CN115001559A - 一种适用于卫星网络的用户终端分布模型构建方法 - Google Patents
一种适用于卫星网络的用户终端分布模型构建方法 Download PDFInfo
- Publication number
- CN115001559A CN115001559A CN202210278746.3A CN202210278746A CN115001559A CN 115001559 A CN115001559 A CN 115001559A CN 202210278746 A CN202210278746 A CN 202210278746A CN 115001559 A CN115001559 A CN 115001559A
- Authority
- CN
- China
- Prior art keywords
- terminal
- distribution
- distribution data
- user terminal
- model
- 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
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
- H04B7/1853—Satellite systems for providing telephony service to a mobile station, i.e. mobile satellite service
-
- 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
- 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
- H04B7/1853—Satellite systems for providing telephony service to a mobile station, i.e. mobile satellite service
- H04B7/18539—Arrangements for managing radio, resources, i.e. for establishing or releasing a connection
-
- 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
- H04B7/18578—Satellite systems for providing broadband data service to individual earth stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/06—Airborne or Satellite Networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供一种适用于卫星网络的用户终端分布模型构建方法,其基于用户实际分布规律将全球卫星通信划分成多个区域,对于每个区域所述方法包括如下步骤:S1、获取当前区域内用户终端的历史分布数据集,将其按终端类型划分为不同类型终端对应的历史分布数据集;S2、分别采用不同类型终端对应的历史分布数据集训练对抗神经网络至收敛以获得不同类型终端对应的生成模型。本专利申请提出的卫星网络多类型用户终端空间分布建模与数据生成方法,将全球划分为不同的区域,并且考虑多种终端类型,根据历史分布数据对每个区域的不同终端进行建模来生成数据,精确描述了卫星覆盖下的用户空间分布,使得后续卫星资源分配能够更加合理,具有更高的资源利用率。
Description
技术领域
本发明涉及卫星通信领域,具体来说,涉及针对卫星网络构建过程中用户终端分布数据的获取,更具体地说,涉及一种适用于卫星网络的用户终端分布模型的构建方法。
背景技术
全球宽带卫星通信***建设是当前全球发展中的一个热点,对宽带卫星***的组网架构、应用场景、通信流程和关键技术的研究有助于提高宽带卫星通信***的性能和资源利用率以及移动通信用户的通信质量,而这些研究都需要用户终端分布模型的支撑。由于移动通信用户的全球分布极不均匀,一般而言,市区普遍高于郊区,发达地区普遍高于欠发达地区。这种不均匀性一方面是由用户密度不同造成的,另一方面是由于区域间的发展差异造成的,而一个较为准确的用户终端分布模型,对卫星资源分配是十分重要的。现有技术下的研究者大都是直接使用一个随机分布模型来表示用户分布,比如正态分布和泊松点分布等。还有的研究者在此基础上考虑了经济因素,具体做法是,根据一个卫星波束可以覆盖某个地区,假设区域内的用户分布满足正态分布或者其他分布,并将区域经济发展水平进行加权建立模型,最后根据建立的模型生成需要的数据。由此可见,现有技术下的用户终端分布模型没有很全面地考虑用户分布的实际情况,至少存在以下几个方面的问题:(1)现有技术下的用户终端分布模型虽然考虑了用户全球分布极不均匀,但是一般都是考虑单一因素,并假设用户满足一种非均匀的分布来建立模型,所建立的模型不能精确描述用户分布;(2)现有技术下所建立的用户终端分布模型在生成数据时,是应用生成模型在全球范围内进行生成数据,未考虑不同区域之间的差异;(3)现有技术下建立的用户终端分布模型,仅考虑了人口分布,未考虑轮船、飞机等用户的分布,而卫星通信的运用主要集中在海洋、山地、沙漠等地面通信覆盖不到的偏远地区,如果不考虑这些区域的用户分布,会造成业务在分配资源时被不公平地对待。
