一种基于深度学习的超大规模低轨卫星通信自适应编码调制方法与系统

本发明属于卫星通信，涉及超大规模低轨卫星对地通信理论以及自适应编码调制方案设计。

背景技术：

1、目前，低地球轨道(leo)卫星地面网络(lstn)显著增强了地面网络的数据传输能力，有望成为下一代无线网络(6g)的重要组成部分。此外，超大规模leo星座的出现，如spacex和oneweb，有潜力提供全球通信覆盖，加速各种技术的发展，包括物联网技术、远程手术和车辆万物互联通信。然而，超大规模leo卫星系统的高动态性造成了lstn用户服务质量的不确定性，需要设计更加灵活地通信协议和算法来保证数据传输的稳定性和可靠性。目前，starlink采用dvb系列物理层标准，包括恒定编码调制(ccm)和自适应编码调制(acm)方法，传统的ccm方法通常设计保守，以适应最差的信道条件，从而导致频谱资源的利用率不佳。因此，基于变化的信道状态检测来实现实时编码调制方案切换的acm方法研究十分重要。

2、经过对现有文献的检索发现，过去的大量研究都着眼于数据传输中的acm方案。wang等人在2020年发表了题为“adaptive modulation and coding technology in 5gsystem(5g系统中的自适应调制和编码技术)”的文章。该文章提出了一种改进调整因子优化的指数有效信噪比映射算法来优化5g系统物理层下行的acm技术。ji等人在2021年发表了题为“deep learning for adaptive modulation and coding with payload lengthin vehicle-to-vehicle communication systems(车对车通信系统中针对载荷长度的自适应调制和编码的深度学习方法)”的文章。该文章提出了一种利用卷积神经网络进行信道状态估计的acm方法。这些文献的关注点都在地面网络信道状态多变的数据传输。xu等人以及li等人分别于2023年在《ieee international workshop on signal processingadvances in wireless communications(ieee无线通信信号处理进展国际研讨会)》和2016年在《ieee vehicular technology conference(ieee车辆技术会议)》上发表了题为“a sparse bayesian learning method of joint activity detection and channelestimation for leo grant-free random access(用于leo无授权随机接入的联合活动检测和信道估计的稀疏贝叶斯学习方法)”和“a novel method of acm optimization basedon system characteristics for the ka band tt&c and communication systems(一种基于系统特性的ka频段测控通信系统acm优化的新方法)”的文章。这些文章都针对了卫星通信网络，但是只针对固定位置的卫星和地面站，而没有涉及到卫星的移动。然而，真实场景中卫星位置和信道状态都是变化的，即必须考虑动态卫星对地通信场景和卫星信道的建模。

3、经检索还发现，为了进一步优化低轨卫星通信系统中的acm方法，lee等人于2021年在《ieee access(ieee访问)》上发表的题为“neural episodic

4、control-based adaptive modulation and coding scheme for inter-satellite

5、communication link(基于神经情形控制的星间通信链路自适应调制和编码方案)”的文章中，提出了一种基于深度强化学习的调制和编码方案区域边界调整方法，该方法可以显著减少找到最佳mcs区域边界的路径数量，使用更少的内存量。tutgun等人于2020年在《ieee international symposium on telecommunication technologies(ieee国际电信技术研讨会)》上发表的题为“fpga based transmitter design using adaptivecoding and modulation schemes for low earth orbit satellite communications(基于fpga的低地球轨道卫星通信自适应编码和调制方案的发射机设计)”的文章中，提出了一种使用acm技术开发的基于现场可编程门阵列的高速发射机，用于leo卫星通信链路。这些文章都考虑到了卫星信道状态估计，但忽略了卫星和信道的时变特性可能导致的cqi过时，因此除了信道状态估计，对信道状态进行预测也十分重要。

技术实现思路

1、发明目的：本发明的目的在于提供一种基于深度学习的超大规模低轨卫星通信自适应编码调制方法与系统，通过动态leo卫星通信场景建模、信道状态估计、信道状态预测和mcs切换策略等技术，为低轨卫星对地通信系统提出更高可靠性和稳定性的解决方案。

2、技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于深度学习的超大规模低轨卫星通信自适应编码调制方法，包括以下步骤：

3、构建低轨卫星对地通信仿真系统和星地通信信道模型；

4、构建单颗低轨卫星的移动模型，根据仿真的运行结果，得到卫星绕地过程中的距离和仰角变化数据；

5、在建立的卫星信道环境下对各编码调制方案(mcs)进行仿真，得到误码率(ber)-信噪比(snr)的曲线，并根据各个mcs在关系曲线中预设ber阈值对应的snr阈值数据，得到信道质量指示(cqi)查找表；

