基于支持向量回歸的低軌衛星通信系統信道預測方法

王月 王楠楠 王兆霖

摘要：針對低軌衛星通信系統，研究快時變背景下的信道預測問題。通過引入強化學習的訓練模式，將支持向量機（Support Vector Machine，SVM）模型改進成支持向量回歸（Support Vector Regression，SVR）模型，提出一種循環迭代實現低軌衛星通信系統信道預測的算法。采用Gaussian核函數，通過遺傳算法（GA）尋求最佳懲罰系數和不敏感損失函數，最終得到最優超平面，實現多步預測，并實時更新訓練集數據提高預測準確度。仿真結果表明，與傳統ARMA以及改進后的ARIMA預測模型相比，SVR模型收斂速度快、預測誤差小、性能表現更好。同時，SVR模型對訓練數據樣本數要求更少，更適用于低軌衛星通信系統背景下快時變信道的信噪比預測。

關鍵詞：低軌衛星；快時變信道；信道預測；ARIMA；支持向量回歸

中圖分類號：TN927文獻標志碼：A文章編號：1008-1739（2022）21-60-6

0引言

作為衛星通信重要的分支，低軌衛星通信近年來發展迅速，全球已經進入了低軌衛星密集發射時代，其覆蓋范圍更加廣泛、通信組網更加靈活、傳輸帶寬更加巨大，是中高軌衛星通信的有效補充。雖然低軌衛星通信優勢較多，但其通信鏈路多徑衰落嚴重、存在陰影遮蔽等因素造成信道具有快時變特性，影響數字信號傳輸效率。為了提高傳輸效率和抗干擾能力，自適應編碼調制技術在低軌衛星通信中得到應用，但由于系統存在反饋鏈路和處理時延，獲取的信道狀態信息容易過時，如何精確獲取信道狀態信息就成為低軌衛星通信中的關鍵一步。信道預測技術因為能夠有效地根據觀測信息預測出未來的變化趨勢而受到廣泛重視。

在研究信道預測技術之前，需要建立能夠有效模擬低軌衛星通信的信道模型。經典的衛星通信信道建模方法通常分為確定性方法、統計性方法和混合物理統計法[1]。目前，一種強調重要參數影響且能夠直觀理解信號傳播過程中物理意義的方法是基于概率統計模型，結合經驗模型，對衛星通信信道進行模擬仿真。本文基于銥星系統實測信道特性數據，建立一種基于“好”與“壞”兩狀態的統一信道模型，以此仿真生成能夠真實反映低軌衛星通信信道特性的數據，并將此數據作為后續預測技術的訓練集。

信道預測方面，一類信道預測算法是線性預測算法，比較成熟的算法是自回歸（Autoregressive，AR）模型[2]。針對Rayleigh衰落信道，文獻[3]采用兩階AR模型對信道進行預測。由于低軌衛星通信信道具有快時變特性，信道數據是非線性的，線性方法直接對其進行預測效果不佳，可以進行差分消除不平穩特性后再進行預測。另一類策略是采用非線性預測方法，常用的有基于卷積神經網絡的方法，但該方法要求訓練集數據要夠多、訓練時間長，且存在過度擬合以及局部最優而不是全局最優的問題，并不適用于低軌衛星通信系統。本文采用的是將支持向量機（Support Vector Machine，SVM）用于非線性時間序列預測問題，即支持向量回歸（Support Vector Regression，SVR）。SVR是一種基于結構風險最小化原則的機器學習算法，通過映射至高維空間解決非線性問題[4]。該方法兼具ARMA對信道模型變化適應能力強、神經網絡模型對數據訓練精準的優點，網絡層級數量少，結構實現相對簡單，對樣本數量要求不高，收斂速度快，適用于低軌衛星通信系統快時變信道的預測。

1系統模型

1.1網絡結構模型

低軌衛星通信系統的網絡結構如圖1所示，主要由衛星端、地面端和用戶端三部分組成。衛星端在空中發揮中繼作用，將來自地面端和用戶端的數據進行中繼轉發。地面端是通信衛星和地面公眾網的接口，包括衛星控制中心及其跟蹤、遙測、指令站等。用戶端即是各種用戶終端。

1.2信道模型

考慮一種狀態的模型僅能描述單一的衛星信道環境，為了模擬低軌衛星通信信道真實環境，本文采用“好”與“壞”兩狀態信道模型，用一階馬爾科夫鏈實現相互轉換，如圖2所示。

“好”狀態采用C.Loo模型，表示衛星和移動終端之間的通信鏈路沒有陰影遮蔽或受到輕陰影遮蔽，通信不會中斷的信道狀態由一個Rayleigh隨機過程和一個Lognormal隨機過程相疊加而成。“壞”狀態采用Corazza模型，表示通信鏈路受到重陰影遮蔽衰落，通信時會出現通信中斷的信道狀態，由一個Rician隨機過程和一個Lognormal隨機過程相乘而成。Rayleigh，Rician，Lognormal分布均由濾波器法生成的色高斯過程實現。兩狀態信道衰落模型實現如圖3和圖4所示。

參考文獻

[1]周順，林紅磊，王茂磊，等.衛星導航信道模型綜述[J].電波科學學報，2020，35（4）：504-514.

[2]董志翔，趙宜升，黃錦錦，等.基于支持向量機的高速鐵路通信系統信道預測算法[J].電子技術應用，2018，44（4）：117-121.

[3] SHARMAP，CHANDRAK.Prediction of State Transitions in Rayleigh Fading Channels[J].IEEE Transactions on Vehicular Technology，2007，56（2）：416-425.

[4] JIANG J Y，HE Y Z，LI J H.Modification of SVMs Optimal Hyperplane Based on Minimal Mistake[J].Journal of Beijing University of Aeronautics and Astronautics，2012，38（11）： 1483-1486.

[5] YOON H，HYUN Y，HA K，et al.A Method to Improve the Stability and Accuracy of ANN- and SVM-based TimeSeries Models for Long-term Groundwater Level Predictions[J]. Computers and Geosciences，2016，90：144-155.

[6] DANTI A，SURESHA M.Arecanut Grading Based on Three Sigma Controls and SVM[C]//IEEE International Conference on Advances in Engineering，Science and Management. Nagapattinam：IEEE，2012：372-376.

[7]張元俠.基于SVM學習模型的換擋決策研究[D].長春：吉林大學，2019.

[8] ZHAO Y S，JI H，CHEN Z H.Admission Control Scheme for Handover Service in High-speed Train CommunicationSystem[J].Journalof Shanghai JiaotongUniversity（Science），2015，20（6）：670-675.

[9] CHEN Y F，BEAULIEU N C.Estimation of Ricean K Parameterand Local Average SNR from Noisy Correlated ChannelSamples[J].IEEE Transactions on Wireless Communications， 2007，6（2）：640-648.

[10] ZHANG Y J，CHAI T Y，WANG D H.An Alternating Identification Algorithm for a Class of Nonlinear Dynamical Systems[J].IEEE Transactions on Neural Networks and Learning Systems，2017，28（7）：1606-1617.

[11]袁曉輝，袁艷斌，王乘，等.一種新型的自適應混沌遺傳算法[J].電子學報，2006（4）：708-712.