CN115941029A - 一种基于数据驱动的高通量卫星波束资源智能优化方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的高通量卫星波束资源智能优化方法，包括步骤：在其对应窗口范围内将部分时隙分配给其用户波束，使时隙分配在满足资源限制的基础上达到最优或者次优解；系统和信关站共同完成初始化分配前向与后向频率资源和波束簇带宽；计算各波束最优化时隙数和波束簇优先级，实时动态分配模式下参与业务信道的资源规划与分配；计算时隙余量，再次分配给各个波束，使分配的容量满足各个波束的容量需求。本发明使用了频率复用；根据每个簇的业务量需求进行簇间功率干扰抑制；在时隙分配中对簇内时隙进行优化改进，使用联合算法完成时隙资源再分配。

Description

一种基于数据驱动的高通量卫星波束资源智能优化方法

技术领域

本发明属于卫星通信技术领域，尤其涉及一种基于数据驱动的高通量卫星波束资源智能优化方法。

背景技术

卫星通信以其覆盖范围广、传输距离远等特点得到越来越广泛的应用。由于业务类型的多样性，多波束卫星传统的固定资源分配方式容易造成卫星的功能受限和资源浪费，同时网络中用户业务差异性大、类型和需求多样、时间和空间分布严重不均等因素，这对卫星网络的传输能力和资源的高效利用提出了很高的要求。

为了满足不断增长的业务量需求，高通量卫星(HTS)应运而生，其波束覆盖和地面5G/6G相融合，可以补充和增强天地一体化信息网络能力，多波束技术的出现大幅度提高了卫星资源利用率，成为高通量卫星和未来甚高通量卫星系统发展的必然趋势，其资源分配算法和跳跃的波束图案设计也成为研究的热点。但现有的研究中存在频谱利用率低，同频干扰严重，计算量复杂，资源浪费，高业务量请求的波束不能被满足，波束的时隙分配离散，技术概念比较抽象等问题。

发明内容

针对以上情况，本发明为实现资源高效利用、热点区域随需服务的目标，提出新一代高通量卫星波束资源优化方案的设计方法，基于数据驱动的簇内时隙资源分配策略和簇间波束干扰抑制方法。

本发明第一方面公开的基于数据驱动的高通量卫星波束资源智能优化方法，包括以下步骤：

在其对应窗口范围内将部分时隙分配给其用户波束，使时隙分配在满足资源限制的基础上达到最优或者次优解；

系统和信关站共同完成初始化分配前向与后向频率资源和波束簇带宽B_k；

计算各波束最优化时隙数N_k，并获取波束簇优先级w_k，在实时动态分配模式下进行业务信道的资源规划与分配；

计算时隙余量

再次分配给各个波束，使分配的容量满足各个波束的容量需求。

进一步的，下行链路工作带宽资源在波束簇内复用，簇内最大化资源目标函数为：

其中，N_k为各个波束分配到的最优化时隙数，B_k为每一波束簇带宽，N_max为一个波束数内最多可同时工作的时隙数，W为总的工作带宽，M为系统波束簇总数。

进一步的，使各波束分配的容量小于等于业务需求，对于差分优化函数引入拉格朗日因子，有

令

求得：

本发明第二方面公开的基于数据驱动的高通量卫星波束资源智能优化方法，包括以下步骤：

采集阵列接收数据；

对数据中的协方差矩阵进行去相关处理；

将协方差矩阵特征值分解，特征值从大到小排列λ_i，i＝1,...,M，比较第P+1和P+2两个特征值，当

则信号空间矩阵为：

否则为

对信号空间矩阵

作奇异值分解；

将波束形成权矢量w₀向信号空间矩阵

的大特征值对应的左奇异矢量列空间U_sU_s ^H投影。

进一步的，

作奇异值分解的结果为：

其中U,V为矩阵的左右奇异矢量。

进一步的，投影结果为：

本发明的有益效果如下：

本发明在卫星通信业务模型方面使用了频率复用，在资源分配方面，根据每个簇的业务量需求进行簇间功率干扰抑制，不管干扰信号的来向是怎样发生变化，基于数据驱动的干扰抑制算法的输出SINR仍有稳定输出，在时隙分配中对簇内时隙进行优化改进，使用联合算法完成时隙资源再分配。

