唐一強, 楊霄鵬, 朱圣銘

(空軍工程大學(xué)信息與導(dǎo)航學(xué)院, 陜西 西安 710077)

0 引 言

低軌道衛(wèi)星通信系統(tǒng)作為地面通信的補充和延伸,擁有通信范圍廣、受地形影響小等特點。但是對于長距離的衛(wèi)星通信鏈路,信道質(zhì)量將會受到自由空間的傳播損耗、大氣中氧分子、水蒸氣分子等氣體分子的吸收損耗,極端情況下更有云、霧、雨、雪等不良環(huán)境條件引起的嚴(yán)重衰落[1-2]。在低頻段的傳輸鏈路中,雨滴造成的影響較小,可以通過預(yù)留一些鏈路余量解決通信需求;但在高頻段傳輸鏈路中,如Ka和Q/V頻段,雨滴將會產(chǎn)生強大的吸收、散射、閃爍和去極化效應(yīng)[3-4],造成的影響將嚴(yán)重制約通信質(zhì)量。據(jù)統(tǒng)計,降雨所造成的年平均衰減值能達(dá)到20 dB以上。為提高鏈路質(zhì)量,傳統(tǒng)的解決辦法是在鏈路預(yù)算時將最大鏈路衰減考慮進(jìn)去,通過增大發(fā)射功率的方式減小衰減的影響。但這卻忽視了衛(wèi)星信道受天氣時變的影響,在天氣條件好的時候,根據(jù)鏈路最壞狀態(tài)下確定的模式將會造成大量資源的浪費[5]。由此,研究人員提出了鏈路自適應(yīng)(link adaptive, LA)傳輸技術(shù),對信道狀態(tài)信息(channel state information, CSI)進(jìn)行實時反饋,調(diào)整發(fā)射端的功率和頻率策略,自適應(yīng)地改變發(fā)射參數(shù),提高衛(wèi)星通信系統(tǒng)傳輸效率[6]。

衛(wèi)星信道固有的傳輸延遲引起的信息“不及時”的問題,極大地制約了自適應(yīng)技術(shù)的發(fā)展。如何獲得更加準(zhǔn)確的衛(wèi)星信道信息是實現(xiàn)衛(wèi)星傳輸效率提升的基礎(chǔ)。為解決信道質(zhì)量指數(shù)“過時”的問題,必須對衛(wèi)星信道進(jìn)行超前預(yù)測[7],以獲得更精確的信道傳輸參數(shù)發(fā)射通信信號。信道預(yù)測的研究方向大體上可以分為兩類。一類是線性預(yù)測方法,其主要思想是以線性組合的方式將當(dāng)前時刻和過去時刻的信道結(jié)合起來[8],達(dá)到預(yù)測未來時刻信道信息的目的。典型的應(yīng)用是基于自回歸(auto regressive, AR)模型的預(yù)測方法[9]。在這個方法中,常用Yule-Walker和Burg等方法表示多個信息狀態(tài)采樣值的權(quán)值,再使用加權(quán)和表示預(yù)測值。鄭添月等[10]提出了一種改進(jìn)的卡爾曼濾波的AR預(yù)測算法,對多輸入多輸出(multiple input multiple output, MIMO)信道在角度時延域進(jìn)行預(yù)測,仿真結(jié)果表明該方法在噪聲環(huán)境中優(yōu)于傳統(tǒng)模型。趙旦峰等[11]提出了一種研究衰落信號的自適應(yīng)長期預(yù)測機制(adaptive long-range prediction,ALRP),在信道理論值上添加歸一化加權(quán)和自回歸模型思想,用最小化均方自適應(yīng)跟蹤方法更新系數(shù)的方式來預(yù)測信道狀態(tài)和衰落信號。結(jié)果表明,該機制能實現(xiàn)有效的預(yù)測,具有復(fù)雜度低和實時性的特點。雖然線性預(yù)測方法在慢時變信道中擁有較好的預(yù)測性能,但是其不適用于低軌衛(wèi)星高動態(tài)性的通信環(huán)境。