发明内容
因此,本发明的目的在于克服上述现有技术的缺陷,提供一种适用于卫星网络的用户终端分布模型构建方法以及卫星通信***资源分配方法。
根据本发明的第一方面,提供一种适用于卫星网络的用户终端分布模型构建方法,其基于用户实际分布规律将全球卫星通信划分成多个区域,对于每个区域所述方法包括如下步骤:S1、获取当前区域内用户终端的历史分布数据集,将其按终端类型划分为不同类型终端对应的历史分布数据集;S2、分别采用不同类型终端对应的历史分布数据集训练对抗神经网络至收敛以获得不同类型终端对应的生成模型。
优选的,在本发明的一些实施例中,通过如下方式实现区域划分:H1、获取所有类型终端对应的已有的全球历史分布数据,并对每种类型的终端进行加权赋值以获得所有类型终端的联合分布数据集,其中,终端类型至少包括便携终端、机载终端、船载终端;优选的,对便携终端加权赋值为0.1,对机载终端加权赋值为0.5,对船载终端加权赋值为0.4。H2、以联合分布数据集中每个终端样本所在的位置为一个点,基于预设的K值采用K最邻近分类方法对联合分布数据集进行划分以将联合分布数据集中的终端样本分为多个类别;优选的,所述通过如下方式预设K值:将联合分布数据集中的所有样本按照预设的比例分为训练集和验证集,在大于等于1且小于等于数据集中样本数量的平方根的范围内,采用每一个值对训练集进行最近邻分类并用验证集进行验证,选出在验证集上错误次数最少时对应的值。H3、获取每个类别中的终端所在的经纬度并连接每个类别中的边界终端所在位置以将全球划分为不同的区域。优选的,基于每个类别中的边界终端所在位置的经纬度对区域进行归一化操作得到矩形区域。
在本发明的一些实施例中,所述对抗神经网络包括生成模型和判别模型,其中:所述生成模型包括一个输入层和三个依次连接的全连接层,其中,第三个全连接层配置tanh激活函数;所述判别模型包括一个输入层和三个依次连接的全连接层,其中,第三个全连接层配置sigmoid激活函数。优选的,所述判别模型的第二个全连接层和第三个全连接层之间配置有dropout层。
优选的,所述步骤S2中,采用MSE损失函数和Adadelta优化器训练对抗神经网络,以通过学习判别模型的损失和对抗损失调整对抗神经网络的参数。
根据本发明的第二方面,提供一种卫星通信***资源分配方法,所述方法包括:W1、基于待进行卫星通信***资源分配的区域以及对应的终端类型获取该区域对应终端的用户终端分布模型,其中,所述用户终端分布模型基于本发明第一方面所述的方法生成;W2、采用步骤W1获取的模型生成满足数量需求的用户终端分布数据;W3、基于步骤W2生成的用户终端分布数据进行卫星***资源分配
与现有技术相比,本发明的优点在于:本发明根据已有的不同终端用户分布的统计数据通过对抗神经网络训练建立不同的分布模型,考虑了轮船、飞机、地面设备等多种终端,针对不同的终端分别建立对抗神经网络进行训练得到模型,根据分布模型、生成数据量级以及生成数据的区域生成满足不同类型终端分布的数据。本专利申请提出的卫星网络多类型用户终端空间分布建模与数据生成方法,将全球划分为不同的区域,并且考虑多种终端类型,根据历史分布数据对每个区域的不同终端进行建模来生成数据,精确描述了卫星覆盖下的用户空间分布,使得后续卫星资源分配能够更加合理,具有更高的资源利用率。
附图说明
以下参照附图对本发明实施例作进一步说明,其中:
图1为根据本发明实施例的全球区域划分结果示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如背景技术提到的,现有技术下的用户终端分布模型没有很全面的考虑到用户在全球的分布差异,在生成用户分布数据的时候仅仅是随机采用一种分布方式来生成,使得生成的用户分布与实际差异比较大,无法很好的支撑宽带卫星通信***的建设。因此,本发明针对如下问题:建立用户终端分布模型时,未综合考虑多种因素,未建立精确描述用户空间分布的模型;建立用户终端分布模型时,未考虑不同地域用户分布之间的差异,导致不同区域之间的用户终端分布模型不精确,使得后续分配资源时,不能被公平地对待;未考虑多种终端类型之间的差异,仅考虑了地面便携终端,忽略了机载、船载等终端,未精确描述卫星覆盖下的用户分布,提出了一种适用于卫星网络的多类型用户终端空间分布建模与数据生成方法,将历史数据、区域差异以及不同的终端类型结合在一起考虑,并合理地解决了上述问题。概括来说,本发明提出了一种考虑全球经济发展的区域差异、人口分布差异、终端类型分布差异并对全球进行区域划分的基础上,构建用户终端分布模型的方法,通过将全球划分为不同的区域,每个区域内的分布相似,基于每个区域构建对应的用户终端分布模型,然后在宽带卫星通信***构建过程中,选择对应区域的模型生成用户分布数据。其中,区域划分的主要目的是为了充分考虑全球经济发展的区域差异、人口分布差异、终端类型分布差异,进行数据驱动以及多类型终端用户分布拟合的区域划分,以将分布接近或类似的区域划分为一类,针对分布近似的区域训练共用的用户终端分布模型,使得采用用户终端分布模型生成用户分布数据时能够更接近于实际分布。