仿真结果表明，改进后的算法提高了业务满意度，降低了计算复杂度，减少了资源的浪费，使得分配的时隙更能满足业务量的动态需求。

附图说明

图1高通量卫星波束簇模型图；

图2波束之间干扰模型图；

图3基于数据特征的干扰抑制流图；

图4基于特征结构自适应方向图；

图5基于特征结构的输出与输入SNR的关系；

图6基于特征结构随着干扰信号来向变化的曲线；

图7系统业务量仿真结果图；

图8不同业务权重的波束系统容量分配图。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

天地一体化高通量信息网络具有多业务需求时间和空间不均匀性日益显著、业务变化动态性明显等特性，大都采用多波束和频率复用技术，相邻波束覆盖采用不同频率隔离和极化隔离进行复用，不相邻的覆盖区域可以实现相同频覆盖实现频率复用。本发明采用的高通量卫星波束簇模型如图1所示，假设第一个波束簇周围分布有M(m＝1,2,...,M)个波束簇，波束内采用频率复用，波束簇采用簇复用技术，实现天地一体化多业务融合传输。

由于每个波束与其他相邻波束会存在重叠区域，如图1所示，虽然星载多波束天线在进行波束形成时采用了低旁瓣处理技术，但相邻波束依旧存在相互影响，两个波束之间的距离越近影响越大。为了降低波束之间的相互影响，一方面，天线要采用先进技术，尽量降低主波束外的功率辐射；另一方面，相邻的波束进行频分和极化处理，相邻的两个波束在频率上、极化特性上不同，减小相互之间的干扰。

从高通量卫星HTS的角度来讲，同信道干扰产生的原因是天线辐射方向图的旁瓣效应，如图2所示，假设受干扰波束即信号波束位于l处，干扰波束位于m处，信号干扰值主要与两波位l、m之间中心点之间的夹角有关，有

其中R_E为地球半径和h卫星高度，φ＝2·arcsin(R_D/2R)。当地球半径R_E和卫星高度h固定时，夹角θ_l,m与两波束中心点距离R_D有关。同频干扰的增益因子

其中，u＝2_.07123sin(θ/θ_3dB)，J₁(·)、J₃(·)分别是1阶和3阶第一类贝塞尔函数，波束3dB夹角θ_3dB＝70·λ/D，其中λ信号波长，D为天线直径。则下行链路干扰信号进入期望信号的功率大小为

其中，P_t表示卫星天线发射功率，G_T表示卫星天线的发射增益，G_R为天线的接收增益，L为自由空间传播损耗。可以看出，天线旁瓣的功率值与夹角θ_l,m有关。

簇间功率抑制有多种方法，虽然采用频率隔离和极化复用技术，降低了波束之间相互干扰，但是隔离度不可能做到无限大，因此系统中不可避免存在同频、不同极化干扰和同频、同极化干扰。本发明基于数据特征的波束形成，以进一步减小簇间同频干扰影响来提升高通量卫星质量。

对于HTS反向链路，为了消除系统中严重的同频干扰，本发明考虑采用基于数据特征的波束抑制技术。假设HTS采用TDMA方式，在一个时隙内从每个波束服务一个用户，则M个终端可以视为M个发射天线，卫星上由相控阵多波束天线形成的M个波束可以看作M个接收天线。因此，在系统中采用基于数据特征的波束形成技术，可以达到抑制波束间干扰进而提高HTS系统吞吐量。接收信号表示为：

其中y_i表示卫星上第i个天线接收到信号，h_i＝[h_i1,h_i1,...,h_iM]表示M个信号到波束i的信道衰落。对于第i个天线而言，s_j是该波束覆盖范围内第j簇内发送的信号，n_i为噪声信号。因此

j≠i表示所有临近簇内发送信息在卫星上第i个天线处产生的多信号干扰，阵列接收信号的相关矩阵为R＝E[yy^H]。

如图2所示，第l个波束处包含频率复用和极化复用，存在簇内功率分配和业务量分配问题，在其对应窗口范围内将部分时隙分配给其用户波束以满足其业务需求。为使时隙分配在满足资源限制的基础上达到最优或者次优解，需要解决每个波束分配的业务量尽可能的达到需求的问题。

簇内资源分配可描述如下，为使时隙分配在满足资源限制的基础上达到最优或者次优解，最终使得实际波束分配的容量尽可能地达到需求，假设N_k为各个波束分配到的时隙数，B_k为每一波束簇带宽，N_max为一个波束数内最多可同时工作的时隙数，W为总的工作带宽，那么，一个波束