另一類是非線性預(yù)測方法,典型的預(yù)測方法有深度學(xué)習(xí)和支持向量機(support vector machine, SVM)的方法。文獻(xiàn)[12]以Loo模型為基礎(chǔ),提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的信道感知模型,仿真表明該模型無論在信噪比估計還是信道預(yù)測中都有較好的表現(xiàn),但是該方法為了避免過擬合的問題隨機置零部分權(quán)重,預(yù)測精確度不能得到保證。文獻(xiàn)[13]選用長短時記憶(long-short term memory, LSTM)快速擬合短波快/慢變化特征,利用多層神經(jīng)網(wǎng)絡(luò)對歷史經(jīng)驗數(shù)據(jù)進(jìn)行分析和預(yù)測,但是單次訓(xùn)練的預(yù)測網(wǎng)絡(luò)模型不適用于長期數(shù)據(jù)的規(guī)律變化,另外由于存在信噪比估計誤差,在持續(xù)預(yù)測過程中將會產(chǎn)生累積誤差,導(dǎo)致預(yù)測精度越來越低。文獻(xiàn)[14]針對高速移動信道條件下的正交頻分復(fù)用(orthogonal frequency division multiplexing, OFDM)系統(tǒng),利用反向傳播(back-propagation, BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練、再訓(xùn)練和線上預(yù)測完成時變信道的預(yù)測。該方法采用隨機初始化方式訓(xùn)練網(wǎng)絡(luò),沒有將初始參數(shù)對預(yù)測性能的影響考慮在內(nèi),預(yù)測精度需要重新考量。同時,BP算法存在泛化能力不強、學(xué)習(xí)速度較慢以及局部最優(yōu)等缺陷。文獻(xiàn)[15]利用回聲狀態(tài)網(wǎng)絡(luò)(echo state network, ESN)在時間序列上預(yù)測及非線性建模,具有良好的非線性逼近能力。但是由于該方法的權(quán)重矩陣初始化是隨機的,并且無法對權(quán)重矩陣更新,因此具有較低的信道預(yù)測精度。文獻(xiàn)[16]在高速鐵路通信背景下給出了一種基于SVM的信道預(yù)測方法,利用遺傳算法優(yōu)化懲罰系數(shù)和高斯核寬度,可以獲得較高的預(yù)測精度。但是,該方法是低緯度空間向高緯度空間的映射,算法復(fù)雜度高。

為解決上述問題,本文提出一種混合型神經(jīng)網(wǎng)絡(luò)預(yù)測方式,在注意力機制的作用下,高效地分配權(quán)重值,應(yīng)對衛(wèi)星信道的長期變化。仿真結(jié)果表明,在模擬的低軌道衛(wèi)星通信環(huán)境中,基于注意力機制的卷積神經(jīng)和雙向LSTM神經(jīng)網(wǎng)絡(luò)(attention-convolutional neural network and bi-directional LSTM neural network, AT-CNN-BiLSTM)融合算法能夠有效地適應(yīng)變化的信道環(huán)境,預(yù)測準(zhǔn)確率高于CNN-BiLSTM方法的86.2%、SVM方法的81.7%、AT-BiLSTM方法的76.1%和AT-CNN方法的72.5%,大約為91.8%,由此可見本文所提出的方法可以達(dá)到較高的預(yù)測精度。

