基于支持向量回归的低轨卫星通信系统信道预测方法

王月 王楠楠 王兆霖

摘要：针对低轨卫星通信系统，研究快时变背景下的信道预测问题。通过引入强化学习的训练模式，将支持向量机（Support Vector Machine，SVM）模型改进成支持向量回归（Support Vector Regression，SVR）模型，提出一种循环迭代实现低轨卫星通信系统信道预测的算法。采用Gaussian核函数，通过遗传算法（GA）寻求最佳惩罚系数和不敏感损失函数，最终得到最优超平面，实现多步预测，并实时更新训练集数据提高预测准确度。仿真结果表明，与传统ARMA以及改进后的ARIMA预测模型相比，SVR模型收敛速度快、预测误差小、性能表现更好。同时，SVR模型对训练数据样本数要求更少，更适用于低轨卫星通信系统背景下快时变信道的信噪比预测。

关键词：低轨卫星；快时变信道；信道预测；ARIMA；支持向量回归

中图分类号：TN927文献标志码：A文章编号：1008-1739（2022）21-60-6

0引言

作为卫星通信重要的分支，低轨卫星通信近年来发展迅速，全球已经进入了低轨卫星密集发射时代，其覆盖范围更加广泛、通信组网更加灵活、传输带宽更加巨大，是中高轨卫星通信的有效补充。虽然低轨卫星通信优势较多，但其通信链路多径衰落严重、存在阴影遮蔽等因素造成信道具有快时变特性，影响数字信号传输效率。为了提高传输效率和抗干扰能力，自适应编码调制技术在低轨卫星通信中得到应用，但由于系统存在反馈链路和处理时延，获取的信道状态信息容易过时，如何精确获取信道状态信息就成为低轨卫星通信中的关键一步。信道预测技术因为能够有效地根据观测信息预测出未来的变化趋势而受到广泛重视。

在研究信道预测技术之前，需要建立能够有效模拟低轨卫星通信的信道模型。经典的卫星通信信道建模方法通常分为确定性方法、统计性方法和混合物理统计法[1]。目前，一种强调重要参数影响且能够直观理解信号传播过程中物理意义的方法是基于概率统计模型，结合经验模型，对卫星通信信道进行模拟仿真。本文基于铱星系统实测信道特性数据，建立一种基于“好”与“坏”两状态的统一信道模型，以此仿真生成能够真实反映低轨卫星通信信道特性的数据，并将此数据作为后续预测技术的训练集。

信道预测方面，一类信道预测算法是线性预测算法，比较成熟的算法是自回归（Autoregressive，AR）模型[2]。针对Rayleigh衰落信道，文献[3]采用两阶AR模型对信道进行预测。由于低轨卫星通信信道具有快时变特性，信道数据是非线性的，线性方法直接对其进行预测效果不佳，可以进行差分消除不平稳特性后再进行预测。另一类策略是采用非线性预测方法，常用的有基于卷积神经网络的方法，但该方法要求训练集数据要够多、训练时间长，且存在过度拟合以及局部最优而不是全局最优的问题，并不适用于低轨卫星通信系统。本文采用的是将支持向量机（Support Vector Machine，SVM）用于非线性时间序列预测问题，即支持向量回归（Support Vector Regression，SVR）。SVR是一种基于结构风险最小化原则的机器学习算法，通过映射至高维空间解决非线性问题[4]。该方法兼具ARMA对信道模型变化适应能力强、神经网络模型对数据训练精准的优点，网络层级数量少，结构实现相对简单，对样本数量要求不高，收敛速度快，适用于低轨卫星通信系统快时变信道的预测。

1系统模型

1.1网络结构模型

低轨卫星通信系统的网络结构如图1所示，主要由卫星端、地面端和用户端三部分组成。卫星端在空中发挥中继作用，将来自地面端和用户端的数据进行中继转发。地面端是通信卫星和地面公众网的接口，包括卫星控制中心及其跟踪、遥测、指令站等。用户端即是各种用户终端。

1.2信道模型

考虑一种状态的模型仅能描述单一的卫星信道环境，为了模拟低轨卫星通信信道真实环境，本文采用“好”与“坏”两状态信道模型，用一阶马尔科夫链实现相互转换，如图2所示。

“好”狀态采用C.Loo模型，表示卫星和移动终端之间的通信链路没有阴影遮蔽或受到轻阴影遮蔽，通信不会中断的信道状态由一个Rayleigh随机过程和一个Lognormal随机过程相叠加而成。“坏”状态采用Corazza模型，表示通信链路受到重阴影遮蔽衰落，通信时会出现通信中断的信道状态，由一个Rician随机过程和一个Lognormal随机过程相乘而成。Rayleigh，Rician，Lognormal分布均由滤波器法生成的色高斯过程实现。两状态信道衰落模型实现如图3和图4所示。

参考文献

[1]周顺，林红磊，王茂磊，等.卫星导航信道模型综述[J].电波科学学报，2020，35（4）：504-514.

[2]董志翔，赵宜升，黄锦锦，等.基于支持向量机的高速铁路通信系统信道预测算法[J].电子技术应用，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]张元侠.基于SVM学习模型的换挡决策研究[D].长春：吉林大学，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]袁曉辉，袁艳斌，王乘，等.一种新型的自适应混沌遗传算法[J].电子学报，2006（4）：708-712.