假设在高、低轨卫星网络覆盖下有三种类型的用户终端,便携终端、机载终端、以及船载终端,分别用字母C1、C2、C3表示。基于以上假设,下面主要分别从区域划分、模型构建、用户数据生成几个方面分别介绍本发明。
一、区域划分。
本发明通过划分区域,将全球按照经纬度、海洋与陆地面积比例、人口等因素划分为若干个区域,以便根据每个区域内的用户分布特点建立相对应的分布模型,同时还采用了多类型用户分布拟合方法,考虑到不同终端类型,不仅考虑了地面移动终端,还考虑了飞机、轮船等类型用户的分布差异。根据三种终端已有的全球分布历史数据,对不同类型的终端进行赋值加权,采用最邻近分类算法对数据进行划分,在划分的结果上加入经纬度因素得到新的划分方案。根据本发明的一个实施例,区域划分主要包括如下步骤:
H1、创建三种终端类型用户分布的联合数据集Datau,分别为每种类型的终端加权赋值为α1、α2、α3,分别对应于便携终端、机载终端、船载终端。其中,每种类型的终端加权赋值根据每种终端使用卫星进行通信占所有总数的比例,例如可以是按照便携终端为α1=0.1、机载终端为α2=0.5、船载终端为α3=0.4的方式进行加权赋值。
H2、针对联合数据集构建KNN(K最邻近法)分类器,针对每一个样本点,计算待确定类别的点与其他点之间的欧式距离,然后按照计算出的距离递增次序排序,其中,递增排序采用的是待确定类别的点与其他点之间的欧式距离,选择一个K值并选出距离最小的K个点,对选出点的类别进行比较,并放入到合适的分类中。需要说明的是,K的大小直接影响KNN算法的时空效率,如果K取值太小则容易受噪声的影响,K取值过大,则近邻中可能又包含过多其他类的数据点,根据本发明的一个实施例,本发明通过将K从一个小的值开始递增(且K的取值一般不大于样本集数量的平方根),不断增加K的值,将联合分布数据集Datau按照一定的比例(如果对数据集进行划分时训练集过少,会降低模型精度,一般将样本的2/3-4/5作为训练集,其余的作为验证集)进行划分为训练数据和验证数据,然后通过计算方差进行交叉验证,最终找到一个合适的K值,所谓合适的K值是指交叉验证过程中错误次数最少时对应的K值,所谓交叉验证的标准是对每一个K,使用验证集计算,记录K对应的错误次数。
H3、将区域划分结果与经纬度因素结合,通过获取KNN算法所得到分类结果的边界值,连接边界点,并进行归一化得到矩形区域得出区域划分方案。如图1所示为采用本发明的方法对全球区域进行划分的一种结果示意图,全球被划分为了15个区域。
二、模型构建
通过前面所述的区域划分之后,将全球区域在考虑了全球经济发展的区域差异、人口分布差异、终端类型分布差异基础上划分为了多个区域,然后采用多类型用户分布拟合方法,构建用户终端分布模型时考虑多种终端类型,通过对于不同类型终端用户的历史分布数据进行拟合确定每个业务的分布模型即每类终端的分布模型。具体地,针对每个区域内的不同终端,分别构建对应的用户终端分布模型。根据本发明的一个实施例,模型构建包括如下步骤:
S1、获取当前区域内用户终端的历史分布数据集,并对其进行预处理以将其按终端类型划分为不同类型终端对应的历史分布数据集,即创建三种不同类型终端所对应的历史分布数据集,分布用Data1、Data2、Data3表示。
S2、分别采用不同类型终端对应的历史分布数据集训练对抗神经网络至收敛以获得不同类型终端对应的生成模型,即采用Data1训练便携终端在当前区域对应的用户终端分布模型、采用Data2训练机载终端在当前区域对应的用户终端分布模型、采用Data3训练船载终端在当前区域对应的用户终端分布模型。本发明构建的对抗神经网络包括一个生成模型G和一个判别模型D。其中,生成模型G包括一个输入层和三个全连接层,第三全连接层采用tanh激活函数输出与真实数据分布相似的虚拟数据。判别模型D包括一个输入层和三个全连接层,为了防止过拟合,在第二和第三全连接层之间加入了一层dropout层,第三全连接层采用sigmoid激活函数,输出一维的判别结果。根据本发明的一个实施例,训练过程中通过MSE损失函数和Adadelta优化器训练构建的对抗神经网络,通过对DiscriminatorLoss(判别损失)和Adversarial loss(对抗损失)损失学习进行权重参数的调整。优选的,生成模型G的输入为与真实数据有着相同维度的随机正态分布数据,判别模型D的输入为真实数据与生成模型G生成的虚拟数据拼接形成的数据,判别模型D的训练标签为真实数据的全1与虚假数据的全0拼接之后加上一个随机噪声。然后保存训练好的各层中的权重参数矩阵和偏置值,并对应地赋值给对抗神经网络的各层,并保存生成模型对应的模型参数,记为M1、M2、M3,分别对应于便携终端、记载终端、船载终端的用户终端分布模型。
三、用户数据生成
通过上述描述可知,本发明针对划分后的不同区域,分别生成了不同类型终端对应的用户分布生成模型。在需要进行宽带卫星通信***构建中的资源分配时,直接获取对应区域的用户终端生成模型来生成用户数据。根据本发明的一个实施例,用户数据生成包括如下步骤:
W1、基于待进行卫星通信***资源分配的区域以及对应的终端类型获取该区域对应终端的用户终端分布模型。具体地,获取要生成业务分布的参数,包括终端业务的类型Cm且Cm∈{C1,C2,C3},要生成的数据量N,生成的区域编号ID。例如,以图1所示的区域划分为例,当需要对区域15生成数据量为10万的便携终端用户分布数据时,获取区域15对应的M1参数,构建与第二部分中对抗神经网络结构一致的生成模型,并将区域15对应的M1参数加载到模型中,获得区域15对应的便携终端对应的用户终端分布模型。
W2、采用步骤W1获取的模型生成满足数量需求的用户终端分布数据;仍旧以步骤W1中的例子为例,获得了区域15中的便携终端对应的用户终端分布模型后,随机产生10万x2向量的正态分布数据,并将其作为用户终端分布模型的输入以在其中生成符合分布规律的数据,对于其他类型终端的数据采用同样的步骤。
W3、基于步骤W2生成的用户终端分布数据进行卫星***资源分配。
本发明的优点在于:根据已有的不同终端用户分布的统计数据通过对抗神经网络训练建立不同的分布模型,考虑了轮船、飞机、地面设备等多种终端,针对不同的终端分别建立对抗神经网络进行训练得到模型,根据分布模型、生成数据量级以及生成数据的区域生成满足不同类型终端分布的数据。本专利申请提出的卫星网络多类型用户终端空间分布建模与数据生成方法,将全球划分为不同的区域,并且考虑多种终端类型,根据历史分布数据对每个区域的不同终端进行建模来生成数据,精确描述了卫星覆盖下的用户空间分布,使得后续卫星资源分配能够更加合理,具有更高的资源利用率。
需要说明的是,虽然上文按照特定顺序描述了各个步骤,但是并不意味着必须按照上述特定顺序来执行各个步骤,实际上,这些步骤中的一些可以并发执行,甚至改变顺序,只要能够实现所需要的功能即可。
本发明可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种适用于卫星网络的用户终端分布模型构建方法,其基于用户实际分布规律将全球卫星通信划分成多个区域,对于每个区域所述方法包括如下步骤:
S1、获取当前区域内用户终端的历史分布数据集,将其按终端类型划分为不同类型终端对应的历史分布数据集;
S2、分别采用不同类型终端对应的历史分布数据集训练对抗神经网络至收敛以获得不同类型终端对应的生成模型。
2.根据权利要求1所述的方法,其特征在于,通过如下方式实现区域划分:
H1、获取所有类型终端对应的已有的全球历史分布数据,并对每种类型的终端进行加权赋值以获得所有类型终端的联合分布数据集,其中,终端类型至少包括便携终端、机载终端、船载终端;
H2、以联合分布数据集中每个终端样本所在的位置为一个点,基于预设的K值采用K最邻近分类方法对联合分布数据集进行划分以将联合分布数据集中的终端样本分为多个类别;
H3、获取每个类别中的终端所在的经纬度并连接每个类别中的边界终端所在位置以将全球划分为不同的区域。
3.根据权利要求2所述的方法,其特征在于,所述步骤H1中,对便携终端加权赋值为0.1,对机载终端加权赋值为0.5,对船载终端加权赋值为0.4。
4.根据权利要求2所述的方法,其特征在于,所述通过如下方式预设K值:
将联合分布数据集中的所有样本按照预设的比例分为训练集和验证集,在大于等于1且小于等于数据集中样本数量的平方根的范围内,采用每一个值对训练集进行最近邻分类并用验证集进行验证,选出在验证集上错误次数最少时对应的值。
5.根据权利要求2所述的方法,其特征在于,所述步骤H3中,
基于每个类别中的边界终端所在位置的经纬度对区域进行归一化操作得到矩形区域。
6.根据权利要求1所述的方法,其特征在于,所述对抗神经网络包括生成模型和判别模型,其中:
所述生成模型包括一个输入层和三个依次连接的全连接层,其中,第三个全连接层配置tanh激活函数;
所述判别模型包括一个输入层和三个依次连接的全连接层,其中,第三个全连接层配置sigmoid激活函数。
7.根据权利要求6所述的方法,其特征在于,所述判别模型的第二个全连接层和第三个全连接层之间配置有dropout层。
8.根据权利要求7所述的方法,其特征在于,所述步骤S2中,采用MSE损失函数和Adadelta优化器训练对抗神经网络,以通过学习判别模型的损失和对抗损失调整对抗神经网络的参数。
9.一种卫星通信***资源分配方法,其特征在于,所述方法包括:
W1、基于待进行卫星通信***资源分配的区域以及对应的终端类型获取该区域对应终端的用户终端分布模型,其中,所述用户终端分布模型基于权利要求1-8之一的方法生成;
W2、采用步骤W1获取的模型生成满足数量需求的用户终端分布数据;