1 系統(tǒng)模型

本文提出了一種基于注意力機制的混合CNN-BiLSTM系統(tǒng)模型,如圖1所示。該模型由CNN網(wǎng)絡(luò)、BiLSTM網(wǎng)絡(luò)、融合層和全連接層4部分構(gòu)成。該模型的主要思路為:在通道1中,利用BiLSTM網(wǎng)絡(luò)進(jìn)行雙向全局時間特征的充分提取;同時,在通道2中,利用一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network, 1DCNN)對時序信號沿時間軸正方向進(jìn)行局部非相關(guān)性特征的提取,以獲得更多的時間特征,并在注意力機制的作用下合理地選擇分配權(quán)重;然后將通道1和通道2的數(shù)據(jù)特征進(jìn)行融合,實現(xiàn)特征合并;最后通過全連接層(full connected layer, FC)進(jìn)行回歸層預(yù)測。通道中引入Dropout層的目的在于防止模型出現(xiàn)過擬合,引入批歸一化的目的在于提高模型收斂速度,實現(xiàn)較低的訓(xùn)練時間。

圖1 混合CNN-BiLSTM系統(tǒng)模型

低軌道衛(wèi)星信道預(yù)測的目的在于提供及時的信道狀態(tài)信息反饋,提高自適應(yīng)傳輸?shù)哪芰ΑＴO(shè)xt是在當(dāng)前時刻t衛(wèi)星終端所觀測到的信號值。在當(dāng)前時刻t,終端的任務(wù)根據(jù)給定的歷史數(shù)據(jù){xt}(t=τ-nΔ,…,τ-Δ,τ),預(yù)測時間間隔t+hΔ的衛(wèi)星信道信號。在本文中,設(shè)采樣間隔Δ=0.1 s,n=1 500,0≤h≤150,即過去150 s的歷史數(shù)據(jù)可以用來預(yù)測未來15 s后的信道。由于衛(wèi)星信道參數(shù)是隨機且非線性的,因此一個好的信道模型應(yīng)能夠捕捉這些特征,特征學(xué)習(xí)是建立高效的預(yù)測模型的基礎(chǔ)。衛(wèi)星信道的預(yù)測特征表現(xiàn)為強烈的時間序列相關(guān)性,即以往時間的信道信號值嚴(yán)重影響到預(yù)測的性能。

設(shè)ft表示觀測位置在時刻t的精確信號值,觀測位置自時間t-nΔ到t的信號采樣可以表示為xt=[ft-n,ft-(n-1),…,ft]T。在后續(xù)文中為便于描述,省略本文中的符號Δ,將t-nΔ表述為t-n。

2 低軌道衛(wèi)星信道預(yù)測網(wǎng)絡(luò)

2.1 CNN-BiLSTM

該模塊是整個模型的核心部分,由1DCNN和BiLSTM網(wǎng)絡(luò)組成,其輸入是一個時間信號矩陣xt。卷積神經(jīng)網(wǎng)絡(luò)依據(jù)局部連接和權(quán)值共享的方式利用一維卷積核濾波器進(jìn)行卷積、池化和特征提取。卷積層運算過程表示如下:

Ft=σ(Ws*xt+bs)

(1)

式中:σ表示激活函數(shù);Ws表示濾波器的權(quán)重;*表示卷積運算;bs表示偏置。

為解決前一時刻的輸入對后一時刻產(chǎn)生影響的時間序列問題,Pineda[17]設(shè)計出了循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)。該網(wǎng)絡(luò)是一種依據(jù)時間序列連接的神經(jīng)網(wǎng)絡(luò),各節(jié)點之間連接形成一個有向圖,非常適用于具有一定相關(guān)性的相鄰數(shù)據(jù)的處理。但是RNN有一個嚴(yán)重的缺陷,即當(dāng)輸入的數(shù)據(jù)和求解輸出的時間過長時,信息之間的相關(guān)性會降低,無法對之后的輸出產(chǎn)生影響,由此帶來歷史信息丟失造成誤判,即帶來長時依賴時問題。為解決這個問題,Hochreiter等[18]在1997年提出改進(jìn)型神經(jīng)網(wǎng)絡(luò)——LSTM網(wǎng)絡(luò),其結(jié)構(gòu)如圖2所示。