频谱效率利用率越高越好，w_k为每个波束簇优先级代表的权重，M为系统波束簇总数，假设下行链路工作带宽资源在波束簇内复用，簇内最大化资源目标函数为

在簇内资源分配策略模型中，资源优化函数是一个凸优化问题，考虑到系统业务需求业务较大，为避免资源的浪费，使各波束分配的容量小于等于业务需求，对于差分优化函数引入拉格朗日因子，有

令

得，

对于高通量卫星通信系统，大都采用馈电模式，由信关站、测控系统、卫星和地面应用系统组成，信息传输基本采用双跳模式，且系统的前向频率资源与后向存在较大差异，对于每一个波束簇来说，前向频率资源远大于后向频率资源。故综合式(5)、(6)、和式(7)，簇内资源分配策略总结如下。

Step1：初始化前向与后向频率资源和波束簇带宽B_k，由系统和信关站共同完成采用预分配工作模式满足基本需要；

Step2：计算各波束最优化时隙数N_k并获取波束簇优先级w_k，实时动态分配模式下进行业务信道的资源规划与分配；波束簇优先级w_k为预设值。

Step3：N_k进行求余计算，得到计算时隙余量

其中

表示求余运算得到剩余部分，再次分配给各个波束，使分配的容量更好满足各个波束的容量需求。

基于数据特征的波束形成可以进一步减小簇间同频干扰影响来提升高通量卫星质量。其接收数据经过有限次快拍得到数据，但没有输入期望信号功率的先验信息，无法根据输入信噪比决定所使用的自适应处理方法。如果在期望信号较小时使用基于特征结构方法，或在期望信号较大时使用常规自适应处理方法，都会造成波束形成性能的严重下降。

在自适应处理中，一般干扰强度较大，而期望信号功率随环境变化，有时较强，有时较弱，甚至与噪声信号相当或更弱。基于此，提出了基于数据特征的自适应波束形成方法。当接收数据相关矩阵中不含期望信号，在理想情况下(无误差、无穷次快拍)，相关矩阵只有(λ_i，i＝1,...,P)P个特征值，另有(λ_i，i＝P+1,...,M-P)M-P个小特征值。此时，权向量w为

因此，

w₀∈span[a(θ₀)，u₁，u₂，…，u_p] (9)

通过前面分析，当相关矩阵含有期望信号时

w₀∈span[u₁，u₂，…，u_p+1] (10)

其中a(θ₀)为期望信号导向矢量，为

噪声功率，μ为常数，span[u₁,u₂,…,u_p+1]表示是张成接收数据协方差矩阵R的信号空间。

将式(9)和式(10)结合起来，其方法步骤如下：

Step1：对相关矩阵R作特征分解，特征值从大到小排列λ_i，i＝1,...,M，比较第P+1和P+2两个特征值，当

则信号空间矩阵有

否则

Step2：对

作奇异值分解

其中U,V为矩阵的左右奇异矢量。

Step3：将波束形成权矢量w₀向

的大特征值对应的左奇异矢量列空间

投影，即

由于引入了期望信号导向矢量，并且在期望信号功率与噪声功率相当或更弱时，去除了干扰较大的第P+1个特征矢量，该方法既能在输入信号较大时保证基于数据特征的自适应波束形成方法性能，又能在期望信号较小时(甚至为零)具有较好的波束保形能力。基于数据特征的波束形成可以自适应减小簇间同频干扰影响来提升高通量卫星质量。基于数据特征的干扰抑制方法的流程如图3所示。

系统仿真参数如表1与表2所示，期望信号从法线方向入射到接收阵列上，假设空间存在两个干扰，方向分别为-30°和60°度，图4为基于特征结构的自适应方向图，在干扰方向可以形成较深的零陷。

表1系统仿真主要参数表

参数	数值
		总功率(Pt)	240W
天线发射增益(GT)	40dB
		天线接收增益(GR)	55dB
跳波束周期时隙个数(W)	128个
		分簇数目(M)	7个
簇内波束数目(Nik)	7个
		波束覆盖半径(RD)	162km
卫星轨道高度(H)	35876km
		自由空间损耗(L)	220dB

表2各波束的业务需求表

波束簇号	各个波束业务需求(Mbps)
		1	[310,550,205,620,910,750,1024]
2	[245,320,600,560,605,760,1024]
		3	[375,215,515,655,750,600,750]
4	[320,375,280,490,705,535,900]
		5	[200,205,465,515,365,810,610]
6	[325,215,345,385,650,420,680]
		7	[215,325,265,170,575,355,800]