W3、基于步骤W2生成的用户终端分布数据进行卫星***资源分配。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序可被处理器执行以实现权利要求1至8任一所述方法的步骤。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278746.3A CN115001559B (zh) | 2022-03-17 | 2022-03-17 | 一种适用于卫星网络的用户终端分布模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278746.3A CN115001559B (zh) | 2022-03-17 | 2022-03-17 | 一种适用于卫星网络的用户终端分布模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115001559A true CN115001559A (zh) | 2022-09-02 |
CN115001559B CN115001559B (zh) | 2023-04-18 |
Family
ID=83024049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210278746.3A Active CN115001559B (zh) | 2022-03-17 | 2022-03-17 | 一种适用于卫星网络的用户终端分布模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115001559B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
CN108229273A (zh) * | 2017-02-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
US20190207672A1 (en) * | 2017-12-29 | 2019-07-04 | Hughes Network Systems, Llc | Machine learning models for adjusting communication parameters |
CN111555795A (zh) * | 2020-04-21 | 2020-08-18 | 清华大学 | 一种基于用户分组调度的网络资源分配方法和装置 |
CN111709318A (zh) * | 2020-05-28 | 2020-09-25 | 西安理工大学 | 一种基于生成对抗网络的高分辨率遥感图像分类方法 |
US20200311120A1 (en) * | 2019-03-28 | 2020-10-01 | Facebook, Inc. | Generating digital media clusters corresponding to predicted distribution classes from a repository of digital media based on network distribution history |
CN112765468A (zh) * | 2021-01-23 | 2021-05-07 | 珠海金智维信息科技有限公司 | 一种个性化用户服务定制方法和装置 |
CN113376674A (zh) * | 2021-08-11 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 一种终端的定位方法、装置、设备及存储介质 |
CN113766523A (zh) * | 2020-06-02 | 2021-12-07 | ***通信集团河南有限公司 | 服务小区的网络资源利用率预测方法、装置及电子设备 |
CN113837179A (zh) * | 2021-09-16 | 2021-12-24 | 南京航空航天大学 | 一种处理图像的多判别gan网络构建方法、装置、***和存储介质 |
-
2022
- 2022-03-17 CN CN202210278746.3A patent/CN115001559B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229273A (zh) * | 2017-02-27 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
US20190207672A1 (en) * | 2017-12-29 | 2019-07-04 | Hughes Network Systems, Llc | Machine learning models for adjusting communication parameters |
US20200311120A1 (en) * | 2019-03-28 | 2020-10-01 | Facebook, Inc. | Generating digital media clusters corresponding to predicted distribution classes from a repository of digital media based on network distribution history |
CN111555795A (zh) * | 2020-04-21 | 2020-08-18 | 清华大学 | 一种基于用户分组调度的网络资源分配方法和装置 |