圖2 LTSM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

新設(shè)計的神經(jīng)網(wǎng)絡(luò)由輸入門、輸出門和遺忘門3個乘法結(jié)構(gòu)組成。LSTM使用遺忘門來確定在當(dāng)前單元狀態(tài)下保留了先前單元狀態(tài)的多少信息,并使用輸入門來決定在當(dāng)前單元狀態(tài)下需要保存輸入的多少信息。LSTM的一次更新過程如下:

(2)

it=σ(Wxi·xt+Whi·ht-1+Wci·ct-1+bi)

(3)

ft=σ(Wxf·xt+Whf·ht-1+Wcf·ct-1+bf)

(4)

(5)

ot=σ(Wxo·xt+Who·ht-1+Wco·ct-1+bo)

(6)

ht=ot*tanh(ct)

(7)

yt=Wyh·ht+by

(8)

雙向傳播長短時記憶神經(jīng)網(wǎng)絡(luò)如圖3所示,通過LSTM的隱藏層達(dá)到正向和反向兩個方向的計算,通過雙向LSTM神經(jīng)網(wǎng)絡(luò)可以獲得更多的數(shù)據(jù)特征。BiLSTM更新過程如下:

圖3 BiLSTM結(jié)構(gòu)示意圖

h+=LSTM+(ht-1,xt)

(9)

h-=LSTM-(ht+1,xt)

(10)

(11)

2.2 注意力機制

在認(rèn)知神經(jīng)科學(xué)領(lǐng)域中,面對信息處理的瓶頸,人類選擇性地關(guān)注信息中的某一部分,忽略其他可見的不太重要的信息。人類視網(wǎng)膜具有不同程度的信息處理能力,即敏銳度,只有視網(wǎng)膜中央才具有最強的敏銳度。這樣的目的在于更加合理地利用有限的資源處理信息。同理,注意力機制就是為解決信息超載問題的一種合理資源分配方案[19],將計算任務(wù)分配給相對更加重要的任務(wù)。

文獻(xiàn)[20]的神經(jīng)網(wǎng)絡(luò)引入了一種注意力機制,通過對數(shù)據(jù)時間片段分配不同的權(quán)重,使信息更有效地編碼。在本文的預(yù)測下,不同時刻數(shù)據(jù)提供的信息對預(yù)測結(jié)果的精度影響程度不盡相同。但是,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不能檢測對信號值序列的重要程度進(jìn)行鑒別。由此,本文對CNN-LSTM網(wǎng)絡(luò)進(jìn)行改進(jìn),引入注意力機制自動對不同時刻歷史數(shù)據(jù)片段的重要程度進(jìn)行鑒別。本文所使用的注意力機制如圖4所示。

圖4 注意力機制模型

在該模型中,加權(quán)總和輸出為

(12)

式中:n+1表示時間序列的長度;βk是注意力權(quán)值,其計算式如下:

(13)

其中，sk表示信號序列各部分的重要程度,其計算式如下:

(14)

2.3 融合層與全連接層

雙通道提取到的特征在經(jīng)過融合層之后,就可以得到衛(wèi)星信號的全部特征。在融合層中,模型采用Regression回歸的到樣本特征向量輸入全連接層:

(15)

全連接層一般由兩個部分組成:線性部分和非線性部分,如圖5所示。

圖5 FC模型

由于本文涉及到的低軌道衛(wèi)星通信并不是簡單的一個線性的對應(yīng)關(guān)系,為了更準(zhǔn)確擬合真實的場景,所以引入了非線性變化,例如sigmod函數(shù)等。

xp=g(Wxy*y+b)

(16)

3 參數(shù)優(yōu)化與算法流程

3.1 神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化

基于AT-CNN-BiLSTM的衛(wèi)星信道預(yù)測算法的優(yōu)化過程是尋找一組參數(shù),使得預(yù)測誤差達(dá)到最小。本文中,假設(shè)樣本量為n,衛(wèi)星信道預(yù)測模型的交叉熵代價損失函數(shù)可表示為

(17)

式中:a表示期望輸出;xp表示實際輸出。結(jié)合梯度下降的Adam優(yōu)化算法進(jìn)行權(quán)重參數(shù)矩陣W的更新。

(18)