6、发送端传输插入导频信号的数据后，接收端根据提取出来的导频信号先进行这一时刻的snr估计，再使用深度学习算法进行下一时刻的snr预测，将反映信道质量的snr值映射到相应的mcs，然后将cqi反馈给发送端；

7、发送端接收到接收端反馈的cqi后，根据cqi查找表选择该cqi对应的mcs方式进行下一时刻的数据传输。

8、作为优选，使用数字视频广播-卫星第二代扩展标准(dvb-s2x)物理层标准来建模低轨卫星对地通信仿真系统。信号发送端具体采用bch外码和ldpc内码作为前向纠错编码技术，经过一个比特交织器，然后进行符号映射和调制过程。接收端进行解调、符号解映射、比特解交织、ldpc和bch解码操作。

9、作为优选，使用国际电信联盟(itu)系列标准来建模星地通信信道模型。在进行低轨卫星星地通信信道建模时仅考虑大尺度衰落，包括自由空间损耗、参考itu-r p.618的雨衰预测模型、参考itu-r p.840的云衰减预测模型、参考itu-r p.676的大气衰减预测模型和参考itu-r p.2108的地物损耗预测模型。

10、作为优选，通过固定地面接收站，仿真单颗低轨卫星的运动轨迹，得到卫星绕地过程中距离接收站的距离和仰角变化数据。

11、作为优选，接收端采用最小二乘(ls)估计器进行信道状态估计，得到snr。

12、作为优选，所述使用深度学习算法进行下一时刻的snr预测，为采用将自回归积分滑动平均模型(arima)与双向长短期记忆神经网络(bilstm)结合的时间序列预测算法(ab-lstm)进行snr预测；ab-lstm算法利用bilstm通过预测序列的非线性残差来确定arima的p阶和q阶，其中p体现时间序列数据的滞后长度，q表示预测误差的滞后长度。

13、作为优选，对于k+1时刻的snr预测，模型的输入{γk}l为长度为l的snr时间序列{γk-l,γk-l+1,…,γk}，模型的输出是预测的长度为n的snr序列首先，遍历p和q的可能值，然后arima输出一组n步预测值然后将预测snr值与实际snr值进行比较，得到一组残差时间序列{ek-n+1,ek-n+2,…,ek}，其中，将残差时间序列设置为bilstm的输入，bilstm神经网络的输出是预测的下一个时刻的残差找到使该预测残差最小的pk和qk，将{γk}l设置为arima(pk,d,qk)的输入，输出为(k+1)时刻的snr预测值

14、一种基于深度学习的超大规模低轨卫星通信自适应编码调制系统，包括：

15、仿真环境构建模块，用于构建低轨卫星对地通信仿真系统和星地通信信道模型；以及构建单颗低轨卫星的移动模型，根据仿真的运行结果，得到卫星绕地过程中的距离和仰角变化数据；

16、仿真模块，用于在建立的卫星信道环境下对各编码调制方案(mcs)进行仿真，得到误码率(ber)-信噪比(snr)的曲线，并根据各个mcs在关系曲线中预设ber阈值对应的snr阈值数据，得到信道质量指示(cqi)查找表；

17、自适应编码调制模块，用于发送端传输插入导频信号的数据后，接收端根据提取出来的导频信号先进行这一时刻的snr估计，再使用深度学习算法进行下一时刻的snr预测，将反映信道质量的snr值映射到相应的mcs，然后将cqi反馈给发送端；以及发送端接收到接收端反馈的cqi后，根据cqi查找表选择该cqi对应的mcs方式进行下一时刻的数据传输。

18、一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现所述的一种基于深度学习的超大规模低轨卫星通信自适应编码调制方法的步骤。

19、有益效果：与现有技术相比，本发明的优点如下：首先，该基于深度学习的低轨卫星通信自适应编码调制方法在建立低轨卫星对地通信场景时考虑多种信道衰落因素和动态卫星变化，更加贴合真实场景；其次，本发明利用深度学习算法实现了准确的信道状态预测，本发明构建的ab-lstm时间序列预测算法被证明和基线算法对比有更好的预测性能，不仅可以处理snr序列中的线性部分，还可以处理snr序列中的非线性部分；再次，加入了信道状态预测的低轨卫星通信acm方法有效增强了在高延迟的lstn场景下的可靠性和稳定性。