座参数p极、p倾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410656.7A CN114142911B (zh) | 2021-11-25 | 2021-11-25 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410656.7A CN114142911B (zh) | 2021-11-25 | 2021-11-25 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114142911A true CN114142911A (zh) | 2022-03-04 |
CN114142911B CN114142911B (zh) | 2024-08-16 |
Family
ID=80391653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111410656.7A Active CN114142911B (zh) | 2021-11-25 | 2021-11-25 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114142911B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492340A (zh) * | 2018-12-21 | 2019-03-19 | 中国电子科技集团公司电子科学研究院 | 一种基于混合优化的互联网星座设计方法 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及*** |
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 |
CN112966785A (zh) * | 2021-04-14 | 2021-06-15 | 赵辉 | 一种智能化星座状态识别方法和*** |
US20210295546A1 (en) * | 2020-12-15 | 2021-09-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Satellite image processing method, network training method, related devices and electronic device |
-
2021
- 2021-11-25 CN CN202111410656.7A patent/CN114142911B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492340A (zh) * | 2018-12-21 | 2019-03-19 | 中国电子科技集团公司电子科学研究院 | 一种基于混合优化的互联网星座设计方法 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及*** |
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 |
US20210295546A1 (en) * | 2020-12-15 | 2021-09-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Satellite image processing method, network training method, related devices and electronic device |
CN112966785A (zh) * | 2021-04-14 | 2021-06-15 | 赵辉 | 一种智能化星座状态识别方法和*** |
Non-Patent Citations (3)
Title |
---|
SHILPA CHAUDHARI等: "Performance Analysis of CNN, AlexNet and VGGNet Models for Drought Prediction using Satellite Images", 2021 ASIAN CONFERENCE ON INNOVATION IN TECHNOLOGY (ASIANCON), 29 August 2021 (2021-08-29) * |
董彦磊等: "AHP-BP卫星通信网评估算法应用研究", 无线电工程, 15 July 2016 (2016-07-15) * |
魏炳翌: "基于神经网络的卫星姿态控制***故障诊断研究与仿真", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 15 February 2020 (2020-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114142911B (zh) | 2024-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Combining solar energy harvesting with wireless charging for hybrid wireless sensor networks | |
CN102891713B (zh) | 适用于中高纬度区域覆盖的低轨道微小卫星编队*** | |
Wang et al. | Efficient distributed low-cost backbone formation for wireless networks | |
CN115276756B (zh) | 一种保障服务质量的低轨卫星星座优化设计方法 | |
CN114142911A (zh) | 一种基于多层传导深度策略算法的复杂星座构型设计方法 | |
CN102354981A (zh) | 一种基于分布式计算的互联电网中子网电压稳定评估方法 | |
CN106452555A (zh) | 一种基于中低地球轨道卫星网络的多路径优化算规划方法 | |
CN115361051B (zh) | 一种面向大规模空间互联网星座的频率共用分析*** | |
CN115242295A (zh) | 一种卫星网络sdn多控制器部署方法及*** | |
Wu et al. | DSFL: Decentralized satellite federated learning for energy-aware LEO constellation computing | |
Chen et al. | Optimal gateway placement for minimizing intersatellite link usage in LEO megaconstellation networks | |
CN117614520B (zh) | 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法 | |
CN112532296B (zh) | 一种基于椭圆形卫星覆盖的大规模卫星网络构建方法 | |
CN114698118A (zh) | 天地空一体化网络中面向综合效益的资源智能化协同调度方法 | |
Navimipour et al. | Minimize energy consumption and improve the lifetime of heterogeneous wireless sensor networks by using monkey search algorithm | |
Bendjima et al. | Optimal itinerary planning for mobile multiple agents in WSN | |
Lovén et al. | Towards EDISON: An edge-native approach to distributed interpolation of environmental data | |
Di Pierro et al. | Automatic calibration of urban drainage model using a novel multi-objective genetic algorithm | |
CN112532297B (zh) | 一种基于矩形卫星覆盖的大规模卫星网络构建方法 | |
Kang et al. | Joint Server Selection and Handover Design for Satellite-Based Federated Learning Using Mean-Field Evolutionary Approach | |
CN112468207A (zh) | 一种多层低地球轨道卫星星座部署方法及*** | |
Tai et al. | Topology optimization design of leo satellite network | |
Wei et al. | A method of constellation design based on PSO for 5G LEO satellite communication system | |
CN111683378B (zh) | 一种面向配电网的可重构无线传感器网络中继部署方法 | |
CN102984713B (zh) | 一种基于移动节点的无线传感执行网络覆盖方法 |
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 |