式中:η是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率;mt和vt分別是當(dāng)前時刻的參數(shù)梯度的一階和二階動量,初始均為0。mt和vt可表示為

mt=β1·mt-1+(1-β1)gt

(19)

(20)

(21)

式中:β1和β2分別是Adam的一階和二階動量調(diào)節(jié)參數(shù),初始均為0。

結(jié)合上述分析過程,CNN-BiLSTM網(wǎng)絡(luò)的衛(wèi)星信道預(yù)測算法參數(shù)的優(yōu)化步驟如下所示。

步驟 1將基站通信歷史監(jiān)測的信道數(shù)據(jù)xt代入式(1)和式(9)～式(11),再通過特征融合層和FC獲得整個網(wǎng)絡(luò)的輸出xp。

步驟 2通過式(17)～式(21)計算網(wǎng)絡(luò)誤差,將誤差利用反向傳播至各神經(jīng)元。

步驟 3神經(jīng)元利用誤差項根據(jù)優(yōu)化算法更新參數(shù)。

步驟 4設(shè)置迭代次數(shù),循環(huán)步驟1～步驟3,直到參數(shù)不再變化,結(jié)束優(yōu)化。

3.2 算法預(yù)測流程

依據(jù)前文中所分析的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)優(yōu)化步驟,信道預(yù)測的實現(xiàn)步驟如下。

步驟 1在模擬衛(wèi)星信道的條件下獲得信道數(shù)據(jù),以間隔Δ均勻采樣,得到樣本數(shù)據(jù)為xt={xτ-n,xτ-(n-1),…,xτ},n是樣本個數(shù)。

步驟 2構(gòu)造數(shù)據(jù)集。為方便神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,將xt分為實部和虛部兩部分。其中,實部數(shù)據(jù)和虛部數(shù)據(jù)分別為Re(xt)={Re(xτ-n),Re(xτ-(n-1)),…,Re(xτ)}和Im(xt)={Im(xτ-n),Im(xτ-(n-1)),…,Im(xτ)}。本文將數(shù)據(jù)集劃分為訓(xùn)練和測試兩個部分,將其設(shè)置為9∶1的比例。

步驟 3進(jìn)行模型的訓(xùn)練,將訓(xùn)練數(shù)據(jù)集輸入。以實部數(shù)據(jù)集為例,輸入Re(xt)={Re(xτ-n),Re(xτ-(n-1)),…,Re(xτ)},在注意力機制的權(quán)重分配下,經(jīng)過CNN-BiLSTM混合網(wǎng)絡(luò)、融合層和全連接層輸出結(jié)果xp。采用交叉熵代價損失函數(shù)損失函數(shù)計算誤差,利用Adam優(yōu)化算法對參數(shù)進(jìn)行更新優(yōu)化。同理,虛部數(shù)據(jù)集經(jīng)過同樣的流程實現(xiàn)網(wǎng)絡(luò)參數(shù)的調(diào)優(yōu)。

步驟 4進(jìn)行模型的預(yù)測,在網(wǎng)絡(luò)中載入訓(xùn)練好的算法模型參數(shù),以測試數(shù)據(jù)集為初始化數(shù)據(jù),對預(yù)測結(jié)果進(jìn)行檢驗,得到網(wǎng)絡(luò)模型預(yù)測輸出，預(yù)測流程如圖6所示。