如图5所示，改进前的基于特征结构与常规波束形成(SMI)的输出SINR性能分析。如图所示，输入期望信号的SNR大于-10dB时，基于特征结构的输出SINR性能相当SMI；在期望信号的SNR大于5dB时，其性能优于SMI。

图6为基于特征结构方法随着干扰信号来向变化特征曲线(输入期望信号的SNR为10dB，干扰信号的输入(INR)为40dB)，不管干扰信号的来向怎样发生变化，基于特征结构算法的输出SINR仍有稳定输出。

图7所示给出了采用联合波束资源智能分配算法的系统容量仿真结果。从图中可知，本文提出的波束资源分配机制明显优于传统资源分配机制，并能随业务需求动态变化，波束资源分配机制明显优于传统资源分配机制，一定程度上解决了业务需求的时间不均性。

在实际系统中，各个波束容量需求不同可能会导致各个波束服务的优先级不同。图8给出了由于波束权重而导致的容量分配的变化，图中给出了第3、5个波束权重改变分别为0.6、0.5以及其余波束权重为1时系统的容量分配结果。从图8中可以看出，当波束的权重减小时，该波束分配的容量也随之减小。可以通过修改各波束权重的方式来选择需要优先满足的业务要求，一定程度上解决了用户业务需求的多样性。

在相同信道条件下，当系统波束业务请求较小时，为高业务请求的波束分配更多的资源；当系统波束业务请求较大时，可为高、低业务请求同样分配相应的资源。当信道条件发生变化时，系统信道条件好的波束比信道条件差的波束可以获得更多的容量。另一方面，权重目标函数可根据用户业务的轻重缓急，设置不同的权重值，以满足应急通信、突发业务等重点用户的需求。因此需要根据系统场景和业务需求，选取不同的目标函数。

本发明的有益效果如下：

本发明在卫星通信业务模型方面使用了频率复用，在资源分配方面，根据每个簇的业务量需求进行簇间功率干扰抑制，不管干扰信号的来向是怎样发生变化，基于数据驱动的干扰抑制算法的输出SINR仍有稳定输出，在时隙分配中对簇内时隙进行优化改进，使用联合算法完成时隙资源再分配。

仿真结果表明，改进后的算法提高了业务满意度，降低了计算复杂度，减少了资源的浪费，使得分配的时隙更能满足业务量的动态需求。

本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。

而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。

本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。

综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于数据驱动的高通量卫星波束资源智能优化方法，其特征在于，包括以下步骤：

在其对应窗口范围内将部分时隙分配给其用户波束，使时隙分配在满足资源限制的基础上达到最优或者次优解；

系统和信关站共同完成初始化分配前向与后向频率资源和波束簇带宽B_k；

计算各波束最优化时隙数N_k，并获取波束簇优先级w_k，在实时动态分配模式下进行业务信道的资源规划与分配；

计算时隙余量

再次分配给各个波束，使分配的容量满足各个波束的容量需求。

2.根据权利要求1所述的基于数据驱动的高通量卫星波束资源智能优化方法，其特征在于，下行链路工作带宽资源在波束簇内复用，簇内最大化资源目标函数为：

其中，N_k为各个波束分配到的最优化时隙数，B_k为每一波束簇带宽，N_max为一个波束数内最多可同时工作的时隙数，W为总的工作带宽，M为系统波束簇总数。

3.根据权利要求2所述的基于数据驱动的高通量卫星波束资源智能优化方法，其特征在于，使各波束分配的容量小于等于业务需求，对于差分优化函数引入拉格朗日因子，有

令

求得：

4.一种基于数据驱动的高通量卫星波束资源智能优化方法，其特征在于，包括以下步骤：

采集阵列接收数据；

对数据中的协方差矩阵进行去相关处理；

将协方差矩阵特征值分解，特征值从大到小排列λ_i，i＝1,...,M，比较第P+1和P+2两个特征值，当

则信号空间矩阵为：

否则为

对信号空间矩阵

作奇异值分解；

将波束形成权矢量w₀向信号空间矩阵

的大特征值对应的左奇异矢量列空间

投影。

5.根据权利要求4所述的基于数据驱动的高通量卫星波束资源智能优化方法，其特征在于，

作奇异值分解的结果为：

其中U,V为矩阵的左右奇异矢量。

6.根据权利要求4所述的基于数据驱动的高通量卫星波束资源智能优化方法，其特征在于，投影结果为：

Images