CN111709318A (zh) * | 2020-05-28 | 2020-09-25 | 西安理工大学 | 一种基于生成对抗网络的高分辨率遥感图像分类方法 |
CN113766523A (zh) * | 2020-06-02 | 2021-12-07 | ***通信集团河南有限公司 | 服务小区的网络资源利用率预测方法、装置及电子设备 |
CN112765468A (zh) * | 2021-01-23 | 2021-05-07 | 珠海金智维信息科技有限公司 | 一种个性化用户服务定制方法和装置 |
CN113376674A (zh) * | 2021-08-11 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 一种终端的定位方法、装置、设备及存储介质 |
CN113837179A (zh) * | 2021-09-16 | 2021-12-24 | 南京航空航天大学 | 一种处理图像的多判别gan网络构建方法、装置、***和存储介质 |
Non-Patent Citations (2)
Title |
---|
OMAR AHMADIEN,ETC.: "Predicting Path Loss Distribution of an Area From Satellite Images Using Deep Learning", 《IEEE ACCESS》 * |
陈丹艳,等: "时空循环神经网络在5G用户分布预测及波束权值调整中的应用研究", 《电子世界》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115001559B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200273347A1 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
CN110390401B (zh) | 使用嵌入空间之间的变分映射生成跨域数据 | |
US10636293B2 (en) | Uncertainty modeling in traffic demand prediction | |
Albert et al. | Modeling urbanization patterns with generative adversarial networks | |
US11537277B2 (en) | System and method for generating photorealistic synthetic images based on semantic information | |
CN113705959B (zh) | 网络资源分配方法及电子设备 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
CN111709493B (zh) | 对象分类方法、训练方法、装置、设备及存储介质 | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN113114399B (zh) | 基于生成对抗网络的三维频谱态势补全方法和装置 | |
Hassani et al. | Consensus-based decision support model and fusion architecture for dynamic decision making | |
CN112988851B (zh) | 反事实预测模型数据处理方法、装置、设备及存储介质 | |
CN115001559B (zh) | 一种适用于卫星网络的用户终端分布模型构建方法 | |
CN113766633A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
US11775852B2 (en) | Network optimization | |
CN115146775B (zh) | 边缘设备推理加速方法、装置和数据处理*** | |
CN116471281A (zh) | 一种考虑节点自私性的去中心化服务组合方法 | |
CN116910341A (zh) | 标签预测方法、装置及电子设备 | |
CN113919188B (zh) | 一种基于上下文-mab的中继无人机路径规划方法 | |
CN116073927A (zh) | 卫星互联网多波位用户空间非均匀分布的仿真方法及*** | |
CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
CN114363671A (zh) | 多媒体资源推送方法、模型训练方法、装置、存储介质 | |
CN114520991A (zh) | 基于无人机集群的边缘网络自适应部署方法 | |
CN113033653A (zh) | 一种边-云协同的深度神经网络模型训练方法 |
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 |