圖6 混合CNN-BiLSTM神經(jīng)網(wǎng)絡(luò)信道預(yù)測流程圖

4 實驗結(jié)果與性能評估

為了驗證本文所提算法的預(yù)測性能,本節(jié)選取低軌道衛(wèi)星信道的信號沖擊響應(yīng),以“抽樣”的方式獲得歷史時刻數(shù)據(jù)信息,再按照9∶1劃分為訓(xùn)練集和測試集。在數(shù)據(jù)集基礎(chǔ)上,建立基于注意力機制的混合CNN-BiLSTM網(wǎng)絡(luò)的低軌道衛(wèi)星信道預(yù)測算法,對算法性能進(jìn)行仿真驗證。此外,本文對比分析了不含注意力機制的CNN-BiLSTM網(wǎng)絡(luò)、基于注意力機制的BiLSTM單層網(wǎng)絡(luò)、基于注意力機制的CNN單層網(wǎng)絡(luò)和基于SVM網(wǎng)絡(luò)算法的預(yù)測性能。本文實驗仿真基于英特爾酷睿i7-8700CPU的Windows 1064位操作系統(tǒng)的工作站,編程軟件選擇python 3.7.0和Matlab 2019b。

4.1 數(shù)據(jù)描述及參數(shù)設(shè)置

室外衛(wèi)星信道的特點可以用由多普勒譜來描述,仿真中采用通過濾波后的高斯白噪聲(filtered white Gaussian noise, FWGN)模型來描述衛(wèi)星信號。其中，Jakes模型是通過復(fù)正弦波的合成,假設(shè)均勻方向到達(dá)的所有散射分量的射線近似為N個平面波,產(chǎn)生瑞利衰落信道模型[21]。在Jakes模型中,信道的實部和虛部是統(tǒng)計獨立的。在文獻(xiàn)[21]中,Jakes模型的最終復(fù)輸出表示如下:

(22)

式中:E0為衰落信道的總幅度;N0表示多普勒頻移的正弦數(shù)目,本文中將其設(shè)為8。通過Matlab仿真得到Jakes模型下的信號如圖7所示。信道模型多普勒頻率為0.926 kHz,采樣周期為0.1 s。

圖7 Jakes模型衛(wèi)星信號仿真圖

結(jié)合文獻(xiàn)[7-9]參數(shù)設(shè)置,本文的參數(shù)值如表1所示。

表1 仿真參數(shù)

4.2 預(yù)測結(jié)果與分析

4.2.1 仿真預(yù)測

在輸入測試數(shù)據(jù)集后進(jìn)行仿真得到如圖8所示的衛(wèi)星信道預(yù)測圖,其中圖8(a)～圖8(e)分別表示AT-CNN-BiLSTM、CNN-BiLSTM、SVM、AT-BiLSTM和AT-CNN仿真。從仿真圖中可以明顯看出，本文所提出的混合AT-CNN-BiLSTM所預(yù)測的信道幅值更接近衛(wèi)星原始數(shù)據(jù),另外4種方法都出現(xiàn)不同程度的偏離,以AT-BiLSTM和AT-CNN偏離最為嚴(yán)重。SVM的預(yù)測誤差較大,這是因為SVM利用內(nèi)核函數(shù)將大量不確定的時間數(shù)據(jù)映射到高維空間,不能充分利用數(shù)據(jù)特征進(jìn)行預(yù)測,導(dǎo)致預(yù)測性能較差。從圖8中曲線突變的位置可看出,仿真預(yù)測都難以實現(xiàn)準(zhǔn)確的跟蹤,均出現(xiàn)較大的失真。僅使用單一網(wǎng)絡(luò)的CNN和BiLSTM因不能對數(shù)據(jù)特征進(jìn)行充分的提取,導(dǎo)致預(yù)測效果最差,無法達(dá)到預(yù)測結(jié)果的要求。本文的算法失真較小,這主要是因為本文引入了注意力機制,能夠在不同時刻對每個時間序列分配不同程度的權(quán)重以提高預(yù)測性能。更具體地說,在注意力權(quán)重的合理分配下,CNN-BiLSTM模型捕獲前向和后向兩個方向的特征,將整體和局部流數(shù)據(jù)特征一起處理,更加全面地提取特征,實現(xiàn)更精準(zhǔn)地預(yù)測。

圖8 不同預(yù)測方法的仿真預(yù)測圖

4.2.2 性能評估

為了評估仿真模型的性能,本文使用了3個常用于評估預(yù)測性能的指標(biāo):平均絕對誤差(mean absolute error, MAE)、平均絕對百分比誤差(mean absoulute percentage error, MAPE)和均方誤差(mean square error, MSE),計算公式如下:

(23)

(24)

(25)

式中:xt是實際值;xp是本文模型預(yù)測值。

表2展示了時間軸上155 s、160 s、165 s時刻,上述3個性能指標(biāo)的具體值。從表2中可以看出，在較短時間內(nèi)5種模型的性能均較高,但是預(yù)測時間越長,性能下降越嚴(yán)重。從總體上來看,本文的AT-CNN-BiLSTM無論是短期還是長期均可實現(xiàn)較高的預(yù)測水平。

表2 不同方法的預(yù)測性能

為直觀化訓(xùn)練過程中的預(yù)測性能,本文挑選了5個節(jié)點觀測訓(xùn)練值,如圖9所示,分別是MAE、MAPE和MSE的柱狀圖,總體上均是隨著時間的推移呈現(xiàn)上升趨勢,即預(yù)測精度在下降。

圖9 不同預(yù)測方法的性能指標(biāo)柱狀圖

4.2.3 收斂性分析

在前面數(shù)據(jù)的基礎(chǔ)上,本節(jié)分析了訓(xùn)練過程中迭代次數(shù)與預(yù)測準(zhǔn)確率的關(guān)系,如圖10所示。5種預(yù)測方法錯誤率均隨著迭代次數(shù)的增加而降低,在迭代次數(shù)小于10的情況下,本文方法收斂速度滯后于另外4種方法,這主要是因為本文結(jié)合了注意力機制和混合型的CNN-BiLSTM網(wǎng)絡(luò),網(wǎng)絡(luò)復(fù)雜度有了一定的提升,導(dǎo)致收斂速度較慢。SVM方法是低緯度空間向高緯度空間的映射,導(dǎo)致預(yù)測過程具有更大的復(fù)雜性,因而在與本文之外的其他3種方法對比中收斂更慢。CNN擁有較高的局部特征提取速度,換來的代價是CNN預(yù)測精度低于BiLSTM方法。再結(jié)合注意力機制后,預(yù)測精度得以提升。

圖10 不同預(yù)測方法的錯誤率變化曲線

本文的方法在迭代次數(shù)為18時網(wǎng)絡(luò)趨于穩(wěn)定,而另外的4種方法在迭代次數(shù)為14時就基本穩(wěn)定。但是本文的預(yù)測準(zhǔn)確率高于另外4種方法的86.2%、81.7%、76.1%和72.5%,大約為91.8%。相較另外4種方法,本文的方法分別提升了5.6%、10.1%、15.7%和19.3%。

5 結(jié) 論

本文針對低軌道衛(wèi)星信道指數(shù)“過時”的問題,從衛(wèi)星信號預(yù)測的角度出發(fā),結(jié)合深度學(xué)習(xí)的方法對低軌道衛(wèi)星的信號進(jìn)行預(yù)測。將CNN和BiLSTM網(wǎng)絡(luò)融合,結(jié)合注意力機制形成混合AT-CNN-BiLSTM衛(wèi)星預(yù)測網(wǎng)絡(luò),對比分析了CNN-BiLSTM網(wǎng)絡(luò)、SVM網(wǎng)絡(luò)、AT-BiLSTM網(wǎng)絡(luò)和AT-CNN網(wǎng)絡(luò)。從仿真預(yù)測圖形上分析了5種方法的性能,結(jié)果表明本文所提出的方法能夠在較低的迭代次數(shù)下達(dá)到比較高的預(yù)測精度。因此本文所提出的預(yù)測方法能夠在低軌衛(wèi)星通信的過程中為信道參數(shù)的調(diào)整提供依據(jù),改善通信質(zhì)量,節(jié)省資源開支,有助于衛(wèi)星通信的高效管理。